Entrega de ejercicios Econometr´ ıa

` Natalia Vilor Tejedor (1219777)
28/04/2011

1. La tabla que se presenta representa los salarios medios de un profesor en 20 escuelas p´ blicas diferentes y el gasto de educaci´n p´ blica por u o u alumno en dichas escuelas. Queremos estimar la siguiente relaci´n entre o el salario medio y el gasto: Salariomedio = β0 + β1 Gasto + ui a) Grafique y trace la recta de regresi´n o Como nos indica el enunciado, la variable dependiente es el Salario medio (Y ) mientras que la variable independiente es el Gasto (X), as´ pues, vamos a dibujar ı los datos de la tabla proporcionada en el enunciado en un diagrama de dispersi´n, o mostrando el Salario Medio en el eje vertical y el Gasto sobre el eje horizontal.

Como se muestra, generalmente Y tiende a augmentar cuando lo hace X. Entonces, si conectamos los diversos valores esperados de Y , la l´ ınea que se obtiene se denomina 1

Econometr´ ıa

` Natalia Vilor Tejedor

l´ ınea de regresi´n y muestra la media, o valor medio, de la variable dependiente o correspondiente a cada valor de la variable independiente. En definitiva, es una l´ ınea que nos dice c´mo se relaciona la media, o el valor medio de Y con cada valor o de X.

b) Obtenga los estimadores de los par´metros, sus errores est´ndares, el a a coeficiente de determinaci´n y la Suma residual. o De forma te´rica, dado que solo disponemos de dos variables explicativas, el modelo o de regresi´n lineal es simple y se obtiene que los par´metros estimados por MCO o a vienen dados por las siguientes expresiones: ¯ ¯ β0 = Y − β1 X, β1 = ¯¯ Xi Y i − nX Y ¯ Xi2 − nX 2

Te´ricamente, interpretamos la funci´n del Salario medio de la siguiente forma: el o o coeficiente de la pendiente es β1 lo que significa que, permaneciendo constante todo lo dem´s, si el gasto disponible aumenta una unidad, el salario medio aumentar´ a a β1 ∗ 100. Por otra parte, el valor del punto de corte es β0 lo que significa que, si el gasto fuera zero, el salario medio seria aproximadamente β0 . Con mucha frecuencia esta ultima interpretaci´n no tiene significado econ´mico. ´ o o Por lo general, para interpretar estos resultados hay que utilizar el sentido com´n, u porque con mucha frecuencia, el intervalo de valores muestrales de X puede no incluir el zero como uno de los valores observados.

2

Econometr´ ıa

` Natalia Vilor Tejedor

En nuestro caso, para obtener los estimadores de los par´metros, sus errores est´ndar, a a el coeficiente de determinaci´n y la suma residual, aplicamos una regresi´n con o o EViews mediante la instrucci´n: ls salario c gasto. De esta forma se obtiene una o tabla que resume la informaci´n deseada: o

Adem´s, tambi´n podemos obtener la expresi´n de la recta de regresi´n que nos a e o o proporciona el propio programa: SALARIO = 11447.356218 + 3.36578105931 · GASTO Teniendo en cuenta que los estimadores MCO son variables aleatorias, dado que sus valores cambiar´n en funci´n de cada muestra, nos interesar´ saber algo sobre la a o ıa variabilidad muestral. Una consecuencia inmediata de los supuestos del modelo de regresi´n lineal cl´sico es que nos permiten estimar las varianzas y errores est´ndar o a a de los estimadores de MCO. As´ pues, tenemos que ı
2 V ar(β0 ) = σβ0 =

Xi2 · σ2, n x2 i σ2 , x2 i

se(β0 ) = se(β1 ) =

V ar(β0 ) V ar(β1 )

2 V ar(β1 ) = σβ1 =

En la pr´ctica es dificil determinar el valor real de σ 2 , por lo que es usual utilizar a un estad´ ıstico, σ , para estimar el valor de la varianza. Si se supone que σ 2 es ˆ homosced´stica, la variabilidad se estima mediante la f´rmula: a o ˆ σ2 = donde que e2 i n−2 (1)

e2 es la suma de los residuos al cuadrado (SRC) y de donde se determina i σ= ˆ 3 ˆ σ2 (2)

Econometr´ ıa es el error est´ndar de la regresi´n. a o

` Natalia Vilor Tejedor

En la tabla anterior podemos visualizar tanto la suma de cuadrados residual como el error estardar de la regresi´n obteniendo los siguientes valores: o SSR = 1.27E + 08, S.E = 2653.258 Finalmente, el valor del coeficiente de determinaci´n R2 es el porcentaje de la variano za de la variable end´gena real que es capaz de reproducir el modelo. Si observamos o que anal´ ıticamente la varianza de la end´gena real puede descomponerse en la suma o de la varianza de la end´gena estimada m´s la del error y damos por supuesto que o a el objetivo del an´lisis de regresi´n es precisamente explicar las variaciones de la a o variable end´gena, parece razonable pensar que a mayor valor de la R2 mejor ajuste o habremos logrado. EViews ofrece directamente esta informaci´n: o R2 = 0.538 (3)

