UNIVERSIDAD ESAN

MAESTRIA EN FINANZAS

ASIGNATURA: METODOS CUANTITATIVOS EN FINANZAS

TÍTULO Y/O TEMA: ANALISIS ESTADISTICO

El presente trabajo ha sido realizado por:

 ADERLY CUELLAR, ZEGARRA

 Taller 1. Regresión

1. Utilice la hoja de excel denominada base

2. Calcule el coeficiente de correlación de las dos variables X,Y y haga un
gráfico de la distribución de estas ( guarde para completar el informe)

CORRELACION (YX):

Correlaciones
Y X
Y Correlación de 1 ,979**
Pearson
Sig. (bilateral) ,000
N 40 40
X Correlación de ,979** 1
Pearson
Sig. (bilateral) ,000
N 40 40

GRAFICO X:
GRAFICO Y:

La correlación es significativa en el nivel 0,01 (bilateral).

3. Calcule el modelo de regresión lineal. (guarde el modelo que hizo, las

estimaciones, las varianzas y el R2
Ejemplo:

Resumen del modelob

Error estándar
R cuadrado de la
Modelo R R cuadrado ajustado estimación Durbin-Watson
1 ,979 a ,959 ,958 2,6552115317 ,147
30357
a. Predictores: (Constante), X
b. Variable dependiente: Y
Coeficientesa
Coeficientes
Coeficientes no estandarizados estandarizados 95.0% intervalo de confianza para B
Modelo B Desv. Error Beta t Sig. Límite inferior Límite superior
1 (Constante) 29,745 1,920 15,495 ,000 25,859 33,631
X ,711 ,024 ,979 29,843 ,000 ,663 ,759
a. Variable dependiente: Y

El modelo en la variable x presenta una desviación de 0,24

4. Gráfique los residuos vs el tiempo. que concluye?

Interpretación:
Podemos deducir que no hay correlación entre el tiempo y los residuos
Otra interpretación es que no existe evidencia suficiente para determinar la
correlación, los residuos se muestran bastante lejos de la media

5. Veamos si el supuesto de correlación se descarta o no, analicemos el D-

Durbin Watson

Resumen del modelob

Error
estándar de
R cuadrado la Durbin-
Modelo R R cuadrado ajustado estimación Watson
1 ,029 a ,001 -,025 2,65410426 ,147
a. Predictores: (Constante), año
b. Variable dependiente: Unstandardized Residual

DW: 0.147
0,147<2- Por tanto podemos deducir que hay auto correlación

6. Ensaye varias transformaciones de las variables, tanto de Y como de X, elevar

al cuadrado, log.\\

xx yy lnx lny

7.Para cada transformación guarde los mismo que en el paso 2 y revise cual
transformación mejora el D-Durbin Watson y la varianza del modelo?

La regresión entre Y*Y y el Ln(x) es la transformación de las variables que mejor

explica el modelo con un R2 = 0.092, una varianza de 188,14164 y un Durbin
Watson de 1.021.

Y VS X:

Resumen del modelob

Error estándar
R cuadrado de la
Modelo R R cuadrado ajustado estimación Durbin-Watson
1 ,979 a ,959 ,958 2,6552115317 ,147
30357
a. Predictores: (Constante), X
b. Variable dependiente: Y

Y VS XX:

Resumen del modelob

 Error
R estándar
Model R cuadrado de la Durbin-
o R cuadrado ajustado estimación Watson
1 ,952 a ,906 ,904 4,0153913 ,076
47843289
a. Predictores: (Constante), xx
b. Variable dependiente: Y

Y VS LN(X):

Resumen del modelob

Error
estándar de
R cuadrado la Durbin-
Modelo R R cuadrado ajustado estimación Watson
1 ,994 a ,989 ,989 1,37668029 ,555
2156136
a. Predictores: (Constante), lnX
b. Variable dependiente: Y
YY VS X:

Resumen del modelob

Error
estándar de
R cuadrado la Durbin-
Modelo R R cuadrado ajustado estimación Watson
1 ,989 a ,979 ,978 312,41721 ,321
a. Predictores: (Constante), X
b. Variable dependiente: YY
YY VS XX:

Resumen del modelob

Error
estándar de
R cuadrado la Durbin-
Modelo R R cuadrado ajustado estimación Watson
1 ,970 a ,940 ,939 524,93306 ,118
a. Predictores: (Constante), xx
b. Variable dependiente: YY
YY VS LN(X):

Resumen del modelob

Error
estándar de
R cuadrado la Durbin-
Modelo R R cuadrado ajustado estimación Watson
1 ,996 a ,992 ,992 188,14164 1,021
a. Predictores: (Constante), lnX
b. Variable dependiente: YY
LN(X) VS X:

Resumen del modelob

Error
estándar de
R cuadrado la Durbin-
Modelo R R cuadrado ajustado estimación Watson
1 ,964 a ,929 ,927 ,04360 ,089
a. Predictores: (Constante), X
b. Variable dependiente: lnY

LN(X) VS XX:

Resumen del modelob

Error
estándar de
R cuadrado la Durbin-
Modelo R R cuadrado ajustado estimación Watson
1 ,929 a ,864 ,860 ,06053 ,060
a. Predictores: (Constante), xx
b. Variable dependiente: lnY

LN(Y) VS LN(X):

Resumen del modelob

 Error
estándar de
R cuadrado la Durbin-
Modelo R R cuadrado ajustado estimación Watson
1 ,987 a ,975 ,974 ,02588 ,218
a. Predictores: (Constante), lnX
b. Variable dependiente: lnY

8. Incluya la variable tiempo y calcule la regresión con dos variables. Analice

cada estimador, su varianza, ajuste del modelo
del modelo

Vemos que el intervalo definido por el límite inferior y límite superior de cada uno
no incluye cero (0). Por tanto los parámetros de la población no pueden ser cero
(0)

9. Como sabemos si el modelo está correctamente especificado?

Haga la regresión
Yt=Bo + B1 X + B2 X2

Resumen del modelob

Error
estándar de
R R cuadrado la Durbin-
Modelo R cuadrado ajustado estimación Watson
1 ,997a ,995 ,994 ,970519261 1,324
573147
a. Predictores: (Constante), xx, X
b. Variable dependiente: Y

ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 6511,928 2 3255,964 3456,777 ,000b
 Residuo 34,851 37 ,942
Total 6546,779 39
a. Variable dependiente: Y
b. Predictores: (Constante), xx, X

 Según Fisher al menos una de los Betas es diferente de cero por el grado
de significancia = 0.000.
 Según la T-student los betas son diferente de cero porque analizando el
grado de significancia no están entre los límites inferiores y superiores.

Valores de los betas:

B0: -15.227
B1: 1.928
B2: -0.008

Los p-values
Los grados de significancia son:
B0: 0.000
B1: 0.000
B2: 0.000

D-Durbin Watson
DW = 1,324