CONSUMO FINAL DE LAS FAMILIAS RESIDENTES

MODELO DE REGRESION CON DATOS DE CORTE TRANSVERSAL

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.

SOLUCION: Se trata de ajustar de forma razonable el modelo siguiente 𝑌 = 𝑗30 + 𝑗31 𝑋 + 𝜇

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.

Luego hace clic en aceptar y se obtienen los siguientes resultados.

Inicialmente el ajuste parece correcto, pues hay significatividad al menos al 99% (p-valores de la T
menores que 0,01) de todos los parámetros y también hay una fuerte significatividad (p-valor de la
F es casi nulo). Por otra parte, no hay autocorrelacion. Ya que el estadístico de Durbin-Watson se
acerca mucho a 2. El R2 es muy alto (superior al 99%).

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.

Rellenamos la pantalla Series List como lo indica la siguiente figura.

Al pulsar Ok se obtiene la siguiente figura, donde se observa que la distribución de los puntos del
gráfico no es aleatoria, ello nos lleva a ensayar contrastes formales de heteroscedasticidad.

Utilizaremos inicialmente el contraste de White consistente en efectuar una regresión de los

cuadrados de los MCO sobre todas las variables independientes del modelo, sus cuadrados y sus
productos cruzados de dos en dos. La homoscedasticidad se acepta al 95% si los p-valores de la F y
de los términos cruzados son mayores que 0,05. Eviews permite realizar el contraste de White de
heteroscedasticidad desde la pantalla Equation mediante View Residual Tests- White
Hetereroskedasticity (cross terms) como se observa 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.

Como el p-valor es menor que 0,05 se acepta la hipótesis de heteroscedasticidad.

Una vez detectada la presencia de heteroscedasticidad en el modelo es necesario corregirla en la

estimación del mismo. Para ajustar correctamente el modelo en presencia de heteroscedasticidad
utilizaremos el método de estimación de White. Para ello rellenamos la pantalla Specification de la
pantalla Equation Estimation (obtenida con Quick-Estimate…..iution) como se indica 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.

Se observa que la significatividad de la constante ha mejorado y que el resto de los indicadores de

ajuste del modelo son buenos R es muy alto, estadístico de Durbin Watson cercano a 2 y criterios
de información de Akaike y Swartz con valores bajos.

Finalmente, el modelo puede ajustarse como sigue:

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.