INTERPRETACIN DE RESULTADOS DE LA REGRESION

Suponiendo que partimos del modelo siguiente:

Y
1
TPE
Y = 0 + 1 (X1) + 2 (X2) + u

0
Donde

Y= Variable dependiente
X1= Variable explicativa X

0= Intercepto. El parmetro que corresponde al trmino constante debe ser

interpretado como el valor que otorga la variable endgena cuando el resto de variables
explicativas valen cero. Por ejemplo en una funcin de consumo, aunque este depende
de la renta y de otras variables, cuando todos ellos valen cero el individuo realiza un
consumo para sobrevivir, lo que es conocido como autoconsumo. Ese valor queda
recogido en el modelo bsico de regresin lineal a travs del parmetro que
corresponde al trmino constante.

1= Pendiente (debemos recordar que la pendiente o 1 se debe entender como una

propensin marginal o bien como una elasticidad). Miden la relacin entre las variables
explicativas y la variable endgena a travs de su signo y su cuanta. El signo mide si
la relacin entre las variables es directa o inversa (si a medida que la explicativa
incrementa tambin lo hace la endgena o viceversa). La cuanta sirve para medir que
variable explicativa, de todas las explicitadas en el modelo, es ms importante para
explicar el comportamiento de la endgena, de tal manera que si todas las variables
estn medidas en las mismas unidades de medida, la variable ms importante ser la
que tenga un mejor valor de su parmetro.

U= TPE es una variable que recoge todos aquellos factores factores que pueden influir
a la hora de explicar el comportamiento de las variables Y que sin embargo no estn
reflejados en la variable explicativa X. Estos factores deben ser poco importantes, es
decir, no puede existir una variable explicativa relevante omitida en el modelo de
regresin. De ser as estaramos incurriendo en lo que se conoce como un error de
especificacin del modelo. El trmino de perturbacin tambin recoge los posibles
errores de medida de la variable dependiente Y.

i= es el subndice que hace referencia a las diversas observaciones para las cuales se
establece su validez. Segn el tipo de valores con los que este trabajando, el subndice
har referencia a distintos modelos del tiempo (series temporales las cotizaciones en
bolsa diarias, los ndices de precio al consumo mensuales, los datos anuales del PIB de
un pas, etc.).
Parmetros

El anlisis de los parmetros estimados permite conocer la estructura econmica del

fenmeno que se est analizando, entendiendo por estructura el patrn de
comportamiento de acuerdo con el cual se desarrolla una accin. De este modelo, en
un modelo en el que se trata de explicar la evolucin del consumo en funcin del
ingreso y de la tasa de inters, la estructura econmica quedar definida como
Incrementos de consumo a medida que incrementa el ingreso y reducciones de
consumo a medida que incrementan la tasa de inters.

Una vez estimado el modelo, admitimos que la estructura permanece constante para
todo el periodo de estimacin. Esto es, que los parmetros son los mismos para toda la
muestra y que las relaciones permanecen constantes para todo el periodo analizado. Es
por ello, que los parmetros no van acompaados de un subndice en la expresin
matemtica del modelo bsico de regresin lineal.

Usualmente nos encontramos que al efectuar una regresin, los signos de los
parmetros generan confusin para su interpretacin. A continuacin se muestran las
representaciones grficas de los parmetros y sus formas bsicas de interpretacin.

Si 0 es negativo

nicamente indica el punto donde parte la recta, de regresin.

Como se puede observar el signo del intercepto ( 0). Es negativo y nicamente nos
indica el punto de donde parte la recta de regresin.

0
 Si 0 es positivo

Muestra el punto donde parte la recta de regresin; el componente autnomo o aquella

parte de (variable dependiente) que no est en funcin de (variable explicativa).

.
Y En este caso, el signo del intercepto ( 0) es
positivo y adems de indicarnos el punto de
donde parte la recta, muestra el componente
autnomo, o sea, aquella parte de Y (la
variable dependiente) que no depende de X
(la variable explicativa), ya que en el punto
0 donde comienza la recta, el valor que toma X
es cero.

Si i es positivo
Muestra que por cada unidad que se incremental (variable explicativa), (variable
dependiente) aumenta en (valor de ) unidades.

Y1 Cuando el signo de 1 es positivo, al tenerse un

. incremento en la variable explicativa (X'), se ve
Y2
un incremento en la variable dependiente. X va
de X1 a x2 y Y de y1 a y2.

X1 X2

Si i es negativo
Muestra que por cada unidad que se incremente (variable explicativa), (variable
dependiente) disminuye en (valor de Bi) unidades.

Cuando el signo de i es negativo al

tenerse un incremento en la variable
explicativa (X), se ve un decremento en
la variable dependiente, es decir, que
cuando X aumenta desde X1 hasta X2, Y
Y1 disminuye de y1 a y2.
Y2
Pruebas de Hiptesis

Prueba
X1 de
X2significacin individual (1- student)

Dado que una hiptesis es una conjetura o una suposicin que se hace acerca del
comportamiento de algn parmetro, al efectuarse regresiones es pertinente suponer
algn comportamiento de los parmetros estimados.

Si el intercepto (0) es el componente autnomo o punto de donde parte la recta,

supondremos que no existe tal componente autnomo es decir, que la recta partir del
origen. Si la recta partir del origen entonces el valor que tomar el intercepto ser
cero. Tal y como se muestra a continuacin.

0 = 0

En el caso de la pendiente ( 1), sabemos que siempre esta asociada a una variable
explicativa y el valor de este parmetro muestra la respuesta que tendr la variable
dependiente a movimientos unitarios de la explicativa por esto, si suponemos que el
parmetro toma un valor cero, entonces cualquier movimiento que tenga la explicativa
no afectar a la dependiente. Si esto sucede decimos que la variable independiente no
sirve para explicar a la dependiente. Esto se muestra a continuacin.

X2 X0 X1

Aqu se aprecia que la pendiente (i) tiene un valor Cero, por lo cual cuando X aumenta
desde X0 hasta X1, o bien, si X disminuye desde X 0 basta. X2, la variable dependiente no
presenta movimientos motivo por el cual se dice que la independiente no sirve para
explicar a la dependiente.

Dado lo anterior, suponemos que la hiptesis nula y alternativa para B 0 y Bi son:

Ho: 0 = 0
Ha: 0 0

Ho: i = 0
Ha: i 0

De aqu que la interpretacin de las hiptesis es:

Si se acepta la hiptesis Ho: 0 = 0 el parmetro no es estadsticamente significativo y

se concluye que la recta partir del origen y no existe componente autnomo.

Si se rechaza la hiptesis Ho: 0 = 0, el parmetro es estadsticamente significativo y

por lo tanto se concluye que la recta partir del punto calculado y se valida la existencia
de un Componente autnomo.

Si se acepta la hiptesis Ho: i = 0 el parmetro no es estadsticamente significativo

y por lo tanto se llega a la conclusin de que la variable asociada a dicho parmetro no
sirve para explicar a la variable dependiente.

Si se rechaza la hiptesis Ho: i = 0 el parmetro es estadsticamente significativo y

por lo tanto, la variable independiente asociada sirve para explicar a la dependiente.

En caso de que exista ms de una variable explicativa la forma de interpretar los

parmetros asociados a ellas, es similar al de i.

Prueba de significancia conjunta (F-Fisher)

La prueba F se caracteriza por hacer una conjetura solamente sobre los parmetros
asociados a las variables explicativas, por lo cual se excluye al intercepto. Las hiptesis
caractersticas de esta prueba son:

H0: 1 = 2 = = k = 0
Ha: 1= 2 = = k = 0

Si se acepta la hiptesis H0: 1 = 2 = = k = 0 se dice que los parmetros en forma

conjunta no son estadsticamente significativos, por lo que se concluye que todas las
variables independientes, de manera conjunta, no sirven para explicar a la
dependiente.

Si se rechaza la hiptesis Ha: 1= 2 = = k = 0 los parmetros son estadsticamente

significativos y entonces, las variables independientes de manera conjunta, sirven para
explicar a la variable dependiente.

Coeficiente de correlacin, determinacin, determinacin ajustado y matriz de

correlacin.

Coeficiente de correlacin simple (r)

Muestra el porcentaje en el cual el comportamiento de (la variable independiente)

explica al comportamiento de (la variable dependiente). Aqu medimos el poder
explicativo que tiene la variable dentro de una regresin.

Matriz de correlacin

Aqu incluimos todas las posibles relaciones que se generan entre las variables
explicativas y la variable dependiente, o bien la relacin existente entre las mismas
variables explicativas.
Los resultados de la matriz se leen:
1 rx1y rx2y
rxiy es la correlacin existente entre x1 y Y
R= rx1y 1 rx1x2 rx2y es la correlacin existente entre x2 y Y
rx1x2 es la correlacin existente entre x1 y x2

rx2y rx1x2 1

Como podemos observar, la matriz de correlacin es de suma importancia dentro de la

regresin mltiple para definir el poder explicativo que tiene cada variable por separado.

Coeficiente de correlacin mltiple ( R)

Este nos muestra el porcentaje en el cual el comportamiento de (las variables

independientes) de manera conjunta, explica al comportamiento de (la variable
dependiente).

Coeficiente de determinacin mltiple (R2)

Este nos indica el porcentaje en el cual la variacin o varianza de (las variables

independientes), de manera conjunta, explica a la variacin o varianza de (la variable
dependiente).

Recordemos que la relevancia de este coeficiente radica en su poder explicativo en

torno a las varianzas generadas.
Coeficiente de determinacin mltiple ( R2)

Esto nos indica el porcentaje en el cual la variacin o varianza de (las variables

independientes), de manera conjunta, explica a la variacin o varianza de (la variables
dependiente), cuando se consideran los grados de libertad de la regresin.

