Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 305 vistas

    Caso Practico Econometria II

    Cargado por

    Maikol Brayan
    El documento presenta un caso práctico sobre datos hipotéticos de ingresos, gastos, ahorro y riqueza de hogares. Se identifica si existe multicolinealidad en los datos mediante pruebas estadísticas y, de existir, se corrige el problema utilizando métodos como la exclusión de variables.

    Copyright:

    © All Rights Reserved
    Descargue como DOC, PDF, TXT o lea en línea desde Scribd

    Caso Practico Econometria II

    Cargado por

    Maikol Brayan
    305 vistas11 páginas
    El documento presenta un caso práctico sobre datos hipotéticos de ingresos, gastos, ahorro y riqueza de hogares. Se identifica si existe multicolinealidad en los datos mediante pruebas estadísticas y, de existir, se corrige el problema utilizando métodos como la exclusión de variables.

    Descripción original:

    Caso Practico Econometria II

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOC, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El documento presenta un caso práctico sobre datos hipotéticos de ingresos, gastos, ahorro y riqueza de hogares. Se identifica si existe multicolinealidad en los datos mediante pruebas estadísticas y, de existir, se corrige el problema utilizando métodos como la exclusión de variables.

    Copyright:

    © All Rights Reserved
    Descargue como DOC, PDF, TXT o lea en línea desde Scribd
    Descargar como doc, pdf o txt
    305 vistas11 páginas

    Caso Practico Econometria II

    Cargado por

    Maikol Brayan
    El documento presenta un caso práctico sobre datos hipotéticos de ingresos, gastos, ahorro y riqueza de hogares. Se identifica si existe multicolinealidad en los datos mediante pruebas estadísticas y, de existir, se corrige el problema utilizando métodos como la exclusión de variables.

    Copyright:

    © All Rights Reserved
    Descargue como DOC, PDF, TXT o lea en línea desde Scribd
    Descargar como doc, pdf o txt
    de 11

    VIII.

    CASO PRCTICO
    Los datos contenidos en la tabla son una muestra hipottica de los ingresos (ING),
    gastos (GTO), Ahorro (AHORRO) y riqueza (RIQ) de un conjunto de hogares en
    dlares ($).Identificar si existe Multicolinealidad (usando las pruebas de identificacin
    de problemas multicolinealidad) si existe corregir el problema de multicolinealidad
    (usando mtodos y/o tcnicas de correccin del problema de multicolinealidad) usando
    EViews.
    SEMANA GASTO
    INGRESO RIQUEZA AHORRO
    1
    70
    80
    810
    8
    2
    65
    100
    1009
    31
    3
    90
    120
    173
    28
    4
    95
    140
    1425
    41
    5
    110
    160
    1633
    45
    6
    115
    180
    1876
    49
    7
    120
    200
    2052
    71
    8
    140
    220
    2201
    65
    9
    155
    240
    2435
    81
    10
    150
    260
    2686
    89

    Solucin
    8.1 Aplicando Algunas Pruebas de Identificacin al ejemplo para saber si existe
    Multicolinealidad

    Resultado de la regresin con EVIEWS


    Regresion1 (nombre de cuadro en EViews)

    Dependent Variable: GASTO


    Method: Least Squares
    Date: 10/03/05 Time: 18:23
    Sample(adjusted): 1/01/1901 3/05/1901
    Included observations: 10 after adjusting endpoints
    Variable
    Coefficien Std. Error t-Statistic
    t
    C
    9.303396 8.315796 1.118762
    INGRESO
    0.848174 0.145745 5.819583
    AHORRO
    -0.714012 0.331779 -2.152069

    Prob.
    0.3060
    0.0011
    0.0749

    RIQUEZA
    -0.003817
    R-squared
    0.980475
    Adjusted R-squared 0.970713
    S.E. of regression
    5.378609
    Sum squared resid
    173.5766
    Log likelihood
    -28.45955
    Durbin-Watson stat 2.681151

    0.005704 -0.669116
    Mean dependent var
    S.D. dependent var
    Akaike info criterion
    Schwarz criterion
    F-statistic
    Prob(F-statistic)

    0.5283
    111.0000
    31.42893
    6.491911
    6.612945
    100.4332
    0.000016

    Como podemos observar, nuestros coeficientes tienen los signos esperados y hay
    significacin estadstica. Del mismo modo en lo que respecta a la relevancia global, el
    coeficiente de determinacin es considerablemente alto del mismo modo F calculado
    con lo que hasta aqu podramos decir que es un modelo que esta explicando muy bien
    el fenmeno econmico que estamos tratando. Veamos el problema de la
    multicolinealidad con algunos mtodos.
    1.- Mtodo de la relacin entre t y R2
    Podramos decir ahora que este mtodo es referencial y aplicado a nuestro caso,
    significa que no existe multicolinealidad puesto que las razones t implican significacin
    estadstica, siendo nuestra nica sospecha el elevado coeficiente de determinacin (R 2 =
    0.980475).

