Econometria

2015
UNIVERSIDAD CATÓLICA DE
SANTIAGO DE GUAYAQUIL
FACULTAD DE CIENCIAS ECONÓMICAS Y

ADMINISTRATIVAS
CARRERA DE ECONOMÍA
CÁTEDRA: ECONOMETRÍA
TRABAJO TUTORIAL DEL SEGUNDO PARCIAL
TEMA: “ANALISIS ECONOMETRICO DE LOS FACTORES QUE
INFLUYEN EN LA PRODUCCION DEL BANANO EN EL
ECUADOR DEL PERIODO 1980 – 2011”
INTEGRANTES:
TORRES HAROLD
NOBLECILLA GUSTAVO
PARADA ANIBAL
DOCENTE: Mgs. María del Carmen Lapo
5to CICLO
SEMESTRE B 2015
TABLA DE CONTENIDO
1. TEMA: “ANALISIS ECONOMETRICO DE LOS FACTORES QUE INFLUYEN EN LA

PRODUCCION DE BANANO EN EL ECUADOR DEL PERIODO 1980 – 2011” ...............................3
2. RESUMEN ....................................................................................................................4
3. JUSTIFICACIÓN .............................................................................................................5
4. OBJETIVOS ...................................................................................................................6
4.1. OBJETIVO GENERAL...............................................................................................6
4.2. OBJETIVOS ESPECIFICOS ........................................................................................6
5. METODOLOGÍA ............................................................................................................7
5.1. MULTICOLINEALIDAD ............................................................................................7
5.1.1. NATURALEZA ......................................................................................................... 8
5.1.2. CONSECUENCIAS PRÁCTICAS ................................................................................ 9
5.1.3. DETECCION .......................................................................................................... 12
5.1.4. REMEDIOS ........................................................................................................... 14
5.2. HETEROSCEDASTICIDAD ...................................................................................... 15
5.2.1. NATURALEZA ....................................................................................................... 16
5.2.2. CONSECUENCIAS PRÁCTICAS .............................................................................. 17
5.2.3. DETECCION .......................................................................................................... 17
5.2.4. REMEDIOS ........................................................................................................... 23
5.3. AUTOCORRELACION ............................................................................................ 24
5.3.1. NATURALEZA ....................................................................................................... 25
5.3.2. CONSECUENCIAS PRÁCTICAS .............................................................................. 26
5.3.3. DETECCION .......................................................................................................... 26
5.3.4. REMEDIOS ........................................................................................................... 32
6. MARCO TEÓRICO........................................................................................................ 33
6.1. LA PRODUCCION DE BANANO EN EL ECUADOR .......................................................... 37
6.2. ESPECIFICACION DE UN MODELO ECONOMÉTRICO ................................................... 39
7. ESTIMACION Y VALIDACION ....................................................................................... 40
8. CONCLUSIONES Y RECOMENDACIONES ....................................................................... 51
9. BIBLIOGRAFÍA ............................................................................................................ 53
9.1. FUENTES CONSULTADAS ............................................................................................. 55
10. ANEXOS.................................................................................................................. 56
1. TEMA: “ANALISIS ECONOMETRICO DE LOS FACTORES QUE
INFLUYEN EN LA PRODUCCION DE BANANO EN EL ECUADOR DEL
PERIODO 1980 – 2011”
Torres Criollo Harold Andrés

Facultad de Ciencias Económicas y Administrativas, Universidad Católica Santiago de
Guayaquil
Guayaquil, Ecuador
Harold.torres@cu.ucsg.edu.ec
Parada Merchán Aníbal David

Guayaquil
Guayaquil, Ecuador
david.paradamerch@cu.ucsg.edu.ec
Noblecilla Varela Jaime Gustavo

Guayaquil
Guayaquil, Ecuador
Jaime.noblecilla@cu.ucsg.edu.ec
2. RESUMEN
En el presente trabajo de investigación, se muestra los factores productivos
determinantes para la producción de banano en el Ecuador, un sector económico y agrícola de
vital importancia para la economía ecuatoriana, sobre todo porque Ecuador es uno de los
mayores productores y exportador de banano en todo el mundo, obviamente con su
competidor directo que es Costa Rica. Es por esto que, que a través de los diferentes sistemas
econométricos aplicables en clase, se podrá visualizar la importancia de la producción, la tierra
fértil del banano y la maquinaria agrícola utilizada para su cultivo y producción. Estos tres
elementos son los esenciales para la economía ecuatoriana y sobre todo para este sector
bananero, pilar fundamental de nuestra balanza de pagos y economía interna.
ABSTRACT
In this research, determining inputs for banana production in Ecuador, an economic
and agricultural sector of vital importance for the Ecuadorian economy is shown,
especially since Ecuador is one of the largest producer and exporter of bananas
everyone, obviously with its direct competitor that is Costa Rica. That is why, that
through different econometric systems applicable in class, you can see the importance
of production, the fertile land of bananas and agricultural machinery used for cultivation
and production. These three elements are essential for the Ecuadorian economy and
especially for the banana sector, a cornerstone of our balance of payments and
domestic economy.
3. JUSTIFICACIÓN
Las teorías económicas y bases teóricas son una de las herramientas indispensables
para poder realizar el respectivo análisis, estudio, selección de variables y futuras
proyecciones sobre el tema de investigación propiamente elegido. Puesto que el pilar
fundamental del tema de estudio tiene como base la producción, es evidente que se
recurre a la base teoría microeconómica de la teoría de la producción. Esta rama de la
economía como es considerada, tiene su fundamentación y supuestos de que trata de
aprovechar al máximo los factores productivos, los mismos que son considerados
fuentes de recursos escasos y que a su vez contribuyen al momento de fijar el valor del
producto.
Es por eso que la empresa será la encargada de decidir cuánto va a producir en base
a la optimización y uso eficiente de sus factores productivos como lo son la mano de
obra, los insumos requeridos para la producción del bien y el capital. Otro de los
supuestos que tiene esta teoría económica es la decisión de los precios en el mercado,
que a su vez dicha teoría nos enseña que no siempre se verá maximizada
constantemente los beneficios, puesto que al momento de realizar inversiones de capital
es limitado en la explicación de esta conducta. Esta teoría también muestra y explica el
crecimiento y la evolución de la empresa o la industria la cual servirá de ayuda para este
modelo de estudio. Sin duda el banano es una de las frutas de vital importancia para la
economía de nuestro país, el cual está en función de los siguientes factores productivos:
 Mano de Obra
 Capital (Maquinarias agrícolas)
 El Terreno
4. OBJETIVOS
4.1. OBJETIVO GENERAL
 Establecer un Modelo Econométrico, el cual servirá para la medición del
impacto de una Política Económica en los factores que incurren en la producción
de banano en el Ecuador periodo 1980 – 2011
4.2. OBJETIVOS ESPECIFICOS
 Hacer una revisión minuciosa de la teoría económica de los factores productivos
del banano.
 Desarrollar Modelos Econométricos adecuados sobre los factores que influyen
en la producción.
 Evaluar y desarrollar cada uno de los modelos y pruebas econométricas
aprendidas en clase.
 Realizar un análisis de cada uno de los modelos y pruebas econométricas para
así descartar la que no es válida para el estudio y tema de investigación.
 Identificar si ha existido una eficiente utilización de los recursos, en este caso el
banano, por parte de los grandes y pequeños productores.
 Hacer un análisis factible de regresión con el propósito de medir el grado de
correlación y determinación entre las variables que han sido seleccionadas para
el tema de investigación.
 Determinar si el modelo econométrico, consta con enfermedades econométricas.
 Encontrar las curas que se hallen en el modelo econométrico.
 Brindar recomendaciones a nivel público sobre el manejo de los recursos y
factores productivos determinantes en el sector Bananero.

5. METODOLOGÍA
Los datos que se establecen en la tabla de la producción de banano se
construyeron con datos obtenidos de una fuente muy confiable como es la FAOSTAT.
En esta parte de la sección estamos dispuestos a dedicarnos a un análisis de las
diferentes pruebas econométricas y a su vez validar el modelo econométrico que se
ajuste lo más posible a la realidad de la investigación.
Para el desarrollo de este trabajo se utilizará métodos cuantitativos de tipo
descriptivo correlacional como lo son todas las pruebas aprendidas para detectar
enfermedades como “MULTICOLINEALIDAD – HETEROSCEDASTICIDAD –
AUTOCORRELACION” así mismo saber cuáles son los remedios para corregirlas.
Para esto se explicara a continuación cómo funcionan y de que se trata cada una de ellas
5.1. MULTICOLINEALIDAD
 ANTECEDENTES HISTÓRICOS DE LA MULTICOLINEALIDAD
(Frischque, 1934, pg. 5): “La multicolinealidad se refiere a la existencia de más
de una relación lineal exacta, y colinealidad, a la existencia de una sola relación lineal.
Pero esta distinción pocas veces se mantiene en la práctica, y se hace entonces
referencia a multicolinealidad en ambos casos”.
 EXPLICACIÓN ECONOMÉTRICA
Es la enfermedad presentada por la alta correlación entre las variables
independientes y explica que mientras más alto sea R y más cercano sea a 1 mayores
posibilidades hay que sufra de esta enfermedad (entonces si las variables están muy
correlacionadas y al momento de tener los estimadores no se sabrá los aportes que
tengan cada uno es decir el aporte neto ya que recibiría la influencia de las otras
variables y por lo tanto los resultados que arrojen no serán del todo seguros). Se da en
series de tiempo y muy poco en corte transversal.
Y = f(X2, X3, X4)
X2 = f (X3)
X3 = f (X4)
X2 = f (X4)
(Kennedy, 1992, pg. 177): “la estimación de problemas lo bastante importantes
para justificar su tratamiento [por ejemplo, la multicolinealidad] como una violación del
modelo CRL [clásico de regresión lineal]”. Referente al problema que enfrenta un
investigador cuando se encuentra esta enfermedad en su modelo.
Para poder analizar los resultados obtenidos se plantearan las siguientes preguntas:
1.- ¿Cuál es su Naturaleza?
2.- ¿Cuáles son las consecuencias Prácticas
3.- ¿Cómo se detecta?
4.- ¿Cómo se remedia?
5.1.1. NATURALEZA
La multicolinealidad se clasifica en dos:
 Perfecta: Cuando la relación de 2 o más es igual a 1
Y = f(X2, X3) -----> esto en la vida real no existe

 Imperfecta: Donde las XC entre ellas tengan una alta correlación y habrá de 3
niveles. baja, media y alta/severa/grave.
Entre las razones que llevan a un modelo a sufrir de multicolinealidad están:
 Mala servicios de variables (se duplican esfuerzos y se reduce grados de
libertad).
 Muestra pequeña (Si n es pequeña entonces r tiende a sobredimensionarse).
(Goldberger, op. cit.1992, pp. 248-250): “En una parodia de las consecuencias
de multicolinealidad y de manera informal hay consecuencias exactamente
iguales del análisis basado en muestras pequeñas, es decir, de la
micronumerosidad”
 Teoría Económica.
(Montgomery, Peck, 1982, pg. 289-290): “El método de recolección de información (la
obtención de muestras en un intervalo limitado de valores tomados por las regresoras en
la población). Restricciones en el modelo o en la población objeto de muestreo.
Especificación del modelo (adición de términos polinomiales a un modelo de regresión,
en especial cuando el rango de la variable X es pequeño). Un modelo sobredeterminado
(el modelo tiene más variables explicativas que el número de observaciones)
5.1.2. CONSECUENCIAS PRÁCTICAS
Entre las consecuencias prácticas se deben de tomar en cuenta una serie de pasos como:
1.- Al estimar el modelo hay que considerar si los signos de las pendientes salen
contradictorios a la teoría económica (todos o cada uno de ellos).
2.- Los errores estándar de cada uno de los estimadores en X; si estos errores son
superiores a sus estimadores.

Ŷt = 𝛽̂ 1 + 𝛽̂ 2 X2 +𝛽̂ 3 X3
ℯℯ ℯℯ2 ℯℯ3
3.- Los “t, z, f “significativos de cada uno de los estimadores salen NO significativos
(todos o cada uno)
Se debe de considerar que en la probabilidad:
 Si es > 0.05 no es
 Si es < 0.05 si es
4.- Los estimadores se harán más grandes de lo normal (de Ŷ o βi).
5.- Al correr la matriz de correlaciones simples o de orden cero cuando resulten muy
altas
r ≥ 0.7 en X ---> X2/ X3, X4, / X2 X4
Se debe de considerar que:
 Si hay más de dos variables independientes s debe de calcular correlaciones
parciales.
r 23.1 Y
X2 X3
6.- Regresiones Auxiliares en donde se trabajará con el R2 ajustado
R2 Y = f(X2, X3)
X2 = f (X3) R2
Y este R2 servirá para calcular “VIF “FACTORES DE INFLACION DE LA
VARIANZA”.
(Judge, Hill, Griffiths, Lütkepohl y Tsoung-Chao Lee 1982, pg. 621) cometan
acerca de las regresiones auxiliares: “Si la multicolinealidad comprende sólo unas
cuantas variables, de forma que las regresiones auxiliares no sufran de multicolinealidad
extensa, los coeficientes estimados pueden revelar la naturaleza de la dependencia lineal
entre las regresoras. Por desgracia, si existen diversas asociaciones lineales complejas,
este ejercicio de ajuste de curva puede no tener gran valor, pues será difícil identificar
las interrelaciones separadas”
7.- R2 de todo el modelo ≥ 0.9
R2 Y = f(X2, X3)
* REGLA DE ORO: Si R2 de todo el modelo ≥ 0.9 y los estimadores (al menos uno)
sale NO significativo entonces hay multicolinealidad; pero si R2 de todo el modelo ≥
0.9 y los estimadores salen significativos no hay multicolineadad severa.
(Ibid, op. cit. 1982 pg. 439): “Aunque este diagnóstico es razonable, su
desventaja es que “es demasiado fuerte, en el sentido de que la multicolinealidad se
considera dañina únicamente cuando no se puede separar la totalidad de las influencias
de las variables explicativas sobre Y”
(Achen, 1982, pg. 82-83): “Los novatos en el estudio de la metodología en
ocasiones se preocupan porque sus variables independientes estén correlacionadas: el
llamado problema de multicolinealidad. Sin embargo, la multicolinealidad no viola los
supuestos básicos de la regresión. Se presentarán estimaciones consistentes e insesgadas
y sus errores estándar se estimarán en la forma correcta. El único efecto de la
multicolinealidad tiene que ver con la dificultad de obtener los coeficientes estimados
con errores estándar pequeños. Sin embargo, se presenta el mismo problema al contar
con un número reducido de observaciones o al tener variables independientes con

varianzas pequeñas. (De hecho, en el nivel teórico, los conceptos de multicolinealidad,
número reducido de observaciones y varianzas pequeñas en las variables independientes
forman parte esencial del mismo problema.) Por tanto, la pregunta “¿qué debe hacerse
entonces con la multicolinealidad?” es similar a “¿qué debe hacerse si no se tienen
muchas observaciones?” Al respecto no hay una respuesta estadística”
5.1.3. DETECCION
A través de la prueba de Coeficientes de Correlación Parcial.
(Kmenta, 1986, p. 431): “La multicolinealidad es una cuestión de grado y no de
clase (la distinción importante no es entre presencia o ausencia de multicolinealidad,
sino entre sus diferentes grados). Como la multicolinealidad se refiere a la condición de
las variables explicativas que son no estocásticas por supuestos, es una característica de
la muestra y no de la población). Por consiguiente, no es necesario “llevar a cabo
pruebas sobre multicolinealidad”, pero, si se desea, es posible medir su grado en
cualquier muestra determinada.
5.1.3.1. Coeficientes de Correlación Parcial
También conocido como Netas.
(Wichers, 1975, pp. 365-366): “Mostró que la prueba de correlación parcial es
ineficaz en el sentido de que una determinada correlación parcial puede ser compatible
con diferentes patrones de multicolinealidad”
Se siguen los siguientes pasos:
1.- Sacar matriz de correlación múltiple y estimar el modelo a través de la Regresión (en
donde se toma en cuenta el valor de r)

2.- Se buscará r12.3 r13.2 y r23.1 en donde determinarán las correlaciones parciales a través
de las siguientes formulas:
r12−r13∗r23
r12.3 =
√(1− 𝑟 2 13)(1− 𝑟 2 23)
r13−r12∗r23
r13.2. =
√(1− 𝑟 2 12)(1− 𝑟 2 23)
r23−r12∗r13
r23.1 =
√(1− 𝑟 2 12)(1− 𝑟 2 13)
 r12.3 es la relación de Y con X2 aislando el efecto de la variable X3, r13.2 la
relación de Y con X3 aislado el efecto de X2 y r23.1 la relación de X2 con X3
aislando el efecto de la Y.
 El resultado de 23.1es importante porque correlaciona las variables
independientes se considera si es bajo no hay indicios de multicolinealidad pero
si es alto si sufrirá el modelo de la enfermedad.
3.- Se sacara FIV a través de la siguiente fórmula:
1
(1 − 𝑟 2 23)
 Si es > a 1 entonces hay multicolineadad.
 Si es < a 1 entonces no hay multicolineadad

4.- Se estimara nuevamente el modelo y se verá en cuanto a las probabilidades si acaso
los estimadores son significativos o si no; en caso que uno de ellos salga No
significativa por ser > 0.05 entonces habrá multicolinealidad.
5.1.4. REMEDIOS
(Blanchard, 1998, pg. 190): “Cuando los estudiantes efectúan por primera vez la
regresión de mínimos cuadrados ordinarios (MCO), el primer problema que suelen
afrontar es el de la multicolinealidad. Muchos concluyen que hay algo malo con los
MCO; otros recurren a nuevas y con frecuencia creativas técnicas a fi n de darle la
vuelta al problema. Pero eso está mal. La multicolinealidad es la voluntad de Dios, no
un problema con los MCO ni con la técnica estadística en general.”
Se puede remediar con las siguientes medidas:
1.- Aumentar n: para esto debe verse características de datos y del tiempo los cuales se
analizan mediante el gráfico.
2.- Eliminar variables: se eliminará dependiendo del objetivo de la investigación y de la
teoría que debe indicar que variable puedo eliminar del modelo.
Y= β 1 + β 2 X2t + β 3 X3t + µt
3.- Información A Priori: Se dividirá los datos de ambas variables para saber cuánto
representa y entonces sacare un promedio con el cual trabajare en base a una tasa x que
sea la más adecuada para el modelo tomando en cuenta siempre la información a priori.
Zt = X2t + 0.10X3t
*Donde este B3 = 0.10 se debe a la investigación que previamente tuvo que realizarse
para poder tener en claro la tasa

(Stewart, Walli, 1981, pg. 154): “Pues en general se desean probar las predicciones a
priori de la teoría económica en lugar de imponerlas simplemente sobre los datos para
los cuales pueden no ser válidas”.
4.- Transformación de variables: este método se usa en series de tiempo, los problemas
que presenta esta prueba se ven el β 0 (intercepto) y al final la aplicación de esto resulta
peor que la enfermedad ya que si se ejecuta aparece otra enfermedad conocida como
“AUTOCORRELACION”.
5.2. HETEROSCEDASTICIDAD
 ANTECEDENTES HISTÓRICOS DE LA HETEROSCEDASTICIDAD
Etimológicamente la palabra tiene dos orígenes: “hetero” que significa distinto
y “skedanime” (verbo griego) que significa esparcir o dispersar.
Heteroscedasticidad se refiere concretamente a cuando la varianza de los datos
no es constante es decir una infracción al supuesto de homoscedasticidad en el modelo
clásico lineal en cuanto a la igualdad en la dispersión de los errores (para cada valor de
la variable independiente la varianza de los residuos es constante). Generalmente los
problemas presentes en heteroscedasticidad se dan en bases de datos de corte transversal
como lo es la base de datos que presentaremos para la aplicación de las diferentes
pruebas.
2.- ¿Cuáles son las consecuencias Prácticas?
5.2.1. NATURALEZA
La heteroscedasticidad es la gran dispersión entre errores o residuos; cuando ya
no se cumplen con el supuesto de igualdad de varianzas por ende con la
“homoscedasticidad”. Se puede presentar en modelos simples y múltiples
El tipo de datos que tiene este problema son los datos de corte transversal porque
los datos están demasiados alejados los unos de los otros.
Entre las razones que llevan a un modelo a ser heteroscedasticidad están:
 Datos típicos: datos que se dan una sola vez y no se repiten.
 Asimetría en la distribución: no siempre hay asimetría, siempre hay variabilidad.
 Teoría del Aprendizaje: por repetición se aprende.
(Hendry, 1995, pg. 45): “la heteroscedasticidad también surge debido a la incorrecta
transformación de los datos (por ejemplo, las transformaciones de razón o de primeras
diferencias) y una forma funcional incorrecta (por ejemplo, modelos lineales frente a
modelos log-lineales)”.
Los estimadores dejan de ser “M.E.L.I.”; esto quiere decir que hay que desconfiar de
todos los resultados ya no serán los mejores estimadores y sesgados porque habrá
errores.
5.2.3. DETECCION
La detección se lo hace mediante dos métodos informal (gráfica) y formal (pruebas).
• Informal: en este caso se analiza la naturaleza de los datos; es decir si se observa que
la base de datos sea efectivamente de corte transversal hay que sospechar de problemas
de “heteroscedasticidad”; para lo cual se hace el grafico de dispersión teniendo en
cuenta la estimación del modelo:
Ŷt = 𝛽̂ 1 + 𝛽̂ 2 X2i +𝛽̂ 3 X3i
Posteriormente se utilizará la columna de residuos con µ por un lado del eje y
con Ŷ por el otro eje; o puede ser también µ por un lado del eje y con X siendo la
variable más heterogénea por el otro eje.
Se debe considerar que:
 Al hacer el gráfico si toma forma rectilínea será heteroscedasticidad
 Se sabe que la X es la variable más heterogénea porque tendrá mayor dispersión
a través de la aplicación de matrices de correlación.
(Malinvaud, 1970, pg. 88-89): “Aunque los û2 no son lo mismo que los u2, los
primeros sirven como representantes de los últimos sobre todo si el tamaño de la
muestra es lo bastante grande”.

•Formal:
5.2.3.1. GOLDFELD-QUANDT
Es la prueba más castigadora dentro de las formales y consiste en ordenarla en
función a la variable más heterogénea y se la ordenará en forma ascendente y el resto de
las variables se moverán en ese orden; se siguen los siguientes pasos:
1.- Ordenar el modelo en función de la X más heterogénea.
2.- Se selecciona “c” que significa la cantidad de datos dispuestos a sacrificar ( esto
será dependiendo de la muestra)
4 ≤ c ≤R
La cantidad de C debe ser de tal manera que la cantidad de datos se parta igual y
deberán ser en la mitad para ser un quiebre en la base de datos y así se trata de forzar
una diferencia entre el grupo de arriba y el grupo de abajo y las varianzas serán
diferentes de los dos grupos.
(Ali, Giaccotto, 1984, pg. 355-373): “La capacidad de la prueba Goldfeld-
Quandt para lograrlo depende de la forma de seleccionar c”
(Judge, Hill, Griffiths, Lütkepohl, Tsoung-Chao Lee 1982, p. 422): “Encontraron
satisfactorios en la práctica los niveles de c = 4 si n = 30 y c _ 10 si n es alrededor de
60”
3.- Se corren dos modelos y de cada uno interesa la “Sumatoria de Residuos al
Cuadrado” de ambos grupos.
Grupo 1: Y= β 1 + β 2 X2i + β 3 X3i + µ
Grupo 2: Y = ∝1 + ∝2 X2i + ∝3 X3i + µ
4.- Encontrar landa ⋋ ; que será la “Prueba F” mediante la función:
𝑆𝑅𝐶 𝑀𝐴𝑌𝑂𝑅 /𝑔𝑙

⋋=𝑆𝑅𝐶 𝑀𝐸𝑁𝑂𝑅/𝑔𝑙
5.- Encontrar “F.Critico” mediante la función “DistribuciónT. Inversa” donde coloco
gl = muestra – número de variablesk
∝ = 0.05
6.- Decisión: |F| > |F.Critico| será positivo para heteroscedasticidad.
5.2.3.2. COEFICIENTE DE SPEARMAN
Esta prueba especializada para datos de corte transversal y muestras pequeñas;
se sigue los siguientes pasos:
1.- Correr el modelo original (el cual puede ser múltiple o simple) y obtener u de la
parte de los residuos del resumen y una vez obtenido u lo convierto en |u|.
2.- Escoger la variable X más heterogénea.
3.- Calcular el coeficiente de correlación de Spearman mediante la siguiente fórmula:
∑ 𝑑𝑖 2
1-6[ 𝑛(𝑛2 −1)]
*Donde:
1-6: son constantes
di: es igual a la diferencia de los rangos de u en forma absoluta y de X y se eleva al
cuadrado para evitar valores negativos.
*Anexo: Se construye una matriz donde se coloca |u| previamente sacado y se lo ordena
en otra celda de forma ascendente y al lado de esta armo otra con las numeraciones
según los datos de la base de datos posteriormente abriré otra celda que llevara el valor
de rango de |u| es decir se utilizará la función “=buscarv”.
El mismo procedimiento se lo hará para obtener el rango X, que es los datos de
la variable x copiados en otra celda y se procede a ordenar de manera ascendente y al
lado enumero asi mismo según el número de datos de la base para luego abrir otra celda
que llevara el valor de rango de |X| es decir se utilizará la función “=buscarv”.
MATRIZ RANGO |u|
MATRIZ RANGO |X|
En otra celda se restará rango |u| del rango de |X| y lo que se obtenga se lo
elevará al cuadrado; para al final obtener la sumatoria.
4.- Se calcula el estadístico t mediante la siguiente fórmula:
𝑟𝑠 √𝑛−2
t= √1−𝑟𝑠2
(Yule, Kendall, 1953, p. 455 ): “Se usara la formula anterior si se supone que el
coeficiente poblacional de correlación de orden ρs es cero y n > 8, la significancia del
rs”.
5.- Calcular “T crítico” mediante la función “DistribuciónT. Inversa” donde coloco
gl = n-2
∝ = 0.05
6.- Decisión: |tprueba| > |tcrítico| será positivo para heteroscedasticidad.
5.2.3.3. BPG: BREUSCH-PAGAN-GODFREY
Esta prueba se la recomienda utilizar para modelos simples y múltiples; se sigue
los siguientes pasos:
1.- Se estima el modelo original y obtener u de la parte de los residuos del resumen y
una vez obtenido u lo elevo al cuadrado.
2.- Se calcula la varianza de máxima verosimilidad mediante la siguiente función:
2
∑ 𝑢2
𝜎 =
𝑛
3.- Se construye “⍴i” mediante la siguiente fórmula:
𝑢2
⍴i = 2
𝜎
4.- Se corre el modelo nuevo teniendo en cuenta que:
⍴i= f(X)
5.- Se calcula “Chi Cuadrado” mediante la siguiente fórmula:
1
𝑋2 = 𝑆𝐸𝐶
2
*Donde:
½: es una constante
SEC: Sumatoria de los Estimadores al Cuadrado
6.- Se calcula “Chi Cuadrado Crítico” mediante la función “Chi. Inversa” donde:
gl = número de regresores o variables
∝ = 0.05
7.- Decisión: |Xi2| > | Xi2critico| será positivo para heteroscedasticidad.
5.2.3.4. WHITE
Esta prueba se la recomienda utilizar para modelos simples y múltiples; se sigue
1.- Se estima el modelo u2 (tiene que ser cuadrático, cúbico o polinómico y para esto se
realiza la gráfica de dispersión que dará la pauta para estimar el modelo) y no olvidar de
la parte de los residuos del resumen y una vez obtenido u lo elevo al cuadrado.
2.- Si es un modelo múltiple se basará en lo siguiente:
u2= f(Ŷ, Ŷ2)
Pero si es un modelo simple se basará en:
u2= f(X, X2)
Y se corre el nuevo modelo.
X12= nR2
gl = número de regresoras o variables
∝ = 0.05
7.- Decisión: |Xi2| < | Xi2critico| será homoscedasticidad como resultado
(Whitem 1980, pp. 817-818: “ A diferencia de la prueba de Goldfeld-Quandt,
que requiere reordenar las observaciones respecto de la variable X que supuestamente
ocasiona la heteroscedasticidad, o de la prueba BGP, sensible al supuesto de
normalidad, la prueba general de heteroscedasticidad propuesta por White no se apoya
en el supuesto de normalidad y es fácil aplicarla”
5.2.4. REMEDIOS
Ya siendo realizadas las pruebas de Goldfeld-Quandt, Spearman, BPG Y White se
continuará a la aplicación de las medidas remediales para solucionar la enfermedad;
entra esos tenemos:
1.- Aplicando logaritmos y con eso se corre nuevos modelos
Se considera que las variables Y y X son convertidas en ln para cada una y de esa
manera poder reducir la alta dispersión de los datos.
2.- Utilizando “Mínimos Cuadrados Ponderados” (MCP) de 4 maneras:
 Se divide para la variable más heterogénea:
Y= β 1 + β 2 X2+ µ -----> Y/X2= β 1 / X2+β 2 X2 / X2
 Se divide para la Raíz de la variable más heterogénea:

Y= β 1 + β 2 X2+ µ -----> Y/√X2= β 1 /√𝑋2+β 2 X2 /√𝑋2
 Se divide para Ŷ:
Y= β 1 + β 2 X2+ µ -----> Y/ Ŷ = Y= β 1 / Ŷ + β 2 X2 / Ŷ
 Se divide para la covarianza de toda la estimación:
Y= β 1 + β 2 X2+ µ -----> Y/ σ^2 = β 1 / σ^2+ β 2 X2 /σ^
5.3. AUTOCORRELACION
(Kendall y Buckland, 1971, pg. 8): “Correlación entre miembros de series de
observaciones ordenadas en el tiempo [como en datos de series de tiempo] o en el
espacio [como en datos de corte transversal]”.
Es la correlación que existe entre los términos de erros; es decir cuando µ2 afecta
a µ1 o µ1 afecta a µ2 (µ son variables y factores no incluidos en el modelo). Se presenta
principalmente en las series de tiempo y muy pocas veces en cortes de dato transversal,
se da en modelos simples y múltiples.
Si partimos de un modelo:
Y= ∝ 1 + ∝ 2 X2t + ∝ 3 X3t + µt
Y si todo está bien se supone que µ está distribuido normalmente pero en la vida
practica si se desdobla el modelo:
Y1= ∝ 1 + ∝ 2 X21 + ∝ 3 X31 + µ1
Y2= ∝ 1 + ∝ 2 X22 + ∝ 3 X32 + µ2
Y3= ∝ 1 + ∝ 2 X2n + ∝ 3 X3n + µn

Como se puede evidenciar se trata cuando el error del periodo anterior tiene
conexión con el siguiente período y así se ocasiona esta enfermedad.
2.- ¿Cuáles son las consecuencias Prácticas?
5.3.1. NATURALEZA
(Tintner, 1965): “correlación rezagada de una serie dada consigo misma,
rezagada por un número de unidades de tiempo”, mientras que reserva el término
correlación serial para “correlación rezagada entre dos series diferentes”.
Entre las razones que llevan a un modelo a sufrir de multicolinealidad están:
 Inercia o pasividad: acontecimientos en el tiempo que ocurren y eso va incluido
en las µ; cambios que se dan pero no son instantáneos.
 Rezagos: pueden ser:
o Rezago distribuido: en donde la variable principal la tengo en el tiempo
presente y en rezago de un periodo (cuando hay una dependencia con el
pasado habrá correlación)
Y= ∝ 1 + ∝ 2 X2t + ∝ 3 X3t + µt
o Autorregresivo: La variable Y también esta como variable independiente
pero rezagada; también conocido como el “Fenómeno de la Telaraña” y
es aplicado para productos de ciclo corto.

Y= ∝ 1 + ∝ 2 X2t + ∝ 3 X3t + 𝜆 Yt-1+ µt
 Error de especificación: se da cuando se pone funciones incorrectas
 Manipulación de Datos vs Transformación de Datos: La manipulación de datos
se refiere al maquillaje de los datos a conveniencia y esto pasa cuando
generalmente no se tiene la información completa al contrario de la
Transformación de Datos en donde se utiliza ln tanto en Y como en X, también
se quita o se aplica series.
(Greene, op. cit. 1965, pg. 526): “Todas estas técnicas de “manejo de datos” podrían
imponer sobre los datos un patrón sistemático que quizá no estaría presente en los datos
originales”
Entre las consecuencias prácticas se deben de tomar en cuenta:
 Nada de lo que se estima es confiable ( la ecuación ya estimada deja dudas)
 Los errores estándar pueden estar sobredimensionados (los errores están metidos
y afectan a los valores de β.
 El R2 también puede ser sub o sobre dimensionado.
5.3.3. DETECCION
La detección se lo hace mediante dos métodos informal (gráfica) y formal (pruebas).
• Informal: en este caso se analiza la naturaleza de los datos; es decir si se observa que
la base de datos sea efectivamente de serie de tiempo y para comprobar la enfermedad
se hace el grafico de dispersión.

Se debe considerar que:
 Si el gráfico resultante de la dispersión no toma forma de ninguna función no
existe autocorrelación.
(Weisberg, 1980, pg. 120): “No se puede exagerar la importancia de producir y
analizar gráficos [de residuos] como parte habitual del análisis estadístico. Además de
proporcionar en ocasiones un resumen accesible para entender un problema complejo,
permiten el examen simultáneo de los datos, considerados en su conjunto, mientras que
a la vez ilustran con claridad el comportamiento de los casos individuales”
 Si el esquema es Autorregresivo de primer orden debo estimar el modelo y
obtener “µt”
µt= f (µt_1)
Problema de autocorrelación
µt= p µt_1 + vt
No toma en cuenta el intercepto
* Donde:
p es un coeficiente de autocorrelación de primer orden
“vt” un término de error numérico
•Formal: Cuando se haya comprobado que no hay M.E.L.I. entonces se harán 3 pruebas
que corroborarán la presencia de la enfermedad.

5.3.3.1. CORRIDAS/RACHAS
(Geary, 1970, pg. 123-127): “Tbn conocida también como prueba de Geary,
prueba no paramétrica”. Donde todos los errores positivos o todos los errores negativos.
Se deben de seguir los siguientes pasos:
1.- Correr el Modelo y obtener µ en la parte de los residuos y de preferencia copiarlo en
la parte de las variables del modelo.
2.- Identificar las rachas o corridas en donde se separaran los valores positivos de los
negativos y se cuenta el número de rachas.
3.- Calcular la media mediante la siguiente fórmula
2𝑛1𝑛2
Є(R) = +1
𝑛
* Donde.
n1: son el número de los valores positivos que se contó en las rachas.
n2: son el número de los valores negativos que se contó en las rachas.
n: son la muestra.
*Anexo: Luego se calcula la varianza mediante la siguiente fórmula:
2𝑛1𝑛2(2𝑛1𝑛2−𝑛)
σ2 (R) = 𝑛2 (𝑛−1)
y la desviación estándar de la división del resultado de la varianza.
4.- Armar el intervalo con la fórmula:
IC: Є(R) ± z ∝/2* σ (R)

Donde se saca a través de “Distribución Normal Estándar Inversa” y se coloca
∝ = 0.05/2. Al final saldrán dos resultados tanto el superior como el inferior.
5.- Paso: Decisión en donde si el valor de la racha cae fuera del intervalo entonces hay
autocorrelación.
5.3.3.2. DURWIN WATSON
La prueba más famosa y se la conoce como estadístico D y sigue los siguientes
supuestos:
1. Los esquemas de error siguen un orden Autorregresivo en µt más un nuevo error
vt :
µt= p µt_1 + vt
-1 ≤ p ≤ 1
En donde el rezago del 1er período es el más importante.
µt= p µt_1 + p µt_2 + vt
* Donde:
µt : periodo actual
p µt_1 : residuos del período anterior
p µt_2 : residuos de hace dos períodos
2. No aplica a modelos autorregresivos
Yt = β 1 + β 2 X2t + β 3 X3t + 𝜆 Yt_1 + vt

En donde 𝜆 Yt_1 da las características de ser Autorregresivo porque la variable Y
está como X de manera rezagada y no permite que se aplique esta prueba sino H de
Durbin.
3. Que exista intercepto en el modelo:
Yt = β 1 + β 2 X2t + β 3 X3t +µt
En donde β 1 es el intercepto.
(Farebrother, 1980, pg. 1553-1563): “El modelo de regresión incluye el término del
intercepto. Si dicho término no está presente, como en la regresión a través del origen,
es esencial efectuar de nuevo la regresión con dicho término para obtener la SCR”.
4. Que toda la serie de datos este completa.
1.- Correr el Modelo y obtener µ en la parte de los residuos sacar ut
2.- Plantear las hipótesis
H0: no hay autocorrelación
H1: si hay autocorrelación
3.- Calcular el “Estadístico d” la media mediante la siguiente fórmula
∑(µt−µt1 )^2
d= ∑ µt2
4.- Calcular el valor crítico dl y du y se lo verá en la tabla del libro de referencia para
este trabajo que será en base a los siguientes parámetros:
∝= 5% y k = número de variables independientes

5.- Paso: Decisión en donde si el valor del estadístico d cae dentro de la región H1 la
autocorrelación será positiva si cae del lado opuesto será negativa la autocorrelación y
si cae en la aérea de indecisión no se puede concluir la existencia de autocorrelación.
5.3.3.3. B-G
Es una prueba muy utilizada tanto para muestras grandes como pequeñas. No es
exigente con supuestos sin embargo se recomienda realizarla cuando el µt
1.- Correr el Modelo y obtener µ en la parte de los residuos sacar u
2.- Plantear las hipótesis:
H0: p1 = p2 = pp = 0
H1: p1 ≠ p2 ≠ pp ≠ 0
3.- Define la longitud de rezagos de µ; los de 2do orden
µt= ∝1 + ∝2 X2t +∝3 X3 + t p1 µt_1 + p2 µt_2
Se deberá tomar en cuenta el resultado de R2
(Wooldridge, 2003, p. 386. ): “La razón para incluir la regresora original X en el
modelo es permitir que X no sea estrictamente no estocástica. Pero si es estrictamente
no estocástica, quizá se omita del modelo”
4.- Calcular “Chi Cuadrado” a través de la siguiente fórmula:
X2= R2 (n-p)
En donde p es el número de rezagos que se usa de µ
5.- Calcular “Chi Crítico” a través de la “Prueba Chi. Inversa”; donde se considera que:
gl = n - p
∝ = 0.05
6.- Decisión: Si X2 calculado es menor a X2 crítico entonces no hay autocorrelación y al
prueba de hipótesis será H0
5.3.4. REMEDIOS
Ya siendo realizadas las pruebas de Rachas, Durbin-Watson y BG se continuará a la
aplicación de las medidas remediales y esto es mediante “Ecuación de Diferencias
Generalizadas” Yt= ∝1 + β2 X2t +β3 X3 + µt
Si en este modelo hay problemas de autocorrelación una forma de corregir es aplicar la
“Ecuación de Diferencias Generalizadas” esto consiste en aplicar un rezago en un
período y así obtengo la ecuación 2
Yt-1 = ∝1 + β2 X2t-1 +β3 X3-1 + µt-1
Y multiplico por el coeficiente de autocorrelación “p”
pYt-1 = p∝1 + pβ2 X2t-1 +pβ3 X3-1 +p µt-1
Y luego restamos al ecuación 1 y 3
Yt - pYt-1 = ∝- p∝1 + β2 X2t - pβ2 X2t-1 + β3 X3 - pβ3 X3-1 + µt-1 - p µt-1
Que simplificado queda
Yt - pYt-1 = ∝(1- p) + β2 (X2t - pβ2 X2t-1) + β3 (X3t - pβ3 X3-1) + vt

6. MARCO TEÓRICO
Para el presente análisis es necesario comprender las teorías económicas ya
existentes y que pueden ser aplicables, por lo que resulta muy importante indagar dentro
de la teoría de la producción que sus variables y factores comprende el capital, el
terreno, la mano de obra y la producción de cualquier bien.
Puede definirse diciendo que es todo aquello que contribuya a la elaboración de
una mercancía igualmente se indica que un factor de producción es un bien o servicio
utilizado por la empresas en sus procesos de producción. Es una lista que indica la
cantidad máxima de productos que se pueden obtener con un conjunto de insumos
determinados, dada la tecnología existente. Es la relación técnica entre la cantidad
optima de producto que puede obtener con todas y cada una de las combinaciones de
los factores de la producción específicos. Es la fórmula matemática mediante la cual se
representa la relación entre las aplicaciones de factores productivos en la unidad de
tiempo y el producto que rinden durante ese mismo lapso. Es la relación entre los
insumos físicos y la cantidad de capital y trabajo empleado en el proceso de producción.
La teoría de la producción se encarga del análisis de la forma en que el producto
dado “el estado del arte o la tecnología, combina varios insumos para producir una
cantidad estipulada en una forma económicamente eficiente”.
Toda sociedad tiene que organizar de algún modo el proceso productivo para
resolver adecuadamente los problemas económicos fundamentales. Pero
independientemente de la organización que se adopte, hay ciertos principios
económicos universales que rigen el proceso productivo.
La producción de bienes y servicios puede estar en manos del estado, como en el
sistema comunista, o en manos de la empresa privada, como en el sistema capitalista.
Pero en ambos caso la actividad productiva está condicionada por ciertas leyes o
principios generales que tiene que tomar en consideración el empresario si desea lograr
el uso más eficaz de los recursos económicos a su disposición; es decir, lograr la
máxima producción con el máximo de economía, bajo cualquier tipo de organización
socio económica.
Otra de las teorías económicas fundamentales para el estudio y trabajo de
investigación es la teoría de la producción Cobb Douglas, la cual es de carácter
matemático y no tanto teórico. La función de producción Cobb Douglas es una función
que se emplea mayormente para expresar tanto las funciones de utilidad como las
funciones de producción.
“La teoría de la producción de Cobb Douglas comprende la combinación de
factores Capital (K) y Trabajo (L) capaz de maximizar la producción del bien X dados
los costes que desea asumir el empresario”. (Blasco Torrejón, Begoña , s.f.)
Algunas de las cosas que se plantea la teoría de la producción Cobb Douglas son
las siguientes:
 Se estudia el comportamiento de las empresas
 Se ve a la empresa como un medio de transformar los factores
productivos en producción
 Por ejemplo, en el caso de la producción de banano se necesita los
factores de producción tierra, mano de obra y el capital que será la
maquinaria agrícola que se usa para el sector bananero.
La teoría económica de Solow planteaba que se podría estudiar el crecimiento
económico mediante la producción, y las entiende como el resultado de dos variables
que son el trabajo y el capital.

El modelo se centra en la capacidad productiva de un país aunque las variables
se suelen expresa en términos per cápita, es decir, en el modelo se supone que toda la
población de una nación es igual a la fuerza de trabajo de la misma y que el producto
per cápita es igual al producto por trabajador.
Con esto debemos comprender una cosa: se trata de un modelo simplificado que
estudia el crecimiento sin contar con el comercio internacional (ni importaciones ni
exportaciones) en el que la inversión doméstica equivale a hablar del ahorro nacional.
En otras palabras, hablamos de un constructo teórico de análisis macroeconómico.
Como en la teoría el tamaño de la población y el número de trabajadores son
equivalentes, las variables biológicas que establecen el número de personas
(nacimientos y muertes) también influyen el número de personas productivas.
Igualmente entran en juego otras variables como la evolución técnica sobre la
productividad que tuvo una importancia vital para el modelo.
No es mi deseo introducirnos en las fórmulas matemáticas que sustentan la
teoría, sino comprender a grandes rasgos en qué consiste y por ello puede bastar con
establecer una relación de conclusiones:
 El Producto Interior Bruto de un país es estudiado como la suma de las rentas
nacionales.
 La producción depende de la mano de obra y el capital.
 Para mejorar el PIB tendremos que aumentar las dotaciones de capital para
realizar inversiones tecnológicas que permitan aumentar la producción futura.
Para ello una parte de los ingresos de un país deben ser destinados a la inversión
en dichas mejores productivas.

 Si el crecimiento económico de un país se basa en el ahorro pero sin aumentar la
oferta de empleo ni producir inversión, este será menor al de otras economías
que promuevan el aumento productivo.
 El crecimiento económico alcanza un tope estacional (un nivel constante de
producción) a largo plazo si no se producen inversiones de capital.
 Las inversiones en capital compensan las perdidas productivas causadas por la
estacionalidad.
 Cuando se producen ampliaciones de capital la tasa de crecimiento es mayor que
la producida en los topes estacionales. De esta manera se explica algunas
economías con mucho capital ahorrado pueda crecer a tasas inferiores que otros
con menos.
“El modelo de crecimiento económico de Solow, por tanto, estableció que las
mejoras productivas de un país deben promoverse mediante la inversión de capital y el
ahorro nacional, lo cual también impulsará las tasas de empleo y el consumo. En
definitiva, el crecimiento económico partiría en gran parte de la oferta generada y no
como mero resultado de la demanda”. (Udiz)
Los pilares fundamentales para esta investigación fueron las siguientes teorías
económicas y bases teóricas:
 Teoría de la Producción
 Teoría de la producción de Cobb Douglas
 Teoría del crecimiento de la producción de Solow

6.1. LA PRODUCCION DE BANANO EN EL ECUADOR
A principios del siglo XX es donde se comienza a recopilar información
estadística referente a la actividad bananera, ya que precisamente es en esta época donde
la producción bananera del ecuador genera un excedente en el consumo interno, el cual
empieza a ser exportado. En los primeros años las exportaciones se dieron casi
exclusivamente a Perú y Chile. La razón se debe a que el tiempo en que demoraba él
envió hacia esos dos países coincidía con el periodo de maduración de la fruta. Se debe
recordar que en estos años no existían tantas facilidades para enfriamiento de la carga
marina, lo que pudiera permitir un mayor tiempo previo a la maduración.
Otro de los datos digno de destacar es que las estadísticas que se prestaban no
estaban expresadas en toneladas métricas, sino en el número de racimos de banano.
Aunque se puede hacer una estimación con respecto al peso de un racimo, no es menos
cierto que el peso del racimo promedio debe haber crecido a lo largo de los últimos 100
años debido a la aplicación de técnicas que han mejorado las cosechas tanto en lo que
concierne a protección contra las enfermedades como a protección contra las plagas que
las ocasionan.
La producción total de banano continuo expandiéndose a lo largo de la época de
los 70, teniendo mucha más importancia su crecimiento entre los años 1953 y 1956,
periodo en que creció en 1’247.000 toneladas métricas. Una expansión de esta índole no
se observa en tan poco tiempo en ningún otro momento de la producción bananera
ecuatoriana hasta el año 1993 en que subió de 3.1 a 4 millones de toneladas métricas
entre 1999 y el 2000, periodo en que creció de 5.5 a 6.5 millones de toneladas métricas.
Es decir el crecimiento de la época del 50 entre 53 y 56 no tiene parangón en la historia
bananera del ecuador.

Las cantidades anteriormente dichas son una relativa aproximación puesto que el
85% de la producción de banano proviene de zonas pequeñas y granjas familiares en
donde no hay facilidad de recolectar información estadística que sea exacta ni tampoco
un control que pueda definir y establecer el cultivo de banano.
En el año 2009 el sector bananero fue de gran influencia para la economía de
nuestro país ya que se exporto 271’793.000 cajas de banano el cual representa un
ingreso aproximado de $1.900 millones de dólares por divisas, y un relativo aproximado
de $90 millones de dólares por impuestos del estado. El banano en ese entonces fue
formalmente proclamado el primer producto de exportación del sector privado en
nuestro país.
Las cifras que se indican en la parte superior representan el 32% del comercio
mundial del banano, el 3.48 del PIB, el 50% del PIB agrícola y el 20% de las
exportaciones privadas en el Ecuador.
(Direccion de Inteligencia Comercial e Inversiones, 2013) “Las excelentes
condiciones de orden climático y ecológico que tiene nuestro país, han permitido que
pequeños, medianos y grandes productores desarrollen la explotación de bananos y
plátanos, que permiten abastecer la demanda mundial los 365 días del año.
El siguiente mapa muestra las provincias en las que se cultiva el Banano y Plátano,
siendo en las principales Guayas, El Oro y Los Ríos”.

6.2. ESPECIFICACION DE UN MODELO ECONOMÉTRICO
Para el correspondiente desarrollo de este segundo capítulo se parte de la base de
nuestra sustentación de la investigación que es la teoría económica de la producción la
cual está en función de los factores productivos capital (maquinaria agrícola), terreno y
mano de obra. Los datos del presente trabajo de investigación y análisis se obtuvieron
de la página de la FAOSTAT (Organización de las Naciones Unidas para la
alimentación y la agricultura). Como la investigación trata de la producción del banano
a lo largo de la historia y para ser exacto desde 1980, se utilizara un tipo de datos
establecidos en seres de tiempo que parten como se dijo anteriormente, desde 1980
hasta el 2011.
La problemática que se presenta en la debida investigación, son los factores que
influyen en la producción bananera en el Ecuador, que tan relacionadas están las
mismas y que tanto influyen o afectan una de la otra.
Para la verificación de lo anteriormente mencionado se hará uso de las técnicas
utilizadas y aprendidas en clases, las variables para el estudio de investigación son:
 Y: Producción total del sector Bananero( en miles de dólares)
 X2: Capital de Trabajo( Maquinaria agrícola en miles de dólares)
 X3: Terreno( en miles de dólares)
Por medio del análisis de regresión múltiple las variables independientes se
evaluarán y se verán el grado de correlación de las variables y se procederá a su
eliminación en caso de que no expliquen a la variable dependiente.

7. ESTIMACION Y VALIDACION
Coeficiente de Correlación
Los pasos para verificar si existe multicolinealidad son:
1.- Sacar matriz de correlación múltiple y estimar el modelo a través de la Regresión
(en donde se toma en cuenta el valor de r)
TABLA DE CORRELACIÓN
Producción
(miles) capital tierra
Producción
(miles) 1
capital 0,915314109 1
tierra 0,882298921 0,74577311 1
2.- Se buscará r12.3 r13.2 y r23.1 en donde determinarán las correlaciones parciales a través
de las siguientes formulas:
r12−r13∗r23
r12.3 =
√(1− 𝑟 2 13)(1− 𝑟 2 23)
r13−r12∗r23
r13.2. =
√(1− 𝑟 2 12)(1− 𝑟 2 23)
r23−r12∗r13
r23.1 =
√(1− 𝑟 2 12)(1− 𝑟 2 13)
Coeficiente Coeficiente Coeficiente
correlación determinación Parciales
r12 0,915314109 0,837799918 0,82060318
r13 0,882298921 0,778451386 0,7442337
r23 0,74577311 0,556177532 -0,3260479
3.- Se sacará FIV a través de la siguiente fórmula:
1
(1 − 𝑟 2 23)
1
(1 − 0,5561)
FIV = 2,2531
Al ser mayor a uno hay indicios de multicolinealidad.
Resumen Ejecutivo
Estadísticas de la regresión
Coeficiente de correlación
múltiple 0,96314065
Coeficiente de determinación
R^2 0,92763992
R^2 ajustado 0,92227991
Error típico 429678,438
Observaciones 30
Variable X
Intercepción Variable X 1 2
Coeficientes -647267,0318 40025,0617 10,7045881
Error típico 224534,6801 5364,53327 1,84885455
Estadístico t -2,88270405 7,461052 5,7898487
Probabilidad 0,0076443 0,0000001 0,0000037
Se concluye que los factores productivos afectan a la producción. Con estas variables se
determinó que existe multicolinealidad. Las variables son significativas y el R es alto.
 REMEDIOS DE LA MULTICOLINEALIDAD
Se puede remediar con la transformación de variables: este método se usa en
series de tiempo, los problemas que presenta esta prueba se ven el β 0 (intercepto) y al
final la aplicación de esto resulta peor que la enfermedad ya que si se ejecuta aparece
otra enfermedad conocida como “AUTOCORRELACION”
Al aplicarse el remedio para la multicolinealidad se aplica el 10% de incremento
en cada factor productivo y al realizarlo se estaría efectuando una autocorrelación por lo
tanto no se recomienda utilizar la información a priori.
 HETEROSCEDASTICIDAD
PRUEBA DE GOLDFELD-QUANDT
Es la prueba más castigadora dentro de las formales y consiste en ordenarla en
función a la variable más heterogénea y se la ordenará en forma ascendente y el resto de
las variables se moverán en ese orden; se siguen los siguientes pasos:
1.- Ordenar el modelo en función de la X más heterogénea.
2.- La muestra es de 30 datos por lo tanto C: 4

4 ≤ c ≤R
3.- Se corren dos modelos y de cada uno interesa la “Sumatoria de Residuos al Cuadrado”
de ambos grupos.
Grupo 1: Y= β 1 + β 2 X2i + β 3 X3i + µ
Grupo 2: Y = ∝1 + ∝2 X2i + ∝3 X3i + µ
4.- Encontrar landa ⋋ ; que será la “Prueba F” mediante la función:
𝑆𝑅𝐶 𝑀𝐴𝑌𝑂𝑅 /𝑔𝑙

⋋=𝑆𝑅𝐶 𝑀𝐸𝑁𝑂𝑅/𝑔𝑙
5,37303E+11
2,00138E+12
⋋= 0,2684
5.- Encontrar “F.Critico” mediante la función “DistribuciónT. Inversa” donde coloco
gl = muestra – número de variables k
F= 0,268466114
F CRITICO 2,978237016
alfa 0,05
gl
numerador 10
gl
denominador 10
F>F critico Homoscedasticidad
6.- Decisión: |F| > |F.Critico| será positivo para heteroscedasticidad.
Al realizar la prueba GQ en una base de serie de tiempo la posibilidad que presente
heteroscedasticidad es baja y al correr el modelo el resultado final se determinó que el F
CALCULADO es menor al F CRÍTICO por lo tanto no hay indicios de
heteroscedasticidad.
COEFICIENTE DE SPEARMAN
Esta prueba especializada para datos de corte transversal y muestras pequeñas; se sigue
1.- Correr el modelo original (el cual puede ser múltiple o simple) y obtener u de la
parte de los residuos del resumen y una vez obtenido u lo convierto en |u|.
2.- Escoger la variable X más heterogénea en este caso es X3t
3.- Calcular el coeficiente de correlación de Spearman mediante la siguiente fórmula:
∑ 𝑑𝑖 2
1-6[ 𝑛(𝑛2 −1)]
Anexo: Se construye una matriz donde se coloca |u| previamente sacado y se lo ordena
en otra celda de forma ascendente y al lado de esta armo otra con las numeraciones
según los datos de la base de datos posteriormente abriré otra celda que llevara el valor
de rango de |u| es decir se utilizará la función “=buscarv”.
El mismo procedimiento se lo hará para obtener el rango X, que es los datos de la
variable x copiados en otra celda y se procede a ordenar de manera ascendente y al lado
enumero asi mismo según el número de datos de la base para luego abrir otra celda que
llevara el valor de rango de |X| es decir se utilizará la función “=buscarv”.

MATRIZ RANGO |u|
MATRIZ RANGO |X|
En otra celda se restará rango |u| del rango de |X| y lo que se obtenga se lo elevará al
cuadrado; para al final obtener la sumatoria.
4.- Se calcula el estadístico t mediante la siguiente fórmula:
𝑟𝑠 √𝑛−2
t= √1−𝑟𝑠2
rs 0,001112347
rs2 1,23732E-06
T calculado 0,005885991
5.- Calcular “T crítico” mediante la función “DistribuciónT. Inversa” donde coloco
gl = n-2: 28
∝ = 0.05
T crítico: 1,99
6.- Decisión:
Al realizar esta prueba el t calculado es menor al t critico por lo tanto se descarta la
existencia de heteroscedasticidad.
BPG: BREUSCH-PAGAN-GODFREY
Esta prueba se la recomienda utilizar para modelos simples y múltiples; se sigue los
siguientes pasos:
1.- Se estima el modelo original y obtener u de la parte de los residuos del resumen y
una vez obtenido u lo elevo al cuadrado.

2.- Se calcula la varianza de máxima verosimilidad mediante la siguiente función:
𝜎 2 =1,66161E+11
3.- Se construye “⍴i” mediante la siguiente fórmula:
𝑢2
⍴i =
𝜎2
4.- Se corre el modelo nuevo teniendo en cuenta que:
⍴i= f(X)
1
𝑋2 = 𝑆𝐸𝐶
2
𝑋 2 : 0,2576
gl = número de regresores o variables
∝ = 0.05
X crítico: 5,99
7.- Decisión: |Xi2| > | Xi2critico| será positivo para heteroscedasticidad.
Al realizar esta tercera prueba para detectar si existe heteroscedasticidad concluimos que
esta base de datos no contiene esta enfermedad debido a que el X calculado es menor al
X crítico y se descarta definitivamente los indicios de la misma.

 AUTOCORRELACION
CORRIDAS/RACHAS
1.- Correr el Modelo y obtener µ en la parte de los
2.- Identificar las rachas o corridas en donde se separaran los valores positivos de los
negativos y se cuenta el número de rachas.
Numero de rachas identificadas: 7
3.- Calcular la media mediante la siguiente fórmula
2𝑛1𝑛2
Є(R) = +1
𝑛
Є(R)= 16
N1: 15
N2: 15
Luego se calcula la varianza mediante la siguiente fórmula:
2𝑛1𝑛2(2𝑛1𝑛2−𝑛)
σ2 (R) = 𝑛2 (𝑛−1)
σ2 (R): 7,24
4.- Armar el intervalo con la fórmula:
IC: Є(R) ± z ∝/2* σ (R)
LS: 21,27
LI: 10,73
5 Paso: Decisión
El intervalo va de 10,73 hasta 21,27 y el número de rachas son 7 por lo tanto cae fuera
del intervalo y se determina que existe autocorrelación.
DURWINWATSON
Se debe de seguir los siguientes pasos:
1.- Correr el Modelo y obtener µ en la parte de los residuos sacar ut
2.- Plantear las hipótesis
H0: no hay autocorrelación
H1: si hay autocorrelación
3.- Calcular el “Estadístico d” la media mediante la siguiente fórmula
∑(µt−µt1 )^2
d= ∑ µt2
d: 0,8298
4.- Calcular el valor crítico dl y du
Dl: 1,284
Du: 1,567
5.- Paso: Decisión en donde el valor del estadístico d cae dentro de la región H1 la
autocorrelación será positiva por lo tanto existe autocorrelación.

B-G
1.- Correr el Modelo y obtener µ en la parte de los residuos sacar u
2.- Plantear las hipótesis:
H0: p1 = p2 = pp = 0
H1: p1 ≠ p2 ≠ pp ≠ 0
3.- Define la longitud de rezagos de µ; los de 2do orden
µt= ∝1 + ∝2 X2t +∝3 X3 + t p1 µt_1 + p2 µt_2
Resumen
Estadísticas de la regresión
Coeficiente de correlación
múltiple 0,59056726
Coeficiente de determinación
R^2 0,34876969
R^2 ajustado 0,23551225
Error típico 355710,596
Observaciones 28
4.- Calcular “Chi Cuadrado” a través de la siguiente fórmula:
X2= R2 (n-p)
X2= 9,068
5.- Calcular “Chi Crítico” a través de la “Prueba Chi. Inversa”; donde se considera que:
gl = n - p
∝ = 0.05
x2 critico 38,8851387
6.- Decisión: Si X2 calculado es menor a X2 crítico entonces no hay autocorrelación y la
prueba de hipótesis será H0
REMEDIOS: Ya siendo realizadas las pruebas de Rachas, Durbin-Watson y BG se
continuará a la aplicación de las medidas remediales y esto es mediante “Ecuación de
Diferencias Generalizadas”
Yt= ∝1 + β2 X2t +β3 X3 + µt
Si en este modelo hay problemas de autocorrelación una forma de corregir es aplicar la
“Ecuación de Diferencias Generalizadas” esto consiste en aplicar un rezago en un
período y así obtengo la ecuación 2.
Yt-1 = ∝1 + β2 X2t-1 +β3 X3-1 + µt-1
Y multiplico por el coeficiente de autocorrelación “p”
pYt-1 = p∝1 + pβ2 X2t-1 +pβ3 X3-1 +p µt-1
Y luego restamos al ecuación 1 y 3
Yt - pYt-1 = ∝- p∝1 + β2 X2t - pβ2 X2t-1 + β3 X3 - pβ3 X3-1 + µt-1 - p µt-1
Que simplificado queda
Yt - pYt-1 = ∝(1- p) + β2 (X2t - pβ2 X2t-1) + β3 (X3t - pβ3 X3-1) + vt

8. CONCLUSIONES Y RECOMENDACIONES
Los factores productivos del banano afectan a la producción del mismo y esto
quedo claramente demostrado con las teorías económicas utilizadas en el trabajo de
investigación. Con las variables: Capital (Maquinarias) y las tierras de cultivo se
determinó que existe indicios de multicolinealidad debido a que estas magnitudes son
significativas y el R es alto.
Para el remediar la multicolinealidad se aplicó el 10% de incremento en cada
factor productivo y al realizarlo se estaría efectuando una autocorrelación por lo tanto
no se recomienda utilizar la información a priori.
La heteroscedasticidad se presenta con mayor frecuencia en los datos de corte
transversal pero se aplicó en estos datos de series de tiempo para descartar indicios de
heteroscedasticidad. La pruebas aplicadas fueron: GQ, el coeficiente de Spearman y la
prueba BPG.
La prueba GQ en una base de serie de tiempo la posibilidad que presente la
heteroscedasticidad es baja y al correr el modelo el resultado final se determinó que el F
CALCULADO es de 0,26 y menor al F CRÍTICO es de 2,98 por lo tanto no hay
indicios de heteroscedasticidad.
Al realizar la prueba del coeficiente de Spearman el t calculado es casi cero y
menor al t critico de 1,98 por lo tanto se descarta la existencia de heteroscedasticidad.
La prueba BPG, esta tercera prueba para detectar si existe heteroscedasticidad se
concluye que esta base de datos no contiene esta enfermedad debido a que el X
calculado es 0,26 y menor al X crítico de 5,99 por lo tanto se descarta definitivamente
los indicios de la misma.

Para detectar la autocorrelación se realizó las pruebas: Corridas o rachas, la
prueba de Durbin y la BG. Al aplicar la prueba de las rachas el resultado arrojó que el
intervalo va de 10,73 hasta 21,27 y el número de rachas son 7 por lo tanto cae fuera del
intervalo y se determina que existe autocorrelación.
La prueba de Durbin al calcular el valor del estadístico d es de 0,83 y el intervalo
va desde 1,284 hasta 1,567 por lo tanto cae dentro de la región H1 y la autocorrelación
será positiva por lo tanto existe autocorrelación. Por último se aplicó la prueba Bg
donde el X2 calculado es 9,68 y menor a X2 crítico de 38,89 entonces no existe
autocorrelación y la prueba de hipótesis será H0.
El desarrollo del modelo econométrico aplicado se determinó la correlación que
hay entre las variables mediante el análisis de la Matriz de Correlación y las pruebas
para detectar enfermedades determinaron que las variables independientes explican a la
Producción de banano en el Ecuador. Para esta investigación se recomienda revisar la
teoría económica que es la base para toda investigación de tipo econométrica, teniendo
sustentadas las variables con una buena base teórica económica desde el comienzo de la
investigación ya que evita que se caiga en un error muy común en las investigaciones
econométricas que es el error de especificación. Para este trabajo de investigación se
recomienda además ampliar un poco más la base de datos a partir de las variables ya
que artículos científicos en la actualidad incluyen nuevas variables como la tecnología,
pero para el mejor entendimiento del trabajo se utilizaron las variables tradicionales que
indican las teorías económicas.

