UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

FACULTAD DE CIENCIAS JURÍDICAS Y EMPRESARIALES

ESCUELA PROFESIONAL INGENIERÍA COMERCIAL

CURSO:

MÉTODOS ECONOMÉTRICOS

DOCENTE:

DR. PEDRO PABLO CHAMBI CONDORI

TEMA:

“MODELAMIENTO DE REGRESIÓN LINEAL SIMPLE”

ESTUDIANTE:

MARTHA ESTEPHANY CAHUI CAHUI

CÓDIGO:

2016-106054

TACNA-PERÚ
2018
 MODELO REGRESIÓN LINEAL SIMPLE

CONTENIDO
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN .................................................. 1
FACULTAD DE CIENCIAS JURÍDICAS Y EMPRESARIALES .................................................. 1
ESCUELA PROFESIONAL INGENIERÍA COMERCIAL ............................................................. 1
2018 ............................................................................................................................................... 1
TRABAJO ENCARGADO ............................................................................................................ 3
1. TRABAJANDO CON EVIEWS PASO A PASO - CASO N° 1: ............................................ 3
Tabla N° 001: Regresión lineal con eviews. ....................................................................... 6
Modelamiento de regresión lineal simple: .......................................................................... 6
a) Modelo del consumo: ........................................................................................................ 7
2. CÁLCULO DE LAS VARIANZAS ......................................................................................... 7
2.1. Varianza del modelo: ............................................................................................... 7
2.2. Varianza del estimador β˳: ...................................................................................... 7
2.3. Varianza del estimador β₁: ...................................................................................... 7
3. INTERVALO DE CONFIANZA ................................................................................................. 8
3.1. Intervalo de confianza del error del modelo. ............................................................. 8
3.2. Intervalo de confianza del estimador β˳: .................................................................... 8
3.3. Intervalo de confianza del estimador β₁:.................................................................... 9
4. PRUEBA DE HIPOTESIS DE LOS ESTIMADORES: .............................................................. 9
4.1. Prueba de hipótesis de β˳: ............................................................................................ 9

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 2

 MODELO REGRESIÓN LINEAL SIMPLE

TRABAJO ENCARGADO
EJERCICIO N° 1:

Se tiene la siguiente data:

PERIODO 1 2 3 4 5 6 7 8 9 10

CONSUMO 70 65 90 95 110 115 120 140 155 150

INGRESO 80 100 120 140 160 180 200 220 240 260

Datos de las variables consumo (X) y precio (Y).

Con el soporte de Eviews calculamos:

a) El modelo del consumo en el que se manifiesta el ingreso.

b) Prueba de hipótesis de los parámetros del modelo.

c) Prueba de hipótesis global de los parámetros en conjunto.

1. TRABAJANDO CON EVIEWS PASO A PASO - CASO N° 1:

Para trabajar con el programa Eviews, accedemos al ícono correspondiente

desde nuestro escritorio y abrimos la aplicación.

Primero creamos una carpeta de trabajo. click en FILE>NEW >WORKFILE

Figura N°01: creando la carpeta de trabajo.

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 3

 MODELO REGRESIÓN LINEAL SIMPLE

Luego dar click en workfile, SELECCIONAR el tipo de estructura y especificar

la cantidad de periodos, aparecerá la pantalla que se observa en la siguiente

figura:

Figura N°02: creando condiciones de la carpeta de trabajo

Luego damos OK.

Luego damos click en Quick>Empty Group (Edit series) y digitamos en cada

celda los datos correspondientes. Luego damos click en Ser01, Ser02 >

Rename y cambiamos el nombre de la etiqueta y damos OK.

Figura N° 03: Captura de datos. Figura N°04: Renombre de etiquetas.

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 4

 MODELO REGRESIÓN LINEAL SIMPLE

Variables:

Consumo (Y) = variable dependiente

Ingreso (X) = variable independiente

Para OBTENER el modelo damos click: Quick > Estimate equation.