    2.- Mtodo de la matriz de correlacin


    En lo que respecta a este mtodo, vamos a hacer uso del Eviews, para encontrar
    directamente matriz de correlacin entre dos variables, aplicamos la siguiente orden:
    cor ingreso riqueza ahorro y obtenemos:
    mat_correlacion (nombre de cuadro en EViews)
    INGRESO
    RIQUEZA
    AHORRO

    INGRESO
    1.000000
    0.914277
    0.976749

    RIQUEZA
    0.914277
    1.000000
    0.906424

    AHORRO
    0.976749
    0.906424
    1.000000

    Con lo que queda claro que la correlacin entre INGRESO, RIQUEZA Y AHORRO es
    considerable.
    El resultado anterior no es una matriz y en consecuencia no podemos encontrar su
    determinante. La forma como podemos encontrar los mismos valores partiendo de una
    matriz es con el siguiente procedimiento:
    Convertir en grupo las predeterminadas con la orden:

    GROUP GR PBI INV donde GR es el nombre del grupo de variables compuesto por
    INGRESO, RIQUEZA Y AHORRO, pudo haber sido cualquier nombre.
    Aplicar la siguiente orden:
    matrix matcor=@cor(GR) que nos da el siguiente resultado:
    matcor (nombre de cuadro en EViews)
    R1
    R2
    R3

    C1
    1.000000
    0.914277
    0.976749

    C2
    0.914277
    1.000000
    0.906424

    C3
    0.976749
    0.906424
    1.000000

    Hay que destacar que cuando damos la orden (Matrix matcor=@cor(GR) con la palabra
    matrix estamos indicando que el resultado ser una matrix, pudo haber sido un vector o
    un escalar lgicamente que para nuestro caso es una matrix. matcor es el nombre de la
    matrix, pudo haber sido otro, lo que estamos haciendo es nombrar acorde con lo que
    pretendemos calcular, matcor, significara matrix de correlacin. Luego del signo = esta
    la orden propiamente dicha precedida del signo de arroba.
    Eviews puede ahora manipular la matrix matcor y luego para encontrar el determinante
    hacemos lo siguiente:
    Scalar C2=@determinant(matcor)
    Como siempre C2 es el nombre del scalar, pudo haber sido otro. El resultado es:
    Scalar C2=0.00736245004826
    Es decir el determinante de la matrix de correlacin es el nmero indicado mas arriba.
    En cuanto a la interpretacin, podemos decir que el esta un poco cercano a cero y
    lejano a uno, luego por este mtodo hay menos que perfecta correlacin.
    3.- Mtodo de la prueba F
    Para aplicar este mtodo, tenemos que hacer la regresin de ahorro con ingreso y
    riqueza (X2 con las restantes, X3)
    Esto es:
    regresion2 (nombre de cuadro en EViews)
    Dependent Variable: AHORRO
    Method: Least Squares
    Date: 10/03/05 Time: 18:27
    Sample(adjusted): 1/01/1901 3/05/1901
    Included observations: 10 after adjusting endpoints
    Variable
    Coefficien Std. Error t-Statistic
    t
    C
    -18.13382 6.539785 -2.772846

    Prob.
    0.0276

    INGRESO
    0.380049
    RIQUEZA
    0.002654
    R-squared
    0.955134
    Adjusted R-squared 0.942315
    S.E. of regression
    6.127339
    Sum squared resid
    262.8100
    Log likelihood
    -30.53362
    Durbin-Watson stat 2.973880

    0.083265 4.564306
    0.006420 0.413334
    Mean dependent var
    S.D. dependent var
    Akaike info criterion
    Schwarz criterion
    F-statistic
    Prob(F-statistic)

    0.0026
    0.6917
    50.80000
    25.51165
    6.706723
    6.797499
    74.50921
    0.000019

