UNIVERSIDAD NACIONAL DEL ALTIPLANO – PUNO

“Facultad de Ingeniería Económica”

Escuela Profesional de “Ingeniería Económica”

“Econometría I”

TALLER 1: “ANÁLISIS DE CORRELACIÓN Y

REGRESIÓN SIMPLE”
Docente:
Ing. JUAN WALTER TUDELA MAMANI.

Presentado por:
Medina Ccasa, Juan Aderly (130482).

Semestre: V
Grupo: “A”

Puno, C.U. Octubre de 2017

 Taller 1: Análisis de Correlación y Regresión Simple
Parte I: TEÓRICO
1. Sea 𝑟𝑥,𝑦 el coeficiente de correlación lineal entre las variables X y Y.
a) Muestre 𝑟𝑥,𝑦 = 𝑟𝑥 ∗ ,𝑦 ∗ donde 𝑟𝑥 ∗,𝑦 ∗ es el coeficiente de correlación lineal para las variables
𝑋 ∗ = 𝑎𝑋 + 𝑐 y 𝑌 ∗ = 𝑏𝑌 + 𝑑 ¿Qué nombre recibe esta propiedad del coeficiente de
correlación lineal?

HARE UNA DEMOSTRACION INVENTANDOME UNA BASE DE DATOS:

 PARA 𝒓𝒙,𝒚

Obs. Xi Yi XiYi Xi2 Yi2

1 1,0 1,0 1,0 1,0 1,0
2 2,0 2,0 4,0 4,0 4,0
3 4,0 3,0 12,0 16,0 9,0
4 3,0 4,0 12,0 9,0 16,0
5 5,0 5,0 25,0 25,0 25,0
6 4,0 6,0 24,0 16,0 36,0
7 7,0 7,0 49,0 49,0 49,0
8 7,0 8,0 56,0 49,0 64,0
9 8,0 9,0 72,0 64,0 81,0
10 10,0 10,0 100,0 100,0 100,0
11 11,0 11,0 121,0 121,0 121,0
12 9,0 12,0 108,0 81,0 144,0
13 13,0 13,0 169,0 169,0 169,0
Sumatorias 84,0 91,0 753,0 704,0 819,0
Promedios 6,461538 7,000000 57,923077 54,153846 63,000000

 Calcular el coeficiente de correlación:

(∑ 𝑋𝑖 𝑌𝑖 − 𝑛𝑋̅𝑖 𝑌
̅𝑖 )
𝑟𝑥,𝑦 =
√(∑ 𝑋𝑖 2 − 𝑛(𝑋̅)2 )(∑ 𝑌𝑖 2 − 𝑛(𝑌̅)2 )

(753 − 13 ∗ 6.4615 ∗ 7)
𝑟𝑥,𝑦 =
√(704 − 13(6.4615)2 )(819 − 13(7)2 )

𝑟𝑥,𝑦 = 0.963219

 Para 𝒓𝒙∗,𝒚∗ :

Sea: 𝑋 ∗ = 𝑎𝑋 + 𝑐 y 𝑌 ∗ = 𝑏𝑋 + 𝑑, donde: 𝑎 = 3, 𝑏 = 4, 𝑐 = 5 𝑦 𝑑 = 6
 Obs. Xi Yi X* Y* X*.Y* X*² Y*2
1 1,0 1,0 8,0 10,0 80,0 64,0 100,0
2 2,0 2,0 11,0 14,0 154,0 121,0 196,0
3 4,0 3,0 17,0 18,0 306,0 289,0 324,0
4 3,0 4,0 14,0 22,0 308,0 196,0 484,0
5 5,0 5,0 20,0 26,0 520,0 400,0 676,0
6 4,0 6,0 17,0 30,0 510,0 289,0 900,0
7 7,0 7,0 26,0 34,0 884,0 676,0 1156,0
8 7,0 8,0 26,0 38,0 988,0 676,0 1444,0
9 8,0 9,0 29,0 42,0 1218,0 841,0 1764,0
10 10,0 10,0 35,0 46,0 1610,0 1225,0 2116,0
11 11,0 11,0 38,0 50,0 1900,0 1444,0 2500,0
12 9,0 12,0 32,0 54,0 1728,0 1024,0 2916,0
13 13,0 13,0 44,0 58,0 2552,0 1936,0 3364,0
Sumatorias 84,0 91,0 317,0 442,0 12758,0 9181,0 17940,0
Promedios 6,4615 7,0 24,3846 34,00 981,3846 706,2308 1380,0

