Caso Practico Panel de Datos

UNIVERSIDAD NACIONAL DEL CENTRO DEL PERÚ
FACULTAD DE ECONOMÍA
“Año de la universalización de la salud”
CASO PRÁCTICO DE DATOS DE

PANEL
Docente: Mg. Oswaldo Quiroz Marín
Alumno: Meza porta, Francy
Semestre: VI
HUANCAYO - PERÚ
2020
INDICE
RESUMEN........................................................................................................................4
ABSTRACT......................................................................................................................5
INTRODUCCIÓN.............................................................................................................6
CAPÍTULO I.....................................................................................................................7
MODELO ECONOMÉTRICO DEL EMPLEO...............................................................7
1.1 PLANTEAMIENTO DEL PROBLEMA...........................................................7
1.1.1 PROBLEMA GENERAL............................................................................7
1.1.2 PROBLEMAS ESPECÍFICOS...................................................................7
1.2 OBJETIVOS............................................................................................................7
1.2.1 OBJETIVO GENERAL....................................................................................7
1.2.2 OBJETIVO ESPECÍFICOS..............................................................................7
1.2 HIPÓTESIS........................................................................................................8
1.2.1 HIPÓTESIS ESPECÍFICAS.......................................................................8
CAPITULO II....................................................................................................................9
2.1 MARCO TEÓRICO................................................................................................9
2.1.1 ANTECEDENTES............................................................................................9
2.1.2 TEORÍA..........................................................................................................11
2.2 MARCO CONCEPTUAL.....................................................................................16
2.3 MATRIZ DE CONSISTENCIA............................................................................18
CAPITULO III................................................................................................................19
PLANTEAMIENTO DEL MODELO............................................................................19
3.1 MODELO..............................................................................................................19
3.1.1 MATEMTICO O ECONÓMICO...................................................................19
3.1.2 ECONOMÉTRICO.........................................................................................20
3.2 MATRIZ DE OPERACIONALIZACIÓN DE VARIABLES..............................21
CAPITULO IV................................................................................................................22
DESARROLLO DEL MODELO....................................................................................22
4.1 REGRESIONANDO.............................................................................................22
4.1.1 MINIMOS CUADRADOS ORDINARIOS...................................................22
4.1.2 APLICANDO LOGARITMO.........................................................................23
CAPITULO V.................................................................................................................25
5.1 ANÁLISIS UNIVARIADO DE LAS VARIABLES............................................25
5.2 ANÁLISIS ESTADÍSTICO..................................................................................27
1
5.3 ANÁLISIS ECONÓMICO....................................................................................29
5.4 ANÁLISIS ECONOMÉTRICO............................................................................30
5.4.1 PROBLEMAS CON LAS “β”........................................................................30
5.4.2 PROBLEMAS CON LAS “X”.......................................................................31
5.4.3 PROBLEMAS CON LOS ERRORES (e)......................................................34
5.4.4 LA MULTICOLINEALIDAD........................................................................39
5.4.5 EL CUSUM Y CUSUM CUADRADO..........................................................43
CAPTULO VI.................................................................................................................45
6.1 ANÁLISIS GENERAL..........................................................................................45
CAPITULO VII...............................................................................................................47
CONCLUSIONES...........................................................................................................47
BIBLIOGRAFÍAS...........................................................................................................48
ANEXOS.........................................................................................................................49
2
RESUMEN
Se desarrollara un trabajo de panel de datos para ello necesitaremos tener en

cuenta que la producción es la actividad que aporta valor agregado ya sea por creasion
de bienes y servicios dicho esto contaremos con el capital , el personal ocupado y la
tierra utilizada para la producción. (satisfacción de nuestras necesidades)
En el Mercado Común del Sur (MERCOSUR) lo conforman 4 paises

latinoamericanos: Argentina, Brasil, Paraguay, y Uruguay. Más tarde se unieron Bolivia
y Chile.
Por otro lado, el Mercosur constituye el cuarto bloque económico y comercial

del mundo por su importancia económica, tras la Unión Europea. Constituye una
estrategia que responde a la lógica de las tendencias internacionales más recientes,
caracterizadas desde las dos últimas décadas, como es dado la progresiva
mundialización de la economía y la creciente liberalización comercial en el planeta.
En el presente trabajo se desarrolla un nuevo modelo econométrico acerca de la

producción en toneladas de productos agrícolas, el capital asigando a la producción en
unidades físicas, el personal ocupado en números de personas; con estos datos se
realizara las regresiones respectivas para comprobar cuan eficiente es nuestro modelo o
en todo caso si es que las variables consideradas son las indicadas para explicar el
modelo.
Consiguientemente, se aplicará todos los conocimientos en clase para poder

corregir algunos problemas de nuestro presente modelo econométrico; tales como, panel
de datos, balanceado, secciones cruzada, omisión de variables, redundancia de
variables, entre otros.
Palabras Claves: producción, capital, el personal ocupado, tierra utilizada para

la producción y datos de panel.
3
ABSTRACT
It is known to all of us that necessarily to support our expenses (satisfaction of

our needs) is necessary to have income, for it is essential to have a place to work. In our
Peru there is a high rate of unemployment, a consequence of which is reflected in the
lack of an excellent quality of life for its citizens; That is, there is poverty.
On the other hand, with regard to the Junín region in the last years an
overpopulation has appeared, due to the migrations; As we know this is presented
mainly due to the search for a better job with an excellent pay for our services rendered.
Undoubtedly, in summary we say that it is relevant to have a job in order to support our
families.
In this paper, a new econometric model on employment in the Junín region is

developed, in which it will be subject to the variables wage, CPI and investment; With
these data the respective regressions will be made to verify how efficient our model is
or in any case if the variables considered are those indicated to explain the model.
Consequently, all the knowledge in class will be applied to be able to correct

some problems of our present econometric model; Such as, multicolineality,
hectoceasticity, autocorrelation, omission of variables, redundancy of variables, among
others.
Keywords: Employment, Salary, CPI, Investment, Multicollinearity, Heteroceasticity,

Autocorrelation, Omission of Variables, Redundancy
4
INTRODUCCIÓN
La agricultura en concreto sobre todo en América Latina y la influencia que

sobre ella ejerce la mundialización y la liberación comercial. El MERCOSUR participa
de problemas y condiciones similares a los del conjunto latinoamericano.
El primer efecto dedica especialmente una atención la una revolución verde, a la

influencia agropecuaria de los tratados comerciales internacionales y al acuerdo
económico. Aparte de algunas nociones sobre agroindustria o agro producción, se
analiza la formación y evolución de la agricultura de los países pertenecientes a
mercosur en conjunto de bloque.
Viendo esta realidad, el presente trabajo planteará un modelo de producción en

toneladas de productos agrícolas, con sus respectivas variables y en un determinado
tiempo porque es un estudio de modelos longitudinales. Esto de acuerdo a la teoría
macroeconómica.
Para el desarrollo del presente modelo se ha tomado una muestra de 80 datos de

los años 1990 hasta el 2009 de forma anual. Los datos recolectados han sido obtenidos
de una fuente secundaria tal como lo es el banco central de los países a trabajar y estará
citado en bibliografía.
En la primera parte del trabajo trataremos acerca de nuestro planteamiento del

trabajo y cuál es la finalidad de todo ello. En segundo lugar, objetivo, los antecedentes y
el marco teórico. La tercera parte se presentara el modelo a desarrollar. En el capítulo
IV se detallará acerca del análisis de resultados. En la última parte del trabajo se dará a
conocer las conclusiones a las cuales hemos llegado con el modelo que se ha planteado.
5
CAPÍTULO I
MODELO ECONOMÉTRICO DEL EMPLEO

1.1 PLANTEAMIENTO DEL PROBLEMA
La pluralidad de enfoque y perspectivas existentes actualmente no tiene por qué
excluir la unidad en el procedimiento científico. Cualquiera que sea el problema
investigado y los objetivos perseguidos, el trabajo científico sigue unas reglas concretas
aunque se tenga libertad para no seguirlas o para combinar dos o más procesos lógicos
que requiere la investigación. Directamente de la realidad nos percatamos que para la
contratación de una producción agrícola se toma en cuenta las capacidades, tal es el
caso de los factores de capital, trabajo y tierra. Dada la apreciación de todo ello, en el
presente documento se pretende formular un modelo del producción el cual nos permita
dar una noción más clara acerca de las variables a la cual está sujeta, a dichas variables
y en el tiempo.
1.1.1 PROBLEMA GENERAL

¿Cuáles son las implicancias de la producción agrícola en los países
pertenecientes a MERCOSUR de los periodos 1990-2009?
1.1.2 PROBLEMAS ESPECÍFICOS

¿Cómo ha influido el capital en la producción agrícola en los países
¿Cuál ha sido el comportamiento del trabajo en la producción agrícola en los
países pertenecientes a MERCOSUR de los periodos 1990-2009?
¿Cómo ha afectado la tierra utilizada en la producción agrícola en los países
1.2 OBJETIVOS
1.2.1 OBJETIVO GENERAL
Identificar si las variables capital, trabajador y tierra explican el comportamiento
de la producción agrícola en los países pertenecientes a MERCOSUR de los
periodos 1990-2009
6
1.2.2 OBJETIVO ESPECÍFICOS
 Determinar el comportamiento de la variable capital respecto a la variable
producción.
 Identificar la influencia de la variable trabajo ante las variaciones de la variable

producción.
 Explicar la influencia de la variable tierra en la variable producción.
1.2 HIPÓTESIS
Las variables independientes (capital, trabajo y tierra) explicaran a la variable
dependiente (producción), es decir, serán significativas para el modelo. Por otro lado, se
comprobara la relación directa, con nuestro modelo econométrico podremos dar una
análisis global acerca de la producción en toneladas de productos agrícolas de los países
Argentina, Brasil, Uruguay y Paraguay en los periodos 1990-2009..
1.2.1 HIPÓTESIS ESPECÍFICAS
 El modelo econométrico acerca del empleo considera a las variables relevantes,

es decir, que le son significativas
 Se lograra solucionar todos los problemas del modelo, sea en las variables “X”,
las “β” y los errores
 La variable producción tendrá una relación directa con las demás variable
exógenas en un periodo determinado.
7
CAPITULO II
2.1 MARCO TEÓRICO
2.1.1 ANTECEDENTES
Según Chávez Cieza Zoila Indira (2015) en “Determinantes de las Reservas
Internacionales de Países del Mercosur”, pretende estimar los determinantes de las
reservas internacionales de los países Argentina, Brasil, Paraguay y Uruguay.
Para el desarrollo de esta investigación se desarrollará un modelo panel de datos el cual
nos permitirá estimar los determinantes de las reservas internacionales de los cuatro
países y a la misma vez entender las variables del modelo econométrico, por ende el
problema formulado en esta investigación es cuales son los determinantes de las
reservas internacionales de los países MERCOSUR. La hipótesis de la investigación es
los determinantes de las reservas internacionales de los países de MERCOSUR, son las
importaciones, la inversión extranjera directa, los agregados monetarios M2 y el tipo de
cambio real bilateral. La conclusión que se ha llegado es que los agregados monetarios
(M2) no tiene una relación directa con las reservas internacionales de MERCOSUR, por
lo cual las demás variables si son determinantes de las RIN.
2.1.2 TEORÍA
PRODUCCIÓN
La producción agrícola es aquella que consiste en generar vegetales para

consumo humano. Ha variado mucho a lo largo de la historia, lográndose mejoras
significativas en la misma gracias a la implementación de diferentes herramientas y
procesos.ser comúnmente nombradas como pruebas t desapareadas o de muestras
independientes, debido a que tienen su aplicación más típica cuando las unidades
estadísticas que definen a ambas muestras que están siendo comparadas no se
superponen.
CAPITAL
Se defina como capital agrícola, a la inversión de dinero que fue utilizado para
la compra de materiales necesarios para la práctica de la agricultura, bien sea dinero de
un individuo o del estado y dicho material están dando frutos ofreciendo beneficios
monetarios a sus inversionistas.
TRABAJO
8
El trabajo agrícola y ganadero se identifica con aquellas tareas que tiene que ver con las
actividades derivadas de la ganadería y la agricultura, dos de las formas de vida más
comunes en el ámbito rural, principalmente
TIERRA
El factor tierra es uno de los cuatro factores de la producción, junto con el trabajo, el
capital y la tecnología. El concepto de tierra como factor productivo incluye no solo el
suelo cultivable o aquel en donde se soportan edificios e infraestructuras, sino que
también incorpora a los recursos naturales tales como minerales, agua, gas natural, flora,
fauna, etc.
MULTICOLINEALIDAD:
La multicolinealidad es un problema muestra, ya que va asociado a la
configuración concreta de la matriz X, no existen contrastes estadísticos, propiamente
dichos, que sean aplicables para su detección. En cambio, se han desarrollado
numerosas reglas práctica que tratan de determinar en qué medida la multicolinealidad
afecta gravemente a la estimación y contraste de un modelo.
AUTOCORRELACIÓN:
La autocorrelación surge cuando los términos de error del modelo no son

independientes entre sí, es decir cuándo:
E (U i , U j ) ≠ 0 ∀ i≠ j
Entonces los errores estarán vinculados entre sí.
Los estimadores mínimos cuadráticos ordinarios (MCO) obtenidos, bajo esta

circunstancia, dejan de ser eficientes. La auto correlación generalmente aparece en datos
en serie de tiempo aunque también se presenta en el caso de una muestra de corte
trasversal.
HETEROCEDASTICIDAD:
La heterocedasticidad consiste en que las observaciones muéstrales tienen

