TALLER REGRESION MULTIPLE

PRESENTADO POR:

PAULA ANDREA MOSQUERA YATE ID. 503712

ALEXANDRA GOMEZ BAICUE ID. 517197
JOSE EDUARD SALAZAR MURCIA ID. 504370

DOCENTE:
ANA CATALINA GONZALEZ SUAREZ

CORPORACION UNIVERSITARIA MINUTO DE DIOS

ADMINISTRACION FINANCIERA NRC 8809
NEIVA HUILA
2019
 TABLA DE CONTENIDO

1. INTRODUCCION-------------------------------------------------------------3
2. OBJETIVO GENERAL-------------------------------------------------------4
3. OBJETIVOS ESPECIFICOS-------------------------------------------------4
4. TALLER REGRESION MULTIPLE----------------------------------------5
5. CONCLUSION-----------------------------------------------------------------12
6. BIBLIOGRAFIA---------------------------------------------------------------13
 INTRODUCCION

Al aplicar el análisis de regresión múltiple lo más frecuente es que tanto la variable

dependiente como las independientes sean variables continúas medidas en escala de
intervalo o razón.
No obstante, caben otras posibilidades: también podremos aplicar este análisis cuando
relacionamos unas variables categóricas; o bien, también aplicaremos el análisis de
regresión lineal múltiple en el caso de que relacionemos una variable dependiente nominal
con un conjunto de variables continuas
 OBJETIVO GENERAL

Desarrollar la actividad 8 de la asignatura econometría sobre regresión múltiple, teniendo

como base la teoría del libro guía de Guarati y aplicar estos conceptos en el programa
planteado por la docente para esta asignatura gretl.

OBJETIVOS ESPECIFICOS

Organizar los contenidos dados para esta actividad por la docente en el programa planteado
para la formulación de las tablas de análisis.

Realizar el análisis correspondiente a cada uno de los puntos en desarrollo de lo formulado

por el programa gretl.

Realizar consultas sobre el tema específico en el libro guía de Guarati y en páginas de

internet para complementar el análisis de los diferentes puntos.
TALLER DE REGRESION MULTIPLE

A partir de las bases de datos de Guarati que descargo de Gretl, desarrolle los siguientes
ejercicios organice sus respuestas en un único archivo Word, siguiendo el orden de las
preguntas.

1. Con el archivo Table_11.7. gdt del fichero de datos Gujarati desarrolle

ejercicio 11.15 (partes a,b,c y d) del libro base econometría (pag. 405).

La tabla 11.7 proporciona datos sobre 81 automóviles respecto de su MPG (millas

promedio por galón), CF (caballos de fuerza de su motor), VOL (pies cúbicos de su cabina),
VM (velocidad máxima en millas por hora) y su PS (peso del vehículo en cientos de lb).

Modelo 1: MCO, usando las observaciones 1-81

Variable dependiente: MPG

Coeficiente Desv. Típica Estadístico t valor p

const 189,960 22,5288 8,432 <0,0001 ***
SP −1,27170 0,233117 −5,455 <0,0001 ***
HP 0,390433 0,0762458 5,121 <0,0001 ***
WT −1,90327 0,185516 −10,26 <0,0001 ***

Media de la vble. dep. 33,83457 D.T. de la vble. dep. 10,05541

Suma de cuad. residuos 947,4985 D.T. de la regresión 3,507873
R-cuadrado 0,882864 R-cuadrado corregido 0,878301
F(3, 77) 193,4526 Valor p (de F) 9,28e-36
Log-verosimilitud −214,5388 Criterio de Akaike 437,0775
 Criterio de Schwarz 446,6553 Crit. de Hannan-Quinn 440,9203

A. Considere el siguiente modelo:

MPGi = β1 + β2VMi + β3CFi +β4PSi + ui

MPGi= 189,96 - 1,27 SP + 0,390 HP - 1,903 WT + Ui

Estime los parámetros de este modelo e interprete los resultados. Desde el punto de
vista económico, ¿tiene sentido?
 Al darse incrementos unitarios en la velocidad máxima, se estima que las
millas promedio por galón; disminuirán en -1,27170 millas por galón quedando los
demás constantes. Existe una relación Inversa.
 Se generan incrementos en los caballos de fuerza de motor es así como se
estima que las millas promedio por galón se incrementa en unas 0,390433 millas por
galón quedando las demás constante. Existe una relación directa.
 En los incrementos unitarios en el peso de vehículo cientos de libras se
estima que las millas promedio por galón se disminuye en -1,90327 por cada milla
de galón. Por lo tanto, es una relación Directa.
 Es decir, que aun que el modelo muestra unas variables significativas (Valor
p***); y su R2 se acerca a 1. Por tanto, este modelo no tiene sentido.

