Documente Academic
Documente Profesional
Documente Cultură
Econometra II
Tomando datos de la encuesta de presupuestos familiares se quiere analizar
como evoluciona el peso de los gastos en alimentacin de las familias
cuando aumenta la renta. Por eso estimamos con datos de corte transversal
las siguientes ecuaciones:
DA
)= 0 + 1 Rt + 2 At +u
DT
ln (
DA
) =0 +1 ln ( R)t +2 At +
DT t
Coefficient
0,373169
-0,017057
0,0289544
Std. Error
0,013155
0,00154228
0,00403889
0,336857
26,39266
0,089728
70,82485
836,2335
-1650,650
t-ratio
28,3671
-11,0596
7,1689
p-value
<0,00001
<0,00001
<0,00001
***
***
***
0,141947
0,135523
0,088461
4,62e-30
-1666,467
-1660,563
Coefficient
-0,709761
-0,410124
0,100243
Std. Error
0,0721088
0,0386038
0,0143163
-1,195151
332,8404
0,084307
66,15189
-988,6620
1999,141
t-ratio
-9,8429
-10,6239
7,0020
p-value
<0,00001
<0,00001
<0,00001
***
***
***
0,502589
0,481271
0,083033
3,29e-28
1983,324
1989,229
dDA
R
R B R
=B1 = 1
dR
DA
Y
Y
(66143/17868) = 029012
= 00783729 *
1=0,41
Contraste de Goldfeld-Quandt
Modelo1
H 0=Homoscedasticidad
H 1=La varincia de las perturbaciones crece con la variable X 2 i
Para poder utilizar este contraste debemos dividir la muestra en tres submuestras del mismo tamao:
( n p )
( n p )
n
, p,
p
2
2
3
1440
=480
3
Coefficient
0,485523
-0,0387775
0,0240744
Std. Error
0,0578125
0,0125636
0,00878211
0,373894
9,311109
0,032204
7,936294
t-ratio
8,3982
-3,0865
2,7413
p-value
<0,00001
0,00214
0,00635
***
***
***
0,141723
0,139715
0,028146
0,000407
Log-likelihood
Schwarz criterion
265,1282
-511,7350
Akaike criterion
Hannan-Quinn
-524,2564
-519,3345
Sub-muestra 2
Coefficient
0,337795
-0,0126339
0,026825
Std. Error
0,0348141
0,00347453
0,00617616
0,296796
8,876342
0,053445
13,46646
276,6047
-534,6880
t-ratio
9,7028
-3,6361
4,3433
p-value
<0,00001
0,00031
0,00002
***
***
***
0,139919
0,136414
0,049477
2,05e-06
-547,2094
-542,2875
m=
1440480
3=477
2
u^ 2 8,876342
G= ~i2 =
F 477,477
ui 9,311109
G=0,9533
Una vez obtenido el valor debemos buscar en las tablas de la F para saber si
rechazamos o no.
G=0.9533<1,1674=Critical Value
Modelo 2
H 0=Homoscedasticidad
H 1=La varincia de las perturbaciones crece con la variable X 2 i
Para poder utilizar este contraste debemos dividir la muestra en tres submuestras del mismo tamao:
( n p )
( n p )
n
, p,
p
2
2
3
1440
=480
3
Sub-muestra 1
const
l_R
A
Mean dependent var
Sum squared resid
R-squared
F(2, 477)
Log-likelihood
Schwarz criterion
Std. Error
0,280074
0,187213
0,030824
-1,078917
114,5984
0,024039
5,874493
-337,3259
693,1731
t-ratio
-2,4427
-2,1930
2,8018
p-value
0,01494
0,02879
0,00529
**
**
***
0,495114
0,490151
0,019947
0,003018
680,6518
685,5737
Sub-muestra 2
Coefficient
-0,70402
-0,413519
0,0977728
Std. Error
0,284448
0,129322
0,0234689
-1,339694
t-ratio
-2,4750
-3,1976
4,1661
p-value
0,01367
0,00148
0,00004
**
***
***
0,530633
128,5666
0,046757
11,69859
-364,9291
748,3796
S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn
0,519164
0,042760
0,000011
735,8582
740,7801
u^ 2 128,5666
G= ~i2 =
F 477,477
ui 114,5984
G=1,121888
Una vez obtenido el valor debemos buscar en las tablas de la F para saber si
rechazamos o no.
