PROYECTO DE ESTUDIO

ECONOMETRICO DE LA FACTIBILIDAD
PLANTA
PANIFICADORA DE LA EMPRESA
LA NUEVA GAITA SRL
G-16

ECONOMETRIA – IND – 521

PROYECTO FINAL

DOCENTE:
ING. MARCELINO ALIAGA
INTEGRANTES:
 UNIV. FERNANDEZ MENDOZA
DAMARIS BELÉN
 UNIV. MIRANDA MAYTA
ALEJANDRA DANIA
 UNIV. YANAPATZI GUTIERREZ
BRADIN FRANZ

GESTION: I/2020
 PROYECTO DE ESTUDIO ECONOMETRICO DE LA FACTIBILIDAD PLANTA
PANIFICADORA DE LA EMPRESA LA NUEVA GAITA SRL

1. INTRODUCCION
Mediante el desarrollo de un modelo de gestión de producción y administración como
aplicación de la ingeniería industrial, se presenta el estudio para una empresa
panificadora.
El análisis se realiza en base a la planificación, desarrollando las fases del plan
mediante un diagnostico sectorial de la economía en su conjunto y el sistema
empresarial y a la relación de la misma con su entorno, llegando a determinar el sector
básico a la empresa a medida que se plantea el análisis. De esta forma se tendrá
conocimiento de cómo lograr realizar la planificación, las variables que influyen, políticas
vigentes actualmente y otros aspectos, para una determinada actividad en este caso las
actividades manufactureras

2. ANTECEDENTE
La empresa es una sociedad de responsabilidad limitada cuya razón social es “La Nueva
Gaita S.R.L.” Sacando datos del proyecto “Proyecto de factibilidad Planta Panificadora
de la Empresa NUEVA GAITA S.R.L.” es un estudio que empieza de la hipótesis o idea
de que es posible implementar una planta panificadora en la Ciudad de La Paz de la
empresa “NUEVA GAITA S.R.L.” y este pretende ser un instrumento importante que
permita a la empresa captar más mercado y así crecer hasta poder convertirse en una
empresa industrial en el rubro de la panificación, mediante este estudio de factibilidad se
demuestra las ventajas económicas que proporcionara el proyecto.
La empresa es una sociedad de responsabilidad limitada cuya razón social es “La Nueva
Gaita S.R.L.” actualmente está ubicada en la ciudad de La Paz Zona Central Calle
Potosí Nº 1361 con más de treinta años de presente en el mercado local.

3. OBJETIVO GENERAL DEL ESTUDIO

 Aplicar los conocimientos de la materia para el planteamiento de un modelo

econométrico que nos permita estimar los parámetros y validar el mismo.

4. OBJETIVOS ESPECIFICOS DEL ESTUDIO

 Planteamiento y estimación del modelo econométrico

 Analizar si el modelo econométrico presenta multicolinealidad
 Analizar si el modelo presenta heterocedasticidad
 Analizar la existencia de auto correlación del mismo
 corrección del modelo ya estimado

5. MEMORIA RESUMEN DEL PROCESO PRODUCTIVO

El cuadro siguiente es un resumen del proceso más importante de la empresa
panificadora que es la elaboración del pan.

INICIO

MEZCLADO Y
AMAZADO

SOBADO

FERMENTADO

HORNEADO

FIN

Fuente: Elaboración propia

6. IDENTIFICACIÓN DE LA POBLACIÓN OBJETIVO

La población objetivo del proyecto de grado que se utilizó para este trabajo se encuentra
en la ciudad de La Paz en sus 7 distritos urbanos que son: Centro, Cotahuma, Max
paredes, Periferica, San Antonio, Sur/Mallasa. Para poder implantar un estudio de
mercado para una industria panificadora.

7. RECOPILACIÓN, SELECCIÓN Y PRESENTACIÓN DE LA INFORMACIÓN

La información recopilada se lo hizo de dos maneras que son:

 Interna manera interna recolectando datos como el consumo y el ingreso que la
empresa tiene para contabilizar sus cuentas de manera histórica o estimada.
 Externa con información como también información sobre la población
consumidora en cada año desde el 2014 y la tasa de crecimiento del PIB
Demanda del Pan: La demanda puede ser definida como la cantidad de bienes y
servicios que son adquiridos por consumidores a diferentes precios también se refiere a
la cantidad de productos el consumidor está dispuesto a comprar
Ingreso per cápita: Es un indicador macroeconómico de productividad y desarrollo
económico, usado para entregar una visión respecto al rendimiento de las condiciones
económicas 
Consumo per cápita: Se conoce el consumo total (de productos, de alimentos, de
agua, de energía, etc.) Dividido por el número de sus habitantes en determinado
periodo de tiempo. 
Población: El crecimiento de población hace referencia a todos los consumidores van
aumentando por año.

