Sunteți pe pagina 1din 22

Universidad Nacional de Ingeniera

Facultad de Tecnologa en la Industria


Ingeniera en Economa y Negocios

ECONOMETRA INTERMEDIA
TAREA N 1

Integrantes

Ignacio Josu Osegueda Mndez


Hazel Vernica Medina Rivera
Kenneth Javier Jimnez Chang
Crisbel Alejandra Ruiz Vivas
ECONOMETRA INTERMEDIA

Tarea No. 1

Profesor William Mendieta Alvarado

Problemas

1. Utilice la base de datos CEOSAL1.xls para estimar la siguiente ecuacin de


salarios para gerentes de empresas en diferentes industrias:

ln() = 0 + 1 ln() + 2 roe + 3 2 +

Donde roe son los retornos sobre las acciones de la empresa.

a. Realice un anlisis de esta regresin haciendo nfasis en la


interpretacin de los coeficientes. Realice pruebas de significancia
para cada uno de los parmetros y una prueba de significancia
estadstica global de la regresin. Analice estadsticos relacionados a
la bondad de ajuste del modelo.

Regresin Global:

ln() = 4.322 + 0.276 ln() + 0.022 roe 0.00007558 2 +

Variable Coefficient Std. Error t-Statistic Prob.

C 4.322370 0.324281 13.32907 0.0000


LN_VENTAS_ 0.275756 0.033406 8.254739 0.0000
ROE 0.021482 0.012930 1.661410 0.0982
ROE2 -7.56E-05 0.000258 -0.293312 0.7696

R-squared 0.282290 Adjusted R-squared 0.271787

Al realizar la regresin global los parmetros encontrados fueron:

0 = 4.322370 1 = 0.275756 2 = 0.021482 3 = 7.56(05)


Al estar hablando de una regresin utilizando logaritmo natural los parmetros
beta encontrado hacen referencia a elasticidades o semi-elasticidades donde
0 representa el salario autnomo, es decir el salario que se ganara si hacemos
las otras variables cero, 1 es la elasticidad del salario sobre las ventas, nos indica
que el salario aumentara en 27.5% ante un aumento del 1% de las ventas, en el
caso de 2 y 3 estos representan semi-elasticidades ya que la variable
dependiente es un logaritmo y la independiente es lineal, estos representan la
semi-elasticidad en los salarios ante aumento de una unidad en los roe, y en el
otro caso lo mismo solo que ante aumentos en roe2.

Con respecto al valor de la bondad de ajustes se observa que tiene el valor de


0.27 lo cual no es muy prometedor para nuestro modelo ya que este nos dice
que tan bien se adaptan las variables al modelo, lo ideal sera que este valor
rondara del 0.70 0.80, pero se observa tambin que la suma de los cuadrados
residuales es baja solo de 47.89 con lo cual se podra esperar que el modelo no
presente colinealidad (especulacin).

Regresin Individual:

ln() = 4.822 + 0.257 ln() +

Variable Coefficient Std. Error t-Statistic Prob.

C 4.821996 0.288340 16.72332 0.0000


LN_VENTAS_ 0.256672 0.034517 7.436168 0.0000

() = 6.712 + +0.014 +

Variable Coefficient Std. Error t-Statistic Prob.

C 6.712168 0.086645 77.46791 0.0000


ROE 0.013863 0.004520 3.067191 0.0024
ln() = 6.851 + 0.0003 2 +

Variable Coefficient Std. Error t-Statistic Prob.

C 6.851045 0.050825 134.7975 0.0000


ROE2 0.000270 9.04E-05 2.988867 0.0031

Despus de hacer todas las regresiones individuales de la variable independiente


contra cada una de las variables dependientes se encontr que todas son
significativas para la variable dependiente, sin embargo, en la regresin global
se puede observar que al hacer la prueba de significancia del t estadstico solo
la constante y la variable ln (ventas) son significativas ya que sobrepasan el valor
de 2.

ANOVA
Fuente de Suma de Grados de Media de los Fexp Fk,k-n-1,
variacin cuadrados libertad cuadrados
X 18.8350 3 6.2783
Residuos 47.8872 205 0.2336
Total 66.7222 208

Para la prueba global se utiliz el anlisis con la tabla ANOVA la cual nos brind
los siguientes resultados:

0 = 0 = 1 = 2 = 3 = 0

1 = 0

En esta podemos observar que el valor de Fexp es mayor que el valor de F k, k-n-1,
lo que significa que rechazamos la hiptesis nula de que los betas de las variables
son iguales a 0 y por lo tanto no significantes para el modelo, la prueba muestra
que las variables son significativas para el modelo de regresin salarios.

b. Construya un intervalo de confianza para el coeficiente 1 y brinde una


interpretacin para este coeficiente.

