You are on page 1of 22

1.

Usando los siguientes datos, consumo nacional (
R
(¿¿ t)
¿

Ct

) y renta nacional

en España para el periodo 1995-2005 a precios corrientes (

10
(¿¿ 9 euros) , obtenga las estimaciones por MCO, así como las sumas de
¿
cuadrados total, explicada y residual , y el coeficiente de determinación, para el
Ct =β 1 + β 2 Rt +u t
modelo de regresión
AÑO
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
SOLUCIÓN
∑ Xi=6021
Y´ =492.90909

Ct
349
368
388
414
444
484
518
550
586
635
686

∑ Yi=5422

Rt
388
408
433
465
498
538
574
614
656
699
748

∑ Xi 2=3443083

∑ XiYi=3104015

β 1=

∑ XY −n ´x´´y
∑ X 2−n ´x 2

β 1=

( 3104015 )−(11)(547,36364)( 492,90909)
2
3443083−11(547,36364)

X´ =547.36364

∑ Yi 2=2798598

1=¿ 0.9240389525 ≈ 0.92404
β¿
β 0= ´y −β 1 ´x =( 492.90909 ) −( 0.92404 ) ( 547.036364 )=−12.87680791

N=11

Interpretación:
β0
: Se puede estimar que cuando la renta nacional en España es cero el consumo
nacional es -12.87681.
β1
: Estimamos que el incremento de la renta nacional es de 0.92404 por unidad.
Yi
⏞ =−12.87681+ 0.92404 Xi

Y=consumo nacional (t)
X=renta nacional (rt)
3104015−11 ( 547.36364 )( 492.90909 )=125862.8872
SCR=β 1 ∑ XiYi−n X´ Y´ =0.92404 ¿
SCR=125862.8872
2
SCT =( n−1 ) S Y =10 ( 12604.49091 )=126044.4091
SCT= 126044.4091
SCE=SCT −SCR=126044.4091−125862.8872=182.0218909
SCE=182.0218909
SCR 125862.8872
2
r=
=
=0.9985558965 ≈ 0.99856
SCT 126044.4091
El modelo de regresión lineal simple explica que el 99.9% de las variables renta nacional
con relación a la consumo nacional, tienen una relación muy buena al ser el coeficiente de
determinación muy cercana a la unidad.
2. Una desea estimar los gastos en alimentación de una familia Y en base a la
información
que
proporcionan
las
variables
regresora
X 1=ingresos mensuales
X 2=número de miembros de la familia
y
”.Para
ello se recoge una muestra aleatoria simple de 15 familias cuyos resultados son
los de la tabla adjunta (El gasto e ingreso está dado en miles de dólares)
GASTO

0.43 0.31

INGRESO 2.1
TAMAÑO 3

1.1
4

0.32

0.46

1.25 0.44

0.52

0.29

1.29

0.35

0.35

0.78

0.43

0.47

0.38

0.9
5

1.6
4

6.2
4

1.8
6

1.0
5

8.9
3

2.4
2

1.2
4

4.7
3

3.5
2

2.9
3

1.4
4

2.3
3

a) Encontrar y estimar el modelo.
b) Interpretar los coeficientes
c) Calcular los intervalos de confianza de los parámetros del modelo al 90% , para
2
la σ

d) Encontrar la varianza de los estimadores del modelo

006008154) . Solución: a) Encontrar y estimar el modelo : γ =−0.e) Los intervalos de confianza y pruebas de hipótesis para los coeficientes.01223656619.003224411807) d) Encontrar la varianza de los estimadores del modelo  b20  0.16045804+ 0. 2 para la σ  (15  2  1)(0.07691519 Es el incremento en los gastos de alimentación en miles de dólares por cada miembro de la familia sin tener en cuenta los ingresos mensuales.892 22.006008154) (15  2  1)(0. cuando no hay ingresos mensuales y tampoco número de miembros de la familia b1=0.14872702 x 1+ 0.00817019 . c) Calcular los intervalos de confianza de los parámetros del modelo al 90% .36   IC   IC  (0. 0. b2=0.16045804 nos indica los gastos en alimentación en miles de dólares.14872702 Nos indica los gastos en alimentación en miles de dólares por cada ingreso mensual. sin tener en cuenta el número de miembros de la familia.  5.07691519 x 2 b) Interpretar los coeficientes 0=¿ b¿ -0.

