Examen Econometria

MAYUNTUPA ECHEVARRIA, ROY WALTER
MODELO ECONOMÉTRICO
EXPLICACION DEL DESEMPLEO

Presentación de las variables

Para la elaboració n de nuestro modelo, el cual tiene la siguiente ecuació n (Desempleo = β1 +
β2 PIB + β3 IPC + β4 SMI + β5 FBC + υ ) hemos utilizado las variables:
 Desempleo: que es la variable explicada o dependiente. Se define como la situació n de

quienes pudiendo y queriendo trabajar, pierden su empleo o ven reducida
temporalmente su jornada ordinaria de trabajo y salario.
Las demá s variables son las explicativas o independientes:

 PIB: Producto Interior Bruto. Es una medida macroeconó mica que expresa el valor
monetario de la producció n de bienes y servicios de demanda final de un país (o una regió n)
durante un período determinado de tiempo (normalmente un añ o).
 IPC: Evolució n de los precios de una cesta modelo que consume la població n residente
en Españ a.
 SMI: fija la cuantía retributiva mínima que percibirá el trabajador referida a la
jornada legal de trabajo, sin distinció n de sexo u edad de los trabajadores, sean fijos,
eventuales o temporeros.
 FBC: inversió n interna bruta.
De forma má s intuitiva:
Una vez definidas las variables comenzamos con los primeros aná lisis.
Correlación de las variables

-
+
-
0.14 -- ,-----,------,-----,----,-----,------,----,---
-
0.1 2.
+
0.1
-+
-
+
+
ti
-
+
+
0. 08- +
-+
+
+
+
++
u +
+
Cl
.
+
0. 06
+
1
-
++
1
0. 04
+
1
0. 02.
1
+
+
1
-
+
2.000 2.500 3000 3500 4 0 00 4500 5000 55 00

1
1. 1 ,e + 006 1 + 1 1 1 1 1 1 1
+
+ + + +
1
l e + 006- +
+
1
'9 0000 0 -
+
8-00000 - +
+
700000 - +
+
[(l
Cl.
60000 0 - +
+
500000 - +
+
+
+ +
4000 00 - + + +
+
+
300000 ,...
+
+
++
2.0 0000 -
+
+
1 1 1 1 1 1 1 1
1 00000
2. 2 3 3 4 4 5 55
00 5 0 5 P. 0 5 0 00
0 0 0 0 a 0 0 0
Estas grá ficas presentan la ausencia de correlació n entre las variables, para llegar a esta
conclusió n, nos podemos fijar en la falta de una línea de ajuste y también en los valores
numéricos, ya que tiene valores inferiores en términos absolutos al 0,36.
Estas grá ficas muestran una correlació n positiva, por la pendiente de la línea de ajuste.
También podemos llegar a la misma conclusió n, porque los valores son mayores y con signo
positivo.
I PC ,c on respecto a PIB (,c on .aju st e m ín im o -,cuad r,át ico,)

0.14 .------,------,------,------,---------,--------,--------,--------,----,---------n
0.1 2 Y = 0. 0821 - 5.1 5e-,0
08X --
+
0.1
0. 08 +
+
+
u
Cl.
0. 05
0. 04 +
+
+ +
+ + +
++
+ +
0. 02 +
+
+
2.00000 300000 400000 500000 500000 700000 s ooooo 900000 1 e + 005 1. l e + om

PIB
SMI ,c on r especto .a I PC (,co n aj ust e m ínimo-,cu ad r.át ico)

700 .------- ------ ----------.------ ----- ------
Y = 6.00. - 4. 2.6e + 003 X --
+ ++
+
.00 +
+
+
+
500 +
+
+ +
400 + +
+
+
+
+
+ +
+
300 +
1 00
+ +
2.00 +
+
+
0 '--- - - --'- - - - - - -'-- - - - - --'- - - - - - -'-- - - - - --'- - - - - - ..,_--'

