Sunteți pe pagina 1din 42

CONTENIDO MNNIMO:

1.-INTRODUCCIN
2.-TIPOS DE MODELOS DE REGRESIN
3.-MODELOS DE REGRESIN UNIECUACIONALES
4.-MODELOS DE REGRESIN DE ECS.SIMULTANEAS
5.-MODELOS DE SERIES TEMPORALES
BIBLIOGRAFA:
ECONOMETRA D.GUJARATI
INTRODUCCIN A LA ECONOMETRA MADDALA
PROBABILIDAD Y ESTADSTICA PARA INGENIEROS
MILLER-FREUND-JHONSON

1. EL PRINCIPAL OBJETIVO DE MLTIPLES

INVESTIGACIONES ES EFECTUAR
PREDICCIONES EN BASE DE ECUACIONES
MATEMTICOS LLAMADOS MODELOS
LA HERRAMIENTA FUNDAMENTAL ES EL
ANLISIS DE LA REGRESIN
ANLISIS DE LA REGRESIN:
a)ESTABLECER LA RELACIN FUNCIONAL
ENTRE LAS VARIABLES (Xs e Y) Y= f(Xs)
b)ESTABLECER LA VARIACIN CONJUNTA
ENTRE Xs e Y coeficiente de correlacin (r)

Objetivos del anlisis de la Regresin

1.-Formulacin y planteamiento de

modelos verificables
2.-Estimacin, interpretacin y
comprobacin de los modelos
3.-Utilizacin de los modelos:
a) En la prediccin
b) En la realizacin de polticas de
control

METODOLOGA DE LA INVESTIGACIN
TEORA HIPTESIS
MODELO MATEMTICO DE LA TEORA Y=f(Xs)
MODELO REGRESIVO DE LA TEORAY=f(X,)
DATOS

ESTIMACIN DEL MODELO

regresivo

PRUEBAS DE HIPTESIS

PRONSTICO PREDICCIN

POLTICAS DE CONTROL

DIAGRAMAS DE DISPERSIN. ES LA REPRESENTACIN GRFICA DEL

COMPORTAMIENTO DE LAS VARIABLES


EN CUESTIN(Xs e Y)
PERMITE APRECIAR LA TENDENCIA DEL
MODELO TIPO DE MODELO:
1.-MODELO LINEAL
2.-MODELO EXPONENCIAL
3.-MODELO DE PRODUCCIN
4.-MODELO POLINOMIAL(COSTOS)
4.-MODELO RECPROCO
5.-MODELO TEMPORAL

2.-TIPOS DE MODELOS DE REGRESIN

MODELOSDE REGRESIN UNIECUACIONALES:

A)SIMPLE :
a)Lineal,b)Logartmicos,c)semilogartmicos
d) Tendencia,e)Recprocos,f)Anova
B)MLTIPLE:
a) Simple ,b)Polinomiales c)Logartmicos
d)Ancovas
MODELOS DE REGRESIN DE ECS.SIMULTANEAS
MODELOS DE SERIES TEMPORALES

3.-Modelos de regresion uniecuacionales


Una sola ecuacin
Una sola relacin unidireccional:
de causa( Xs) a efecto(Y)
Modelos de Reg.simple.
La FRP Y = 1+ 2X + donde:
Y= v.d.regresada predicha
X= v.i. regresor predictor factor
=v.a. Estocstica ,Residual ,perturbacin
1= Intercepto, (Y).autnomo
2 =Coef,de regresin, PM(Y)

Estimacin: Mnimos cuadrados ordinarios


(M.C.O.) E() = 0
La FRM = 1+ 2X
r , r
1.-Coeficiente de determinacin (r).- 0 r 1:
Mide el grado de ajuste por la aplicacin de la
recta estimada. si 0.9 r 1 excelente
si 0.8 < r < 0.9 muy bueno
2.-Coeficiente de correlacin(r).- -1 r 1
Mide el grado de asociacin lineal entre Xe Y
si r= -1 Rel.perfecta inversa
si r= 0 No existe rel.lineal
si r= 1 Relacin perfecta directa