VIOLACIN DE SUPUESTOS DEL MODELO DE REGRESIN

Supuestos del modelo:

1) La suma de los residuos es igual a cero u = 0
2) El valor medio del TPE (u) es cero .
3) La varianza de los TPE es constante u homoscedastica [ var(u i) = o2]
4) No existe autocorrelacin entre las perturbaciones [E (u i ui) = 0]
5) Las variables explicativas son no estocsticas o, si son estocsticas estn
distribuidas independientemente de las perturbaciones [ X u = 0]
6) No existe multicolinealidad entre las variables explicativas dado el supuesto de rango
por columna pleno p{X) n >>k .
7) Los TPE poseen una distribucin normal [u ~ N(0,o 2) ]
8) El modelo de regresin est correctamente especificado
9) Los parmetros estn normal ente distribuidos [ ~ N ( S 2 (XX)-1 ) ]

Multicolinealidad

Es un fenmeno que se presenta en un modelo de regresin lineal mltiple cuando dos

o ms variables independientes' tienden a seguir una misma forma de comportamiento
durante un proceso econmico (existe una relacin entre ellas) y, por tanto resulta difcil
cuantificar sus efectos individuales sobre la variable explicada. Este problema reside,
por tanto, en la muestra utilizada y/o de la especificacin del modelo, y no tiene causas
interpretables.

Ello est vinculado al supuesto de rango por columna pleno de la matriz de variables
explicativas, donde ese supuesto marca que el nmero de observaciones empleado en
una regresin debe ser mayor que los parmetros a estimar [p(X); n > k].

Si se rompe con tal supuesto y se tiene [p(X) < k], ello implica que si el 'determinante de
la matriz (X'X) es igual a cero, se tendr la existencia de multicolinealidad perfecta y,
por lo tanto tal matriz no tendr inversa y no habr solucin para el sistema. Por otro
lado, si el determinante de la matriz es muy pequeo, habr multicolinealidad
imperfecta y la matriz tendr inversa y el sistema si tiene solucin pero se tendrn los
siguientes efectos.

Las estimaciones individuales de los parmetros estn mal identificadas, esto es,
el valor estimado de un parmetro puede depender crucialmente del (los) valor
(es) estimado{s) de otro{s).
 Se genera una inflacin artificial de la varianza de los parmetros estimados.
Las estimaciones resultan sensibles con respecto a la muestra utilizada lo que
supone que si, por ejemplo, se ampla la muestra con una nueva observacin,
las estimaciones obtenidas pueden variar sustancialmente.

Las formas ms usuales para detectar la presencia de multicolinealidad son:

1) Si existen valores t no significativos, un elevado R2, as como un F alto.

2) Si F es significativa y alguna t no, implica que las variables explicativas estn
altamente correlacionadas que es imposible aislar el impacto que tienen las variables
exp1icativas sobre la variable dependiente. Si el valor de t es bajo indica que la variable
independiente asociada al parmetro probado no puede explicar a la dependiente.

3) Si los errores estndar de los coeficientes son muy elevados, los valores
poblacionales de los coeficientes no pueden estimarse de forma precisa.

Uno de los indicadores de la presencia de multicolinealidad es el coeficiente de

correlacin entre las variables explicativas (r 23, si el modelo es con dos variables
explicativas). A medida que tiende a uno (a medida que aumenta la colinealidad), las
varianzas de los estimadores aumentan y, en el limite, cuando r 23 = 1 ellas son infinitas.

Aunque el coeficiente de correlacin entre las variables explicativas es til, deja de ser
tan importante cuando nos encontramos con una regresin con ms de una variable
explicativa y se har referencia principalmente a la deteccin de la multicolinealidad
cuando exista incongruencia en las pruebas estadsticas t y F.

Implicaciones de la multicolinealidad

a) An cuando los estimadores son MELI, estos presentan varianzas y covarianzas

grandes, que hacen difcil la estimacin precisa.
b) Debido a lo anterior, los intervalos de confianza tienden a ser ms amplios
conduciendo a una aceptacin ms fcil de la hiptesis nula.
c) La razn t de uno o ms coeficientes tiende a ser estadsticamente no
significativa.
d) An cuando la razn te sea an no estadsticamente significativa; el R 2 pude ser
muy alto.
e) Los estimadores MCO y sus errores estndar pueden ser sensibles a pequeos
cambios de informacin.

Si el nico propsito del anlisis de regresin es el pronstico o la prediccin, la

colinealidad no se constituye en un problema serio porque cuanto mayor sea el R 2,
mejor ser la prediccin.
Rutas para corregir multicolinealidad

Aumentar el tamao de la muestra de los datos

Reducir la escala del modelo, es decir hay que cancelar alguna variable
explicativa. La cancelacin se hace por medio de los coeficientes de correlacin
para observar el grado en el cual la variable independiente explica a la
dependiente.

Heteroscedasticidad

Este problema surge cuando no se cumple el supuesto de homoscedasticidad, es

decir, cuando las varianzas de los TPE son diferentes.

Si se ignora la heteroscedasticidad entre trminos de perturbacin estocstica en un

modelo de regresin y el procedimiento MCO es usado para estimar los parmetros se
tiene lo siguiente:

1) Las estimadores y pronsticos basados en ella sern insesgados y consistentes

2) Los estimados MCO no son MELI y sern ineficientes, los pronsticos tambin sern
ineficientes.
3) Las varianzas y covarianzas estimadas de los coeficientes de regresin sern
sesgadas e inconsistentes, y las hiptesis son invalidadas.

Autocorrelacin

El problema de correlacin serial es un problema frecuente, cuando se emplean datos

en series de tiempos, ya que en este caso los TPE reflejan en partes variables no
incluidas explcitamente en el modelo, mismas que pueden cambiar lentamente a travs
del tiempo. As, el TPE en una observacin estar relacionado con los TPE de las
observaciones cercanas.

Una causa general de la correlacin serial es una mala especificacin del modelo; en
particular, la exclusin de las variables relevantes para el modelo.

La existencia de autocorrelacin provoca tanto estimadores MCO ineficientes, como

fallas en las pruebas comunes de significancia estadstica. Los estimadores ya no
poseen varianza mnima.
En el siguiente grfico pueden apreciarse las zonas en las que existe la autocorrelacin
serial ya sea positiva o negativa o una determinada.

Correlacin serial Ausencia de Correlacin serial

Positiva correlacin negativa

O dl du 4-du 4-du 4
Indeterminacin

Si Ho Decisin
0 de dl No existe autocorrelacin positiva Rechazar
dl d du No existe autocorrelacin positiva No hay decisin
du d 4 du No existe autocorrelacin Aceptar
4- du d 4 dl No existe autocorrelacin negativa No hay decisin
4- dl d 4 No existe autocorrelacin negativa Rechazar

En el caso en el que se da indeterminacin, se puede optar por ampliara el tamao de

la muestra.
INTRODUCCIN A EVIEWS

Eviews proporciona herramientas para el clculo de regresin y pronstico en.

Computadoras con ambiente windows, pudiendo desarrollar una relacin estadstica de
datos y usar sta para pronosticar valores futuros de los mismos. Eviews trabaja con
series de tiempo, donde cada serie tiene un nombre y pueden hacerse operaciones en
todas las observaciones con solo indicar el nombre de la serie. . Tambin proporciona
formas convenientes para introducir series de tiempo desde el teclado o a partir de
archivos en discos creando nuevas series de tiempo: de las ya existentes, para
presentarlas en pantalla e imprimir series y generar anlisis estadsticos de las
relaciones entre las mismas.

Algunas de las funciones bsicas ms importantes de Eviews son:

Introducir y corregir series de tiempo.

Calcular nuevas series basadas en frmulas de cualquier complejidad.
Graficar series en pantalla o imprimirlas, realizar diagramas de dispersin, de
barras y de pies.
Mnimos cuadrados ordinarios, mnimos cuadrados con correccin
autorregresiva y en dos etapas.
Estimacin Logia y Probit de modelos
Estimaciones lineales y no lineales de sistemas de ecuaciones
Estimacin y anlisis de vectores de sistemas autorregresivos
Descripcin estadstica: correlaciones, covarianzas, autocorrelacin,
correlacin cruzada e histogramas.
Estacionalidad autoregresiva y error de proceso en promedios mviles
Rezagos polinomiales distribuidos
Pronsticos basados en anlisis de regresin
Solucin de modelos de ecuaciones simultneas
Manejo de series de tiempo en base de datos.
Lectura de archivos de datos y escritura en formatos normales de hoja de
clculo
Etc.

Eviews esta construido alrededor del concepto de objeto. Los objetos incluyen series
de tiempo, ecuaciones, modelos, coeficientes y matrices, que son utilizados de manera
activa durante la sesin.

El objeto de datos bsico dentro de Eviews es la serie de tiempo. Cada serie tiene un
nombre y pueden realizarse operaciones con todas las observaciones con slo
mencionar el nombre de la serie. Eviews proporciona maneras convenientes visuales
para introducir series de tiempo desde el teclado o de un archivo en disco, crear una
serie nueva de las ya existentes, desplegar e imprimir la serie y llevar a cabo un anlisis
estadstico de las relaciones entre las series.
Funciones de Eviews

Al introducirse en el programa Eviews, aparecer la siguiente pantalla:

La lnea superior es la barra del men, principal conde los elementos mostrados hacen
referencia de las diferentes operaciones que pueden realizarse dentro de diversos
submens.

Si elige File, aparece un submen que muestra los posibles procedimientos que
pueden seguirse para trabajar con un archivo.

New permite crear un nuevo archivo de trabajo, bajo el concepto de objeto,

incluyndose un submen que permite trabajar con archivos de trabajo, bases de datos,
programas y archivos de textos.
Open permite abrir archivos que han sido guardados con anterioridad, referentes a
archivos de trabajo, bases de datos, programas y archivos de texto.

Save permite guardar un archivo que ha sido abierto, el cual ya tiene un nombre
asignado.

Save as posibilita guardar un archivo nuevo, asignndole un nombre o renombrar un

archivo existente que haya sido modificado.

Close permite crear un archivo al concluir con una sesin de trabajo.

Import posibilita importar archivos de texto, as como hojas de calculo, provenientes de

otro archivo de Eviews o de algn otro programa (como excel).

Export posibilita exportar la informacin, que contiene un archivo de Eviews a algn

otro programa o archivo dentro de Eviews.

Print permite imprimir un archivo desde el programa

Print setup permite establecer las caractersticas que ha de tener la impresin, tanto
por las posibilidades que presenta la impresora, como por las necesidades del usuario.

Run permite corre un programa establecido para el ambiente Eviews.

Exit permite al usuario salir del programa Eviews.

La dems funciones de la barra principal sern descritas ms adelante.

INFRAESTRUCTURA

Objetos y vistas

Como ya se a mencionado, Eviews esta construido alrededor del concepto de objeto.

Los objetos incluyen series de tiempo, ecuaciones modelos, coeficientes y matrices,
que son utilizados de manera activa.