Digitamos la especificaciones de la ecuación,aparecerá la pantalla que se

observa en la siguiente figura:

Figura N°05: modelo

Luego click ACEPTAR, se obtiene como resultado la estimación

correspondiente.

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 5

 MODELO REGRESIÓN LINEAL SIMPLE

Se aparecerá la siguiente tabla que se observa:

Tabla N° 001: Regresión lineal con eviews.

Dependent Variable: CONSUMO

Method: Least Squares
Date: 04/13/18 Time: 11:00
Sample: 1 10
Included observations: 10

Variable Coefficient Std. Error t-Statistic Prob.

C 24.45455 6.413817 3.812791 0.0051

INGRESO 0.509091 0.035743 14.24317 0.0000

R-squared 0.962062 Mean dependent var 111.0000

Adjusted R-squared 0.957319 S.D. dependent var 31.42893
S.E. of regression 6.493003 Akaike info criterion 6.756184
Sum squared resid 337.2727 Schwarz criterion 6.816701
Log likelihood -31.78092 Hannan-Quinn criter. 6.689797
F-statistic 202.8679 Durbin-Watson stat 2.680127
Prob(F-statistic) 0.000001

Modelamiento de regresión lineal simple:

Cuadro Excel N°01
consumo (Y) ingreso (X) x-xm Y-YM (X-XM)(Y-YM) (X-XM)^2 Ys (Y-Ys)^2 X^2 (ys-ym)^2 (Y-Ym)^2
1 70 80 -90 -41 3690 8100 65.1818182 23.21487603 6400 2099.30579 1681
2 65 100 -70 -46 3220 4900 75.3636364 107.4049587 10000 1269.95041 2116
3 90 120 -50 -21 1050 2500 85.5454545 19.84297521 14400 647.933884 441
4 95 140 -30 -16 480 900 95.7272727 0.52892562 19600 233.256198 256
5 110 160 -10 -1 10 100 105.909091 16.73553719 25600 25.9173554 1
6 115 180 10 4 40 100 116.090909 1.190082645 32400 25.9173554 16
7 120 200 30 9 270 900 126.272727 39.34710744 40000 233.256198 81
8 140 220 50 29 1450 2500 136.454545 12.57024793 48400 647.933884 841
9 155 240 70 44 3080 4900 146.636364 69.95041322 57600 1269.95041 1936
10 150 260 90 39 3510 8100 156.818182 46.48760331 67600 2099.30579 1521
suma 1110 1700 0 16800 33000 1110 337.2727273 322000 8552.72727 8890
media 111 170 1680 3300

Modelo teórico:

Y= β˳+β₁Χᵢ +Ɛᵢ

Y: Variable dependiente X: Variable independiente

β˳ y β₁: estimadores i =1, 2, 3,…, n Ɛ: error

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 6

 MODELO REGRESIÓN LINEAL SIMPLE

Solución:

a) Modelo del consumo:

Consumo = 24.45455 + (0.509091) (ingreso) + E

2. CÁLCULO DE LAS VARIANZAS

2.1. Varianza del error:

2
∑𝑛𝑖=1(𝑌 − Ŷ)²
𝜎 Ɛ=
𝑛−𝑘

337.272727272728
𝜎2Ɛ =
8
= 42.1590909125

n : Número de observaciones, en este caso es 10.

K : Número de coeficientes, en este caso es 2.

2.2. Varianza del estimador β˳:

∑(𝑥 )2 322000
𝜎 2𝛽˳ = (𝑛 ∑(𝑥−𝑥
1
̂)2
) ∗ 𝜎𝜀2 = (10(33000)) ∗ 42.1590909125

𝜎 2𝛽˳ =41.1370523

Donde su desviación estándar es 6.413817 (ver. Tabla N°001).

2.3. Varianza del estimador β₁:

𝜎𝜀2 42.1590909125
𝜎 2𝛽1 = ( 2
)=( ) = 0.0012775482094697
∑(𝑥 − 𝑥̂) 33000

Donde su desviación estándar es 0.035743 (ver. Tabla N°001).

