Se trata de explicar el nivel de importaciones mediante el consumo, la inversión y el

producto interno bruto 𝒄𝒐𝒏 𝒍𝒐𝒔 𝒔𝒊𝒈𝒖𝒊𝒆𝒏𝒕𝒆𝒔 𝒅𝒂𝒕𝒐𝒔 < 𝑰𝒎𝒑𝒐𝒓𝒕𝒂𝒄𝒊𝒐𝒏𝒆𝒔. 𝒅𝒕𝒂 >

a) Ajustar el modelo de manera razonable:

𝑰𝑴 = 𝜷 + 𝜸 𝑪𝑶𝑵𝑺 + 𝜹 𝑰𝑵𝑽 + 𝝁 𝑷𝑰𝑩 + 𝒖 a

. generate time=(1988)+_n-1

. format %ty time

. tsset time
time variable: time, 1988 to 2005
delta: 1 year

.
end of do-file

. do "C:\Users\HP\AppData\Local\Temp\[Link]"

. reg imp cons inv pib

Source SS df MS Number of obs = 18

F(3, 14) = 168.45
Model 257692.075 3 85897.3582 Prob > F = 0.0000
Residual 7139.03653 14 509.931181 R-squared = 0.9730
Adj R-squared = 0.9673
Total 264831.111 17 15578.3007 Root MSE = 22.582

imp Coef. Std. Err. t P>|t| [95% Conf. Interval]

cons .242747 .2853607 0.85 0.409 -.3692907 .8547847

inv .4141991 .3222598 1.29 0.220 -.2769793 1.105378
pib .0322045 .1868843 0.17 0.866 -.3686225 .4330315
_cons -197.2511 41.25253 -4.78 0.000 -285.7289 -108.7732

.
end of do-file

Para poder estimar el modelo en STATA se debe convertir los datos a series de
tiempo, ya este programa por defecto los maneja como datos de sección cruzada.
Una vez convertidos los datos a series de tiempo la regresión que se plantea es un
modelo sin transformar las variables logaritmos, es decir estimar un modelo lineal
sencillo.

Los datos usados para el modelo tienen 18 observaciones, los cuales, según el R2, son
las variables apropiadas para explicar el comportamiento de las importaciones. El
modelo estimado tiene como variables dependientes al consumo, inversión y
producto interno bruto PIB.

b) Analice la significancia de las variables.

La significancia conjunta del modelo se la puede conocer por medio del valor-p, el
cual debería ser un valor menor al 5% preferentemente, en la tabla de resultados que
la regresión género, el valor probabilístico del estadístico F resultas ser menor que el
5% y 1%, con lo cual se puede concluir que las variables un su conjunto describen el
comportamiento de las importaciones.

Analizando la significancia individual de las variables se tiene:

A una significancia del 1%, comparándolo con el valor-p de los coeficientes,

solo la constante resulta ser significativa, por lo tanto, la constante es relevante al 5%
y 10% de significancia.

A una significancia del 5% ningún coeficiente es significativo, y comparándolo

con el 10% resulta la misma interpretación el valor-p de los restantes tres coeficientes.

Para analizar la significancia individual, también se puede contrastar con el estadístico

t, el valor de este estadístico resulta ser:
. scalar t_vc=invttail(14,0.025)

. scalar list t_vc

t_vc = 2.1447867

Si los estadísticos t del modelo estimado resultan ser mayor al calculado, los
coeficientes son significativo para el modelo, el estadístico t de la constante es el
único que supera el valor del t calculado, por tanto se tiene el mismo resultado
comparando el valor probabilístico con el valor de significancia del modelo, los demás
coeficientes como ser el consumo, inversión y PIB, presentan valores del estadístico t
menores a 1 lo cual indica que no son significativos para el modelo.

Cuando la significancia conjunta y la individual resultan ser contradictorias, y se tiene

un R2 alto, es una señal de la existencia de multicolinealidad en el modelo, además
en la literatura se parte del supuesto que los modelos presentan heterocedasticidad.

c) Ajuste el modelo sin la última observación ¿Cambian los estimadores?

Ajustando el modelo a lo establecido en la orden, se tiene una nueva regresión con

diecisiete datos.

Comparando los estimadores con la regresión inicial:

. gen t=_n

. reg imp cons inv pib if t<18

Source SS df MS Number of obs = 17

F(3, 13) = 165.04
Model 185480.317 3 61826.7725 Prob > F = 0.0000
Residual 4870.15324 13 374.627172 R-squared = 0.9744
Adj R-squared = 0.9685
Total 190350.471 16 11896.9044 Root MSE = 19.355

imp Coef. Std. Err. t P>|t| [95% Conf. Interval]

cons .2941108 .2454785 1.20 0.252 -.2362132 .8244347

inv .4009914 .2762688 1.45 0.170 -.1958511 .9978339
pib -.0106955 .1611289 -0.07 0.948 -.3587933 .3374022
_cons -183.9159 35.77134 -5.14 0.000 -261.1952 -106.6366

.
end of do-file

Los cambios ocasionados son:

 Los signos varían en cada regresión, en el coeficiente de la constante el signo
se mantiene como negativo, el que cambia de signo es el coeficiente del PIB en la
segunda regresión este es negativo, pero, este resultado económicamente no
presenta una interpretación coherente, ya que si reduce el ingreso se demandaría
más.

