UNIDAD III

Qu es la inferencia en el modelo
lneal?

UNIDAD III

Qu es la inferencia en el modelo
lineal?

Toda empresa extraordinaria slo puede lograrse mediante la aplicacin de una extrema cautela
en lo relacionado con sus comienzos y bases
I Ching

Qu es un intervalo de confianza, una dcima de hiptesis?

Qu es un coeficiente de determinacin, de correlacin y de determinacin?
En que consiste la inferencia en el modelo lineal, el anlisis de varianza total y parcial?
Qu permite la prueba de Reset de Ramsey?
En qu consiste el anlisis de la estabilidad estructural?

Con formato: Fuente: Times New

Roman

INFERENCIA EN EL MODELO LINEAL

ESQUEMA CONCEPTUAL
INFERENCIA EN EL MODELO
LINEAL

Intervalos de confianza

I. C. para los parmetros

Construccin de intervalos

Dcima de hiptesis individual

Coeficientes

De determinacin
De Correlacin

Anlisis de Varianza
Total
Parcial

COMPETENCIAS A LOGRAR

CONCEPTUAL
PROCEDIMENTAL
ACTITUDINAL
y analiza los
Explica que es una Ejecuta el proceso de Valora
inferencia, intervalos y inferencia para explicar modelos de prediccin
coeficientes utilizados.
las variables.

CONCEPTOS CLAVE
Inferencia, intervalos, coeficientes, varianza.

108

LECCIN 1
INTERVALO DE CONFIANZA
1. ESTIMACIN
La estimacin puntual.
La estimacin de intervalo
La estimacin puntual.- Se vale de un estadstico para estimar el parmetro en un slo
valor o punto.
Una estimacin de intervalo.- Es la que define un intervalo probable (nivel de
confianza) dentro del cual puede estar el parmetro desconocido.
Ejemplo de estimadores
Si se desea conocer el nivel de ingresos promedio mensual de los hogares del
departamento de Lima en el ao 2004, es difcil calcular la media de toda la poblacin.
Es ms fcil calcular la media de una muestra de hogares y a partir de ella hacer una
estimacin de la media poblacional.
El ejemplo de estimacin puntual de la media poblacional sera el valor que resulta
de una muestra de n = 500 hogares y hallar X = 437.10 nuevos soles.
El ejemplo de estimacin de intervalo sera asegurar con un 95% de confianza que el
ingreso promedio se encuentra entre 325.60 y 548.60 nuevos soles.
Es decir una estimacin puntual utiliza un nmero o valor nico para determinar una
estimacin del parmetro. Un intervalo de confianza denota un rango o recorrido dentro
del cual se podra encontrar el parmetro dado un nivel de confianza.
Nivel de confianza.
Es la probabilidad (1-), (generalmente expresada en porcentaje) de contener dentro de
sus lmites el valor verdadero del parmetro. Los ms usados convencionalmente son
tres: 99, 95 y 90%. Un ejemplo para este caso estara formado por el ingreso promedio
(media poblacional), de una empresa dedicada a la venta de artculos para oficina que
espera obtener al 95% de probabilidad entre 35000 y 38000 nuevos soles de ingresos
para el mes de junio del 2004.
El principio del intervalo de confianza.- Todo intervalo de confianza tiene un lmite
superior y un lmite inferior de confianza.

2. INTERVALO DE CONFIANZA PARA LOS PARMETROS

A fin de establecer los intervalos de confianza para los coeficientes de regresin (i) y
teniendo la varianza poblacional desconocida se construye un intervalo asumiendo que
esta variable tiene una distribucin estadstica t- student.Es as que el intervalo de
confianza para 1 se define como:

109

Pr ob( 1 1t / 2 < 1 < 1 + 1t / 2 ) = 1

El cual puede ser interpretado como los lmites de confianza donde puede estar el
parmetro 1, con una probabilidad de 1 :

El nivel de confianza: 1

1t / 2
Lmites de confianza inferior: 1
Lmites de confianza superior: 1 + 1 t / 2
Por lo tanto se tiene que el intervalo de confianza para 1 ser:

1 1 t / 2 , < 1 < 1 + 1t / 2 con un nivel de confianza de 1 -

Ejemplo ilustrativo:
El cuadro siguiente, presenta los datos observados de las tasas anuales de retorno (Xt)
sobre el fondo Afuture (Yt), un fondo cuyo principal objetivo de inversin es obtener
una ganancia mxima sobre el capital y sobre el portafolio del mercado con base en el
ndice de Fisher (perodo 1990:2001).
AO
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001

Yt
67.50
19.20
-35.20
-41.00
63.70
19.20
3.60
20.00
40.30
38.00
21.00
15.30

Xt
19.50
8.50
-29.40
-26.50
61.90
45.00
9.50
14.00
35.00
32.00
11.50
12.20

Construya un intervalo de confianza al 95 % para los parmetros que relacionan el

fondo Afuture (Yt ) respecto de las tasas anuales de retorno (Xt), Qu puede decir al
respecto?

Solucin
Planteamiento del modelo:
Y = 1 + 2X +
Donde:
Yt = Fondo Afuture
Xt = Tasa anual de retorno

110

Aplicando el paquete E-views, se obtienen los siguientes resultados:

Dependent Variable: Y
Method: Least Squares
Date: 08/27/02 Time: 15:13
Sample: 1990 2001
Included observations: 12
Variable
Coefficient
C
2.209520
X
1.061520
R-squared
0.714452
Adjusted R-squared
0.685897
S.E. of regression
18.47822
Sum squared resid
3414.446
Log likelihood
-50.93244
Durbin-Watson stat
0.918447

Std. Error
t-Statistic
6.334633
0.348800
0.212218
5.002038
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Prob.
0.7345
0.0005
19.30000
32.97040
8.822074
8.902892
25.02038
0.000536

En el cual se observa que los valores estimados de los parmetros son:

1 = 2.209520 ;que significa que cuando la Tasa anual de retorno es nula el Fondo
Afuture es de 2.209520.
2 = 1.061520 Es decir que por una unidad porcentual que aumente la tasa de retorno, el
fondo Afuture aumentar en 1.06152.
Con los datos de las salidas, se calcularn los intervalos de confianza para dichos
parmetros estimados con un nivel de confianza del 95%.
Por lo tanto se puede decir que el fondo Afuture mnimo (1) estar entre -11.904 y
16.323 con un 95% de confianza.

P( 1 1t / 2 , < 1 < 1 + 1t / 2 ) = 1 -
P(2.209520 6.334633 * 2.228 < 1 < 2.209520 + 6.334633 * 2.228) = 1 - 0.95 = 0.05
P(- 11.904 < 1 < 16.323) = 5%
Asimismo la razn de aumento del fondo Afuture (2) podr estar entre 0.589 y 1.534
por cada unidad de aumento de la tasa de retorno.

P( 2 2 t / 2 , < 2 < 2 + 2 t / 2 ) = 1 -
P(1.06152 0.212218 * 2.228 < 2 < 1.06152 + 0.212218 * 2.228 ) = 1 - 0.95 = 0.05
P(0.589 < 2 < 1.534) = 5%

111

3. DCIMAS DE HIPTESIS
Se realiza con el fin de determinar si los coeficientes son significativos, es decir
diferentes de cero.
1. Planteamiento de hiptesis
H0: i=0
H1: i0

hiptesis nula
hiptesis alternativa

2. Estadstico de contraste
Utilizando la distribucin t-student el estadstico de contraste se define como:
t=

i i i 0 i
=
=
i
i
i

3. Nivel de significancia (): Es la probabilidad de error al afirmar que el

coeficiente es diferente de cero, tambin se le conoce como la probabilidad de
cometer el Error de tipo I, es decir, Rechazar Ho cuando es verdadera.
4. Establecer una regin crtica (RC ) o zona de rechazo de la hiptesis nula.
RC = (t /tc > t(n-k, 1-/2) tc< -t(n-k, 1-/2) )
Zona de
aceptacin

R.C
/2

R.C
/2

1-
t1-/2

<------Ver tabla

(1-) zona de aceptacin de hiptesis nula i = 0

Si : t1 / 2 < t c < t1 / 2 no se rechaza Ho, es decir i = 0

5. Comparar el t calculado con el t de tabla con un nivel de significacin :

Regla de decisin:
Si: tc > t(n-k, 1-/2) tc< -t(n-k,
entonces se rechaza H0

1-/2)

(t-student con n-k grados de libertad)

Donde:
n: Es el tamao de la muestra (nmero de unidades o casos)
k: Es el nmero de parmetros estimados (nmero de variables ms uno)

112

Si el t calculado cae dentro de la regin crtica (RC), se rechaza la hiptesis nula,

por lo tanto i 0 , en consecuencia X i si explica el comportamiento de la
variable dependiente. Se concluye que el coeficiente de la variable es
significativo.

Enfoque del Intervalo de Confianza

1. El primer paso es construir un intervalo de confianza para los parmetros
(coeficientes de regresin):
Pr ob ( 1 1t / 2 < 1 < 1 + 1t / 2 ) = 1

2. El siguiente paso es comparar el de la hiptesis nula con el intervalo

establecido.

