Trabajo Econometra II

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

Donde DA son los gastos de alimentacin, DT es el gasto total, R es la renta

familiar y A es el nmero de adultos por familia.
Antes de empezar hemos de observar que la variable dependiente est
formada por dos variables, por lo que nos sera ms fcil definir una nueva
variable, que podramos llamar variable Y y estara definida por la divisin
de DA y DT.

1.) Escoger entre una de las dos especificaciones.

Se podria comparar las dos especificaciones con R-cuadrado si la variable
dependiente, en este caso Y, fuera la mismas. Al tener en una
especificacin la variable dependiente en loragitmo, solo podemos
comparar las especificaciones con la funcin de verosimilitud.
Estimacin Modelo 1 MCO:

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

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn

p-value
<0,00001
<0,00001
<0,00001

***
***
***

0,141947
0,135523
0,088461
4,62e-30
-1666,467
-1660,563

Estimacin Modelo 2 MCO:

Model 2: OLS, using observations 1-1440

Dependent variable: l_Y
const
l_R
A
Mean dependent var
Sum squared resid
R-squared
F(2, 1437)
Log-likelihood
Schwarz criterion

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

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn

***
***
***

0,502589
0,481271
0,083033
3,29e-28
1983,324
1989,229

Para comparar modelos con log-verosimilitud, hemos de escoger el modelo

con el log-verosimilitud ms alto. Como unos de los modelos es lineal y el
otro es logartmico, no podemos utilizar el resultado de Gretl, hemos de
hacer cumplir la siguiente ecuacin:
Log-verosimilitud 1 > log-verosimilitud 2 -lnYi. Si es as, entonces
aceptaremos que el modelo 1 es mejor.
Log-verosimilitud 1 < log-verosimilitud 2 -lnY. Si es as entonces
aceptaremos que el modelo 2 es mejor.
Log verosimilitud MCO 1= L
Log verosimilitud MCO 2= L*
L=836,2335

L*- ln(Yi)= -988,6620-(-1,195151*1440)= 732,35554

En este caso L>L* por eso elegimos el Modelo 1.

2.) Obtener en ambos casos la elasticidad del gasto en alimentacin frente

a la renta.
Elasticidad modelo 1=

dDA
R
R B R

=B1 = 1
dR
DA
Y
Y

(66143/17868) = 029012

= 00783729 *

Elasticidad modelo 2= Como es un modelo Log-Log la elasticidad es

directamente el coeficiente

1=0,41

3.) Aplicar los siguientes contrastes de homocedasticidad: Goldfeld-Quandt,

White y Harvey.

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

En este caso tenemos que N = 1440

1440
=480
3

Entonces podemos ver que las 3 sub-muestras tendrn la misma cantidad

de observaciones (480).
Sub-muestra 1

Model 1: OLS, using observations 1-480

Dependent variable: Y
const
R
A
Mean dependent var
Sum squared resid
R-squared
F(2, 477)

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

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)

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

Model 2: OLS, using observations 961-1440 (n = 480)

Dependent variable: Y
const
R
A

Coefficient
0,337795
-0,0126339
0,026825

Mean dependent var

Sum squared resid
R-squared
F(2, 477)
Log-likelihood
Schwarz criterion

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

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn

p-value
<0,00001
0,00031
0,00002

***
***
***

0,139919
0,136414
0,049477
2,05e-06
-547,2094
-542,2875

Si la hiptesis nula es cierta:

2
u^ 8,876342
G= ~i2 =
Fm, m
ui 9,311109

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.

Critical value = 1,16274 con una probabilidad del 95%

G=0.9533<1,1674=Critical Value

No rechazamos la hiptesis nula!