2
varianza de los errores diferentes entre sí: var ( u i )=σ i , i=1,2 , … n . Viola la hipótesis
9
clásica de homecedasticidad, o igual varianza de los n errores aleatorios y es caso
particular, junto a la autocorrelacion, de perturbaciones no esféricas.
En estadística se dice que un modelo de regresión lineal presenta

heterocedasticidad cuando la varianza de las perturbac iones no es constante a lo largo
de las observaciones.
Esto implica el incumplimiento de una de las hipótesis básicas sobre las que se
asienta el modelo de regresión lineal.
De ella se deriva que los datos con los que se trabaja son heterogéneos, ya que
provienen de distribución de probabilidad con distinta varianza.
Existen diferentes razones o situaciones en las que cabe encontrarse con

perturbaciones heteroscedásticas. La situación más frecuente es en el análisis de datos
de corte transversal, ya que los individuos o empresas o unidades económicas no suelen
tener un comportamiento homogéneo.
Otra situación en la que se presenta heteroscedasticidad es en muestras cuyos

datos son valores que se han obtenido agregando o promediando datos individuales.
HOMOCEDASTICIDAD
En estadística se dice que un modelo predictivo

presenta homocedasticidad cuando la varianza del error condicional a las variables
explicativas es constante a lo largo de las observaciones.
Un modelo estadístico relaciona el valor de una variable a predecir con el de

otras. Si el modelo es insesgado, el valor predicho es la media de la variable a predecir.
En cualquier caso, el modelo da una idea del valor que tomará la variable a predecir.
Por simplificar el análisis, si se supone que la variable a predecir es escalar, aquí

definida como n, y que se explica mediante un conjunto de variables que ε =n−m(ξ).
Este error es una variable aleatoria: tomada un valor distinto cada vez que se ejecute el
modelo. Se habla de homocedasticidad si el error cometido por el modelo tiene siempre
la misma varianza. En particular, si el modelo es homocedasticidad, el valor de las
variables explicativas, ξ, no afectara a la varianza del error.
10
La homocedasticidad es una propiedad fundamental del modelo de regresión
lineal general y está dentro de sus supuestos clásicos básicos.
LAS VARIABLES DUMMY
Al realizar análisis de regresión, la variable dependiente y las independientes no

solamente pueden estar dadas por variables cuantitativas, existen otros tipos de variables
de carácter cualitativo. Dichas variables se conocen comúnmente como Variables:
Dummys, categóricas, dicótomas, binarias, ficticias o cualitativas.
Usualmente, dichas variables indican la presencia o ausencia de una cualidad o

atributo, como por ejemplo sexo, raza, color, religión, etc. Estas son variables que
toman valor de 1 en una submuestra y 0 en el resto de la muestra. Si el número de
submuestras es mayor a dos, se define una variable ficticia para cada una de ellas,
tomando valor de 1 en dicha sudmuestra y el valor de 0 en el resto de las observaciones
muéstrales. Las variables ficticias pueden ser nominales y ordinales.
Al incluir variables dummys en un modelo de regresión, estimar sus coeficientes

y llevar a cabo los contrastes de significancia de las variables, es equivalente a estimar
los modelos restringido y no restringido (Novales, 1993).
OMISIÓN DE VARIABLES
Siempre que x 2 sea una variable “relevante” (es decir, β ≠ 0) , ^y 1 sera un
estimador inconsistente (y sesgado) de β 2 aunque tendrá menor varianza que ^β 1.
Es decir: la omisión de variable en el análisis genera inconsistencia (y sesgo) en

la estimación de los efectos de las variables.
El coeficiente de x 1 en la regresión que (incorrectamente) omite x 2:
No recoge el efecto ceteris paribus sobre las Y de un cambio x 1 (puesto que

cuando varia x 1también lo hace x 2; al estar x 1 y x 2 ¿ correlacionadas).
Recoge el efecto sobre Y de un cambio en x 1 más el efecto de x 1 sobre x 2 (que,

al decir correlación, términos afectando a Y).
TEST DE BREUSCH PAGAN GODFREY
11
En estadística, el tests de Breusch pagan Godfrey se utiliza para determinar la
heterocedasticidad en un modelo de regresión lineal. Analiza si la varianza estimada de
los residuos de una regresión dependen de los valores de las varianza independientes.
Supongamos que estimamos el siguiente modelo:
y=β 0 + β 1 x +u
Y obtenemos un conjunto de valores para u^ , los con las restricciones de los

mínimos cuadrados la media es 0, de modo que dada la suposición de que la varianza no
depende de las variables independientes, la estimación de la varianza se puede obtener a
partir de la media de los valores al cuadrado. Si la suposición no fuera correcta, podría
ocurrir que la varianza estuviera relacionada linealmente con las variables
independientes. Este modelo se puede examinar haciendo una regresión de los residuos
al cuadrado respecto de las variables independientes, empleando una ecuación de la
forma:
u^ 2= y 0+ y 1 x+ v
Esta es la base del test. Si el test-F confirma que las variables independientes son
significancias, entonces se puede rechazar la hipótesis nula de homocedasticidad.
TEST DE WHITE
En estadística la prueba de White es la prueba más general para detectar la

heteroscedasticidad en los modelos de regresión lineal. No precisa de una especificación
concreta de la heterocedasticidad bajo la alternativa.
Contrasta:
H 0 :σ 2i =σ 2 Para toda i
H 0 : No se verifica H 0
Para efectuar este contraste se plantea el modelo de regresión lineal múltiple que
trata de explicar los residuos al cuadrado en función de las variables explicativas y los
productos cruzados de las mismas.
En situaciones de homocedasticidas se cumple que n R2 sigue una distribución ji-

cuadrada con k-1 grados de libertad, siendo k el número de variables explicativas
incluidas en el modelo.
12
2.2 MARCO CONCEPTUAL
En la producción de cualquier bien (o servicio) las empresas necesitan trabajo
(recursos humanos), es decir, trabajadores, y capital, como maquinaria y otros
recursos productivos (ordenadores, vehículos…)[ CITATION Bla12 \l 10250 ]
Así construimos la función de producción: Y= f (L,K); que nos indica que la
producción de una empresa (Y) depende de la cantidad de trabajo (L) y de la
cantidad de capital (K).INFLACION (π)
Pero la función de la producción puede cambiar en el caso de que introduzcamos

