Documente Academic
Documente Profesional
Documente Cultură
9
Econometría 1 – 2007 II
Prof. Bernal
Así, STATA identifica la base de datos como una serie de tiempo, donde la variable año
es la que representa el indicador de tiempo.
c. Los resultados de la estimación son (no olvidar generar los logaritmos de las
variables y el rezago al índice de precios antes de correr la regresión):
. gen log_inv=log(inv)
. gen log_pop=log(pop)
. gen log_price=log(price)
. gen lag_lprice=log_price[_n-1]
(1 missing value generated)
1
Residual | .73728905 38 .019402343 R-squared = 0.7669
-------------+------------------------------ Adj R-squared = 0.7546
Total | 3.1628529 40 .079071322 Root MSE = .13929
------------------------------------------------------------------------------
log_inv | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
log_pop | 1.963615 .2419208 8.12 0.000 1.473872 2.453358
lag_lprice | -1.166681 .5898602 -1.98 0.055 -2.36079 .027429
_cons | -12.5148 2.994132 -4.18 0.000 -18.5761 -6.453495
------------------------------------------------------------------------------
2
f. El modelo a estimar es:
uˆ t = α + ρuˆ t −1 + vt
. gen lag_uhat=uhat[_n-1]
(2 missing values generated)
------------------------------------------------------------------------------
uhat | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lag_uhat | .5491713 .1364669 4.02 0.000 .2731409 .8252017
------------------------------------------------------------------------------
∑ (uˆ t − uˆ t −1 )
2
DW = t =2
n
∑ uˆ
t =1
2
t
∑ (uˆ − uˆ t −1 )
2
t = .6667
t =2
n
∑ uˆ
t =1
2
t = .7373
DW = .9043
3
Dado que DW<1.391 para n = 40 y K = 2 (el valor del límite inferior), se rechaza la
hipótesis nula, evidenciando la existencia de correlación serial positiva ( ρ > 0) .
. display 2*(1-.5491713)
.9016574
4
log(inv) t −| = B0 + B1 log( pop ) t −1 + B2 log( price) t − 2 + u t −1
lo que equivale a:
------------------------------------------------------------------------------
log_inv_ti~a | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
log_pop_ti~a | 2.445304 .3855195 6.34 0.000 1.664167 3.226441
lag_lprice~a | -2.500552 .8071055 -3.10 0.004 -4.135903 -.8652013
_cons | -8.344219 2.144197 -3.89 0.000 -12.68878 -3.999663
------------------------------------------------------------------------------
Hay que recordar que es necesario dividir el intercepto por 1 − ρ para obtener el
verdadero estimador de éste. Así, el modelo estimado es:
5
log(inv) *t = -18.50864 + 2.445304 log( pop) *t − 2.500552 log( price) *t −1 (3)
Se observa que los signos de los coeficientes siguen siendo los mismos. Sin embargo los
efectos de la población y el nivel de precios sobre la inversión son mucho mayores, en
particular, prácticamente doblan a los del modelo sin transformar. Lo más importante es
que los errores estándar disminuyen significativamente con respecto al modelo estimado
en el inciso a. Como resultado de ello, todas las variables del modelo son ahora
significativas al 1%.
------------------------------------------------------------------------------
log_inv | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
log_pop | 2.445305 .3855196 6.34 0.000 1.664168 3.226442
lag_lprice | -2.500552 .8071055 -3.10 0.004 -4.135903 -.8652009
_cons | -18.50864 4.756125 -3.89 0.000 -28.14547 -8.871816
-------------+----------------------------------------------------------------
rho | .5491713
------------------------------------------------------------------------------
Durbin-Watson statistic (original) 0.904325
Durbin-Watson statistic (transformed) 1.360632