Creando objetos

Al elegir File/New, aparecer un submen que hace referencia a los tipos de archivo
con los que puede trabajarse, como se muestra a continuacin.
Al hacer clic en Workfile se desplegar la siguiente ventana.

La ventana muestra lo que se conoce como frecuencia de trabajo, es decir, el perodo

de tiempo que ha de trabajarse. L frecuencia de los datos puede ser anual (Annual),
semestral (semi-annual), trimestral (Quartely), semanal (weekly), diario (en semanas
de 5 y 7 das) o si los datos no estn arreglados en serie de tiempo o son mostrados
como una frecuencia no incluida o son irregulares en el tiempo se podrn especificar las
series sin fecha (Undated or irregular), lo que significa que no hay un ao asociado
con el nmero de observacin, es decir, hay simplemente una numeracin consecutiva.

En la parte baja de la ventana se observan dos elementos Star date y End date que se
refieren a la fecha inicial y la fecha final de la serie respectiva.

Cmo introducir datos

Debido a que Eviews utiliza datos para identificar series de tiempo, las reglas que se
tiene para la composicin de los datos son:

Anual
Se debe declarar el ao completo, por ejemplo: 1980, 1990, 2000.

Semestral
Se debe declarar el ao completo y el nmero correspondiente al semestre: 1980.1,
1989.2.
Trimestral
Se debe declarar el ao completo y el nmero correspondiente al trimestre: 1980.1,
1990.4.

Mensual
Se debe declara el ao completo y el nmero correspondiente al mes: 1980.01,
1990.12.

Semanal
Se debe declarar el mes, da y ao de la serie, por ejemplo si se trabaja una serie para
todo el ao 1999, donde la primera semana comienza el da primero, se debe declara
el mes de enero, el da primero y el ao 1999: 1.1.1999 y para finalizar la serie, si la
ltima semana de 1999 finaliza el da 31 de diciembre, se debe declarar 12.31.1999.

Diario
Se debe declarar el mes, da y ao donde comienza la serie, es decir,, si se trabaja todo
el ao 1998, se pondr como fecha inicial el primero de enero de 1998: 1.1.1998 Y
como fecha final el 31 de diciembre de 1998: 12.1.1998.

Por ejemplo, si se tiene una serie anual de 1980 a 1998, la ventana ser:
El archivo de trabajo

Al haber elegido la frecuencia anual y declarado la fecha inicial y la fecha final, se da un

clic en OK, apareciendo la ventana siguiente:

La ventana muestra inicialmente el rango que se esta trabajando, la muestra que se

desea trabajar, un vector de coeficientes C (el cual se vincula al intercepto en una
regresin) y una serie de tiempo de residuales Resid.

Para introducir los ciatos y las variables que han de trabajarse en un modelo, se debe
teclear data, aprecindose esto en la parte superior de la pantalla, y dar Enter,
mostrndose la siguiente ventana:
Esta hoja de clculo (similar a Excel) es la ventana de una serie, donde han de
declararse las variables correspondientes a un modelo y los datos vinculados a ellas.

En la parte alta de sta ventana aparece una barra de herramientas que proporciona
varias opciones y procedimientos para las series en Eviews.

View

Al elegir esta opcin se presenta un submen que posibilita realizar tareas como:
mostrar los grupos de datos; mostrar la hoja de clculo, dividir la informacin por
perodos, mostrar grficas simples, mostrar grficas mltiples; mostrar estadsticos
descriptivos, realizar pruebas de igualdad, tabular los datos de diversas formas, mostrar
las correlaciones, mostrar la matriz de covarianzas de los parmetros sin ajustar a los
grados de libertad, mostrar correlogramas, presentar correlaciones cruzadas, efectuar
pruebas de cointegracin, efectuar la prueba de causalidad de Granger y etiquetar la
hoja de clculo. A continuacin se presenta la ventana correspondiente y se describirn
stas funciones:
Group Members permite ver en una ventana los objetos que han sido introducidos
como series.

Spreadsheet permite ver la hoja de clculo nuevamente al haber trabajado con otra
opcin.

Dated Data Table permite ver en una ventana la informacin de las series por perodo,
es decir, si se trabaja con tres variables, se presentara la informacin de esas variables
por perodo y no el total.

Graph permite ver grficas de las series en conjunto (es decir, en una sola grfica se
observarn los datos de todas las series al mismo .tiempo) en diferentes formatos
como: lneas, barras, dispersiones (dispersin simple, dispersin con regresin,
dispersin con datos ajustados cercanos y dispersin con masa ajustada), lneas XY,
pie. S est trabajando con sta opcin.

Multiple graphs permite observar grficas mltiples de cada serie por separado en
distintos formatos como: lneas, barras, dispersin (de las primeras series vs otras o
como una matriz de todas las series), lneas XY v grficas de distribucin.

Al trabajar con las opciones de grficos es posible cambiar las caractersticas de los
mismos dando doble click a la ventana donde se encuentran tales grficas, apareciendo
la siguiente ventana:
N-Way Tabulation permite tabular las series de diversas formas, as como dar formato
a. la hoja de clculo para efectuar pruebas estadsticas como de Razn de
Verosimilitud.

Correlations permite ver la matriz de correlacin de las variables involucradas en la

regresin.

Covariances permite observar la matriz de varianzas-covarianzas sin considerar en la

varianza residual a los grados de libertad.

Correlogram (1) permite ver los correlogramas en diferentes niveles, presentando el

correlograma de primera y segunda diferencia para una serie de tiempo.

Cross Correlacin (2) permite ver el correlograma cruzado de dos variables o series.

Cointegration Test permite efectuar la prueba de cointegracin de Johansen para

ecuaciones de cointegracin o para vectores autorregresivos

Granger causality permite realizar la prueba de causalidad de Granger entre variables

o series.

Label permite dar un nombre a la hoja de clculo

Procs
Esta opcin presenta un submen con dos opciones para hacer una ecuacin o un
vector autorregresivo
Make equation permite ver una caja de dilogo en la cual se especificarn las series
involucradas en la ecuacin de regresin.

Make Var permite establecer un vector autorregresivo declarando las variables

exgenas y endgenas mediante la siguiente caja de dilogo.
Objects
Esta opcin hace posible trabajar con los objetos desde la hoja de clculo con las
siguientes opciones:

Store to DB permite guardar objetos en un banco de datos.

Update to DB permite nombrar y actualizar datos en un banco de datos

Copy Object permite hacer una copia de la hoja de trabajo.

Name permite dar un nombre a la hoja de trabajo.

De!ete permite borrar objetos de una hoja de trabajo.

Freeze Output permite obtener una ventana congelando los datos de la hoja de trabajo,
los cuales no sufrirn modificaciones cuando se modifique la hoja de trabajo original.

Print permite imprimir los datos de las series incluidos en la hoja de trabajo.

View Options permite hacer modificaciones en la hoja de trabajo editando,

disminuyendo o aumentando la muestra, insertando o borrando informacin,
transponiendo la informacin como en una matriz e insertando un ttulo para el grupo de
trabajo.

Print
Imprime la hoja de trabajo.

Name
Hace posible asignar o cambiar el nombre de las series.

Frezee
Cambia la hoja de clculo en una tabla objeto como en la opcin Objects/Freeze
Output.

Edit +/-
Cambia el modo del editor de apagado/encendido haciendo posible cambiar el nivel de
datos. Es posible agregar series adicionales al grupo, seleccionando el grupo en la hoja
de clculo, tec1enado el nombre de la nueva serie al encender el editor. Este est
usualmente apagado.

lns/Del
Permite insertar observaciones, moviendo subsecuentemente observaciones adelante o
borrar una observacin moviendo subsecuentemente observaciones posteriores.

Smpl +/- .
Hace posible elegir qu observaciones sern o no incluidas en la hoja de clculo.
Transpose
Transpone los datos de la hoja cambiando las columnas en renglones.

Titles
Permite cambiar el ttulo de la hoja de clculo.

Sample
Permite cambiar la muestra a observar en el archivo de trabajo.

Una vez que se han visto las funciones de los elementos de la barra de herramientas,
es pertinente dirigir la atencin hacia cmo ha de trabajarse en la hoja de clculo y
como han de declararse las variables

Al estar dentro de la hoja de trabajo, con las flechas se debe dirigir hacia arriba hasta
que se duplique la celda Obs. Una vez que la celda se ha duplicado, en ese rengln
deben declararse las variables que se desean, y posteriormente, los datos
correspondientes al periodo. Por ejemplo, si se trabaja un modelo de inversin, donde
la inversin, 1 = 1 (r , Tc), est en funcin de la tasa de inters y del tipo de cambio, se
tiene lo siguiente:

Como puede apreciarse, ya han sido introducido los datos y las variables
correspondientes al modelo de inversin.

Si en algn momento se cometi algn error al capturar la informacin, es posible

corregirla iluminando los renglones completos o columnas dentro de la hoja de clculo.
Seleccionando el rea se puede reescribir sobre la informacin anterior, empleando en
la barra principal Edit/Copy y posteriormente hay que seleccionar una nueva rea con
las mismas caractersticas (el mismo nmero de renglones o columnas que el rea
original) y posteriormente seleccionando en la barra principal Edil/Paste.
Una vez hecho lo anterior, puede salvarse la informacin, seleccionando File/Save as y
dando un nombre al archivo. Si se cierra la ventana podr apreciarse que aparece una
ventana que incluye los iconos C, Resid, I, R, TC, correspondientes a los elementos
que intervienen en la regresin, tal como se muestra a continuacin:

Trabajando con informacin previamente capturada

Si la informacin ya haba sido capturada con anterioridad, al iniciar la sesin se debe

elegir File/OpenlWorkfile y elegir el archivo segn el nombre que se le haya dado y dar
click en OK, apareciendo la ventana anterior.

En esta ventana se podrn apreciar las variables declaradas dentro del modelo. La
barra de helTamienta en la parte superior del archivo de trabajo es el panel principal de
control de views, tenindose las siguientes opciones:
View

Pennite abrir una seleccin de los conos que aparecen en la ventana, imprimir la
seleccin o mostrar partes de los elementos en una pequea ventana. Tambin se tiene
la opcin de seleccionar o eliminar la seleccin hecha, desplegar comentarios o dar un
nombre a la ventana.

