Beruflich Dokumente
Kultur Dokumente
EVIEWS – STATA
PRESENTADO POR:
LA TORRE ROJAS, JOYCE
MEDINA QUISPE, FLOR
VILCAS MAMANI, SHEYLA
Huancayo – Perú
2019
Contenido
TRABAJO CONSOLIDADO N° 02 - INFORMÁTICA PARA ECONOMISTAS .................... 3
PARTE I. E VIEWS ...................................................................................................................... 3
1. Metodología de Engle – Granger ..................................................................................... 3
2. Probar la teoría de la paridad descubierta de tasas de interés. .................................... 4
PARTE II. STATA ...................................................................................................................... 10
Trabajo Consolidado N° 02 - Informática para Economistas ..................................................... 16
ANEXO ............................................................................................Error! Bookmark not defined.
Anexo 1: Análisis de dispersión ...................................................Error! Bookmark not defined.
Anexo 2: Diagrama de caja de años de educación, experiencia y experiencia2 Error! Bookmark
not defined.
Anexo 3: Distribución normal de años de educación, experiencia y experiencia2 .............Error!
Bookmark not defined.
Anexo 4: Distribución Kernel de años de educación, experiencia y experiencia2..............Error!
Bookmark not defined.
TRABAJO CONSOLIDADO N° 02 -
INFORMÁTICA PARA ECONOMISTAS
PARTE I. E VIEWS
1. Metodología de Engle – Granger
Se está trabajando con frecuencia diaria con la acción de Facebook y el índice de
Nasdaq.
Tabla N° 1
Tabla N° 2
Tabla N° 3
Se puede observar que no existe relación entre cada una de las variables.
Tabla N° 5
Vector Error Correction Estimates
Date: 07/01/19 Time: 00:00
Sample (adjusted): 4 189
Included observations: 186 after adjustments
Standard errors in ( ) & t-statistics in [ ]
LTR(-1) 1.000000
LTFF(-1) -0.177519
(0.06313)
[-2.81188]
LTCN(-1) 2.453959
(1.00860)
[ 2.43302]
@TREND(1) -0.000422
(0.00133)
[-0.31712]
C -4.077758
Tabla N° 6
Tabla N° 7
1. ¿Cuántas variables tiene el archivo? ¿Todas las variables son reconocidas por
Stata?, en caso negativo señale la(s) variable(s) que no son reconocidas.
La variable edad está agrupada en 17 intervalos o categorías (17 obs) que van desde
los niños menores de 5 años, hasta los adultos mayores de 80 - 84 años de edad.
Media: 1.22e+07
Desviación estándar: 3790714
5. Calcule los percentiles 25%, 50%, 75% de las variables indian y island.
Percentil:
25% = 67, 189
50% = 186, 072
75% = 202, 013
Percentil:
25% = 10,142
50% = 28, 760
75% = 35, 224
Sesgo: - 0.4705746
Curtosis: 1.637563
7. Generar una variable dif que sea diferencia entre las variables white y dos veces
black. Calcule la media y desviación estándar de la variable dif.
Media: 8176019
Desviación estándar: 2231560
Media: 385881
Desviación estándar: 59014.91
10. Calcule la media y la desviación estándar del total de la población para edades hasta
34 años y realice un gráfico de líneas que muestre la población de Indian.
Figura N° 1
VER ANEXO 2
Al interpretar el modelo estimado vemos que por una unidad porcentual incrementada
en el ingreso la educación se incrementa en 0.0857567% el salario. Por otro lado un
incremento en una unidad a la experienciasq tendrá a disminuir el salario en
0.0004661%. Aunque este impacto sea negativo no es muy significativo.
Todos los coeficiente son diferentes de cero ya que el p value <5%
El coeficiente de correlación al cuadrado(𝑅 2 ) este ubica entre 0 ≤ 𝑅 2 ≤ 1
P value = 0 <5%, por lo cual se rechaza.
Se puede observar que la var. exper (beta=0.4012488) es más importante para
explicar lwage. La variable beta indica que la variable es más significativa en la
regresión, para la ecuacion “lwage”.
También se puede observar la correlación −1 ≤ 𝑝 ≤ 1
Ƿ = 0 No hay correlación
Ƿ = 1 Alta correlación positiva
Ƿ = -1 Alta correlación negativa
VER ANEXO 5
Homocedasticidad
En el estadístico hettest (Breusch Pagan), se observa que el Prob > chi2 =0.0000, lo
que nos indica que es menor a 5%, entonces se rechaza la hipótesis nula, donde la
varianza de los residuo9s es constante.
En test de “estat imtest, white”, se acepta la hipótesis nula ya que el
Prob>chi2=0.1040 es mayor a 5%. La varianza de los residuos es constante.
En el grafico “scatter r, y” se puede corroborar que los residuos si tienen varianza
constante.
VER ANEXO 7
Multicolineidad
En el estadístico “vif” se observa que si existe multicolineidad ya que los valores del
vif ≥ 10.
VER ANEXO 8
Autocorrelación de residuos
Para la autocorrelación de residuos se realiza el test de Durbin Watson.
VER ANEXO 9
VER ANEXO 5
VER ANEXO 10
Normalidad
La distribución no es normal ya que en el test “sfrancia resid” el p-value <5%, por lo
que se rechaza a hipótesis nula de que los errores se destruyen con una normal.
Se realiza el test “sfrancia resid” ya que se usa una muestra grande, donde 𝑛 ≥ 100.
Se tiene que tener en cuenta también que el modelo es solo para la población
femenina.
Este concluye que es menos seguro usar gráficas, ya que el test es lejano al nivel de
significancia 5%.
VER ANEXO 11
Homocedasticidad
En el estadístico hettest (Breusch Pagan), se observa que el Prob > chi2 =0.0028, lo
que nos indica que es menor a 5%, entonces se rechaza la hipótesis nula, donde la
varianza de los residuos es constante.
En test de “estat imtest, white”, se acepta la hipótesis nula ya que el
Prob>chi2=0.5743 es mayor a 5%. La varianza de los residuos es constante.
En el grafico “scatter r, y” se puede corroborar que los residuos si tienen varianza
constante.
VER ANEXO 12
Multicolineidad
En el estadístico “vif” se observa que si existe multicolineidad ya que los valores del
vif ≥ 10.
VER ANEXO 13
Autocorrelación de residuos
Para la autocorrelación de residuos se realiza el test de Durbin Watson.
VER ANEXO 14
h) Comparar los parámetros del modelo estimado (corregido si amerita) de d) y f), que puede
concluir.
Ante la estimación de ambos modelo de “lwage”, pero uno con la diferencia de que
cuenta con un condicional que se aplica solo para lo población femenina, se puede
concluir que en ambos modelos la variable “”educ” tiene un impacto más positivo y
significativo, mientras que la variable “expersq” tiene un impacto negativo y no es
significativo.
En la prueba de Normalidad a ambos modelos, se observa que los errores no se
destruyen con una normal y que es menos seguro usar gráficos.
Realizando las pruebas de homocedasticidad se concluye que en ambos modelos
estimados existen residuos que tienen varianzas constantes.
Finalmente, al realizar una prueba de multicolineidad, se encuentra que en ambos
modelos los valores de “expersq” y “exper” el estadístico vif ≥ 10. Ante este
resultado se procedió a resolver este problema mediante la creación de nuevas
variables lo cual nos permitió corregir los problemas de multicolineidad.
ANEXO
Anexo 1: Análisis de dispersión
El gráfico de dispersión muestra una leve relación positiva entre la variable años de
educación e ingresos salariales.
A mayores años de educación, mayores serán los ingresos percibidos en el futuro.
El gráfico de dispersión no muestra una clara relación entre la variable experiencia e
ingresos salariales.
Años de edad
El rango de la variable educación es 8 y va desde [9, 17]
La media es 17, por tanto, el promedio de años de educación del conjunto de datos es
12.
Figura N° 3
Experiencia
Figura N° 4
Experiencia^2
Figura N° 5
Hay evidencia para afirmar que la distribución no se ajusta a una curva de
distribución normal.
Media ≠ moda
No es simétrica respecto a la media.
Figura N° 6
Fuente: Elaboración propia
Hay evidencia para afirmar que la distribución no se ajusta a una curva de distribución
normal.
Media ≠ moda
No es simétrica respecto a la media.
Figura N° 7
Figura N° 8
Fuente: Elaboración propia
Figura N° 9
Figura N° 10
Figura N° 11
Fuente: Elaboración propia
Figura N° 12
Figura N° 13
Fuente: Elaboración propia
Figura N° 14
Figura N° 16
Figura N° 17
Fuente: Elaboración propia
Figura N° 18
Figura N° 19
Anexo 10: Estimación de la ecuación de MINCER, pero solo para la población femenina
Figura N° 20
Fuente: Elaboración propia
Figura N° 21
Fuente: Elaboración propia
Figura N° 22
Figura N° 23
Fuente: Elaboración propia
Figura N° 24
Figura N° 25
Fuente: Elaboración propia
Figura N° 26
Figura N° 28