Universidad Centroccidental “Lisandro Alvarado”

Decanato de Ciencias Económicas y Empresariales

Departamento de Economía

Econometría

Ejercicio: 12.34

Alumno:
Marcos Avila
C.I. V-21.297.661
Profesor:
Juan Francisco Gomez
Econometría I

Barquisimeto, Junio 2018

 EJERCICIO 12.34.

Con los datos proporcionados en la tabla 12.9, estime el modelo

Yt β1 + β2Xt + ut

Donde Y inventarios y X ventas, ambas medidas en miles de millones de

dólares.

a) Estime la regresión anterior.

b) Con los residuos estimados, investigue si hay autocorrelación positiva

mediante

i) la prueba de Durbin-Watson y

ii) la prueba de normalidad para grandes muestras dada en (12.6.13).

c) Si ρ es positivo, aplique la prueba de Berenblutt-Webb para evaluar la

hipótesis de que ρ 1.

d) Si sospecha que la estructura autorregresiva del error es de orden p,

verifíquelo con la prueba de Breusch-Godfrey. ¿Cómo seleccionaría el
orden de p?

e) Con base en los resultados de esta prueba, ¿cómo transformaría los

datos para eliminar la autocorrelación?

f ) Repita los pasos anteriores con el siguiente modelo: ln Yt β1 + β2 ln

Xt + ut

g) ¿Cómo decidiría entre la especificación lineal y la log-lineal?

SOLUCION:

a. Regresión

Los resultados de la regresión del modelo propuesto para el

inventario sobre las ventasen millones de dólares está
dado por:
Yt β1 + β2Xt + ut Donde: las variables estan dadas por

Mediante los caculos efectuados se obtiene la regresión

Yt,= 1668.154+1.554Xt

Se = (1806,696 ) (0.007 )

| t = (0,910 ) (222,832 )

Con una regresión de r2 = 0,99 que indica que los datos están muy
correlacionados entre si. Además con d = 1,374 que representa el
estadístico de Durbin-Watson, el cual se encuentra dentro de los imites
establecidos.

b. Autocorrelacion positiva

i. El estadístico de Durbin-Watson nos indica que para 42

observaciones(n), una variable explicativa de k = 1 para un nivel
del 5% el dl 1,46 . Dado que el valor estimado d= 1,374esta por
debajo de este valor nos indica que existe estimación de primer
orden de autocorrelación positiva.
ii. la prueba de normalidad para grandes muestras
Hallado el valor d de 1,374 es posible obtener una estimación de
p, donde p = 1-d/2 = 0,3218. Mediante este valor se tiene que Z
= √(n) *(0,3218) = √(42) *0,3218= 2,027. Este valor de z nos
indica que existe un sobre nivel de significancia del 5 %,
resultando que existe autocorrelación.

c. Prueba de Berenblutt-Webb para evaluar la hipótesis de que ρ 1.

d. De los resultados obtenidos en la parte b, se puede observar
que no parece probable que el verdadero p es uno de ellos, es por
ello que aplicaremos la prueba de manera práctica mediante:
2.93x10^9
g= = 1.320
2,2xx10^9

Donde para 41 Observaciones, K = 1 y un nivel del 5% el valor del

dl= 1,45 . Dado que la g está por debajo del el valor de dl, la hipótesis
de que la verdadera p es igual a uno no se rechaza.

e. Datos para eliminar la autocorrelación

Si se utiliza el primer orden del sistema AR usando para ello el

valor de p=0, 3218 los datos serán transformados a través del
siguiente modelo:

[Yt -0.3128Yt-1] y [Xt -0.3128Xt-1] y

Los cuales se deben ejecutar por la regresión de estos datos

transformados.

Si se desea emplear un sistema AR(3) se tendria que transformar

los datos de la siguiente manera:

[ Yt – pYt-1- p2Yt-2 – p3Yt-1 ] incluyendo la transformación de Xt. De

esta manera se obtendrían los tres valores de requeridos.

f. Para el modelo modelo: ln Yt β1 + β2 ln Xt + ut

Para el modelo presentado se tienen los datos en base a sus log

Los resultados del modelo log-lineal son los siguientes:

Variable Coeficiente Std. Error t-statistic Prob.

C 0,507409 0,048561 10,44886 0,0000
LOG(VENTAS) 0,995128 0,004091 243,2302 0,0000

R2: 0,999324 ; d = 1,2077

 Se tiene una regresión muy cercana a uno, lo cual indica que
los datos esta muy correlacionados entre así. Aunado a esto podemos
decir que los resultados del modelo dado so cualitativamente los
mismos que para el modelo lineal estudiando anteriormente, con
excepción que para el en el primero la Breusch-Godfrey estadística sólo
es significativo en el primer lapso.

g. ¿Cómo decidiría entre la especificación lineal y la log-lineal?

La selección entre un modelo de regresión lineal o un modelo de

regresión log-lineal se realiza mediante la prueba MWD, para ello se
supone lo siguiente:
H0: Modelo lineal: Y es una función lineal de las regresoras, las X.
H1: Modelo log-lineal: ln Y es función lineal de los logaritmos de las
regresoras, los logaritmos de las X. Donde H0 y H1 denotan las hipótesis
nula y alterna.

La prueba MWD comprende los siguientes pasos:

Paso I: Estime el modelo lineal y obtenga los valores Y estimados.
Llámelos Y ƒ (es decir, Y ).
Paso II: Estime el modelo log-lineal y obtenga los valores ln Y
estimados; denomine ln ƒ (es
decir, ln Y ).
Paso III: Obtenga Z1 = (ln Yƒ - ln ƒ ).
Paso IV: Efectúe la regresión de Y sobre las X y Z1 obtenida en el paso
III. Rechace H0 si el coeficiente de Z1 es estadísticamente significativo
mediante la prueba t usual.
Paso V: Obtenga Z2 = (antilog de ln ƒ - Yƒ).
Paso VI: Efectúe la regresión del logaritmo de Y sobre los logaritmos de
las X y Z2. Rechace
H1 si el coeficiente de Z2 es estadísticamente significativo mediante la
prueba t usual.
 Si el modelo lineal es en realidad el modelo correcto, la variable
construida Z1no debe ser estadísticamente significativa en el paso IV,
pues en ese caso los valores Y estimados del modelo lineal y los
estimados del modelo log-lineal (después de obtener sus valores antilog
para efectos comparativos) no deben diferir. El mismo comentario vale
para la hipótesis alterna H1.