El submen que aparece dentro de la opcin View es:

El submen muestra las siguientes opciones:

Open Selected: permite abrir una o varias ventanas que contengan a la informacin
que fue seleccionada previamente. Si se elige una ventana (one, window), aparecen
cuatro opciones: Open group permite visualizar la informacin seleccionada en una
hoja de calculo de todas las series que fueron elegidas; Open equation permite
establecer la ecuacin de regresin del modelo; Open var permite establecer un vector
de auto regresin con el cual se ha de trabajar; Open multi series permite ver la
informacin de las series de las ventanas separadas, tal como al elegir ventanas
separadas (separate windows).

Print Selected Permite imprimir la informacin presentada segn se haya seleccionado

previamente.

Show permite observar los objetos dentro de una pequea ventana, segn la forma
como se desea que se presente la informacin, ya sea como objeto, como una formula,
como una lista de series o formulas, o como una lista de graficas. Tal como se aprecia
en la ventana siguiente:
Select all (except C Resid) permite seleccionar las series a excepcin del vector de
coeficientes e y la serie de residuales, con lo cual aparece la informacin en una hoja
de clculo, tal como al introducir los datos de las series. Si se elige sta opcin, se debe
dar doble click en la parte sombreada, apareciendo una ventana que o solicitar se elija
la opcin con la que se desea aparezca la informacin con un determinado formato, con
las opciones Open group, Open equation, Open var y Open mltiple series, debindose
elegir Open group. Al hacer lo anterior, se observar nuevamente la hoja de clculo que
fue capturada anteriormente.

Select By Filter hacer una seleccin basada en la eliminacin de series que no se

desea sean incluidas es decir, se filtra aqnel1a informacin que no es deseada,
apareciendo la ventana siguiente:
Deselect all. Permite eliminar las selecciones hachas con anterioridad al cometer un
error al seleccionar una serie no deseada.

Display Comments permite desplegar comentarios acerca de la hora y fecha en la

que fue registrada o modificada una serie.

Display Filter Permite desplegar una ventana en la cual se filtran objetos al igual que la
opcin Select by filter.

Name Display permite desplegar comentarios de serie, hora y fecha como en la opcin
Display Comments, solo que se tiene dos opciones: uppercase para hacerlo en
mayscula y lowercase para hacerlo minscula.

Procs
Posibilita acceder a un submen en el cual pueden realizarse operaciones con la
muestra, cambiar rangos de archivo de trabajo, generar series, ordenar series e
importar y exportar datos. El submen que aparece puede apreciarse en la ventana
siguiente.
Las opciones que presenta el submen son:

Sample permite definir la muestra dentro de un rango de valores de datos de las series,
es decir, al introducir los datos de las series fue bajo un periodo de tiempo especfico,
pero esta opcin posibilita reducir la muestra de datos, por ejemplo, si se introdujeron
datos para el periodo 1980 1998, se pueden reducir la muestra en ciertos periodos,
pudiendo quedar esta como 1985 1998.

Para ello aparece la siguiente caja de dialogo, tecleando como se ilustra la nueva
muestra de datos.

Change Workfile Range permite modificar el rango establecido para las series, es
decir, si la serie inicia en 1980, puede modificarse para que inicie en 1970, mostrndose
la caja de dilogo que aparece en la opcin de New Workfile.

Generate Series permite generar nuevas series basadas en las ya establecidas. En

esta opcin se puede obtener una nueva serie mediante el uso de las que se tienen,
empleando una frmula, por ejemplo, si es en un modelo de consumo se quiere como
nueva variable al ingreso rezagado, se debe dar un nuevo nombre a la variable y como
una formula declarar el ingreso con un (-1). En la siguiente caja de dilogo se observa
esto.
Sort Series permite arreglara las series en orden ascendente o descendente.

Import permite importar datos o series desde otro archivo de Eviews o desde un
archivo de Lotus-Excel.

Export permite exportar datos o series hacia otro archivo de Eviews o hacia un archivo
de Lotus-Excel.

Objects
Hace posible acceder a un submen para trabajar con los objetos que se tienen el
archivo, pudiendo realizar operaciones diversas con los objetos como: nuevos objetos,
nombrar objetos en un banco de datos y borrar objetos que no sean deseados, tal como
se aprecia en la ventana siguiente:

Las opciones que presenta el submen son:

New Object permite trabajar con uno o varios objetos, dndole diferentes formatos
como se aprecia a continuacin:

Fetch from DB permite nombrar objetos dentro de un banco de datos, moviendo todas
las observaciones posibles sin mover las observaciones en la muestra corriente
controlando las observaciones que actualmente son empleadas en operaciones
subsecuentes de Eviews empleando la siguiente caja de dilogo.
Undate selected from DB permite actualizar la informacin de uno o varios objetos
desde la base de datos que se tiene almacenados.

Store selected to DB permite situar un objeto en un archivo de banco de datos. Para

hacer esto de debe seleccionar el objeto, guardndolo como un archivo de base de
datos, como se aprecia a continuacin:

Copy selected permite copiar uno o varios objetos que han sido elegidos sealando la
fuente de origen y la fuente de destino.
Rename selected permite dar un nuevo nombre a uno o varios objetos del archivo
con el cual se esta trabajando, apreciando la siguiente caja de dilogo.

Delete selected permite borrar uno o varios objetos que han sido seleccionados.

Save
Hace posible guardar la informacin que ha sido capturada o modificada del archivo de
trabajo.

Label +/-
Muestra como una etiqueta la hora y fecha con que se trabajo un archivo o sus objetos.
Show
Muestra una caja de dilogo solicitando los objetos que han de desplegarse en una
ventana sencilla, pudindose declarar tales objetos como una frmula, una lista de
series, grupos o frmulas o como una lista de grficas. Al elegir esta opcin aparecer
la siguiente caja de dilogo:
Fetch
Hace posible nombrar objetos dentro de una base de datos como en la opcin
objects/Fetch from DB.

Store
Sita un objeto dentro del archivo de banco de datos como en la opcin Objects/Stores
selected from DB.

Delete
Hace posible borrar uno o varios objetos seleccionados como en la opcin Objects/
Delete selected.

Genr
Se utiliza para generar nuevas objetos partiendo de los que se tienen mediante
operaciones lgicas o matemticas como en la opcin Proas/Generate series.

Sample
Es empleado para modificar el tamao de la muestra de las series como en la opcin
Proas/Sample.

REGRESIN

Al haber declarado las variables capturado la informacin pertinente, se elige la opcin

Proas/Make equation, aparece el cuadro de dilogo descrito anteriormente y se
declaran los elementos que deben estar contenidos en el modelo comenzando por la
variable dependiente, seguida por el intercepto y las variables explicativas.

Al hacer lo anterior, aparecer una pantalla con los resultados de la regresin. El

reporte de la regresin se mostrar de la manera siguiente:
A continuacin se describen los elementos del reporte de regresin.

Coeficientes de regresin
Cada coeficiente multiplica la variable correspondiente, formando la mejor prediccin de
la variable dependiente. El coeficiente promedia la contribucin de la variable
independiente para la medicin. El coeficiente de las series llamado C, es la constante
o intercepto de la regresin, estos es la parte de la variable dependiente cuando las
variables explicativas valen cero. Los otros coeficientes son interpretados como
pendientes de las relaciones entre las variables explicativas y la variable dependiente.
En trminos econmicos, las pendientes deben entenderse como elasticidades o
propensiones marginales.

Error estndar
Es un promedio estadstico que rehabilita los coeficientes de la regresin. De acuerdo
con la teora de la regresin, existen dos oportunidades de tres respecto a los
verdaderos coeficientes, y hay 95 oportunidades de 100 de que est dentro de los dos
errores estndar.

T-estadstico
Es una prueba para la hiptesis de que un coeficiente tenga un valor en particular. El
estadstico prueba la hiptesis de que el valor real del coeficiente es cero, ya que ello
indicara que el parmetro no es estadsticamente significativo (que la variable
explicativa asociada al coeficiente no sirve para explicar a la dependiente). La prueba
se realiza con n-k grados de libertad.

Probabilidad
Aqu muestra la probabilidad asociada al estadstico t, de tal manera que la
probabilidad indica el porcentaje de certeza de aceptar la hiptesis planteada como
nula.

Coeficiente de determinacin (R2)

Promedia el xito de le regresin en la prediccin de los valores de la variable
dependiente en una muestra. Es una funcin de la varianza de la variable dependiente
explicada por las variables independientes.

Coeficiente de determinacin ajustado (R2)

Es parecido al coeficiente de determinacin, slo que aqu se consideran los grados de
libertad de la regresin. Es menor que el coeficiente de determinacin.

Error estndar de la regresin

Es un promedio que resume el tamao de errores de la prediccin y tiene las mismas
unidades como variables dependientes. De hecho, es un promedio de magnitud de los
residuales.

Suma de residuos cuadrados

Es un fuerte indicativo del valor que ha de tener la varianza residual. Es empleado para
determinar diversas pruebas a un modelo de regresin.
Logaritmo de mxima verosimilitud
Es el valor de la funcin de probabilidad evaluado para los valores estimados de los
coeficientes. Ello se basa en el hecho de que para hacer estimaciones mximo
verosmiles es necesario partir de una distribucin normal multivariada.

Estadstico Durban Watson

Es empleado para realizar una prueba de correlacin serial. Esta prueba ser descrita
ms adelante.

Estadstico F
Es una prueba para verificar hiptesis de manera conjunta, es decir, a diferencia de la
prueba t, donde se prueban hiptesis para cada coeficiente, aqu se realiza una prueba
para verificar una hiptesis conjunta donde se supone que los coeficientes asociados a
las variables explicativas es cero.

Dentro de la barra de herramientas que aparece en la ecuacin, se tienen las

siguientes opciones de trabajo, correspondientes a las distintas pruebas que deben
realizarse a de un modelo.

Pruebas y resultados del modelo

Al haber obtenido los resultados de la regresin dentro de la opcin View, se tendr lo

siguiente:

View/Representations
Muestra en una pantalla distintas formas de presentacin de la ecuacin de regresin.

View/Estimation Output
Muestra los resultados de la regresin. Esta opcin es til para regresar a la primera
pantalla, despus de haber trabajado con otras opciones.

View/Actual-Fitted-Residual
Muestra un submen en el cual se pueden elegir distintas formas para observar el
comportamiento de los residuos de la regresin. Se presentan opciones como dar
detalles de los valores actuales y estimados de la variable dependiente as como los
residuos, en forma de tabla y de grfica. Tambin se podr observar una grfica de los
residuos nicamente.