679771076 0.160458043+2.00817019)   0  -0.( n k 1)  2C jj     j t / 2.94272E-05  b22  0.89 GL 2 12 14 Se rechaza la H0 SC CM 1.160458043-2.( n  k 1)  2C jj -0.359542152 0.036482895 0.000404286 e) Los intervalos de confianza y pruebas de hipótesis para los coeficientes.006008154(0.091X 2i  0.120724296 Regresión Residuos Total Ftab  3. Sadasd 4. La función de beneficios de los operadores de telefonía móvil en nuestro país podría corresponder a una función del siguiente tipo:  Yi  0.170452656 0.006008154(0.00817019) -0. X 3i : Precio medio del cose de llamada en la compañía i: En relación con el modelo anterior s conoce la siguiente información: .  j  t / 2. b21  9.160 0. X 2i : Tipos de contratos que ofrece a sus clientes la compañía i.127001389  1  0.072097848 0.43164 F 113.63 xX 3i Donde: Yi : Beneficios obtenidos en el último trimestre por la compañía i.276  2.357398981   0  0.14142 de manera que el modelo en conjunto es bueno para explicar la varianble dependiente 3.160 0.033106092   2  0.006008154 1.

091)  (18.276         11 27 29 2.  Yt  1. Una empresa farmacéutica está interesada en retirar del mercado uno de sus complejos vitamínicos.091)  56.8  0.63    ( X T X ) B  X TY Por fórmula sabemos que  5 11 12  0.9278  27 X TY Entonces  5 11 12    11 27 29  12 29 32   5. La decisión adoptada consistirá en eliminarlo de su producción si los beneficios no se ven afectados y mantenerlo en el caso de que estos varíen de forma significativa.091   12 29 32 0. Con el fin de tomar una decisión se ha elaborado un modelo econométrico para explicar los Beneficios(Y) a partir de los costes del complejo vitamínico cuya exclusión se está planteando(X2) y los costes totales de producción(X3).091  0.63)  35 3. Acerca de estas variables se conoce la estimación del siguiente modelo de regresión.091)  (29* 0.306 a  26.276)  ( a * 2.5 X 3t .036  ( a * 2.276    B   2.32 X 2t  0.27)  35 ( a * 2. 5 11 12   XTX  ¿? 29  32    14   X T Y   35  37   Se completa la matriz de :  0.63       14  35  37 Multiplicando matrices: (11* 0.

8 0.054  22.946 2.737414 46 13 H0 Se rechaza Existe suficiente evidencia estadística para concluir que los costes de complejo vitamínico y los costes totales influyen significativamente en los beneficios.2.97 T    1.8 t 3t  4.554 0. Con la finalidad de analizar la sensibilidad de los beneficios a los costes del mencionado complejo (X2) se ha estimado un modelo alternativo en el que se excluye esta variable.5 2 t t 2t Y X  2. ¿Contribuyen globalmente las variables seleccionadas en la explicación de la variación de la variable beneficios? b.8   0.1 Suponga que usted es el asesor económico del director de la empresa farmacéutica y debe aconsejarle acerca de la producción para el año próximo.05.5  1.1   T      T   1.7) Promedio de los cuadrados 0.7) 5.946 ANVA: H 0 : 2  3  0 H1 :  2   3  0 F.5 10 2 nY  22.32 0.Y la siguiente información: n=10  Y  15  (Y  Y ) t Y X  2.32 0.554  0.749471 4.5 Fcal  F(0.777 0.V Regresió n Residuos Total Grados de libertad Suma de cuadrado s 2 7 9 1.5 SCR  24.2. para ello debe responder a las siguientes preguntas: a.5  15  1.054 T SCT   (Yt  Y ) 2  2. .5  1. De este modelo se conoce el coeficiente de bondad de ajuste  15   X Y   2.5 R 2  0.8  4.554 SCE  2.135142857 Fcal F(0.5  Y  X Y  24.05.