    Este mtodo es aplicable a situaciones donde habra ms de dos variables


    predeterminadas pues si nos damos cuenta en el numerador del probador hay que
    corregir por K-2 G.L con lo que quedara una divisin por cero, haciendo inaplicable el
    mencionado mtodo. Sin embargo, habra que tener en cuenta que el coeficiente de
    determinacin para la regresin de Ahorro con ingreso y riqueza es 0.955134 es
    demasiado alto.
    4.- Mtodo de los valores propios e ndice de condicin
    Consideramos este mtodo como el mas indicado para determinar la multicolinealidad
    ya que tiene que ver con la matrix de momentos XX, que como demostramos en su
    momento si hay interaccin completa no se puede encontrar la inversa y
    consecuentemente tampoco los coeficientes de regresin. Veamos con el Eviews como
    conseguimos la matrix XX. En primer lugar debemos agrupar las predeterminadas pero
    considerando una columna de 1s para recoger el trmino independiente:
    GROUP GRP 1 AHORRO INGRESO RIQUEZA cuyo resultado es:
    Grp (nombre de cuadro en EViews)
    obs
    1/01/01
    1/08/01
    1/15/01
    1/22/01
    1/29/01
    2/05/01
    2/12/01
    2/19/01
    2/26/01
    3/05/01

    1
    1
    1
    1
    1
    1
    1
    1
    1
    1
    1

    AHORRO
    8
    31
    28
    41
    45
    49
    71
    65
    81
    89

    INGRESO
    80
    100
    120
    140
    160
    180
    200
    220
    240
    260

    RIQUEZA
    810
    1009
    173
    1425
    1633
    1876
    2052
    2201
    2435
    2686

    Aplicar la siguiente orden:


    Sym XX=@inner(GRP) obteniendo:
    XX (nombre de cuadro en EViews)
    R1

    C1
    10.00000

    C2
    508.0000

    C3
    1700.000

    C4
    16300.00

    R2
    R3
    R4

    508.0000
    1700.000
    16300.00

    31664.00
    99940.00
    991483.0

    99940.00
    322000.0
    3162300.

    991483.0
    3162300.
    32119726

    Una nota adicional ponemos sym para indicar que el resultado ser una matrix simtrica
    y adems porque la orden para encontrar los valores propios funciona solo para matrices
    simtricas.
    Que es la matrix XX, en nuestro caso matrix de las predeterminadas RIQUEZA
    AHORRO INGRESO .De esta matrix es de la que habra que encontrar los valores
    propios pero tenemos un inconveniente. Veamos:
    Vector VPRO=@eigenvalues(XX) obtenemos:
    vpro (nombre de cuadro en EViews)
    R1
    R2
    R3
    R4

    0.417897
    525.6879
    11077.34
    32461797

    El resultado es un vector columna que contiene los valores propios (VRPO. Pero
    observemos que si aplicamos la formula de K e IC los resultados serian:
    K= 77678942.4188
    IC=8813.5658174
    Sabemos que: Si K esta entre 100 y 1000, existe multicolinealidad que va desde
    moderada a fuerte, mientras que si excede a 1000, existe multicolinealidad severa. De
    otro lado, si el ndice de condicin esta entre 10 y 30, existe multicolinealidad entre
    moderada y fuerte y si excede 30, existe multicolinealidad severa. De acuerdo a esto
    existe una multicolinealidad SEVERA.
    8.2 Aplicando Mtodos Y/O Tcnicas De Correccin De La Multicolinealidad
    Aplicamos el siguiente mtodo:
    Mtodo Exclusin de Variables
    Recordando un poco supongamos que tenemos el siguiente modelo economtrico:
    Yt = 1 + 2Xt2 + 3Xt3 + ut
    Y que Xt2 y Xt3 estn altamente correlacionadas. Una posibilidad es eliminar una de las
    variables del modelo, digamos Xt3. Sin embargo
    a) Regresionamos el modelo: con las variables gasto (variable dependiente) , ahorro,
    ingreso y riqueza
    regresion_a (nombre de cuadro en EViews)

    Dependent Variable: GASTO


    Method: Least Squares
    Date: 10/03/05 Time: 18:42
    Sample(adjusted): 1/01/1901 3/05/1901
    Included observations: 10 after adjusting endpoints
    Variable
    Coefficien Std. Error t-Statistic
    t
    C
    9.303396 8.315796 1.118762
    AHORRO
    -0.714012 0.331779 -2.152069
    INGRESO
    0.848174 0.145745 5.819583
    RIQUEZA
    -0.003817 0.005704 -0.669116
    R-squared
    0.980475 Mean dependent var
    Adjusted R-squared 0.970713 S.D. dependent var
    S.E. of regression
    5.378609 Akaike info criterion
    Sum squared resid
    173.5766 Schwarz criterion
    Log likelihood
    -28.45955 F-statistic
    Durbin-Watson stat 2.681151 Prob(F-statistic)

    Prob.
    0.3060
    0.0749
    0.0011
    0.5283
    111.0000
    31.42893
    6.491911
    6.612945
    100.4332
    0.000016

