Fase 5 Tecnicas de Pronostico

Descargar como docx, pdf o txt
Descargar como docx, pdf o txt
Está en la página 1de 10

Técnicas de Pronóstico

Fase 5 Evaluación Final y Análisis Multivariado

JEISSON ENRIQUE ATUESTA


MARIA AURORA BEVILACQUA
PAULA ANDREA CUERO
SONIA L. GONZALEZ PARDO

GRUPO: 105018_4

PRESENTADO A:
JULIETH ALEXANDRA BARON
ACTIVIDADES A DESARROLLAR
1. Con la información organizada en paneles de datos, de la fase anterior, fase 4,
especificar el modelo de datos de panel, por método lineal, utilizando al menos tres
variables así estructuradas, con base en Gujarati (2009), Capítulo 16 y
Wooldrige(2010), Capítulos 13 y 14.
R //
Este boletín presenta los indicadores de mercado laboral para los 23 principales
departamentos del país y la ciudad de Bogotá. Presenta resultados anuales para el
total y cada uno de los departamentos del 2002 al 2018.
 Sujeto o categoría: Mercado laboral por departamentos: Antioquia, Bogotá y
valle
 Periodo: 2002- 2018
 Variables a trabajar: TGP, Tasa de subempleo subjetivo, Tasa de subempleo
objetivo

Antioqui Bogot Vall


1 a 2 á 3 e

Departament TG Tasa de subempleo Tasa de subempleo


Año
o P subjetivo objetivo
200 59.
1 1 9 28.0 10.4
200 61.
2 1 0 30.0 12.2
200 60.
3 1 0 27.4 11.0
200 59.
4 1 3 23.8 9.8
200 57.
5 1 6 18.5 9.7
200 55.
6 1 1 21.8 9.7
200 56.
7 1 9 27.5 8.3
200 57.
8 1 1 24.1 9.3
200 60.
9 1 4 28.0 12.0
201 61.
0 1 1 29.4 12.3
201 61.
1 1 6 28.8 10.2
201 63.
2 1 5 33.4 11.4
201 63.
3 1 9 31.5 10.2
201 63.
4 1 5 25.9 8.4
201 62.
5 1 7 20.8 8.2
201 62.
6 1 3 22.0 8.7
201 63.
7 1 2 22.5 8.7
201 62.
8 1 3 20.2 8.8
200 66.
1 2 3 29.1 12.5
200 67.
2 2 1 34.9 14.9
200 67.
3 2 8 33.3 12.7
200 66.
4 2 0 31.8 11.0
200 66.
5 2 4 34.0 11.1
200 65.
6 2 7 31.5 9.7
200 64.
7 2 0 30.6 9.2
200 65.
8 2 5 29.2 12.1
200 66.
9 2 6 24.2 10.2
201 68.
0 2 7 32.2 14.1
201 70.
1 2 9 34.1 13.9
201 72.
2 2 1 34.1 13.2
201 71.
3 2 9 34.2 13.6
201 72.
4 2 5 31.8 12.8
201 71.
5 2 6 31.0 11.2
201 70.
6 2 8 26.4 9.8
201 69.
7 2 6 22.4 8.4
201 69.
8 2 1 21.5 8.2
200 65.
1 3 6 35.7 13.1
200 64.
2 3 4 35.8 14.1
200 3 65. 36.1 14.0
3 2
200 65.
4 3 1 37.2 14.3
200 65.
5 3 1 37.0 13.4
200 64.
6 3 5 42.5 14.6
200 62.
7 3 8 43.2 11.5
200 62.
8 3 1 36.8 11.2
200 66.
9 3 2 41.7 15.9
201 66.
0 3 6 41.3 16.2
201 65.
1 3 3 36.7 13.9
201 65.
2 3 6 37.5 13.9
201 66.
3 3 0 37.9 14.2
201 65.
4 3 7 35.8 12.8
201 66.
5 3 9 36.0 13.2
201 66.
6 3 5 35.5 12.4
201 66.
7 3 5 33.9 11.6
201 66.
8 3 0 33.5 12.3

Se quiere conocer el impacto de la tasa global de participación y la tasa de


subempleo subjetivo en la tasa de subempleo objetivo, para este análisis se
especifican siguientes modelo para los tres departamentos.

log ( subempleobjetivo )=a¿ −β 1 log ( TGP ) + β 2 log(subemplesubjetivo)

2. Estimar e interpretar el modelo, generando conclusiones del procedimiento.


R // Para estimar los modelos de regresión se usara el siguiente método:

Métodos lineales:
Para este procedimiento se le aplico el logaritmo a los datos de panel para
aumentar la correlación de los datos, El análisis de las variables se realizara
usando el capítulo 16.3 Modelo de regresión con MCO agrupados o de coeficientes
constantes de gujarati (2009).

1. Modelo lineal para Bogotá:


Estadísticas de la regresión
Coeficiente de correlación 0.8144248
múltiple 6
Coeficiente de determinación 0.6632878
R^2 5
0.6183928
R^2 ajustado 9
0.1118112
Error típico 9
Observaciones 18

Coeficient Error Estadístic Probabilid


  es típico ot ad
- -
Intercepció 4.9382389 1.6610133
n 8 2.9730279 3 0.1174635
Variable X 0.9867164 0.6960105 1.4176745 0.1767238
1 2 5 1 9
Variable X 0.1822621 5.1633712 0.0001155
2 0.9410873 8 4 8

log ( subempleobjetivo )=−4.93824+0.98672 log ( TGP ) +0.9411 log(subemplesubjetivo)

Del anterior modelo se puede observar un coeficiente de determinación aceptable


de 0.66, esto quiere decir que la tasa de subempleo objetivo explica el 81.4% de la
variación de la TGP y la tasa de subempleo subjetiva, por otra partea la variación
de la tasa de subempleo subjetiva y TGP fueron 0.941 y 0.987, respectivamente. Es
decir, un incremento de 1% en la tasa de subempleo subjetiva provocó, en
promedio, un incremento de cerca de 0.941% en la tasa de subempleo objetiva. En
forma similar, un incremento de 1% en la TGP, en promedio, un detrimento de
cerca de 0.987%.

2. Modelo lineal para Valle del Cauca:

Estadísticas de la regresión
Coeficiente de correlación 0.7167122
múltiple 7
Coeficiente de 0.5136764
determinación R^2 8
0.4488333
R^2 ajustado 5
0.0771149
Error típico 6
Observaciones 18

Coeficient Error Estadístic Probabilid


  es típico ot ad
Intercepci - 4.491066 - 0.0088882
ón 13.494073 79 3.004647 2
4 69
Variable X 3.1049805 0.984897 3.152591 0.0065714
1 3 96 07 4
Variable X 0.8600635 0.265127 3.243964
2 8 33 28 0.0054503

log ( subempleobjetivo )=−13.4941+3.10498 log (TGP ) +0.8601 log ( subemplesubjetivo)

El modelo del valle del cauca explica el 81.4% de la variación de la TGP y la tasa
de subempleo subjetiva respecto a la tasa de subempleo objetivo, por otra partea la
variación de la tasa de subempleo subjetiva y TGP fueron 0.86 y 3.105,
respectivamente. Es decir, un incremento de 1% en la tasa de subempleo subjetiva
provocó, en promedio, un incremento de cerca de 0.86% en la tasa de subempleo
objetiva. En forma similar, un incremento de 1% en la TGP, en promedio, un
detrimento de cerca de 3.1045%.

1. Modelo lineal para Antioquia:

Estadísticas de la regresión
Coeficiente de correlación
múltiple 0.657934
Coeficiente de determinación 0.4328771
R^2 5
0.3572607
R^2 ajustado 7
Error típico 0.1080956
Observaciones 18

Coeficient Error Estadístic Probabilid


  es típico ot ad
Intercepció 2.9409403 2.4886005 1.1817647
n 5 2 4 0.255696
- -
Variable X 0.5953863 0.6313329 0.9430623 0.3605915
1 4 8 1 8
Variable X 0.5542594 0.1638193 0.0040952
2 8 3 3.3833582 6

log ( subempleobjetivo )=2.94094−0.59539 log ( TGP ) +0.55426 log( subemplesubjetivo)

En Antioquia anterior modelo se puede observar un coeficiente de determinación


aceptable 0.433, explicando el 43.4% de la variación de la TGP y la tasa de
subempleo subjetiva, por otra partea la variación de la tasa de subempleo subjetiva
y TGP fueron -0.595 y 0.554, respectivamente. Es decir, un incremento de 1% en la
tasa de subempleo subjetiva provocó, en promedio, un incremento de cerca de
0.554% en la tasa de subempleo objetiva. En forma similar, un incremento de 1%
en la TGP, en promedio, un decremento de cerca de -0.595%, esta variable es
difícil de explicar dentro del modelo.
3. Responder las preguntas del Anexo a la presente Guía, Fase 5 y argumentar las
respuestas dadas a cada una de ellas, de modo que se especifique clara y
concisamente por qué se eligió la opción verdadera, tanto como por qué se
descartaron cada una de las demás opciones.

1. Junto con su equipo de trabajo, usted debe especificar un Modelo Arima con el fin
de postular al equipo para un apoyo de fomento a la investigación. Por tanto,
propone que se trabaje a partir de la variable
o gasto público social anual del gobierno central del país para la
implementación de las políticas públicas sociales.
R // se elige esta opción ya que los modelos Arima se desarrollan con la variable
endógena en función de su misma variable pero en diferentes periodos, por
esta razón se escoge esta opción, porque es una serie de tiempo la cual
depende solo de sí misma.

o inversión departamental en todos los proyectos de infraestructura y desarrollo


durante la vigencia más reciente.
R // Esta opción no se elige puesto que tiene más de una variable y aunque se
hiciera un análisis independiente para cada una, la interpretación de la
información global se complicaría.

o consumo medio de los hogares clasificado por año y municipio en un lapso de


al menos los últimos diez periodos.
R // Esta opción incluye más de una variable necesitando para su interpretación
una regresión múltiple y esta no corresponde a un modelo Arima

o pobreza multidimensional de diversos países en función del nivel de población


correspondiente para cada lugar.
R // Los modelos arima se desarrollan con la variable endógena en función de
su misma variable en diferentes periodos y esta información no satisface
estos requerimientos.
2. En el análisis de una serie de tiempo, se obtuvo la prueba de Dickey Fuller
Aumentada, con un estadístico de -1.624 y un p-valor correspondiente de 0.7713. El
objetivo es especificar un modelo univariado. Le solicitan que continúe desarrollando
dicho análisis por lo que usted
o obtiene el logaritmo natural de la serie en busca de que la
transformación permita que sea estacionaria.
R // Para trabajar con un modelo univariado se deben de trabajar con una serie
estacionaria por eso se deben de realizar este tipo de transformaciones para
volver la serie estacionaria

o calcula las funciones de autocorrelación simple y parcial con el fin de


establecer un número de rezagos.
R // esta opción no se elige porque las funciones de auto correlación simple y
parcial se hace para escoger los rezagos y autoregresores son pasos que se
o estima una ecuación lineal para la serie, a partir del periodo de los ciclos
estacionales que la caracterizan.
R // La estimación del modelo lineal se realiza después de conocer el número de
regresores y rezagos.

o genera las medidas descriptivas con el propósito de explicar el


comportamiento que presentan los datos.
3. Usted está liderando un estudio sobre el precio de un bien. El modelo que mejor
se ajusta es bivariado y de rezagos distribuidos por tres periodos. Para la
presentación de los resultados usted verifica que la ecuación estimada muestre.
o tres componentes autoregresivos incluidos dentro de la función.
R // los tres componentes auto regresivos no son suficientes para lo solicitado.

o coeficientes para la variable explicadora en el mismo periodo del precio


y para sus tres primeros rezagos.
R // es un modelo de rezagos distribuidos, si incluye uno o más valores
rezagados de la variable dependiente entre sus variables explicativas, se
denomina modelo autor regresivo, entonces para dos variables, se puede
plantear que Y1𝑡 es afectada por los rezagos Y2𝑡.

Y 1 t =α 10 +α 11 ·Y 2 t + α 12 · Y 1 t−1 +α 13 ·Y 2t −1+ γ 1 z T +ε 1t

Y 2 t =α 20 +α 21 · Y 1 t +α 22 ·Y 1 t −1+ α 23 · Y 2 t−1 + γ 2 z T + ε 2 t

o un solo término consistente en el rezago tres de la serie exógena.


