Créditos la Gatita :v
TEMA A
1. Ud. Tiene el archivo data_import .WF1, con información de la Economía
Peruana para el periodo 1950 2016, a precios constantes(Millones de
soles de2007). Se so0licita lo siguiente:
EVIEWS
Importamos el archivo data_import .WF1
Data imp pbi ibi
STATA
rename var1 años
tsset año,yearly
a) Especifique un modelo teniendo como endógena a las importaciones
Y t = B1+ B 2 X 2 + B3 X 3 +U t
imp= B1+ B 2( pbi)+ B3 (ibi)+U t
b) Siendo información de la Economía Peruana .Interpretar el modelo
adecuadamente
reg imp pbi ibi
Source SS df MS Number of obs = 67
F(2, 64) = 2250.13
Model 7.3351e+10 2 3.6676e+10 Prob > F = 0.0000
Residual 1.0432e+09 64 16299317.4 R-squared = 0.9860
Adj R-squared = 0.9855
Total 7.4394e+10 66 1.1272e+09 Root MSE = 4037.2
imp Coef. Std. Err. t P>|t| [95% Conf. Interval]
pbi .0651372 .018217 3.58 0.001 .0287446 .1015298
ibi .8175232 .066498 12.29 0.000 .6846781 .9503683
_cons -5933.16 1277.132 -4.65 0.000 -8484.524 -3381.795
Las variables pbi y ibi actúan significativamente con respecto a la endógena porque
Pvalue es menor que el nivel de significación.
La variable imp es explicado por las variables pbi y ibi, cada vez que el pbi aumenta
en 1, la variable imp aumenta en 0.0651372. Permaneciendo ibi constante también
podemos observar que cada vez que el ibi aumenta, la variable imp aumentará en
0.08175232 permaneciendo el pbi constante.
c) Hace un análisis de autocorrelación
a) Método gráfico
predict e,resid
twoway tsline e
gen z=0
label variable z "equivalente a cero"
twoway tsline e z
10000
5000
0
-5000
-10000
1940 1960 1980 2000 2020
años
Residuals equivalente a cero
Como observamos, el grafico tiene un comportamiento
sistemático, no es concluyente, los residuos están
correlacionados. Existe dispersión, puede existir autocorrelación.
b) Método de las rachas
count if e<0
count if e>0
gen pc=.
replace pc=0 if e<0
replace pc=1 if e>0
tab pc
label variable pc "0 signos negativos 1 signos positivos"
tab pc
0 signos
negativos 1
signos
positivos Freq. Percent Cum.
0 26 38.81 38.81
1 41 61.19 100.00
Total 67 100.00
scalar me=((2*26*41)/67)+1
display me
2 N1 N 2
E ( n) = +1
N
. display me
32.820896
scalar sigma=(2*26*41*(2*26*41-67))/(4489*(67-1))
scalar sigma=sqrt((2*26*41*(2*26*41-67))/(4489*(67-1)))
display sigma
2 N 1 N 2(2 N 1 N 2−N )
r 2u =
N 2(N −1)
. display sigma
3.8548444
list e
n= 15 Rachas
Ho: P=0
Ha: P≠0
[E(n)-1.96r n≤n≤ E(n)+1.96r n ]=1-0.05
Solución:
[32.82-1.96(3.85) ≤n≤ 32.82+3.85)]=1-0.05
[25.27≤n≤40.37]=0.95; n=15
Rechaza Ho, porque n se encuentra fuera del intervalo,
significando que si hay autocorrelación.
c) Método de Durbin Watson (dw)
Ho: P=0 no hay autocorrelación
Ha: P≠0 si hay autocorrelación
estat dwatson
Durbin-Watson d-statistic( 3, 67) = .34281
n= 67
d= 0.34281
¿
K =k −1
¿
K =3−1 =2
0 1.536 1.662 2 2.34 2.46 4
Observamos que d se aproxima a cero y está fuera de la región de indecisión, por lo tanto, hay
autocorrelacion positiva.