8. RECOPILACION, SELECCIÓN Y PRESENTACION DE INFORMACION

9. PRESENTACIÓN DE RESULTADOS
Después de nuestra recolección mostramos la tabla resumen la cual utilizaremos
para nuestros análisis econométricos.
DEMANDA INGRESO TASA DE CONSUM POBLACIO
DE PAN PER CRECIMIENT O N
ESPECIAL CAPITA O PIB(%) PERCAPIT PERCAPIT
A A
 AÑO Y X2 X3 X4 X5
2014 1497999,9 0,700 0,820 1834681,0 8116,540
00
2015 1542600,1 0,620 0,810 1900786,0 8145,260
20
2016 223391,00 0,650 1,130 1969273,0 8041,580
0
2017 2373200,0 0,640 1,160 2040226,0 7935,900
00
2018 3050400,0 0,650 1,440 2113737,0 7837,410
00
2019 3112700,0 0,610 1,420 2189897,0 7880,950
00
2020 3237600,0 0,580 1,430 2268800,0 8433,280
00
2021 3320766,6 0,540 1,420 2345874,0 8492,760
70
2022 3414366,6 0,520 1,410 2423406,0 8587,570
70
2023 3501011,1 0,510 1,400 2500632,7 8682,380
20
2024 3589394,4 0,490 1,390 2577935,7 8777,190
50
2025 3677777,7 0,470 1,380 2655238,7 8872,000
90

IDENTIFICACION DE VARIABLES

VARIABLE DEPENDIENTE

Y= Demanda por unidad de pan especial

VARIABLES INDEPENDIENTES

X2= Ingreso Per capital (u)

X3= Tasa de crecimiento PIB
X4= Consumo per cápita
X5= Población Per cápita

10. ESPECIFICACIÓN DEL MODELO ECONOMETRICO

Acá podemos observar las unidades que nuestro modelo tendrá para su estudio
y Demanda U
X2 Ingreso Per capital U
X3 Tasa de crecimiento PIB
X4 Consumo per cápita U
X5 Población Per cápita U
11. ESTIMACION DE PARAMETROS DEL MODELO

Y =B 1+ B2 x 2 B 3 X 3 +B 4 X 4 +B 5 X 5

   XT X 
1
X TY
Con:
y nuestras matrices

Calculamos las matrices tenemos:

B1 = -2797472,96
B2 = 2245635,53
B3 = 625047,15
B4 = 4,3440
B5 = -757,53

El modelo econométrico será: estimado seria:

Y =−2797472,96+2245635,53 x 2 +625047,15 X 3 + 4,344 X 4 −757,53 X 5
EVIEWS
EViews es un paquete estadístico para Microsoft Windows, usado principalmente para
análisis econométrico.
Para comprobar si nuestros estimados esta bien se los llevó al programa que es el
Eviews el cual nos lana unos estimados con más precisión y se puede afirmar que los
cálculos fueron correctos

RESULTADOS:

Y = -2797472.96195 + 2245635.53391*X2 + 625047.151495*X3 + 4.34491787825*X4

- 757.528028272*X5

12. VALIDACIÓN ECONOMICA

Análisis de los parámetros:

 PARA B1 ¡

La demanda de pan especial tiene un promedio de -2797472.96195 cuando las demás

variables son 0
  PARA B2:

La demanda de pan especial aumenta en 2245635.53391 cuando la Ingreso Per capital

aumenta en 1 unidad y las demás variables son 0
 PARA B3:

La demanda de pan especial aumenta en 625047.151495 cuando el Tasa de crecimiento

PIB consumidora aumenta 1 unidad y las demás variables son 0
 PARA B4:

La demanda de pan especial aumenta en 4.34491787825 cuando el Consumo per cápita

aumenta en 1 unidad cuando las demás variables son 0
 PARA B5:

La demanda de pan disminuye en - 757.528028272 cuando Población Per cápita

aumenta en 1 habitante y las demás variables son

EL R2
El Ingreso Per capital, Tasa de crecimiento PIB, Consumo per cápita, la población que
consume el producto explican en de la demanda de pan especial.

13. VALIDACION ESTADISTICA

Prueba de significación individual

 PARA β2:

I) PLANTEMIENTO DE LA HIPOTESIS
H o =β2 =0
H a ≠ β2 ≠ 0
II) ESTADISTICO CALCULADO
 III) ESTADISTICO TEORICO

Gráfica de distribución
T; df=7
0,4

0,3

Densidad
0,2

0,1

0,025 0,025
0,0
-2,365 0 2,365
X

t n−k 12−5 7
α / 2 =t 0,025 =t 0,025 =2,36

IV) CONTRASTACION

RR :t c >t n−k
α/ 2

RR :0,6>2,36
V) Conclusión
A un nivel de confianza del 95% β 2 no es significativo individualmente debido a que se
acepta la hipótesis nula y se rechaza la hipótesis alterna.

 PARA β3:

I) PLANTEMIENTO DE LA HIPOTESIS
H o =β3 =0
Ha ≠ β3 ≠ 0
II) ESTADISTICO CALCULADO

III) ESTADISTICO TEORICO

t n−k 7
α / 2 =t 0,025 =2,36
 IV) CONTRASTACION
Gráfica de distribución
T; df=7
0,4

0,3

Densidad
0,2

0,1

0,025 0,025
0,0
-2,365 0 2,365
X

RR :t c >t n−k
α/ 2

RR :|0,26|>2,36
V) CONCLUSIÓN
A un nivel de confianza del 95% β 3 no es significativo individualmente debido a que se
acepta la hipótesis nula y se rechaza la hipótesis alterna.