1 = 0.275756 (1 ) = 0.033406 = 0.05 2093(0.05) = 1.96


2
Intervalo de confianza

1 () (1 )
2

0.275756 (1.96)(0.033406)

(0.21028024, 0.34123176)

Este intervalo lo que nos dice es que con una probabilidad del 95%, se estima
que el valor de 1 se encuentre entre el intervalo (0.21028024, 0.34123176).

c. Explique a detalle por qu la siguiente afirmacin es verdadera: El


rendimiento de las acciones tiene una relacin en forma de U invertida
con el logaritmo de los salarios

Esto podra explicarse gracias a la forma de la variable roe2 de la cual se sabe al


estar elevada al cuadrado grficamente tiene la forma de una parbola o la
forma de una U al graficarla contra el logaritmo de los salarios, ya que la
regresin nos muestra que la variable de los rendimientos de las acciones es
negativa con respecto al logaritmo de los salarios podemos afirmar que esta
posee forma de parbola inversa al graficarla, lo cual explicara porque el
rendimiento de las acciones tiene relacin de U invertida con el logaritmo de los
salarios.

d. Analice la relacin entre la variable dependiente y las variables


explicativas. Hace sentido una relacin no lineal entre la variable
dependiente y los rendimientos sobre las acciones al cuadrado?

Conforme a la teora se puede decir que la variable salarios tiene un gran


relacin con la variable ventas, ya que dependiendo del nivel de ventas que
tenga la empresa los salarios de los gerentes van a aumentar o disminuir, claro
siempre y cuando haya criterios de ventas para aumentar los salario.

Con los retornos sobre la inversin sobre las acciones de la empresa existe
relacin aunque no tan fuerte como la anterior con los salarios, suponiendo que
los gerentes poseen acciones de la empresa su ingreso va a aumentar debido a
la tasa de inters que estos ganan por sus acciones aumentando as su salario.
e. Analice si los residuos del modelo tienen varianza constante. Si
presentan heterocedasticidad utilice la tcnica de mnimos cuadrados
factibles para corregir la heterocedasticidad. Si los residuos son
homocedsticos, explique por qu lo son.

Para comprobar la homocedasticidad de las variables se hace uso de


dos pruebas con la siguiente hiptesis:

0 =

1 =

Prueba de White:

Ln (ventas)

Heteroskedasticity Test: White

F-statistic 0.164961 Prob. F(2,206) 0.8480


Obs*R-squared 0.334192 Prob. Chi-Square(2) 0.8461
Scaled explained SS 1.328737 Prob. Chi-Square(2) 0.5146

Roe

Heteroskedasticity Test: White

F-statistic 0.461596 Prob. F(2,206) 0.6309


Obs*R-squared 0.932457 Prob. Chi-Square(2) 0.6274
Scaled explained SS 2.584229 Prob. Chi-Square(2) 0.2747

Roe2

Heteroskedasticity Test: White

F-statistic 0.532004 Prob. F(2,206) 0.5882


Obs*R-squared 1.073955 Prob. Chi-Square(2) 0.5845
Scaled explained SS 3.019624 Prob. Chi-Square(2) 0.2210
Los datos nos dicen que el valor de p es mayor a 0.05, por lo cual no se rechaza
la hiptesis nula de homocedasticidad en los datos.

Prueba de Breusch-Pagan:

Test de Breusch Pagan


Betas R2 F Critico F Terico Decisin
0.2356 0.00146 0.0748 0.9947 No hay
heterocedasticidad
-0.0093
0.0080
-0.0002

Mediante el test de Breusch-Pagan tambin se puedo comprobar que no existe


heterocedasticidad en las variables ya que el F critico es menor que el F terico.

f. Utilice la matriz de varianzas y covarianzas del paso anterior para realizar


pruebas de significancia estadstica para cada uno de los coeficientes
que componen el modelo.

Matriz de varianzas y covarianzas


(X'X)-1 0.1052 -0.0098 -0.0021 3.49635E-05
=
-0.0098 0.0011 0.0000 -5.87041E-07
-0.0021 0.0000 0.0002 -3.1715E-06
3.49635E-05 -5.87041E-07 -3.1715E-06 6.64032E-08

Como se tienen las varianzas de las variables podemos utilizarlas para obtener
las desviaciones estndar:

Betas 0 1 2 3
( ) 0.324281378 0.033405741 0.012930107 0.000257688
texp 13.3290726 8.254739025 1.661410357 -0.293312052

Se comprueba que efectivamente los valores son iguales a los de la regresin


global y con respecto a la significancia de las variables observamos que con el
criterio |texp| > 2 las nicas que sobrepasan este valor son la constante y la
variable ln (ventas).
g. Cree usted que incurrira en un error de especificacin si en lugar de
utilizar un modelo log-log hubiese estimado un modelo lineal-log?
Sustente su respuesta utilizando el test de Ramsey y grficos que le
permitan analizar la relacin entre la variable dependiente y las
variables explicativas.

