Universidad Laica Eloy Alfaro de Manabí
Facultad de Ciencias Sociales, Derecho y Bienestar
Carrera de Economía
Asignatura:
Análisis de Datos Econométricos
Modelo de Integrantes:
Regresión Lineal
Arteaga Pisfil Mayerli Yamilexi
Delgado Mero Jennifer
Múltiple con García Pincay Naholy
Serie de Tiempo Montesdeoca Cedeño Abercio
Rivera Montalván Melisa
La tabla muestra los
resultados para diferentes
órdenes de retardo, que
representan el número de
períodos pasados que se
utilizan para predecir el valor
futuro de los activos. Los
mejores valores de cada
criterio de información (AIC,
BIC y HQC) se indican con
asteriscos.
De acuerdo con los resultados de la tabla, el mejor
orden de retardo para el Sistema VAR es de 1. Esto
significa que el modelo que utiliza un solo período
pasado para predecir el valor futuro de los activos es el
que mejor se ajusta a los datos y tiene el menor riesgo.
Sin embargo, es importante tener en cuenta que los
resultados de un análisis de Sistema VAR son solo una
estimación del riesgo potencial. La pérdida real puede
ser mayor o menor que la estimada por el modelo.
Inflación: Variable dependiente, que
representa la tasa de inflación anual.
Inflación rezagada: Variable
explicativa, que representa la tasa de
inflación del año anterior.
Desempleo rezagado: Variable
explicativa, que representa la tasa de
desempleo del año anterior.
Gasto en consumo
rezagado: Variable explicativa, que
representa el gasto en consumo del año
anterior.
Los resultados del análisis sugieren que la
inflación está relacionada positivamente con
la inflación rezagada y negativamente con la
tasa de desempleo rezagada. El gasto en
consumo rezagado no parece tener una
relación significativa con la inflación. No hay
evidencia de autocorrelación significativa en
los errores del modelo.
Constante: La constante representa el valor de la
variable dependiente cuando todas las variables
independientes son iguales a cero. En este caso, la
constante es de -0,216042.
Tasa de inflación: El coeficiente para la tasa de
inflación es de -0,0380573. Esto significa que, por
cada aumento de un punto en la tasa de
inflación, se espera que la tasa de desempleo
disminuya en 0,0380573 puntos porcentuales.
Desempleo rezagado: Esto significa que, por
cada aumento de un punto en la tasa de desempleo
rezagado, se espera que la tasa de desempleo
actual aumente en 7,982766-06 puntos
porcentuales.
Gasto en consumo rezagado: El coeficiente para
el gasto en consumo rezagado es de 2,356202-
05. Esto significa que,por cada aumento de un
punto en el gasto en consumo rezagado, se espera
que la tasa de desempleo actual aumente en
2,356202-05 puntos porcentuales.
R-cuadrado: El R-cuadrado es una medida de la proporción de la
varianza de la variable dependiente que se explica por las variables
independientes. En este caso, el R-cuadrado es de 0,099132. Esto
significa que las variables independientes explican el 9,9132% de la
varianza de la tasa de desempleo.
R-cuadrado corregido: El R-cuadrado corregido es una versión del R-
cuadrado que tiene en cuenta el número de variables independientes en
el modelo. En este caso, el R-cuadrado corregido es de -0,000964.
F(3, 27): La estadística F es una medida de la significancia estadística
del modelo. En este caso, la estadística F es de 0,990367. El valor p
asociado a la estadística F es de 0,412160. Dado que el valor p es mayor
que 0,05, no podemos rechazar la hipótesis nula de que el modelo no es
significativo.rho: El rho es una medida de la autocorrelación en los
residuos del modelo. En este caso, el rho es de -0,104141.
Orden 1:
La estadística de Wald (50,380) es significativa al
nivel del 5% (p-value = 0,0563).
Esto indica que existe heterocedasticidad
condicional de primer orden en la serie de datos.
Orden 2:
La estadística de Wald (95,062) es significativa al
nivel del 5% (p-value = 0,0357).
Esto indica que existe heterocedasticidad
condicional de segundo orden en la serie de datos.
Orden 3:
La estadística de Wald (128,771) es significativa
al nivel del 10% (p-value = 0,0844).
Esto indica que existe heterocedasticidad
condicional de tercer orden en la serie de datos.
Orden 4:
La estadística de Wald (172,484) es significativa
al nivel del 5% (p-value = 0,0529).
Esto indica que existe heterocedasticidad
condicional de cuarto orden en la serie de datos.
El análisis del contraste de autocorrelación no indica que exista una relación significativa entre la
variable y sus valores rezagados. Esto significa que no es necesario ajustar el modelo por
autocorrelación y se puede utilizar el modelo de regresión lineal simple para analizar la serie de
datos.
Sin embargo, es importante tener en cuenta las limitaciones del contraste de autocorrelación. La
prueba es una prueba estadística y existe una cierta probabilidad de que la prueba arroje un resultado
falso positivo o falso negativo.
La matriz de correlación de los
residuos muestra que los residuos
de las tres variables
independientes están
correlacionados entre sí. La
correlación más fuerte es entre
los residuos de las variables 1 y
2, con un valor de 0.36661.Las
correlaciones entre los residuos
de las variables 1 y 3 y las
variables 2 y 3 son más
débiles, con valores de -0.23818
y -0.27909, respectivamente.