 Calcular el coeficiente de correlación:

∑ 𝑋𝑖∗ 𝑌𝑖∗ − 𝑛𝑋
̅̅̅∗̅̅̅
𝑌∗
𝑟𝑋 ∗ 𝑌 ∗ =
̅̅̅∗ 2 )(∑ 𝑌 ∗ 2 − 𝑛𝑌
√(∑ 𝑋 ∗ 2 − 𝑛𝑋 ̅̅̅∗ 2 )

12758 − 13(24.3846)(34)
𝑟𝑋 ∗ 𝑌 ∗ =
√(9181 − 13(24.3846)2 )(17940 − 13(34)2
𝑟𝑋 ∗ 𝑌 ∗ = 0.963217
o Como: 𝑟𝑥,𝑦 = 𝑟𝑋∗𝑌 ∗ . r es independiente del origen y la escala.

b) Dada la propiedad anterior, ¿se podría afirmar también que: 𝐶𝑜𝑣(𝑋. 𝑌) = 𝐶𝑜𝑣(𝑋 ∗ , 𝑌 ∗ )?
sustente su respuesta.

 Hallando la 𝑪𝒐𝒗(𝑿. 𝒀):

𝐶𝑜𝑣(𝑋. 𝑌) = 𝑛 ∑ 𝑋𝑖 𝑌𝑖 − (∑ 𝑋𝑖 )( ∑ 𝑌𝑖 )

𝐶𝑜𝑣(𝑋. 𝑌) = 13(753) − (84)(91)

𝐶𝑜𝑣(𝑋. 𝑌) = 2145

 Hallando la 𝑪𝒐𝒗(𝑿∗ , 𝒀∗ ):

𝐶𝑜𝑣(𝑋 ∗ , 𝑌 ∗ ) = 𝑛 ∑ 𝑋𝑖∗ 𝑌𝑖∗ − (∑ 𝑋𝑖∗ )(∑ 𝑌𝑖∗ )

𝐶𝑜𝑣(𝑋 ∗ , 𝑌 ∗ ) = 13(12758) − (317)(442)

𝐶𝑜𝑣(𝑋 ∗ , 𝑌 ∗ ) = 25740
 o De acuerdo a la demostración, se concluye que: 𝐶𝑜𝑣(𝑋. 𝑌) ≠ 𝐶𝑜𝑣(𝑋 ∗ , 𝑌 ∗ )

2. Considere el siguiente modelo de regresión lineal simple: 𝑌𝑡 = 𝛽0 + 𝛽1 𝑋𝑡 + 𝜇𝑡 , con 𝜇𝑖 =

𝑖𝑖𝑑(0, 𝜎 2 ).

a) Muestre que en esta regresión 𝛽̂1 = 0 implica que 𝑅 2 = 0.

 DEMOSTRACION ALGEBRAICA:

𝑛 ∑ 𝑋𝑖 𝑌𝑖 − ∑ 𝑋𝑖 ∑ 𝑌𝑖
𝛽̂1 = 2
𝑛 ∑ 𝑋𝑖2 − (∑ 𝑋𝑖 )

𝑛 ∑ 𝑋𝑖 𝑌𝑖 − ∑ 𝑋𝑖 ∑ 𝑌𝑖
0= 2
𝑛 ∑ 𝑋𝑖2 − (∑ 𝑋𝑖 )

0 = 𝑛 ∑ 𝑋𝑖 𝑌𝑖 − ∑ 𝑋𝑖 ∑ 𝑌𝑖

𝑛 ∑ 𝑋𝑖 𝑌𝑖 = ∑ 𝑋𝑖 ∑ 𝑌𝑖

∑ 𝑋𝑖 ∑ 𝑌𝑖
∑ 𝑋𝑖 𝑌𝑖 =
𝑛

∑ 𝑋𝑖 𝑌𝑖 = 𝑋̅ ∑ 𝑌𝑖 … (1)

Por otro lado sabes que:

(∑ 𝑥𝑖 𝑦𝑖 )2
𝑅2 =
∑ 𝑥𝑖2 ∑ 𝑦𝑖2

2
(∑(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅))2
𝑅 =
∑(𝑋𝑖 − 𝑋̅)2 ∑(𝑌𝑖 − 𝑌̅)2

(∑ 𝑋𝑖 𝑌𝑖 − ∑ 𝑋𝑖 𝑌̅ − ∑ 𝑋̅𝑌𝑖 + ∑ 𝑋̅𝑌̅)2
𝑅2 = … (2)
(∑ 𝑋𝑖 2 − ∑ 𝑋𝑖 𝑋̅ 2 + ∑ 𝑋̅ 2 )(∑ 𝑌𝑖 2 − ∑ 𝑌𝑖 𝑌̅ 2 + ∑ 𝑌 2 )

Reemplazamos (1) en (2):

2
∑ 𝑋𝑖 ∑ 𝑌𝑖 ̅ ̅ ̅ ̅
( 𝑛 ∑ ∑
− 𝑋𝑖 𝑌 − 𝑋 𝑌𝑖 + 𝑛𝑋𝑌)
𝑅2 =
(∑ 𝑋𝑖 2 − ∑ 𝑋𝑖 𝑋̅ 2 + ∑ 𝑋̅ 2 )(∑ 𝑌𝑖 2 − ∑ 𝑌𝑖 𝑌̅ 2 + ∑ 𝑌 2 )
 2
∑𝑌
(∑ 𝑋𝑖 𝑌̅ − ∑ 𝑋𝑖 𝑌̅ − 𝑋̅ ∑ 𝑌𝑖 + 𝑛𝑋̅ 𝑛 𝑖 )
𝑅2 =
(∑ 𝑋𝑖 2 − ∑ 𝑋𝑖 𝑋̅ 2 + ∑ 𝑋̅ 2 )(∑ 𝑌𝑖 2 − ∑ 𝑌𝑖 𝑌̅ 2 + ∑ 𝑌 2 )

(∑ 𝑋𝑖 𝑌̅ − ∑ 𝑋𝑖 𝑌̅ − 𝑋̅ ∑ 𝑌𝑖 + 𝑋̅ ∑ 𝑌𝑖 )2
𝑅2 =
(∑ 𝑋𝑖 2 − ∑ 𝑋𝑖 𝑋̅ 2 + ∑ 𝑋̅ 2 )(∑ 𝑌𝑖 2 − ∑ 𝑌𝑖 𝑌̅ 2 + ∑ 𝑌 2 )

(− ∑ 𝑋𝑖 𝑌𝑖 + ∑ 𝑋𝑖 𝑌𝑖 )2
𝑅2 =
(∑ 𝑋𝑖 2 − ∑ 𝑋𝑖 𝑋̅ 2 + ∑ 𝑋̅ 2 )(∑ 𝑌𝑖 2 − ∑ 𝑌𝑖 𝑌̅ 2 + ∑ 𝑌 2 )

0
𝑅2 =
(∑ 𝑋𝑖 − ∑ 𝑋𝑖 𝑋̅ 2 + ∑ 𝑋̅ 2 )(∑ 𝑌𝑖 2 − ∑ 𝑌𝑖 𝑌̅ 2 + ∑ 𝑌 2 )
2

𝑅2 = 0

Parte II: APLICADO

1. A partir de la base de datos:
a) Elabora un diagrama de dispersión para las variables de interés. ¿intuitivamente que puede
concluir sobre la relación funcional existente entre las variables?

o Intuitivamente se concluye que entre estas dos variables (CONS y PI). Existe
una relación maso menos lineal positiva.

b) Estime una regresión lineal (mediante MCO) con CONS la variable dependiente y PI la variable
independiente en el software Eviews. Dibuje el resultado sobre un diagrama de dispersión
(valores observados y predichos).

 MODELO DE REGRESION LINEAL:

 DIAGRAMA DE DISPERSIÓN:

 VALORES OBSERVADOS Y PREDICHOS:

c) Cambia la especificación del modelo inicial a uno doblemente logarítmico (Cobb-Douglas),
estímelo y grafique el resultado sobre el diagrama de dispersión (valores observados y
predichos).

 MODELO DE REGRESION NO LINEAL (DOBLEMENTE LOGARÍTMICO):

 DIAGRAMA DE DISPERSIÓN:
  VALORES OBSERVADOS Y PREDICHOS:

d) Construya una tabla resumen de los dos modelos (lineal y no lineal) con los principales
estadísticos (R2, Fc, Tc, y criterios de información). ¿Al comparar ambos modelos cuál de ellos
elegiría?

 CUADRO RESUMEN:

ESTADISTICO MODELO LINEAL MODELO LOG-LOG

R2 → (mayor) 0.5702230884935979 0.6848584630911903

Fc → (mayor) 31.84292538163136 52.15625739283206

Tc(β2) → (mayor) 5.642953604419514 7.221928924658417

Akaike → (menor) 2.677474632751903 -1.708709831747889

Schwars → ( menor) 2.774251289522787 -1.611933174977006

o Al comparar todos los datos de ambos modelos, elegiríamos el modelo no

lineal (LOG – LOG) porque cumple con todas las reglas que nos piden.
e) Estime el R2 equivalente y elija el mejor modelo, ¿este resultado guarda relación con la
decisión anterior del punto “d”?

 R2 EQUIVALENTE PARA EL MODELO LINEAL:

2 𝑆𝑅𝐶 2
𝑅𝑒𝑞𝑢𝑖𝑣𝑎𝑙𝑒𝑛𝑡𝑒 = 1 − 𝑆𝑇𝐶 , 𝑆𝑇𝐶 = (𝑛 − 1) ∗ 𝑆𝑐𝑦

𝑆𝑇𝐶 = (25) ∗ 1.3294042

𝑆𝑇𝐶 = 44.182875

2 18.98877
𝑅𝑒𝑞𝑢𝑖𝑣𝑎𝑙𝑒𝑛𝑡𝑒 = 1 − 44.182875
2
𝑅𝑒𝑞𝑢𝑖𝑣𝑎𝑙𝑒𝑛𝑡𝑒 = 0.570223

 R2 EQUIVALENTE PARA EL MODELO NO LINEAL:

2 𝑆𝑅𝐶 2
𝑅𝑒𝑞𝑢𝑖𝑣𝑎𝑙𝑒𝑛𝑡𝑒 =1− , 𝑆𝑇𝐶 = (𝑛 − 1) ∗ 𝑆𝑐𝑦
𝑆𝑇𝐶

𝑆𝑇𝐶 = (25) ∗ 0.1732122

𝑆𝑇𝐶 = 0.750060
2 0.236375
𝑅𝑒𝑞𝑢𝑖𝑣𝑎𝑙𝑒𝑛𝑡𝑒 =1−
0.750060
2
𝑅𝑒𝑞𝑢𝑖𝑣𝑎𝑙𝑒𝑛𝑡𝑒 =0.684859

o En este caso también se elige el modelo no lineal (LOG - LOG), ya que este es
mayor que el R2 equivalente del modelo lineal.

o Por lo tanto este resultado si guarda relación con la decisión anterior “d”.

f) Para el modelo seleccionado realizar el análisis estadístico (relevancia, dependencia y ajuste),

utilizar un nivel de significancia del 5% en el caso de prueba de relevancia y dependencia. En
todos los casos interpretar sus resultados de manera exhaustiva.

 PRUEBA DE RELEVANCIA (𝜷𝟐 ):

PASO 1: Planteamiento de la hipótesis:

𝐻𝑜 : 𝛽̂2 = 0
𝐻𝑎 : 𝛽̂2 ≠ 0
 PASO 2: Nivel de significancia:

𝛼 = 5%

PASO 3: Estadístico de prueba:

𝛽̂2
𝑡𝑐 =
𝑠𝑒(𝛽̂2 )
0.581078
𝑡𝑐 =
0.080460

𝑡𝑐 = 7.221929

PASO 4: Regiones de decisión:

𝑡𝛼⁄ = 𝑡0.05⁄ = 2.064

2 ,(𝑛−2)𝑔𝑙 2 ,(24)𝑔𝑙

PASO 5: Criterio de decisión:

Como:
𝑡𝑐 > 𝑡𝛼⁄
2 ,(𝑛−2)𝑔𝑙
7.221929 > 2.064

CONCLUSIÓN: Se rechaza la Hipótesis Nula. El parámetro 𝛽̂2 es significativo al 5%.

 PRUEBA DE DEPENDENCIA (𝜷𝟐 ):

PASO 1: Planteamiento de la hipótesis:

𝐻𝑜 : 𝛽̂2 = 0
𝐻𝑎 : 𝛽̂2 ≠ 0

PASO 2: Nivel de significancia:

𝛼 = 5%
 PASO 3: Estadístico de prueba:
𝐹𝑐 = (𝑡𝑐 )2

𝐹𝑐 = (7.221929)2
𝐹𝑐 = 52.15626

PASO 4: Regiones de decisión:

2−1 1
𝐹𝑛−2 = 𝐹24 = 4.2597

PASO 5: Criterio de decisión y conclusión del investigador.

Como:
1
𝐹𝑐 > 𝐹24
52.15626 > 4.2597

Conclusión: Se rechaza la Hipótesis Nula. Podemos afirmar que existe dependencia en

el modelo.

 PRUEBA DE AJUSTE:

Sabemos del Modelo no lineal (LOG – LOG) que:

𝑅 2 = 0.684858

INTERPRETACIÓN.- El 68.48% aproximadamente de la variación en el consumo de gas

natural se debe a la variación del ingreso per cápita de las familias.
g) Para el modelo seleccionado realice el análisis económico (interpretar el modelo en términos
de los factores marginales y elasticidades:

 EFECTOS MARGINALES:
log 𝑌𝑖 = −1.8839 + 𝑂. 581078 log(𝑋)
𝑋̅
→ 𝛽2 ° ( )
𝑌̅
8.3123
𝛽2 = 0.581078 ∗ ( )
983.9152
 𝛽2 = 0.004909055841
INTERPRETACIÓN: Por cada incremento de mil unidades monetarias en el ingreso per
cápita el consumo de gas natural se incrementara aproximadamente en 0,0049 Kg,
manteniendo las demás variables constantes.

 ELASTICIDADES:

𝛿 log 𝑌𝑖
= 𝛽2 °
𝛿 log 𝑌𝑖
𝛽2 ° = 0.581078
INTERPRETACIÓN: Por cada aumento del 10% aproximadamente en el ingreso per
cápita, el consumo de gas natural aumentara aproximadamente en 5.81%
manteniendo constante las demás variables.

h) En el modelo seleccionado, construya los intervalos de confianza de los parámetros

estimados al 1%, 5% y 10% de nivel de significancia.

INTERVALO DE CONFIANZA:

𝐼𝐶(𝛽̂𝑖 ) = (𝛽̂𝑖 − 𝑆𝑒(𝛽̂𝑖 ) ∗ 𝑡𝛼⁄2 ,(𝑛−2)𝑔𝑙 ; 𝛽̂𝑖 + 𝑆𝑒(𝛽̂𝑖 ) ∗ 𝑡𝛼⁄2 ,(𝑛−2) )

 AL 1% DE SIGNIFICANCIA:

𝐼𝐶(𝛽̂2 ) = (0.581078 − 0.080460 ∗ 2.797) ; (0.581078 + 0.080460 ∗ 2.797)

𝐼𝐶(𝛽̂2 ) = (0.35603138) ; (0.80612462)

 AL 5% DE SIGNIFICANCIA:

𝐼𝐶(𝛽̂2 ) = (0.581078 − 0.080460 ∗ 2.064) ; (0.581078 + 0.080460 ∗ 2.064)

𝐼𝐶(𝛽̂2 ) = (0.41500856) ; (0.74714744)

 AL 10% DE SIGNIFICANCIA:

𝐼𝐶(𝛽̂2 ) = (0.581078 − 0.080460 ∗ 1.711) ; (0.581078 + 0.080460 ∗ 1.711)

𝐼𝐶(𝛽̂2 ) = (0.44341094) ; (0.71874506)

i) Estime el coeficiente de correlación, para determinar si existe o no grados de asociación entre
las variables de interés.

 BASE DE DATOS:
Obs. CONS PI CONS2 PI2 CONS*PI
1 5.59 605.0895 31.2481 366133.303 3382.450305
2 5.8 620.928 33.64 385551.5812 3601.3824
3 6.15 657.1916 37.8225 431900.7991 4041.72834
4 6.33 683.6544 40.0689 467383.3386 4327.532352
5 6.58 719.691 43.2964 517955.1355 4735.56678
6 6.97 763.0926 48.5809 582310.3162 5318.755422
7 7.38 808.4439 54.4644 653581.5394 5966.315982
8 7.87 830.3237 61.9369 689437.4468 6534.647519
9 8.03 868.4894 64.4809 754273.8379 6973.969882
10 8.54 893.1093 72.9316 797644.2217 7627.153422
11 8.88 891.5632 78.8544 794884.9396 7917.081216
12 9.16 921.3754 83.9056 848932.6277 8439.798664
13 9.58 973.7378 91.7764 948165.3031 9328.408124
14 9.68 1030.3304 93.7024 1061580.733 9973.598272
15 9.33 1024.9 87.0489 1050420.01 9562.317
16 9.27 1013.46 85.9329 1027101.172 9394.7742
17 9.79 1072.6464 95.8441 1150570.299 10501.20826
18 9.69 1129.1522 93.8961 1274984.691 10941.48482
19 10.14 1187.5886 102.8196 1410366.683 12042.1484
20 9.25 1220.2674 85.5625 1489052.528 11287.47345
21 8.98 1218.294 80.6404 1484240.27 10940.28012
22 8.92 1263.5558 79.5664 1596573.26 11270.91774
23 8.58 1229.5616 73.6164 1511821.728 10549.63853
24 8.41 1264.6744 70.7281 1599401.338 10635.9117
25 8.54 1331.5419 72.9316 1773003.831 11371.36783
26 8.68 1359.1314 75.3424 1847238.162 11797.26055
SUMA 216.12 25581.7939 1840.6388 26514509.1 218463.1713
PROMEDIO 8.312307692 983.91515

 COEFICIENTE DE CORRELACIÓN:
̅̅̅̅̅̅̅̅)(𝑃𝐼
∑ 𝐶𝑂𝑁𝑆 ∗ 𝑃𝐼 − 𝑛(𝐶𝑂𝑁𝑆 ̅̅̅ )
𝑟𝐶𝑂𝑁𝑆,𝑃𝐼 =
̅̅̅̅̅̅̅̅̅2 ][∑ 𝑃𝐼 2 − 𝑛(𝑃𝐼)
√[∑ 𝐶𝑂𝑁𝑆 2 − 𝑛(𝐶𝑂𝑁𝑆) ̅̅̅̅̅2 ]

218463.1713 − 26(8.312307692)(983.91515)
𝑟𝐶𝑂𝑁𝑆,𝑃𝐼 =
√[1840.6388 − 26(8.312307692)2 ][26514509.1 − 26(983.91515)2 ]

𝑟𝐶𝑂𝑁𝑆,𝑃𝐼 = 0.75513117

INTERPRETACIÓN: intuitivamente a mayor Ingreso Promedio per cápita mayor

consumo de gas natural. Lo cual evidencia que estas variables pueden estar
relacionadas entre sí.
j) Pruebe con 𝛼 = 1%, si existe una correlación significativa entre el consumo de gas natural y
el ingreso promedio per cápita (realizar una prueba de hipótesis paso a paso).

 PRUEBA DE HIPOTESIS:

PASO 1: Planteamiento de la hipótesis:

𝐻0 : 𝜌𝐶𝑂𝑁𝑆,𝑃𝐼 = 0
𝐻0 : 𝜌𝐶𝑂𝑁𝑆,𝑃𝐼 ≠ 0

PASO 2: Nivel de significancia:

𝛼 = 1%

PASO 3: Estadístico de prueba:

(𝑟√𝑛 − 2) − 𝜃
𝑡𝑐 =
√1 − 𝑟 2
(0.75513117√26 − 2)
𝑡𝑐 =
√1 − 0.755131172
𝑡𝑐 = 5.642954

PASO 4: Región de decisión:

𝑡𝛼⁄ = 𝑡0.01⁄ = 2.797

2 ,(𝑛−2)𝑔𝑙 2 ,(24)𝑔𝑙

PASO 5: Criterio de decisión:

Como:
𝑡𝑐 > 𝑡𝛼⁄2 ,(𝑛−2)𝑔𝑙
5.642954 > 2.797

CONCLUSIÓN: Se rechaza la Hipótesis Nula.

El consumo del gas natural con el ingreso promedio per cápita están correlacionadas
linealmente. La correlación es altamente significativa al 1%.