Ramsey RESET Test


Equation: LINEAL_LOG
Specification: SALARIO C LN_VENTAS_ ROE ROE2
Omitted Variables: Squares of fitted values

Value df Probability
t-statistic 0.538785 204 0.5906
F-statistic 0.290289 (1, 204) 0.5906
Likelihood ratio 0.297193 1 0.5856

Como se comprueba en el Ramsey Reset test aunque cambiramos la variable


dependiente del modelo original por la variable lineal salarios, el modelo seguira
sin tener problemas de especificacin ya que el valor F estadstico 0.5906 > 0.05.
2. Utilice la base de los salarios para estimar la siguiente ecuacin:

ln() = 0 + 1 ln() + 2 roe + 3 2 + 4 + 5


+ 6 +

a. Cmo interpreta los coeficientes 4 , 5 y 6? Cul es la diferencia entre


el salario del sector industrial y del sector financiero al mantener las
dems variables explicativas constantes? Es esta diferencia
estadsticamente significativa al 10%? Y al 5%?

Dependent Variable: LN_SALARIOS


Included observations: 209

Variable Coefficient Std. Error t-Statistic Prob.

C 4.361043 0.311339 14.00738 0.0000


LN_VENTAS 0.255821 0.032261 7.929695 0.0000
ROE 0.005884 0.013124 0.448360 0.6544
ROE2 0.000107 0.000252 0.424922 0.6713
SFINANCIERO 0.446393 0.104644 4.265845 0.0000
SCONSUMO 0.472760 0.111072 4.256336 0.0000
SINDUSTRIAL 0.291990 0.101660 2.872229 0.0045

R-squared 0.357442 Adjusted R-squared 0.338356

El modelo estudiado trata de explicar la variable logartmica Salarios con las


variables exgenas: Ventas (LN), ROE (Rentabilidad sobre recursos propios),
ROE2, SFinanciero, SConsumo y SIndustrial Stransporte (Sectores*), en donde al
correr el modelo, obtenemos un R^2 de 0.3383, un R Ajustado muy bajo que, el
cual nos dice que las variables independientes explican al modelo en un 33.83%,
asi mismo, se puede notar que tanto la variable Roe como ROE2, no logran pasar
el t-stat mayor a 2.

Al interpretar los resultados como semi-elasticidades, ceteris paribus, los factores


de la regresin para los sectores estudiados, nos dicen que para cualquier
persona que labora en otro sector como el de transporte respecto un individuo
que trabaja en el sector industrial, el del ltimo sector mencionado, recibe una
remuneracin mayor en un 29.2%.
Dependent Variable: LN_SALARIOS
Included observations: 209

Variable Coefficient Std. Error t-Statistic Prob.

C 4.653033 0.332779 13.98236 0.0000


LN_VENTAS 0.255821 0.032261 7.929695 0.0000
ROE 0.005884 0.013124 0.448360 0.6544
ROE2 0.000107 0.000252 0.424922 0.6713
SFINANCIERO 0.180771 0.084940 2.128204 0.0345
SCONSUMO 0.154403 0.089573 1.723771 0.0863
STRANSPORTE -0.291990 0.101660 -2.872229 0.0045

Luego se prosigue a estimar un modelo descartando la variable exgena


SIndustrial, colocando en su lugar la variable STransporte, esto para conocer y
saber diferencias las dsicrepancias entre estos dos sectores. Al contratar ambos
casos, se concluye que la divergencia obtenida comparndola con la confianza
estadstica al 10%, da una diferencia con un rechazo del 7.90%, y al con un nivel
de significancia del 95% este ya no logra ser estadsticamente aceptable.

b. Qu ocurre si se omite el trmino roe^2 de esta regresin? Se


incurre en un error de especificacin? Realice el test de Ramsey.

Ramsey RESET Test

Value df Probability
t-statistic 3.449283 202 0.0007
F-statistic 11.89755(1, 202) 0.0007
Likelihood ratio 11.96096 1 0.0005

Dependent Variable: LN_SALARIOS

Variable Coefficient Std. Error t-Statistic Prob.

