Documente Academic
Documente Profesional
Documente Cultură
TRABAJO
17/04/2016
4.1. Modelo estimado por mínimos cuadrados Ordinarios:
Cuadro 01
2. Supuesto homocedasticidad:
Se recuerda que este supuesto, que la varianza de los errores es constante y finita. Si
esta condición no es satisfecha, se afirma que los errores son heterocedasticos.
Dada las limitaciones del análisis gráfico, se empleara el test matemático de White que
permita determinar la presencia de heterocedastico en la varianza de los errores.
Cuadro 03
Test de heterocedasticidad de White.
Analizando el test de Breuch-Pagan, se puede apreciar en el cuadro 04 que Prob > chi2
es igual a 0.000, el cual es menor al nivel de significancia (5%), se puede rechazar la
hipótesis nula de que la varianza es constante, es decir que el modelo presenta
heterocedasticidad.
Dado que las la prueba de herosedastcidad de White y el test de Breuch-Pagan realizada
nos indica que en el modelo existe heterocedasticidad, y debido a esto se procede a
realizar una corrección del modelo mediante los estimadores robustos que propone
White, esto se puede apreciar en el cuadro 05
Cuadro 05
En el cuadro 05 se puede apreciar los estimadores robustos propuestos por White para
solucionar el problema de heterosedaticidad, en este cuadro se puede apreciar ligeros
cambios en los parámetros y en los errores estándar de los estimadores, con lo cual se
puede estar afirmar que el modelo presenta homosedasticidad.
3. Supuesto de no autocorrelacion.
Para validar este supuesto utilizaremos el test de Durbin – Watson, las hipótesis de este
test serán:
Ho: No hay presencia de autocorrelacion
H1: Si hay presencia de autocorrelacion
Cuadro 06
Como se puede observar en el cuadro 09, el test de Jarque-Bera normality test nos da
un valor de 42.11 el cual se ubica a la derecha de valor critico de Chi(2) que es 7.2e-10,
lo cual nos lleva a rechazar la hipótesis nula de normalidad de los errores.
Grafico 01
.06
Kernel density estimate
40
.04
30
Density
.02
Residuals
20
0
10
0
-.02
-.04 -.02 0 .02 .04 .06
Residuals
-.04
Kernel density estimate
Normal density
-.04 -.02 0 .02 .04
kernel = epanechnikov, bandwidth = 0.0030 Inverse Normal
En los gráficos se puede apreciar que los errores no se distribuyen normalmente, con lo
que se rechaza la H0 de normalidad, pero esto no es un problema ya que bajo el teorema
del límite central (la distribución de las medias muéstrales se distribuye normalmente si
el tamaño de la muestra es lo suficientemente grande.
Cuadro 06
En el cuadro 06 se puede observar, que el Prob > F asociado con el test (0.522) es mayor
que el nivel de significancia deseado (0.05). Por lo tanto, se acepta la hipótesis nula y se
puede concluir que el modelo no tiene variables omitidas.
Modelo optimo estimado por mínimos cuadrados Ordinarios:
lnQ = B0 + B1 *lnK + B2*lnL + B3*lnC + B4*lnA + B5* lnP + ui
lnQ = 1.103329+ .0071022*lnK+.03869*lnL+ .135467*lnC+.5930886*lnA+ .2544173* lnP