Regla de decisin:
Si el de la Hiptesis nula est dentro del intervalo de confianza se acepta la
hiptesis nula; contrariamente, si el est fuera del intervalo se rechaza la
hiptesis.
Ejemplo:
Utilizando las salidas del ejemplo anterior, verificar si la variable X (Tasa anual de
retorno) explica el comportamiento de la variable Y (Fondo Afuture)
Solucin
- Del ejercicio anterior se tiene:
1 = 2.209520

2 = 1.061520

1 = 6.334633
2 = 0.212218

1. Planteamiento de hiptesis
H0: 2=0 La tasa anual de retorno no explica el comportamiento del Fondo Afuture
H1: 2 0 La tasa anual de retorno explica el comportamiento del Fondo Afuture
2. Estadstico de Contraste
Utilizando la distribucin t-student el estadstico de contraste se define:
tc =

2 0 2 1.061520
=
=
= 5.0020 ,
2
2 0.212218

Donde t n k , / 2 = t 12 2, 0.05 / 2 = t10 , 0.025 = 2.228

3. Al igual que en el ejemplo anterior el nivel de significancia () escogido es de
0.05

113

4. Regin crtica (RC)

Regin de aceptacin
RC
RC

como t c = 5.0020 > t10, 0.025 = 2.228 se Rechaza Ho

Por lo tanto se concluye que ser rechazada la hiptesis H0, es decir que el
comportamiento del fondo Afuture (Y) es explicado por la tasa de retorno (X)
- Por el Enfoque del Intervalo de Confianza:

P( 2 2 t / 2 , < 2 < 2 + 2 t / 2 ) = 1 - , por lo anteriormente mostrado se tiene :

P(1.06152 0.212218 * 2.228 < 2 < 1.06152 + 0.212218 * 2.228 ) = 1 - 0.05 = 0.95
por lo tanto :

P(0.589 < 2 < 1.534) = 95%

Lo que significa que 2 estar entre 0.589 y 1.534 con un 95% de confianza.
Luego, como la hiptesis nula afirma que 2 = 0; como no pertenece al intervalo
<0.589, 1.534> se rechaza la hiptesis Ho. Es decir, la variable tasa anual de retorno
explica el comportamiento de la variable Fondo Afuture.

4. PRUEBA DE NORMALIDAD DE JARQUE-BERA (JB)

El supuesto de normalidad de las perturbaciones es importante por cuanto dependiendo
de la validez de dicho supuesto, podremos hacer inferencia estadstica sobre los
parmetros y cualquier prueba de hiptesis.
Ho: Las perturbaciones tienen una distribucin normal
H1: Las perturbaciones no tienen una distribucin normal.
El test de Jarque Bera permite contrastar la normalidad de las perturbaciones. Si se
cumple la hiptesis nula, la cual ha sido planteada inicialmente, indicar la presencia de
una distribucin normal, por lo que la representacin de su histograma respectivo ser
en forma de una campana simtrica y con un apuntamiento similar al de una
distribucin normal de la cual ya se hablo anteriormente en la UNIDAD I.
La prueba de normalidad de Jarque Bera (JB) consiste en determinar como se encuentra
afectado su valor por la presencia de un mayor apuntamiento (mayor a 3) o menor
asimetra (cercano a cero) de las perturbaciones.

114

JB = n A
6

2
+ (C 3 )
24

Donde A significa asimetra y C apuntamiento o curtosis.

[E(x ) ]
[E(x ) ]

3 2

A=

E (x )

C=

2 3

[E(x ) ]

2 4

Habitualmente la probabilidad de rechazar la hiptesis nula es del 5%

Ejemplo:

En el grfico adjunto (elaborado en el paquete E-views 1), para el modelo anterior sobre
el fondo Afuture (Yt) en funcin a las tasas anuales de retorno (Xt), podemos observar
una serie de indicadores relacionados con el trmino de perturbacin a partir del anlisis
de los residuales en la serie 1990-2001 (e) que como se sabe son sus estimadores :

8
Series: Residuals
Sample 1990 2001
Observations 12

6
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

Jarque-Bera
Probability

-5.56E-15
0.538596
44.59083
-30.77794
17.61829
0.971084
5.060079
4.007968
0.134797

0
-40

-30

-20

-10

10

20

30

40

50

Se observa que el valor del estadstico es de 4.007; al mismo tiempo la probabilidad

asociada al estadstico Jarque Bera (0.134797).Es decir la probabilidad de rechazar la
hiptesis nula es de 13%; que es mayor al 5%. Por lo tanto no podemos rechazar la
hiptesis nula de normalidad de los errores.
Se concluye que se cumple el supuesto de normalidad de los errores del Modelo Lineal
General.

Ver Anexo: La Inferencia Estadstica y el Programa E-Views

115

LECCIN 2
COEFICIENTE DE DETERMINACIN, CORRELACIN Y
DETERMINACIN MLTIPLE
1. COEFICIENTE DE DETERMINACIN (R2)

Es un indicador de la bondad de ajuste de la lnea de regresin, que mide la

proporcin de la variacin total en la variable dependiente Y, que se explica o se
debe a la variacin de la(s) variable(s) independiente(s) X.
Para obtener el R2 ser necesario descomponer la variacin de Y, lo cual se puede
ilustrar en el grfico siguiente:
Yi

(Xi, Yi)

i
Yi Y

Yi Y
i Y
Y

Xi

En este grfico se observa que la variacin total entre el punto Yi y el promedio Y :

i y Y
i Y
Yi Y se puede dividir en la variacin Yi Y
Planteada la relacin inicial, sta se mantendr cuando se establezcan las relaciones a
partir de las sumatorias de sus desviaciones cuadrticas, por lo tanto:
2

2
(Yi Y ) = Yi Y i + Y i Y

SCT = SCR + SCE

Donde:
SCT (Suma Total del Cuadrado): Variacin total del Yi observado con respecto a su
media muestral,
2
2
SCT = (Yi Y ) = Yi2 n Y
SCR (Suma de los Cuadrados Residuales): Variacin residual o no explicada de los
valores de Y respecto a la lnea de regresin.

i )2 = (Yi 1 2 X i ) 2
SCR = (Yi Y

116

SCE (Suma de los cuadrados explicados): Variacin de los valores estimados Yi con
respecto a su media.

i Y )2 = ( 1 2 X i Y) 2
SCE = (Y
Luego R2 se define como:

R2 =

SCE
SCR
= 1
SCT
SCT

0 R2 1

El coeficiente de determinacin se interpreta como la proporcin de la variacin total de

Y que la regresin es capaz de explicar. Es decir, el R2 mide la efectividad que posee la
variable independiente X para explicar la variacin que la variable dependiente
experimenta a lo largo de la muestra. Por lo tanto, cuando R2 es muy cercano a 1 se dice
que el modelo de regresin es capaz de explicar un alto porcentaje de las variaciones
que registra la variable explicada.

Propiedades
1. Es una cantidad no negativa.
2. Sus lmites son 0 R 2 1 , por lo que R variar entre cero y uno.
R2=1 cuando el ajuste es perfecto, es decir los valores observados coinciden
perfectamente con la recta estimada
R20 es decir que no hay relacin entre la variable dependiente y las variables
explicativas.
Este R2 no mide el grado de asociacin entre x e y, para ello se acude a otro indicador
que es el Coeficiente de correlacin (R)

Nota: Para la regresin lineal mltiple la interpretacin es similar, es decir el R2 mide el

nivel de ajuste de las variables independientes con respecto a la variable dependiente, su
clculo manual es ms complejo por lo cual necesitaremos de un paquete (software)
estadstico (SPSS).

117

2. COEFICIENTE DE CORRELACIN
Es una medida de asociacin lineal entre dos variables

Poblacional

r=

Cov (X, Y )

2
x

2
y

Muestral

(X X )(Y Y )
(X X ) (Y Y )
i

n 1

n 1

SCE
SCR
= 1
; siendo el signo de la correlacin el mismo
SCT
SCT
al del coeficiente estimado.
Donde r = R 2 =

Propiedades
Sus lmites estn entre:

1 r 1

Es de naturaleza simtrica, es decir el coeficiente de correlacin entre X e Y (rxy)

es igual al coeficiente de correlacin entre Y y X (ryx)

Si X, Y son estadsticamente independientes, el coeficiente de correlacin es

cero; pero si r = 0 no implica necesariamente independencia entre las variables.

Es una medida de asociacin lineal, es decir mide la asociacin lineal entre dos
variables.

El signo negativo indica una relacin inversa es decir a medida que aumenta (o
disminuye) la variable X, la variable Y disminuye (o aumenta), mientras que el
signo positivo indica una relacin directa, es decir a medida que aumenta (o
disminuye) la variable X , la variable Y tambin aumenta (o disminuye)

Nota: Para el caso mltiple el Coeficiente de Correlacin Global R vara entre 0 y 1, y

se interpreta como el grado de asociacin entre las variables explicativas y la variable
dependiente.

3. COEFICIENTE DE DETERMINACIN MLTIPLE CORREGIDO

En el caso de regresin lineal mltiple, en ocasiones se desea comparar el nivel de
ajuste que pueden proporcionar diferentes combinaciones de variables explicativas con
respecto a una variable dependiente comn, para ello el R2 no es muy preciso, pues a
medida que el nmero de variables independientes se incrementa, el R2 tiende a
incrementarse, es decir que el valor R2 favorecera a los modelos con mayor cantidad de
variables, para corregir esta deficiencia se construye un coeficiente R2 corregido por los
grados de libertad.