la tierra (T) y la tecnología (A), quedando la función de producción como: Y = f
(L, K, T,A). En otras versiones de la función de producción al factor tierra se le
denomina recursos naturales (N), como la energía, la pesca… y en vez de incluir
la tecnología se incluye el capital humano (H), es decir, el nivel de formación de
la población. Añadiendo estos dos factores de producción, la función de
producción sería: Y = f (L, K, N, H). Estas dos variables funcionarían de la
misma manera que K, es decir, si se produce alguna variación en N o H, habría
un desplazamiento de la curva.[ CITATION Man14 \l 10250 ]
13
CAPITULO III
PLANTEAMIENTO DEL MODELO
Según lo observado en la región Junín se procedió a plantear el modelo

económico, en la cual se ha considerado las variables independientes salario, inversión e
índice de precios al consumidor (IPC); estas explicaran a la variable dependiente “El
Empleo”.
3.1 MODELO
3.1.1 MATEMATICO O ECONÓMICO
Primeramente, observaremos la ecuación de la producción, con ello
observaremos cuales son las variables intervinientes, estas nos ayudara respecto a la
formación de un modelo para el empleo.
Identidades
Y = f (K , L, T ❑)………… (1)
π =f (p)… (2)
W = Pe F (u, z)… (3)

( -, +)
 I: inversión
 i: interés
 Y: producción
 IPC: índice
 p: precio
 W: salario
 Pe: Nivel de precios esperados.

 u: Tasa de desempleo.
 z: Una variable residual, que engloba todas las demás variables que pueden
influir en el resultado de la fijación de los salarios.
14
Relaciones funcionales.
empleo=f (I , SALARIO , IPC )
Y = β0 + β 1 X 1+ β 2 X 2+ β 3 X 3…(5)
empleo=β 0 + β 1 Inversion+ β 2 Salario+ β3 IPC …(6)
3.1.2 ECONOMÉTRICO
empleo=β 0 + β 1 I + β 2 Salario+ β 3 IPC +µ…(7)
μ: error
Es de conocimiento de todos lo importante que es el empleo en una sociedad

tercer mundista como lo es nuestro país, debido a que el sustento de muchas familias es
gracias al trabajo de los padres. En este caso se plantea que la variable dependiente
“empleo” está sujeta a las variables independientes salario, índice de precios al
consumidor (IPC) y la inversión.
TEORICAMENTE: RELACION DE SIGNOS
 La “I” presenta un signo positivo, relación directa, pues si analizamos a una

mayor inversión, es decir, a una mayor inyección de capitales a nuestra
economía, tendrá como consecuencia una mayor proporción de personas
empleadas.
 Respecto al IPC, al estar representado al nivel de precio esto puede favorecer a
las empresas pues si el precio se incrementa ellas tendrán más ingresos por lo
tanto también obtendrán más beneficios y si con ello conlleva a mas producción
entonces requerirán de más personas para su producción.
15
3.2 MATRIZ DE OPERACIONALIZACIÓN DE VARIABLES
16
CAPITULO IV
DESARROLLO DEL MODELO

4.1 REGRESIONANDO
4.1.1 MINIMOS CUADRADOS ORDINARIOS
Ilustración 1
Dependent Variable: AGRIPRO
Method: Panel Least Squares
Date: 06/15/20 Time: 22:06
Sample: 1990 2009
Periods included: 20
Cross-sections included: 4
Total panel (balanced) observations: 80
Variable Coefficient Std. Error t-Statistic Prob.
AGRICAP -142.7761 39.73630 -3.593090 0.0006

AGRITRAB -0.527216 0.721081 -0.731147 0.4669
AGRITIERRA 3.146399 0.197121 15.96180 0.0000
C 11933641 2577921. 4.629173 0.0000
R-squared 0.921324 Mean dependent var 39566944

Adjusted R-squared 0.918218 S.D. dependent var 39988652
S.E. of regression 11435776 Akaike info criterion 35.39110
Sum squared resid 9.94E+15 Schwarz criterion 35.51020
Log likelihood -1411.644 Hannan-Quinn criter. 35.43885
F-statistic 296.6609 Durbin-Watson stat 0.358525
Prob(F-statistic) 0.000000
Fuente: INEI
Elaboración: Elaboración Propia
LINEALIZANDO EL MODELO
AGRIPRO=−142.776097052∗AGRICAP−0.52721602341∗AGRITRAB +3.14639890735∗AGRITIERRA
INTERPRETACIÓN
Como podemos observar en la ilustración 1 las variables independientes de

capital y tierra explican al modelo significativamente mientras que la variable agritrab
no explica la variable puesto que la probabilidad de la t no es significativamente.
17
4.1.2 APLICANDO LOGARITMO
Ilustración 2
Dependent Variable: LOG(AGRIPRO)

Date: 06/15/20 Time: 21:07
Sample: 1990 2009
LOG(AGRICAP) -1.786486 0.067250 -26.56472 0.0000

LOG(AGRITRAB) 0.777314 0.022624 34.35768 0.0000
LOG(AGRITIERRA) 0.505753 0.024984 20.24326 0.0000
C 18.30343 0.673829 27.16334 0.0000
R-squared 0.994611 Mean dependent var 15.03528

Adjusted R-squared 0.994398 S.D. dependent var 4.286055
S.E. of regression 0.320784 Akaike info criterion 0.612607
Sum squared resid 7.820561 Schwarz criterion 0.731708
Fuente: INEI
A) LINEALIZACION DEL MODELO
log ( AGRIPRO ) =18.3034323744−¿
1.78648620712∗log(AGRICAP)+0.777314288016∗log ( AGRITRAB)+0.505753027304∗log( AGRITIER
INTERPRETACIÓN
Para lograr una mejor eficiencia del modelo aplicamos lo que es el logaritmo
natural tanto a nuestra variable dependiente como algunas independientes, con ello
observaremos de igual manera cuales variables son significativas para nuestro modelo
econométrico para el empleo.
4.2 PRUEBA DE HIPÓTESIS
H O : β 2=0
18
Ha : β2≠ 0
Ilustración 3
LOG(AGRICAP) -1.786486 0.067250 -26.56472 0.0000
LOG(AGRITRAB) 0.777314 0.022624 34.35768 0.0000
LOG(AGRITIERRA) 0.505753 0.024984 20.24326 0.0000
C 18.30343 0.673829 27.16334 0.0000
Fuente: INEI
INTERPRETACIÓN
La variable salario es significativa a al empleo porque el t-estadístico en términos
absolutos es mayor a dos, es 34.35768¿2, por lo que se rechaza la hipótesis nula y se
acepta la hipótesis alterna donde ^β 2 ≠ 0
H O : β 3=0
Ha : β3≠ 0
Ilustración 4
LOG(AGRICAP) -1.786486 0.067250 -26.56472 0.0000
LOG(AGRITRAB) 0.777314 0.022624 34.35768 0.0000
LOG(AGRITIERRA) 0.505753 0.024984 20.24326 0.0000
C 18.30343 0.673829 27.16334 0.0000
Fuente: INEI
INTERPRETACIÓN
La variable IPC es significativa al empleo porque el t-estadístico en términos
absolutos es menor que dos, es decir -26.5472, por lo que se acepta la hipótesis nula y se
rechaza la hipótesis alterna donde β 3 ≠ 0 .
19
CAPITULO V
5.1 ANÁLISIS UNIVARIADO DE LAS VARIABLES
a) Índice de Empleo en la Región Junín (2008.1-2015.4)
Ilustración 5
Se puede denotar que la evolución de la

produccion en la economía ha tenido un
comportamiento creciente y cíclico ante
los últimos periodos tanto positivos
como negativos, además podemos
FUENTE: INEI
afirmar que existen marcados quiebres
ELABORACIÓN: Elaboración Propia
estructurales que merezcan un
tratamiento especial mediante la
linealización de la variable.
b) Nivel de Salarios en la Región Junín (2008.1-2015.4)
Ilustración 6
Ante los niveles de capital que presenta la

región Junín en los periodos se puede
observar que tiende a una evolución
positiva y en ciertos periodos se mantiene
FUENTE: INEI constante, y tiende a ser una línea
ELABORACIÓN: Elaboración Propia horizontal estable tal como se observa en
los años en estudio.
20
c) Inversión Bruta en la Región Junín (2008.1-2015.4)
Ilustración 7
La variable trabajo durante el periodo que

se está analizando podemos observar
que la variable trabajo tuvo un
comportamiento atípico, es decir, se
puede observar periodos con marcadas
tendencias decrecientes y periodos en
donde esta variable tuvo una tendencia
creciente.
FUENTE: MEF
d) Índice de Precios al Consumidor en la Región Junín (2008.1-2015.4)

Ilustración 8
La variable tierra durante el periodo 1990

-2009 que se está analizando podemos
observar que la variable trabajo tuvo un
comportamiento atípico, es decir, se
puede observar periodos con marcadas
tendencias decrecientes y periodos en
donde esta variable tuvo una tendencia
creciente.
FUENTE: INEI
21
5.2 ANÁLISIS ESTADÍSTICO
A) ANALISIS ESTADISTICO INDIVIDUAL
LOG(AGRICAP) -1.786486 0.067250 -26.56472 0.0000

LOG(AGRITRAB) 0.777314 0.022624 34.35768 0.0000
LOG(AGRITIERRA) 0.505753 0.024984 20.24326 0.0000
C 18.30343 0.673829 27.16334 0.0000
INTERPRETACION
i. EVALUANDO LA “t” STADIST
ee ( ^β 1 )=0.067250 ee ( ^β 2 )=0.022624 ee ( ^β3 ) =0.024984
t 1=−26.56472 t 2=34.35768 t 3=20.24326
Como podemos apreciar en la ilustración la variables independientes salario e

inversión tienen una relación directa con la variable empleo, es decir, si se incrementa
una de ellas aumentara la variable dependiente en la misma proporción; por último, la
variable IPC tiene una relación inversa.
ii. BONDA DE AJUSTE

SCE SCR
R 2= =1−
SCT SCT
R2=0.542913=99 . 4 %
INTERPRETACION
 Las variables inversión, salario y IPC explican un 99.4% a la variable

dependiente (empleo) y el resto son explicadas por otras variables
independientes.
B) ANALISIS ESTADISTICO GLOBAL
22
INTERPRETACION

 PRUEBA “F”
SCE SCE
gl k R2
F= = =
SCR SCR 1−R 2
gl n−k −1
F=4675.740
PRUEBA DE HIPÓTESIS
Ho: β 2=0 y β 3=0
Ha: β 2 ≠0 y β 3 ≠ 0
INTERPRETACIÓN
Todas las variables independientes (capital, tierra, trabajo) en conjunto explican

a la variable dependiente (empleo) que son importantes porque en términos absolutos la
prueba F es mayor a cuatro, es decir 4675,74¿4, por lo que se rechaza la hipótesis nula.
Además, como la probabilidad del F estadístico es de 0.000 menor a 0.05, nos

indica que las variables trabajo y capital si explican a la produccion.
23
5.3 ANÁLISIS ECONÓMICO
a)
log ( AGRIPRO ) =18.3034323744−1.78648620712∗log ( AGRICAP ) +0.777314288016∗log ( AGRITRA
Si:
CAPITAL=0 ; TRABAJO=0Y TIERRA=0
El promedio del empleo se incrementara en 18.3034323744.
b) Si:
∂ empleo Δempleo
≅ =1.78648620712
∂ salario Δ salario
Si aumenta en una unidad monetaria el salario, el empleo se incrementará en

0.065889 trabajadores.
c) Si:
∂ empleo Δempleo
≅ =0.777314288016
∂ IPC Δ IPC
Si aumenta en una unidad porcentual el TIERRA, el trabajo disminuirá en

0.505753027304 trabajadores
24
5.4 ANÁLISIS ECONOMÉTRICO
5.4.3 PROBLEMAS CON LOS ERRORES (e)
Ilustración 9
Histograma de los Residuos

En primer lugar analizamos si los
errores se distribuyen
normalmente, esto lo vemos con la
probabilidad Jarque-Bera
(Prob(Jarque-Bera)<0.05). Con lo
anterior podemos decir que los
errores se distribuyen normalmente y no se están violando los supuestos del MCO.
Fuente: INEI
Identificación y Corrección de los Problemas de Autocorrelación en el modelo:
1) Durbin Watson: El test de Durbin Watson para Autocorrelación de primer orden

nos sugiere la existencia de autocorrelación positiva de primer orden.
(DW=0.771486)
Ilustración 10: Regresión del Modelo

Date: 06/15/20 Time: 21:07
Sample: 1990 2009
LOG(AGRICAP) -1.786486 0.067250 -26.56472 0.0000

LOG(AGRITRAB) 0.777314 0.022624 34.35768 0.0000
LOG(AGRITIERRA) 0.505753 0.024984 20.24326 0.0000
C 18.30343 0.673829 27.16334 0.0000

Fuente: INEI
25
2) Correlograma de los errores:
Ilustración 11
Correlograma de los errores
Date: 06/15/20 Time: 21:36
Sample: 1990 2009
Included observations: 80
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
1 0.774 0.774 49.744 0.000

