Documente Academic
Documente Profesional
Documente Cultură
Donde:
La relación entre el Pbi, Trabajo y capital es no lineal por lo tano transformando la ecuación
mediante la función logaritmo, se tiene:
Donde:
𝛽0 = 𝐿𝑛𝛽1
1. Análisis de los datos:
Como se puede apreciar a largo plazo todas las variables presenta una tendencia creciente. Sin
embargo, resalta el descenso de la Inversión bruta fija a partir del 2013.No obstante el PBI
mostro una tendencia creciente uniforme
Como se puede apreciar, las variaciones de las tasas de crecimiento del PBI Nacional evidencian
su desaceleración, así como de todas las variables independientes.
En análisis de las variables que son fuentes de crecimiento de la economía el stock de capital, el
número de trabajadores y la productividad total de los factores, enfocándonos en las 2 primeras
el número de trabajadores es el número de trabajadores empleados y en el Perú este número
crece proporcionalmente al crecimiento del stock de capital.
En el sentido de que en los noventa la inversión privada era mínima difícilmente por el clima
político, tensiones sociales, sin definiciones por parte del gobierno en las áreas de seguridad
social y salud, falta de impulso en proyectos importantes y desconfianza de los inversionistas.
Pero paulatinamente se revirtió en el 2005 donde se observó un crecimiento constante debido
a la inversión extranjera en proyectos mineros.
La constante se interpreta que para valores nulos del trabajo y del capital, la probabilidad que
aumente el PBI es de 1.90%
Como los valores de “t-stadistico” de los tres parámetros son mayores a 2 entonces las
variables son significativas
Como los valores de “Prob” de los tres parámetros son menores al 5% (0.05) entonces las
variables son significativas
Intervalos de confianza
Test de Normalidad
Como la mayoría de los puntos están sobre la recta, entonces podemos decir que la variable
resid (error) tiene una distribución normal.
Multicolinealidad
La multicolinealidad son relaciones lineales entre las variables explicativas del modelo esta
relación hace que sea difícil cuantificar con precisión el efecto que tiene cada regresar sobre el
regresando.
El valor que se muestra es 0.201841 que no es cercano a cero lo que es un indicativo que no
existe multicolinealidad.
Autocorrelación
La auto correlación hace referencia a la correlación existente entre los elementos de una serie
de observaciones ordenadas en el tiempo. Se asume la independencia serial en el término
aleatorio.
Nota: Los gráficos de los residuos de mínimos cuadrados no son definitivos para determinar la
autocorrelación en el modelo.
Test de Durbin-Watson
Durbin Watson es un estadístico que prueba la autocorrelacion de 1er orden
Como el DW obtenido en la estimación es 0.218665 < 2, entonces nos da sospecha que nuestro
modelo tiene problemas de autocorrelación positiva de orden uno.
El valor del estadístico Durbin – Watson (DW) es 0.218665. Los valores críticos del DW son:
dL = 1.255 y dU = 1.560, por lo tanto hemos encontrado evidencia significativa a favor de la
existencia de un coeficiente de autocorrelación residual positiva, debido 0.218665 < 1.255
Prueba de Breusch – Godfrey
Para confirmar el resultado del estadístico Durbin- Watson se hace la prueba de Breusch –
Godfrey , en la cual evaluamos la cantidad de rezagos.
Por tener una probabilidad muy baja 0% (menor de 5%) se rechaza la hipótesis nula de
incorrelación.Hay autocorrelacion de primer orden, los errores rezagados de un periodo son
significativos.
Por lo que el modelo presenta autocorrelación de 1 orden AR (1), Con un AR (1) el modelo
presenta un DW=1.130948 que es cercano a dos.
Prueba con 2 rezagos:
Por tener una probabilidad muy baja 0% (menor de 5%) se rechaza la hipótesis nula de
incorrelación.
Con un AR (2) el modelo presenta un DW=1.776715 que es más cercano a dos.
La significación de los rezagos puede ir cambiando cada vez que incluyamos más rezagos dado
que pueden tener multicolinealidad.
Correlograma
La banda del correlograma esta representa por:
2 2
± =± = 0.38
√𝑇 √28
Los valores que sean iguales o mayor a este valor nos indicara el orden de AR (p)
Como los coeficientes de Autocorrelacion están fuera de las bandas se rechaza la hipótesis nula
𝐻0 : 𝜌1 = 0
Se acepta la hipótesis alternativa 𝐻1 : 𝜌1 ≠ 0
Existe correlación de Orden 1:
𝜀𝑡 = 𝜌1 𝜀𝑡−1 + 𝑢𝑡 => 𝐴𝑅(1)
Como los coeficientes de Autocorrealción están fuera de las bandas, entonces el modelo
presenta autocorrelación.
Corrección de la Autocorrelación
Estimación del modelo sin autocorrelación:
𝐻1 : 𝑛𝑜 𝑠𝑒 𝑣𝑒𝑟𝑖𝑓𝑖𝑐𝑎 𝐻0
Sin embargo debemos verificar el valor del coeficiente de Theil que debe ser cercano a 0, en
este caso es 0.001019, esto nos da indicciones de una buena predicción.
Homocedasticidad
Siendo un supuesto relevante del modelo de regresión hace referencia al comportamiento de
la varianza del término aleatorio, considerando constante u homocedasticidad.
Cuando la varianza no es constante o deja de tener una varianza mínima, estamos ante un
problema de heterocedasticidad.
𝐻0 : 𝑒𝑥𝑖𝑠𝑡𝑒 ℎ𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑(𝜎𝑖2 = 𝜎 2 )
El resultado nos una probabilidad muy alta de 50% (mayor al 5%). Por lo que se acepta la
hipótesis nula de homcedasticidad de la varianza.