    Luego regresionamos eliminando algunas variables:


    b) Regresionando gasto (variable dependiente) , ingreso y riqueza:
    regresion_b (nombre de cuadro en EViews)
    Dependent Variable: GASTO
    Method: Least Squares
    Date: 10/03/05 Time: 18:48
    Sample(adjusted): 1/01/1901 3/05/1901
    Included observations: 10 after adjusting endpoints
    Variable
    Coefficien Std. Error t-Statistic
    t
    C
    22.25115 7.074696 3.145175
    INGRESO
    0.576814 0.090076 6.403640
    RIQUEZA
    -0.005711 0.006945 -0.822341
    R-squared
    0.965404 Mean dependent var
    Adjusted R-squared 0.955519 S.D. dependent var
    S.E. of regression
    6.628514 Akaike info criterion
    Sum squared resid
    307.5604 Schwarz criterion
    Log likelihood
    -31.31982 F-statistic
    Durbin-Watson stat 2.372419 Prob(F-statistic)

    Prob.
    0.0163
    0.0004
    0.4380
    111.0000
    31.42893
    6.863964
    6.954739
    97.66711
    0.000008

    c) Regresionando gasto (variable dependiente), ingreso y ahorro:


    regresion_c (nombre de cuadro en EViews)

    Dependent Variable: GASTO


    Method: Least Squares
    Date: 10/03/05 Time: 18:54
    Sample(adjusted): 1/01/1901 3/05/1901
    Included observations: 10 after adjusting endpoints
    Variable
    Coefficien Std. Error t-Statistic
    t
    C
    10.11936 7.894728 1.281786
    INGRESO
    0.817019 0.132547 6.163995
    AHORRO
    -0.748278 0.314606 -2.378461
    R-squared
    0.979018 Mean dependent var
    Adjusted R-squared 0.973023 S.D. dependent var
    S.E. of regression
    5.162070 Akaike info criterion
    Sum squared resid
    186.5287 Schwarz criterion
    Log likelihood
    -28.81939 F-statistic
    Durbin-Watson stat 2.728414 Prob(F-statistic)

    Prob.
    0.2407
    0.0005
    0.0490
    111.0000
    31.42893
    6.363877
    6.454653
    163.3107
    0.000001

    d) Regresionando gasto (variable dependiente), riqueza y ahorro:

    regresion_d (nombre de cuadro en EViews)


    Dependent Variable: GASTO
    Method: Least Squares
    Date: 10/03/05 Time: 18:56
    Sample(adjusted): 1/01/1901 3/05/1901
    Included observations: 10 after adjusting endpoints
    Variable
    Coefficien Std. Error t-Statistic
    t
    C
    51.34743 9.827593 5.224822
    RIQUEZA
    0.006788 0.012899 0.526255
    AHORRO
    0.956450 0.397081 2.408699
    R-squared
    0.870265 Mean dependent var
    Adjusted R-squared 0.833198 S.D. dependent var
    S.E. of regression
    12.83603 Akaike info criterion
    Sum squared resid
    1153.345 Schwarz criterion
    Log likelihood
    -37.92857 F-statistic
    Durbin-Watson stat 2.944894 Prob(F-statistic)

    Prob.
    0.0012
    0.6150
    0.0469
    111.0000
    31.42893
    8.185714
    8.276490
    23.47804
    0.000787

    REGRESIN LAS RESTANTES VARIABLES INGRESO, RIQUEZA Y


    AHORRO (X2 CON LAS RESTANTES, X3)

    e) Regresionamos Ingreso (variable dependiente), riqueza y ahorro:


    regresion_e (nombre de cuadro en EViews)
    Dependent Variable: INGRESO
    Method: Least Squares
    Date: 10/03/05 Time: 19:16
    Sample(adjusted): 1/01/1901 3/05/1901
    Included observations: 10 after adjusting endpoints
    Variable
    Coefficien Std. Error t-Statistic
    t
    C
    49.57007 10.67934 4.641678
    RIQUEZA
    0.012503 0.014017 0.891993
    AHORRO
    1.969480 0.431496 4.564306
    R-squared
    0.958729 Mean dependent var
    Adjusted R-squared 0.946938 S.D. dependent var
    S.E. of regression
    13.94851 Akaike info criterion
    Sum squared resid
    1361.927 Schwarz criterion
    Log likelihood
    -38.75974 F-statistic
    Durbin-Watson stat 3.287907 Prob(F-statistic)

    Prob.
    0.0024
    0.4020
    0.0026
    170.0000
    60.55301
    8.351948
    8.442724
    81.30628
    0.000014

    f) Regresionamos riqueza (variable dependiente), ingreso y ahorro:


    regresion_f (nombre de cuadro en EViews)
    Dependent Variable: RIQUEZA
    Method: Least Squares
    Date: 10/03/05 Time: 19:18
    Sample(adjusted): 1/01/1901 3/05/1901
    Included observations: 10 after adjusting endpoints
    Variable
    Coefficien Std. Error t-Statistic Prob.
    t
    C
    -213.7893 545.0711 -0.392223 0.7066
    INGRESO
    8.162953 9.151360 0.891993 0.4020
    AHORRO
    8.978096 21.72115 0.413334 0.6917
    R-squared
    0.839813 Mean dependent var 1630.000
    Adjusted R-squared 0.794045 S.D. dependent var 785.3326
    S.E. of regression
    356.4018 Akaike info criterion 14.83332

    Sum squared resid


    889155.5
    Log likelihood
    -71.16660
    Durbin-Watson stat 2.207360

    Schwarz criterion
    F-statistic
    Prob(F-statistic)

    14.92409
    18.34943
    0.001645

    g) Regresionamos ahorro (variable dependiente), ingreso y riqueza:


    regresion_g (nombre de cuadro en EViews)
    Dependent Variable: AHORRO
    Method: Least Squares
    Date: 10/03/05 Time: 19:20
    Sample(adjusted): 1/01/1901 3/05/1901
    Included observations: 10 after adjusting endpoints
    Variable
    Coefficien Std. Error t-Statistic
    t
    C
    -18.13382 6.539785 -2.772846
    INGRESO
    0.380049 0.083265 4.564306
    RIQUEZA
    0.002654 0.006420 0.413334
    R-squared
    0.955134 Mean dependent var
    Adjusted R-squared 0.942315 S.D. dependent var
    S.E. of regression
    6.127339 Akaike info criterion
    Sum squared resid
    262.8100 Schwarz criterion
    Log likelihood
    -30.53362 F-statistic
    Durbin-Watson stat 2.973880 Prob(F-statistic)

    Prob.
    0.0276
    0.0026
    0.6917
    50.80000
    25.51165
    6.706723
    6.797499
    74.50921
    0.000019

    h) Regresionando riqueza (variable dependiente) y ahorro:


    regresion_h (nombre de cuadro en EViews)
    Dependent Variable: RIQUEZA
    Method: Least Squares
    Date: 10/03/05 Time: 19:21
    Sample(adjusted): 1/01/1901 3/05/1901
    Included observations: 10 after adjusting endpoints
    Variable
    Coefficien Std. Error t-Statistic Prob.
    t
    C
    212.5416 258.6688 0.821675 0.4351
    AHORRO
    27.90272 4.596859 6.069954 0.0003
    R-squared
    0.821605 Mean dependent var 1630.000
    Adjusted R-squared 0.799306 S.D. dependent var 785.3326
    S.E. of regression
    351.8204 Akaike info criterion 14.74098

    Sum squared resid


    990221.0
    Log likelihood
    -71.70488
    Durbin-Watson stat 1.936004

    Schwarz criterion
    F-statistic
    Prob(F-statistic)

    14.80149
    36.84434
    0.000299

    OBSERVANDO LOS CUADROS QUE HEMOS REGRESIONADO EL MEJOR


    RESULTADO DE LA REGRESION ES EL SIGUIENTE:

    GASTO =10.11936+0.817019 (INGRESO) - 0.748278 (AHORRO)

    RESUMEN
    1. Hemos dado una definicin clara de lo que es multicolinealidad.
    2. Hemos analizado las principales consecuencias tericas y prcticas de la
    multicolinealidad.
    3. Se han descrito algunos procedimientos detectar la presencia de
    multicolinealidad.
    4. Se han detallado algunas tcnicas para corregir evitar la multicolinealidad

    BIBLIOGRAFIA:

    ECONOMETRIA: Modelos Economtricos y Series Temporales, J.M


    CARIDAD Y OCERIN. Tomo 1: Modelos esconomticos uniecuacionales.
    ECONOMETRIA APLICADA, Juan Francisco Castro y Roddy Rivas Llosa.
    APUNTES DE TEORA ECONOMTRICA . Profesor: Viviana Fernndez.
    MULTICOLINEALIDAD Profesor Edgar Acua captulo 7.
    Multicolinealidad y Observaciones atpicas Renatas Kizys ([email protected]),
    ngel Alejandro Juan Prez ([email protected]).
    EL PROBLEMA DE LA MULTICOLINEALIDAD monografias.com

    También podría gustarte