C 4.305099 0.281562 15.29007 0.0000


LN_VENTAS 0.257192 0.032035 8.028522 0.0000
ROE 0.011152 0.004300 2.593683 0.0102
SFINANCIERO 0.440958 0.103649 4.254339 0.0000
SCONSUMO 0.463893 0.108874 4.260831 0.0000
SINDUSTRIAL 0.283001 0.099234 2.851868 0.0048

R-squared 0.356868 Adjusted R-squared 0.341027


Al momento que omitimos en nuestro modelo la variable roe^2, las variables
exgenas estudiadas pasan a ser estadsticamente significativas, de igual forma
el coeficiente de determinacin resulta ser ms aceptable que el anterior ambos
valuados a un nivel de confianza del 95%, pero al momento de correr el nuevo
modelo e indicar el test de Ramsey, este sigue siendo mostrando un error de
especificacin ya que al aplicar un nivel de significancia de 5% la probabilidad
de 0.0007 no logra satisfacer la hiptesis de que el modelo est bien
especificado, teniendo igual respuesta si no omitimos la variable roe^2, por ende
los estimadores obtenidos son sesgados e inconsistentes.

c. Realice nuevamente el anlisis de homocedasticidad de los residuos. Es


la varianza de los residuos constante? En su respuesta reporte los estadgrafos
que sustentan su respuesta, as como los resultados de las regresiones auxiliares.

Heteroskedasticity Test: Breusch-Pagan-Godfrey

F-statistic 1.210579 Prob. F(6,202) 0.3022


Obs*R-squared 7.254330 Prob. Chi-Square(6) 0.2980
Scaled explained SS 32.15354 Prob. Chi-Square(6) 0.0000

Test Equation:
Dependent Variable: RESID^2
Included observations: 209

Variable Coefficient Std. Error t-Statistic Prob.

C 0.132502 0.426782 0.310467 0.7565


LN_VENTAS -0.005704 0.044224 -0.128988 0.8975
ROE 0.003211 0.017990 0.178504 0.8585
ROE2 -0.000160 0.000345 -0.462247 0.6444
SFINANCIERO 0.125261 0.143445 0.873234 0.3836
SCONSUMO 0.305540 0.152257 2.006736 0.0461
SINDUSTRIAL 0.025238 0.139355 0.181106 0.8565

R-squared 0.034710 Adjusted R-squared 0.006038


Heteroskedasticity Test: White

F-statistic 0.466755 Prob. F(20,188) 0.9758


Obs*R-squared 9.886927 Prob. Chi-Square(20) 0.9702
Scaled explained SS 43.82206 Prob. Chi-Square(20) 0.0016

Test Equation:
Dependent Variable: RESID^2
Collinear test regressors dropped from specification

Variable Coefficient Std. Error t-Statistic Prob.

C -2.362114 3.273109 -0.721673 0.4714


LN_VENTAS_^2 -0.017714 0.030335 -0.583938 0.5600
LN_VENTAS_*ROE -0.008148 0.020994 -0.388092 0.6984
LN_VENTAS_*SFINANCIERO 0.009557 0.261237 0.036584 0.9709
LN_VENTAS_*SCONSUMO -0.062016 0.235898 -0.262894 0.7929
LN_VENTAS_*SINDUSTRIAL -0.004996 0.237116 -0.021069 0.9832
LN_VENTAS_*ROE2 0.000100 0.000489 0.204954 0.8378
LN_VENTAS_ 0.429322 0.584341 0.734712 0.4634
ROE^2 -0.002507 0.009438 -0.265603 0.7908
ROE*SFINANCIERO 0.001131 0.147462 0.007668 0.9939
ROE*SCONSUMO 0.010515 0.151701 0.069312 0.9448
ROE*SINDUSTRIAL -0.017552 0.147486 -0.119006 0.9054
ROE*ROE2 5.68E-05 0.000243 0.233741 0.8154
ROE 0.092316 0.217141 0.425145 0.6712
SFINANCIERO^2 0.006088 2.527355 0.002409 0.9981
SFINANCIERO*ROE2 -8.32E-05 0.006137 -0.013560 0.9892
SCONSUMO^2 0.814497 2.210611 0.368449 0.7130
SCONSUMO*ROE2 -0.000581 0.006251 -0.093020 0.9260
SINDUSTRIAL^2 0.242305 2.265950 0.106933 0.9150
SINDUSTRIAL*ROE2 0.000196 0.006146 0.031917 0.9746
ROE2^2 -5.84E-07 2.34E-06 -0.249579 0.8032

R-squared 0.047306 Adjusted R-squared -0.054045

Se concluy que para ambos casos existe homocedasticidad, esto evidenciado


por las pruebas de homocedasticidad de Breush-Pagan y Test de White, dado
que en para el primero la probalidad era rechazada al ser mayor a 5% con un
valor de 0.3022, de igual forma con el segundo rechazando la hiptesis nula,
obteniendo un valor de 0.90, determinado de esta manera que los residuos son
constantes, respectivamente para cada test.
3. Responda si las siguientes afirmaciones son verdaderas, falsas o inciertas.

a. Los errores de medicin en las variables, ya sea esta dependiente o


independiente, hacen que el supuesto de media condicional
independiente no se cumpla.