0. 02 0. 04 0.06 0. 08 0.1 0.1 2
I PC
Estas grá ficas muestran la correlació n negativa a través de la pendiente y fijá ndonos en los
datos que tienen má s valor a la hora de llegar a una conclusió n, nos muestran que son mayores
que el 0,36 pero con signo negativo.
6000
1.1e+ 006
PIB (d e re c h a
) -- Pa ro (iz q u i e
5500 rd a ) -- 1,e+006
5CJOO 900000
4 500 S,00000
700000
4 0 00
600000
3500
500000
3000
4'00000
2 500
300000
2000
2.00000
1 500
100000
1'9 8 5 1'9 90 1 9 9 5 2.000 2.00 201
0.14 5 0
1.1e+ 006
PIB (d e re
ch a) I PC ( iz 0.08
q u i e rd a)
0.12
0.06
0.1
0. 04
1,e+006
0.02 900000
S,00000
700000
600000
500000
4'00000
300000
2.00000
o
1'98 5 1'990 1 99 5 2.000 2.00 1 00000
201
5
0
1.1e+ 006
PI B (,dere cha) -
SMI ( iZJquierd a) --
600 1,e+006
550 900000
500 S,00000
450 700000
400 600000
350 500000
300 4'00000
2.50 300000
2.00 2.00000
150 1 00000
1985 1'9 9 0 1'99 5 2.000 2 00 5 2010
SMI (d er echa) - 650

FB ( izq uierd a) --
600
300000
550
2.5000
0 500
2.000 450
00
400
1
50000 350
10000 300
0
250
50000
200
o- -- - - - -- - - - -- - - - -- - - - - - - - - -- - 150
1 '98 5 1'9 90 1 99 5 2.000 2.00 2010
5
1.2,e+006
PIB -
FB - -
le+ om,
800000
600000
400000
200000
1'985 1 '99 0 1995 2000 2.00 5 2010
350000 6000
P,a o (d e re c h a ) -
FB (iz q u i e rd a ) --
5500
300000
5000
2.50000
4500
2.00000
4000
15 0000 3500
3000
100000
2500
50000
2000
o - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 1 50 0
1'98 5 1'99 0 1'995 2.000 2.005 2010
650 6000
P,aro (,derech a) -- SMI ( iZJquierd a) --
600
5500
550
5000
500
4500
450
4000
400
3500
350
3000
300
2500
2.50
2.00 2 0 00
1 50
1500
1985 1'990 1 99 5 2000 2.00 5 2.ül
0.14 O
6000
Pam ( derech
a) I PC ( izqu
ierd a) 5500
0.12
5000
0.1
4500
0.08
4000
0.06 3500
3000
0.04
2500
0.02
2000
o
1 500
l'9 B5
1'990 1'99 5 2000 2005 2010
Estas grá ficas concluyen con las mismas ideas que en con las grá ficas anteriores. Podemos
observar una correlació n directa en los casos en los que las fluctuaciones son del mismo tipo, es
decir, cuando una aumenta la otra variable también. También se da el caso de correlaciones
inversas en los casos en los que una variable aumenta, la otra disminuye y viceversa. Por
ú ltimo, observamos que en algunos casos no se observa una correlació n entre las variables, esto
se percibe porque cada variable fluctú a a su libre albedrío sin relació n con la otra a la que se le
enfrenta.
Destacar una curiosidad en la comparació n de estas grá ficas con las anteriores, que es en el caso
de SMI VS PARO. Este es un caso curioso, porque en los valores no se observa relació n, pero al
presentar estas dos variables enfrentadas aparece la línea de ajuste y ahora, nuevamente, nos
dice que no hay relació n el grá fico de series temporales, en el cual podemos destacar que se
aprecia una cierta relació n en los ú ltimos añ os. Esto se puede deber al nivel de confianza con la
que cada una trabaje.
Presentación del modelo.

Una vez definidas las variables comenzamos con los primeros aná lisis.
Coeficient Desv. Estadístico t Valor p