2 0.587 -0.030 78.733 0.000
3 0.429 -0.040 94.406 0.000
4 0.327 0.039 103.64 0.000
5 0.220 -0.075 107.88 0.000
6 0.134 -0.026 109.48 0.000
7 0.005 -0.174 109.49 0.000
8 -0.069 0.010 109.92 0.000
9 -0.130 -0.047 111.48 0.000
10 -0.200 -0.123 115.21 0.000
11 -0.250 -0.030 121.16 0.000
12 -0.295 -0.086 129.54 0.000
Fuente: INEI
La nos muestra que podría existir autocorrelación de primer (en valor positivo),
segundo y tercer orden (en valor negativo) también hay indicios de
autocorrelación de doceavo orden (en valor positivo), esto porque las barras de
Partial Correlation sobrepasan las líneas entrecortadas que representan el nivel
de significancia. Por otro lado, en la (Residual Squared) observamos que solo
hay indicios de autocorrelación de primer grado (en valor positivo).
3) Test de Breusch-Godfrey (LM)
Al analizar los residuales al cuadrado vimos que hay presencia de
autocorrelación de primer grado. Para comprobar ello realizamos el test de
máxima verosimilitud (Test de Breusch-Godfrey) con solo un rezago y sus
resultados fueron:
Ilustración 12
Test de Breusch-Godfrey
Test Statistic d.f. Prob.
Breusch-Pagan LM 68.66874 6 0.0000

Pesaran scaled LM 18.09091 0.0000
Pesaran CD 8.187070 0.0000
Fuente: INEI
Las hipótesis que plantea este test son:
H 0 : Ausencia de Autocorrelación
H a : Presencia de Autocorrelación
26
El resultado de este test nos permite afirmar que existen problemas de
autcorrelación dado que la probabilidad de F-stat es de 0.00 y por lo tanto se
rechaza la hipótesis nula planteada para este test. Sin embargo no podemos
olvidar que en el gráfico del correlograma de los errores también hay evidencia
de autorrelación de doceavo orden aunque al analizar el mismo test con 12
rezagos solo resulta significativo el rezago 1.
4) Corrección del Problema de Autocorrelación
Para corregir los problemas de autocorrelación se utiliza la metodología de
Cochrane Orcutt aplicando un AR(1) y/o un MA(1), pero después de hacer un
análisis de significancia encontramos que también un AR(1) por lo que también
serán incorporados al modelo obteniendo:
Ilustración 13
Corrección de la Autocorrelación
Date: 06/15/20 Time: 21:55
Sample (adjusted): 1991 2009
Convergence achieved after 31 iterations
LOG(AGRICAP) 0.052288 0.439941 0.118853 0.9057

LOG(AGRITRAB) 0.508294 0.168259 3.020905 0.0035
LOG(AGRITIERRA) 0.277681 0.239832 1.157817 0.2508
C 7.922225 7.823937 1.012562 0.3147
AR(1) 0.991617 0.007232 137.1202 0.0000

S.E. of regression 0.138441 Akaike info criterion -1.053214
Sum squared resid 1.360787 Schwarz criterion -0.899877
Log likelihood 45.02214 Hannan-Quinn criter. -0.991933
Fuente: INEI
Ilustración 14
Correlograma de los erorres corregido
Fuente: INEI
27
Date: 06/15/20 Time: 21:58
Sample: 1990 2009
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
1 -0.379 -0.379 11.363 0.001

2 0.146 0.002 13.065 0.001
3 -0.238 -0.212 17.646 0.001
4 0.141 -0.022 19.275 0.001
5 -0.119 -0.074 20.455 0.001
6 0.200 0.115 23.837 0.001
7 -0.138 -0.008 25.461 0.001
8 0.068 -0.012 25.867 0.001
9 -0.031 0.057 25.952 0.002
10 0.055 0.033 26.223 0.003
11 -0.081 -0.037 26.826 0.005
12 -0.077 -0.171 27.378 0.007
Al analizar nuevamente el correlograma de los errores encontramos que ya no

existen problemas de autocorrelación ya que las barras de la columna de Parcial
Correlation están dentro de las líneas que representan el nivel de significancia.
Identificación y Corrección de los Problemas de Heterocedasticidad en el modelo:
Luego de haber identificado y corregido los problemas de autocorrelación

también será conveniente ver si existe o no problemas de heterocedasticidad en nuestro
modelo aun si este problema es poco frecuente en los modelos con datos de series de
tiempo.
1) Test de White con Términos Cruzados: Este test es general por lo que nos ayuda
a determinar si hay presencia de heterocedasticidad sin alguna forma funcional
específica. (en los Anexos se presenta los resultados completos)
Ilustración 15
Panel Cross-section Heteroskedasticity LR Test
Value df Probability
Likelihood ratio 3.253717 4 0.5163
LR test summary:
Value df
Restricted LogL -20.50427 76
Unrestricted LogL -18.87741 76
Fuente: INEI
Las hipótesis planteadas son:
28
H 0 : Ausencia de Heterocedasticidad
H a : Presencia de Heterocedasticidad
Como la probabilidad del F-stat es mayor a 0.05 se acepta la hipótesis nula por
lo tanto se concluye que no existen problemas de heterocedasticidad en nuestro
modelo.
5.4.4 LA MULTICOLINEALIDAD
Matriz de correlación entre variables exógenas
Ilustración 16: MARIZ DE COVARIANZAS
LOG(AGRITRA LOG(AGRITIER
LOG(AGRICAP) B) RA) C
- -
LOG(AGRICAP 0.00452260694 0.00120665095 0.00149610919 0.04439336330
) 1025726 76085 7664238 118468
0.00120665095 - -
LOG(AGRITRA 76085 0.00051185351 0.00050337979 0.01283600443
B) 71606422 19544728 998847
- -
LOG(AGRITIE 0.00149610919 0.00050337979 0.00062418895 0.01430671435
RRA) 7664238 19544728 23968301 336973
- - 0.01430671435
0.04439336330 0.01283600443 336973 0.45404496114
C 118468 998847 97301
Fuente: INEI
Esta matriz nos indica que existe coeficientes de correlación no tan altos como
son: log (agricap) y log (agritab) →(r=0.614); log (agricap) y log (agritrab)
→(r=0.6674); log (salario) y log (inversión) →(r=0.5850). Los cuales nos muestran que
al ser los coeficientes de correlación menor que 0.8 podemos afirmar que nuestro
modelo no presenta una multicolinealidad alta. En el caso de trabajo y log (agritrab) →
(|r|= |-0.3660|); IPC y log (agritrab) → (|r|) = (-|0.1501|); tierra y log (agritierra) → (r)=
(|-0.2759|), presentan una correlación menor al 0.5 en la cual la multicolinealidad es
baja y también son bajas por las tendencias que presentan estas variables.
29
CAPITULO VII
CONCLUSIONES
Como se ha mencionado anteriormente un tema realmente importante en toda la

sociedad es el del empleo, puesto que los miembros de las familias tienen que procurar
contar con trabajos para así satisfacer sus necesidades sin ningún inconveniente.
En el modelo econométrico presentado en el cual nuestra variable dependiente

“el empleo” está sujeta a las variables independientes salario, inversión e IPC, en
primera instancia al regresionar nos dio como resultado un R 2 del 54%, lo cual es muy
bueno pero no lo suficiente para que el modelo sea eficiente. Entonces, se aplicó la
teoría de los logaritmos naturales para ajustarlo aún más y con ello apenas y subió 1%
más.
Posteriormente se pretendió mediante el análisis econométrico si es que

existiesen problemas con los errores, las “X” y las “β”, de igual manera si presenta
redundancia u omisión de variables, multicolinealidad, heteroceasticidad y
autocorrelacion. Con las regresiones pertinentes y el uso de los test para la
identificación y corrección de cualquier problema que presente el modelo, se puede
afirmar que no ya no existe ningún inconveniente en nuestro modelo (se ajustó máximo)
puesto que se ejecutó los comandos de AR y MA. Con ello inclusive obtuvimos un
coeficiente de correlación o bondad de ajuste (R2) del 90.5% lo que interpretamos que
nuestro modelo si es realmente eficiente.
Finalmente muestro modelo en series de tiempo nos nuestra que las variables
independientes son significativas para el modelo; donde después de analizar el modelo
econométrico obtuvimos el mejor modelo del empleo, con las variables identificadas.
30
BIBLIOGRAFÍAS
Alavanja, L., Carrillo, A., Espinoza, S., & Melo, R. (2009).
Determinación de una función predictiva de la tasa de desempleo en Chile.
Chile: Universidad de Bío Bío.
Carmona, J. M., & Ibáñez, A. L. (s.f.). Modelo

Econométrico:Explicación del Desempleo. España.
Dávalos, J. (2013). Modelo de Proyección de Empleo para Perú. Lima:

Organización Internacional del Trabajo.
Morales, M. G. (2010). Modelo Econométrico Empleo en México.

México: Universidad Nacional Autónoma de México.
Sanoho, A., & Serrano, G. (2004). Modelo de Desempleo y Salarios.

Madrid.
Blanchard, O., Amighini, A., & Giavazzi, F. (2012). Macroeconomia.

Madrid: Pearson Esucación.
Mankiw, G. (2014). Macroeconomics. Barcelona España: Antoni Bosh

editor, S.A.
Alonso, C. (s.f.). Econometria Errores de especificacion . Madrid.
Cid, J. D. (s.f.). Nociones de econometria intermedia .
Jesus Alegandro , L. e. (s.f.). Incremento de la renuemracion minima vital sobre

el empleo y los ingresos laborales .
http://www.ugr.es/~romansg/material/WebEco/tema4.pdf
31
ANEXOS
Anexo 1. Regresiones
Anexo 1.1
Anexo 1.2.
Anexo 2. Problemas con las X
32
Anexo 2.1 Redundancia de variables (LOG(INVERSIÓN))
33
Anexo 2.1 Omisión de variables (LOG(INVERSIÓN))
34
Anexo 3. Problemas con los e
Anexo 3.1 Autocorrelación: Test de Breusch-Godfrey
Anexo 3.2 Corrección de la Autocorrelación
Anexo 3.3 Heterocedasticidad: Test de White
Heteroskedasticity Test: White
35
F-statistic 2.329011 Prob. F(68,12) 0.0537
Obs*R-squared 75.29486 Prob. Chi-Square(68) 0.2542
Scaled explained SS 68.98993 Prob. Chi-Square(68) 0.4437
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 01/21/17 Time: 13:41
Sample: 2008M09 2015M05
Collinear test regressors dropped from specification
C -0.003569 0.002384 -1.497421 0.1601

GRADF_01^2 -3.731359 1.180550 -3.160695 0.0082
GRADF_01*GRADF_02 0.668632 0.228047 2.931993 0.0126
GRADF_01*GRADF_03 0.042555 0.018001 2.364046 0.0358
GRADF_01*GRADF_04 0.021504 0.006860 3.134718 0.0086
GRADF_01*GRADF_05 0.383311 0.721800 0.531049 0.6051
GRADF_01*GRADF_06 0.341162 1.206668 0.282730 0.7822
GRADF_01*GRADF_07 -1.036550 0.848664 -1.221391 0.2454
GRADF_01*GRADF_08 0.911317 0.673394 1.353320 0.2009
GRADF_01*GRADF_09 0.041350 0.025095 1.647752 0.1253
GRADF_01*GRADF_10 -0.052058 0.024728 -2.105214 0.0570
GRADF_01*GRADF_11 0.012772 0.005750 2.221167 0.0463
GRADF_01 0.244550 0.218557 1.118929 0.2851
GRADF_02*GRADF_03 -0.009346 0.003649 -2.561273 0.0249
GRADF_02*GRADF_04 -0.004641 0.001699 -2.730894 0.0182
GRADF_02*GRADF_05 -0.095482 0.125539 -0.760577 0.4616
GRADF_02*GRADF_06 -0.134751 0.237384 -0.567648 0.5807
GRADF_02*GRADF_07 0.288066 0.173072 1.664432 0.1219
GRADF_02*GRADF_08 -0.226667 0.128053 -1.770100 0.1021
GRADF_02*GRADF_09 -0.000380 0.000148 -2.563000 0.0249
GRADF_02 -0.049401 0.037907 -1.303227 0.2169
GRADF_03^2 6.41E-05 0.000173 0.371459 0.7168
GRADF_03*GRADF_04 0.000150 5.71E-05 2.627146 0.0221
GRADF_03*GRADF_05 0.006018 0.006399 0.940491 0.3655
GRADF_03*GRADF_06 0.006515 0.008017 0.812697 0.4322
GRADF_03*GRADF_07 -0.003657 0.004423 -0.826715 0.4245
GRADF_03*GRADF_08 0.007342 0.005778 1.270623 0.2279
GRADF_03*GRADF_09 -0.003140 0.001486 -2.113772 0.0562
GRADF_03*GRADF_10 0.003135 0.001484 2.113085 0.0562
GRADF_03 -3.88E-05 0.001325 -0.029250 0.9771
GRADF_04^2 2.87E-05 1.99E-05 1.443323 0.1745
GRADF_04*GRADF_05 0.001284 0.001719 0.747214 0.4693
GRADF_04*GRADF_06 0.003899 0.004068 0.958456 0.3567
GRADF_04*GRADF_07 -0.007162 0.002861 -2.503294 0.0277
GRADF_04*GRADF_08 0.004069 0.001586 2.565940 0.0247
GRADF_04*GRADF_09 4.33E-06 1.94E-06 2.224468 0.0461
GRADF_04 0.000669 0.000406 1.647968 0.1253
GRADF_05^2 -0.453378 0.162353 -2.792545 0.0163
GRADF_05*GRADF_06 0.607380 0.298145 2.037198 0.0643
GRADF_05*GRADF_07 -0.190880 0.145341 -1.313323 0.2136
GRADF_05*GRADF_08 0.188825 0.172845 1.092455 0.2961
GRADF_05*GRADF_09 0.022177 0.066504 0.333470 0.7445
GRADF_05*GRADF_10 -0.042285 0.030966 -1.365538 0.1971
GRADF_05*GRADF_11 0.020150 0.071864 0.280395 0.7839
GRADF_05 0.002756 0.020236 0.136176 0.8939
36
GRADF_06^2 -0.613692 0.208508 -2.943253 0.0123
GRADF_06*GRADF_07 0.444747 0.192407 2.311492 0.0394
GRADF_06*GRADF_08 -0.444122 0.307005 -1.446626 0.1736
GRADF_06*GRADF_09 -0.084283 0.114115 -0.738576 0.4744
GRADF_06*GRADF_10 -0.017353 0.031037 -0.559106 0.5864
GRADF_06*GRADF_11 0.101833 0.123985 0.821331 0.4275
GRADF_06 -0.008784 0.027076 -0.324433 0.7512
GRADF_07^2 0.006591 0.099169 0.066462 0.9481
GRADF_07*GRADF_08 0.072402 0.163355 0.443217 0.6655
GRADF_07*GRADF_09 0.049076 0.093271 0.526163 0.6084
GRADF_07*GRADF_10 -0.001214 0.029522 -0.041119 0.9679
GRADF_07*GRADF_11 -0.048044 0.111189 -0.432091 0.6733
GRADF_07 -0.008225 0.017199 -0.478229 0.6411
GRADF_08^2 -0.118792 0.108450 -1.095368 0.2949
GRADF_08*GRADF_09 -0.045482 0.095366 -0.476922 0.6420
GRADF_08*GRADF_10 -0.040419 0.032381 -1.248246 0.2357
GRADF_08*GRADF_11 0.085848 0.082407 1.041766 0.3181
GRADF_08 -0.011161 0.024369 -0.457994 0.6551
GRADF_09^2 -8.24E-05 7.03E-05 -1.172498 0.2637
GRADF_09*GRADF_10 -8.89E-06 2.99E-05 -0.297380 0.7713
GRADF_09*GRADF_11 9.13E-05 7.62E-05 1.198679 0.2538
GRADF_09 -0.054693 0.017094 -3.199607 0.0076
GRADF_10 0.004519 0.003341 1.352697 0.2011
GRADF_11 0.050087 0.015280 3.278031 0.0066

S.E. of regression 0.000894 Akaike info criterion -11.40754
Sum squared resid 9.59E-06 Schwarz criterion -9.367823
Log likelihood 531.0053 Hannan-Quinn criter. -10.58918
37
Anexo 3.4 Heterocedasticidad: Test de Breusch-Pagan
Anexo 3.5 Heterocedasticidad: Test de Harvey
38

Caso Practico Panel de Datos

Cargado por

Copyright:

Formatos disponibles

Caso Practico Panel de Datos

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Caso Practico Panel de Datos

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DEL CENTRO DEL PERÚ

“Año de la universalización de la salud”

CASO PRÁCTICO DE DATOS DE

Docente: Mg. Oswaldo Quiroz Marín

Alumno: Meza porta, Francy

Se desarrollara un trabajo de panel de datos para ello necesitaremos tener en

En el Mercado Común del Sur (MERCOSUR) lo conforman 4 paises

Por otro lado, el Mercosur constituye el cuarto bloque económico y comercial

En el presente trabajo se desarrolla un nuevo modelo econométrico acerca de la

Consiguientemente, se aplicará todos los conocimientos en clase para poder

Palabras Claves: producción, capital, el personal ocupado, tierra utilizada para

It is known to all of us that necessarily to support our expenses (satisfaction of

In this paper, a new econometric model on employment in the Junín region is

Consequently, all the knowledge in class will be applied to be able to correct

Keywords: Employment, Salary, CPI, Investment, Multicollinearity, Heteroceasticity,

La agricultura en concreto sobre todo en América Latina y la influencia que

El primer efecto dedica especialmente una atención la una revolución verde, a la

Viendo esta realidad, el presente trabajo planteará un modelo de producción en

Para el desarrollo del presente modelo se ha tomado una muestra de 80 datos de

En la primera parte del trabajo trataremos acerca de nuestro planteamiento del

MODELO ECONOMÉTRICO DEL EMPLEO

1.1.1 PROBLEMA GENERAL

1.1.2 PROBLEMAS ESPECÍFICOS

 Identificar la influencia de la variable trabajo ante las variaciones de la variable

 Explicar la influencia de la variable tierra en la variable producción.

1.2.1 HIPÓTESIS ESPECÍFICAS

 El modelo econométrico acerca del empleo considera a las variables relevantes,

La producción agrícola es aquella que consiste en generar vegetales para

La autocorrelación surge cuando los términos de error del modelo no son

Entonces los errores estarán vinculados entre sí.

Los estimadores mínimos cuadráticos ordinarios (MCO) obtenidos, bajo esta

La heterocedasticidad consiste en que las observaciones muéstrales tienen

En estadística se dice que un modelo de regresión lineal presenta

Existen diferentes razones o situaciones en las que cabe encontrarse con

Otra situación en la que se presenta heteroscedasticidad es en muestras cuyos

En estadística se dice que un modelo predictivo

Un modelo estadístico relaciona el valor de una variable a predecir con el de

Por simplificar el análisis, si se supone que la variable a predecir es escalar, aquí

LAS VARIABLES DUMMY

Al realizar análisis de regresión, la variable dependiente y las independientes no

Usualmente, dichas variables indican la presencia o ausencia de una cualidad o

Al incluir variables dummys en un modelo de regresión, estimar sus coeficientes

Siempre que x 2 sea una variable “relevante” (es decir, β ≠ 0) , ^y 1 sera un

estimador inconsistente (y sesgado) de β 2 aunque tendrá menor varianza que ^β 1.

Es decir: la omisión de variable en el análisis genera inconsistencia (y sesgo) en

El coeficiente de x 1 en la regresión que (incorrectamente) omite x 2:

No recoge el efecto ceteris paribus sobre las Y de un cambio x 1 (puesto que

Recoge el efecto sobre Y de un cambio en x 1 más el efecto de x 1 sobre x 2 (que,

TEST DE BREUSCH PAGAN GODFREY

Supongamos que estimamos el siguiente modelo:

Y obtenemos un conjunto de valores para u^ , los con las restricciones de los

En estadística la prueba de White es la prueba más general para detectar la

En situaciones de homocedasticidas se cumple que n R2 sigue una distribución ji-

Pero la función de la producción puede cambiar en el caso de que introduzcamos

PLANTEAMIENTO DEL MODELO

Según lo observado en la región Junín se procedió a plantear el modelo

W = Pe F (u, z)… (3)

 Pe: Nivel de precios esperados.