De todas formas, existe un problema, dado que el valor del coeficiente de determinaci´n siempre aumenta cuando incluimos nuevas variables en el modelo, incluso o cuando ´stas son poco significativas o tienen poca correlaci´n con la variable dee o pendiente. Para resolverlo se utiliza el coeficiente de determinaci´n corregido que o tambi´n nos proporciona el programa EViews: e ¯ R2 = 0.512 (4)

As´ pues, observamos que la variable Gasto presenta un p-valor suficientemente ı peque˜o para el test t, por lo que podemos determinar que se trata de una variable n significativa y, en general, el modelo tambi´n es significativo dado que el p-valor e del estad´ ıstico F tambi´n ´s inferior al nivel de significaci´n fijado por defecto e e o (α = 0.05). No obstante, es importante destacar que tanto el coeficiente de determinaci´n como o el coeficiente de determinaci´n ajustado no son suficientemente grandes (< 0.8), ´sto o e significa que, el modelo no es del todo malo, pero la introduci´n de una variable o explicativa significativa har´ aumentar la parte explicada del modelo. ıa c) Interprete la estimaci´n, ¿tiene sentido econ´mico? o o Para analizar si la estimaci´n tiene sentido econ´mico debemos estudiar los signos o o de las variables. No es m´s que analizar si los signos de los par´metros asociados a a a cada una de estas variables (relaci´n directa o inversa entre la variable explicativa o y la end´gena) son correctos seg´n nuestros conocimientos te´ricos econ´micos. o u o o En nuestro caso, disponemos de dos par´metros, el del t´rmino independiente que a e salvo raras excepciones carece de valor “econ´mico” y que por tanto no tiene sentido o interpretar, y por otro lado el signo del par´metro relacionado con la variable Gasto a que como se observa es positivo. La interpretaci´n del signo de esta variable parece o 4

Econometr´ ıa

` Natalia Vilor Tejedor

sencilla dado que resulta l´gico pensar que un incremento en el gasto se deba, en o parte, a un aumento del salario medio del profesorado. Por lo tanto, podemos decir que a priori, los signos parecen adecuados. d) Establezca un intervalo de confianza del 95% para β1 . Una vez analizada la parte te´rica, la primera de las operaciones b´sicas consiste o a en elaborar intervalos de confianza para los par´metros estimados a fin de detera minar la variabilidad o precisi´n de cada uno de los coeficientes estimados. Para o elaborar un intervalo de confianza de un par´metro resulta b´sico conocer la forma a a y los par´metros de su distribuci´n. El estimador de los par´metros β se distribuye a o a conforme a una normal, esto es: • Para la matriz de par´metros estimados: a ˆ β ∼ N (β, σ 2 (X T X)−1 ), • Para un par´metro espec´ a ıfico βj : ˆ β1 ∼ N (β, σ 2 ajj ) donde σ 2 representa la varianza constante de la perturbaci´n aleatoria y ajj los o T −1 valores de la diagonal principal de (X X) . Como en pocas ocasiones se dispone del valor real de σ 2 , utilizaremos un estimador para la varianza. Por tanto, la distribuci´n estandarizada del par´metro, que en t´rminos reales se distribuir´ como o a e ıa una Normal est´ndard: a ˆ βj − βj ∼ N (0, 1) √ σ ajj se distribuye como una t d’Student, ˆ βj − βj ∼ tn−k √ σ ajj ˆ Recordemos, para ello, que una t se define como: tn−k = N (0, 1) χ2 n−k (5)

Y ´sta es precisamente la combinaci´n de distribuciones que tenemos con la exe o presi´n anterior. As´ pues, la expresi´n general del intervalo de confianza para los o ı o par´metros viene dada por a
n−k ˆ ˆ ˆ ˆ P (β − tn−k · DT (β) ≤ β ≤ β + tα/2 · DT (β)) = 1 − α α/2

(6)

En nuestro ejercicio disponemos de n = 20 valores observados y de k = 2 variables explicativas, por lo que los grados de libertad de la distribuci´n t vienen dados por o la diferencia entre ambos valores, es decir, disponemos de 18 grados de libertad. Por otro lado, vamos a suponer que α, el nivel de significaci´n o probabilidad de o