R // Un solo termino en rezago tres no representa a los tres periodos
o un valor autoregresivo y otros para el tercer rezago tanto del precio como el
de la segunda variable.
R // un solo valor autoregresivo para el precio y la segunda variable no serían
explicativas para el modelo.
4. En la empresa en la que usted labora se obtuvo la medición de la productividad
del año de todos los trabajadores para 1995. Desde entonces, cada año se mide
esta variable y se agrega el dato correspondiente conformando una matriz, en la que
los años nombran las columnas, y los códigos de los trabajadores nombran las filas.
Con los datos, le piden que analice la evolución de la productividad en la empresa,
por lo que usted.
o Obtiene el valor medio por trabajador y genera un modelo multivariado
utilizando variables auxiliares como, por ejemplo, remuneración, formación y
antigüedad.
R //A pesar de que esta opción parezca más completa la información
recolectada
o Estima el total por trabajador y construye un modelo Arima con la serie
resultante.
R // un modelo autorregresivo ARIMA, utiliza variaciones y regresiones de datos
estadísticos con el fin de encontrar patrones para una predicción hacia el
futuro, y lo que se quiere es revisar la evolución de esta durante el tiempo

o Mide la variabilidad por año y calcula un modelo Sarima si identifica


estacionalidad.
R // La variabilidad y estacionalidad son elementos que permiten entender las
predicciones del modelo pero no se puede hacer un análisis más detallado de
la evolución de la productividad

o Genera diagramas de caja por año y compara los niveles, luego realiza
pruebas de hipótesis para observar si hay variaciones medias
significativas entre años.
R // Los diagramas de Caja son una presentación visual que describe varias
características importantes, al mismo tiempo, tales como la dispersión y
simetría, los tres cuartiles y los valores mínimo y máximo de los datos, esta
grafica es rectangular dividido por un segmento vertical que indica donde se
posiciona la mediana y por lo tanto su relación con los cuartiles primero y
tercero.

Un diagrama de cajas representa de forma gráfica la distribución de


puntuaciones dentro de una variable. Es una forma de describir las
puntuaciones que contiene una variable y su distribución de forma visual.
Además, señala los valores atípicos o casos extremos de la variable
5. Se cuenta con un panel de datos para 2000-2019 con la proporción de hogares en
pobreza monetaria por departamento de Colombia. Se espera que esta variable sea
mitigada por la inversión pública social y el modelo resultante debe ser de efectos
fijos. Para preparar los datos de modo que permitan desarrollar el modelo, usted.
o Promedia tanto la pobreza como la inversión anualmente, y crea nuevos
paneles con las diferencias entre los datos y su media.
R // El modelo de efectos fijos analiza de las variables que cambian con el
tiempo, teniendo en cuenta esto cualquier variación es significativa para el
análisis, por esta razón se escoge esta opción porque relaciona los datos
necesarios para el análisis.

o Obtiene el logaritmo tanto de la inversión como de la pobreza, con el fin de


reducir la variabilidad en caso que se presente.
R // Obtener el logaritmo de esta variable no es significativo para este análisis, a
no ser que sean valores demasiados altos, pero no es algo determinante para
la preparación de los datos.

o Calcula la tasa de crecimiento de la inversión y establece la correlación entre


este panel y el de la pobreza.
o Estima la variación de la pobreza y luego, mide el grado de asociación lineal
de esta variable con inversión.

BIBLIOGRAFÍA

DANE. (2005). MUESTRA MENSUAL MANUFACTURERA. BOGOTA.


DANE. (s.f.). DANE informacion para todos. Obtenido de
https://www.dane.gov.co/index.php/estadisticas-por-tema
Gujarati, D. N. (2009). Econometria . Mexico: McGRAW-HILL/INTERAMERICANA
EDITORES, S.A. DE C.V.
Jaume, M. J. (2001). Analisis de regresion multiple. España: Universidad de Alicante.
Servicio de Publicaciones.
Morales Alquicira, A., & Rendon Trejo, A. (2001). Modelos econométricos para
analizar el impacto de variables económicas en la competitividad de la
industria del calzado. Politica y Cultura.
Wooldridge, J. M. (2010). Introduccion a la econometria un enfoque moderno.
MEXICO: Cengage learning.

También podría gustarte