Los valores de los coeficientes varían, el de consumo aumenta en 0.05, de la

inversión aumenta en 0.01, el del PIB reduce en 0.02 y la constante reduce en 14.02,
lo mismo ocurre en las desviaciones típicas de cada coeficiente.

d) Analice la multicolinealidad del modelo.

Al analizar la significancia individual y conjunta del modelo, se presente analizar si

existe multicolinealidad, por tanto, se calcula la matriz de correlación, la cual debería
tener como diagonal principal una constate igual a uno, y el demás elemento
deberían ser menores a 0.6 según se recomienda como regla empírica.

La matriz de correlación resultante del modelo, presenta una diagonal principal de

unos, y la variable que ocasiona la multicolinealidad debería tener un elemento de la
matriz mayor a 0.6 como lo indica la regla empírica, la variable que presenta esta
observación resulta ser el PIB y el consumo, el valor que tiene el elemento de la matriz
es cercano a uno, por tanto estas dos variables presenta una multicolinealidad
pronunciada.
. graph matrix cons inv pib

. corr cons inv pib

(obs=18)

cons inv pib

cons 1.0000
inv 0.2137 1.0000
pib 0.9989 0.2154 1.0000

. vif

Variable VIF 1/VIF

pib 375.91 0.002660

cons 375.65 0.002662
inv 1.04 0.965540

Mean VIF 250.87

.
end of do-file

Teniendo en cuanta otra prueba para conocer la existencia de multicolinealidad se

tiene el factor de inflación de varianza, esta prueba trabaja con un umbral, si el VIF
calculado para cada variable y conjunta supera el 5 o 10 existe una posible
multicolinealidad. En el caso de la inversión el VIF calculado es menor 5 y 10 por tanto
es la única variable que no presenta multicolinealidad, las demás y el modelo
conjunto presentan una posible multicolinealidad. En la gráfica siguiente muestra la
multicolinealidad existente en el modelo

graph matrix cons inv pib

0 50 100
2500

2000
cons
1500

1000
100

50 inv

0
4000

3000
pib
2000

1000
1000 1500 2000 2500 1000 2000 3000 4000
TEST F
𝑌𝑖 = 𝐵1 + 𝐵2 𝑋2𝑖 + 𝐵3 𝑋3𝑖 + 𝐵4 𝑋4𝑖 + 𝑢𝑖
Regresión Auxiliar
𝑋2 = 𝛼1 + 𝛼2 𝑋3𝑖 + 𝛼3 𝑋4𝑖 + 𝜀𝑖

De esta regresión generar el 𝑅𝑗 2

Ho: 𝛼2 = 𝛼3 = 0 (∄𝑀𝑢𝑙𝑡𝑖𝑐𝑜𝑙𝑖𝑛𝑒𝑎𝑙𝑖𝑑𝑎𝑑)
Ha: 𝛼2 ≠ 𝛼3 ≠ 0 (Existe Multicolinealidad)
𝑅𝑗 2
( )
𝐹 = 𝑘 − 22 ~𝐹(𝑘 − 2, 𝑛 − 𝑘 + 1)
1 − 𝑅𝑗
𝑛−𝑘+1

𝑆𝑖 𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 ≥ 𝐹𝑡𝑎𝑏𝑙𝑎𝑠
𝐸𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻𝑜 𝑎 𝑓𝑎𝑣𝑜𝑟 𝑑𝑒 𝑙𝑎 𝑎𝑙𝑡𝑒𝑟𝑛𝑎 𝑝𝑜𝑟 𝑡𝑎𝑛𝑡𝑜 𝑒𝑥𝑖𝑠𝑡𝑒 𝑚𝑢𝑙𝑡𝑖𝑐𝑜𝑙𝑖𝑛𝑒𝑎𝑙𝑖𝑑𝑎𝑑

𝑆𝑖 𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 < 𝐹𝑡𝑎𝑏𝑙𝑎𝑠

𝐸𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑛𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑝𝑜𝑟 𝑡𝑎𝑛𝑡𝑜 𝑛𝑜 𝑒𝑥𝑖𝑠𝑡𝑒 𝑚𝑢𝑙𝑡𝑖𝑐𝑜𝑙𝑖𝑛𝑒𝑎𝑙𝑖𝑑𝑎𝑑

En nuestro caso se tiene lo siguiente

La regresión Auxiliar
Cálculos de F, Fvc.

Como nuestro F calculado es mayor al F de tablas o valor critico por tanto podemos
rechazar la Ho: Existe Multicolinealidad, solo en este caso se presenta que no existe
multicolinealidad con respecto a los demás test si hay evidencia que nuestro modelo
presente multicolinealidad.

CORRRECIÓN DE MULTICOLINEALIDAD
ESTIMACION EN PRIMERA DIFERENCIAS