 PARA β4:

I) PLANTEMIENTO DE LA HIPOTESIS
H o =β 4=0
H a ≠ β4 ≠ 0
II) ESTADISTICO CALCULADO

III) ESTADISTICO TEORICO

t n−k 7
α / 2 =t 0,025 =2,36

IV) CONTRASTACION
 Gráfica de distribución
T; df=7
0,4

0,3

Densidad
0,2

0,1

0,025 0,025
0,0
-2,365 0 2,365
X

RR :t c >t n−k
α/ 2

RR :|0,9|>2,36
V) CONCLUSIÓN
A un nivel de confianza del 95% β 4 no es significativo individualmente debido a que se
acepta la hipótesis nula y se rechaza la hipótesis alterna.

 PARA β5:

I) PLANTEMIENTO DE LA HIPOTESIS
H o =β5 =0
Ha ≠ β5 ≠ 0
II) ESTADISTICO CALCULADO

III) ESTADISTICO TEORICO

t n−k 7
α / 2 =t 0,025 =2,36

IV) CONTRASTACION
 Gráfica de distribución
T; df=7
0,4

0,3

Densidad
0,2

0,1

0,025 0,025
0,0
-2,365 0 2,365
X

RR :t c >t n−k
α/ 2

RR :∨0,42∨¿ 2,36
V) CONCLUSIÓN
A un nivel de confianza del 95% β 5 es significativo individualmente debido a que se
rechaza la hipótesis nula y se acepta la hipótesis alterna.

PRUEBA DE SIGNIFICANCIA GLOBAL

i) PLANTEAMIENTO E LA HIPÓTESIS:
H o =β2 =β3 =β 4=β 5=β 6 =0

H a ≠ β2 ≠ β3 ≠ β4 ≠ β5≠ β6≠ 0

ii) ESTADÍSTICO CALCULADO

 iii) ESTADÍSTICO TEÓRICO

F k−1 ,n−k
α =F 4,7
0,05=4,120

iv) CONTRASTACIÓN

Gráfica de distribución
F; df1=4; df2=7
0,7

0,6

0,5
Densidad

0,4

0,3

0,2

0,1

0,05
0,0
k−1 ,n−k 0 4,120
F c> F α X

RR :5,15> 4,12
v) CONCLUSIÓN
A un nivel de confianza del 95% el modelo no es significativo globalmente debido a
que se acepta la hipótesis nula y se rechaza la hipótesis alterna.

14. VALIDACION ECONOMETRICA

DEMANDA INGRES TASA DE

CONSUMO POBLACION
DE PAN O PER CRECIMIENT
PERCAPITA PERCAPITA
  ESPECIAL CAPITA O PIB(%)
AÑO Y x2 x3 x4 x5
1497999,90
2014 0,700 0,820 1834681,000 8116,540
0
 1542600,12
2015 0,620 0,810 1900786,000 8145,260
0
2016 223391,000 0,650 1,130 1969273,000 8041,580
2373200,00
2017 0,640 1,160 2040226,000 7935,900
0
3050400,00
2018 0,650 1,440 2113737,000 7837,410
0
3112700,00
2019 0,610 1,420 2189897,000 7880,950
0
3237600,00
2020 0,580 1,430 2268800,000 8433,280
0
3320766,67
2021 0,540 1,420 2345874,000 8492,760
0
3414366,67
2022 0,520 1,410 2423406,000 8587,570
0
3501011,12
2023 0,510 1,400 2500632,670 8682,380
0
3589394,45
2024 0,490 1,390 2577935,670 8777,190
0
3677777,79
2025 0,470 1,380 2655238,670 8872,000
0

MULTICOLINEALIDAD
Con ayuda del programa EVIEWS detectaremos multicolinealidad

Para detectar la multicolinealidad en nuestro modelo econométrico utilizaremos los

siguientes métodos:
OBSERVACIONES DE CARÁCTER ESTADISTICO

COEFICIENTE DE DETERMINACION
R2 ajustado 0,746454
El coeficiente de determinación es menor a 0,8 esto nos indica
14.1.1.2. PRUEBA DE SIGNIFICACION INDIVIDUAL
Y = -2797472.96195 + 2245635.53391*X2 + 625047.151495*X3 + 4.34491787825*X4 -
757.528028272*X5
 PARA β1:

VI) PLANTEMIENTO DE LA HIPOTESIS

H o =β1 =0
H a ≠ β1 ≠ 0
VII) ESTADISTICO CALCULADO

I) ESTADISTICO TEORICO
t n−k 12−5 7
α / 2 =t 0,025 =t 0,025 =2,36

II) CONTRASTACION
RA :−t α /2 <t c <t n−k
n−k
α /2

RA :−2,36<−0,133020<2,36
III) CONCLUSIÓN
A un nivel de significancia del 5% el parámetro β 1 no es significativo individualmente
debido a que se acepta la hipótesis nula.
 PARA β2:

VIII) PLANTEMIENTO DE LA HIPOTESIS

H o =β2 =0
H a ≠ β2 ≠ 0
IX) ESTADISTICO CALCULADO

X) ESTADISTICO TEORICO
t n−k 12−5 7
α / 2 =t 0,025 =t 0,025 =2,36
XI) CONTRASTACION
RA :−t n−k n−k
α /2 <t c <t α /2
RA :−2,36<0,166536<2,36

XII) Conclusión
A un nivel de significancia del 5% el parámetro β 2 no es significativo individualmente
debido a que se acepta la hipótesis nula.

