Análisis de Regresión en EViews

Para tener mayor claridad en el manejo de Eviews se mostrará un modelo en

base al precio de muebles en Bolivia.
MODELO ECONÓMICO
Modelo econométrico explicativo de la función precio a nivel nacional. El
tamaño de la muestra de estudio es de 200.
VARIABLE CONSIDERADA PARA ESTE MODELO
Se incluyen en el modelo como variable explicativa:
 Cantidad: Se considera esta variable como un determinante ya que la
cantidad de muebles que los hogares y las empresas compran tiene una
evidente y estrecha relación con el precio de los muebles. Se espera
que esta variable la cual denominaremos “c” presente una relación
positiva con la variable endógena.
Para incorporar esta variable en el modelo, se requiere de un análisis de
regresión múltiple por medio de M.C.O.
Estimación y Resultados
Antes de realizar la estimación e interpretar los resultados, se deben seguir los
siguientes pasos ilustrados que muestran el proceso.
1. Importar series e ingresar datos

Es necesario crear primero las series para luego copiar de Excel y

finalmente pegarlas en EViews. Debe tenerse en cuenta que EViews y
Excel deben tener el mismo separador de decimales. De no ser así, los
números pegados en EViews pueden ser distintos a los originales.
Mínimos Cuadrados Ordinarios:
Estimación de Parámetros
Los parámetros a estimar son:
STD.Error: Error estándar de los coeficientes estimar.
t-Statistic: Valor del estadístico t, bajo la hipótesis individual que las variables
(H0: βi =0).Con t-k grados de libertad, Indica que la variable contribuye a
explicar la variable endógena.
Prob: Si los Valores son superiores al 5% (α=5%) no se rechaza la hipótesis
(significativa la variable) nula y la variable exógena sirve para explicar el
modelo.
R squared: Es el R cuadrado de la ecuación y representa el porcentaje de la
variabilidad de la variable dependiente explicad por la variable independiente.
Adjusted R-squared: Permite medir el incremento neto de R cuadrado,
cuando se incluye un nuevo regresor.
Durbin-Watson stat: Sirve para contrastar la hipótesis de incorrelación entre
perturbaciones aleatorias frente a la presencia de autocorrelación.
Mean depent var: Representa la media la variable dependiente.
S.D depent var: Representa la cuasidesviación típica de la muestra.
F-statistic: Es el estadístico que esta asociado a la hipótesis conjunta de que
los parámetros asociados son iguales a cero ( excepto el intercepto). H0 : β1
=β2 =β3 =βi
Prob(F-statistic): Mide la probabilidad de cometer el erro tipo I . Se calcula con
la distribución F de Snedecor Fk-1;T-k.
Criterios de Información: Son el Akaike info criterion y Schwarz criterion,
estos criterios nos dan información de la capacidad explicativa del modelo y
permite realizar comparaciones de los modelos analizados.

Para estimar la ecuación del modelo de consumo que estamos trabajando,

damos clic sobre la barra de comandos introducimos el método que
utilizaremos, en este caso, LS y los nombres de las variables separadas por un
espacio luego las exógenas o explicativas y el método por el cual deseamos
hacer la estimación. De la siguiente manera: “ls p c q”