e Típica
Const -891.997 932.887 -0.9562 0.34814
-
PIB 0.0008802 0.003332 -0.2641 0.79385
25 63
IPC 10178.4 4555.26 22.344 0.03463 **
SMI 175.401 509.351 34.436 0.00203 ***
FB -0.0211516 0.004789 -44.162 0.00017 ***
58
Media de la vble.
dep. 2.979.533 D.T. de la vble. 9.509.40
dep. 6
Suma de
cuad. 2471115 D.T. de la 3.143.95
Residuos regresión 6
R-cuadrado
R-cuadrado 0.905770 corregido 0.890693
F(4, 25) 6.007.723 Valor p (de F) 1.85e-12
Log-verosimilitud -2.123.529 Criterio de Akaike 4.347.05
8
Crit. de
Criterio de Schwarz 4.417.118 Hannan- 4.369.47
Quinn 1
Rho 0.572238 Durbin-Watson 0.779034
Estimando el modelo por mínimos cuadrados ordinarios, obtenemos que 3 de los 5 pará metros
son significativos, es decir solo influye en el modelo las variables IPC, SMI, FB, mientras que
PIB y la constante no influyen en el modelo.
Obtenemos una bondad de ajuste muy alta, entorno al 90%, que sumado a las correlaciones
obtenidas anteriormente, puede presentar graves problemas de multicolinealidad, aunque eso ya
lo trataremos en los siguientes apartados.
Prestando atenció n a los coeficientes;
 Por cada unidad que suba el IPC ( 1%), el desempleo aumenta en 10178 personas.
 Por cada euro que crezca el SMI, el desempleo aumenta en 175 personas.
 Por cada milló n de euros que crezca la FB, el desempleo decrece 0,02 personas.
A la vista de los resultados, podemos decir que nuestro modelo sigue una línea ló gica, ya que no
hay ningú n signo raro.
PROBLEMAS
Normalidad
Para que el estimador sea eficiente, los residuos deben seguir una distribució n normal.
Contraste de Jarque-Bera = 6.17588, con valor p 0.0455958

Ademá s de los grá ficos, el contraste nos indica que no sigue una normal, por lo que tomamos
logaritmos en la variable explicada, y después comprobamos si se ha solucionado el problema.
Contraste de Jarque-Bera = 1.07236, con valor p 0.584978
Ahora sí, aceptamos la hipó tesis nula, es decir, el modelo sigue una distribució n normal.
Multicolinealidad.
Al realizar el contraste de multicolinealidad, nos dieron como resultados los siguientes:
Como habíamos dicho anteriormente, el modelo presenta graves problemas de

multicolinealidad. Teníamos una bondad de ajuste de má s del 90%, ademá s de que 2 de 5
pará metros no son significativos, sumá ndole que nuestros datos son de tipo temporal,
presentá bamos todas las características para que apareciera este problema.
Tras probar diversas formas de solucionar la multicolinealidad, como la regresió n alomada de

Hoerl Kennar, optamos por eliminar el PIB. Al eliminar la variable que tiene un mayor VIF
ademá s de que no es significativa en el modelo, (PIB), los resultados obtenidos son mejores,
eliminando posibles problemas de multicolinealidad.
Así nuestro nuevo modelo sería el siguiente:
Desempleo = β1 + β2 IPC + β3 SMI + β4 FBC + υ
Con este modelo, todas los pará metros menos la constante, son significativos. La interpretació n
de los coeficientes seria:
Por cada subida porcentual del IPC, el desempleo aumenta 9495,28 personas
Por cada euro de subida en el SMI, el desempleo aumenta 162,303 personas
Por cada milló n de euros de subida en el FB, el desempleo aumenta -0.0223503 personas
Comparando el R cuadrado corregido entre los modelos, no se puede sacar conclusiones, ya

que los dos son prá cticamente idénticos siendo 0,004 el nuevo.
Sin embargo, comprá ndolo con el criterio de Schwarz, es mejor modelo el anterior, aunque el
nuevo modelo no presenta problemas de multicolinealidad.
Heterocedasticidad
A priori no deberíamos encontrarnos con este problema ya que trabajamos con datos de corte
temporal
A simple vista, no encontramos signos de heterocedasticidad, vamos a comprobarlo

empíricamente.
CONTRASTE DE HETEROCEDASTICIDAD DE BREUSCH-PAGAN -
HIPÓTESIS NULA: NO HAY HETEROCEDASTICIDAD
ESTADÍSTICO DE CONTRASTE: LM = 0.994851
CON VALOR P = P(CHI-CUADRADO(3) > 0.994851) = 0.802498
Bajo las hipó tesis:
H0: Homocedasticidad
H1: Heterocedasticidad
Observando el p valor, aceptamos la hipó tesis nula, por lo que las perturbaciones son
homocedá sticas.
CONTRASTE DE HETEROCEDASTICIDAD DE WHITE -
HIPÓTESIS NULA: NO HAY HETEROCEDASTICIDAD
ESTADÍSTICO DE CONTRASTE: LM = 6.68057
CON VALOR P = P(CHI-CUADRADO(9) > 6.68057) = 0.670337
Lo mismo ocurre al hacer el test de White. Visto que no hay problemas de heterocedasticidad,
pasamos a detectar posibles problemas de autocorrelació n.
Autocorrelación.
A simple vista, no detectamos patró n que indique signos de autocorrelacion.
Para contrastarlo, utilizamos la h de Durbin y la comparamos con la distribució n normal y