 PARA β3:

VI) PLANTEMIENTO DE LA HIPOTESIS

H o =β3 =0
Ha ≠ β3 ≠ 0
VII) ESTADISTICO CALCULADO

VIII) ESTADISTICO TEORICO

t n−k 12−5 7
α / 2 =t 0,025 =t 0,025 =2,36

IX) CONTRASTACION
RA :−t n−k n−k
α /2 <t c <t α /2
RA :−2,36<0,2685518<2,36

X) Conclusión
A un nivel de significancia del 5% el parámetro β 3 no es significativo individualmente
debido a que se acepta la hipótesis nula.
 PARA β4:

XI) PLANTEMIENTO DE LA HIPOTESIS

H o =β 4=0
H a ≠ β4 ≠ 0
XII) ESTADISTICO CALCULADO

XIII) ESTADISTICO TEORICO

t n−k 12−5 7
α / 2 =t 0,025 =t 0,025 =2,36
 XIV) CONTRASTACION
RA :−t n−k n−k
α /2 <t c <t α /2
RA :−2,36<0,905134< 2,36

XV) Conclusión
A un nivel de significancia del 5% el parámetro β 4 no es significativo individualmente
debido a que se acepta la hipótesis nula.
 PARA β5:

XVI) PLANTEMIENTO DE LA HIPOTESIS

H o =β5 =0
Ha ≠ β5 ≠ 0
XVII) ESTADISTICO CALCULADO

XVIII) ESTADISTICO TEORICO

t n−k 12−5 7
α / 2 =t 0,025 =t 0,025 =2,36

XIX) CONTRASTACION
RA :−t n−k n−k
α /2 <t c <t α /2
RA :−2,36←0,423455<2,36

XX) Conclusión
A un nivel de significancia del 5% el parámetro β 5 no es significativo individualmente
debido a que se acepta la hipótesis nula.

PRUEBA DE SIGNIFICACION GLOBAL

vi) PLANTEAMIENTO E LA HIPÓTESIS:
H o =β2 =β3 =β 4=β 5=β 6 =0

H a ≠ β2 ≠ β3 ≠ β4 ≠ β5≠ β6≠ 0

vii) ESTADÍSTICO CALCULADO

viii) ESTADÍSTICO TEÓRICO

k−1 ,n−k
=F 5−1,12−5 4,7
F α 0,05 =F0,05 =4,12

ix) CONTRASTACIÓN
R . R . : F c > F k−1 ,n−k
α

R . R . :5,152039>4,12
x) CONCLUSIÓN
A un nivel de confianza del 95% el modelo es significativo globalmente debido a que se
rechaza la hipótesis nula.
CUADRO RESUMEN

COEFICIENTE SIGNIFICANCIA
β1 se acepta No es
la significativo
hipótesis individualmente
nula

β2 se acepta No es
la significativo
hipótesis individualmente
nula
β3 se acepta No es
la significativo
hipótesis individualmente
nula
β4 se acepta No es
la significativo
hipótesis individualmente
nula
β5 Se acepta No es
la significativo
hipótesis individualmente
nula
β1, β2 , β3 , β4 , β5 , β6 se rechaza es significativo
la globalmente
hipótesis
nula

El coeficiente de determinación no es muy elevado sin embargo las pruebas de

significación individual y global no son explicativos.
EXISTE MULTICOLINEALIDAD
14.1.2. REGLA DE KLEIN
MATRIZ DE CORRELACION
X2 X3 X4 X5
X2 1 - - -
0.618706456999 0.960921946369 0.904687517819
6298 8254 5104
X3 - 1 0.762426526586 0.368001166759
 0.618706456999 0469 6251
6298
X4 - 0.762426526586 1 0.844164043111
0.960921946369 0469 0626
8254
X5 - 0.368001166759 0.844164043111 1
0.904687517819 6251 0626
5104

rx2,x3= 0,6187 < 0,8

rx2,x4= 0,9609 > 0,8
rx2,x5= 0,9047 > 0,8
rx3,x4= 0,7624 < 0,8
rx3,x5= 0,3680 < 0,8
rx4,x5= 0,8442 > 0,8
La mayoría de los coeficientes de correlación simple entre las variables
explicativas son mayores a 0,8 por lo tanto hay evidencias de multicolinealidad

REGRESIONES AUXILIARES

x2 = 1,382685 + 0,049557 x3 – 0,000000255 x4 – 0,0000353 x5

R2 = 0,957606

i) PLANTEAMIENTO E LA HIPÓTESIS:
H o : R X 2 , X 3 , X 4 , X 52=0

H a : R X 2 , X 3 , X 4 , X 52 ≠ 0

ii) ESTADÍSTICO CALCULADO

R PR2
k −2
F c=
1−R PR2
n−k
0,957606
5−2
F c= =52,706
1−0,957606
12−5
iii) ESTADISTICO TEORICO
k−2 ,n−k
F α =F 5−2,12−5
α =F3,7
0,05=4,35

iv) CONTRASTACIÓN
k−2 ,n−k
F c> F α

RR :52,706>4,35

v) CONCLUSION
A un nivel de significancia de 5% se rechaza la hipótesis nula por lo tanto X2
particular es colineal con los demás Xi.

x3 = 0,760478 + 1,662999 x2 +
0,00000167 x4 – 0,000505 x5
R2 =0,858337

i) PLANTEAMIENTO E LA HIPÓTESIS:
H o : R X 3 , X 2 , X 4 , X 52=0
H a : R X 3 , X 2 , X 3 , X 4 , X 52 ≠ 0

ii) ESTADÍSTICO CALCULADO

R PR2
k −2
F c=
1−R PR2
n−k
0,858337
5−2
F c= =14,138
1−0,858337
12−5
iii) ESTADISTICO TEORICO
F k−2 ,n−k 5−2,12−5
α =F α =F3,7
0,05=4,35

iv) CONTRASTACIÓN
k−2 ,n−k
F c> F α

RR :14,138> 4,35

v) CONCLUSION
A un nivel de significancia de 5% se rechaza la hipótesis nula por lo tanto X3
particular es colineal con los demás Xi.

