UNIDAD 2 - TAREA 3 - VIOLACIÓN DE SUPUESTOS CLÁSICOS
PRESENTADO POR: DINA PRIXLEY CORREA GASCA
ENTREGADO A: JUAN DAVID PULIDO
GRUPO: (105010A_951)
CÓDIGO: 1083922891
UNIVERSIDAD NACIONAL Y A DISTANCIA UNAD
CURSO DE ECONOMETRÍA
PROGRAMA DE ECONOMÍA
PITALITO HUILA
2021
Actividad 3
1. Leer comprensivamente las lecturas propuestas en la bibliografía,
especialmente, los capítulos 10, 11 y 12 de Gujarati (2009).
2. Responder:
a) ¿Qué son errores o residuos de un modelo econométrico?
Se conoce como residuos o errores a las diferencias que se presentan entre los
valores de la variable dependiente y los valores de las predicciones los cuales son
estimados como de Y
b) ¿Por qué los errores se miden como Y (real) – Y (estimado)?, ¿qué son
cada una de estas variables Y (la real y la estimada)?
La diferencia entre estos valores permite observar que tanto se aleja un valor
perteneciente a los datos iniciales y los resultados de la regresión los cuales se
conocen como (Y reales y los valores Y estimados obtenidos no necesariamente
suman cero. es decir que, al hacer la regresión, la Y real sobre la Y estimada, el
resultado va a tener una variación.
c) ¿Qué significa “normalidad de los errores”?
La normalidad es uno de los supuestos que se consideran en el modelo de
regresión Lineal Múltiple, consiste en que todas las muestras, tanto de las
variables independientes, así como de la variable dependiente, tienen que estar
distribuidos normalmente, es decir cumplir con la distribución normal, también
llamada distribución Laplace-Gauss
d) ¿Por qué algunos modelos no utilizan las variables en sus unidades
originales y las transforman con diferentes estrategias como logaritmo, delta
Δ (cambio, tasa), variación porcentual, al cuadrado, al cubo, multiplicadas
por pares, u otro?
La tipificación de variables resulta muy útil para eliminar su dependencia respecto
a las unidades de medida empleadas. En realidad, una tipificación equivale a una
transformación lineal
3. Explicar con sus palabras los conceptos esenciales de la fase:
a) Multicolinealidad de las X
Multicolinealidad es la correlación alta entre más de dos variables explicativas
b) Heterocedasticidad de los errores
Es una característica de un modelo de regresión lineal que implica que la varianza
de los errores es constante a lo largo del tiempo
c) Autocorrelación de los errores
se puede definir como la correlación entre miembros de series de observaciones
ordenadas en el tiempo (información de series de tiempo) o en el espacio
(información de corte transversal). El modelo de regresión lineal supone que no
debe existir autocorrelación de los errores, es decir, el término de perturbación
relacionado con una observación cualquiera no debería estar influenciado por el
término de perturbación relacionado con cualquier otra observación.
4.). Resolver los ejercicios de Gujarati (2009): 10.29 y 10.33, del modelo
general de ambos ejercicios (para el 10.29 el loglineal eliminando la
multicolinealidad y para el 10.33 el modelo lineal con todas las variables)
10.29. La tabla 10.14 proporciona información sobre los automóviles de
pasajeros nuevos vendidos en Estados Unidos como función de diversas
variables.
a) Desarrolle un modelo lineal o log-lineal apropiado para estimar una
función de demanda de automóviles en Estados Unidos.
El modelo log-lineal apropiado para estimar la función de demanda de automóviles
en eeuu se trabaja con las variables x3 x5 x6 , ya que estas se relacionadas con lo
que nos pide
b) Si decide incluir todas las regresoras dadas en la tabla como variables
explicativas, ¿Espera encontrar el problema de multicolinealidad? ¿Por qué?
Si sumamos todas las variables x, obtenemos los siguientes resultados; por tanto,
claramente en este modelo existe colinealidad.
c) Si espera lo anterior, ¿cómo resolvería el problema? Plantee los
supuestos claramente y muestre todos los cálculos de manera explícita.
Examinar los coeficientes de correlación entre la variable independiente, se
observa una correlación muy alta entre el auto del IPC y el IPC general (0.997) y
entre IPD y el auto nuevo IPC (0.9919. Otros son relativamente altos, pero deben
permanecer en el modelo por razones teóricas. IPD también está estrechamente
relacionado con el nivel de empleo, la correlación entre los dos es 0.972 por lo
tanto, uno podía caer IPC general e IPD y estimar el siguiente modelo.
10.33). Datos Longley actualizados. Ampliamos los datos de la sección 10.10 para
incluir observaciones de 1959-2005. Los nuevos datos aparecen en la tabla 10.17.
Los datos se relacionan con Y número de personas empleadas, en millares; X1
defl actor de precios implícito del PIB; X2 PIB, millones de dólares; X3 número de
personas desempleadas, en millares; X4 número de personas en las fuerzas
armadas, en millares; X5 población no institucionalizada mayor de 16 años, y X6
año, igual a 1 en 1959, 2 en 1960 y 47 en 2005.
donde
y= número de personas con trabajo (en miles)
x1= deflactor implícito del PIB.
x2=PIB (en millones de dólares).
x3= número de desempleados (en miles).
x4= número de personas enroladas en las fuerzas armadas.
x5= población no institucionalizada mayor de 14 años de edad.
x6= variable de tendencia.
a) Trace diagramas de dispersión, como se indica en el capítulo, para evaluar las
relaciones entre las variables independientes. ¿Hay relaciones fuertes? ¿Parecen
lineales?
b) Elabore una matriz de correlación. ¿Qué variables parecen relacionarse más
ente sí, sin incluir la dependiente?
c) Ejecute una regresión estándar de MCO para pronosticar el número de
personas empleadas en millares. ¿Los coeficientes de las variables
independientes se comportan como esperaría?
d) Con base en los resultados anteriores, ¿cree que estos datos sufren de
multicolinealidad?
a) si, y parecen lineales
b) x1, x2 y x5
c) no se comportan como tal
d) si existe multicolinealidad