View/Actual-Fitted-Residual/Actual-Fitted-Residual Table
Muestra una tabla con los valores de la variable dependiente en forma actual y
estimada, as como de los residuos. Tambin se mostrar una grfica de los residuos.

View/Actual-Fitted-Residual/Actual-Fitted-Residual Graph
Muestra una grfica basada en los valores de la variable dependiente en forma actual y
estimada, as como de los residuos.

View/Actual-Fitted-Residual Residual Graph

Muestra una grfica donde slo pueden apreciarse los residuos.
View/Covariance matriz
Muestra la matriz de varianzas covarianzas de los coeficientes considerando la
varianza ajustada a los grados de libertad.

View/Coefficient tests
En esta opcin se apreciar un submen con tres posibles pruebas que se han de
realizar a los coeficientes del modelo tales como: la prueba de Wald, variables omitidas
y variables redundantes.

View/Coefficient test/Wald
Aqu aparece un cuadro de dilogo en el que debe indicarse las restricciones sobre los
coeficientes que se quieren dentro de un modelo.

View/Coefficient test/Omitted variables

El cuadro de dilogo en el que se deben declarar las variables del modelo para ver si
aportan informacin relevante.

View/Residual test
En esta opcin se pueden realizar pruebas acerca del comportamiento de los residuos
para comprobar si se violan los supuestos del modelo de regresin. Aqu aparece un
submen mostrando distintas pruebas como: correlograma de residuos, correlograma
de residuos cuadrados, normalidad, LM para autocorrelacin, ARCH para
heteroscedasticidad condicional autorregresiva y White con y sin trminos cruzados
para deteccin de heteroscedasticidad.

View/ residual test/Correlogram

Muestra una serie de datos estadsticos, as como un grfico de residuos.

View/Residual test/Correlogram squared residuals

Muestra de datos estadsticos, as como un grfico de residuos cuadrticos.

View/Residual test/Normality test

Muestra un histograma y datos estadsticos para probar si los residuos tienen
comportamientos normales.

View/Residual test/Serial correlation LM

Realiza una prueba para hacer la deteccin de autocorrelacin.

View/Residual test/ARCH LM
Efecta una prueba para ver si los residuos presentan heteroscedasticidad condicional
autorregresiva.

View/Residual test/WHITE(no cross terms)

Realiza una prueba para detectar si la varianza de los residuos es homoscedstica
considerando a los productos de los regresores.

View/Residual test/white (cross terms)

Realiza una prueba para detectar si la varianza de los residuos es homoscedstica
considerando a los productos de los regresores.
View/Estability test
Esta opcin hace posible detectar si el modelo presenta inestabilidad en sus
parmetros o cambios estructurales. Se presentan pruebas como: punto de ruptura de
Chow, Pronstico, Ramsey-Reset y estimaciones recursivas y estimados recursivos.

View/Estability test/Chow breakpoint

Efecta una prueba para ver si los coeficientes tienen el mismo comportamiento en
cualquier punto del tiempo.

View/Estability test/Chow forecast

Realiza una prueba acerca del modelo y sus coeficientes para observar su factibilidad
para el pronstico.

Estability test/Ramsey-Reset
Hace una prueba para detectar si la ecuacin de regresin y por tanto, el modelo est
correctamente especificado.

Estability test/ recursive estimates

Muestra diversas pruebas para analizar si el modelo presenta inestabilidad. Se basa
en el uso de los residuos, slo que nicamente puede realizarse por mnimos
cuadrados ordinarios. Se muestra un submen con seis opciones: residuos recursivos,
CUSUM, CUSUMQ. Prueba de un solo paso, prueba de N pasos y coeficientes
recursivos.

Estability test/recursive estimates/recursive resuduals

Muestra un grfico con los residuos empleando una banda basad en el uso de la
desviacin estndar.

Estability test/ recursive estimates/CUSUM

Muestra Un grfico de la suma acumulada de los residuos empleando una banda
basada en el uso de la desviacin estndar.

Estability test/ recursive estimates/CUSUMQ

Muestra un grfico de la suma acumulada de los residuos cuadrados empleando una
banda basada en el uso de la desviacin estndar.

Estability test/ recursive estimates/One step forecast

Muestra un grfico exhibiendo los puntos donde la ecuacin de regresin es menos
exitosa con probabilidades asociadas.

Estability test/ recursive estimates/N-step forecast

Muestra un grfico exhibiendo los puntos donde la ecuacin de regresin es menos
exitosa para efectuar pronsticos, con probabilidades asociadas. Esta prueba va muy
ligada con la de Chow para pronstico.

Estability test/recursive estimates/Recursive Coefficients

Muestra distintos grficos de los coeficientes que intervienen en la ecuacin de
regresin para observar su estabilidad.
Procs
La opcin Procs hace posible trabajar dentro de un submen que tiene como opciones:
especificar/estimar, pronstico, hacer modelo, fechar coeficientes de la ecuacin, hacer
un grupo de regresores y hacer series de residuos.

Procs/Specify/Estimate
Permite redefinir a las variables que intervienen en un modelo.

Procs/Forecast
Permite obtener una evaluacin acerca de la factibilidad de un modelo para el
pronstico.

Procs/Make model
Permite obtener la solucin de un modelo que se plantea.

Procs/Update coefficients form equation

Permite fechar los coeficientes.

Procs/Make regressor group

Permite obtener una tabla de los regresores que intervienen en la regresin.

Procs/Make residual series

Permite crear una serie de los residuos.

Las funciones de las dems opciones que se presentan en el men son idnticas a las
descritas con anterioridad.
VIOLACIN DE SUPUESTOS DEL MODELO DE REGRESION

Supuestos del modelo:

1) El valor medio del TPE (u) es cero

2) La varianza de los TPE es constante u homoscedastica [var(ui)= 2 ]
3) No existe autocorrelacin entre las perturbaciones [E(uiuj)= 0 ]
4) Las variables explicativas son no estocsticas o si son estocsticas estn
distribuidas independientemente de las perturbaciones [Xu=0]
5) No existe multicolinealidad entre las variables explicativas
6) Los TPE poseen una distribucin normal [u ~N (0, 2 ) ]
7) El modelo de regresin est correctamente especificado

Multicolinealidad

Es un fenmeno que se presenta en un modelo de regresin lineal mltiple cuando dos

o mas variables independientes tienden a seguir una misma forma de comportamiento
durante un proceso econmico (existe una relacin entre ellas).
Ello esta vinculado al supuesto de rango por columna pleno de la matriz de variables
explicativas, donde ese supuesto marca que el numero de observaciones empleando
en una regresin debe ser mayor que los parmetros a estimar [P(X); n>K]
Si se rompe con tal supuesto y se tiene [P(x) < K ], ello implica que si el determinante
de la matriz (xx) es igual a cero, se tendr la existencia de multicolinealidad perfecta y,
por lo tanto, tal matriz no tendr inversa y no habr solucin para el sistema. Por otro
lado, si el determinante de la matriz es muy pequeo, habr multicolinealidad
imperfecta y la matriz tendr inversa y el sistema si tendr solucin.

Las formas ms usuales para detectar la presencia del multicolinealidad son:

1) Si existen valores T no significativos, un elevado R2, as como un F alto

2) Si F es significativa y alguna T no, implica que las variables explicativas estn
tan altamente correlacionadas que es imposible aislar el impacto que tienen las
variables explicativas sobre la variable dependiente. Si el valor de T es bajo
indica que la variable independiente asociada al parmetro probado no puede
explicar a la dependiente.
3) Si los errores estndar de los coeficientes son muy elevados, los valores
poblacionales de los coeficientes no pueden estimarse de forma precisa.
Uno de los indicadores de la presencia de multicolinealidad es el coeficiente de
correlacin entre las variables explicativas (r 23, si el modelo es con dos variables
explicativas). A medida que tiende a uno (a medida que aumentan la colinealidad). Las
varianzas de los estimadores aumentan y en el limite, cuando r 23 =1 ellas son infinitas.

Implicaciones de la multicolinealidad

a) An cuando los estimadores son MELI, estos presentan varianzas y covarianzas

grandes, que hacen difcil la estimacin precisa.
b) Debido a lo anterior, los intervalos de confianza tienden a ser ms amplios
conduciendo a una aceptacin ms fcil de la hiptesis nula
c) La razn T de uno o ms coeficientes tienden a ser estadsticas no significativas.
d) An cuando la razn t sea no estadstica significativa, el R 2 puede ser muy alto.
e) Los estimadores MCO y sus errores estndar pueden ser sensibles a pequeos
cambios en la informacin.

Si el nico propsito del anlisis de regresin es el pronstico o la prediccin, la

colinealidad no se constituye en un problema serio porque cuanto mayor sea el R 2
mejor ser la prediccin

Rutas para corregir multicolinealidad

Aumentar el tamao de la muestra de los datos

Reducir la escala del modelo, es decir hay que cancelar alguna variable
explicativa. La cancelacin se hace por medio de los coeficientes de correlacin
para observar el grado en el cual la variable independiente explica a la
dependiente.

Heteroscedasticidad

Este problema surge cuando no se cumple el supuesto de homoscedasticidad, es decir,

cuando las varianzas de los TPE son diferentes.

Si se ignora la heteroscedasticidad entre termino de perturbacin estocstica en un

modelo de regresin y el procedimiento MCO es usado para estimar los parmetros se
tiene lo siguiente

1) Los estimadores y pronsticos basados en ella sern insesgados y consistentes

2) Los estimados MCO no son MELI y sern ineficientes, los pronsticos tambin
sern ineficientes
3) Las varianzas y covarianzas estimadas de los coeficientes de regresin sern
sesgadas e inconscientes, y las hiptesis son invalidas

Auto correlacin
El problema de correlacin serial es un problema frecuente, cuando se emplean datos
en series de tiempo, ya que en este caso los TPE reflejan en partes variables no
incluidas explcitamente en el modelo, mismo que pueden cambiar lentamente a travs
del tiempo. As, el TPE en una observacin estar relacionado con los TPE de las
observaciones cercanas.

Una causa general de la correlacin serial es una mala especificacin del modelo; en
particular, la exclusin de las variables relevantes para el modelo.

La existencia de autocorrelacion provoca tanto estimadores MCO ineficientes, como

fallas en las pruebas comunes de significancia estadstica. Los estimadores ya no
poseen varianza mnima.