4375 s y2  2 0. X3: nº de piscinas particulares situadas en la zona.6875 1. 6.5625 -0.1.95 Dado el modelo: Yi  1   2 .0625 sbb  . X 2i   3 .6875 1. (X^TX)^1 0. X2: nº de kilómetros de distancia a la playa más cercana.6216)*(2 / 7)  R2  Al eliminar el efecto de los costes del complejo vitamínico el porcentaje de la variación de los beneficios aumenta que son explicados por la variable dependiente.8125 R 2  0.0625 0.554  0.4375 -0.6216 2.5625 -0. X 3i   i H0 : 3  1  35 2  2  180 a) Contraste la siguiente hipótesis: Solución: Y: Nº de entradas al día. Dispone además de la siguiente información: 0. que el número de entradas vendidas al día (Y) depende del número de kilómetros de distancia a la playa más cercana (X2) Y del número de piscinas particulares situadas en la zona (X3).6875 0.4375 -1.4375 -1.5 R 2 ajust  1   (1  R 2 )*( glT / glE )  1   (1  0. EL Gerente de un polideportivo municipal ubicado en el interior de una provincia situada en la costa conoce por experiencia de los 5 años anteriores.

1875 -22.4375 -1. X 2i   3 . . X 3i   i Yi  9.4375 X 2i  17.5625 Entonces el modelo es: Yi  1   2 . Q  [ K T µ  m]T [ K T ( X T X ) 1 K ]1[ K T µ  m] 0 m]T1 [ K-1T µ  0 2 0 35 -180 9.8125 20 59 88 (X^TY) µ  ( X T X ) 1  9.4375 17.5625 .5625 X 3i   i Hipótesis general H0 : -1 0 1 K m 3  1  35 2  2  180 0 2 0 K^T 35 -180 -1 0 0 2 r=2 1 0 .4375 17.0625 0.1875  22.0.1875 -22.

125 Q Q 3376.2107 Ftab  10.5625 0.4375 2.-26.125 -1 0 1 [ K T ( X T X ) 1 K ]1  0 2 0 0.4375 1.125 µ  m]  [K T  0 0.µ Fcal  3376.4864864 0.125 0.625 [ K T µ  m]T  135.625 135.0625 0.0625 0.4864864 9 0.3243243 0.13 - 2.84291 Fcal  Q S Q  2 2 µ S .84291 2* 2 Fcal  844.8125 -1 0 2 1 0 [ K T ( X T X ) 1 K ]1  POR LO TANTO µ  m]T [ K T ( X T X ) 1 K ]1[ K T µ  m] Q  [K T  -26.3243243 2 0.3243243 2 26.625 135.3243243 9 2 0.6875 0.4375 1.2162162 2 2 -26.2162162 2 .625 135.6875 1.

6477 −0.7391 −0. Yt  1   2t  3t  ut 8-Para el modelo n  12  X 'X  1 SCT  104 '9167 se tiene los siguientes datos:  0.041 −0.6545 cuando las variables independientes son cero.0071 0.0011 699 0.0152 448 0.0152   .6545 β2=0. El incremento de Y es de 0.2258 Interpretación: β1 : estimamos que la variable dependiente se incrementa en 1.06369 −0.0011 0. β2: El incremento de Y es de 0.  91   X ' Y   699  448   Se pide: a) Ajustar el modelo por el método de MCO determinación  2  3  1 b) Contraste de significación para y calcular el coeficiente de 0  2.6477 0.041 0. se rechaza la al 95% de confianza.3 c) Intervalo de predicción para E[Y] sabiendo que a. .0011 0.5 0  0.0639 91 1.2258 β 1=1.041 0.Fcal  Ftab H0 Decisión: .041 = 0.0639     0.6545 ^β=( X T X )−1 ( X T Y ) = −0. [ ][ ] [ ] 0.7391 por unidad cuando β3: b.0071 −0. H0 Por lo tanto como se rechaza no se puede construir un cuadro ANVA para el modelo reducido.0639 0.0011  0.7391 β 3=0.2258 por unidad cuando β3 no se tiene en cuenta β2 no se tiene en cuenta.