VERDADERO, ya que el supuesto de media condicional independiente


indica que los errores no deben tener influencia sobre las variables.

b. Cuando una variable est medida con error, los estimadores de mnimos
cuadrados ordinarios estarn sesgados, pero sern consistentes.

FALSO, esto debido a que cuando se utilizan los supuestos de mnimos


cuadrados ordinarios para la medicin de una variable, estos sern
sesgados e inconsistentes.

c. Suponga el siguiente proceso generador de datos = (1 , 2 , 3 ). Usted


tiene una muestra de todas las variables de este modelo excepto 3 , y
estima dicho proceso utilizando el mtodo de mnimos cuadrados
ordinarios. Si (1 , 3 ) 0 y (2 , 3 ) = 0 , entonces solamente el
parmetro que acompaa a la variable 1 ser sesgado e inconsistente.
Falso, ya que se omiti toda la variable x3 del modelo ya sea por falta de
informacin u otro motivo, no solo se ver afectado el parmetro de una
variable, si no todo el modelo, por tanto, este error de medicin har que
todos los estimadores sean sesgados e inconsistentes.

d. Existe una gran similitud entre el test de Ramsey y el test de White. Debido
a lo anterior, y bajo ciertas condiciones el test de White se podra utilizar
como una prueba de especificacin alternativa al test de Ramsey.

VERDADERO, si y solo si el test de White es utilizado para una prueba de


heterocedasticidad pura, de error de especificacin o ambos, y de igual
forma tienen que haber trminos con productos cruzados en la prueba
de White d heterocedasticidad pura, y por tanto esta se convierte en
prueba de heterocedasticidad y de sesgo de especificacin.
e. La diferencia entre el test de White y el test de Breusch y Pagan es que el
segundo es menos intensivo en el uso de grados de libertad, por lo que
la probabilidad de no cometer el error tipo II es mayor.

VERDADERO, esto debido a que el test de Breusch y Pagan al ser menos


intensivo en el uso de grados de libertad que el test de White permite
reducir la posibilidad de cometer errores de tipo II, por el contrario, el test
de White agrega los productos cruzados y los cuadrados de las variables
exgenas y ocupa ms grados de libertad aumentando de eta forma la
posibilidad de cometer el error de tipo II.

f. Cuando se incluye una variable irrelevante, aumenta la probabilidad de


cometer el error tipo I.

FALSO, cuando se incluye una variable irrelevante los estimadores son


insesgados pero aun consistentes, de igual forma la variaza del error se
puede estimar de forma correcta, lo nico que causa la inclusin de una
variable irrelevante es que las varianzas estimadas son mayores y la
inferencia probabilstica de los parmetros ser menos precisa, lo que
inducir a cometer un error tipo II (Hiptesis nula falsa y no se rechaza), y
no un tipo I.

g. Cuando se excluye una variable relevante, aumenta la probabilidad de


cometer el error tipo I.

VERDADERO, cuando se excluye una variable relevante, la varianza del


error es incorrectamente estimada y se invalidan los procedimientos
usuales de prueba de hiptesis, por lo que al tener parmetros
inconsistentes esto va a conducir al rechazo de una hiptesis nula, siendo
esta verdadera (error tipo I)

h. Si usted estima un modelo y sus residuos son heterocedsticos, siempre


puede corregir esta falla utilizando errores estndares robustos.

FALSO, los errores estndares robustos no se pueden utilizar siempre para


corregir residuos heterocedsticos, ya que solo se utiliza cuando las
muestras son grandes.
i. Mnimos Cuadrados Generalizados es el mtodo de estimacin ms
general. Por ejemplo, Mnimos Cuadrados Ponderados es comprendido
por Mnimos Cuadrados Generalizados. Adems, Mnimos Cuadrados
Ordinarios es un caso especial de Mnimos Cuadrados Ponderados.

VERDADERO, debido a que los mnimos cuadrados ponderados estn


comprendidos por mnimos cuadrados generalizados, y tambin mnimos
cuadrados ordinarios es un caso especial de mnimos cuadrados
ponderados; y si y solo si en el modelo general de regresin no exista la
heteroscedasticidad.

j. Suponga el siguiente modelo que trata de explicar la tasa de inters de


poltica monetaria:
= 1 + (1 )[( ) + ( ) ] +

Donde es la tasa de poltica monetaria, es la expectativa de


inflacin, es la meta de inflacin, es la brecha del producto y
es un choque de poltica monetaria.

El no incluir a la variable dependiente rezagada podra significar un


problema de omisin de variable relevante, por lo que los parmetros
y seran sesgados e inconsistentes.

VERDADERO, ya que, si suponemos que para explicar la tasa de inters


de poltica monetaria se necesitan conocimientos de periodos
anteriores, es decir rezagos, y si no se incluye esto va a generar sesgos e
inconsistencias es los estimadores, y por tanto y sern sesgados e
inconsistentes
4. En este inciso realizarn un anlisis de la relacin entre el ciclo econmico de
Nicaragua y de EEUU. Entre a la pgina del BCN y descargue los datos
trimestrales del PIB real a partir del ao 2006. Busque los datos del PIB real de
EEUU en la pgina https://fred.stlouisfed.org/.

El ciclo econmico lo estimarn utilizando la siguiente ecuacin:

Considere la misma funcin para el ciclo de EEUU. La tendencia la estimarn


utilizando un promedio mvil, con una ventana de 4 trimestres, tanto para el PIB
de Nicaragua como para el de EEUU.

El modelo fue creado durante el periodo de estudio del primer trimestre de 2006
y el primero de 2017. Considrese que, al calcular el promedio mvil se pierden
dos datos al inicio y al final de las series, cabe resaltar que los datos de Nicaragua
fueron desestacionalizados y las observaciones estn medidas en millones de
dlares.

a. Estime el coeficiente de correlacin de Pearson entre el ciclo de


Nicaragua y el Ciclo de EEUU.

El coeficiente de correlacin del test Pearson entre los ciclos de las economas
nicaragense y estadounidense es equivalente a 0.14656 donde consta una
correlacin lineal positiva entre ambos ciclos econmicos; sin embargo, este
grado de asociacin es relativamente pequeo, pues el valor obtenido es
cercano a cero.

b. Estime y analice exhaustivamente el siguiente modelo:


, = 0 + 1 , +
, = 7.16 + 0.000957, +

Variable Coefficient Std. Error t-Statistic Prob.


C -7.157583 48.67013 -0.147063 0.8838
Ciclo Econ US 0.000957 0.001035 0.925261 0.3605
R-squared 0.02148 Adjusted R-squared -0.00361

El modelo resultante; a travs del coeficiente de pendiente, primeramente lo


establecido anteriormente a travs del coeficiente de correlacin de Pearson,
es decir que existen una relacin positiva entre ambos ciclos. Lo cual significa,
en trminos prcticos que una expansin en el ciclo econmico de Estados
unidos impulsa un auge sobre la economa nacional.

Su profesor le dice que el coeficiente de 1 debera andar alrededor de 0.8 y 0.9.


Qu significa esto? Cmo se compara con sus resultados?

Tericamente, no es posible brindar un significado a los parmetros brindados,


pues se desconocen las unidades usadas para estimar el modelo. Por otro lado,
los valores obtenidos por nuestro modelo son no significativos; y se desconoce
de la significancia de estos parmetros.

No obstante, de cualquier forma los valores presentados, constituyen una


referencia emprica para el estudio. Pero no puede decirse mucho al respecto,
por falta de informacin. Porque dependiendo, del mtodo aplicado las
estimaciones resultantes son distintas.

En este sentido, se ha experimentado con el filtro de HP (Hodrick-Prescott) para


calcular la tendencia de las series, y luego restarla de los datos originales para
obtener el ciclo econmico. Cabe mencionar que, antes se aplic logaritmos
naturales a la serie, con objeto de reducir las diferencias en escalas y, adems
es lo sugerido para hacer uso del filtro HP. El resultado fue el siguiente:

Variable Coefficient Std. Error t-Statistic Prob.


C -1.53E-12 0.001932 -7.91E-10 1
Ciclo Econ US 1.473232 0.189453 7.776249 0
R-squared 0.584421 Adjusted R-squared 5.75E-01

Con esto se evidencia que los resultados son distintos dependiendo del
tratamiento que se le da a los datos. Ntese, adems que, el ciclo econmico
de Estados Unidos, esta vez s es estadsticamente significativo (con un nivel de
confianza de 95 por ciento) para el ciclo econmico nacional. Adems, el
coeficiente de determinacin muestra una significativa mejora; con respecto al
modelo inicial.

Lo cual indica que, la variabilidad del ciclo econmico nacional es explicada en


58 por ciento, por el ciclo de Estados Unidos. Adems el grado de correlacin de
Pearson es de 0.76, mostrando que en efecto el grado de asociacin entre los
ciclos es importante.

Finalmente, el coeficiente de pendiente de este modelo refleja que si Estados


Unidos crece 1 por ciento, por encima de su tendencia de crecimiento;
Nicaragua crecer 1.47 por encima de su tendencia. Esto se sustenta, a travs
del siguiente grfico, donde se aprecia que la volatilidad del ciclo econmico
nacional es mayor a la de Estados Unidos, es por ello que el coeficiente de
pendiente es mayor a la unidad. Es decir, tanto las recesiones como las
expansiones son ms pronunciadas para Nicaragua.

.06

.04

.02

.00

-.02

-.04
06 07 08 09 10 11 12 13 14 15 16 17

ESTADOS_UNIDOS NICARAGUA

c. Se podra decir que existen variables que estn siendo omitidas y


que hacen que su estimacin sea distinta a la que sugiere el
profesor?

Si. Es posible que el modelo presente errores de omisin. En primer lugar, porque
no es asequible afirmar que el ciclo nacional solo se vea afectado por factores
externos, aun cuando este sea quizs el ms importante (en el ltimo modelo se
observa que la relacin es alta); es lgico pensar que el ciclo de las
exportaciones, inversin, desempleo, gasto pblico, etc., sean importantes sobre
el ciclo econmico de Nicaragua.

Si el profesor incluyo alguno de los ciclos antes mencionados o cualquier otro,


lgicamente el coeficiente de pendiente del ciclo econmico de Estados Unidos
ser distinto al estimado anteriormente.

d. Estime el siguiente modelo y comprelo con el anterior:

, = 0 + 1 , + 2 ,1 +
Cmo cambia su estimacin? Qu supuesto se est realizando al
incluir la variable dependiente rezagada? Cul es su
interpretacin?

Variable Coefficient Std. Error t-Statistic Prob.


C -0.000166 0.001741 -0.095200 0.9246
Ciclo US 0.986435 0.220637 4.470846 0.0001
Ciclo NIC-1 0.402154 0.114132 3.523594 0.0011
R-squared 0.685384 Adjusted R-squared 0.670037
, = 2.93 07 + 1 , + 2 ,1 +

Primeramente cabe mencionar que esta estimacin se ha realizado,


considerando los datos de ciclo obtenidos en el inciso c. En trminos generales
los resultados mejoran, puesto que el coeficiente de determinacin pasa de 58
a 68 por ciento. Adems, se conserva la significancia de los coeficientes de
pendiente de ambas variables explicativas (nivel de confianza 95 por ciento).

En cuanto al coeficiente del ciclo econmico de Estados Unidos, se observa que


este se asemeja ms a la estimacin propuesta por el instructor. Al incorporar el
primer rezago de la variable dependiente, se asume que existe correlacin entre
las sucesiones sucesivas, es decir para este caso es natural pensar que si la
economa entra en recesin en un periodo determinado, es muy probable que
muestre el mismo comportamiento el siguiente trimestre.

El coeficiente de pendiente del primer rezago de la variable dependiente indica


que, manteniendo todos los dems factores que afectan el ciclo econmico
nacional, el hecho de haber mostrado un crecimiento de 1 por ciento sobre la
tendencia natural del producto el trimestre anterior, implica que el trimestre
actual se experimente una expansin de ms o menos 0.4 por ciento, por encima
de la tendencia.

e. Es factible pensar que ya no hay otras variables que se estn


omitiendo y que pueden incidir sobre el ciclo econmico tanto de
EEUU como de Nicaragua? (Considere el caso de los precios de las
materias primas).

De cierto modo, el hecho de usar el primer rezago de la variable dependiente


evita los errores por omisin de variables como el ciclo de la inversin (que no
muestran su mayor o todo su efecto sobre el PIB de forma inmediata). Sin
embargo, al considerar variables como la materia precios de las materias primas,
siendo estas las principales fuentes de exportacin de Nicaragua; es de
esperarse que expansiones de los precios de la materia prima aumenten las
exportaciones Nicaragua, a su vez el PIB.

En un primer momento podra pensarse que, dado que solo se debe un amento
a precios, no debera de afectar el PIB real. Sin embargo, un aumento del precio
de las materias primas incentiva a los productores a producir ms, y esto si
aumenta el nivel del PIB real. Pero, ante esto podra abogarse que los
productores no pueden modificar su produccin de forma inmediata. En todo
caso, es difcil establecer si existe un efecto significativo de esta variable sobre el
ciclo econmico nacional o no, y no puede rechazarse la idea de que no se han
incluida todas las variables cruciales para el modelo.

f. Usted no desea correr riesgos y est considerando utilizar mnimos


cuadrados en dos etapas. Explique detalladamente en qu consiste
esta tcnica de estimacin.