9. BIBLIOGRAFÍA
1. Ragnar Frisch, Statistical Confluence Analysis by Means of Complete Regression

Systems, Institute of Economics, Oslo University, publ. núm. 5, 1934.
2. Peter Kennedy, A Guide to Econometrics, 3a. ed., The MIT Press, Cambridge,
Massachusetts, 1992, p. 177.
3. Goldberger, op. cit.1992, pp. 248-250.
4. Douglas Montgomery y Elizabeth Peck, Introduction to Linear Regression
Analysis, John Wiley & Sons, Nueva York, 1982, pp. 289-290. Véase también
R.L. Mason, R.F. Gunst y J.T. Webster, “Regression Analysis and Problems of
Multicollinearity,” Communications in Statistics A, vol. 4, núm. 3, 1975, pp. 277-
292; R. F. Gunsty R.L. Mason, “Advantages of Examining Multicollinearities in
Regression Analysis”, Biometrics, vol. 33, 1977,
pp. 249-260.
5. George G. Judge, R. Carter Hill, William E. Griffi ths, Helmut Lütkepohl y
Tsoung-Chao Lee, Introduction to the Theory and Practice of Econometrics, John
Wiley & Sons, Nueva York, 1982, p. 621.
6. Ibid., op. cit. 1982, p. 439.
7. Christopher H. Achen, Interpreting and Using Regression, Sage, Beverly Hills,
California, 1982, pp. 82-83.
8. Jan Kmenta, Elements of Econometrics, 2a. ed., Macmillan, Nueva York, 1986,
p. 431.
9. C. Robert Wichers, The Detection of Multicollinearity: A Comment”, Review of
Economics and Statistics, vol. 57, 1975, pp. 365-366.
10. O.J. Blanchard, “Comment”, Journal of Business and Economic Statistics, vol. 5,
1967, pp. 449-451. La cita se toma de Peter Kennedy, A Guide to Econometrics,
4a. ed., MIT Press, Cambridge, Massachusetts, 1998, p. 190.
11. Mark B. Stewart y Kenneth F. Wallis, Introductory Econometrics, 2a. ed., John
Wiley & Sons, A Halstead Press Book, Nueva York, 1981, p. 154.
12. David F. Hendry, Dynamic Econometrics, Oxford University Press, 1995, p. 45.
13. E. Malinvaud, Statistical Methods of Econometrics, North Holland, Amsterdam,
1970, pp. 88-89.
14. M. M. Ali y C. Giaccotto, “A Study of Several New and Existing Tests for
Heteroscedasticity in the General Linear Model”, Journal of Econometrics, vol.
26, 1984, pp. 355-373.
15. George G. Judge, R. Carter Hill, William E. Griffi ths, Helmut Lütkepohl y
Tsoung-Chao Lee, Introduction to the Theory and Practice of Econometrics, John
Wiley & Sons, Nueva York, 1982, p. 422.
16. G. Udny Yule y M.G. Kendall, An Introduction to the Theory of Statistics, Charles
Griffi n & Company, Londres, 1953, p. 455.
17. Maurice G. Kendall y William R. Buckland, A Dictionary of Statistical Terms,
Hafner Publishing Company, Nueva York, 1971, p. 8.
18. Gerhard Tintner, Econometrics, John Wiley & Sons, Nueva York, 1965.
19. William H. Greene, op. cit. 1965, p. 526.
20. Stanford Weisberg, Applied Linear Regression, John Wiley & Sons, Nueva
York, 1980, p. 120.
21. R.C. Geary, “Relative Efficiency of Count Sign Changes for Assessing Residual
Autoregression in Least Squares Regression”, Biometrika, vol. 57, 1970, pp.
123-127.
22. R.W. Farebrother, “The Durbin-Watson Test for Serial Correlation When There
Is No Intercept in the Regression”, Econometrica, vol. 48, 1980, pp. 1553-1563.
23. Jeffrey M. Wooldridge, Introductory Econometrics: A Modern Approach,
South-Western Publishing Co., 2003, p. 386.
24. Douglas, Paul (1976): “The Cobb – Douglas Production Function Once Again:
Its History, Its Testing, and Some Empirical Values”, Journal of Political
Economy, vol. 84, pp. 903 – 115.
25. Felipe, Jesús y Fisher, Franklin (2001): “Aggregation in Production Functions:
What Applied Economists Should Know”, Metroeconomica, Volume 54, Issue 2
– 3, May 2003, pp. 208 – 262.
26. Blasco Torrejón, Begoña . (s.f.). Expansión. Obtenido de
http://www.expansion.com/diccionario-economico/funcion-cobb-douglas.html
27. Direccion de Inteligencia Comercial e Inversiones. (2013). proecuador.gob.ec.
Obtenido de http://www.proecuador.gob.ec/wp-
content/uploads/2013/09/PROEC_AS2013_BANANO.pdf
28. Udiz, G. (s.f.). actibva.com . Obtenido de
http://www.actibva.com/magazine/economia/en-que-consiste-el-modelo-de-
crecimiento-economico-de-solow
9.1. FUENTES CONSULTADAS
1. http://www.ugr.es/~romansg/material/WebEco/tema4.pdf
2. http://www.uam.es/personal_pdi/economicas/rarce/pdf/heterocedasticidad.pdf
3. http://www.uoc.edu/in3/emath/docs/Heteroscedasticidad.pdf
4. http://es.slideshare.net/videoconferenciasutpl/autocorrelacin
5. http://cvb.ehu.es/open_course_ware/castellano/social_juri/metodos_econometricos_
analisis_datos/materiales_estudio/AUTOC4b.pdf
6. http://www.bdigital.unal.edu.co/1308/4/03CAPI02.pdf
10. ANEXOS
Fuente: FAOSTAT
AÑO PRODUCCIÓN (MILES) CAPITAL TIERRA

1980 1290621 16,8604651 70494
1981 1229555 17,9710145 63999
1982 1261284 19,6531792 65009
1983 909956 21,3256484 59306
1984 924355 24,137931 60646
1985 1075027 28,2087849 65188
1986 1364697 29,6511628 111827
1987 1374319 31 119500
1988 1516700 32,969697 127230
1989 1725936 34,5590062 130650
1990 2156617 37,2151899 143230
1991 2662750 40,1945525 168500
1992 2682831 42,775 184920
1993 2563223 46,3015464 203590
1994 3007925 47,4358974 221270
1995 3665182 48,2539683 227910
1996 3866079 49,0566038 225927
1997 4462099 49,8442368 211227
1998 3855643 50,7425743 206931
1999 3966126 51,6923077 193601
2000 3993968 54,3272268 252571
2001 3990427 54,2394015 228985
2002 4199156 53,5279805 229622
2003 4664814 54,5009186 233813
2004 4521458 56,724028 226521
2005 4764193 87,2917952 221085
2006 4908564 90,2160102 209350
2007 5174565 88,9856876 197410
2008 5270688 90,1180858 215521
2009 5700696 90,82397 216115

Econometria

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Econometria

Încărcat de

Drepturi de autor:

Formate disponibile

2015

FACULTAD DE CIENCIAS ECONÓMICAS Y

TEMA: “ANALISIS ECONOMETRICO DE LOS FACTORES QUE

INFLUYEN EN LA PRODUCCION DEL BANANO EN EL

ECUADOR DEL PERIODO 1980 – 2011”

DOCENTE: Mgs. María del Carmen Lapo

1. TEMA: “ANALISIS ECONOMETRICO DE LOS FACTORES QUE INFLUYEN EN LA

Torres Criollo Harold Andrés

Parada Merchán Aníbal David

Noblecilla Varela Jaime Gustavo

En el presente trabajo de investigación, se muestra los factores productivos

determinantes para la producción de banano en el Ecuador, un sector económico y agrícola de

mayores productores y exportador de banano en todo el mundo, obviamente con su

econométricos aplicables en clase, se podrá visualizar la importancia de la producción, la tierra

bananero, pilar fundamental de nuestra balanza de pagos y economía interna.

In this research, determining inputs for banana production in Ecuador, an economic

para poder realizar el respectivo análisis, estudio, selección de variables y futuras

proyecciones sobre el tema de investigación propiamente elegido. Puesto que el pilar

recurre a la base teoría microeconómica de la teoría de la producción. Esta rama de la

economía como es considerada, tiene su fundamentación y supuestos de que trata de

a la optimización y uso eficiente de sus factores productivos como lo son la mano de

constantemente los beneficios, puesto que al momento de realizar inversiones de capital

es limitado en la explicación de esta conducta. Esta teoría también muestra y explica el

crecimiento y la evolución de la empresa o la industria la cual servirá de ayuda para este

 Capital (Maquinarias agrícolas)

4.1. OBJETIVO GENERAL

 Establecer un Modelo Econométrico, el cual servirá para la medición del

impacto de una Política Económica en los factores que incurren en la producción

de banano en el Ecuador periodo 1980 – 2011

4.2. OBJETIVOS ESPECIFICOS

 Hacer una revisión minuciosa de la teoría económica de los factores productivos

 Desarrollar Modelos Econométricos adecuados sobre los factores que influyen

 Evaluar y desarrollar cada uno de los modelos y pruebas econométricas

 Realizar un análisis de cada uno de los modelos y pruebas econométricas para

así descartar la que no es válida para el estudio y tema de investigación.

 Identificar si ha existido una eficiente utilización de los recursos, en este caso el

banano, por parte de los grandes y pequeños productores.

 Hacer un análisis factible de regresión con el propósito de medir el grado de

 Determinar si el modelo econométrico, consta con enfermedades econométricas.

 Encontrar las curas que se hallen en el modelo econométrico.

 Brindar recomendaciones a nivel público sobre el manejo de los recursos y

factores productivos determinantes en el sector Bananero.

Los datos que se establecen en la tabla de la producción de banano se

En esta parte de la sección estamos dispuestos a dedicarnos a un análisis de las

diferentes pruebas econométricas y a su vez validar el modelo econométrico que se

ajuste lo más posible a la realidad de la investigación.

Para el desarrollo de este trabajo se utilizará métodos cuantitativos de tipo

enfermedades como “MULTICOLINEALIDAD – HETEROSCEDASTICIDAD –

 ANTECEDENTES HISTÓRICOS DE LA MULTICOLINEALIDAD

(Frischque, 1934, pg. 5): “La multicolinealidad se refiere a la existencia de más

Pero esta distinción pocas veces se mantiene en la práctica, y se hace entonces

referencia a multicolinealidad en ambos casos”.

Es la enfermedad presentada por la alta correlación entre las variables

correlacionadas y al momento de tener los estimadores no se sabrá los aportes que

series de tiempo y muy poco en corte transversal.

Y = f(X2, X3, X4)

(Kennedy, 1992, pg. 177): “la estimación de problemas lo bastante importantes

modelo CRL [clásico de regresión lineal]”. Referente al problema que enfrenta un

investigador cuando se encuentra esta enfermedad en su modelo.

1.- ¿Cuál es su Naturaleza?

2.- ¿Cuáles son las consecuencias Prácticas

3.- ¿Cómo se detecta?

4.- ¿Cómo se remedia?

La multicolinealidad se clasifica en dos: