Beruflich Dokumente
Kultur Dokumente
EJERCICIO:
El conjunto de datos 2-3.w/l contiene información agregada relativa al consumo final de las familias
residentes Y>0 y la renta bruta disponible de las mismas (X) por comunidades autónomas para el
año 1991. Con vistas a una posible construcción de grandes superficies, un grupo empresarial quiere
conocer como se explica el consumo final de las familias en función de su renta bruta disponible.
Analizar el modelo salvando los posibles problemas de heteroscedasticidad.
Realizaremos en primer lugar el ajuste por mínimos cuadrados ordinarios de nuestro modelo
cargando el fichero 2-3.wf/ mediante file Open – Eviews Workfile… y eligiendo el fichero en la
ventana Open. Al pulsar abrir se carga en memoria el fichero. Para realizar el ajuste MCO. Se elige
Quick Estimate Equation, se escribe la ecuación del modelo a ajustar en el campo Equation
Specification de la solapa Specification, se elige Least Squares en el campo Method para ajustar por
mínimos cuadrados como lo muestra la figura.
Pero dado que estamos trabajando con datos de corte transversal siempre existe el peligro de la
heteroscedasticidad. Para detectar inicialmente la posible heteroscedasticidad realizamos el grafico
de residuos contra la única variable explicativa, que lógicamente seria la responsable de la posible
heteroscedasticidad. Para ello elegimos Quick Graph- Scatter como se indica en la siguiente figura.
Obtenemos la siguiente figura en la que se observa que los p-valores de la F y de los términos
cruzados son menores que 0,05 lo que nos lleva a aceptar formalmente la presencia de
heteroscedasticidad al 95%.
Adicionalmente podemos utilizar el contraste de Breuscli-Pagan, que se realiza obteniendo los
residuos del ajuste del modelo y considerando los cocientes gi entre los cuadrados de cada residuo
del modelo original (RESIDA2) y la estimación MV de la varianza del error (suma de los cuadrados de
los residuos/=1.08E+11/18= 6000000000, al realizar la regresión entre variables gi y las variables
culpables Z, (en nuestro caso solo la variable X) más la constante, la cantidad Q=SCE/2 se distribuye
según una Chi-cuadrado con p-1= ¡ grados de libertad bajo la hipótesis nula de homoscedasticidad.
SCE es la varianza explicada de la regresión anterior (suma de cuadrados explicados). Para realizar
esta regresión con Eviews, se elige Quick- Estimate Equation, se escribe la ecuación del modelo a
ajustar en el campo Equation Specification de la solapa Specification, se elige Least Squares en el
campo Method para ajustar por mínimos cuadrados como lo muestra la siguiente figura.
Se hace clic en Aceptar y se obtienen los resultados que muestran la siguiente figura.
La varianza explicada de la regresión anterior se calcula como SCE = SCT – SCR = SCRA/ (1- R2)-SCR =
19.99527/ (1-0,3319)-19.99527 = 9.933288599 como lo muestra la siguiente figura.
SCE es la suma de los cuadrados explicados, SCT es la suma de los cuadrados totales y SCR es la suma
de los cuadrados residual. El estadístico de Breusch-Pagan es SCE/2 = 4.96666442995 y el p-valor
será el valor de la función de distribución de una chi-cuadrado con un grado de libertad en el punto
9.933288599 que se calcula con Eviews introduciendo en la línea de comandos
=QCHIQ(4.96666442995,1) cuyo valor es 0,02584 como se observa en la siguiente figura.
La solapa Options se rellena como se indica en la siguiente figura. Eligiendo la opción White en el
campo Heteroskedasticity consistent coefficient variance.
Al pulsa aceptar se obtienen los resultados que muestra la siguiente figura.
Y = -85184,05 + 1,167176X + 𝜇
Al interpretar los resultados del ajuste podemos decir que el aumento de una unidad en la renta
disponible de las familias residentes en España en 1991 produce un aumento de 1,167176 unidades
en el consumo final de las citadas familias. Ello podría llevar al grupo familiar a tomar la decisión de
la construcción de grandes superficies.