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 7

 MODELO REGRESIÓN LINEAL SIMPLE

3. INTERVALO DE CONFIANZA

3.1. Intervalo de confianza del error del modelo.

La ecuación es la siguiente:

De la tabla de chi- cuadrada (𝑋²):

Donde:

Nivel de confianza = 95% ; Nivel de significancia = 0.05

n =10, k=2 entonces gl=(n-k) = 8

²
El valor de Xα/2 = 17.5 cuando pr= 0.025

²
El valor de X1− α/2 = 2.18 cuando pr= 0.975

42.1590909125 42.1590909125
Pr[(10 − 2) ≤ 𝜎𝜀2 ≤ (10 − 2) ]=1-α
17.5 2.18

19.272727≤ 𝜎𝜀2 ≤ 154.7122602293578

3.2. Intervalo de confianza del estimador β˳:

Para establecer los intervalos de confianza del coeficiente β˳ se asume que se

distribuye normalmente.

Su ecuación es la siguiente:

Pr[𝛽˳ ± (𝑡α ∗ σ 𝛽˳)] = 1 − α

2

Pr[ 24.45455 ± (2.306*6.413817)] =1-0.025

9.664287998 ≤ β˳ ≤39.244812002
El β˳ tiene la probabilidad del 95% para ubicarse en el intervalo de

9.664287998 a 39.244812002.

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 8

 MODELO REGRESIÓN LINEAL SIMPLE

3.3. Intervalo de confianza del estimador β₁:

Pr[β₁ ± (𝑡α ∗ σ β₁) =] 1 − α

2

Pr [0.509090909 ± (2.306*0.035743)] =1-0.025

0.426667551 ≤ β₁ ≤ 0.591514267

Esto muestra que al establecer intervalos de confianza para 𝛽₁, tiene la

probabilidad del 95% de ubicarse e n el rango de 0.426667551 a 0.591514267.

4. PRUEBA DE HIPOTESIS DE LOS ESTIMADORES:

A la prueba de hipótesis también se le llama con el nombre de corroboración

empírica. Consiste en someter a la variable a valores críticos de significanciade

estadística de 1%,5%,10% de probabilidad.

4.1. Prueba de hipótesis de β˳:

Para la prueba de hipótesis del coeficiente β˳se utiliza la distribución de t -

student.
Hipótesis nula: Ho = 0
Hipótesis alternativa o de investigación: Hᵢ ≠ 0

β˳
𝑡=
𝜎β˳
24.45455
t=
6.413817
t=3.81279198
T calculada del intercepto =3.81279198
T teórica al 95% de confianza para 8 gl = 2.306
Regla de decisión:

Si T calculada > T teórica, entonces se acepta que β˳ es diferente de cero. Se

acepta H1 y se rechaza Ho.

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 9

 MODELO REGRESIÓN LINEAL SIMPLE

4.2 Prueba de hipótesis de β₁:

Hipótesis nula: Ho = 0
Hipótesis alternativa o de investigación: Hᵢ ≠ 0

β₁
𝑡=
𝜎β₁
0.509090909
𝑡=
0.035743
t =14.243094

T calculada del intercepto = 14.243094

T teórica a 95% de confianza y 8 gl = 2.306

Regla de decisión:

Si T calculada > T teórica, entonces se acepta que β₁ es diferente de cero. Se

acepta H1 y se rechaza Ho.