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

En este caso tenemos que N = 1440

1440
=480
3

Sub-muestra 1

Model 1: OLS, using observations 1-480

Dependent variable: l_Y
Coefficient
-0,684129
-0,410556
0,0863614

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

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn

**
**
***

0,495114
0,490151
0,019947
0,003018
680,6518
685,5737

Sub-muestra 2

Model 2: OLS, using observations 961-1440 (n = 480)

Dependent variable: l_Y
const
l_R
A
Mean dependent var

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

S.D. dependent var

p-value
0,01367
0,00148
0,00004

**
***
***

0,530633

Sum squared resid

R-squared
F(2, 477)
Log-likelihood
Schwarz criterion

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

Si la hiptesis nula es cierta:

2
u^ 128,5666
G= ~i2 =
F m ,m
ui 114,5984

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

No rechazamos la hiptesis nula!

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

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn

p-value
<0,00001
<0,00001
<0,00001

***
***
***

0,141947
0,135523
0,088461
4,62e-30
-1666,467
-1660,563

White's test for heteroskedasticity Null hypothesis: heteroskedasticity not present

Test statistic: LM = 12,5067
with p-value = P(Chi-square(5) > 12,5067) = 0,0284675
Critical value = 11,0705< LM = 12,5067 Rechazamos la hiptesis nulla la
varianza de las perturbaciones no es constante.
Modelo 2

Model 2: OLS, using observations 1-1440

Dependent variable: l_Y
Coefficient
-0,709761
-0,410124
0,100243

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

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn

p-value
<0,00001
<0,00001
<0,00001

***
***
***

0,502589
0,481271
0,083033
3,29e-28
1983,324
1989,229

White's test for heteroskedasticity Null hypothesis: heteroskedasticity not present

Test statistic: LM = 8,54166
with p-value = P(Chi-square(5) > 8,54166) = 0,128802
Critical value = 11,0705< LM = 8,54166 No rechazamos la hiptesis nulla la
varianza de las perturbaciones es constante.
Contraste de Harvey
Modelo 1

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

Mean dependent var

Sum squared resid
R-squared
F(2, 1437)
Log-likelihood
Schwarz criterion

0,0244363
0,0639933

-5,214335
6625,641
0,002242
1,614331
-3142,210
6306,238

-1,4399
-0,6552

0,15012
0,51242

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn

2,148181
2,147265
0,000853
0,199385
6290,421
6296,325

Podemos afirmar que las variancias de las perturbaciones son constantes,

los dos valores t de las variables independientes estn alrededor de 0.
Modelo 2

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

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)

***
***
***

2,294493
2,277480
0,014774
8,35e-06

A diferencia del modelo1, el modelo 2 los valores t sobrepasan el 2 o -2.

Entonces se puede decir, segn el contraste de Harvey, que tenemos
heteroscedasticidad.
4. Si se detectan problemas dheteroscedasticidad, aplicar mnimos
cuadrados ponderados.
Correccin del contraste de White del modelo 1:

Model 1: OLS, using observations 1-1440

Dependent variable: Y
Heteroskedasticity-robust standard errors, variant HC1
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
0,0130902
0,00145229
0,00378799

0,336857
26,39266
0,089728
84,14350
836,2335
-1650,650

t-ratio
28,5074
-11,7449
7,6437

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn

p-value
<0,00001
<0,00001
<0,00001

***
***
***

0,141947
0,135523
0,088461
2,77e-35
-1666,467
-1660,563

White's test for heteroskedasticity Null hypothesis: heteroskedasticity not present

Test statistic: LM = 12,5067
with p-value = P(Chi-square(5) > 12,5067) = 0,0284675
Correccin modelo logartmico segn el contraste de Harvey:

Model 2: OLS, using observations 1-1440

Dependent variable: l_usq9
Heteroskedasticity-robust standard errors, variant HC1
const
l_R
A
Mean dependent var
Sum squared resid
R-squared
F(2, 1437)
Log-likelihood
Schwarz criterion

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

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn

p-value
<0,00001
0,00044
0,00014

***
***
***

2,294493
2,277480
0,014774
0,000025
6459,980
6465,885

5. Estimar la matriz de variancias y covariancias por el mtodo de White.

6. Razonar cul es el motivo de que las estimaciones de la matriz de

variancias y covariancias de los estimadores difiera segn se aplique la
frmula estndar o de White.
Las estimaciones de la matriz de variancias y covariancias del estimador del
modelo de White son ms pequeas y se acercan ms a 0 que el modelo
normal. La conclusin que podemos sacar, es que con White aplicamos las
desviaciones tpicas robustas, que nos solucionan el problema de la
heteroscedasticidad.

7. Estimar las mismas ecuaciones con las 150 primeras observaciones y

aplicar los correspondientes contrastes de homocedasticidad. Si los
resultados de los contrastes difieren en utilizar la muestra o en utilizar slo
las primeras 150 observaciones, explicar los motivos de la discrepancia.
Para poder realizar los contrastes primero he de delimitar las 150 primeras
observaciones mediante un rango, para ello en Gretl hago
muestra/establecer rango/de 1 a 150.
Contraste de White
Modelo 1

H 0 :V ( ui ) =constante
H 1 :V ( ui ) =no constante

Model 1: OLS, using observations 1-150

Dependent variable: Y
const
R
A
Mean dependent var
Sum squared resid
R-squared
F(2, 147)
Log-likelihood
Schwarz criterion

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

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn

p-value
0,00017
0,03943
0,16516

***
**

0,147095
0,145405
0,022846
0,067749
-149,8190
-146,1496

White's test for heteroskedasticity Null hypothesis: heteroskedasticity not present

Test statistic: LM = 1,38256
with p-value = P(Chi-square(5) > 1,38256) = 0,926211
En este caso el valor observado es ms pequeo que el valor crtico. No
rechazamos la hiptesis nula y deberamos decir que la variancia de las
perturbaciones es constante.

Modelo 2

Model 2: OLS, using observations 1-150

Dependent variable: l_Y
const
l_R
A
Mean dependent var
Sum squared resid
R-squared
F(2, 147)
Log-likelihood

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

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion

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

White's test for heteroskedasticity Null hypothesis: heteroskedasticity not present

Test statistic: LM = 3,46153
with p-value = P(Chi-square(5) > 3,46153) = 0,629216
En este caso el valor observado es ms pequeo que el valor crtico. No
rechazamos la hiptesis nula y deberamos decir que la variancia de las
perturbaciones es constante.

Contraste de Harvey
Modelo 1

Model 1: OLS, using observations 1-150

Dependent variable: l_usq8
const
R
A
Mean dependent var
Sum squared resid
R-squared
F(2, 147)
Log-likelihood
Schwarz criterion

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

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn

p-value
0,00833
0,50766
0,93938

***

1,959647
1,969754
-0,010342
0,788981
632,0238
635,6931

Podemos afirmar que las variancias de las perturbaciones son constantes,

los dos valores t de las variables independientes estn alrededor de 0.
Modelo 2

Model 11: OLS, using observations 1-150

Dependent variable: l_usq10
const
l_R
A
Mean dependent var
Sum squared resid
R-squared

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

S.D. dependent var

S.E. of regression
Adjusted R-squared

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

Mirando los valores t de las dos variables independientes (se encuentran

entre 2 y -2) por lo tanto no rechazamos la hiptesis nula. Las varianzas de
las perturbaciones son constantes y no habra heteroscedasticidad.

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

En este caso tenemos que N = 150

150
=50
3

Entonces podemos ver que las 3 sub-muestras tendrn la misma cantidad

de observaciones (50).
Queremos que las tres submuestras tengan la misma cantidad de
observaciones, por lo tanto quedaran divididas en 50 observaciones cada
una. La primera y la tercera observacin son las ms importantes que
necesitamos.

Sub-muestra 1

Model 1: OLS, using observations 1-50

Dependent variable: Y
const
R
A

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

Mean dependent var

Sum squared resid
R-squared
F(2, 47)
Log-likelihood
Schwarz criterion

0,430874
1,066844
0,072886
1,847463
25,23603
-38,73600

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn

0,153245
0,150661
0,033434
0,168902
-44,47207
-42,28774

Sub-muestra 2

Model 1: OLS, using observations 101-150 (n = 50)

Dependent variable: Y
const
R
A

Coefficient
1,19845
-0,212594
0,0122367

Mean dependent var

Sum squared resid
R-squared
F(2, 47)
Log-likelihood
Schwarz criterion

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

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn

p-value
0,27165
0,43086
0,64492
0,148440
0,150203
-0,023888
0,654076
-44,77694
-42,59261

Si la hiptesis nula es cierta:

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

No rechazamos la hiptesis nula, por

lo tanto el modelo 1 es homocedstico.

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

En este caso tenemos que N = 150

150
=50
3

Entonces podemos ver que las 3 sub-muestras tendrn la misma cantidad

de observaciones (50).
Queremos que las tres submuestras tengan la misma cantidad de
observaciones, por lo tanto quedaran divididas en 50 observaciones cada
una. La primera y la tercera observacin son las ms importantes que
necesitamos.
Sub-muestra 1

Model 2: OLS, using observations 1-50

Dependent variable: l_Y
const
l_R
A
Mean dependent var
Sum squared resid
R-squared
F(2, 47)
Log-likelihood
Schwarz criterion

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

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn

p-value
0,39306
0,67473
0,17947
0,641775
0,640028
0,005437
0,330408
100,1758
102,3601

Sub-muestra 2

Model 2: OLS, using observations 101-150 (n = 50)

Dependent variable: l_Y
const
l_R
A

Coefficient
4,52568
-4,12634
0,050977

Mean dependent var

Sum squared resid
R-squared
F(2, 47)
Log-likelihood
Schwarz criterion

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

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn

p-value
0,37535
0,26167
0,57236
0,508535
0,510454
-0,007559
0,448281
77,55459
79,73892

Si la hiptesis nula es cierta:

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

No rechazamos la hiptesis nula, por

lo tanto el modelo 1 es homocedstico.

Conclusin

Si tomamos las 150 primeras observaciones y aplicamos los contrastes

correspondientes obtendremos que no se detecta varianza de los errores,
por lo tanto cuando aumenta la muestra empezamos a detectar variaciones
en el comportamiento de la varianza de los errores.

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

a) Contrastar la existencia de homoscedasticidad.

Contraste de White

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

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn

White's test for heteroskedasticity Null hypothesis: heteroskedasticity not present

Test statistic: LM = 4,9662
with p-value = P(Chi-square(5) > 4,9662) = 0,420019

p-value
0,71609
<0,00001
<0,00001

***
***

0,721730
0,689341
0,087739
8,16e-30
3018,126
3024,031

En este caso el valor observado es ms pequeo que el valor crtico. No

rechazamos la hiptesis nula y deberamos decir que la variancia de las
perturbaciones es constante.
b) Probar que los valores predichos por el ratio estarn siempre entre 0 y la
unidad.

c) Comparar la capacidad de ajuste de esta ecuacin con las dos anteriores.

Modelo 1 L=836,2335

Modelo 2L*- ln(Yi)= -988,6620-(-1,195151*1440)= 732,35554

Model 3: OLS, using observations 1-1440

Dependent variable: l_H
Coefficient
-0,0375706
-0,606298
0,147015

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

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn

p-value
0,71609
<0,00001
<0,00001

***
***

0,721730
0,689341
0,087739
8,16e-30
3018,126
3024,031

Modelo 3 L*- ln(Yi)=-1506,063-(-0,758247*1440)=-414,1974

Seguimos eligiendo el Modelo 1 que tiene la mxima verosimilitud de

los tres.

d) Obtener un intervalo de confianza del 95% para la elasticidad del gasto

en alimentacin respecto a la renta.
Uno de los outputs de Gretl nos muestra directamente los intervalos de
confianza, en este caso podremos ver la elasticidad ya que es el logaritmo
de la renta.
t(1437, 0,025) = 1,962
VARIABLE

COEFFICIENT

95% CONFIDENCE INTERVAL

const
l_R

-0,0375706
-0,606298

0,147015

-0,240174
-0,714763
0,106790

0,165033
-0,497833
0,187239

Intervalo de confianza de la elasticidad del gasto en alimentacin respeto a

la renta del 95% de confianza: (-0,714763 , -0,497833)