118

R = 1

(Y Y ) n k = 1 SCR n k
SCT n 1
(Y Y ) n 1
i

Ejercicio ilustrativo:
Volviendo al modelo sobre el fondo Afuture (Yt) en funcin a las tasas anuales de
retorno (Xt), y las salidas, obtenemos el coeficiente de determinacin y el Coeficiente
de determinacin mltiple corregido:
R-squared
Adjusted R-squared

0.714452
0.685897

El R2 es 0.714; es cercano a 1, por lo tanto se concluye que el modelo de regresin es

capaz de explicar un alto porcentaje de las variaciones que registra la variable explicada
(fondo Afuture).
2

Evaluando el R , este tambin es alto 0.685.

El coeficiente de correlacin se calcula mediante: r = R 2 y dado que el coeficiente
2 = 1.061520 , es positivo, entonces el coeficiente de correlacin tambin toma el signo
positivo:

r = + R 2 = 0.714 = 0.845
Se concluye que la asociacin lineal entre la variable independiente e independiente, es
alta y directa. Es decir, cuando aumenta la tasa de retorno (Xt), aumenta el fondo
Afuture (Yt).

119

LECCIN 3
INFERENCIA EN EL MODELO LINEAL

El proceso de inferencia consiste en establecer la validez de determinadas afirmaciones

acerca de los parmetros (desconocidos) utilizando un estimador obtenido a partir de
una muestra, pero del cual se puede determinar su distribucin muestral.
1. ANALISIS DE VARIANZA

El anlisis de varianza tiene por finalidad investigar la explicacin conjunta de todas las
variables explicativas que participan en el modelo. Es decir, mide la significancia del
modelo de regresin lineal mltiple, a partir del estudio de los componentes de la
variabilidad total.
SCT = SCR + SCE

El anlisis de varianza se interpreta mediante la siguiente tabla ANOVA (Anlisis Of

Variance):
Fuentes de
Grados de
Variacin
libertad
Explicada por las
variables Xi que
k-1
intervienen en el
modelo

Suma de
cuadrados

Cuadrado
Medio

SCE

CME =

SCE
k 1

CMR =

SCR
nk

Residual

n-k

SCR

Total

n-1

SCT=SCE+SCR

Estadstico F
F-calculado

Fc =

CME
CMR

Donde:
SCT: Suma Total del Cuadrado
SCR: Suma de los Cuadrados Residuales
SCE: Suma de los Cuadrados Explicados
CME: Cuadrado Medio Explicada
CMR: Cuadrado Medio Residual
k:
n:

Nmero de parmetros estimados (nmero de variables independientes ms

uno).
Tamao de muestra o nmero de unidades de anlisis (personas, hogares,
empresas, reas de trabajo, etc.)

En esta tabla se distinguen las tres fuentes de variacin y su finalidad es construir el

estadstico de contraste F, que podr ser usado para contrastar la hiptesis de
significacin conjunta de las variables independientes
120

a) Planteamiento de hiptesis (significancia del modelo)

El anlisis de varianza plantea una prueba global de los parmetros (coeficientes de

regresin) con la lgica de que, si al menos uno de los coeficientes de regresin es
diferente de cero el modelo es significativo, por ello las hiptesis se plantean:
H0: i = 0
para i = 1,2,, k-1
H1: Al menos un i 0 para i = 1,2,, k-1
b) Estadstico de contraste (F)

El estadstico que nos ayuda a probar la hiptesis anterior es como se menciona en la

tabla ANOVA:

CME
,
CMR
libertad
Fc =

la cual se distribuye con una F-Fisher con (k-1, n-k) grados de

c) Nivel de Significancia ()

Se plantea un nivel de error al rechazar Ho, normalmente es del 5%

d) Regin Crtica (RC)
Zona de
Rechazo

1-

R.C

F1-

<------Ver tabla

Se acepta H0 si F F;k -1;n -k

Se rechaza H0 si F > F;k -1;n -k ,es decir, rechazamos H0 para valores grandes de F.

121

2. ANLISIS DE VARIANZA PARCIAL

Usado para la comparacin de modelos, en donde es posible determinar si la

incorporacin de alguna variable o grupo de ellas pueden explicar mejor el modelo.
Suma de
Cuadrados

Fuente de Variacin

Debido a:
X1 ,...., X r

SCE I

Debido a:
X1 ,...., X r , X r +1 ,..., X r +s
Debido a:
X r +1 ,..., X r +s

r:
s:

SCE II
SCE s = SCE II - SCE I

Residual del ModII

SCR II

Total

SCT

G.L.

r1

Media de Cuadrados

SCE I / r 1

(r 1)+s SCE II /(r - 1 + s)

s
n (r+s)

SCE s s
SCR II n (r + s)

n-1

Nmero de variables consideradas en el primer modelo

Nmero de variables consideradas en el segundo modelo

SCR: Suma de los Cuadrados Residuales

SCEI: Suma de los Cuadrados Explicados del primer modelo
SCEII: Suma de los Cuadrados Explicados del primer modelo
Entonces:
FC =

SCE s / s
( Valor comparado con el obtenido de tabla)
SCR II / n ( r + s )

a) Planteamiento de hiptesis
H0: r+1 = r+2=.....=s = 0
H1: r+1 r+2..... r+s 0

b) Regin Crtica (RC)

Bajo el enfoque de la prueba de significancia, se construye la regin crtica de la
siguiente manera:
R.C. = { FC > F}
Siendo: F = Fs,n -(r +s)
Se acepta H0 si Fc F

122

Se rechaza H0 si Fc > F Es decir, rechazamos H0 para valores grandes a F, es decir, la

incorporacin de variables mejorara el modelo.

Ejemplo:
Se tiene los siguientes modelos para el consumo (C) de las familias
C = 1 + 21YND
C = 1 + 2 YND + 3PR + 4 IT

(I )
(II)

Donde:
YND : Ingreso Disponible
PR
: Precios
TI
: Tasa de inters
Adems la tabla de anlisis de varianza es:

Fuente de Variacin

Suma de Cuadrados

Debido a: YND

SCEI = 963188.02

Debido a: YND, PR, TI

SCEII = 1002196.15

Debido a: PR, TI

SCEs =1002196.15 963188.02

= 39008.13

Residual del ModII

SCR = 155862.6

Entonces: FC =

Media de
Cuadrados

G.L.
21

963188.02 / 1

(2 1)+2

100219.15 / 3

39008.13 / 2... (A)

19 - 4

155862.60 /15...(B)

A 19504.07
=
= 1.877 (que se compara con el de la tabla)
B 10390.84

F2,15; 0.05 = 3.68 (valor obtenido de tabla)

Dado que: FC = 1.877 < F2,15; 0.05 = 3.68.
Se concluye que la incorporacin de las variables precios relativos y la tasa de inters
general no mejoran la explicacin del modelo, estando ya incorporada la variable
ingreso disponible.

123

LECCIN 4
CORRECTAMENTE ESPECIFICACIN DEL MODELO:
TEST DE RESET DE RAMSEY
La prueba de Reset de Ramsey permite comprobar la correcta especificacin polinmica
de un modelo estimado.
El contraste se basa en la prueba de regresin aumentada tal como se indica a
continuacin.
- Si la regresin actual es:

Y = X +

- El test construir la siguiente relacin:

Y = X + Z +
Donde las variables en la matriz Z son regresores presumiblemente omitidos en la
regresin original. La prueba de hiptesis que se llevar a cabo, intentar contrastar si
es nulo.
Supongamos por ejemplo que el modelo inicial es el siguiente:

Y = 1 + 2 X 2 + 3X 3 +
Si la verdadera forma del modelo es la que se muestra a continuacin, se tiene una
especificacin incorrecta del modelo inicial, debido a la omisin de la variable X1
elevada al cuadrado.

Y = 1 + 2 X 2 + 3 X 3 + X 32 +
Luego, la estructura de la ecuacin coincide con la planteada para el test.
Para un segundo ejemplo supngase que la especificacin correcta del modelo fuera:
Y = a1X a2 2 X 3a 3 +
Dicha forma corresponde a un modelo no lineal, sin embargo es posible contrastar esta
hiptesis mediante la estructura de la ecuacin de prueba del test de Ramsey, ya que la
matriz Z podra estar construida de las potencias enteras productos cruzados de todas las
variables explicativas incluidas en el modelo original.
Adems para realizar esta prueba no hace falta incluir explcitamente todas las potencias
y variables cruzadas en el modelo de prueba, ya que para este fin puede utilizarse el
trmino ajustado del modelo.