X4 = 1545518 -2012252 x2 + 393472,1 x3 +

163,6735 x5
R2 = 0,975015

i) PLANTEAMIENTO E LA HIPÓTESIS:
H o : R X 4 , X 3 , X 2 , X 52=0

H a : R X 4 , X 3 , X 2 , X 3 , X 52 ≠ 0

ii) ESTADÍSTICO CALCULADO

R PR2
k −2
F c=
1−R PR2
n−k
0,975015
5−2
F c= =91,056
1−0,975015
12−5
iii) ESTADISTICO TEORICO
k−2 ,n−k
F α =F 5−2,12−5
α =F3,7
0,05=4,35

iv) CONTRASTACIÓN
k−2 ,n−k
F c> F α

RR :91,056> 4,35

v) CONCLUSION
A un nivel de significancia de 5% se rechaza la hipótesis nula por lo tanto X3
particular es colineal con los demás Xi.

X5 = 7934,435 – 2007,589 x2 – 855,0684 x3

– 0,001179 x4
R2 = 0,901551
 i) PLANTEAMIENTO E LA HIPÓTESIS:
H o : R X 5 , X 2 , X 3 , X 42=0

H a : R X 5 , X 2 , X 3 , X 42 ≠ 0

ii) ESTADÍSTICO CALCULADO

R PR2
k −2
F c=
1−R PR2
n−k
0,901551
5−2
F c= =21,368
1−0,901551
12−5
i) ESTADISTICO TEORICO
k−2 ,n−k
F α =F 5−2,12−5
α =F3,7
0,05=4,35

ii) CONTRASTACIÓN
k−2 ,n−k
F c> F α

RR :21,368>4,35

iii) CONCLUSION
A un nivel de significancia de 5% se rechaza la hipótesis nula por lo tanto X3
particular es colineal con los demás Xi.

14.1.4. CONTRASTE DE FARRAR GLAUBER

MATRIZ DE CORRELACION

X2 X3 X4 X5
X2 1 - - -
0.618706456999 0.960921946369 0.904687517819
6298 8254 5104
X3 - 1 0.762426526586 0.368001166759
0.618706456999 0469 6251
6298
X4 - 0.762426526586 1 0.844164043111
0.960921946369 0469 0626
 8254
X5 - 0.368001166759 0.844164043111 1
0.904687517819 6251 0626
5104

DET|Rxx| = 0,0018809641
i) Planteamiento de hipotesis
Ho:|R XX|=1
Ha:|R XX|≠1
ii) Estadístico de prueba
2 k +5
[
G=− ( n−1 )− (
6 )
ln|R XX|
]
[
G=− ( 12−1 )− ( 2∗5+5
6 ) ]
ln|0,0018809641| =53,346

iii) Estadístico teorico

x 2k(k−1) x 210,0.05=18,307
,α
2
iv) Contraste
RR :53,346>18,30724,9957
v) Conclusión
A un nivel de significancia de 5% se rechaza la hipótesis nula por lo tanto EXISTE
presencia de MULTICOLINEALIDAD
14.1.5. FACTOR DE AGRANDAIENTO DE VARIANZA (FAV)
RAUX
1 1
X2: R2 = 0,957606 FAV [ X 2 ] = = =23,59 > 20 Presencia
1−Raux 1−0,957606
de multicolinealidad preocupante
1 1
X3: R2 =0,858337 FAV [ X 3 ]= = =7,06 > 10 Presencia de
1−Raux 1−0,858337
multicolinealidad
1 1
X4: R2 = 0,975015 FAV [ X 4 ] = = =40,02 > 20 Presencia de
1−Raux 1−0,975015
multicolinealidad preocupante
1 1
X5: R2 = 0,901551 FAV [ X 5 ] = = =10,16 > 10 Presencia de
1−Raux 1−0,901551
multicolinealidad
14.1.6. TEST DE THEIL
 R2 global 0,746454

Y = 307534.001267 + 736335.070832*X3 + 3.77225589538*X4 - 836.876121968*X5

R2 = 0,745449

Y = -2322138.32717 + 3285088.61097*X2 + 5.39080954618*X4 - 1073.18799474*X5

R2 =0,743842
Y = 3917676.48416 - 6497435.5156*X2 + 2334651.01961*X3 - 46.3799740261*X5
R2 = 0,716779

Y = -8808029.60989 + 3766440.2147*X2 + 1272785.45985*X3 + 3.45216488654*X4

R2 = 0,739959

2
m=RGLOBAL −⌈ ( R2GLOBAL −R2x2 ) + ( R2GLOBAL−R 2x 3 ) + ( R 2GLOBAL−R2x 4 ) + ( R2GLOBAL−R 2x 5 ) ⌉

m=0,746454−⌈ ( 0,746454−0,745449 ) + ( 0,746454−0,743842 ) + ( 0,746454−0,716779 ) + ( 0,746454−0,739959 ) ⌉

m=0,706667
m es mas próximo a 1 que a 0 por lo tanto indica presencia de multicolinealidad