58333 N 12 [ ] 91 ^β T X T Y = [ 1.2258 ] × 699 =768.0201 SCR SCT −SCE 104.0639 0 −1 K ( X T X ) K T =[ 0 1 1 ] −0.3488 448 SCR=768.7391 −1=−0.9167 El modelo de regresión múltiple explica que el ajuste realizado explica aproximadamente un 74.1049 0.0141 ] 1 =0.041 0.SCR = ^β X Y −N Y N=12 Y = T T 2 ∑ Y = 91 =7. { H 0 : β 2+ β3 =1 β 2 + β 3−1=0 m=1 K =(0 1 1) H 1 : β2 + β 3 ≠ 1 [ ] 1.2258 [ ][ ] 0.6445 K ^β−m=[ 0 1 1 ] 0.0011 0..9167−78.962 N −K N−K 9 = .0351 0.26547 Además como SCT= 104.58333 )2=78.3488−12 ( 7. c.06369 −0.59% de la variabilidad de la dependiente. Para el contraste de significación de la restricción tendremos en cuenta que se rechaza la hipótesis nula.0071 −0.041 −0.26547 R2= = =0.6545 0.006 0.2654 2 σ^ = = = =2.0201 1 T −1 T −1 K ( X T X ) K T =0.6477 −0.7459 SCT 104.0152 1 [] 0 K ( X X ) K =[ −0.9167 el coeficiente de determinación será: SCE 78.7391 0.0011 1 −0.

6.06369 −0.041 −0.962× 0. Intervalos de confianza E [ Y ] : V 0=2.6477 −0.727) [ 0.0.117 2.2 σ^ =2.5 =¿ −0.43451 X T −1 X 0 (¿¿ T X ) X 0 Y^ 0=± σ t n−k−1 .6545+0.0351 =0. .05 =5.3 X 0T ¿ [ ][ ] X (¿¿ T X ) X 0=0.5 W 0=−0.0152 −0.962 2 Fcal = −0.43451±(2.041 0. d.0207 F tab =F1.52837 X 0T ¿ −1 3.2622)(1.60451.3 Y =1.0201 Fcal < F tab SE ACEPTA H 0 β 2+ β 3=1 Podemos concluir diciendo que en el problema.2458 W 2 + μt =3 Y =3.α / 2 √¿ X 0.0011 2.7391 V 1 +0.26451 ] 9-En un estudio de los determinantes de la inversión se usaron 20 datos anuales. correspondientes a las siguientes variables: inversión anual en billones de pesetas (Y).0071 −0.3 ] −0.721)( 0.9.0639 1 (¿¿ T X )−1 X 0=[ 1 2.5 −0.0011 0.

c) Contraste la hipótesis nula: 1  1    2  2 X [ 0.Se dispone de la siguiente información: ∑ X 1t =100 ∑ X 2t =24 ∑ Y t =5 ∑ X 1t Y t =−255 ∑ X 2t Y t =146 ∑ X 1t Y 2 t =100  X12t  680  Y Y   X 22t  48 '8 t Se pide: 2  1200 Yt     X 1t   X 2t  u2 a) Obtenga las estimaciones por MCO de modelo b) Contraste la significación global del modelo a partir del porcentaje de evolución temporal de la inversión que puede explicarse por la influencia lineal del tipo de interés y la variación anual del PB.09875 (¿¿ T X )−1= −0. es de -2.725 cuando tipo de interés en porcentaje (X1) y variación anual del PBI en billones de pesetas(X2) es cero.03875 −0.09875 0.05625 146 6.03875 −0.09875 0.36225 −0.875 X 1+ 6.00625 −255 = −0.00625 0.00625 −0.03875 0.36225 −0.725 ^β= −0.05625 ¿ [ ] ][ ] [ ] [ ] β0 0.00625 0.725−0. β1: La inversión anual en billones de pesetas tiene una disminución de -0.875 = β1 −0.125 β2 Y =−2.00625 0.tipo de interés en porcentaje ( X2 ¿ X1 ¿ y variación anual de PIB en billones de pesetas ( .03875 0. .09875 5 −2.00625 0.875 por unidad cuando no se tiene en cuenta la variación anual del PBI en billones de pesetas sin tener en β2 cuenta .125 X 2+ μ Interpretación: β0 : Inversión anual en billones de pesetas (Y).

