Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 22 vistas

    Ejercicio 2.10

    Cargado por

    Israel Vargas Casimiro
    El documento presenta los resultados de varias regresiones lineales simples donde la variable dependiente es el rendimiento de diferentes acciones (Disney, GM, etc.) y la variable independiente es el rendimiento del mercado (mktrf). Todas las regresiones muestran una relación positiva y estadísticamente significativa entre el rendimiento de la acción y el rendimiento del mercado.

    Copyright:

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

    Ejercicio 2.10

    Cargado por

    Israel Vargas Casimiro
    22 vistas4 páginas
    El documento presenta los resultados de varias regresiones lineales simples donde la variable dependiente es el rendimiento de diferentes acciones (Disney, GM, etc.) y la variable independiente es el rendimiento del mercado (mktrf). Todas las regresiones muestran una relación positiva y estadísticamente significativa entre el rendimiento de la acción y el rendimiento del mercado.

    Descripción original:

    econometria 1

    Título original

    ejercicio 2.10

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El documento presenta los resultados de varias regresiones lineales simples donde la variable dependiente es el rendimiento de diferentes acciones (Disney, GM, etc.) y la variable independiente es el rendimiento del mercado (mktrf). Todas las regresiones muestran una relación positiva y estadísticamente significativa entre el rendimiento de la acción y el rendimiento del mercado.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    22 vistas4 páginas

    Ejercicio 2.10

    Cargado por

    Israel Vargas Casimiro
    El documento presenta los resultados de varias regresiones lineales simples donde la variable dependiente es el rendimiento de diferentes acciones (Disney, GM, etc.) y la variable independiente es el rendimiento del mercado (mktrf). Todas las regresiones muestran una relación positiva y estadísticamente significativa entre el rendimiento de la acción y el rendimiento del mercado.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    de 4

    b)

    . regress disneyrf mktrf

    Source SS df MS Number of obs = 132


    F( 1, 130) = 57.94
    Model .271710328 1 .271710328 Prob > F = 0.0000
    Residual .609603956 130 .004689261 R-squared = 0.3083
    Adj R-squared = 0.3030
    Total .881314285 131 .00672759 Root MSE = .06848

    disneyrf Coef. Std. Err. t P>|t| [95% Conf. Interval]

    mktrf .9145949 .1201511 7.61 0.000 .6768902 1.1523


    _cons -.0036599 .0069402 -0.53 0.599 -.0173903 .0100704

    . regress gerf mktrf

    Source SS df MS Number of obs = 132


    F( 1, 130) = 80.86
    Model .2396671 1 .2396671 Prob > F = 0.0000
    Residual .38532113 130 .002964009 R-squared = 0.3835
    Adj R-squared = 0.3787
    Total .62498823 131 .004770903 Root MSE = .05444

    gerf Coef. Std. Err. t P>|t| [95% Conf. Interval]

    mktrf .8589738 .0955246 8.99 0.000 .6699897 1.047958


    _cons -.0053236 .0055177 -0.96 0.336 -.0162398 .0055925

    . regress gmrf mktrf

    Source SS df MS Number of obs = 132


    F( 1, 130) = 33.81
    Model .427220952 1 .427220952 Prob > F = 0.0000
    Residual 1.64283026 130 .012637156 R-squared = 0.2064
    Adj R-squared = 0.2003
    Total 2.07005122 131 .015801918 Root MSE = .11242

    gmrf Coef. Std. Err. t P>|t| [95% Conf. Interval]

    mktrf 1.146838 .1972424 5.81 0.000 .7566171 1.537058


    _cons -.0072477 .0113931 -0.64 0.526 -.0297877 .0152923

    . regress ibmrf mktrf

    Source SS df MS Number of obs = 132


    F( 1, 130) = 86.93
    Model .428270007 1 .428270007 Prob > F = 0.0000
    Residual .640436604 130 .004926435 R-squared = 0.4007
    Adj R-squared = 0.3961
    Total 1.06870661 131 .008158066 Root MSE = .07019

    ibmrf Coef. Std. Err. t P>|t| [95% Conf. Interval]

    mktrf 1.148245 .1231522 9.32 0.000 .904603 1.391887


    _cons .0102072 .0071135 1.43 0.154 -.003866 .0242805

    . regress msftrf mktrf

    Source SS df MS Number of obs = 132


    F( 1, 130) = 64.51
    Model .51562509 1 .51562509 Prob > F = 0.0000
    Residual 1.03901628 130 .007992433 R-squared = 0.3317
    Adj R-squared = 0.3265
    Total 1.55464138 131 .011867491 Root MSE = .0894