En valor absoluto la T calculada es mayor que la T teórica, por tanto se acepta

la hipótesis alternativa, con el argumento de que β₁ es diferente de cero. La

prueba de hipótesis de los coeficientes, quiere decir que tanto el coeficiente β˳ y

el coeficiente β₁ son estadísticamente significativos a 95% de confianza

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 10

 MODELO REGRESIÓN LINEAL SIMPLE

5. Prueba de hipótesis global

Esta prueba se realiza a los coeficientes de manera conjunta. Para ello se

utiliza la prueba de Fisher – Snedecor, para lo que invocamos la ecuación

siguiente:

∑𝑛𝑖=1(𝑌𝑠 − Ŷ)^2
𝐹 = 𝑛 𝐾−1
∑𝑖=1(𝑌 − 𝑌𝑠)²
𝑛−𝐾

2852.11267605634
𝐹= 1
337.2727273
8

F= 202.867925

Hipótesis nula:
Ho: β̥ = β₁ = 0
Hipótesis alternativa:

H₁: β̥ ≠ β₁ ≠ 0

Regla de decisión:

Si F calculada > F teórica, entonces se acepta la H1 y se rechaza la Ho, de lo

contrario se acepta la Ho.

Fcalculada = 202.867925 , F teórica para grados de libertad (numerador 1/

denominador 8 ) a 95 % de nivel de confianza ,F teórica = 5.318

Entonces, como F calculada > F teórica, se acepta la H1. Lo que quiere decir

que los parámetros en conjunto son estadísticamente significativos a nivel de

confianza de 95%.

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 11

 MODELO REGRESIÓN LINEAL SIMPLE

6. Coeficiente de correlación:

𝑆𝐶𝐸
𝑅=
𝑆𝐶𝑇

8552.727273
𝑅=
8890

=0.96206156

Quiere decir, que el INGRESO explica el consumo de las n familias de la muestra

en un 96.20%. las demás variables, que no se tuvieron en cuenta en el modelo,

corresponden al 3.80%.

GRAFICA N° 001

Caso N° 1, click en proc > forecast.

Figura N°06: gráfica del modelo, consumo- ingreso

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 12

 MODELO REGRESIÓN LINEAL SIMPLE

GRAFICA N° 002 modelo

Fuente propia: Martha cahui cahui

Fuente propia: Martha cahui cahui

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 13

 MODELO REGRESIÓN LINEAL SIMPLE

EJERCICIO N° 2:

Se tiene la siguiente data:

PERIODO 1 2 3 4 5 6 7 8 9 10
VENTAS 126 110 87 97 80 84 129 126 115 91
GASTOS 25 21 15 22 15 16 28 30 23 15
PROMOCIONALES

Variables:

Ventas (Y) = variable dependiente

Gastos promocionales (X) = variable independiente

Con el soporte de Eviews calculamos:

d) El modelo del consumo en el que se manifiesta el ingreso.

e) Prueba de hipótesis de los parámetros del modelo.

f) Prueba de hipótesis global de los parámetros en conjunto.

3. TRABAJANDO CON EVIEWS PASO A PASO - CASO N° 2:

Realizamos los mismos pasos del caso N° 1 con eviews, lo único que cambiara

será lo siguiente :

Para OBTENER el modelo damos click: Quick > Estimate equation.

Digitamos la especificaciones de la ecuación : ventas c gastos.

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 14

 MODELO REGRESIÓN LINEAL SIMPLE

Luego click ACEPTAR, se obtiene como resultado la estimación

correspondiente.

Se aparecerá la siguiente tabla que se observa:

Dependent Variable: VENTAS

Method: Least Squares
Date: 04/13/18 Time: 12:03
Sample: 1 10
Included observations: 10

Variable Coefficient Std. Error t-Statistic Prob.

C 37.95070 8.841698 4.292242 0.0026

GASTOS 3.169014 0.408098 7.765332 0.0001

R-squared 0.882870 Mean dependent var 104.5000

Adjusted R-squared 0.868229 S.D. dependent var 18.94583
S.E. of regression 6.877384 Akaike info criterion 6.871210
Sum squared resid 378.3873 Schwarz criterion 6.931727
Log likelihood -32.35605 Hannan-Quinn criter. 6.804823
F-statistic 60.30039 Durbin-Watson stat 1.230523
Prob(F-statistic) 0.000054