optemos el siguiente resultado:
DURBIN-WATSON 0.761158
Como la h de durbin(0,761158) cae dentro de la

regió n de aceptació n siendo H0 no hay
autocorrelació n y H1: existe correlació n, podemos
aceptar H0 y concluimos que no existe
autocorrelació n.
Modelo final
Después de analizar los posibles problemas, este sería nuestro modelo final.
Predicciones
Para el añ o 2017 con los valores de nuestras variables
El intervalo de confianza que obtenemos al 95% de confianza no incluye al dato real de

desempleo que se produjo en el 2013. Esto se debe a que en el desempleo influyen muchas má s
variables que no hemos cuantificado en nuestro modelo. A esto, tenemos que sumarle, que los
valores que hemos dado a las variables no son los del añ o 2013 reales.
Dicho dato es 6.200.000

Obtenemos el grá fico de predicció n:
Conclusiones
Hemos conseguido un modelo con unos estimadores eficientes
Aunque hemos tenido varios problemas como el de multicolinealidad, lo hemos resuelto de

forma eficaz.
Al modelo le faltan varias variables, para ser má s completo.

Examen Econometria

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Examen Econometria

Încărcat de

Drepturi de autor:

Formate disponibile

MAYUNTUPA ECHEVARRIA, ROY WALTER

EXPLICACION DEL DESEMPLEO

Presentación de las variables

 Desempleo: que es la variable explicada o dependiente. Se define como la situació n de

Las demá s variables son las explicativas o independientes:

Correlación de las variables

2.000 2.500 3000 3500 4 0 00 4500 5000 55 00

I PC ,c on respecto a PIB (,c on .aju st e m ín im o -,cuad r,át ico,)

2.00000 300000 400000 500000 500000 700000 s ooooo 900000 1 e + 005 1. l e + om

SMI ,c on r especto .a I PC (,co n aj ust e m ínimo-,cu ad r.át ico)

0 '--- - - --'- - - - - - -'-- - - - - --'- - - - - - -'-- - - - - --'- - - - - - ..,_--'

SMI (d er echa) -­ 650

1'985 1 '99 0 1995 2000 2.00 5 2010

Presentación del modelo.

Coeficient Desv. Estadístico t Valor p

Prestando atenció n a los coeficientes;

Contraste de Jarque-Bera = 6.17588, con valor p 0.0455958

Contraste de Jarque-Bera = 1.07236, con valor p 0.584978

Como habíamos dicho anteriormente, el modelo presenta graves problemas de

Tras probar diversas formas de solucionar la multicolinealidad, como la regresió n alomada de

Así nuestro nuevo modelo sería el siguiente:

Desempleo = β1 + β2 IPC + β3 SMI + β4 FBC + υ

Por cada euro de subida en el SMI, el desempleo aumenta 162,303 personas

Comparando el R cuadrado corregido entre los modelos, no se puede sacar conclusiones, ya

A simple vista, no encontramos signos de heterocedasticidad, vamos a comprobarlo

CONTRASTE DE HETEROCEDASTICIDAD DE BREUSCH-PAGAN -

HIPÓTESIS NULA: NO HAY HETEROCEDASTICIDAD

ESTADÍSTICO DE CONTRASTE: LM = 0.994851

CON VALOR P = P(CHI-CUADRADO(3) > 0.994851) = 0.802498

Bajo las hipó tesis:

CONTRASTE DE HETEROCEDASTICIDAD DE WHITE -

HIPÓTESIS NULA: NO HAY HETEROCEDASTICIDAD

ESTADÍSTICO DE CONTRASTE: LM = 6.68057

CON VALOR P = P(CHI-CUADRADO(9) > 6.68057) = 0.670337

A simple vista, no detectamos patró n que indique signos de autocorrelacion.

Para contrastarlo, utilizamos la h de Durbin y la comparamos con la distribució n normal y

Como la h de durbin(0,761158) cae dentro de la

El intervalo de confianza que obtenemos al 95% de confianza no incluye al dato real de

Dicho dato es 6.200.000

Obtenemos el grá fico de predicció n:

Hemos conseguido un modelo con unos estimadores eficientes

Aunque hemos tenido varios problemas como el de multicolinealidad, lo hemos resuelto de

Al modelo le faltan varias variables, para ser má s completo.

S-ar putea să vă placă și

SMI (d er echa) - 650