HETEROCEDASTICIDAD
En estadística se denomina heterocedasticidad cuando los errores no son
constantes a lo largo de toda la muestra. El término es contrario
a homocedasticidad.
En otras palabras, en los modelos de regresión lineales se dice que hay elasticidad
cuando la varianza de los errores no es igual en todas las observaciones realizadas. En
caso de que haya heterocedasticidad no se cumple uno de los requisitos básicos de las
hipótesis de los modelos lineales.

CONTRASTE DE WHITE

EL Contraste de WHITE permite contrastar no linealidades utilizando los cuadrados y

los productos cruzados de todos los regresores la prueba de White es la prueba más
general para detectar la heteroscedasticidad en los modelos de regresión lineal. No
precisa de una especificación concreta de la heteroscedasticidad bajo la alternativa.
Para efectuar este contraste se plantea el modelo de regresión lineal múltiple que trata
de explicar los residuos al cuadrado en función de las variables explicativas y los
productos cruzados de las mismas.
En situaciones de homocedasticidad se cumple que:  sigue una distribución ji-cuadrado
con k-1 grados de libertad, siendo k el número de variables explicativas incluidas en el
modelo.
En nuestro estudio utilizamos le contraste de White para determinar si existe
hetorocedasticidad en nuestro modelo planteado, a continuación, realizaremos el
contraste de White que utiliza la gráfica chií cuadrada
I) PLANTEAMIENTO DE LA HIPOTESIS

H0:: E(Ui2) = &2 HOMOCEDASTICIDAD

Ha: E(Ui2) ≠ &2 HETEROCEDASTICIDAD

II) ESTADISTICO DE PRUEUBA.

Uc = nR2
Uc = 12*0,957606
Uc =11.4912

III) ESTADISTICO TEORICO

X2P-1,α = X25-1,0,05
X24,0,05 = 9,488
 6 *  di2
rS  1 
n  n 2  1

IV) CONTRASTE
Gráfica de distribución
Gráfica de distribución
Chi-cuadrada; df=4
Chi-cuadrada; df=4
0,20
0,20

0,15
0,15
Densidad
Densidad

0,10
0,10

0,05
0,05

0,05
0,00 0,05
0,00 0 9,488
0 X 9,488
X

V) CONCLUSION
A un nivel de significación del 5% se rechaza la hipótesis nula H O
Existe presencia de Heterocedasticidad

CONTRASTE DE RANGOS DE SPEARMAN

e x5 Re Rx di di^2
292215.956 8116.540 12 5 7 49
422653.888 8145.260 10 6 4 16
- 8041.580 1 4 -3 9
1653268.20
2
251080.181 7935.900 7 3 4 16
280463.757 7837.410 8 1 7 49
255960.197 7880.950 5 2 3 9
208739.383 8433.280 11 7 4 16
189219.360 8492.760 9 8 1 1
103222.771 8587.570 6 9 -3 9
-26339.721 8682.380 4 10 -6 36
-116762.434 8777.190 3 11 -8 64
-207185.138 8872.000 2 12 -10 100
374
 6∗374
r s=1− =−0.30769
12 ( 122 −1 )

i) PLANTEAMIENTO DE LA HIPOTESIS

Ho: no existe asociación entre las variables

Ha: existe asociación entre las variables (existe heterocedasticidad)

ii) ESTADISTICO DE PRUEBA

rS * n  2
tc 
1  rS 2
−0.30769∗ √12−2
t c= =−1.022611
√ 1−1.30769

iii) ESTADÍSTICO TEORICO

t n−k 12−5 7
α =t 0.05 t 0.025 =2.3646
2 2

iv) CONTRASTE

v) CONCLUSIÓN
A un nivel de significancia del 5% se acepta la hipótesis nula por lo tanto existe una
asociación entre las variables entonces se puede afirmar que el modelo NO PRESENTA
HETEROCEDASTICIDAD

12. AUROCORRELACIÓN
Otro de los supuestos importantes del modelo clásico de regresión lineal es que no
exista auto correlación o correlación serial entre las perturbaciones
Con los parámetros estimados se tiene la ecuación econométrica:

Ecuación de regresion
Y = -2797473 + 2245636 x2 + 625047 x3 + 4.34 x4 - 758 x5

12.1 Analizando por DURBIN WATSON:

e e^2 et-1 e-et-1 (e-et-2)^2

292215.95 85390165131.644   292215.95 85390165131.644
6 6
422653.88 178636309274.02 292215.95 130437.93 17014054091.091
8 5 6 2
- 2733295747416.7 422653.88 - 4309452524480.6
1653268.2 70 8 2075922.0 80
02 90
251080.18 63041257419.512 - 1904348.3 3626542764432.1
1 1653268.2 83 90
02
280463.75 78659919202.357 251080.18 29383.576 863394545.697
7 1
255960.19 65515622654.702 280463.75 -24503.560 600424451.417
7 7
208739.38 43572130099.892 255960.19 -47220.814 2229805293.750
3 7
189219.36 35803966169.932 208739.38 -19520.023 381031308.818
0 3
103222.77 10654940418.395 189219.36 -85996.589 7395413335.272
1 0
-26339.721 693780897.101 103222.77 - 16786439264.061
1 129562.49
2
- 13633466047.810 -26339.721 -90422.713 8176267086.303
116762.43
4
- 42925681227.421 - -90422.703 8176265277.849
207185.13 116762.43
8 4
3.35182E+12   8.08301E+12
 i. Planteamiento de la hipótesis
H o : ρ=0 NO EXISTE AUTOCORRELACION