Modelamiento de regresión lineal simple:

consumo (Y) ingreso (X) x-xm Y-YM (X-XM)(Y-YM) (X-XM)^2 Ys (Y-Ys)^2 X^2 (ys-ym)^2 (Y-Ym)^2
1 126 25 4 21.5 86 16 117.176056 77.86198175 625 160.682404 462.25
2 110 21 0 5.5 0 0 104.5 30.25 441 0 30.25
3 87 15 -6 -17.5 105 36 85.4859155 2.292451894 225 361.53541 306.25
4 97 22 1 -7.5 -7.5 1 107.669014 113.8278615 484 10.0426503 56.25
5 80 15 -6 -24.5 147 36 85.4859155 30.0952688 225 361.53541 600.25
6 84 16 -5 -20.5 102.5 25 88.6549296 21.66836937 256 251.066257 420.25
7 129 28 7 24.5 171.5 49 126.683099 5.368032136 784 492.089863 600.25
8 126 30 9 21.5 193.5 81 133.021127 49.29622099 900 813.454672 462.25
9 115 23 2 10.5 21 4 110.838028 17.32200952 529 40.1706011 110.25
10 91 15 -6 -13.5 81 36 85.4859155 30.40512795 225 361.53541 182.25
suma 1045 210 0 900 284 1045 378.3873239 4694 2852.11268 3230.5
media 104.5 21 90 28.4

Solución:

a) Modelo de ventas:

Ventas = 37.95070 + (3.169014) (gastos) + 6.877384

4. CÁLCULO DE LAS VARIANZAS

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 15

 MODELO REGRESIÓN LINEAL SIMPLE

4.1. Varianza del error:

3230.5
𝜎2Ɛ =
8

𝜎 2 Ɛ =403.8125

n : Número de observaciones, en este caso es 10.

K : Número de coeficientes, en este caso es 2.

1.1. Varianza del estimador β˳:

∑(𝑥1 )2 210
𝜎 2𝛽˳ = ( ) ∗ 𝜎𝜀
2
= ( ) ∗ 403.8125
𝑛 ∑(𝑥 − 𝑥̂)2 10(284)

𝜎 2𝛽˳ =29.8593742

Donde su desviación estándar es 8.841698 (ver. Tabla N°001).

1.2. Varianza del estimador β₁:

𝜎𝜀2 403.8125
𝜎 2𝛽1 = ( 2
)=( ) = 1.421875
∑(𝑥 − 𝑥̂) 284

Donde su desviación estándar es 0.408098 (ver. Tabla N°001).

3. INTERVALO DE CONFIANZA

3.1. Intervalo de confianza del error del modelo.

La ecuación es la siguiente:

De la tabla de chi- cuadrada (𝑋²):

Donde:

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 16

 MODELO REGRESIÓN LINEAL SIMPLE

Nivel de confianza = 95% ; Nivel de significancia = 0.05

n =10, k=2 entonces gl=(n-k) = 8

²
El valor de Xα/2 = 17.5 cuando pr= 0.025

²
El valor de X1− α/2 = 2.18 cuando pr= 0.975

403.8125 403.8125
Pr[(10 − 2) ≤ 𝜎𝜀2 ≤ (10 − 2) ]=1-α
17.5 2.18

184.6≤ 𝜎𝜀2 ≤ 1481.88074

3.2. Intervalo de confianza del estimador β˳:

Para establecer los intervalos de confianza del coeficiente β˳ se asume que se

distribuye normalmente.

Su ecuación es la siguiente:

Pr[𝛽˳ ± (𝑡α ∗ σ 𝛽˳)] = 1 − α

2

Pr[ 37.95070 ± (2.306*8.841698)] =1-0.025

17.5617444 ≤ β˳ ≤58.3396556
El β˳ tiene la probabilidad del 95% para ubicarse en el intervalo de.

17.5617444 a 58.3396556.