TCNICAS DE ESTIMACIN
1.-Manual : x ; y; x ; y; x y
X; ; Sxy = x y-n(X)(); Sxx = x -n(X); Syy= y-n( )

2= Sxy/Sxx ; 1 = - 2X r= Sxy/(SxxSyy) ;r =r
2.-Modo Estadstico (modelos simples).
3- Matricial (modelos simples y mltiples)
-1

i= ( XX) ( XY) donde: Xnxk y Ynx1


-1
i= A x D donde
r=(i D -n ) /( YY -n )
4.-PC(SSPSS E Views )
Nota.- Antes efectuar el Diagrama de dispersin

Ej. De modelo de reg.lineal simple


Los siguientes datos son las mediciones de la velocidad del aire y del
coeficiente de evaporacin de las gotitas de combustible en una turbina de
propulsin
Velocidad del aire Coef.de evaporacin . Se desea predecir el coeficiente de
(cm/seg) X
(mm/seg) Y
evaporacin,cuando la velociadad
20
0.18
del aire sea :
60
0.37
a) de 190 (cm/seg)
100
0.35
b) de 390 (cm/seg)
140
0.78
Sol.180
0.56
Causa velocidad del aireX
220
0.75
Efecto Coef.de evapor. Y
260
1.18
La FRP Y = f( X)
300
1.36
340
1.17
380
1.65

Diagrama de dispersin
y

1.65
1.36

x
x

1.18
1.17

x
x

0.78
0.75
0.56

x
x
x

0.37
0.35

x
x

0.18

20

40

60

100

140

180

220

260 300 340 380

Modelo estimado
La FRM = 0.069 + 0.0038 X r=0.9053 . r= 0.9515
Interpretacin.1 =0.069 es el coef. de evaporacin autnoma
no depende de la velocidad del aire
2 =Coef.de regresin. PME de evaporacin
por c/u que se la velocidad del aire se espera que se
epvapore las gotitas de combustible en aprox. 0.4%
r = 0.9053 significa un ajuste del 91%
r= 0.9515 significa una asociacin lineal de aprox. 95% entre
XeY
Estimacin
a) Para X= 190 = 0.069 + 0.0038 (190)=0.79 (mm/seg)
b) Para X= 390 = 0.069 + 0.0038 (390)=1.551 (mm/seg

Estimacin por Intervalos de confianza


IC para E( o/Xo al 100 r%=[o t/2(n-k) ee(o)]
Mdulo error (E)
Donde:Var(o) = [ 1/n + (Xo- )/Sxx]ee(o) = Var(o)
Sxx= x-n( ) ; Xo= Valor de X; o = Valor estimado puntual de Y /Xo
Siguiendo con nuestro ej. Construir un IC del 95 % para la estimacin Xo=190
Sol.r=0.95 = 0.05 to,o5/2 : (10-2)=2.306 Sxx=132 000 ; = 200
E=0.39 El IC al 95% de E(o/Xo=190)=[0.79 0.39]
=[0.67 ; 0.91]
Significa que de 100 m.a que se tomen se espera que 95 tengan la o
Estn entre el rango del intervalo y slo 5 m.a no estn
Nota.-Cuando se estima es aconsejable no extrapolar muy lejos del rango

Extensin del modelo de reg. Lineal simple


Modelo Exponencial.cuya FRP Y= 1 2 x
y

x
Linealizando ,aplicando ln lnY =ln 1 + X ln 2 +
Aplicando Los M:C:O se puede estimar
cuya FRM ln =ln 1 + X ln 2 aplicando cualquier tcnica de
estimacin teniendo presente que al intruducir los datos de y
deben estar logaritmizados
Donde 2 = cambio porcentual en y . 100%
cambio absoluto en X

Ej de modelo exponencial
Se tiene las cifras sobre el porcentaje de las llantas radiales producidas por cierto
fabricante que an pueden usarse despus de recorrer cierto nmero de millas
Millas recorridas Porcentaje
(miles) X
Util Y
1
98.2
2
91.7
5
81.3
10
64.0
20
36.4
30
32.6
40
17.1
50
11.3

De acuerdo al modelo adecuado.se pide estimar


a) qu porcentaje de las llantas radiales durarn al
menos 25 000 millas.b) 51 000 millas?
Sol.- de acuerdo al modelo exponencial y palicando
Log decimal:
FRM Log =2.0002 -0.0188 X
Para Xo= 25
Log =2.0002 -0.0188(25)
Log = 1.5302 = Antilog(1.5302) = 33.9 %
= Antilog(1.5302) = 33.9 %
b) Para X= 51 Log =2.0002 -0.0188(51)
Log = 1.0414 = Antilog(1.0414) = 11.00 %
FRM ln = 4.6046 -0.0432 X para xo= 25 Ln =4.6046 -0.0432(25)= 3.5246
=Antiln(3.5246) = 33.94%
para xo = 51Ln =4.6046 -0.0432(51)= 2.4014 =Antiln(2.4014) = 11%

Y 5.0
4.6 x x
4.5
x
x
4.0

ln = 4.6046 0.0432 X r=0.9880

x
x

3.5

r= -0.9940
x

3.0
x
2.5
x
2.0
0 1 2

10

20

30

40

50

x
Representacin del modelo exponencial estimado

Modelo potencial
2

La FRP Y = 1 X e
Se aplica cuando se
quiere estimar cambios porcentulaes en laY
debido a un cambio del 1% en el X
Linealizando aplicando Ln
Ln Y = ln 1 2 Ln X + u
Cuya FRM Ln = ln 1 2 Ln X
donde 2 = (cambio porcentual en y) /(cambio porcentual en 1% enX)
2 = ELASTICIDAD si 2 < 1 inelstica
si 2 = 1 Unitaria
si 2 > 1 elstica

Ej. De modelo LOG-LOG


Se tiene los datos sobre la demanda de un producto (miles de unidades) y su
precio (en centavos) tomado de 5 diferentes centros comerciales
Se pide estimar:
Precio Demanda
a) La elasticidad de la demanda
X
Y
b) La demanda cuando el precio sea de 12 ctvs $
20
22
2 u
16
41
Sol.-a) La FRP Ln y = 1 X e
10 120
Ln y = Ln 1 + 2 Ln X +
11
89
la FRM Ln = 10.2103- 2.3608 Ln X
14
56
Como 2= -2.3608 <1 inelstica
b) Para X= 12
Ln = 10.2103- 2.3608 Ln (12)
Ln = 4.3439
= antiln(4.3439)= 77 unidades

B.-Modelos de Reg.Mltiple
Gralmente Una Y = f( Xs)
1.-Mltiple lineal

La FRP Y= 0 + 1X1

+ 2X2 + + kXk + u ; R; R

Cuya FRM = 0 + 1X1 + 2X2 + + kXk


La estimacin mediante matrices PC ( SPSS Views)
donde 0 = Intercepto
1 = Coef.de Reg.Parcial,PM deY ; si X2..=cte
2 = Coef.de Reg.Parcial PM de Y ; si X3..=cte
R = Coef.de Determinacin mltiple(ordinario)
R = Coef.de Correlacin lineal mltiple
= Coef. De determinacin ajustado
= 1-(1-R) [(n-1)/(n-k)]

Ej.de modelo de reg.multiple simple


EJ. Se tiene los datos sobre el n de torsiones necesarias para romper una barra hecha
con cierto tipo de aleacin y los porcentajes de los metales que la integren:
Estmese el N de torsiones necesarias para
N de torsiones % de A % B romper una de las barras cuando:
y
x1
x2 X1= 2.5 ; X2= 12
38
1
5
40
2
5 Sol:- La FRP Y= o+ 1X1+ 2X2 +
85
3
5
La FRM = 42.7790+ 8.3161X1-1.2229X2
59
4
5
R =0.48; R= 0.69 ; para x1= 2.5 ; x2= 12
40
1
10
= 42.7790+ 8.3161(2.5)-1.2229(12) =48.9
60
2
10
= 49 torsiones
68
3
10
53
4
10
31
1
15
35
2
15