d) Solución de la autocorrelación
Método de dudbin
reg imp pbi ibi
Source SS df MS Number of obs = 67
F(2, 64) = 2250.13
Model 7.3351e+10 2 3.6676e+10 Prob > F = 0.0000
Residual 1.0432e+09 64 16299317.4 R-squared = 0.9860
Adj R-squared = 0.9855
Total 7.4394e+10 66 1.1272e+09 Root MSE = 4037.2
imp Coef. Std. Err. t P>|t| [95% Conf. Interval]
pbi .0651372 .018217 3.58 0.001 .0287446 .1015298
ibi .8175232 .066498 12.29 0.000 .6846781 .9503683
_cons -5933.16 1277.132 -4.65 0.000 -8484.524 -3381.795
prais imp pbi ibi,corc
Source SS df MS Number of obs = 66
F(2, 63) = 375.65
Model 3.0621e+09 2 1.5310e+09 Prob > F = 0.0000
Residual 256772423 63 4075752.75 R-squared = 0.9226
Adj R-squared = 0.9202
Total 3.3189e+09 65 51059514.7 Root MSE = 2018.8
imp Coef. Std. Err. t P>|t| [95% Conf. Interval]
pbi .1147865 .0201837 5.69 0.000 .0744527 .1551203
ibi .6146717 .0496953 12.37 0.000 .5153636 .7139799
_cons -7915.786 3959.59 -2.00 0.050 -15828.39 -3.177203
rho .8847552
Durbin-Watson statistic (original) 0.342810
Durbin-Watson statistic (transformed) 2.032383 Se
pierda 1 observacion lo cual tenemos 66 observaciones
prais imp pbi ibi,dw
Prais-Winsten AR(1) regression -- iterated estimates
Source SS df MS Number of obs = 67
F(2, 64) = 340.09
Model 2.7453e+09 2 1.3727e+09 Prob > F = 0.0000
Residual 258316368 64 4036193.25 R-squared = 0.9140
Adj R-squared = 0.9113
Total 3.0036e+09 66 45509769.2 Root MSE = 2009
imp Coef. Std. Err. t P>|t| [95% Conf. Interval]
pbi .1075428 .0190447 5.65 0.000 .0694967 .145589
ibi .6198654 .0486001 12.75 0.000 .5227755 .7169552
_cons -5799.502 3450.213 -1.68 0.098 -12692.1 1093.091
rho .9017995
Durbin-Watson statistic (original) 0.342810
Durbin-Watson statistic (transformed) 2.041118
Se recupera la observación; coeficientes diferentes a la reg
inicial
newey imp pbi ibi,lag(1)
Regression with Newey-West standard errors Number of obs = 67
maximum lag: 1 F( 2, 64) = 4156.80
Prob > F = 0.0000
Newey-West
imp Coef. Std. Err. t P>|t| [95% Conf. Interval]
pbi .0651372 .0268661 2.42 0.018 .011466 .1188084
ibi .8175232 .096986 8.43 0.000 .6237713 1.011275
_cons -5933.16 1462.381 -4.06 0.000 -8854.602 -3011.718
Coeficientes igual a la reg inicial
Queda corregido el problema de autocorrelacion con los coeficientes, pero diferentes
errores estándar.
2.
Y t =B1+ B2 X 2 +U t
Modelo a estimar:
GV =B1 +B 2 R
Hallamos la regresión:
reg gv r
Source SS df MS Number of obs = 10
F(1, 8) = 6.18
Model 122.251687 1 122.251687 Prob > F = 0.0378
Residual 158.248313 8 19.7810391 R-squared = 0.4358
Adj R-squared = 0.3653
Total 280.5 9 31.1666667 Root MSE = 4.4476
gv Coef. Std. Err. t P>|t| [95% Conf. Interval]
r .0261921 .0105358 2.49 0.038 .0018965 .0504877
_cons 1.967074 5.233893 0.38 0.717 -10.1023 14.03645
La variable endógena (GV) es explicada por la variable (R) ,cada
vez que la variable (R) aumenta la variable GV aumentara en
0.0261921
CONTRASTE DE HETEROCEDASTICIDAD/ METODO INFORMAL
a) Método grafico
predict e,resid
predict gvf
rvfplot,yline(0)
10
5
Residuals
0-5
-10
5 10 15 20
Fitted values
Demostramos mediante el grafico de dispersión la relación de los residuos con las variables
estimadas, podría existir Heterocedasticidad.
