TEST DE NORMALIDAD
1. JARQUE BERA
Según el valor del test Jarque-Bera se rechaza H0, debido a que es mayor 5.99; acepta para
menor no proviene de una distribución normal. Además, el p valor es menor al 5%. Por lo cual,
se confirma que los datos o tienen una distribución normal.
2. Prueba Quantile – Quantile
Para que exista normalidad en los residuos los puntos deberán estar a lo largo de la recta,
pero si los puntos están muy dispersos y la mayoría está fuera de la recta, no existe
normalidad.
Como se apreciar los puede puntos
están sobre la recta, entonces
podemos decir que la variable Resid
(Error) tiene una distribución
normal
La instrucción en Eviews es: doble clic en Resid ir
a View/Graph y en specific seleccionar Quantile –
Quantile, en options seleccionar Theoretical.
3. DIAGRAMA DE LA CAJA
𝑦 = 22.066 − 0.3515𝑋
Desviacion coeficientes
R-squared: 0.021748: Este valor indica que solo
el 2.17% de la variación en YYY es explicada
por las variables XXX y CCC en este modelo.
Un valor bajo sugiere que el modelo no explica
bien la variabilidad en los datos.
S.E. of regression: 5.534575: Esta es la
desviación estándar del error de la regresión.
Indica qué tan dispersos están los puntos
observados en relación con la línea de regresión
estimada
Sum squared resid: 245.0522: Es la suma de los
cuadrados de los residuos, que refleja la magnitud de ESTE AL CUADRADO ES LA VARIANZA
DE LA REGRESIÓN, Y EL ESTIMADOR
los errores de predicción del modelo.
MCO
Grados de libertad
Por cada unidad adicional de XXX, el valor de YYY
disminuye en 0.351474 unidades,
SUPUESTOS MCRL
Propiedades de linealidad e insesgamiento de los estimadores de mínimos cuadrados
¿
a) ¿Es sensible al tipo de interés el nivel del Índice General de la Bolsa de Lima? Demuestre.
L
b.
la varianza conjunta mide la dispersión de ambas variables combinadas, no su relación explicativa.
La covarianza mide la dirección de la relación lineal entre dos variables. Un valor positivo indica que ambas
variables tienden a aumentar o disminuir juntas, mientras que un valor negativo indica que cuando una variable
aumenta, la otra tiende a disminuir. Sin embargo, la covarianza no indica cuán fuerte es esa relación
Los coeficientes de regresión indican la magnitud y dirección del cambio en la variable dependiente por cada
unidad de cambio en la variable independiente. Aunque son útiles para interpretar la relación entre las variables,
no indican directamente qué proporción de la variación en una variable es explicada por la otra
El coeficiente de correlación rrr mide la fuerza y dirección de la relación lineal entre dos variables.
X aumenta en 2 unidades, YYY disminuirá en 7.80 unidades.
El ppp-valor que se utiliza para determinar si las variables tienen relación es el que
aparece en el cuadro de regresión,
ppp-valor del coeficiente de XXX en el cuadro de regresión (0.0144): Este ppp-valor te
indica si el coeficiente de XXX es significativamente distinto de cero, lo que significa que
XXX tiene un impacto significativo en YYY. En este caso, dado que es menor a 0.05, puedes
concluir que hay una relación significativa entre XXX y YYY.
Para la parte c, debes utilizar el ppp-valor del coeficiente de XXX del cuadro de regresión
(0.0144), ya que este te indica si existe una relación significativa entre XXX e YYY.
1. Definición del modelo de regresión lineal básico: El modelo de regresión lineal
estudiado es un modelo clásico (Gauss-Markov), donde se presupone que el error
tiene media cero, varianza constante y no está correlacionado con los regresores. Se
define como un "modelo básico" porque sigue los supuestos esenciales del análisis de
regresión lineal(econometria-damodar-guj…).
2. Hipótesis básicas del modelo de regresión: Las hipótesis más importantes
incluyen:
Linealidad en los parámetros: La relación entre la variable dependiente YYY
y las variables independientes XXX es lineal en los parámetros.
Esperanza cero del error: La media del término de error uiu_iui es cero.
Homoscedasticidad: La varianza de uiu_iui es constante para todos los valores
de XiX_iXi.
No autocorrelación: Los términos de error uiu_iui no están correlacionados
entre sí.
No multicolinealidad perfecta: Las variables independientes no están
perfectamente correlacionadas entre sí
3.
Etapas de la especificación de un modelo de regresión: Este es un proceso secuencial
que implica definir las variables dependientes e independientes, elegir la forma
funcional del modelo y verificar la validez de los supuestos econométricos (normalidad,
homoscedasticidad, no autocorrelación)
4.
5.
c
El coeficiente β2\beta_2β2 es el valor de 0.255262 para el capital (KKK). Este
coeficiente se interpreta como el cambio esperado en la producción (PPP) por cada
unidad adicional de capital, manteniendo constante el valor del trabajo (LLL). Es decir,
por cada incremento en una unidad de capital, la producción aumentaría en 0.255262
unidades, en promedio.