3.3. Intervalo de confianza del estimador β₁:

Pr[β₁ ± (𝑡α ∗ σ β₁) =] 1 − α

2

Pr [3.169014± (2.306*0.408098)] =1-0.025

0.94107399
2.22794001 ≤ β1 ≤ 4.11008799

Esto muestra que al establecer intervalos de confianza para 𝛽₁, tiene la

probabilidad del 95% de ubicarse e n el rango de 2.22794001 𝑎 4.11008799

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 17

 MODELO REGRESIÓN LINEAL SIMPLE

4. PRUEBA DE HIPOTESIS DE LOS ESTIMADORES:

A la prueba de hipótesis también se le llama con el nombre de corroboración

empírica. Consiste en someter a la variable a valores críticos de significanciade

estadística de 1%,5%,10% de probabilidad.

4.1. Prueba de hipótesis de β˳:

Para la prueba de hipótesis del coeficiente β˳se utiliza la distribución de t -

student.
Hipótesis nula: Ho = 0
Hipótesis alternativa o de investigación: Hᵢ ≠ 0

β˳
𝑡=
𝜎β˳
37.95070
t=8.841698

t=4.292241711
T calculada del intercepto =4.292241711
T teórica al 95% de confianza para 8 gl = 2.306
Regla de decisión:

Si T calculada > T teórica, entonces se acepta que β˳ es diferente de cero. Se

acepta H1 y se rechaza Ho.

4.2 Prueba de hipótesis de β₁:

Hipótesis nula: Ho = 0
Hipótesis alternativa o de investigación: Hᵢ ≠ 0

β₁
𝑡=
𝜎β₁

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 18

 MODELO REGRESIÓN LINEAL SIMPLE

3.169014
𝑡=
0.408098
t =7.765332269

T calculada del intercepto = 7.765332269

T teórica a 95% de confianza y 8 gl = 2.306

Regla de decisión:

Si T calculada > T teórica, entonces se acepta que β₁ es diferente de cero. Se

acepta H1 y se rechaza Ho.

En valor absoluto la T calculada es mayor que la T teórica, por tanto se acepta

la hipótesis alternativa, con el argumento de que β₁ es diferente de cero. La

prueba de hipótesis de los coeficientes, quiere decir que tanto el coeficiente β˳ y

el coeficiente β₁ son estadísticamente significativos a 95% de confianza

5. Prueba de hipótesis global

Esta prueba se realiza a los coeficientes de manera conjunta. Para ello se

utiliza la prueba de Fisher – Snedecor, para lo que invocamos la ecuación

siguiente:

∑𝑛𝑖=1(𝑌𝑠 − Ŷ)^2
𝐹 = 𝑛 𝐾−1
∑𝑖=1(𝑌 − 𝑌𝑠)²
𝑛−𝐾

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 19

 MODELO REGRESIÓN LINEAL SIMPLE

8552.727273
𝐹= 1
378.387323943662
8

F= 60.30038526

Hipótesis nula:
Ho: β̥ = β₁ = 0
Hipótesis alternativa:

H₁: β̥ ≠ β₁ ≠ 0

Regla de decisión:

Si F calculada > F teórica, entonces se acepta la H1 y se rechaza la Ho, de lo

contrario se acepta la Ho.

Fcalculada = 60.30038526, F teórica para grados de libertad (numerador 1/

denominador 8 ) a 95 % de nivel de confianza ,F teórica = 5.318

Entonces, como F calculada > F teórica, se acepta la H1. Lo que quiere decir

que los parámetros en conjunto son estadísticamente significativos a nivel de

confianza de 95%.

6. Coeficiente de correlación:

𝑆𝐶𝐸
𝑅=
𝑆𝐶𝑇

2852.112676
𝑅=
3230.5

=0.8828703532

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 20

 MODELO REGRESIÓN LINEAL SIMPLE

Quiere decir, que el INGRESO explica el consumo de las n familias de la muestra

en un 88.20%. las demás variables, que no se tuvieron en cuenta en el modelo,

corresponden al 11.80%.

GRAFICA N 2

2016-106054 : MARTHA ESTEPHANY CAHUI CAHUI 21