Documente Academic
Documente Profesional
Documente Cultură
Yt 0 1 X 1, t 2 X 2, t ....... k X k , t .... t
Yt : variable dependiente en el instante t X1,t Variable independiente 1 en el insatanete t Et : error en el instante t
Los datos han sido simulados a partir de un reporte de ventas y gastos en publicidad de la revista coyuntura econmica del mes de julio del 2010.
Preparacin de Datos
Primero se debe desestacionalizar las variables. En eviews: Abrir la variable Ingresar a la opcin: Proc/Seasonal Adjustment/Census X12
Se debe seleccinar el mtodo de desestacionalizacin (multiplicativo o Aditivo) Y tambin se debe seleccionar las salidas que se desea (Variable ajustada estacionalmente
Variables Desestacionalizadas
La variable desestacionalizada, regula las variaciones estacionales innecesarias de la variable (estas luego se pueden incrementar en el resultado final) Y sigue mantiene las caractersticas iniciales de la variable original.
VARIABLES EN LOGARITMOS Para transformar una variable en logaritmos se debe seguir las siguientes instrucciones. En eviews Series lventas = log(ventas_sa) Series lpro = log(pro_sa) Series lpub = log(pub_sa)
PRESENTACION GRAFICA Las variables en logaritmos disminuyen la volatilidad de las variables. Su anlisis es en porcentajes (Elasticidades anlisis de sensibilidad)
Modelo desestacionalizado
Anlisis Econmico: Ambos modelos tienen los signos esperados. Anlisis Estadstico: Anlisis de significancia individual: Aparentemente el modelo desestacionalizardo es mejor dado que sus dos variables explicativas son significativas, mientras que el modelo desestacionalizado, muestra que la variable publicidad no es significativo. Anlisis grupal: El R2 del modelo desestacionalizado es mejor ,al igual que el F-estadstico
PROCEDIMEINTO
E-VIEWS Regresionar el modelo View Estability Tests Recursive estimates CUSUM o CUSUM squares test Okey
Modelo desestacionalizado
30 20 10
CUSUM
5% Significance
CUSUM
5% Significance
1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 2002 2003 2004 2005 2006
1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 2002 2003 2004 2005 2006
CUSUM of Squares
5% Significance
CUSUM of Squares
5% Significance
Segn el test de Cusum y Cusum2: Ambos modelos presentan problemas de quiebre estructural.
CONTRASTES DE CHOW
El contraste de prediccin de Chow tambin se utiliza para detectar quiebre estructural. Este contraste de Chow divide los datos en dos partes (se le debe dar la fecha de corte) y regresiona por separado y luego compara los residuos obtenidos, si estos son distintos entonces existe quiebre estructural. La Hiptesis Nula de este Contraste de Chow es el modelo tiene estabilidad paramtrica. Y la hiptesis alterna, existe problemas de quiebre estructural(no tiene estabilidad paramtrica)
1.6
1.6
1.2
1.2
0.8
0.8
0.4
0.4
0.0
0.0
-0.4 05M10 06M01 06M04 06M07 06M10 07M01 07M04 CUSUM of Squares 5% Significance
CUSUM of Squares
5% Significance
PROBLEMAS DE AUTOCORRELACIN
Se da cuando los residuos del modelo estn autocorrelacionados. No se cumple que las cov(ei,ej)=0
u,u 0 Fig.1.1 u,u u,u u,u tiempo 0 u,u Fig.1.2
tiempo u,u
0 Fig.1.3
tiempo u,u
0 Fig.1.4
tiempo u,u
Consecuencias
Como en el caso de la heterocedasticidad, en presencia de autocorrelacin los estimadores MCO continan siendo lineales-insesgados al igual que consistentes, pero dejan de ser eficientes.
COMO DETECTAR
Estadstico Durbin Watson
Ho: No existe autocorrelacin de 1er orden Ha: Existe autocorrelacin de 1er orden.
Decisin prctica: Si DW esta alrededor de dos no existe autocorrelacin
d
(u
t 2
t n
u t 1 ) 2
2 t
u
t 2
t n
2 t
u t21 u t u t 1
2 t
2(1
u u u
t
t 1
2 t
) 2(1 )
Zona de indecisio n
d 4dU 4- dL
dL
dU
En ambos modelos existe problemas de autocorrelacin de primer orden debido a que el estdistico DW es menor de 2.
En ambos modelos existe problemas de autocorrelacin de primer orden debido a que el estdistico DW es menor de 2.
Esta prueba se usa para determinar la estructura autor regresiva de orden . Pasos: 1.- Regresionar el modelo 2.- VIEW 3.- RESIDUAL TEST 4.- CORRELOGRAM SQUARED RESIDUALS 5.- OBVSERVAR EL GRAFICO Y DETERMIANR EL ORDEN
Modelo desestacionalizado
En el modelo sin desestacionalizar, se puede observar que existe problemas de autocorrelacin de primer y segundo orden
En el modelo desestacionalizado, se puede observar que existe problemas de autocorrelacin de primer y sexto orden, (aunque el sexto rezago es muy alto y no se podra considerar)
PROBLEMAS DE HETEROCEDASTICIDAD
Hasta el momento hemos realizado el anlisis de los dos modelos (El modelo sin desestacionalizar y el modelo Desestacionalizado) y no se ha observado claramente el beneficio de trabajar con datos desestacionalizados. El test de White para identificar problemas de heterocedasticidad podra definir con cual de los dos modelos podemos quedarnos.
El modelo sin desestacionalizar presenta problemas de heterocedasticidad, debido a que su probabilidad F-stat es menor al 5% (se rechaza la hipotesis de homocedasticidad
El modelo desestacionalizado no presenta problemas de heterocedasticidad, y por lo tanto sus resultados son mucho mas eficientes.
CONTRASTACIN DE HIPTESIS
Los gastos en publicidad y promocin han influido positivamente sobre las ventas. Si el gasto en publicidad se incrementa en mil soles entonces las ventas se incrementarn en 36.94 De la misma manera Si el gasto en promocin se incrementa en mil soles entonces las ventas se incrementarn en 34.24
Segunda Hiptesis: El gasto en publicidad influye en la misma magnitud que el gasto en promocin.
Para contrastar esta hiptesis, en primer lugar hay que tener en cuenta dos periodos. Antes de octubre del 2005 y despus del 2005. Para esto se debe hacer un test de Wald,
En este caso el resultado indica que no existe evidencia estadstica de que ambos efectos fueran distintos (no se puede rechazar la hiptesis nula
Tercera Hiptesis: Los incrementos de los ventas en los dos ltimos aos se deben en mayor proporcin a los gastos en promocin.
El coeficiente que considera el quiebre estructural es significativo y positivo, este resultado indica que en los dos ltimos aos el gasto de mil soles en promocin a incrementado las ventas en cerca de 15 mil soles adicionales.
PROYECCIN Para proyectar se debe tener un buen nivel de ajuste del modelo. Para observar esto se debe de realizar un anlisis del poder predictivo del modelo. En Eviews Regresionar el mejor modelo Forecast (presionar el boton Forecast)
Para evaluar si un modelo tiene un buen poder predictivo, se analiza el Coeficiente de desigualdad de Theil, este debe estar cercano a cero para que el modelo sea un buen modelo para predecir. Por otro lado la proporcin de covarianza debe ser cercano a 1.
PREDICCIN
Si el modelo es bueno para predicir, entonces se debe de seguir las siguientes pasos. Expandir la muestra (recomendable solo uno o dos periodos hacia delante). >Expand 2002.1 2007.6 Ingresar valores para las variables independientes
Junio 2007
Julio 2007
Gastos Promocin
Gastos Publicidad
40
27
42
29 1
Variable dummy 1
En la ventana de prediccin se debe introducir el periodo que se desea proyectar. Tambin se debe ingresar la variable en la cual se van a depositar las predicciones
Ventas
3107.40
3231.16
THE END