Tipos de modelos mltiples

Los polinomiales:
a) Los Cuadrticos
2
cuya FRP Y = 0 + 1Xi 2 Xi +
b) Los Cbicos
2
3
cuya FRP Y = 0 + 1Xi 2 Xi + 3 Xi +
Los log-log exponenciales
2
3
cuya FRP Y = 1X2 X3 e
LnY = ln 1 + 2 ln X2 +3X3 +

Ej. De Modelo cuadrtico


Se tien los datos correspondientes al tiempo de secado de cierto barniz y la
cantidad de aditivo para reducir el tiempo de secado.
Cantidad
Tiempo
de aditivo(grms) secado(Hrs)
X
Y
0
12.0
1
10.5
2
10.0
3
8.0
4
7.0
5
8.0
6
7.5
7
8.5
8
9.0

De acuerdo al diagrama de dispersin


estime mediante modelo adecuado
el tiempo de secado si se utilizan:
6.5 grms.

Diagrama de dispersin
y

12x
x
10

x
x

X
x

6
4
2
0

Estimacin de modelo cuadrtico


De acuerdo al diagrama es un modelo cuadrtico

La FRP Y = 0 + 1Xi 2 Xi2+


2
cuyaFRM = 12.2 -1.85 X + 0.183 X
R=0.9573 R= 0.9784 = 1- (1-0.9573)[(9-1)/9-3)] = 0.9431
2
estimando para X= 6.5 grms
= 12.2 -1.85(6.5) + 0.183 (6.5)

= 7.9 hrs.

Ejemplo de Modelo cbico


Se tiene la informacin sobre los costos(en $us) de ensamblaje de PCs y el
nivel de produccin: Estime el costo de producir 11 PCs
Y 450
Produccin Costo
x
x
y
400
1
193
2
226
350
x
3
240
4
244
300
x
5
257
x
6
260
250
x
x
7
274
x x x
8
297
200
9
350
x
10
420
150
1
2
3
4
5
6
7
8
9
10
X

Estimacin del modelo cbico


2

La FRP Y = 0 + 1Xi 2 Xi + 3 Xi +
2
3
La FRM = 141.7667 + 63.4776 X - 12.9615 X + 0.9396 X
ee= (6.3753)

(4.7786)

t= (22.2369) (13.2837)

(o.9857)

(0.0591)

(-13.1495) (15.8985)

R=0.9983 R=0.9991
La estimacin del costo de producir 11 PCs
2

= 141.7667 + 63.4776 (11) - 12.9615(11) + 0.9396 (11)


(Costo total) = 522.29 $ us

Modelo exponencial mltiple


Los log-log exponenciales

2 3
cuya FRP Y = 1X2 X3 e
LnY = ln 1 + 2 ln X2 +3X3 +
Generalmente en modelos de produccin
Y=Produccin : X2 = insumo trabajo; X3 = insumo capital

si
si
si

2+ 3 = Tipo de rendimientos a escala


2+ 3 < 1 Rendimientos decrecientes a escala
2+ 3 = 1 Rendimientos constantes a escala
2+ 3 > 1 Rendimientos crecientes a escala

Ej. De modelo LOG_LOG Mltiple


Se tiene la informacin de acuerdo
Ao
PBR (Y) L(X2) K(X3)
1988 16 607.7 275.5 17803.7
1989 17 511.3 274.4 18096.8
1990 20932.9 267.0 19167.3
1991 20406.0 267.8 19647.6

a la tabla sobre el sector manufacturero de un pas


a)Determinar el tipo de rendimientos que tie
ne el sector
b) Estime el PBR para el ao 2003 cuando :
L=X2= 270.0 , K=X3=18300.0
SOL.-

1992 20 831.6 275.0 20803.5

a) La FRPLnY = ln 1 + 2 ln X2+3X3 +

1993
1994
1995
1996
1997
1998

24
26
27
28
29
27

831.6
465.8
403.0
628.7
904.5
508.2

283.0
300.7
307.5
303.7
304.7
298.6

22076.6
23445.2
24939.0
26713.7
29957.8
31585.9

FRPLn= -3.3384+1.4988 ln X2+0.4899lnX3


ee = (2.4495)
(0.5398)
(0-1020)
t = (-1.3629) ( 2.7765)
(4.8005)
R= 0.8890 =0.8705

1999
2000
2001
2002

29
29
31
20

035.5
281.5
535.8
171.2

295.5
299.0
288.1
269.7

33474.5 Ln= -3.3384+1.4988 ln(270)+0.4899ln(18300)


34821.8
Ln = 9.860714973
41794.3
=antiln(9.860714973) =19162.6 Millones $us
18271.8

b) Para X2= 270 X3=18300

Modelos Dicotmicos

Modelos con variables cualitativas(D):


A) Como regresores:
1.-Modelos Anova.- la FRP Y=f( D)
2.-Modelos Ancova.-La FRP Y=f(D ,Xs)
B)Comno regresada La FRP D=f(Xs)
1.-MODELOS LINEAL DE PROBABILIDAD(MLP)
2.-LOGIT
- 3.-NORMIT PROBIT

Modelos de series temporales

La FRP Y= f(tiempo)
Estacionariedad.- E(Y) =
V(Y) =
COV(Y) =k
Pruebas de estacionariedad:
-Correlograma
-Individuales.
Q-stat , LB
-Totales : Raz unitaria,DFA

Mtodos de prediccin
En la introduccion se dijo que la prediccin es una parte del
anlisis de regresin,Cmo se pronostican cualquier variable a
traves del tiempo?.Existen 2 mtodos:
1.-Autorregresivo integrado de media mvil (ARIMA)
-No tienen causa ni efecto: Permitir que la informacin hable
por sim misma Atericos
2.-Autorregresivo vectorial (VAR)
- se asemeja a los modelos de ecs. Simultaneas,donde cada
variable endgena es exolicada por sus valores rezagados
pasados y por los valores rezagados de todas las dems
variables endgenas en el modelo.no hay variables exgenas

Procesos para obtener el ARIMA


Proceso Autorregresivo (AR)
AR(1) autorregresivo de 1er orden
AR(2) autorregresivo de 2 orden
AR(p) autorregresivo de p orden
Proceso de Media Mvil (MA)
MA(1) media mvil de 1er orden
MA(2) media mvil de 2 orden

MA(q) media mvil de q orden


Proceso Autorregresivo y de media mvil (ARMA)
ARMA(1,1) autorregrsivo de 1er orden y media mvil de 1er orden
ARMA(p,q)

q
Proceso autorregresivo integrado y de media mvil( ARIMA)
ARIMA(1.1.1) autorregresivo de 1er orden ,integrado una vez y demedia
mvil de 1 er orden
ARIMA(p.d.q)

Metodologa de estimacin B-J modelaje (ARIMA pdq))


1.-Identificacin del modelo (eleccin p,d,q) correlograma.-

2.-Estimacin de parmetros del modelo elegido.-

3.-Verificacin de diagnstico correlograma de los residuales

4.-Prediccin polticas de control

Ej.Se tiene la informacin del PIBR DURANTE 1970-1-1992-4


Se pide estimar el PIBR para el 1er trimestre del ao 1992
PIB
2872.8
2860.3
2896.6
2873.7
2942.9
2947.4
3966
2980.8
3037.3
3089.7
3125.8
3175.5
3253.3
3267.6
3264.3
3289.1
3259.4
3267.6
3239.1
3226.4
3154
3190.4
3249.9
3292.5

PIB
3356.7
3369.2
3381
3416.3
3466.4
3525
3574.4
3567.2
3591.8
3707
3735.6
3779.6
3780.8
3784.3
3807.5
3814.6
3830.8
3732.6
3733.5
3808.5
3860.5
3844.4
3864.5
3803.1

PIB
3756.1
3771.1
3754.4
3759.6
3783.5
3886.5
3944.4
4012.1
4089.5
4144
4166.4
4194.2
4221.8
4254.8
4309
4333.5
4390.5
4387.7
4412.6
4427.1
4460
4515.3
4559.3
4625.5

PIB
4655.3
4704.8
4734.5
4779.7
4809.8
4832.4
4845.6
4859.7
4880.8
4900.3
4903.3
4855.1
4824
4840.7
4862.7
4868

Ej de Serie temporal
Verificando la estacionariedad de la serie mediante el corrlograma

Date: 09/21/07 Time: 16:18


Sample: 1970:1 1991:4
Included observations: 88
Autocorrelation
Partial Correlation
. |*******|
. |*******|
. |*******|
.*| .
|
. |*******|
.|.
|
. |*******|
.|.
|
. |****** |
.|.
|
. |****** |
.*| .
|
. |****** |
.|.
|
. |***** |
.|.
|
. |***** |
.|.
|
. |***** |
.|.
|
. |***** |
.|.
|
. |**** |
.|.
|
. |**** |
.|.
|
. |**** |
.|.
|
. |**** |
.|.
|
. |*** |
.|.
|
. |*** |
.|.
|
. |*** |
.|.
|

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

AC
0.969
0.935
0.901
0.866
0.830
0.791
0.752
0.713
0.675
0.638
0.601
0.565
0.532
0.500
0.468
0.437
0.405
0.375

PAC
0.969
-0.058
-0.020
-0.045
-0.024
-0.062
-0.029
-0.024
0.009
-0.010
-0.020
-0.012
0.020
-0.012
-0.021
-0.001
-0.041
-0.005

Q-Stat
85.462
166.02
241.72
312.39
378.10
438.57
493.85
544.11
589.77
631.12
668.33
701.65
731.56
758.29
782.02
803.03
821.35
837.24

Prob
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

Prueba de estacionariedad mediante Dickey-Fuller

ADF Test Statistic -0.219165

1% Critical Value*
5% Critical Value
10% Critical Value
*MacKinnon critical values for rejection of hypothesis of a unit root.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(PIB)
Method: Least Squares
Date: 09/21/07 Time: 21:43
Sample(adjusted): 1970:2 1991:4
Included observations: 87 after adjusting endpoints

Variable
Coefficient
PIB(-1)-0.001368 0.006242
C
28.20542 24.36532
R-squared
0.000565
Adjusted R-squared
S.E. of regression 36.13503
Sum squared resid 110987.9
Log likelihood
-434.5278

-3.5064
-2.8947
-2.5842

Std. Error t-Statistic Prob.


-0.219165 0.8270
1.157605 0.2503
Mean dependent var
22.93333
-0.011193
S.D. dependent var
35.93448
Akaike info criterion
10.03512
Schwarz criterion
10.09181
F-statistic
0.048033

Prueba de estacionariedad ADF

ADF Test Statistic

-6.630339

1% Critical Value*
5% Critical Value
10% Critical Value
*MacKinnon critical values for rejection of hypothesis of a unit root.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(PIB,2)
Method: Least Squares
Date: 09/21/07 Time: 21:51

-3.5073
-2.8951
-2.5844

Modelaje mediante BJ ARIMA


Autocorrelation

Q-Stat
. |**
. |*.
.|.
.|.
.|.
.|.
.*| .
**| .
.*| .
.|.
.|.
**| .
.*| .
**| .
.*| .
.|.