Grficamente puede apreciarse la existencia de autocorrelacion ante una serie de

residuos correlacionados, como se muestra a continuacin.

t
Correlacin Serial Positiva

Correlacin serial negativa

t
Consecuencia de la autocorrelacion

Los estimadores MCO

1) Son insesgados
2) Son consistentes
3) No son eficientes, por lo que dejan de tener varianza mnima

Pruebas de detencin de autocorrelacin

Prueba Durbin Watson

 Se basa en la razn de la suma de cuadrados de las diferencias sucesivas de rehuidos
a la suma de rehuidos al cuadrado

U1 * U1 -1
D= 2 1-
U12

Si aumenta Ui, Ui-1 tendera a ser positivo, de modo que d quedara significativamente
debajo de 2.

Si Ui , UI-1 tuviese signos opuestos, el caso de correlacin serial negativa de primer

orden, entonces Ui UI-1 tendera a ser negativa y por lo tanto d quedara por encima
de 2.

En el siguiente grafico pueden apreciarse las zonas en las que existe autocorrelacion
serial ya sea positiva o negativa o una indeterminacin

0 1.3038 Dl du 4-du 4-dl 4

Indeterminacin

Si HO Decisin
0 < d < dl No existe autocorrelacion positiva Rechazar
dl d du No existe autocorrelacion positiva No hay decisin
du < d< 4 du No existe autocorrelacion Aceptar
4 du < d < d < 4 dl No existe autocorrelacion negativa No hay decisin
4 dl < d < 4 No existe autocorrelacion negativa Rechazar

En el caso en el que se da indeterminacin, se puede optar por ampliar el tamao de la

muestra
ESPECIFICACION Y DIAGNOSTICO DE PRUEBAS

Eviews permite elegir entre tres categoras de pruebas para evaluar la estimacin de la
ecuacin
Las tres categoras son:

pruebas de coeficientes
pruebas de residuales
pruebas de estabilidad

Pruebas de coeficientes

Prueba de wald de restricciones respeto al coeficiente

La prueba de Wald trata de verificar la hiptesis de restriccin sobre los coeficientes

de las variables explicativas. Estas restricciones pueden ser lineales o no lineales, y
dos o ms restricciones pueden ser probadas a la vez. Se pueden escribir dentro del
cuadro de dialogo separadas por comas. Las restricciones estn expresadas como
ecuaciones implicando el coeficiente estimado y las constantes.
Los coeficientes sern c (1), c (2), y as sucesivamente

La hiptesis mas comn a ser probada ser c (2) = 0, lo cual indica que el valor del
parmetro es cero. Si se desea probar mas de una restriccin se tendrn que
indicar las restricciones separadas por una coma: c(2)=0,c(3)=0. la condicionante es
que al declarar las restricciones no debe haber espacio entre los elementos de las
mismas.

Si, por ejemplo, se trabaja con una funcin de produccin cobb-douglas y se desea
probar si existen rendimientos constante a escala, la condicin es que la suma de
los coeficientes debe ser igual a uno, por lo cual se tendr c(2)+c(3)=1

El resultado de la prueba de wald depende de la linealidad de las restricciones. Para

restricciones lineales el resultado es una estadstica F y una estadstica x 2. Con un
valor q asociado, donde q son los grados de libertad. Los grados de libertad (q) de
la prueba x2 se refieren al nmero de restricciones que se introducen. En el caso de
la prueba F, se trabaja con q grados de libertad para el numerador y n-k para el
denominador. Para restricciones no lineales slo aparecer el valor del esta
Variables omitidas

Esta prueba permite agregar a un conjunto de variables a una ecuacin existente y

preguntar, si el conjunto aporta contribucin significativa a la explicacin de la variable
dependiente. Se puede probar si alguna variable no contemplada de inicio en el modelo
puede ser susceptible de ser incluida en el modelo y aportar ms informacin acerca
del fenmeno econmico con el que se trabaja.

La prueba arroja un estadstico F y el logaritmo de mxima verosimilitud (LR) con

probabilidades a asociadas. El estadstico LR tiene una distribucin x 2 distribuida con
grados de libertad igual al nmero de variables agregadas. El estadstico F tiene grados
de libertad del numerador igual al nmero de regresores nuevos y para el denominador
igual al tamao de la muestra menos el nmero de parmetros en el nuevo modelo.

La prueba de variables omitidas requiere que exista el mismo nmero de

observaciones en las ecuaciones original y de prueba. Si en algunas de las series que
se quiere agregar faltan observaciones con respecto a la muestra de la ecuacin
original, las estadsticas de prueba no se pueden construir.

Al efectuar sta prueba, en la parte superior de la pantalla aparecern los estadsticos

de prueba y ms abajo, los resultados de la regresin econmetrica si la variable a
probar fuera incluida.

Las consecuencias de omitir unas variables en un modelo son:

1) Si la variable excluida est correlacionada con alguna variable incluida, los

parmetros son sesgados como tambin inconsistentes.
2) An cuando las variables explicativas no estn correlacionadas el intercepto es
sesgado, aunque el otro parmetro sea insesgado.
3) La varianza residual esta incorrectamente estimada.
4) La varianza del parmetro vinculado a la variable explicativa es un estimador
sesgado de la varianza del verdadero estimador (el calculado al introducir la variable
nueva).
5) En consecuencia, es posible que el intervalo de confianza usual y los
procedimientos de prueba
de hiptesis conduzcan a conclusiones equivocadas sobre la significancia estadstica
de los parmetros estimados.

Variables redundantes

Esta prueba permite probar si alguna variable en a ecuacin tiene coeficientes cero y,
de esta forma observar si puede ser eliminada de la ecuacin. La prueba es opuesta a
la de variables omitidas. Aqu se prueba si una variable es susceptible de eliminarse d
un modelo. Al efectuar la prueba, en la parte superior de la pantalla aparecer los
estadsticos de prueba y en a parte baja los resultados de una regresin econmetrica
al excluir alguna variable.

La prueba reporta un estadstico F y el logaritmo de mxima verosimilitud con una

distribucin x2 que tiene grados de libertad igual de variables eliminadas. El estadstico
F tiene grados de libertad del numerador igual al nmero de regresores eliminados y
para el denominador igual al tamao de la muestra menos el nmero de parmetros
en el nuevo modelo.

Las consecuencias al cometer ste error de especificacin son:

1) Los estimadores MCO de los parmetros del modelo incorrecto son insesgados y
consistentes.
2) La varianza residual esta correctamente estimada.
3) Los procedimientos usuales de intervalos de confianza y de prueba de hiptesis
continan siendo vlidos.
4) Las estimaciones de los estimados son ms grandes que aquellas de los del
modelo correcto.

Pruebas de residuales

Correlogramas y estadsticos Q.

Esta prueba calcula el correlograma de residuales y los estadsticos Q-Ljung-Box.

Son pruebas generales contra la correlacin serial o de cualquier orden. El estadstico
Q se distribuye como una x2 con grados de libertad igual al nmero de observaciones
menos el nmero estimado de coeficientes.

En esta prueba aparecen elementos como:

AC que indica el coeficiente de autocorrelacin
PAC que muestra el coeficiente de autocorrelcin parcial
Q-stat que muestra el estadstico Q-Ljung-Box
Prob que seala el valor de probabilidades de aceptar la hiptesis de que todos los
coeficientes de autocorrelacin son cero en ese punto.

Histograma y prueba de normalidad

Esta opcin genera un histograma de residuales y del estadstico Jarque-Bera para

probar su normalidad. El estadstico Jarque-Bera tiene una distribucin x 2 con dos
grados de libertad. Tambin aparecen diversos estadsticos como: la sesgadez, donde
la sesgadez de una distribucin simtrica como la distribucin normal es cero, la
curtosis muestra la elevacin de la campana, donde la curtosis de una distribucin
normal es 3.

Prueba LM de correlacin serial

Se construye sobre las bases del desarrollo Durban. Se realiza una regresin auxiliar
donde la variable dependiente es el residuo, conservndose las variables explicativas, y
sumndole como una nueva variable el residuo rezagado para observar si existe
relacin entre un residuo y el residuo rezagado.

El modelo a emplearse en la regresin auxiliar es:

UT= 0 + 1 .X1 + 2 .X2 + 3 Ut-1 + t

Se supone que 3 < 1; se distribuye de manera idntica e independiente.

U es un vector de informacin de perodos previos y anteriores.

Aqu la hiptesis nula es que no existe autocorrelacin y la prueba se realiza con

nR2, que tiene una distribucin x con grados de libertad igual al nmero de rezagos.
La prueba con R debido a ste coeficiente se vincula al ajuste de las varianzas de las
variables explicativas con la varianza de la variable dependiente.

El mtodo empleado por Eviews es la prueba de White en la que se computa una

regresin auxiliar de los residuos cuadrticos MCO sobre una constante y todas las
variables no redundantes en el conjunto consistente de regresores, sus cuadrados y
sus productos cruzados (si la prueba es la white con trminos cruzados).

Si el modelo inicial es:

Y = Y (X1,X2); Y = 0 + 1 X1 + 2 X2

Los modelos involucrados en el modelo y que estn asociados a los parmetros son:
[1 X1 X2 ]

Por lo que los regresores necesarios en la prueba son:

[ 1 X1 X2 X12 X 22 X 1 X2]

De esta manera:

U2 = 0 + 1 X1 +2 x12 +3 X1 X2 + 4 X2 +5 X22

Este conjunto contiene una constante, as la regresin auxiliar es U 2 sobre esos seis
regresores sobre la hiptesis de homoscedasticidad, n-R 2 es asintticamente
2
distribuida con x (q). Los grados de libertad (q) son el nmero de variables en la
regresin auxiliar (excluyendo al intercepto).

La hiptesis son:

Ho: Hay homoscedasticidad

Ha: Hay heteroscedasticidad
Si n. R2 < x2 se acepta la hiptesis nula

Para la prueba sin trminos cruzados se sigue la misma metodologa, slo que no se
incluye el producto de las variables explicativas.

Prueba LM ARCH

Esta prueba detecta la heteroscedasticidad condicional autorregresiva.

Tradicionalmente se est alerta a la posibilidad de perturbaciones heteroscedticas en
anlisis de seccin cruzada y perturbaciones autocorrelacionadas en estudios de
series de tiempo.

Se formula la nocin de que el pasado reciente puede dar informacin acerca de

perturbacin condicional de varianza, es decir, que la varianza esta condicionada por
el pasado. La perturbacin condicional de varianza es la varianza Ut, condicional sobre
la informacin disponible en el tiempo t-1.

El caso ms simple es cuando se genera un proceso ARCH (1), donde la varianza

slo esta condicionada por el dato anterior del residuo (se utiliza un rezago).

El reporte de la prueba es un estadstico f y con un estadstico x 2 cada una con un valor

relevante de probabilidad. Cada estadstico provee una prueba de la hiptesis de que el
cociente del cuadrado del residuo rezagado en cero. El estadistico x 2 tiene grados de
libertad iguales al nmero de residuos cuadrados rezagados. El estadstico F se
distribuye con k 1 grados de libertad para el numerador y n k para el denominador ya
que la hiptesis nula supone la no existencia de heteroscedasticidad condiciona
regresiva debido a que se asume que si el valor de los coeficientes en su conjunto es
igual a cero, no habr auto correlacin en la varianza.

Pruebas de estabilidad

Prueba de particin Chow

Para emplear la prueba chow es necesario hacer una particin en la muestra, es decir
en la segmentacin la muestra en dos o ms submuestras. Cada submuestra debe de
contener ms observaciones que el nmero de coeficientes en la ecuacin. El
propsito de dividir la muestra, es probar si los coeficientes son los mismos en todas
las submuestra. Para efectuar la prueba, la ecuacin revisada es calculada de forma
separada para cada submuestra. Si el ajuste es mejor despus de dividirla en dos
submuestras, es seal de inestabilidad el reporte obtenido es un estadstico F y un
estadstico LR con probabilidades asociados. El estadstico F tiene grados de libertad
para el numerador igual al nmero de elementos contenidos en la submuestra 2 (n 2) y
grados de libertad para el denominador igual al numero de elementos contenidos en la
submuestra 1 menos el numero de restricciones (usualmente se trabaja) una
restriccin.
Prueba de pronostico Chow

La ecuacin es estimada con varias observaciones y luego es empleada para predecir

los valores de la variable dependiente en las observaciones restantes. La prueba ve los
tamaos de errores de previsin, errores grandes son seal de inestabilidad en la
ecuacin.

En el cuadro de dialogo se debe especificar la fecha de inicio del pronostico. Al declarar

la fecha de inicio del pronostico, el resultado ser utilizado para calcular el vector de
errores de prediccin para las ultimas observaciones de la muestra, es decir har la
prediccin con los datos a partir de que se declaro el inicio del pronostico hasta el final
de la muestra. El resultado de la prueba son estadsticos F y LR con valores
probabilsticas asociados.

Prueba Ramsey reset

La prueba argumenta la regresin original sumando un nmero de potencias de valores

calculados en la regresin original, es decir se incluye como variables explicativas
potencias del valor estimado de la variable dependiente para observar si existen
errores de especificacin en la regresin. Si las regresiones extras no tienen
coeficiente cero, esto ser evidencia de un error de especificacin

En el cuadro de dilogos que aparece se debe declarar el nmero de variables

estimadas que han de ser agregadas en la ecuacin. El reporte de la prueba consiste
en las estadsticas F y LR para probar la hiptesis de que los coeficientes sobre el
pronstico son todo cero. La prueba F se distribuye con grados de libertad para el
numerador igual al nmero de regresores nuevos y con grados de libertad para el
denominador igual al tamao de la muestra menos el nmero de parmetros total en el
nuevo modelo. Es estadstico LR se basa en un estadstico x 2 (q), donde los grados de
libertad (q) se definen por el nmero de regresores nuevo, declarado al inicio de la
prueba.

Estimaciones recursivas.

Hay seis grficos disponibles para la seleccin de mnimos cuadrados recursivos. Estos
grficos solo estn disponibles para estimaciones MCO, esto es que los trminos AR y
MA no aplican.

En mnimos cuadrados recursivos la ecuacin es estimada de manera repetida,

empleando submuestras grandes de datos. El primer paso de pronostico del error es
llamado residual recursivo.
Si el modelo es valido, los residuales recursivos sern independientes y normalmente
distribuidos con media cero y varianza constante. Esto facilita las pruebas de
correlacin y heteroscedasticidad, pero una de las aplicaciones mas importantes de los
residuos restantes es probar el posible cambio estructural en el modelo.

De hecho esta eleccin despliega una grafica de los residuos recursivos respecto a la
lnea cero. Residuos fuera de las bandas de errores tpicos sugieren inestabilidad en los
parmetros de la ecuacin.

Prueba CUSUM

Se basa en la suma acumulativa de los residuos. En el grafico se ubican la suma

acumulativa contra el tiempo. La prueba encuentra parmetros de inestabilidad, si la
suma acumulativa va fuera del rea entre las dos lneas criticas aqu pueden cambios a
trabes del tiempo.

Prueba CUSUM de cuadros

Indica la suma acumulativa de los residuos restantes cuadrados. El grafico muestra la

suma acumulativa de residuos cuadrados junto con las dos lneas crticas. Si la suma
acumulativa va fuera de la regin entre las dos lneas la prueba encuentra parmetros
de inestabilidad.

Primer paso de la prueba de previsin

Esta seleccin produce un grafico de los residuos recursivos y los errores Standard, as
como los valores de probabilidad para esos puntos de ka muestra. El grafico es til
para detectar aquellos perodos en los cuales la ecuacin es menos exitosa.

Prueba de pronsticos de N pasos.

Esta seleccin implica una secuencia de prueba de pronsticos de chow. Calcula todos
los casos factibles, empezando con la muestra pasiblemente ms pequea para
estimar el pronstico de la ecuacin y luego aadir una observacin al mismo tiempo.
El grafico de la prueba muestra los residuos recursivos en la parte superior y las
probabilidades significativas en la parte inferior.

Coeficientes recursivos estimados.

El grafico producido habilita el trazo de la evolucin de cualquier coeficiente as como la

muestra de los datos a ser utilizados en la estimacin. Tambin muestra dos bandas
tpicas de errores acerca de los coeficientes estimados. Si el coeficiente despliega
variaciones significativas como ms datos aadidos a la ecuacin estimada, indica
inestabilidad. Si el grafico muestra dramticos saltos, ello es un indicativo de la
ocurrencia de un cambio estructural del coeficiente.
SISTEMAS

Un sistema es un conjunto de ecuaciones a ser estimadas simultneamente utilizando

tcnicas estadsticas. Para emplear estos mtodos primeramente debe crearse un
objeto llamado sistema y posteriormente seleccionar y ejecutar el procedimiento de
estimulacin

Para crear el sistema, en primer lugar, sobre la barra principal de herramientas se debe
de dar click, en objects, apareciendo un cuadro de dialogo en el cual debe especificarse
la forma con la cual se debe trabajar en Eviews. Al aparecer el cuadro de dialogo hay
que elegir la opcin system, tal y como se aprecia a continuacin
Una vez que se ha elegido la opcin, aparecer la siguiente pantalla:

En la pantalla pueden declararse pueden declararse la identidad y las ecuaciones de

comportamiento. Las identidades deben de estar completas pero no sern incluidas en
el sistema, las ecuaciones deben incluir a los elementos pertinentes de cada una de
ellas, Incluyendo al intercepto. Al declarar las ecuaciones es necesario considerar
los coeficientes de cada una. Se deben declarar los coeficientes tal y como se muestra
en el siguiente ejemplo.
Como puede observarse, se han declarado las ecuaciones de comportamiento, sin
repetir el nmero del coeficiente debido a que cada coeficiente tiene un significado
diferente en trminos econmicos.

Una vez que se han establecido las ecuaciones de comportamiento, se elige la opcin
procs/estimate, apareciendo un nuevo cuadro de dilogo, en el cual es necesario
declarar el mtodo de estimacin que se desea. Una vez que se ha elegido el mtodo
de estimacin se debe dar OK, estimndose los coeficientes del sistema. El cuadro de
dilogo referido es:

Los mtodos de estimacin ofrecidos por Eviews son:

1) Mnimos cuadradazos ordinarios. Este mtodo proporciona las estimaciones de

mnimos cuadrados ordinarios ecuacin por ecuacin. El resultado es idntico a
los resultados obtenidos por regresin mltiple uniecuacional, incluyendo la
matriz de covarianza de los resultados.
2) Mnimos cuadrados ponderados. Este mtodo minimiza la suma ponderada de
sumas de residuales al cuadrado para cada ecuacin en el sistema. Es una
regresin multivariante con una diagonal prescrita en la matriz de residuos.
3) Regresin aparentemente no relacionada. Este mtodo es tambin conocido
como el mtodo de Zellners o regresin multivariada.
4) Mnimos cuadrados en dos etapas. Aplica dos ecuaciones de mtodos mnimos
cuadrados por ecuacin. El resultado incluye la matriz de covarianza de los
residuales.
5) Mnimos cuadrados ponderados en dos etapas. Minimiza la suma ponderada de
las sumas de cuadrados de los residuales en la segunda etapa para una
ecuacin del sistema. Esto es, mnimos cuadrados en tres etapas con una
diagonal prescrita en la matriz de los residuales. Esta opcin es la misma que la
 de dos etapas a menos que el sistema contenga restricciones de la ecuacin
contrarias.
6) Mnimos cuadrados en tres etapas. Este mtodo ofrece resultados
asintticamente eficientes cuando las ecuaciones son simultneas, esto es, que
contengan variables endgenas del lado derecho de la ecuacin. Para modelos
que son lineales en sus parmetros y variables la repeticin de converger
asintticamente equivale a toda la informacin de la mxima probabilidad.

Al elegir la opcin de mnimos cuadrados ordinarios, aparecern los resultados de la

regresin, donde en primer lugar podrn observarse los valores de los coeficientes, sus
desviaciones estndar y los valores t estadsticos, con los cuales pueden realizarse las
pruebas estadsticas de significancia. En la parte baja de la pantalla se pondrn
apreciar los resultados de la regresin para cada ecuacin de comportamiento. Tales
resultados incluyen al coeficiente de determinacin, el estadstico Durban y la suma de
residuos cuadrados.

Con los resultados de la regresin puede hacerse una evaluacin estadstica del
modelo para validarlo o invalidarlo, tal y como se hace con un modelo de regresin
mltiple.