Critical value = 1,16274 con una probabilidad del 95%
G=1,121888<1,1674=Critical Value
Contraste de White
Modelo 1
H 0 :V ( ui ) =constante
H 1 :V ( ui ) =no constante
Model 1: OLS, using observations 1-1440
Dependent variable: Y
const
R
A
Mean dependent var
Sum squared resid
R-squared
F(2, 1437)
Log-likelihood
Schwarz criterion
Coefficient
0,373169
-0,017057
0,0289544
Std. Error
0,013155
0,00154228
0,00403889
0,336857
26,39266
0,089728
70,82485
836,2335
-1650,650
t-ratio
28,3671
-11,0596
7,1689
p-value
<0,00001
<0,00001
<0,00001
***
***
***
0,141947
0,135523
0,088461
4,62e-30
-1666,467
-1660,563
const
l_R
A
Mean dependent var
Sum squared resid
R-squared
F(2, 1437)
Log-likelihood
Schwarz criterion
Std. Error
0,0721088
0,0386038
0,0143163
-1,195151
332,8404
0,084307
66,15189
-988,6620
1999,141
t-ratio
-9,8429
-10,6239
7,0020
p-value
<0,00001
<0,00001
<0,00001
***
***
***
0,502589
0,481271
0,083033
3,29e-28
1983,324
1989,229
H 0 :V ( ui ) =constante
H 1 :V ( ui ) = u e 1 +2 x2 i + 3 x3 i +wi
Model 1: OLS, using observations 1-1440
Dependent variable: l_usq1
const
Coefficient
-4,87081
Std. Error
0,208431
t-ratio
-23,3689
p-value
<0,00001
***
R
A
-0,0351851
-0,0419311
0,0244363
0,0639933
-5,214335
6625,641
0,002242
1,614331
-3142,210
6306,238
-1,4399
-0,6552
0,15012
0,51242
2,148181
2,147265
0,000853
0,199385
6290,421
6296,325
Coefficient
-3,38697
0,655876
-0,276778
const
l_R
A
Mean dependent var
Sum squared resid
R-squared
F(2, 1437)
Std. Error
0,341235
0,182682
0,0677478
-2,918475
7453,598
0,016143
11,78921
t-ratio
-9,9256
3,5903
-4,0854
p-value
<0,00001
0,00034
0,00005
***
***
***
2,294493
2,277480
0,014774
8,35e-06
Coefficient
0,373169
-0,017057
0,0289544
Std. Error
0,0130902
0,00145229
0,00378799
0,336857
26,39266
0,089728
84,14350
836,2335
-1650,650
t-ratio
28,5074
-11,7449
7,6437
p-value
<0,00001
<0,00001
<0,00001
***
***
***
0,141947
0,135523
0,088461
2,77e-35
-1666,467
-1660,563
Coefficient
-3,38697
0,655876
-0,276778
Std. Error
0,348582
0,186324
0,0725282
-2,918475
7453,598
0,016143
10,67169
-3226,990
6475,798
t-ratio
-9,7164
3,5201
-3,8161
p-value
<0,00001
0,00044
0,00014
***
***
***
2,294493
2,277480
0,014774
0,000025
6459,980
6465,885
H 0 :V ( ui ) =constante
H 1 :V ( ui ) =no constante
Coefficient
0,721351
-0,104629
0,0254132
Std. Error
0,187231
0,0503471
0,0182192
0,388268
3,107955
0,035963
2,741850
77,90950
-140,7871
t-ratio
3,8527
-2,0782
1,3949
p-value
0,00017
0,03943
0,16516
***
**
0,147095
0,145405
0,022846
0,067749
-149,8190
-146,1496
Modelo 2
Coefficient
-0,108195
-0,860006
0,0820721
Std. Error
0,90816
0,696149
0,0678022
-1,051692
43,02988
0,017250
1,290166
-119,1852
t-ratio
-0,1191
-1,2354
1,2105
p-value
0,90533
0,21866
0,22804
0,542089
0,541036
0,003880
0,278323
244,3705
Schwarz criterion
253,4024
Hannan-Quinn
248,0399
Contraste de Harvey
Modelo 1
Coefficient
-6,78372
0,45295
0,0188031
Std. Error
2,53636
0,682036
0,246809
-5,041188
570,3498
0,003219
0,237395
-313,0119
641,0557
t-ratio
-2,6746
0,6641
0,0762
p-value
0,00833
0,50766
0,93938
***
1,959647
1,969754
-0,010342
0,788981
632,0238
635,6931
Coefficient
-1,71811
-0,949273
0,00345577
Std. Error
4,02333
3,08408
0,300377
-2,962859
844,5321
0,000654
t-ratio
-0,4270
-0,3078
0,0115
p-value
0,66998
0,75867
0,99084
2,381535
2,396897
-0,012943
F(2, 147)
Log-likelihood
Schwarz criterion
0,048093
-342,4518
699,9356
P-value(F)
Akaike criterion
Hannan-Quinn
0,953060
690,9037
694,5730
Contraste de Goldfeld-Quandt
Modelo1
H 0=Homoscedasticidad
H 1=La varincia de las perturbaciones crece con la variable X 2 i
Para poder utilizar este contraste debemos dividir la muestra en tres submuestras del mismo tamao:
( n p )
( n p )
n
, p,
p
2
2
3
150
=50
3
Sub-muestra 1
Coefficient
0,0597885
0,0505667
0,0889038
Std. Error
0,685433
0,199785
0,0482186
t-ratio
0,0872
0,2531
1,8438
p-value
0,93086
0,80129
0,07153
0,430874
1,066844
0,072886
1,847463
25,23603
-38,73600
0,153245
0,150661
0,033434
0,168902
-44,47207
-42,28774
Sub-muestra 2
Coefficient
1,19845
-0,212594
0,0122367
Std. Error
1,07742
0,267561
0,0263823
0,374913
1,060359
0,017903
0,428390
25,38847
-39,04087
t-ratio
1,1123
-0,7946
0,4638
p-value
0,27165
0,43086
0,64492
0,148440
0,150203
-0,023888
0,654076
-44,77694
-42,59261
u^ 2i 1,060359
G= ~2 =
F m ,m
ui 1,066844
m=
15050
3=47
2
u^ 2i 1,060359
G= ~2 =
F 47,47
ui 1,0668844
G=0,9939
Una vez obtenido el valor debemos buscar en las tablas de la F para saber si
rechazamos o no.
Critical value = 1,62376 con una probabilidad del 95%
G=0.9939<1,62376=Critical Value
H 0=Homoscedasticidad
H 1=La varincia de las perturbaciones crece con la variable X 2 i
Para poder utilizar este contraste debemos dividir la muestra en tres submuestras del mismo tamao:
( n p )
( n p )
n
, p,
p
2
2
3
150
=50
3
Coefficient
-3,12728
1,24571
0,27917
Std. Error
3,6279
2,94982
0,204865
-0,963636
19,25290
0,046031
1,133936
-47,08789
105,9119
t-ratio
-0,8620
0,4223
1,3627
p-value
0,39306
0,67473
0,17947
0,641775
0,640028
0,005437
0,330408
100,1758
102,3601
Sub-muestra 2
Coefficient
4,52568
-4,12634
0,050977
Std. Error
5,05661
3,63197
0,0896587
-1,084268
12,24647
0,033566
0,816189
-35,77730
83,29066
t-ratio
0,8950
-1,1361
0,5686
p-value
0,37535
0,26167
0,57236
0,508535
0,510454
-0,007559
0,448281
77,55459
79,73892
u^ 2 12,24647
G= ~i2 =
Fm , m
ui 19,252899
m=
15050
3=47
2
u^ 2 12,24647
G= ~i2 =
F47,47
ui 19,252899
G=0,6360
Una vez obtenido el valor debemos buscar en las tablas de la F para saber si
rechazamos o no.
Critical value = 1,62376 con una probabilidad del 95%
G=0,6360<1,62376=Critical Value
Conclusin
8. Dado que el peso de los gastos de alimentacin respecto del gasto total
tiene que estar acotado entre cero y la unidad, porque los valores predichos
del modelo verifiquen esta condicin, se estima la ecuacin:
ln
( 1rr )= y + y ln ( R ) + y ( A )+ v
Siendo:
r=
DA
DT
H 0 :V ( ui ) =constante
H 1 :V ( ui ) =no constante
Model H: OLS, using observations 1-1440
Dependent variable: l_H
const
l_R
A
Mean dependent var
Sum squared resid
R-squared
F(2, 1437)
Log-likelihood
Schwarz criterion
Coefficient
-0,0375706
-0,606298
0,147015
Std. Error
0,103284
0,0552937
0,0205057
-0,758247
682,8503
0,089007
70,19956
-1506,063
3033,944
t-ratio
-0,3638
-10,9651
7,1694
p-value
0,71609
<0,00001
<0,00001
***
***
0,721730
0,689341
0,087739
8,16e-30
3018,126
3024,031
const
l_R
A
Mean dependent var
Sum squared resid
R-squared
F(2, 1437)
Log-likelihood
Schwarz criterion
Std. Error
0,103284
0,0552937
0,0205057
-0,758247
682,8503
0,089007
70,19956
-1506,063
3033,944
t-ratio
-0,3638
-10,9651
7,1694
p-value
0,71609
<0,00001
<0,00001
***
***
0,721730
0,689341
0,087739
8,16e-30
3018,126
3024,031
COEFFICIENT
const
l_R
-0,0375706
-0,606298
0,147015
-0,240174
-0,714763
0,106790
0,165033
-0,497833
0,187239