124

Obsrvese que, dado: Y = a1 + a 2 X 2 + a 3X 3

Se tiene:

2 = (a1 + a 2 X 2 + a 3X 3 ) 2
Y
3 = (a1 + a 2 X 2 + a 3 X 3 )3
Y
En el desarrollo de las potencias anteriores se tendrn potencias y productos cruzados de
todas las variables incluidas en el modelo original.
La implementacin del Test de Ramsey, se realiza en dos etapas.
- En la primera, se estima en el modelo sujeto a anlisis en su forma original:
Y = 1 + 2 X 2 + 3X 3 +
- En la segunda, se toma la serie estimada por los parmetros de la regresin anterior y
se anexan sus potenciales enteras a la misma regresin como parmetros auxiliares:

2 + 3 Y
3 + ...) + u
Y = 1 + 2 X 2 + 3 X 3 + (2 Y
La dcima de hiptesis que se realiza en este caso ser:
2 + 3 Y
3 + .... = 0
H 0 : = 2 Y
H1 : 0
Estadstico de prueba:

F=

(1 R

(R

2
nuevo

2
nuevo

R 2viejo /nmero de regresores nuevos

)(n numero de parametros en el modelo nuevo)

Ejercicio ilustrativo

Retomando el modelo sobre el fondo Afuture (Yt) en funcin a las tasas anuales de
retorno (Xt), y las salidas, obtenemos el test de Ramsey (elaborado en el paquete
Eviews):
La hiptesis:
H0: El modelo est correctamente especificado
H1: El modelo no est correctamente especificado
El nivel de significancia () o la probabilidad de rechazar la hiptesis nula cuando es
verdadera es del 5%. La prueba se hace utilizando el estadstico F
El test de Reset Ramsey indica que aadiendo 2 trminos al test Y2, Y3 el valor del
estadstico F es 1.16 y la probabilidad asociada al error de rechazar la hiptesis nula
cuando es verdadera es de 35.99% mayor al 5%; por lo tanto se acepta que el modelo
est correctamente especificado.
125

Ramsey RESET Test:

F-statistic
1.164495
Probability
Log likelihood ratio
3.066156
Probability
Test Equation:
Dependent Variable: Y
Method: Least Squares
Date: 08/27/02 Time: 16:20
Sample: 1990 2001
Included observations: 12
Variable
Coefficient
Std. Error
t-Statistic
C
11.24011
11.44699
0.981928
X
1.211993
0.393447
3.080453
FITTED^2
-0.016729
0.017389
-0.962047
FITTED^3
0.000151
0.000293
0.515680
R-squared
0.778838
Mean dependent var
Adjusted R-squared
0.695902
S.D. dependent var
S.E. of regression
18.18156
Akaike info criterion
Sum squared resid
2644.553
Schwarz criterion
Log likelihood
-49.39937
F-statistic
Durbin-Watson stat
1.244793
Prob(F-statistic)

0.359856
0.215870

Prob.
0.3549
0.0151
0.3642
0.6200
19.30000
32.97040
8.899894
9.061530
9.390841
0.005340

126

LECCIN 5
ANLISIS DE LA ESTABILIDAD ESTRUCTURAL

Uno de los supuestos que se acepta al estimar el modelo de regresin, es que los valores
de los estimadores de los parmetros se mantienen constantes para la muestra utilizada.
Es decir, la relacin planteada es vlida para todas las observaciones, y que no hay
elementos que muestren patrones de relacin diferente. Para verificar estos supuestos
existen 3 tipos de contrastes: A partir de la prueba de Chow, del anlisis de los
residuales, y del uso de las variables dictomicas. En primer lugar haremos uso de los
dos primeros

1. TEST DE CHOW (CONTRASTE DE CAMBIO ESTRUCTURAL)

Un contraste de mucha importancia, tanto por su inters como por la frecuencia con que
aparece en aplicaciones empricas, es la hiptesis nula donde dos submuestras son
generadas por una misma estructura econmica. Luego se contrasta la hiptesis nula de
ausencia de cambio estructural, y el contraste suele denominarse Test de Chow
Generalmente se produce cuando se tiene informacin acerca de una variacin
estructural que ocurri en algn momento del periodo muestral, y se pretende contrastar
si dicha variacin fue suficientemente importante como para generar cambios en los
coeficientes del modelo.
El modelo restringido (MR) es:

y t = X 't + t

t = 1,2, K, T1 , T2 , K T

mientras que el modelo sin restringir (MSR) es :

Yt = X 't 1 + t

t = 1,2,K, T1

Yt = X 't 2 + t

t = T2 ,K, T

La suma residual restringida es la que proviene de la estimacin del modelo restringido

(MR), denotada por SRR, mientras que la suma residual sin restringir es el agregado de
las sumas residuales de cada una de las regresiones de las submuestras, que denotamos
por SR1 y SR2.
El estadstico F para el contraste de la hiptesis nula de ausencia de cambio estructural
es:
SRR (SR 1 + SR 2 )
k

F(k ,n 2 k )
FC =
SR 1 + SR 2
n 2k

127

2. RESIDUOS RECURSIVOS (CONTRASTE DE ESTABILIDAD)

Los Residuos Recursivos se obtienen a partir de una estimacin recursiva de los

parmetros del modelo. La estimacin recursiva es similar a la estimacin por MCO
pero realizada sta de un modo recursivo, es decir, aumentando el tamao de la muestra
de modo paulatino. Esto es, trabajando con una muestra de tamao r-1, el estimador que
se obtiene es:

r 1 = X 'r 1X r 1

X 'r 1Yr 1

donde el subndice r-1, hace referencia al nmero de observaciones que se utilizan para
la estimacin de los parmetros 2.
Una vez estimados los parmetros del modelo con las r-1 primeras observaciones, se
incorpora, para la matriz de regresores, la informacin de la observacin siguiente; es
decir el vector fila Xr , y con sta se realiza una prediccin para la observacin r de la
)
variable endgena Yr . A partir de sta se calcula el error de prediccin para la
observacin r utilizando las primeras r-1 observaciones. Este error de prediccin
formar parte del residuo recursivo wr que se define como una tipificacin de aqul.
wr =

Yr X 'r r 1

1 + X 'r X 'r 1 X r 1

r = k+1, k+2, ..., n

Xr

Este procedimiento se repite sucesivamente hasta finalizar realizando la prediccin para

la ltima observacin. As, de este modo, se obtiene una serie de n-k residuos recursivos
homocedsticos e incorrelacionados.

w N 0, 2 I

Estos nuevos residuos permiten analizar la perturbacin del modelo de regresin con
mayor objetividad ya que, a diferencia de los residuos MCO, verifican las hiptesis
deseables para dicha perturbacin puesto que su distribucin s es normal esfrica.
Los contrastes basados en los residuos recursivos los podemos clasificar en dos grupos;
contrastes grficos y contrastes numricos. Los primeros se utilizan de un modo general
para detectar si existe o no estabilidad en el modelo de regresin; puesto que se basan en
anlisis grficos. Son contrastes bastante generales que detectan de modo vago la
presencia de problemas en el modelo.
Los contrastes numricos permiten detectar especficamente si se cumple o no, por
separado, las hiptesis de homocedasticidad e incorrelacin de las perturbaciones.
Como hiptesis nula se especifica la estabilidad, tanto de los parmetros como de las
varianzas de la perturbacin, a lo largo de los n periodos considerados.
2

Ntese que el nmero mnimo de observaciones que se necesita para la estimacin del modelo es r-1= k, siendo k el
nmero de parmetros del modelo de regresin.

128

H0:
H1

1 = 2 = ..... = n =
12 = 22 = .... = 2n =

y se especifican dos contrastes que permiten decidir si existe estabilidad o ruptura

estructural.

3. CONTRASTE DE SUMA ACUMULADA (TEST CUSUM)

Este contraste consiste en la acumulacin progresiva de los residuos recursivos que
posteriormente se normalizan dividindolos entre la estimacin insesgada de la
desviacin tpica de la perturbacin (S). De este modo se calcula el valor acumulado Wr,
que se representa grficamente frente al nmero de valores acumulados (r).
r

Wr =
Donde: S =

j= k +1

r = k+1, k+2, ... , n

SCR
nk

Estos valores de las sumas acumuladas, en el supuesto de estabilidad, deberan oscilar

entre las lneas de significacin representadas por las rectas que se definen a partir de
los pares de puntos siguientes:

{k , a n k } y {n , 3a n k }
{k , - a n k } y {n , - 3a n k }
En caso contrario, es decir cuando los valores de Wr sobrepasen dichas rectas (marcadas
con trazos ms gruesos) se puede considerar falta de estabilidad en el modelo. Para el
clculo de estas rectas se necesita determinar los valores de a que se encuentran
tabulados para distintos niveles de significacin siendo los ms usuales.
(%)

1%

5%

10%

1.143

0.948

0.850

La representacin grfica de este contraste dibujara los residuos recursivos sobre el

grfico siguiente:

129

Wr
3a n k

a nk

-a n k

- 3a n k

4. CONTRASTE DE SUMA ACUMULADA DE CUADRADOS (TEST CUSUM2)

Este contraste, anlogo al anterior, utiliza en el numerador la suma acumulada del
cuadrado de los residuos recursivos y en el denominador el valor de la Suma de
Cuadrados de la totalidad de los Residuos Recursivos.
r

Sr =

j= k +1
n

2
j

w 2j

r = k+1, k+2, ... , n

j= k +1

Para este estadstico S r se consideran tambin unas rectas de significacin definidas a

partir del valor esperado del estadstico sumndole (y restndole) una cantidad fija
dependiendo del nivel de significacin elegido ().
Ntese que el valor esperado del estadstico oscila entre cero y uno; as, E(Sr) = 0
cuando r = k, y, cuando r = n, E(Sr) = 1.
Estos lmites se dibujan frente a r, obtenindose el siguiente grfico conocido como
CUSUM2.

130

Sr

E(Sr) + C0
k

E(Sr)
E(Sr) - C0

Al igual que en el contraste anterior, se considera que existe evidencia suficiente para
rechazar la hiptesis nula de homogeneidad del modelo, cuando la representacin
grfica de los valores del estadstico Sr se sitan fuera de las bandas (marcadas en trazo
ms grueso). Con respecto a este contraste existe cierta evidencia emprica que permite
considerarlo ms poderoso que el test de suma acumulada (Test CUSUM).
Ejercicio ilustrativo

En el modelo definido anteriormente: Yt = 2.209520 + 1.061520Xt + t

Donde:

Yt = fondo Afuture

; Xt = tasa anual de retorno

En el paquete E-Views, se calcular el Test de CUSUM para analizar Ho:

H0: Los parmetros son estables en el perodo de prueba
H1: Los parmetros no son estables en el perodo de prueba
En el resultado se observa que el estadstico CUSUM se mantiene dentro de las bandas
de confianza, con lo cual se puede afirmar que los parmetros son estables a lo largo del
perodo de anlisis en un 95% de confianza.