B. ¿Esperaría que la varianza del error en el modelo anterior sea

heteroscedástica? ¿Por
qué?
En este caso si se espera un error en el modelo con respecto a la varianza, si sea
heteroscedástica porque se están utilizando datos de corte transversal: es decir, cuando la
varianza de los errores no es constante, no cumple el supuesto.
Grafique los residuos contra cada variable.
 C. Con la prueba de White determine si la varianza de error es heteroscedástica.

Contraste de heterocedasticidad de White

MCO, usando las observaciones 1-81
Variable dependiente: uhat^2

Coeficiente Desv. típica Estadístico t valor p

-----------------------------------------------------------------------------------------
const 14917,1 6792,80 2,196 0,0314 **
SP −284,880 140,533 −2,027 0,0464 **
HP 95,5313 47,1037 2,028 0,0463 **
WT −264,152 108,039 −2,445 0,0170 **
sq_SP 1,35594 0,725408 1,869 0,0657 *
X2_X3 −0,893405 0,480181 −1,861 0,0669 *
X2_X4 2,47544 1,11152 2,227 0,0291 **
sq_HP 0,147255 0,0797558 1,846 0,0690 *
X3_X4 −0,857912 0,378021 −2,269 0,0263 **
sq_WT 1,26443 0,468496 2,699 0,0087 ***

R-cuadrado = 0,464891

Estadístico de contraste: TR^2 = 37,656183,

con valor p = P(Chi-cuadrado(9) > 37,656183) = 0,000020

MPGi = 14917,1 – 284,880SP + 95,5313HP - 264,1WT+U

H0= No son homocedasticos – Hipótesis Nula

H1= Si hay heterocedasticidad – Hipótesis Alternativa

Revisamos el p valor; por lo tanto, se rechaza H0 hipótesis nula y H1 podemos decir que si
hay heteroscedasticidad.
Este contraste se utiliza con el fin de determinar si realmente se encuentra los problemas de
heteroscedasticidad; lo que significa que la H0 - hipótesis Nula: No hay heteroscedasticidad
y en la H1 – Hipótesis alternativa, se observa que, si hay Heteroscedasticidad, por lo tanto,
al revisar el p valor es muy pequeño, esto quiere decir que existe heteroscedasticidad, de
esta manera rechazamos la H0 Hipótesis Nula y tomamos la H1 hipótesis Alternativa.
 D. Obtenga los errores estándar de White consistentes con la
heteroscedasticidad, así como los valores t, y compare los resultados con los
obtenidos mediante MCO.

Modelo 1: MCO, usando las observaciones 1-81

Variable dependiente: MPG

Coeficiente Desv. Típica Estadístico t valor p

const 189,960 22,5288 8,432 <0,0001 ***
SP −1,27170 0,233117 −5,455 <0,0001 ***
HP 0,390433 0,0762458 5,121 <0,0001 ***
WT −1,90327 0,185516 −10,26 <0,0001 ***

Media de la vble. dep. 33,83457 D.T. de la vble. dep. 10,05541

Suma de cuad. residuos 947,4985 D.T. de la regresión 3,507873
R-cuadrado 0,882864 R-cuadrado corregido 0,878301
F(3, 77) 193,4526 Valor p (de F) 9,28e-36
Log-verosimilitud −214,5388 Criterio de Akaike 437,0775
Criterio de Schwarz 446,6553 Crit. de Hannan-Quinn 440,9203

Modelo 2: MCO, usando las observaciones 1-81

Variable dependiente: MPG
Desviaciones típicas robustas ante heterocedasticidad, variante HC1

Coeficiente Desv. Típica Estadístico t valor p

const 189,960 33,9060 5,603 <0,0001 ***
SP −1,27170 0,336039 −3,784 0,0003 ***
HP 0,390433 0,108781 3,589 0,0006 ***
WT −1,90327 0,285077 −6,676 <0,0001 ***

Media de la vble. dep. 33,83457 D.T. de la vble. dep. 10,05541

Suma de cuad. residuos 947,4985 D.T. de la regresión 3,507873
R-cuadrado 0,882864 R-cuadrado corregido 0,878301
F(3, 77) 240,6924 Valor p (de F) 5,11e-39
Log-verosimilitud −214,5388 Criterio de Akaike 437,0775
Criterio de Schwarz 446,6553 Crit. de Hannan-Quinn 440,9203
HC1: Se observa con este modelo corregido que los coeficientes no cambian, pero el
estadístico si cambia (Estadístico t), corrige los errores y los t mejoran, el R2 no cambia.
El valor p conjunto modifica; se hace más pequeño y se minimizó los errores. Por lo tanto,
podemos decir que, este modelo HC1 lo que hace es minimizar los errores y modificar la
varianza para que el modelo sea mucho más significativo.
Durbin – Watson es un test de contraste que permite revisar la autocorrelación; esta
determina que cuando está lejos de 2, se identifica que es muy pequeño, determinado por el
modelo de White que dice que existe heteroscedasticidad porque su p valor es tan pequeño
frente a los niveles de significancia, realmente no significa lo que se quiere por lo que es
tan pequeño que se tiene que rechazar.
Durbin – Watson nos da otra variable que nos determina que hay autocorrelación y si
modelo presenta estos contrastes, también va a dar un valor pequeño que está muy lejos de
2 donde existe una autocorrelación y heteroscedasticidad, comprobando que este modelo no
tiene sentido; por ser un modelo que tiene variables muy directas y otras que van en contra,
lo que realmente no representa la significancia que es.