b) Metodo de Gleiser
corr gv r
gv r
gv 1.0000
r 0.6602 1.0000
La variable que causa la hetrocedasticidad es r
gen ea=abs(e)
reg ea r
Source SS df MS Number of obs = 10
F(1, 8) = 8.53
Model 19.6039486 1 19.6039486 Prob > F = 0.0193
Residual 18.3859031 8 2.29823789 R-squared = 0.5160
Adj R-squared = 0.4555
Total 37.9898517 9 4.22109464 Root MSE = 1.516
(Error Estándar)
ea Coef. Std. Err. t P>|t| [95% Conf. Interval]
r .0104885 .0035912 2.92 0.019 .0022072 .0187699
_cons -1.550934 1.784012 -0.87 0.410 -5.664874 2.563005
gen ve=1/r
reg ea ve
Source SS df MS Number of obs = 10
F(1, 8) = 9.17
Model 20.290314 1 20.290314 Prob > F = 0.0163
Residual 17.6995377 8 2.21244222 R-squared = 0.5341
Adj R-squared = 0.4759
Total 37.9898517 9 4.22109464 Root MSE = 1.4874
ea Coef. Std. Err. t P>|t| [95% Conf. Interval]
ve -1881.118 621.1659 -3.03 0.016 -3313.529 -448.7068
_cons 7.782053 1.500247 5.19 0.001 4.322477 11.24163
El esquema de autocorrelacion es igual
c) Test Goldfred y Quandt
reg gv r
Source SS df MS Number of obs = 10
F(1, 8) = 6.18
Model 122.251687 1 122.251687 Prob > F = 0.0378
Residual 158.248313 8 19.7810391 R-squared = 0.4358
Adj R-squared = 0.3653
Total 280.5 9 31.1666667 Root MSE = 4.4476
gv Coef. Std. Err. t P>|t| [95% Conf. Interval]
r .0261921 .0105358 2.49 0.038 .0018965 .0504877
_cons 1.967074 5.233893 0.38 0.717 -10.1023 14.03645
Usando Do-file editor ……. goldfed_quant.do
. display "F Calculado=" = FC
F Calculado=2.8037383
. display "F Tabulado FT ="invF(df1,df2,1-0.05)
F Tabulado FT =19.164292
.
end of do-file Ho: P=0 no hay heterocedasticidad
Ha: P≠0 si hay heterocedasticidad
d) Test deWhite
Se acepta Ho , no existe heterocedasticidad
reg gv r
Source SS df MS Number of obs = 10
F(1, 8) = 6.18
Model 122.251687 1 122.251687 Prob > F = 0.0378
Residual 158.248313 8 19.7810391 R-squared = 0.4358
Adj R-squared = 0.3653
Total 280.5 9 31.1666667 Root MSE = 4.4476
gv Coef. Std. Err. t P>|t| [95% Conf. Interval]
r .0261921 .0105358 2.49 0.038 .0018965 .0504877
_cons 1.967074 5.233893 0.38 0.717 -10.1023 14.03645
Imtest
Source chi2 df p
Heteroskedasticity 3.76 2 0.1526
Skewness 0.11 1 0.7383 P > 0.05
Kurtosis 0.97 1 0.3252
Total 4.84 4 0.3042
e) Test de Breusch-Pagan
Ho: no existe heterocedasticidad
Ha: Si existe heterocedasticidad
estat hettest,iid
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
Ho: Constant variance
Variables: fitted values of gv
chi2(1) = 3.76 Se Rechaza la Ho, por lo tanto si existe
Prob > chi2 = 0.0525
heterocedasticidad