131

ANEXO
LA INFERENCIA ESTADSTICA Y EL PROGRAMA E-VIEWS

El E-views es un programa especializado que sirve para hacer anlisis, regresiones y

prediccin as como simulaciones y evaluaciones de eficiencia y prediccin de modelos.
Dado los siguientes datos hipotticos (Perodo 1991-1995)
AO
1991
1992
1993
1994
1995

Y
3
1
8
3
5

X1
3
1
5
2
4

X2
5
4
6
4
6

Estime el modelo Yt = 1 + 2X1t + 3X2t +t

Yt: variable dependiente o endgena
X1t: variable independiente o exgena
X2t: variable independiente o exgena

PROCEDIMIENTO:
A. Ingresar al programa E-Views
Inicio
Programas
Eviews (hacer clic)
Aparece el cuadro siguiente:

1
2

1.
2.
3.
4.

Barra de Men
Barra de comandos
Area de Trabajo
Lnea de Estado

132

B. Crear un Workfile (archivo de trabajo)

File
New
Workfile
Aparece la siguiente caja de dialogo
Se especifica periodicidad o frecuencia

Escribir la fecha de inicio y la fecha final de los datos

Seleccionar OK
Se crea vector c y serie de residuos
Aparece el workfile:

En la barra del men Principal, hacer clic en Quick y seleccionar Empty Group
(Edit series)
Se crea grupo
Aparece el siguiente cuadro:

133

 Se sombrea la primera columna vaca (de la izquierda)

Se escribe el nombre de la primera variable en la primera celda vaca: Y, y
ENTER.
Se sombrea la segunda columna vaca y se escribe en la primera celda X1 y
luego ENTER.
Luego se selecciona la tercera columna y se escribe en la primera celdas X2 y
Luego ENTER.
Seguidamente digitar los datos (igualmente se puede importar la informacin de
otro software, por ejemplo el excel), que puede ser por fila o por columna.
Terminado el tipeado o pegado de los valores numricos hacer clic en el botn
de la esquina superior del cuadro y hacer clic en YES.
El workfile aparecer con las nuevas series:

Alternativas Adicionales

Adicionalmente, tambin se puede editar series mediante las siguientes formas:

Crear y editar series

Para crear una serie haga clic en Objects / New Objects/ Series.
En la ventana emergente escribir el nombre de la serie y OK.
Para llenar o editar una serie generada o importada hacer doble clic en la serie (o
clic derecho en Open).
Una vez abierta la serie en el men hacer clic en Edit +/- y editar la serie y para
finalizar nuevamente Edit +/- .
Copy/paste: Seleccionar las celdas a copiar desde Excel (Copy) y pegarlas en
Eviews (Paste).

134

Importar datos de hoja de clculo

Para importar informacin desde archivos hojas de clculo, hacer clic en Procs /
Import./ (Read Text-Lotus-Excel)
Aparecer la ventana Open donde se debe buscar y seleccionar el archivo a
utilizar.
Si usted hace doble clic en le nombre del archivo, ver un segundo cuadro de
dilogo pidindole detalles acerca del archivo (Excel Spreadsheet Import)
Para un archivo de hoja de clculo (Excel o Lotus), se debe especificar las
coordenadas de la celda superior-izquierda que contiene la informacin. Por
ejemplo, si los datos empiezan el la celda A2, entonces usted deber especificar
esta celda como celda de datos superior izquierda.
Luego escribir el nombre o los nombres de las series.
Si el archivo cuenta con varias hojas de trabajo, entonces se debe especificar el
nombre de donde se desea importar.
Hacer clic en OK y los datos sern incorporados en el archivo de trabajo.
C. Estimacin de la ecuacin: Yt = 1 + 2X1t + 3X2t +t

En la barra de comandos se escribe: LS Y C X1 X2 y luego ENTER

Donde: LS (Last Square) (Mnimos Cuadrados)
Aparece las siguientes salidas (ESTIMATION OUTPUT):

Dependent Variable: Y
Method: Least Squares
Date: 07/26/02 Time: 16:28
Sample: 1991 1995
Included observations: 5
Variable
Coefficient Std. Error t-Statistic
C
4.000000 4.474930
0.893869
X1
2.500000 0.866025
2.886751
X2
-1.500000 1.369306 -1.095445
R-squared
0.946429
Mean dependent var
Adjusted R-squared
0.892857
S.D. dependent var
S.E. of regresin
0.866025
Akaike info criterion
Sum squared resid
1.500000
Schwarz criterion
Log likelihood
-4.084760
F-statistic
Durbin-Watson stat
1.666667
Prob(F-statistic)

Prob.
0.4657
0.1020
0.3876
4.000000
2.645751
2.833904
2.599567
17.66667
0.053571

Encabezado
Se especifica cul es la variable dependiente, el nmero de observaciones, las
variables explicativas y el mtodo de estimacin.
Primera Columna
Se refiere a qu parmetro est estimando. Es decir aquel que acompaa a la
variable que se seala.

135

Segunda Columna
Se tienen los valores estimados de los parmetros.
Tercera Columna
Muestra la desviacin estimada de los parmetros.
Cuarta Columna
Se presentan los valores calculados de los estadsticos t donde se tiene como
hiptesis nula que cada uno de los parmetros es igual a cero. Para ello los valores t
calculados para cada parmetro son la divisin de los respectivos valores de la
segunda y tercera columna. La prueba individual de significancia estadstica para un
parmetro es justamente el valor del parmetro calculado dividido por la desviacin
estndar calculada y ello es lo que se obtiene en la cuarta columna.
Quinta Columna
Presenta, el valor de la probabilidad (p-value), de rechazar la hiptesis nula cuando
es verdadera, (nivel de significacin) con los datos estimados de la muestra que
tenemos.

Al escoger el nivel de significacin estadstica estamos eligiendo el punto que

separa la regin de rechazo de la regin de aceptacin de la hiptesis nula cuando
Ho es verdadero. Si se escoge el nivel de significacin del 5%, quiere decir que si la
probabilidad de que la hiptesis nula es cierta es mayor al 5% no podemos rechazar
la hiptesis nula.
R-squared (R2): Es el coeficiente de determinacin.
Adjusted R-squared (R2 ajustado): Coeficiente de determinacin ajustado.
F-statistic: Valor del estadstico F, permite contrastar la capacidad explicativa
conjunta de las variables introducidas en el modelo.
Prob(F-statistic): Valor que mide la probabilidad de rechazar la hiptesis nula de
significancia conjunta.
Durbin-Watson stat: Valor usado para contrastar la hiptesis de autocorrelacin
ANLISIS DE LAS SALIDAS DE LA REGRESIN:
a. Verificacin de la significancia individual de cada uno de los coeficientes a
partir de la hiptesis nula, que nos dice que la variable Xi no es
significativa en el modelo (prueba t, para lo cual su valor debe ser superior a
un t de tabla, que para este caso debe ser con (n-2, es decir 5-2 grados de
libertad y un nivel de significacin = 0.05).

Alternativamente la prueba t se docima con la observacin de la ltima

columna (Prob = Probabilidad de rechazar la hiptesis nula cuando es
cierta).

136

Si la probabilidad asociada es mayor al 0.05, entonces se acepta la Ho de no

significatividad de la variable Xi, en caso contrario se rechaza la Ho a un
nivel de confianza del 95%.
En este modelo las probabilidades asociadas son superiores a 0.05, por lo
tanto se acepta la Ho, es decir que todas las variables no son significativas en
el modelo.
b. Verificacin de la significancia global del modelo (Prueba F). Al igual que la
prueba estadstica t se puede analizar de 2 formas: En base a la lectura del
estadstico F statistic, o en base a la lectura del valor de Prob(F-statistic).
Cualquiera conduce a la misma decisin.
La Hiptesis Nula es: la variable dependiente no es explicada por el modelo
en su conjunto.
La Hiptesis Alternativa es: la variable dependiente es explicada por el
modelo en su conjunto.