El mtodo de mnimos cuadrados en dos etapas consiste en identificar un


instrumento (variable instrumental), que cumpla con las siguientes condiciones:

i. ( , ) 0 Supuesto de relevancia.
ii. ( , ) = 0 Supuesto de exogeneidad.

El instrumento es usado para endogenizar la variable explicativa , y se hace


porque existe evidencia o sospecha de que el coeficiente correspondiente a
esta variable esta sesgado, posiblemente por la omisin de variables relevantes.
Supngase el modelo:

, = 0 + 1 , + 2 ,1 +

Se sospecha un sesgo sobre el parmetro 1 , entonces se dispone de un


instrumento que 1 que cumple las dos condiciones antes mencionadas.
Entonces, la estimacin del modelo bajo el mtodo MC2E, sera:

i. Etapa I:
, = 0 + 1 1 +
ii. Etapa II: , = 0 + 1
, + 2 ,1 +

g. Justifique porqu el utilizar el segundo y tercer rezago de la variable


dependiente como instrumentos es factible (es decir, por qu estos
instrumentos cumplen con el principio de relevancia y
exogeneidad).
Partiendo del hecho que existe un posible sesgo en el parmetro 1 porque la
estimacin obtenido no coincide con la propuesta por el profesor; la variable a
instrumentar (endogenizar) debera ser la variable ciclo econmico de Estados
Unidos. Y al evaluar las condiciones, necesarias se obtiene para el caso de
segundo rezago, que estadsticamente parece cumplir ambos criterios. Pues el
coeficiente de correlacin entre el ciclo de Estados Unidos y este instrumento es
cercana a 0.37, mientras que al evaluar la asociacin lineal con los residuos es
prcticamente cercana a cero (0.05).

Sin embargo, intuitivamente no hace mucho sentido. Pues no es asequible


pensar que el ciclo econmico nacional puede ser un detonante significativo
del ciclo de Estados Unidos. Por otra parte, al evaluar, las medidas antes
mencionadas, para el tercer rezago los resultados desmejoran, en cuanto al
cumplimiento de las condiciones necesarias de un instrumento.

h. Utilice el primer y segundo rezago de la variable dependiente como


instrumentos y realice la estimacin bajo mnimos cuadrados en dos
etapas. Cmo cambian sus resultados respecto a los incisos b y e?

Aun considerando las implicaciones antes mencionadas, se estima el modelo


bajo el mtodo MC2E, utilizando como instrumentos el primer y segundo rezago
de la variable dependiente. Los resultados son los siguientes:

Dependent Variable: Ciclo Econmico Nicaragua


Instrument specification: CicloEconNic-1 CicloEconNic-2
Constant added to instrument list

Variable Coefficient Std. Error t-Statistic Prob.

C 0.000337 0.001955 0.172270 0.8641


Ciclo Econmico US 0.377882 1.269083 0.297760 0.7675
CicloEconNic-1 0.603879 0.435606 1.386295 0.1735

R-squared 0.633623 Adjusted R-squared 0.614834

Ntese que en trminos generales los resultados se desmejoran, pues el


parmetro correspondiente al ciclo econmico de los Estados Unidos se aleja de
la propuesta planteada. Y adems, se pierde la significancia de los parmetros,
aspecto que haban sido superados en el inciso e.
i. Se acerca esta estimacin a los parmetros sugeridos por el
profesor? Realice una prueba de diferencia estadstica para
sustentar su respuesta.

Basndonos en las distintas estimaciones, la que brinda un mejor resultado segn


la evidencia propuesta y, los estadsticos es la del inciso e, y por tanto la prueba
de diferencia estadstica se hace con el resultado de este modelo.

Hiptesis: 0 : 1 = 0.85 0 : 1 0.85

0.986435 0.85
= = 0.021545
0.220637
44

Dado que el valor crtico, a un nivel de confianza del 5 por ciento es de 1.96, y el
resultado es menor a este valor; se concluye con un nivel de confianza de 95 por
ciento que el parmetro estimado, en promedio es estadsticamente igual al
planteado por el profesor. Es decir; que una expansin de 1 por ciento del ciclo
de Estados Unidos por encima de su tendencia, provoca un impulso de entre 0.8
y 0.9 por ciento por encima de la tendencia de crecimiento del producto
nacional.

S-ar putea să vă placă și