    msftrf Coef. Std. Err. t P>|t| [95% Conf. Interval]

    mktrf 1.259919 .1568611 8.03 0.000 .9495884 1.57025


    _cons .0137367 .0090606 1.52 0.132 -.0041887 .0316621

    . regress xomrf mktrf

    Source SS df MS Number of obs = 132


    F( 1, 130) = 27.10
    Model .069109184 1 .069109184 Prob > F = 0.0000
    Residual .331534582 130 .002550266 R-squared = 0.1725
    Adj R-squared = 0.1661
    Total .400643765 131 .003058349 Root MSE = .0505

    xomrf Coef. Std. Err. t P>|t| [95% Conf. Interval]

    mktrf .4612576 .0886071 5.21 0.000 .2859591 .6365561


    _cons -.0079661 .0051181 -1.56 0.122 -.0180917 .0021595
    c) .4
    .2
    0
    -.2
    -.4

    -.2 -.1 0 .1
    mkt-rf

    msft-rf yhat
    d)
    . regress disneyrf mktrf, noconstant

    Source SS df MS Number of obs = 132


    F( 1, 131) = 84.70
    Model .395012816 1 .395012816 Prob > F = 0.0000
    Residual .610908059 131 .00466342 R-squared = 0.3927
    Adj R-squared = 0.3881
    Total 1.00592088 132 .007620613 Root MSE = .06829

    disneyrf Coef. Std. Err. t P>|t| [95% Conf. Interval]

    mktrf .9470557 .1029016 9.20 0.000 .7434917 1.15062

    . regress gerf mktrf, noconstant

    Source SS df MS Number of obs = 132


    F( 1, 131) = 122.08
    Model .361658598 1 .361658598 Prob > F = 0.0000
    Residual .388080297 131 .002962445 R-squared = 0.4824
    Adj R-squared = 0.4784
    Total .749738895 132 .00567984 Root MSE = .05443

    gerf Coef. Std. Err. t P>|t| [95% Conf. Interval]

    mktrf .9061901 .0820153 11.05 0.000 .7439442 1.068436

    . regress gmrf mktrf, noconstant

    Source SS df MS Number of obs = 132


    F( 1, 131) = 51.35
    Model .646001857 1 .646001857 Prob > F = 0.0000
    Residual 1.64794428 131 .012579727 R-squared = 0.2816
    Adj R-squared = 0.2761
    Total 2.29394614 132 .01737838 Root MSE = .11216

    gmrf Coef. Std. Err. t P>|t| [95% Conf. Interval]

    mktrf 1.211119 .1690073 7.17 0.000 .8767821 1.545456

    . regress ibmrf mktrf, noconstant

    Source SS df MS Number of obs = 132


    F( 1, 131) = 99.21
    Model .492716902 1 .492716902 Prob > F = 0.0000
    Residual .650579873 131 .004966259 R-squared = 0.4310
    Adj R-squared = 0.4266
    Total 1.14329678 132 .008661339 Root MSE = .07047

    ibmrf Coef. Std. Err. t P>|t| [95% Conf. Interval]

    mktrf 1.057715 .1061902 9.96 0.000 .8476453 1.267785

    . regress msftrf mktrf, noconstant

    Source SS df MS Number of obs = 132


    F( 1, 131) = 70.67
    Model .57044026 1 .57044026 Prob > F = 0.0000
    Residual 1.05738703 131 .008071657 R-squared = 0.3504
    Adj R-squared = 0.3455
    Total 1.62782729 132 .012332025 Root MSE = .08984

    msftrf Coef. Std. Err. t P>|t| [95% Conf. Interval]

    mktrf 1.138086 .135379 8.41 0.000 .8702739 1.405898

    . regress xomrf mktrf, noconstant

    Source SS df MS Number of obs = 132


    F( 1, 131) = 48.33
    Model .124605564 1 .124605564 Prob > F = 0.0000
    Residual .33771267 131 .002577959 R-squared = 0.2695
    Adj R-squared = 0.2639
    Total .462318235 132 .003502411 Root MSE = .05077

    xomrf Coef. Std. Err. t P>|t| [95% Conf. Interval]

    mktrf .5319106 .0765082 6.95 0.000 .3805591 .683262

    También podría gustarte