2. Actividad de exploración. Reciben el nombre de “pozos de exploración”

los que se perforan para encontrar y producir petróleo o gas natural en una
zona mejorada, o para encontrar una nueva reserva en un yacimiento donde
antes se encontró petróleo o gas natural, o para extender el límite de una
reserva de petróleo o gas conocida.
La tabla 7.7 contiene datos sobre estas variables:*
Y = número de pozos de exploración perforados
X2 = precio en la cabeza del pozo en el periodo anterior (en dólares constantes, 1972=100)
X3 = producción interna
X4 = PNB en dólares constantes (1972 = 100)
X5 = variable de tendencia, 1948 = 1, 1949 = 2,…, 1978 = 31

 Vea si el siguiente modelo se ajusta a los datos:

Modelo 1: MCO, usando las observaciones 1948-1978 (T = 31)

Variable dependiente: Y

Coeficiente Desv. Típica Estadístico t valor p

const −9,85460 8,89520 −1,108 0,2781
 X2 2,70101 0,695769 3,882 0,0006 ***
X3 3,05961 0,937314 3,264 0,0031 ***
X4 −0,0160601 0,00817883 −1,964 0,0604 *
X5 −0,0227015 0,272306 −0,08337 0,9342

Media de la vble. dep. 10,64613 D.T. de la vble. dep. 2,351515

Suma de cuad. residuos 69,61077 D.T. de la regresión 1,636257
R-cuadrado 0,580377 R-cuadrado corregido 0,515819
F(4, 26) 8,990085 Valor p (de F) 0,000107
Log-verosimilitud −56,52554 Criterio de Akaike 123,0511
Criterio de Schwarz 130,2210 Crit. de Hannan-Quinn 125,3883
rho 0,393392 Durbin-Watson 0,933888

El R2 está muy alejado de 1, por lo tanto, en este modelo se debe hacer una inferencia,
realmente el modelo no esta tan cercano a 1, los niveles de significancia son buenos; sin
embargo, por lo menos el parámetro está inversamente proporcional.
En este modelo se observa muy afectado el R2; por lo que se requiere reajustar el modelo,
por lo que las variables no están siendo lineales y para esto se debe hacer una inferencia o
hallar una diferencia.
 Prueba si los residuos no presentan problemas de autocorrelación. Ayuda:
desde la pantalla de salida del modelo vaya a CONTRASTES / DURBIN-
WATSON. Muestre los resultados.
Estadístico de Durbin-Watson = 0,936182
valor p = 6,40543e-005
CONCLUSION
De acurdo a lo anterior y según la tabla 11.7 planteada en el primer ejercicio se concluye
que si se da un incremento en cada unidad en velocidad máxima se estima que las millas
promedio por galón disminuya generando esto una relación inversa entre las dos constantes,
pero si se genera un incremento en los caballos de fuerza del motor se estima que las millas
promedio por galón se incremente generando una relación directa.
Si hay un incremento unitario en el peso del vehículo en cientos de libras esto permite
estimar que las millas promedio por galón disminuyan en favorablemente por cada una de
ellas formado una relación directa entre el consumo de galón por milla y el incremento en
el peso del vehículo, pero en este ejercicio teniendo un R2 que se acerca demasiado a
1encontramos que es un modelo que no tiene sentido.
Del segundo punto del ejercicio anterior se concluye que rechaza la hipótesis nula y que
tiene heteroscedasticidad, ya que su P valor es muy pequeño.
De acuerdo al tercer punto se debe de encontrar los errores de White y se tiene que tener en
cuenta que la prueba de White permite detectar la heteroscedasticidad en los modelos de
regresión lineal, para este ejercicio el P valor se modifica se hace más pequeño
minimizando los errores y modificando la varianza para que este modelo se ha mas
significativo.
Y de la tabla 7.7 según lo planteado por Guarati para este ejercicio se infiere que en este
modelo el R2, se encuentra muy afectado, por lo que se debe de reajustar el modelo en
mención, ya que las variables no son lineales y para que tenga una linealidad se debe de
realizar o hallar una diferencia.
 BIBLIOGRAFIA

Gujarati, D. & Porter, D. (2010), Econometría. Mc Graw Hill, (Quinta Edición).

Introducción a la econometría (pp.224) México. Recuperado de
https://201915.aulasuniminuto.edu.co/mod/resource/view.php?id=175738