Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 54 vistas

    Econometria Examen Parcial II-figueroa Chavez

    Cargado por

    Elizabeth Milagros Figueroa Chavez
    Este documento presenta los resultados de un modelo de regresión múltiple donde la variable dependiente es la producción y las variables independientes son el capital y el trabajo. El resumen más relevante de los resultados son: 1) Los estimadores del capital y el trabajo son estadísticamente significativos; 2) El R-cuadrado es alto pero el R-cuadrado ajustado es más bajo, lo que indica que el modelo no es muy confiable; 3) La prueba de hipótesis para la constante no es significativa.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Econometria Examen Parcial II-figueroa Chavez

    Cargado por

    Elizabeth Milagros Figueroa Chavez
    54 vistas5 páginas
    Este documento presenta los resultados de un modelo de regresión múltiple donde la variable dependiente es la producción y las variables independientes son el capital y el trabajo. El resumen más relevante de los resultados son: 1) Los estimadores del capital y el trabajo son estadísticamente significativos; 2) El R-cuadrado es alto pero el R-cuadrado ajustado es más bajo, lo que indica que el modelo no es muy confiable; 3) La prueba de hipótesis para la constante no es significativa.

    Descripción original:

    Curso econometria

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta los resultados de un modelo de regresión múltiple donde la variable dependiente es la producción y las variables independientes son el capital y el trabajo. El resumen más relevante de los resultados son: 1) Los estimadores del capital y el trabajo son estadísticamente significativos; 2) El R-cuadrado es alto pero el R-cuadrado ajustado es más bajo, lo que indica que el modelo no es muy confiable; 3) La prueba de hipótesis para la constante no es significativa.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    54 vistas5 páginas

    Econometria Examen Parcial II-figueroa Chavez

    Cargado por

    Elizabeth Milagros Figueroa Chavez
    Este documento presenta los resultados de un modelo de regresión múltiple donde la variable dependiente es la producción y las variables independientes son el capital y el trabajo. El resumen más relevante de los resultados son: 1) Los estimadores del capital y el trabajo son estadísticamente significativos; 2) El R-cuadrado es alto pero el R-cuadrado ajustado es más bajo, lo que indica que el modelo no es muy confiable; 3) La prueba de hipótesis para la constante no es significativa.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    de 5

    ECONOMETRIA EXAMEN PARCIAL II

    NOMBRES :Figueroa chavez elizabeth


    Datos:

    Factor Factor Factor


    Produccion Capital Trabajo Trabajo 1
    3267636 1493.8 2923424 1526.8
    3664620 1549.1 3138054 1582.1
    4106758 1637.6 3364006 1670.6
    4592483 1727.6 4672090 1760.6
    5250695 1848.6 6413699 1881.6
    6074133 1963.5 8526639 1996.5
    6887865 2036.2 10744840 2069.2
    7848365 2070.8 12597039 2103.8
    8168404 2065.4 14444432 2098.4
    8392581 2055.4 16260040 2088.4
    8972103 2093.78 17962362 2126.78
    9420052 2107.615 19226538 2140.615

    1.
    Estime el modelo de acuerdo a la data proporcionada. Calcular e interpretar los
    estimadores. (4 puntos)
    2. Interprete: coeficiente de determinación, coeficiente de determinación ajustado y
    criterio de Akaike. (4 puntos)
    3. Calcular e interpretar las pruebas de hipótesis individual. (4 puntos)
    4. Calcular e interpretar los intervalos de confianza al 95%. (4 puntos)
    5. Interprete la matriz de coeficientes de correlación. (4 puntos)

    Modelo 3: MCO, usando las observaciones 1-12


    Variable dependiente: Produccion

    Coeficiente Desv. Típica Estadístico t valor p


    const −1.83251e+0 725182 −2.527 0.0324 **
    6
    FactorCapital 2999.24 466.939 6.423 0.0001 ***
    FactorTrabajo 0.255294 0.0176614 14.45 <0.0001 ***

    Media de la vble. dep. 6387141 D.T. de la vble. dep. 2182889


    Suma de cuad. residuos 1.93e+11 D.T. de la regresión 146275.2
    R-cuadrado 0.996326 R-cuadrado corregido 0.995510
    F(2, 9) 1220.355 Valor p (de F) 1.10e-11
    Log-verosimilitud −158.0201 Criterio de Akaike 322.0402
    Criterio de Schwarz 323.4949 Crit. de Hannan-Quinn 321.5016
    Interpretación: Los Estimadores Relevantes Serian el Logaritmo del pbi_per y el Logaritmo del
    pbi_per1 por que son menores a Alpha, sin embargo, la constante también presenta algunos
    puntos de significancia que podrían contribuir al Modelo Log-Log

    2.-Interprete: coeficiente de determinación, coeficiente de determinación ajustado,


    criterio akaike (4 puntos)

    Modelo 3: MCO, usando las observaciones 1-12


    Variable dependiente: Produccion

    Coeficiente Desv. Típica Estadístico t valor p


    const −1.83251e+0 725182 −2.527 0.0324 **
    6
    FactorCapital 2999.24 466.939 6.423 0.0001 ***
    FactorTrabajo 0.255294 0.0176614 14.45 <0.0001 ***

    Media de la vble. dep. 6387141 D.T. de la vble. dep. 2182889


    Suma de cuad. residuos 1.93e+11 D.T. de la regresión 146275.2
    R-cuadrado 0.996326 R-cuadrado corregido 0.995510
    F(2, 9) 1220.355 Valor p (de F) 1.10e-11
    Log-verosimilitud −158.0201 Criterio de Akaike 322.0402
    Criterio de Schwarz 323.4949 Crit. de Hannan-Quinn 321.5016

    Por otro lado, el R-Cuadrado no indica que este modelo no es muy confiable ya que esta
    emuy lejos, en cuanto al R-Cuadrado corregido se aleja más de la unidad por ello nos
    indica que no es un modelo confiable para analizar
    Valores críticos al 5% del estadístico de Durbin-Watson, n = 18, k = 3

    dL = 0.9331

    dU = 1.6961

    El Akaike Información Criterio: Akaike info criterion El Akaike Inromation Criterio, o AIC, es
    una guía a la selección del número de condiciones en una ecuación. Es basado en la suma de
    residuos cuadrados pero lugares una multa en los coeficientes extras. Bajo ciertas condiciones,
    usted puede escoger la longitud de una distribución de retraso, por ejemplo, escogiendo la
    especificación con el valor más bajo del AIC. El Criterio de Schwarz: Schwarz criterion El
    criterio de Schwarz es una alternativa al AIC con básicamente la misma interpretación pero una
    multa más grande para los coeficientes extras
    La log-verosimilitud es la expresión que Minitab maximiza para determinar los valores
    óptimos de los coeficientes estimados (β).
    Los valores de log-verosimilitud no se pueden utilizar por sí solos como un índice de ajuste,
    porque dependen del tamaño de la muestra, pero sí se pueden utilizar para comparar el ajuste de
    diferentes coeficientes. Como lo que se desea es maximizar la log-verosimilitud, el valor más
    alto es mejor. Por ejemplo, un valor de log-verosimilitud de -3 es mejor que -7.

    3.-Calcular e interpretar las pruebas de hipótesis individual. (4 puntos)

    1.Prueba de hipótesis:
    Restricción:
    b[const] = 1

    Estadístico de contraste: F(1, 14) = 4.47633, con valor p = 0.0527727


    Hay pruebas suficientes para acepta H0 (Hipótesis Nula)

    Prueba de hipótesis Una hipótesis estadística es un enunciado sobre los valores de algunos
    parámetros de la población hipotética de la cual se toma la muestra. Una prueba de hipótesis es
    un procedimiento que responde la pregunta si la diferencia observada entre el valor de la
    muestra y el valor de la población hipotético es verdadera o se debe a una variación aleatoria.
    La H0 se conoce como hipótesis nula. H1 se conoce hipótesis alternativa. La probabilidad de
    rechazar H0 cuando de hecho es verdadera, se conoce como nivel de significancia. Para probar
    si la diferencia observada entre los datos y lo que se espera según la hipótesis nula es real o se
    debe a una variación aleatoria se utiliza una estadística de prueba. Para nuestro caso
    trabajaremos con las estadísticas de prueba con su distribución normal, chi cuadrado, t y F. El
    nivel de significancia observado o valor P es la probabilidad de obtener un valor en la
    estadística de prueba que sea tan extremo o más que el valor observado en la propia estadística
    de prueba. Esta probabilidad se calcula sobre la base de que una hipótesis nula es verdadera.
    4.-Calcular e interpretar los intervalos de confianza al 95%. (4 puntos)

    Estimaciones restringidas:

    variable coeficiente Desv. típica Estadístico t valor p


    ----------------------------------------------------------------
    const 1.00000 0.000000 NA NA
    l_pbi_per −55.9096 28.1021 −1.990 0.0652 *
    l_dioxido_per 0.181400 0.464379 0.3906 0.7016
    l_pbi_per1 56.4165 28.2288 1.999 0.0641 *

    Desviación típica de la regresión = 0.0970686

    t(9, 0.025) = 2.262

    Variable Coeficiente Intervalo de confianza 95


    const -1.83251e+006 (-3.47299e+006, -
    192036.)
    FactorCapital 2999.24 (1942.94,
    4055.53)
    FactorTrabajo 0.255294 (0.215341,
    0.295247)

    ^Produccion = -1.83e+06 + 3.00e+03*FactorCapital + 0.255*FactorTrabajo


    (7.25e+05) (467) (0.0177)

    n = 12, R-cuadrado = 0.996


    (Desviaciones típicas entre paréntesis)

    5.- Interprete la matriz de coeficientes de correlación. (4 puntos)

    Coeficientes de correlación, usando las observaciones 1 - 12


    Valor crítico al 5% (a dos colas) = 0.5760 para n = 12

    Produccion FactorCapita FactorTrabaj FactorTrabaj


    l o o1
    1.0000 0.9545 0.9897 0.9545 Produccion
    1.0000 0.9101 1.0000 FactorCapita
    l
    1.0000 0.9101 FactorTrabaj
    o
    1.0000 FactorTrabaj
    o1

    muestra una lista multivariable y la misma lista verticalmente y con el correspondiente


    coeficiente de correlación llamado r

    El test, que está empleando un coeficiente de correlación o asociación, no es inferencial o


    predictor, ya que es no-paramétrico o libre de probabilidad, y es descriptivo, no causal. Un test
    del nivel significativo de los coeficientes de correlación valida la prueba.

    También podría gustarte