Si la probabilidad asociada (valor de Prob(F-statistic)), es superior a 0.05,

entonces se acepta la Ho.
En nuestro modelo se observa que la probabilidad asociada es superior a
0.05, entonces se acepta la Ho, es decir que la variable dependiente no es
explicada por el modelo en su conjunto.
D. Para ver la representacin clsica de la regresin hacer:
VIEW
REPRESENTATIONS
Aparece la siguiente ecuacin: Y = 4 + 2.5 * X1 - 1.5 * X 2
E. Para ver los valores observados de la variable dependiente (Y), los valores estimados
con la ecuacin y los residuos, proceder de la siguiente manera:
Estando en las salidas de la regresin (ESTIMACIN OUTPUT), hacer clic en
VIEW que muestra una serie de alternativas.
Escoger ACTUAL FITTED RESIDUAL para ver los residuos, si presenta o no
autocorrelacin.
Luego hacer clic en: ACTUAL FITTED RESIDUAL, TABLE

Tambin se puede escoger la alternativa ACTUAL FITTED RESIDUAL

GRAPH (para observar la grfica):

137

10
8
6
4
2
1.0

0.5
0.0
-0.5
-1.0
-1.5
1991

1992
Residual

1993
Actual

1994

1995

Fitted

F. Hallar la matriz de varianzas y covarianzas:

Estando en las salidas de la regresin, hacer clic en VIEW
Luego hacer clic en covariance matriz, aparecer el siguiente cuadro:

C
X1
X2

C
20.025
3.375
-6

X1
3.375
0.75
-1.125

X2
-6
-1.125
1.875

G. Normalidad de los Residuos

La hiptesis de normalidad de las perturbaciones es fundamental para la realizacin de

inferencia en el modelo. En el E-views se puede calcular el estadstico Jarque Bera, el
cual permite contrastar la hiptesis de normalidad de los residuos.
Procedimiento
Regresionar el modelo MCO
Ingresar a VIEW/ RESIDUAL TEST
Seleccionar la opcin HISTOGRAM-NORMALITY TEST.
El estadstico Jarque Bera nos permite verificar la normalidad de los residuos. La
Ho es que los residuos se distribuyen normalmente. Si la probabilidad asociada
al estadstico es mayor al 5%, entonces no se puede rechazar la Ho de
normalidad de los residuos.
H. Test de Punto de Quiebre de Chow
Regresionar el modelo MCO
Ingresar a VIEW/ STABILITY TEST / BREAKPIONT TEST
Ingresar la Fecha de quiebre estructural.
La Hiptesis nula es que no hay cambio estructural. Si la probabilidad asociada
al test es mayor al 5%, entonces no se puede rechazar la Ho.
I. Test de Residuos Recursivos
Regresionar el modelo MCO

138

 Ingresar a VIEW/ STABILITY TEST / RECURSIVE ESTIMATES

Seleccionar la opcin RECURSIVE RESIDUALS
Si la grfica de residuos recursivos sale fuera de las bandas, entonces los
parmetros son inestables en el perodo de anlisis (al 5% de significancia).
J. Test Cusum y Cusum Cuadrado
Regresionar el modelo MCO
Ingresar a VIEW/ STABILITY TEST / RECURSIVE ESTIMATES
Seleccionar la opcin CUSUM O CUSUM OF SQUARES TEST.
El programa reporta un grfico, conteniendo la evolucin de un estadstico. Si el
estadstico se encuentra dentro de las bandas, entonces los parmetros son
estables en el perodo de anlisis (al 5% de significancia). No existe suficiente
evidencia para rechazar la Ho de estabilidad de los parmetros.
K. Test de Reset Ramsey
En el Output de la regresin hacer clic en View/ Stability Tests/ Ramsey RESET
Test/ 2
La Ho es que el modelo est correctamente especificado.
El programa reporta unas salidas. Si la probabilidad asociada a este estadstico es
mayor que el nivel de significancia del 5%, no se debe rechazar la Ho, es decir
que el modelo est correctamente especificado.

139

LABORATORIO

Ejercicio Aplicativo 1

Se presenta un modelo para la inflacin en el Per para el periodo de Enero de 1992

Diciembre de 1998. El carcter exploratorio de este modelo, apunta a esclarecer el rol
de variables adicionales a los agregados monetarios en la determinacin de los niveles
inflacionarios.
1. Estimacin, inferencia e interpretacin.

Al estimar el modelo en logaritmos por MCO, para el perodo 1992:011998:12,

encontramos los siguientes resultados:
LIPC = 1 + 2 CIRPROM + 3 LTC
Donde:
LIPC
CIRPROM
LTC

: Logaritmo del ndice de Precios al Consumidor

: Circulante promedio
: Logaritmo del Tipo de Cambio

Dependent Variable: LIPC

Method: Least Squares
Date: 12/13/01 Time: 21:35
Sample: 1992:01 1998:12
Included observations: 84
Variable
Coefficient
C
4.342678
LCIRPROM
0.355330
LTC
0.500555
R-squared
0.993782
Adjusted R-squared 0.993628
S.E. of regression
0.025949
Sum squared resid
0.054542
Log likelihood
189.0724
Durbin-Watson stat
0.628449

Std. Error t-Statistic

Prob.
0.082939 52.35958
0.0000
0.013456 26.40709
0.0000
0.026611 18.81012
0.0000
Mean dependent var 7.414901
S.D. dependent var
0.325085
Akaike info criterion -4.430295
Schwarz criterion
-4.343480
F-statistic
6472.723
Prob(F-statistic)
0.000000

Al hacer una descripcin de los resultados de la regresin vemos que los test t miden
apropiadamente la significancia estadstica de los parmetros. Adems, todas las
probabilidades asignadas para cada uno de los parmetros son todas iguales a cero por
lo que los parmetros estimados son significativos a un nivel de aceptacin del 95%.
Por otro lado, nuestro modelo tiene un nivel de ajuste del 99.37% tal como lo muestra el
coeficiente de determinacin R2 (y su valor ajustado). Adems la prueba de
significancia global (F- statistic) nos permite afirmar que en conjunto ninguno de los
parmetros estimados es NO significativo. El grado de ajuste, tanto de los valores
realizados como de los estimados, as como los residuos de la ecuacin anterior se
puede apreciar de manera grfica

140

Modelo de Inflacion
Valores realizados, estimados y residuos

8.0
7.5
7.0
0.10
6.5

0.05
0.00
-0.05
-0.10
92

93

94

95

Residual

96

97

Actual

98
Fitted

2. Tests de Estabilidad de Los Parmetros

Para analizar la estabilidad de los parmetros, se propone utilizar los siguientes test:
a.
b.
c.
d.

Test de Residuos Recursivos.

Test CUSUM.
Test CUSUM de Cuadrados.
Test de Punto de Quiebre de Chow:

a. Test de Residuos Recursivos

Test de los residuos recursivos

0.08
0.06
0.04
0.02
0.00
-0.02
-0.04
-0.06
-0.08
93

94

95

Recursive Residuals

96

97

98

2 S.E.

141

La representacin de la serie de los residuos recursivos junto con sus bandas de

confianza nos permite detectar la inestabilidad en los parmetros cuando uno o varios
de los residuos sobrepasan sus bandas tal como ocurre para junio de 1993 hasta
aproximadamente octubre del mismo ao, fecha en la que retorna a situarse dentro
de las bandas (como tambin ocurre para julio de 1994 y para finales de 1998) por lo
que concluimos que los parmetros son inestables.

b. Test del Cusum y Cusum Cuadrado

Dado que la curva sale fuera de las bandas, en ambos casos, concluimos que los
parmetros estimados son inestables.
Test del CUSUM
30
20
10
0
-10
-20
-30
93

94

95

CUSUM

96

97

98

5% Significance

Test del CUSUM Cuadrados

1.2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
93

94

95

CUSUM of Squares

96

97

98

5% Significance

c. Test de Punto de Quiebre de Chow

Probamos la posibilidad que exista un quiebre estructural en julio de 1994:

Chow Breakpoint Test: 1993:12
F-statistic
Log likelihood ratio

7.059748
20.17847

Probability
Probability

0.000293
0.000156

142

Rechazamos la hiptesis de que no hay cambio estructural al 99% de confiabilidad.

Por lo tanto, concluimos que en julio de 1994 se produjo un cambio estructural.

3. Test de Error de Especificacin

El E-views permite usar el RESET test propuesto por Ramsey (1969). La hiptesis nula
es que el modelo esta bien especificado. A un nivel de 5% de significancia aadiendo 2
trminos al test, la probabilidad asociada es de 43.53% mayor al 5%; por lo tanto se
rechaza la hiptesis nula, concluyndose que el modelo est correctamente especificado.
Ramsey RESET Test:
F-statistic
Log likelihood ratio

0.614881
0.643157

Test Equation:
Dependent Variable: LIPC
Method: Least Squares
Date: 09/22/02 Time: 09:18
Sample: 1992:01 1998:12
Included observations: 84
Variable
Coefficient
C
4.558636
LCIRPROM
0.493996
LTC
0.667595
FITTED^2
-0.025285
R-squared
0.993829
Adjusted R-squared
0.993598
S.E. of regression
0.026011
Sum squared resid
0.054126
Log likelihood
189.3940
Durbin-Watson stat
0.645581

Probability
Probability

0.435271
0.422570

Std. Error t-Statistic

Prob.
0.287682
15.84610
0.0000
0.177350
2.785424
0.0067
0.214686
3.109635
0.0026
0.032246
-0.784144
0.4353
Mean dependent var
7.414901
S.D. dependent var
0.325085
Akaike info criterion
-4.414142
Schwarz criterion
-4.298389
F-statistic
4294.837
Prob(F-statistic)
0.000000

4. Normalidad de las Perturbaciones

Normalidad de las perturbaciones

12
Series: Residuals
Sample 1992:01 1998:12
Observations 84

10

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

8
6
4
2

Jarque-Bera
Probability

1.50E-15
0.004828
0.066321
-0.063627
0.025635
-0.302419
3.145839
1.354843
0.507925

0
-0 06

-0 04

-0 02

0 00

0 02

0 04

0 06

143

Aunque podemos observar en el histograma que las frecuencias mximas no se

presentan en el centro de manera clara, como debera de ser si se sigue una distribucin
normal, sin embargo, el valor del coeficiente de asimetra muestral (-0.3024) es prximo
a cero y el coeficiente de apuntamiento kurtosis- es de 3.1458 no es lejano a 3.
Finalmente, el estadstico Jarque-Bera no permite rechazar la hiptesis nula de
normalidad, pues su valor (1.3548) genera una probabilidad (de rechazar dicha
hiptesis siendo verdadera) superior a 0.05
Ejercicio Aplicativo 2

