Anexo 01

CURSO DE PRACTICAS 2016

TRABAJO

Modelación econométrica de la función de producción

de la Empresa ECOCRET S.A. para la toma de
decisiones.

Joel Gianmarco Alarcon Mamani

17/04/2016
4.1. Modelo estimado por mínimos cuadrados Ordinarios:

Cuadro 01

Regresión por MCO

En este primer modelo regresionado por el método de mínimos cuadrados ordinarios

se puede apreciar en el cuadro 01 que:
 Las variables L, A, P y Ad RieP individualmente son significativas, pero también
se puede ver que la constante o el intercepto es significativa para el modelo, es
decir, que en su mayoría las variables son significativas individualmente, a
excepción de la variable K.
 Las variables K, L, A, P y Ad RieP explican en 99.39% a la variable Q.
Validación del modelo estimado:
1. Supuesto de linealidad:
Para estudiar si los datos se ajustan a modelo lineal se emplea la prueba del análisis de
varianza (ANOVA) que se basa en la distribución F de Fisher. Este test es estándar y se
presenta en la hoja de resultados del cuadro 02. Las hipótesis que se desean probar son
las siguientes:
H0: No existe una relación lineal entre (Q) y todas las variables exógenas (x).
H1: Existe una relación lineal entre (Q) y todas las variables exógenas (x).
Cuadro 02

Test de linealidad entre las variables

En este caso, se ha determinado que el nivel de significancia deseado es del 5%. Por lo
tanto, como el p-valor = 0,00000 < 0,05, se rechazara la hipótesis nula, lo que significa
que la especificación lineal puede considerarse valida, es decir que rechazamos la
hipótesis nula H0 y aceptamos la hipótesis alternativa H1.

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 cuadro 03 y asumiendo un nivel de significancia del 5% y utilizando los p-

valores para decidir si se rechaza o no la hipótesis nula de homocedasticidad:
Ho: El error es homocedastico
H1: El error es heterocedastico
 p-valores Decisión
Se acepta la hipótesis nula (Ho) de que
Prob > chi2 = 0.0000 < 0.05
el error es homocedastico.

En conclusión, se puede afirmar que los errores de la regresión no cumplen con el

supuesto de homocedasticidad, es decir, que los errores no tienen varianza constante.
Cuadro 04
Test de heterocedasticidad de Breuch-Pagan.

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

En el Cuadro 06 se puede apreciar que el test de Durbin – Watson tiene un valor de

.8053552, el cual se encuentra dentro del rango [1.550; 1.803], Por lo tanto, no se podría
afirmar que en el modelo los errores presentan autocorrelacion o no autocorrelacion de
primer orden.
Para solucionar este problema de autocorrelacion se procederá a utilizar la estimación
de Prais, estos resultados se pueden apreciar en el cuadro 07.
Cuadro 07

Como se puede observar en el cuadro 07 la estimación de breusch-godfrey nos muestra

que el modelo presenta autocorrelacion hasta tercer orden, Por lo tanto, se puede
afirmar que el modelo presenta autocorrelacion de tercer orden.
Se corrige la ecuación de autocorrelación temporal incorporando al comando
cluster(year).
Cuadro 08
 4. Supuesto de normalidad de los errores.
Este supuesto afirma que los errores siguen una distribución normal con media cero y
varianza σ2, y para validar este supuesto se utilizara el test de normalidad de Jarque –
Bera, el cual tiene las siguientes hipótesis.
Ho: La distribución de los errores es la distribución normal
H1: La distribución de los errores no es la distribución normal
En el siguiente grafico se optienen los resultados del test de normalidad de Jarque –
Bera.
Cuadro 09

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.

También podemos realizar un análisis grafico de la distribución de los errores, esto

puede ser:

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.

5. Especificación funcional del modelo.

La especificación funcional del modelo tiene que ver con la consistencia y el
isesgamiento de los parámetros estimados en el cuadro 08, con lo cual es posible realizar
inferencias con los resultados obtenidos.
Para probar el error de especificación del modelo se utilizará el test de Ramsey, conocido
como RESET por sus siglas en inglés (Regression Specification Error Test), el cual tiene
las siguientes hipótesis.
Ho: El modelo no tiene variables omitidas
H1: El modelo si tiene variables omitidas

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

 B1 es la elasticidad (parcial) del producto final (Producción de Concreto Pre-

mezclado (Y)) con respecto al insumo capital o factor capital, es decir, mide el
cambio porcentual en la producción debido, a una variación del 1% en el insumo
capital, manteniendo todos los demás insumos constantes (ceteris paribus).

 B2 es la elasticidad (parcial) del producto final (Producción de Concreto Pre-

mezclado (Y)) con respecto al insumo trabajo o factor mano de obra, es decir,
mide el cambio porcentual en la producción debido, a una variación del 1% en el
insumo trabajo, manteniendo todos los demás insumos constantes (ceteris
paribus).

 B3 es la elasticidad (parcial) del producto final (Producción de Concreto Pre-

mezclado (Y)) con respecto al insumo cemento o factor cemento, es decir, mide
el cambio porcentual en la producción debido, a una variación del 1% en el
insumo cemento, manteniendo todos los demás insumos constantes (ceteris
paribus).

 B4 es la elasticidad (parcial) del producto final (Producción de Concreto Pre-

mezclado (Y)) con respecto al insumo arena o factor arena, es decir, mide el
cambio porcentual en la producción debido, a una variación del 1% en el insumo
arena, manteniendo todos los demás insumos constantes (ceteris paribus).

 B4 es la elasticidad (parcial) del producto final (Producción de Concreto Pre-

mezclado (Y)) con respecto al insumo piedra o factor piedra, es decir, mide el
cambio porcentual en la producción debido, a una variación del 1% en el insumo
piedra, manteniendo todos los demás insumos constantes (ceteris paribus).
 Así la suma de (B1+B2+B3+B4+B5) nos da la información sobre los rendimientos a
escala, es decir, la respuesta de la Producción de agregados a un cambio
proporcional a los factores. Si esta suma es 1, entonces existen rendimientos
constantes a escala, es decir, la duplicación de los insumos duplicará la
producción, la triplicación de los insumos triplicará la producción y así
sucesivamente. Si la suma es menor que 1, existen rendimientos decrecientes a
escala: duplicando los insumos, la producción crecerá en menos del doble.
Finalmente, si la suma es mayor que 1, habrá rendimientos crecientes a escala;
la duplicación de los insumos aumentará el producto en más del doble. Para el
caso de nuestro estudio, se pude afirmar que la empresa presenta rendimientos
constantes a escala, lo cual indica Cuando la empresa IBG incrementa el uso de
los factores productivos, la producción de Concreto se incrementa en mayor
proporción.