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

Partial Correlation

Prob
. |**
. |*.
.|.
.|.
.|.
.|.
.*| .
**| .
. |*.
. |*.
.|.
**| .
.|.
.*| .
.|.
.|.

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

0.316
0.186
0.049
0.051
-0.007
-0.019
-0.073
-0.289
-0.067
0.019
0.037
-0.239
-0.117
-0.204
-0.128
-0.035

AC
0.316
0.095
-0.038
0.033
-0.032
-0.020
-0.062
-0.280
0.128
0.100
-0.008
-0.311
0.011
-0.114
-0.051
-0.021

9.0136
12.165
12.389
12.631
12.636
12.672
13.188
21.380
21.820
21.855
21.991
27.892
29.314
33.712
35.474
35.610

PAC
0.003
0.002
0.006
0.013
0.027
0.049
0.068
0.006
0.009
0.016
0.024
0.006
0.006
0.002
0.002
0.003

Estimacin del modelo tentativo DPIB = C AR(1) AR(8) AR(!2)

Dependent Variable: D(PIB)


Method: Least Squares
Date: 09/21/07 Time: 22:11
Sample(adjusted): 1973:2 1991:4
Included observations: 75 after adjusting endpoints

Convergence achieved after 3 iterations


Variable
Coefficient
Std. Error t-Statistic Prob.
C
23.08936
2.980356 7.747181 0.0000
AR(1)
0.342768
0.098794 3.469531 0.0009
AR(8)
-0.299466
0.101599 -2.947523
AR(12)
-0.264371
0.098582 -2.681742
R-squared
0.293124
Mean dependent var
Adjusted R-squared
0.263256
S.D. dependent var
S.E. of regression
31.38030
Akaike info criterion
Sum squared resid
69915.33
Schwarz criterion
Log likelihood
-362.8286
F-statistic
Durbin-Watson stat
1.766317
Prob(F-statistic)

0.0043
0.0091
21.52933
9.905695
0.000017

36.55936
9.782096
9.813965

Verificacin del modelo a travs del correlograma de los


residuales
Date: 09/21/07 Time: 22:18
Sample: 1973:2 1991:4
Included observations: 75
Q-statistic probabilities adjusted for 3 ARMA term(s)
Autocorrelation Partial Correlation

. | .
|
.|.
|

. |*.
|
. |*. |

.*| .
|
.*| .
|

. | .
|
.|.
|

.*| .
|
.|.
|

. |*.
|
. |*. |

. | .
|
.|.
|

. |** |
. |*. |

. | .
|
.|.
|

. | .
|
.|.
|

.*| .
|
.*| . |

. | *. |
. |*. |

. | . |
.|.
|

. | *. |
. |*. |

. | *. |
. |*. |

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

AC
-0.054
0.159
-0.115
-0.017
-0.067
0.141
-0.026
0.242
-0.034
0.037
-0.117
0.079
-0.001
0.194
0.069

PAC
-0.054
0.156
-0.102
-0.052
-0.037
0.143
-0.008
0.196
0.007
-0.023
-0.070
0.079
0.053
0.120
0.093

Q-Stat
0.2295
2.2258
3.2948
3.3185
3.6907
5.3609
5.4179
10.460
10.563
10.681
11.917
12.484
12.484
16.031
16.494

Prob

0.069
0.158
0.147
0.247
0.063
0.103
0.153
0.155
0.187
0.254
0.140
0.170

Estimacin del PIB para 1992-I

92-1 Y91-4 = + 1[Y 91-4 -Y91-3] + 8[Y 89-4


Y89-3] + 12[Y 88-4 Y88-3 ] +
92-1=23.0894+(1+0.3428)Y91-4 -0.3428Y91-3
+(-0.29949)Y89-4 (-0.2994)Y89-3
+(-0.2644)Y88-4 (-0.2644)Y88-3
=4876.7 miles de millones de $us

FIN

Gracias por su atencin ,desendoles mucha


suerte,aunque a la suerte hay que merecerla

Lic.Porfirio Arduz Urquieta.