59 17   0.25 SCR  1103.45  0.7 146  Y 5  0. n  p ) n p Puesto que:  T   X Y   2.45  SCT   (Y t  Y )  1200 1102. p 1.125  *  T   5   255  1103.0187 1200 2 *3.125  .125     1 1.59 17 R2  2 Rsig Entonces: 2 R 2  Rsig Por tanto como podemos afirmar que el modelo es significativo. p 1.725    *  0.875   6.875     2 4.875 6.725 0. Para el modelo significativo a partir del coeficiente de determinación se ha de verificar: p 1 * F(0.25  1102.2969 2 1  *3.β2: Nos indica que la inversión anual en billones de pesetas se incrementa en 6. n  p ) n p 2 2 R   Rsig p 1 1 * F(0.05.25 20 2 nY  1.7  1.05. Finalmente para contrastar la hipótesis:  1  1  2  2 H0 :  Se tiene que  0 1 0 K    0 0 1  1 m   2 s2 En tal caso:  0 1 0 K m     0 0 1   2.125 por unidad cuando no se tiene en cuenta β1 .

0988 0. 10-Se desea estudiar la influencia que sobre la demanda de carne de vacuno ha X ¿ X ¿ tenido el precio de la carne de cerdo ( 1 y de la ternera ( 2 . Puesto que: R2 0.0063 0.20 (0. obteniéndose los siguientes resultados: 2 Y^t =2.0063 *  0. por lo que los precios de la carne influyen sobre la demanda.9 SCE=126 ¿Se podría afirmar.0988     *  0.1/ 20 0. 0 1 0 K ( X T X ) 1 * K T     0 0 1  0.4597 2*5.5 X 2 t R =0.0063 1 0   0.17)  3.8623 0.7382 17 Por lo tanto: Fcal   1.05.0562     0 0    0.0401  1.0388 0.0401 20. 45 Fexp  k  12    90  3.0063 0.0401    111. para un nivel de confianza del 95% que los precios no influyen sobre la demanda de ternera? Para saber si los precios de la carne de cerdo y de ternera influyen en la demanda de la carne estudiaremos la significación conjunta del modelo.59  178.55 97.7382 4.05.2. 49  F2.1+ 0.95)  Fk 1.125   Fcal  F(0.875    4.0063 0.17) Se rechaza la hipótesis nula.2.0562    01  Además: 2  SCE  SCT  SCR  97.7702 20. Yt  1   2 .875 F(0. X 3t  ut 11-Para estimar el modelo se ha obtenido una muestra de la cual ha resultado: .55  5.7 X 2 t −1.n k (1   ) 1 R 0.9 / 2 0.Para ello se han tomado datos anuales desde 1979 a 2001 (ambos inclusive).0388 0.125  20.0063 0. 005 nk Solución: Concluimos que se rechaza la hipótesis nula de que todos los coeficientes de las variables explicativas son nulos de forma simultánea. X 2t  3 .

X 3  7 predicción Y´ =10 /14 a.1429  12   T Y 20  0.C C.9998 2.8074 3.05.3214 0.7143) 2  4.M Fcal F(0.7143 24 SCR  12.9998 SCT  14  14(0.5 1   10        X Y   0.1429  14(0.11) Regresión 2 4.499 14.7857  X 2t  2 X 3t Por lo tanto el modelo estimado queda: b.7857  1.5 7  14 7 15    10   X ' Y   6  12   Y ' Y  14 Se pide: a) Estimar los coeficientes del modelo por MCO b) Estudiar la significación del modelo.    X X T 1 1.7857 1 2  *  6   12. Estudiar la significación del modelo: H 0 : B2=B3 =0 H 1 : almenos un Bi ≠ 0i=2.7143) 2  6.3  10  X T Y   1. 14 7 14   X ' X   7 4. 2  1  3 c) Contrastar el intervalo de predicción d) Calcular el intervalo de X 2  5.8569 SCE  6.8569  8074  1.98 ∑ Y =10 .V G.5 1 0 * 6  1   1    0 1 2      12 T  Y  1.2.8571 F.L S.

75notamediaBUPt  20.84 Fcal  0 Fcal  F(0.05. El modelo es significativo.05.05. d.188 Fcal  F(0.11)  4. Los resultados de la estimación fueron los siguientes: ˆ t  25  0. Intervalo de predicción:  1   X 0   5  7   2  X 0T   1 5 7    Y  X 0T   17.4109 11 X 0T  X T X  1 X 0  56. Contrastar la hipótesis K   0 1 1 B 2+1=B 3 m  1 s 1  1.1) H0 Se rechaza .3214 ¨Por lo tanto: 17.2143 1.0625  95% 12.8571 0.1. Al objeto de determinar si existen o no diferencias en las calificaciones obtenidas por hombres y mujeres en una determinada asignatura.72 .7857   K   m   0 1 1 *  1  1  0  2     F(0.201*0.3671   2  34.2.5 genero nota R 2  0. a partir de 20 observaciones se estimó el modelo: notat   0  1notamediaBUPt   2 genero  ut Donde la variable genero toma el valor de 1 si se trata de una mujer y 0 para un varón. c.11) Por lo tanto no se rechaza a la hipótesis.3214 P  10.8571  0.Error 11 Total 13 1.2143  2.1.1688    0.4109* 56.

913 2.Completamos la matriz:    248   1622 9202  37592 . como la estimación de dicho parámetro es positiva.05.1  2. puede afirmarse que los resultados de unos y otros son distintos. 4. 13. se pretende estimar el modelo de regresión: Yt   0  1 X 1t   2 X 2t  3 X 3t  ut A partir de:  14    85 631 T   X X  532 3126 20666     2094 13132 78683 317950  X TY    Se pide: a) Calcular las estimaciones de los parámetros de modelo MCO: .3 ¿Puede decirse que los resultados de unos y otros son distintos? Solución: Teniendo en cuenta que la nota esperada para un varón y una mujer son respectivamente: E  notat / generot  0   0  1notamediaBUPt E  notat / generot  1   0  1notamediaBUPt   2 Se tiene que para una misma nota media BUP.0003 tcal  ttab Se tiene que dicho parámetro es distinto de cero.3 ttab  t(0.60)  2. la diferencia esperada entre la nota de una mujer y un hombre viene determinada por: E  notat / generot  1  E  notat / generot  0   2 Como el contraste de significación individual para dicho parámetro es significativo: 20.5 tcal   8. la nota esperada para una mujer es mayor que la de un hombre (siempre y cuando tengan la misma nota medio en BUP). Además.5   7. Con información muestral relativa a 14 observaciones. Por tanto.

003635 0.7617  0.164 0.00094 XTX : 0.000575  9202    0.015065 0.23145 0.891   0.3982 X 2 t  0.23145 0.001194 0.001194 0.000575 0.00094  1622 * 0.000575  0.164 0.013204 0.3982  0.891  0.03713 X 3t   Var ˆ b) Estimar Solución: Teniendo en cuenta (por construcción del vector 248  Yt  248  Y  14  17. X t Y  4552.7617  248     0.001194 0.015065 0.7617 0.85 532 2094   14   85 631 3126 13132 T  X X  532 3126 20666 78683    2094 13132 78683 317950 - Hallamos la inversa de la matriz   X X T 1        ˆ        ˆ      - 20.80371 0.015065 0.23145 0.000401 1 ˆ   X t X  X tY Hallamos 20.000575 0.7617 0.03713  0 0.80371X 1t  0.000401  37592   1  2  3 El modelo de regresión: Yˆt  32.552 X tY que: .00094 32.714 Y que: ˆ t .015065 0.013204 0.00094 0.001194 0.003635 0.23145 0.

00512  0.704 0.000027 X 2t c) ¿Influyen las variaciones de en la variable dependiente? X 2t A partir de ambas estimaciones podremos determinar si las variaciones de Yt : 0.86 .228 tcal  ttab 2  0 X 2t Se rechaza que .05.86  159.551 SCE  67. d) Calcular el coeficiente de determinación corregido Solución: Para calcular el coeficiente de determinación corregido tendremos en cuenta la siguiente expresión: .714  2 SCR  159.000888 0.10)  2.309 ˆ 2    6.00008 0.0155 0.00008 0.Se tiene que: 2 SC R  ˆ t .309 Y por tanto: SCE 67.000038  0.000063 0.00512 0.00101 0. es inmediato que: SCE  226. la estimación de     ˆ ˆ  ˆ 2 .  X t X  1   Var    : 1. puesto que el enunciado nos indica que SCE  SCT  SCR SCT  226.000063 0.3575 0. X tY  n  Y  SCR  4552.00024 influyen en ttab  t(0.000038 0.00101 0.552  14  17.00024 0.0155 0.3982 tcal   25. por lo que influye en la variable dependiente.551 Entonces.7309 n  k 14  4   Var ˆ Luego.

V GL SC CM Fcal Ftab Regresión 3 159. utilizando una muestra de 20 datos. por tanto el modelo es significativo en su conjunto.1  n  k .7308  10   6.  20. 13 10 R 2  0.     2   2    10   6.71 Fcal  Ftab Decisión: se rechaza la hipótesis nula de que todos los coeficientes son nulos de forma simultánea.ˆ 2 IC 2   2 .9014 3.247   IC 2   3.05.10)  3. Dado el modelo .483 3.6143 Podemos observar que al eliminar la influencia de las variables explicativas el coeficiente de determinación ha disminuido alrededor del 9%.7033 226.18367 7.7308  IC 2   . se procedió a su estimación.309 6.86 Entonces: R 2  1   1  0.R 2  1  1  R2  .7033 . Yt  1   2 X 2t   3 X 3t   4 X 4 t  ut 14.71 Residuos 10 67. e) Calcular un intervalo de confianza del 95% para la varianza del término de perturbación Solución:     n  k  .7309 Total 13 226.551 R2   0.551 53.73 f) Contrastar la significación global del modelo al 95% Para contrastar la significación del modelo construiremos la tabla ANOVA: F. 2  X X       n  k .86 Ftab  F(0.3. n 1 nk Puesto que: 159.ˆ 2  n  k  . obteniéndose: .286   2  20.

5714  2.05.96  0.4  0.16)  3. indique la forma más adecuada de solucionarlo: La principal solución para eliminar la relación lineal entre las variables independientes consiste en eliminar del modelo la variable que causa la multicolinealidad.24 Fcal  Ftab Todo esto nos hace pensar en la posible existencia de multicolinealidad en el modelo.0025 16 nk Ftab  F(0.1 X 4t R 2  0.32 Fcal  k  12  3   128 0.25  2.Yˆt  8. ningún coeficiente es significativo. Atendiendo a los contrastes de significación individual.05.56 tcal  0.04 1 R 0.7 tcal  0.5 Se pide: a) Analice el posible problema de multicolinealidad.34  0.05. b) si hay algún problema.3. .16) 0.4 X 3t  0.2  2.56   0.12  t(0.12  t(0.16) 0.7   0.7 X 2t  0.12  t(0.5 Además el coeficiente de determinación es bastante alto y el modelo es conjuntamente significativo: R2 0.1  0.93 0.05.7 tcal   1.16) 0. ya que: 0.