APLICACIONES

Supngase que se corre una regresin sobre un modelo de consumo de Duesenberry

con datos de la economa espaola para el perodo.

Este modelo est definido por la ecuacin:

(CT/Yt) = 0 + 1 (Lt/Nt)

Aqu, para la razn CT/Yt se emplea la variable co, y para la razn L t/Nt se emplea la
variable PN.

Al capturar la informacin pertinente y correr el modelo se obtuvo lo siguiente:

La constante indica un intercepto positivo, mostrando el punto donde surge la recta de
regresin, siendo ste, econmicamente significativo.

El valor de 1 indica que por cada unidad que se incremente la razn PEA/empleo, la
razn consumo/ingreso aumentar en 0.195249 unidades.

La ecuacin de regresin es:

(CT/Yt) = 0.695713 + 0.195249 (Lt/Nt )

R2 denota que la varianza de la razn PEA/empleo explica en un 47.8417% a la

varianza de la razn consumo/ingreso, es decir, que la variacin de los datos de la
razn PEA/empleo explica en el valor de R 2 a la variacin de la razn consumo/ingreso.

R2 muestra que no existe un buen ajuste de los ratos de la razn PEA/empleo a los de
la razn consumo/ingreso, considerando los grados de libertad, don de la variacin de
la razn PEA/ empleo, explica en un 46.0432% a la variacin de la razn
consumo/ingreso.

El coeficiente de correlacin denota que el comportamiento de la razn PEA/empleo

explica en un 69.1677% al comportamiento de la razn consumo/ingreso, evidenciando
una alta correlacin entre ambos variables.

De las pruebas de significanca de los parmetros se obtuvo lo siguiente:

1.- Que el valor u resulta estadsticamente significativo para explicar el comportamiento

de la regresin ya que se rechaza la hiptesis de que el valor real del parmetro sea
cero, siendo el valor calculado (17.20064) de la T-student, mayoral al de tablas (2.045),
esto se hace al 5% nivel de significancia con 29 grados de libertad.

2.- Que el valor 1 es estadsticamente significativo para explicar la regresin, es decir,

que la razn PEA/empleo es una variable significativa para explicar al comportamiento
de la razn consumo/ingreso. Ello se debe a que se rechazo la hiptesis nula de que el
valor real de 1 sea cero, ya que el valor calculado (5.157518) de la t-student es mayor
que el de tablas (2.045).

De la prueba de significancia conjunta (f) se tiene que se rechaza la hiptesis de que 1

= 0, con lo cual no hay evidencia de que el parmetro no sea significativo, al menos,
estadsticamente al 5% del nivel de significancia con 1 grado de libertad para el
numerador (k-1) y 29 grados de libertad para el denominador (n-k), esto se debe a que
el valor calculado (26.59999) de la F fue mayor que el de tablas (4.18).

Dado que la t y la F resultan significativas y no hay discordancia entre ambas, en

apariencia no hay seales de multicolinealidad, aunado a ello, la R 2 baja y la F no
podra implicar tal rompimiento a uno de los supuestos del modelo de regresin, pero al
mismo tiempo se tiene que el valor de la t no es tan alto por lo que la razn PEA/
empleo si pude explicar al comportamiento de la razn consumo/ingreso, adems de
que el error estndar de 1 es bajo y por tal motivo, el valor poblacional del coeficiente
puede estimarse de forma precisa. Por tales motivos, puede concluirse que no hay
presencia de multicolinealidad.

El valor de la Durban-Watson (1.244457) muestra la existencia de autocorrelacin serial

positiva de primer orden, ya que al ser comparado con los valores de tablas (dl = 1.363,
du=1.496, 4-du= 2.504), se tiene que como d < dl se rechaza la hiptesis de que no
existe autocorrelacin serial positiva de primer orden. El correlograma de residuos
sugiere la existencia de correlacin serial dados los comportamientos que pueden
observarse en la grfica.

La prueba LM de autocorrelacin serial indica la presencia de autocorrelacin ya que el

valor nR2 (4.371794) > x2 (3.841), es decir que al 5% de nivel de significancia con un
grado de libertad (nmero de rezagos), se rechaza la hiptesis nula de ausencia de
correlacin serial de primer orden.
Ante la presencia de correlacin serial se tiene que:

1) Los pronsticos y estimados basados en ella son insesgados y consistentes.

2) Los estimadores MCO no son MELI y, por tanto, son ineficientes al igual que los
pronsticos.
3) La varianzas estimadas de los coeficientes de regresin son sesgadas y la
pruebas de hiptesis son invalidas. Si la correlacin serial es positiva (como en
ste caso), y la variable independiente crece en el tiempo, entonces los errores
estndar son subestimados de los valores reales. Esto implica que la R 2 es un
sobreestimado, indicando un mejor ajuste que el que existe realmente y las t
tienden a ser ms significativas de lo que son en realidad.

La prueba ARCH denota la ausencia de heteroscedasticidad condicional autoregresiva,

dado que nR2 (0.046433) < x 2 (5.991), aceptndose la hiptesis nula de que no
existe heteroscedasticidad condicional auoregresiva.
La prueba de White denota la ausencia de heteroscedasticidad dado que nR 2
(0.536703) es menor que x 2 (5.991), con lo cual se acepta la hiptesis de la existencia
de homoscedasticidad, concluyendo que al 5% de nivel de significancia con 2 grados de
libertad (k-1), la varianza de los TPE es idntica entre ellos.
Pruebas de estabilidad y cambio estructural.

Como puede observarse en la grfica de residuos recursivos, no hay puntos fuera de

las bandas de errores tpicos sugiriendo que no hay inestabilidad en los parmetros de
la ecuacin.
La prueba CUSUM no denota parmetros significativos de inestabilidad ya que la suma
acumulativa no va fuera de las dos lneas crticas, pero si se observa que entre 1966 y
1975 se dio algn cambio estructural en la composicin del consumo.
La prueba CUSUMQ demuestra inestabilidad en los parmetros entre 1968 y 1970.
La prueba One-Step indica que el ao donde la ecuacin es menos exitosa es 1967,
ya que la probabilidad de xito para ese ao est entre 5 y 10%.

La prueba N-Step seala los casos factibles para estimar el pronstico indicado que
ste modelo es factible para el pronstico ya que no hay puntos fuera de las bandas.
N Setop Probability -----------------Recursive Residuals
Los coeficientes recursivos estimados indican lo siguiente:
1) Se muestran pequeos cambios para 0 en todo el perodo, con tendencias
ascendentes entre 1977-1984.
2) 1 muestra una cada a partir de 1977, con una relativa estabilidad ascendente
entre 1971-1977.
Al efectuar la correccin del modelo, se encontr que el modelo es un Ar (1), donde se
obtienen estimadores eficientes, concluyndose lo siguiente.

La constante indica un intercepto positivo, mostrando el punto donde surge la recta de

regresin, siendo ste, econmicamente significativo.

El valor de 1 indica que por cada unidad que se incremente la razn PEA/empleo, la
razn consumo/ingreso aumentar en 0.186240 unidades.

La ecuacin de regresin se denota como:

(Ct/Yt) = 0+1 (Lt/Nt) Ar(1)

(Ct/Yt) = 0.705069 + 0.186240 (Lt/Nt) Ar (1)

R2 denota que la varianza de la razn PEA/empleo explica en un 55. 2307% a la

varianza de la razn consumo /ingreso, es decir, que la variacin de los datos de la
razn PEA/empleo explica en el valor de R 2 a la variacin de la razn consumo/ingreso.
R2 muestra que no existe un buen ajuste de los datos de la razn PEA/empleo a los de
la razn consumo/ingreso, considerando los grados de libertad, donde la variacin de la
razn PEA/empleo, explica en un 51.9145% a la variacin de la razn consumo/ingreso.

El coeficiente de correlacin denota que el comportamiento de la razn PEA/empleo

explica en un 74.3174% al comportamiento de la razn consumo/ingreso, evidenciando
una alta correlacin entre ambas variables.

De las pruebas de significanca de los parmetros se obtuvo lo siguiente:

1) Que el valor de la 0 resulta estadsticamente significativo para explicar al

comportamiento de la regresin ya que se rechaza la hiptesis de que el valor
real del parmetro sea cero, siendo el valor calculado (12.4419) de la t-student,
mayor al de tablas (2.048), esto se hace al 5% de nivel de significancia con 28
grados de libertad.
2) Que el valor de 1 es estadsticamente significativo para explicar a la regresin,
es decir, que la razn PEA/empleo es una variable significativa para explicar al
comportamiento de la razn consumo/ingreso. Ello se debe a que se rechaz la
hiptesis nula de que el valor real de 1 sea cero, ya que el valor calculado
(3.525044) de la t-student es mayor que el de tablas (2.048).

De la prueba de significancia conjunta (F) se tiene que se rechaza la hiptesis de que

1 = 0, con lo cual no hay evidencia de que el parmetro no sea significativo, al menos,
estadsticamente al 5% de nivel de significancia con 1 grado de libertad para el
numerados (k-1) y 28 grados de libertad para el denominador (n-k), esto se debe a que
el valor calculado (16.65463) de la F fue mayor que el de tablas (4.20).

El valor de la Durban Watson (1.747601) muestra la ausencia de autocorrelacin serial

positiva de primer orden, ya que al ser comparado con los valores de tablas (dl = 1.352,
du = 1.489,4-dl = 2.648,4-du = 2.511), se tiene que como du < d < 4-du se acepta la
hiptesis de que no existe autocorrelacin serial positiva de primer orden.

La prueba LM de autocorrelacin serial indica la ausencia de autocorrelacin ya que

el valor nR2 (2.284112) < x2 (3.841), es decir que al 5% de nivel de significancia, con 1
grado de libertad (nmero de rezagos), se acepta la hiptesis nula de ausencia de
correlacin serial de primer orden.
La prueba de ARCH denota la ausencia de heteroscedasticidad condicional
autoregresiva, dado que nR2 (0.029862) < x2 (5.991), aceptndose la hiptesis nula de
que no existe heteroscedasticidad condicional autoregresiva.
Prueba de White denota la ausencia de heteroscedasticidad dado que nR 2 (0.789527)
es menor que x2 (5.991), con lo cual se acepta la hiptesis de la existencia de
homoscedasticidad, concluyendo que al 5% de nivel de significancia con 2 grados de
libertad (k-1), la varianza de los TPE es idntica entre ellos.