Suponga que Ud. desea dedicarse a la produccin de Kiwi, producto que requiere gran
cuidado en cuanto a las condiciones del medio ambiente como tambin de riego.
La siguiente informacin corresponde a la experiencia de una cooperativa, suponiendo
que el resto de los factores que inciden en la produccin de Kiwi son homogneos a los
del resto del Per, utilice esta informacin para planificar su produccin.
Ao

1990
1991
1992
1993
1994
1995
1996
1997

Producto
ton./h.
60
50
70
70
80
50
60
40

Cantidad
de agua
9
10
11
10
12
9
11
8

Temperatura
Promedio (C)
13.3
8.3
11.70
11.70
13.3
8.3
6.7
6.7

1. Estime un modelo que considere solamente el agua como variable explicativa y otro
que incluya al agua y la temperatura.
Considerando Solamente al Agua, realizando una regresin lineal simple, tendremos
que la ecuacin de regresin resulta:

Variable
Coefficient
CANT_AGUA
8.333333
C
-23.33333
R-squared
0.694444
Adjusted R-squared
0.643519
S.E. of regression
7.817360
Sum squared resid
366.6667
Log likelihood
-26.65155
Durban-Watson stat
1.856061

Std. Error t-Statistic

2.256677 3.692745
22.73539 -1.026300
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Prob.
0.0102
0.3443
60.00000
13.09307
7.162889
7.182749
13.63636
0.010176

Se puede observar de la tabla anterior, que la variable cantidad de agua es significativa

para el modelo planteado, cosa que no ocurre para la constante (tiene un p-valor
superior a 0.05). Por lo tanto ser necesario estimar otra vez el modelo pero sin
considerarla, este resultado se muestra en la tabla siguiente:
144

Variable
Coefficient Std. Error t-Statistic
CANT_AGUA
6.034483 0.275378 21.91347
R-squared
0.640805
Mean dependent var
Adjusted R-squared 0.640805
S.D. dependent var
S.E. of regression
7.847060 Akaike info criterion
Sum squared resid
431.0345
Schwarz criterion
Log likelihood
-27.29849
Durbin-Watson stat

Prob.
0.0000
60.00000
13.09307
7.074624
7.084554
1.490000

La ecuacin de regresin finalmente queda determinada por la siguiente relacin:

Pr oducto = 6.034 * Agua
Considerando el Agua y la Temperatura: Al igual que en el caso anterior no ser
necesario considerar el trmino constante en el modelo (p>0.05), en tal sentido la
ecuacin de regresin estimada final resulta:
Pr oducto = 3.662 * Agua + 2.379 * Temperatura

Variable
Coefficient Std. Error t-Statistic
CANT_AGUA
3.661719 0.782738 4.678091
TEMP_PROM
2.378622 0.762748 3.118492
R-squared
0.862946
Mean dependent var
Adjusted R-squared 0.840104
S.D. dependent var
S.E. of regression
5.235532 Akaike info criterion
Sum squared resid
164.4647
Schwarz criterion
Log likelihood
-23.44453
F-statistic
Durbin-Watson stat
1.580261
Prob(F-statistic)

Prob.
0.0034
0.0206
60.00000
13.09307
6.361132
6.380992
37.77838
0.000850

2. Suponga que la produccin se realizar en un galpn cerrado en el cual, podr

controlar la temperatura a un nivel de 10 grados Centgrados Cul ser la relacin
relevante para planificar su produccin?
Si la produccin se realizar en un galpn cerrado en el cual es posible mantener la
temperatura constante a un nivel de 10C la relacin relevante para planificar la
produccin de kiwi ser:
Pr oducto = 3.662 * Agua + 2.379 *10

con lo cual al realizar las operaciones respectivas se obtendr la relacin siguiente :

Pr oducto = 27.452 + 3.662 * Agua

145

Ejercicio Aplicativo 3

Dado el modelo siguiente:

I t = 1 + 2 PBI + t

Donde:
I
: Inversin
PBI : Producto Bruto Interno
Ao
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001

I
14,758
16,487
21,931
26,374
25,094
28,825
28,255
24,455
23,554
21,663

PBI
83,401
87,375
98,577
107,039
109,709
117,110
116,485
117,590
121,267
121,513

Fuente: BCRP.

a. Calcule el estimador MCO, de los parmetros e interprtelos.

Dependent Variable: I
Method: Least Squares
Date: 02/26/03 Time: 10:36
Simple: 1992 2001
Included observations: 10
Variable
Coefficient
C
-4873.554
PBI
0.259365
R-squared
0.603094
Adjusted R-squared
0.553481
S.E. of regression
3092.991
Sum squared resid
76532765
Log likelihood
-93.44261
Durbin-Watson stat
0.565595

Std. Error t-Statistic

8093.987 -0.602120
0.074391 3.486533
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Prob.
0.5638
0.0082
23139.60
4628.697
19.08852
19.14904
12.15591
0.008240

I = -4873.553604 + 0.2593652018*PBI
-

1 (-4873.554): significa que la inversin es negativa cuando el PBI es cero.

2 (0.259366): significa que la inversin aumenta en 0.259366 cuando el PBI
aumenta en una unidad monetaria.

146

b. Matriz de Varianza y Covarianza.

C
PBI

C
65512622
-597.7039

PBI
-597.7039
0.005534

c. Significancia individual de las variables.

Para 1 :
Como se tiene un p-valor de 0.5638 el cual es mayor que 0.05 ; se acepta la hiptesis
nula (no es significativo), lo que origina que en este modelo no ser necesario utilizar el
termino constante lo que significa que cuando el PBI sea cero no existir inversin .
Para 2 :
H 0 : 2 = 0 el PBI no explica el comportamineto de la inversin
H 1 : 2 0 el PBI es capaz de explicar el comportamineto de la inversin

Se tiene un p-valor de 0.0082, el cual es menor que 0.05; lo que origina que se rechaze
la hiptesis nula; por lo que se concluye que el PBI puede explicar el comportamiento
de la inversin a partir del modelo inicialmente planteando.
d. Intervalo de confianza al 95% para el segundo parmetro ( 2 )

Se sabe que: P ( 2 - t * Stad Error < 2 < 2 + t * Stad Error) = 0.95, reemplazando
valores:
P (0.259365-2.036* 0.074391 < 2 < 0.259365 +2.036* 0.074391) = 0.95.
P (0.107904924< 2 < 0.410825076) = 0.95
Por lo tanto el valor del segundo parmetro se encuentra entre 0.107904924 y
0.410825076.
e. Verificacin de la significancia global del modelo ( Prueba F)

H 0 : i = 0 la inversin no es explicada por el uso de los regresores

H 1 : i 0 la inversin es explicada por el uso de los regresores
Se tiene un Prob (F-statistic) de 0.008240, el cual es mayor que cero lo que hace que se
rechace la hiptesis nula, por lo tanto se concluye que el modelo en su conjunto es
significativo, a un nivel de confianza del 95%.

147

Ejercicio de autoconocimiento
Porqu realizar el proceso de inferencia?
SI

NO

NO S

1. Porque permite establecer la validez de

determinadas afirmaciones acerca de los
parmetros (desconocidos).
2. Porque mediante el anlisis (de varianza), se
investiga la explicacin conjunta de todas las
variables explicativas que intervienen en el
modelo.
3. Para analizar el pasado y predecir el futuro de la
empresa.
4. Porque mediante un programa especializado
Eviews se podr hacer anlisis, regresiones y
prediccin as como simulaciones y evaluaciones
de eficiencia y prediccin de modelos.
5. Para utilizar el modelo correcto y adecuado para
un pronstico
6. Para establecer la importancia del estudio de las
variables.
7. Porque se puede ingresar a las variables
independientes e introducir los nuevos valores.
8. Para realizar aplicaciones con datos de la
realidad.
9. Para estimar intervalos y contrastar hiptesis.
10. Para predecir sucesos futuros.
CALIFICACION

Puntuar con un punto cada respuesta SI.

Si obtienes de de 1 - 3 puntos tienes pocas expectativas de hacer una buena prediccin
empresarial.
Si tienes entre 4 - 7, tienes buenas expectativas de hacer una buena prediccin
empresarial.
Y si tienes entre 8 - 10, denotas excelentes expectativas de hacer una buena prediccin
empresarial.

148

RESUMEN

Los coeficientes de confianza son los niveles de confianza que tenemos en que el
intervalo contiene el valor desconocido del parmetro.
El principio del intervalo de confianza: Tiene un Lmite superior de confianza y un
lmite inferior de confianza.
En: Pr ob( 1 1t / 2 1 1 + 1t / 2 ) = 1
El coeficiente de confianza: 1
Lmites de confianza inferior: 1 1t / 2
Lmites de confianza superior: 1 + 1t / 2
Estimacin de la varianza del trmino de perturbacin:

2 =

e' e
Y' Y ' X' Y
=
(n k )
nk

Docima de hiptesis, se refiere a una distribucin de frecuencias, y se plantea con el fin

de comprobar si se cumple una relacin.
Hiptesis propuesta o sometida a anlisis.
hiptesis nula
H0: i= C
hiptesis alternativas
H1: i C
Coeficiente de determinacin (R2), es un indicador de la bondad de ajuste de la lnea
de regresin que mide la proporcin de la variacin total en la variable dependiente Y,
que se explica o se debe a la variacin de la variable independiente X. (0 R2 1).
Coeficiente de correlacin, es una medida de asociacin lineal entre dos variables.
COEFICIENTE

FORMULA

COEFICIENTE DE
DETERMINACION

SCE
SCR
R =
= 1
SCT
SCT

COEFICIENTE DE
CORRELACION

Poblacional
Cov( x , y)
r=
2x 2y

COEFICIENTE DE
DETERMINACION
MULTIPLE
CORREGIDO

0 R 1

Muestral
(x i x)(x i y)

(x

x)2
n 1
i

(y

y) 2
n 1
i

2
( yi yi ) / n k
2
R = 1
2
( y yi ) / n 1
i

149

La finalidad del Anlisis de varianza es investigar la explicacin conjunta de todas las

variables explicativas que intervienen en el modelo, a partir del estudio de los
componentes de la variabilidad total.
Para efectuar la dcima se construye un estadstico: Fc =

Varianza exp licada

var ianzano exp licada

Eviews es un programa especializado que sirve para hacer anlisis, regresiones y

prediccin as como simulaciones y evaluaciones de eficiencia y prediccin de modelos.