Presionar OK al finalizar, para que EViews presente el resultado de la

regresión.
Eviews genera una tabla de resultados con los coeficientes (Beta) para cada
una de las variables explicativas, además del error estándar, el estadístico T y
otros estadísticos que permiten analizar la viabilidad de modelo.
Análisis individual de las variables: El modelo estimado se resume con la
siguiente expresión:
𝑃 = −1.301166𝑞 + 1312.005
Dicho resultado nos dice:
Como la variable dependiente es P, la constante toma el valor 1312.005 y ante
un incremento de 1 mueble, el PRECIO se ve reducida en 1.
En relación con la significancia estadística: En principio debemos especificar un
valor de referencia respecto del estadístico de tabla a un 95% de confiabilidad.
Para ello se considerará: 𝑇𝑡𝑎𝑏𝑙𝑎 95% = 2 .Luego, todo valor del estadístico T-
student estimado en la regresión que supere a 2 en valor absoluto, implicará el
caer fuera del área de aceptación de la hipótesis nula, hecho que nos
conllevará a rechazar dicha hipótesis con un porcentaje de error del 5%.
Respecto de la variable explicativa “CANTIDAD-q”, verificamos que: Estadístico
T-student = -26.70606. En términos absolutos: 26.70606>𝑇𝑡𝑎𝑏𝑙𝑎 95% .
Adicionalmente, Probabilidad de error asociada = 0.0000 < 0.05 Ambos
indicadores nos llevan a rechazar la hipótesis nula y aceptar en su defecto la
hipótesis alternativa, es decir, aceptamos la hipótesis de significancia individual
de la variable. Considerando la metodología de estimación de la variable
endógena, el resultado obtenido era esperado.
Test de Normalidad
Uno de los problema más frecuentes al trabajar con variables es saber si tiene
distribución Normal. Pues no se puede aplicar los Test estadísticos si la
población no es normal, en ese caso se trabajaría con pruebas no paramétricas
o se puede graficara las variables para tener una idea de la forma y de esta
manera poder hacer las transformaciones del caso para que tengan una
distribución normal.
A continuación realizaremos un par de pruebas consideradas las mas
eficientes, estas son:
Test de Jarque – Bera
Los pasos para realizar este test son:
Se debe abrir View/ Residual diagnostics & Histogram- Normality test como se
muestra a continuación

Eviews desplazará el siguiente resultado:

Análisis individual
 El test JARQUE BERA es de 13.54232 que es mayor a 6 por lo que se
rechaza la hipótesis nula
 Existe una baja probabilidad de 0.001146 (menor a 5%) de rechazar la
hipótesis nula

Autocorrelación
Como puede verse el estadístico Durbin-Watson es 0.005405, un valor inferior
a 1.75 y por lo tanto estamos en presencia de autocorrelación negativa.
Otra forma de determinar si existe autocorrelación es ver el gráfico de los
residuos a lo largo del tiempo. Si errores positivos son seguidos de errores
positivos y errores negativos por errores de igual signo, entonces estamos en
presencia de autocorrelación negativa, este resultado es justificable, pese a
que se trabaja con datos económicos(se debería esperar una autocorrelacion
positiva) los datos son hipotéticos. Para ello se debe presionar: View y luego
seleccionar Actual Fitted Residual / Residual Graph.
Finalmente se puede ver el correlograma, para lo cual debe presionarse view y
a continuación seleccionar Residual diagnostic / Correlogram - Q Statistics

Solución al problema de la autocorrelación:

En caso de que el los errores sigan un proceso autorregresivo de orden 1, la
estimación puede ser mejorada incluyendo este término en la ecuación, como
se muestra en el siguiente grafico:
Como puede verse en el siguiente cuadro, el termino autorregresivo es
significativo y el estadístico DW está más próximo a 2.

También es posible ver la mejora en forma gráfica:

Heterocedasticidad
Para el análisis de Heterocedasticidad del modelo comúnmente se utiliza la
prueba de White, para ejecutarla en Eviews basta con utilizar la ficha View en
la ventana de regresión Residual Test-White Heteroskedasticity, esta se
puede hacer cruzada o no cruzada dependiendo del número de observaciones
en análisis,

Obteniendo así una serie de test para realizar, para nuestro análisis
utilizaremos el test de White.
Los resultados obtenidos en el ejemplo son los siguientes:
Con una probabilidad de 0.0000 (Prob. Chi-Square(5)) se rechaza la hipótesis
nula, por lo tanto existe heterocedasticidad.
Soluciones al problema de la heterocedasticidad:
Una solución muy simple al problema es correr la regresión entre el logaritmo
de la variable dependiente y las variables explicativas. Pero esto no siempre da
resultados o en otros casos, esta nueva ecuación no tiene interpretación
económica.
Para Realizar esto, seleccionar Quick/Estimate equation insertar la ecuación
consumo c ingreso tal como se haría con MCO pero presionar Options,
Marcar la opción weighted LS / TSLS y poner en weight la variable que se
piensa que causa la heterocedasticidad.
Los resultados de la regresión se presentan en el siguiente Cuadro:

Si se corre nuevamente el test de white, se notará la diferencia: