(1) Función econométrica y= cons + x1 + x2

Detectar multico. Stata Excel Eviews Regla Decisión

1. Regresionar variables reg y x1 x2 Indicio de
2. T tablas +distr.t.inv(0.05;n-k) T cal < T tab multico.
n = Número de obs
k = Núm. de x incluyendo cons Indicio de
3. F tablas +distr.f.inv(0.05;gl1;gl2) F tab < T cal multico.
gl1 = k-1 (Núm de x)
gl2 = n-k
4. Correlación cor y x1 x2 cor > 85%
5. Cor gráfica graph matrix y x1 x2
6. VIF vif VIF ≈ 1 > 2 Hay multico.
7. TOL 1 entre mean VIF TOL ≈ 0 Hay multico.
Corregir multico.
8. Eliminar variables con COR alto. parecidas entre sí, etc
VIF < 2 Se corrigió
9. VIF debe salir menor a 2. TOL ≠ 0 multico.
(2) Nueva función econométrica y= cons + x1 , sin las variables eliminadas en el paso 8.

Detectar hetero. Stata Excel Eviews Regla Decisión

1. Matriz de cor
2. Correlación
3. Regresionar variables y c x2
4. Test Breusch-Pagan +prueba.chi.inv(0.05;Núm de x)
5. Test White Obs*R-
6. Generar residuos squ>Chit | t c >
tt |Fc
7. Renombrar residuos < 0.05 Hetero
8. Generar residuos al cuadrado genr residual2=residual*residual

9. Correlación

Corregir hetero. *en este caso x1 es la variable con el error, por ello las ecuaciones tienen esas formas

10. Ecuación según Modelo Ponderado, luego Test White (5.) y/(x1^0.5) 1/(x1^0.5)
(x1^0.5) x2/(x1^0.5)
x3/(x1^0.5)

11. Ecuación según Log Lin log(y/(x1^0.5)) 1/

(x1^0.5) (x1^0.5) x2/
(x1^0.5) x3/(x1^0.5)
12. Graficar residuos
13. Ecu. según Log Log, luego Test White (5.), luego graficar residuoslog(y/(x1^0.5)) 1/
(x1^0.5) log((x1^0.5))
log(x2/(x1^0.5))
log(x3/(x1^0.5))

Sample: 1 _ (Restar 5
14. Eliminar observaciones, luego Test White (5.) observaciones del
final)
15. Ecuación econométrica
(3) Nueva función econométrica y= cons + x1 , sin las OBSERVACIONES eliminadas de x1 en el paso 14.

Detectar autocorrelación.
15. Regresionar variable reg y x2
16. Generar tiempo gen tiempo=_n Cercano a las
17 tsset tiempo colas, hay
autocorrelació
18. Durbin-Watson dwstat d≈0ód≈4 n (h1).
M
U
L
T
I

Desde pantalla Pasos Eviews

Paso 0 >>> Paso 1 >>> Paso 2 >>> Paso 3 >>> Paso 4
workfile_Group view graph graph_type:categorical scatter
workfile_Group view covariance analysis select correlation
workfile_inicial object new object equation
equation view residual diagnostics heteroskedasticity tests Breusch-Pagan
equation view residual diagnostics heteroskedasticity tests White
equation proc make residual series ordinary
workfile_inicial clic derecho resid01 rename residual
command [insertar aquí]

sleccionar residual2
workfile_inicial x1 x2 x3, clic derecho view covariance correlation
Open... as group

workfile_inicial object new object equation

workfile_inicial object new object equation

equation view actual, fitted, residual actual fitted residual graph

workfile_inicial object new object equation

equation estimate sample

equation view representations substituted coefficients

A
U
T
O
 Stata

predict double modelresid, residuals

gen lnx=ln(x)
gen u2=modelresid^2
gen lnu2=ln(u2)
Test Park reg lnu2 lnx

gen absu = abs(modelresid)

Test Glejser reg absu x

reg y x

Test Breusch-Pagan hettest

H
E
T
E
R
O
reg y x

Test White imtest,white

*ERROR: options > series and aplhas > autoseries > select treat evaluation
Regla Decisión

p value significativos, hay

p < 0.05 HETERO

chi c > chi t

chi significativo, hay

+prueba.chi.inv(0.05;núm de x) HETERO

chi c > chi t k>3 k=3

chi significativo, hay

+prueba.chi.inv(0.05;núm de x) HETERO leptocúrtica mesocúrtica
select treat evaluation
k<3

platicúrtica