H a : ρ>0 EXISTE AUTOCORRELACION

ii. Estadística de prueba
n

∑ ( e t −e t−1 )2
DW = t=2 n

∑ e2t
t =1

3.35182E+12
DW = =2.411526081
8.08301E+12

DW =2,411526081

iii. Estadístico teorico

Hallado por tablas de durbin Watson:

n=12 ; k-1=5-1=4

Entonces:
d L=0,51d U =2.177
 iv. Contraste

Rechace
Ho. Rechace
Evidencia No rechace Ho*
Zona de Zona de
de auto Ho O Ho* Evidencia
indecisión indecisión
correlación o ambas de auto
negativo correlació
n positiva

Auto Zona de No auto correlación Zona de Auto

correlación Indecisión Indecisión correlación
Positiva Negativa

0 dL dU 2 4-dU 4-dL
4
0 0,51 2,177 2 1,823 3,49
4

Como se puede ver queda en zona de indecisión, para lo cual se procederá con la
siguiente evaluación
v. Conclusiones

A un nivel de significación del 5 % no se rechaza la hipótesis nula entonces no existe

autocorrelación
 Prueba de ALEATORIEDAD (prueba de RACHAS)

e
292215.956
422653.888
-
1653268.202
251080.181
280463.757
255960.197
208739.383
189219.360
103222.771
-26339.721
-116762.434
-207185.138

2∗n 1∗n2 2∗8∗4

R=5 ; E [ R ]= = =5,3333
n1 +n2 8+4
n1 =8

n2 =4

2∗n1∗n2∗( 2∗n1∗n2 −n1−n 2)

v [ R ]= 2
=¿
( n1+ n2 ) ∗( n1+ n2−1 )
2∗8∗4∗( 2∗8∗4−8−4 )
v [ R ]= =¿ 2,1010
( 8+ 4 )2∗( 8+4−1 )

i. Planteamiento de la hipótesis

H o :existe aleatoriedad en residuos

H a :no existe aleatoriedad en residuos

ii. Estadístico de prueba

R−E [ R ] 6−5,333
Z c= = =0.4599
√ V [ R ] √ 2,1010
 iii. Estadístico teórico

Z 0,025=1,9599

RR: Z 0,025> Z c

1,9599 ¿ 0,4599 se rechaza H o

iv. Conclusiones

Por lo tanto se concluye que a un nivel de significación del 5% se rechaza la hipótesis

nula entonces existe autocorrelación

AUTOCORRELACION

CONTRASTE GRAFICO
y est e e-1
1110042 387957,589
1189606 352994,532 387957,6
1833101 - 352994,5
1609709,64
2217736 155463,781 -
1609710
2809214 241186,03 155463,8
3004814 107886,219 241186
2868117 369483,214 107886,2
3061863 258903,343 369483,2
3275749 138617,585 258903,3
3510765 -9753,445 138617,6
3723655 - -9753,45
134260,887
3936546 -258768,32 -134261
Observamos que existen más puntos en los cuadrantes I y III por lo tanto afirmamos que
existe correlación positiva

METODO FAV Y FAP

Por lo tanto existe auto correlación

CONTRASTE DE DURBIN WATSON

DATOS e e(t-1) (et-e(t-1)^2 et^2
1 387957,589 1,50511E+11
2 352994,532 387957,589 1222415355 1,24605E+11
3 - 352994,532 3,85221E+12 2,59117E+12
1609709,64
4 155463,781 -1609709,64 3,11584E+12 24168987203
5 241186,03 155463,781 7348303974 58170701067
6 107886,219 241186,03 17768839613 11639436250
7 369483,214 107886,219 68432987793 1,36518E+11
8 258903,343 369483,214 12227907870 67030941017
9 138617,585 258903,343 14468663578 19214834871
10 -9753,445 138617,585 22013962543 95129689,37
11 - -9753,445 15502103113 18025985778
134260,887
12 -258768,32 -134260,887 15502100872 66961043436
total 0,001 258768,321 7,14253E+12 3,26811E+12

i) Planteamiento de hipótesis
Ho: Ρ = 0 : no existe auto correlación
Ha: Ρ ≠ 0 : existe auto correlación
ii) Estadístico de prueba
 n