EXPLORACION ON LINE

1. Regresin lineal entre dos variables: INFERENCIA

http://bayes.escet.urjc.es/~jmmarin/libroelec,tema 8/inferencia
2. Inferencia sobre los coeficientes del modelo
http://www.udc.es/mate/estadisticas2/sec8.htm
3. Inferencia en el Modelo Lineal
http://uhu.es/45132/ficheros-datos

150

LECTURA
Aplicacin estadstica del Anlisis de Varianza
The Wall Street Journal public hace poco un artculo sobre Ruport Murdoch, el editor
nacido en Australia que ha construido un imperio mundial de medios de difusin con
prstamos concedidos por bancos de todo el mundo.
Como afirmaba el Wall Street Journal, ahora se enfrenta al perodo de apalancamiento
al de tomar decisiones difciles en relacin con las amortizaciones.
Gran parte de la deuda se contrajo durante una poca de expansin, en la compra y
formacin de tres nuevas empresas, TV Guide, Sky Lab y la red de televisin Fox (que
atraviesa ciertas
dificultades a pesar del xito de Bart Simpson y su familia de
inadaptados).
El artculo afirmaba que Murdoch tendra que comprara las situaciones deudoras
relativas de cada uno de los tres nuevos aspectos de su aventura empresarial.
Quiz fuera preciso recurrir al
Anlisis de Varianza para comparar los niveles medios de endeudamiento en cada una
de las tres nuevas y arriesgadas empresas.
Allen L. Webster

151

ACTIVIDADES

1. En esta frmula: Pr ob( 1 1t / 2 1 1 + 1t / 2 ) = 1

Cul es el coeficiente de confianza?, Cul es el lmite de confianza inferior y
Cul es el lmite de confianza superior?
2. Menciona los puntos importantes de las Dcimas de Hiptesis
3. Escribir la frmula del coeficiente de correlacin y el significado de las siglas SCT,
SCR, SCE.
4. Explicar en forma resumida el anlisis de las salidas de la regresin (del programa
E-Views).
5. Para los modelos lineales que se proponen a continuacin:
a. Y = 1 + 2 X2 +
Y : produccin de trigo (quintales por hectrea)
X2 : Cantidad de fertilizante (kilos por hectrea)
b. Y = 1 + 2 X2 +
Y : Ganancia de la empresa.
X2 : Gastos de Inversin
Determinar algunas de la variables cuyo efecto estn contenidas en la .
6. Los datos siguientes corresponden al producto bruto interno por tipo de gasto,
consumo de hogares, consumo del gobierno, formacin bruta del capital,
exportaciones e importaciones en el periodo 1991-2002.
a. Determinar el modelo que ms se adecua a los datos. Cul se utilizara como
variable dependiente y cuales como variables independientes, justifique?
b. Luego de realizar el inciso anterior realice la regresin ms adecuada y estime
los parmetros convenientes, seguidamente calclese sus intervalos de confianza
respectivos.
c. Cmo puede asegurar que el modelo que ha seleccionado es el adecuado?
d. El modelo que planteo inicialmente cumple con algn supuesto bsico de un
modelo de regresin. Realice las pruebas convenientes
Considere:
Y : Producto Bruto Interno
X1 :Consumo de hogares
X2 :Consumo de gobierno
X3 :Formacin bruta de capital
X4 :Exportaciones
X5 :Importaciones

152

Ao
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002

X1

X2

X3

X4

X5

26686
44953
69262
98577
120858
136929
157274
165949
173957
185281
188172
198437

20607
34934
52996
71306
85933
98598
110782
118269
122261
131565
136040
142960

2 067
3566
5568
8672
11786
13827
15487
17296
18854
19717
20290
20703

4613
7780
13376
21931
30013
31283
37952
39321
36894
37545
35082
36563

3260
5628
8627
12590
15118
17975
22272
22076
25855
29851
30020
32612

3862
6954
11304
15922
21991
24754
29219
31014
29907
33396
33260
34402

Fuente: Instituto Nacional de Estadstica e Informtica-Direccin Nacional de Cuentas Nacionales.

AUTOEVALUACIN

Encierra en un crculo la letra que contenga la alternativa correcta.

1. Si el de la Hiptesis nula est dentro del intervalo de confianza se.... la

hiptesis nula; contrariamente, si el est fuera del intervalo se... la
hiptesis.
a. Rechaza-acepta
b. Rechaza-rechaza
c. Acepta-rechaza
d. Todas las anteriores
2. El rango del coeficiente de determinacin R2 es el siguiente:
a.
b.
c.
d.

0> R2> 1.
0 R2 1.
0> R2 1.
Ninguna de las anteriores

3. Cuando R2 es muy... se dice que el modelo de regresin es capaz de

explicar un alto porcentaje de las variaciones que registra la variable explicada.
a.
b.
c.
d.

Cercano a 1
Cercano a 0
Lejano a 1
Todas las anteriores

4. El proceso de inferencia consiste en establecer la validez de determinadas

afirmaciones acerca de.. (desconocidos) utilizando un estimador obtenido
a partir de una muestra, pero del cual se puede determinar su distribucin muestral.
a. Los estimadores
b. Las muestras
153

c. Los coeficientes
d. Los parmetros

5. El anlisis de varianza tiene por finalidad investigar la explicacin conjunta de

todas:
a.
b.
c.
d.

Las variables explicadas intervinientes en el modelo.

Las variables aleatorias en el modelo.
Las variables explicativas intervinientes en el modelo
Ninguna de las anteriores.

6. Mencione el Test de contraste de cambio:

a.
b.
c.
d.

Test de Chow
Test de Cusum
Test de suma acumulada
Ninguno de los anteriores

7. Los datos siguientes corresponden al gasto promedio del hogar segn actividad
econmica del jefe del hogar y corresponden al ao 2002.
Considere:
Y: Gasto mensual del hogar
X1: Alimentos
X2: Vestido y Calzado
X3: Alquiler de Vivienda, Combustible, Electricidad y Conservacin de Vivienda
X4: Muebles y Enseres
X5: Cuidado y conservacin de la salud
X6: Transportes y Comunicaciones

X1
344.13
596.23
628.64
597.22
699.82
559.50
592.19
791.74
676.34
655.51
635.96
367.28

X2
29.50
47.36
68.70
53.36
75.72
49.00
42.84
42.81
61.72
66.57
54.49
27.93

X3
65.50
380.40
237.27
324.35
470.63
266.64
332.73
289.59
346.36
374.11
434.68
373.74

X4
17.12
43.98
51.29
51.58
63.70
37.65
46.96
35.69
59.45
64.67
80.71
40.66

X5
44.56
111.60
151.15
129.70
138.02
84.25
114.69
134.48
133.70
146.09
176.65
128.28

X6
23.43
116.82
136.79
162.37
180.20
68.18
94.26
65.78
173.60
145.50
227.35
124.38

Y
585.08
1 547.68
1 586.46
1 599.22
1 972.95
1 277.54
1 498.61
1 603.19
1 720.58
1 848.41
1 992.75
1 212.56

Fuente: ENAHO: 2002

154

Planteando un modelo de regresin lineal para estas variables, se estim el modelo

por MCO y se obtuvieron los siguientes resultados:
Dependent Variable: Y
Method: Least Squares
Variable
Coefficient
X1
1.0474
X2
2.8746
X3
1.0607
X4
6.9652
X5
1.7287
X6
-0.1579
C
-118.9702
R-squared
0.9977
Adjusted R-squared
0.9950
S.E. of regresin
27.2004
Sum squared resid
3699.3140
Log likelihood
-51.4132
Durbin-Watson stat
2.2961

Std. Error t-Statistic

Prob.
0.1202
8.7116
0.0003
1.0435
2.7548
0.0401
0.1404
7.5557
0.0006
1.8482
3.7687
0.0130
0.5802
2.9797
0.0308
0.5122
-0.3083
0.7703
41.8257
-2.8444
0.0361
Mean dependent var 1537.0860
S.D. dependent var
383.6970
Akaike info criterion
9.7355
Schwarz criterion
10.0184
F-statistic
363.9769
Prob(F-statistic)
0.0000

Cul de las siguientes alternativas es la correcta?

a.
b.
c.
d.

No existe ningn parmetro estimado significativo, R2 = 0.9950

Solo el parmetro de X1 es significativo, R2 = 0.9590
Solo el parmetro de X6 es no significativo, R2 = 0.9977
Los parmetros de X1 y X2 son significativos, R2 = 0.9850

RESPUESTAS DE CONTROL

1. c, 2. b, 3. a, 4. d, 5. c, 6.a 7.c

155