∑ ( et −e t−1 )2
DW = t=2 n
2
∑ et
t=1
DW = 2,18552629
iii) Estadístico teórico
A un α = 0,05% , n=12, se tienen: dU = 2,177 y dL = 0,512
iv) Contraste

v) Conclusión
A un nivel de significancia de 5% se acepta la hipótesis nula por lo tanto no existe
presencia de auto correlación
e
CONTRASTE DE 387957, ALETORIEDAD DE
RESIDUOS O PRUEBA DE 589 RACHAS
352994,
532
-
1609709
,64
155463,
781
241186,
03
107886,
219
369483,
214
258903,
343
138617,
585
-
9753,44
5
-
134260,
887
-
258768,
32
 Positivos: n1 =8
Negativos: n2 = 4
2∗n1∗n 2 2∗8∗4
μ R= +1= +1=6,333333
n 1+n 2 8+ 4
2∗n 1∗n 2(2∗n 1∗n 2−n 1−n 2) 2∗8∗4 (2∗8∗4−8−4)
σ 2R = = =2,101010
(n 1+n 2)2∗(n1+n 2−1) (8+4 )2∗(8+4−1)

R2= 0,746454

i) Planteamiento de hipótesis
Ho: Existe auto correlación
Ha: No existe auto correlación
ii) Estadístico de prueba
R 2−μR 0,746454−6,333333
ZC = 2
= =−2,66
σR 2,101010
iii) Estadístico teórico
Z 0,025=1,96
iv) Contraste
RR :2,66>1,96
vi) Conclusión
A un nivel de significancia de 5% se rechaza la hipótesis nula por lo tanto EXISTE
presencia de AUTOCORRELACION

CONTRASTE DE INDEPENDENCIA DE RESIDUOS

e e(t-1)
-1609709,64 352994,532
155463,781 -1609709,64
241186,03 155463,781
107886,219 241186,03
369483,214 107886,219
258903,343 369483,214
138617,585 258903,343
-9753,445 138617,585
-134260,887 -9753,445
-258768,32 -134260,887

+ei -ei total

+ei-1 6 5,09 2 2,91 8
-ei-1 1 1,91 2 1,09 3
7 4 11
Xc 2= 1,64
i) Planteamiento de hipótesis
Ho: Existe independencia en la secuencia de resultados
Ha: No existe independencia en la secuencia de resultados

ii) Estadístico de prueba

Xc 2= 1,64

iii) Estadístico teórico

Xc 2= X1;0,05 2 = 3,841

iv) Contraste
RA :2,66>1,96
v) Conclusión
A un nivel de significancia de 5% se acepta la hipótesis nula por lo tanto existe
independencia en la secuencia de residuos

15. INTERPRETACION DE RESULTADOS

MULTICOLINEALIDAD
De acuerdo con los resultados obtenidos con los distintos métodos concluimos que el
modelo presenta multicolinealidad.
HETEROCEDASTICIDAD
De acuerdo con los resultados obtenidos con los distintos métodos observamos que el
modelo presenta heterocedasticidad según el contraste de White
AUTOCORRELACION
De acuerdo con los resultados obtenidos con los distintos métodos observamos que en
algunas pruebas resalta la autocorrelacion y en otros no podemos decir que existe una
autocorrelacion pero sin embargo no es muy notoria o afectable al modelo.

16. PLANTEAMIENTO Y ANÁLISIS PARA LA CORRECCIÓN DEL MODELO

Para una corrección del modelo con el análisis de multicolinealidad podemos corregirlo
con la medida de Theil
R2gl - R2aux
R2gl = 0,746454
Y = 307534.001267 + 736335.070832*X3 + 3.77225589538*X4 - 836.876121968*X5
R2 = 0,745449

Y = -2322138.32717 + 3285088.61097*X2 + 5.39080954618*X4 - 1073.18799474*X5

R2 =0,743842
Y = 3917676.48416 - 6497435.5156*X2 + 2334651.01961*X3 - 46.3799740261*X5
R2 = 0,716779

Y = -8808029.60989 + 3766440.2147*X2 + 1272785.45985*X3 + 3.45216488654*X4

R2 = 0,739959

X2: 0,746454 - 0,745449 = 0,001005

X3: 0,746454 - 0,743842 = 0,002612
X4: 0,746454 - 0,716779 = 0,029675 mayor valor
X5: 0,746454 - 0,739959 = 0,006495

Por lo tanto excluiremos x4 ya que no aporta significativamente al modelo y se

puede eliminar

17. PRESENTACION DEL MODELO CORREGIDO

Y = 3917676.48416 - 6497435.5156*X2 + 2334651.01961*X3 -

46.3799740261*X5

18. CONCLUSIONES

Se realizó la corrección del modelo respecto a su multicolinealidad porque esta se

presentaba de una forma más notoria, en el estudio para las pruebas de
heterocedasicidad y correlación el modelo tiene presencia de estos sin embargo en
algunas pruebas no se lograba detectar por lo tanto con un aumento de
observaciones(datos) podemos poner solución.

19. RECOMENDACIONES
Podemos incrementar datos para que de esta forma nuestros análisis sean más
correctos al igual que las correcciones y es recomendable que estos datos sean
recopilados de manera precisa

20. BIBLIOGRAFIA

 GUJARATI, Damodar (1997): Econometría, 3ª ed. McGraw Hill.

 GREENE, William H. (1999): Analysis Econometric, 3ª ed. Prentice Hall.

 MADDALA, G (1985): Econometría. 1ª ed. McGraw-Hill. México.NOVALES,

Alfonso (1993): Econometría. 2ª ed. McGraw-Hill. Madrid.
 PROYECTO DE GRADO “Proyecto de Factibilidad planta Panificadora de la
Empresa la nueva gaita srl” POR: L. REYNALDO MENDOZA AGUIRRE