5

Econometr´ ıa

` Natalia Vilor Tejedor

cometer un error de tipo I, es constante e igual al 5%. As´ pues, vemos que para 18 ı grados de libertad, consultando la tabla t, se obtienen los siguientes valores cr´ ıticos: P (−2.1 ≤ t ≤ 2.1) = 0.95 Ahora, como conocemos los valores de la desviaci´n est´ndard de cada par`metro y o a a de las estimaciones de los par`metros, podemos substituir t de la expresi´n (5) en a o la equaci´n anterior, obteniendo (reordenando las equaciones), la siguiente f´rmula o o general para obtener el intervalo de confianza:
n−k ˆ ˆ ˆ ˆ P (βGasto − tn−k · DT (βGasto ) ≤ βGasto ≤ βGasto + tα/2 · DT (βGasto )) = 1 − α α/2

(7)

que num´ricamente proporciona el siguiente resultado: e 1.822 ≤ β1 ≤ 4.91 Este intervalo de confianza se conoce como la regi´n de aceptaci´n de H0 i el ´rea o o a fuera del intervalo de confianza se denomina regi´n de rechazo de H0 . Ahora bien, si o este intervalo incluye el valor de β1 en la hip´tesis nula, no rechazamos la hip´tesis, o o pero si se encuentra fuera del intervalo de confianza, rechazamos la hip´tesis nula, o teniendo en cuenta que, al tomar cualquiera de estas decisiones estamos corriendo el riesgo de equivocarnos, un determinado porcentaje de las veces (5%). En el prop´sito del ejercicio, puesto que el intervalo no incluye el valor cero de o la hip´tesi nula, podemos rechazar la hip´tesi nula de que el gasto no tiene ning´n o o u efecto sobre el salario. Dicho de otra forma, el gasto s´ que determina el salario ı medio del profesorado. e) ¿Se rechazar´ la hip´tesis nula de que el coeficiente es 3? ıa o Pero, observamos que si la hip´tesis nula fuera que el aut´ntico punto de corte o e es 3, no rechazar´ ıamos esta hip´tesis nula porque este valor se haya en la regi´n de o o aceptaci´n. (siempre con un nivel de confianza del 95%). o f ) Obtenga el pron´stico del sueldo medio de un profesor de un coleo gio cuyo gasto p´ blico por alumno es de 5.000 euros. u Finalmente, el pron´stico del sueldo medio de un profesor de un colegio cuyo gasto o p´blico por alumno es de 5000 euros lo obtenemos a partir de la recta de regresi´n u o estimada que se ha obtenido mediante EViews: SALARIO = 11447.3562168 + 3.36578105931 · GASTO De forma que, substituyendo la variable GASTO por el valor que se nos pide, se obtiene que el pron´stico del sueldo medio de un profesor de un colegio cuyo gasto o p´blico es de 5000 euros, es de: u SALARIO = 28276.26A. C

6

Econometr´ ıa

` Natalia Vilor Tejedor

2. Con los datos de Ventas, Cantidad, Precio y Publicidad, se desea estimar una regresi´n original donde las ventas dependen del precio y de la o publicidad. a) Estimar el modelo original y comentar los resultados. Estimamos el modelo original con EViews, a partir de la siguiente sintaxis: ls ventas c precio publicidad de forma que obtenemos los siguientes resultados:

Utilizando la teor´ econ´mica, observamos que los signos de los coeficientes son ıa o adecuados dado que, por un lado el precio es inversamente proporcional a las ventas, es decir, existe la tendencia de que a menor precio se augmentan las vendas y viceversa. Por otro lado, la publicidad es proporcional a las ventas, cuanto m´s proa mociono el producto m´s ventas consigo. As´ pues, a priori el modelo se encuentra a ı bien especificado. En terminos de significatividad, podemos observar que las variables del modelo son significativas dentro de ´ste, dado que los p-valores del test t son suficientemente e peque˜os. Por otro lado, el modelo en conjunto tambi´n es significativo ya que el n e p-valor del test F tambi´n es suficientemente peque˜o y adem´s, estas variables e n a incluidas explican un 94.59% del modelo. As´ pues se trata de un buen modelo para ı estimar las ventas en funci´n del precio y de la publicidad. o b) Estimar un modelo en el que se excluya la variable precio. Sabiendo que ´sta es una variable relevante comentar los resultados. e Para estimar este modelo, lo hacemos mediante EViews a partir de la siguiente sintaxis: 7

Econometr´ ıa ls ventas c publicidad de forma que obtenemos los siguientes resultados:

` Natalia Vilor Tejedor

Como vemos, el coeficiente de la variable Publicidad se mantiene con signo positivo (si no sucediera ser´ contradictorio con el modelo anterior) dado que como hemos ıa comentado, la variable Ventas y la variable Publicidad son proporcionales (a mayor publicidad, mayor n´mero de ventas). u En este caso, escogiendo el nivel de significaci´n α = 0.05, se observa que el po valor de la variable publicidad es un poco mayor por lo tanto no podemos concluir con que esta variable sea del todo significativa, y de igual forma no podemos concluir que el modelo en conjunto sea significativo. Por otro lado, el coeficiente de determinaci´n ajustado es ahora r´ o ıdiculo dado que explica solamente un 14.72%, por lo que este modelo que explica las ventas en funci´n de la publicidad, no es nada adecuado. o Relacionando los resultados obtenidos, vemos como, eliminar una variable significativa de un modelo lleva a obtener otro modelo que puede no ser adecuado. En este caso, hemos pasado de un modelo que explicaba un 94.59%, a un modelo que explica un 14.72%, es decir, estamos perdiendo alrededor de un 80% de informaci´n o por excluir la variable Precio del modelo. c) Estimar el modelo original m´s la variable cantidad. Sabiendo que a cantidad es una variable irrelevante comentar los resultados obtenidos. En este caso, estimamos el modelo con EViews, a partir de la siguiente sintaxis: ls ventas c precio publicidad cantidad de forma que obtenemos los siguientes resultados:

8

Econometr´ ıa

` Natalia Vilor Tejedor

Primeramente observamos que el coeficiente de la variable cantidad es negativo por lo que nos indica que las ventas s´n inversamente proporcionales a la cantidad. Es o l´gico dado que cuantas m´s ventas se produzcan se dispondr´ de menos stock. o a a Por otro lado, como era de esperar, por lo que se ha analizado en el primer caso, el modelo es significativo en conjunto (dado que el p-valor del test F es suficientemente peque˜o) y observamos que las variables Precio y Publicidad, tratadas tambi´n en n e el primer caso, continuan siendo significativas. Por otro lado, ya el enunciado nos advierte sobre el echo de que la variable Cantidad es irrelevante y esto se puede contrastar con el resultado de su estad´ ıstico t, dado que el p-valor asociado a ´ste e es mayor que el nivel de significaci´n fijado (α = 0.05). El resto de valores de salida o que nos ofrece EViews son los mismos que los del primer modelo exceptuando la suma de residuos al cuadrado que disminuye. Aunque no es demasiado significativo en este caso, destacamos que al incluir variables no significativas dentro del modelo, el coeficiente de determinaci´n tiene a o aumentar. De echo, en nuestro ejemplo tambi´n sucede, si comparamos los resultae dos obtenidos en el primer modelo con los obtenidos en este vemos que el coeficiente de determinaci´n es ligeramente m´s grande. Ya en el ejercicio 1, coment´bamos o a a que este caso suele suceder y por lo tanto, debemos fijarnos en el coeficiente de determinaci´n ajustado, que aunque tambi´n aumenta ligeramente, no lo hace en el o e porcentaje del coeficiente de determinaci´n sin ajustar. o De todas formas, cuando queramos seleccionar un modelo, estos dos coeficientes no nos ser´n de gran ayuda dado que, como vemos, aumentan al introducir variables a al modelo sea cual sea el efecto de ´stas y eso conduce a tratar con modelos que e tendr´n muchas variables no necesarias. a

9

Econometr´ ıa

` Natalia Vilor Tejedor

3. Con el fichero Salario, estimar una regresi´n original que explique los o salarios con las variables edad y servicio. a) Estimar el modelo original y comentar los resultados. Estimamos el modelo original a partir de la sintaxis: ls salario c edad servicio de forma que obtenemos los siguientes resultados:

Primeramente observamos que los signos de los coeficientes son coherentes con la teor´ econ´mica dado que, por un lado, el coeficiente de la variable Edad es posıa o itivo y eso implica que a mayor Edad, mayor Salario, como se suele dar. Por otro lado, la variable Servicio tambi´n tiene coeficiente positivo, cosa que tambi´n es e e coherente con la teor´ econ´mica dado que un mayor Servicio suele comportar un ıa o mayor Salario. Visto esto, cabe destacar que aunque el modelo, en general es significativo y el coeficiente de determinaci´n ajustado es elevado (88.57%), las variables no son sigo ´ nificativas individualmente. Esto puede venir dado por un problema de Multicolinealidad que trataremos en pr´ximos apartados. o b) Hallar la matriz de correlaciones entre las variables explicativas. La matriz de correlaciones entre las variables explicativas se puede obtener directamente a partir de EViews, de forma que se obtiene: 1 0.999655 0.999655 1 10

Econometr´ ıa

` Natalia Vilor Tejedor

´ donde se observa una relaci´n muy fuerte entre las variables: 99,97%. Esto, cada o vez con m´s insistencia nos indica que tendremos un problema de Multicolinealidad. a Aunque muchas veces lo mejor es no corregirla siempre que el modelo econ´mico o sea viable, en nuestro caso no sucede y por lo tanto, tendremos que llevar a cabo alg´n procedimiento de correcci´n. u o c) Hallar las regresiones auxiliares de las variables explicativas y explicar los resultados. (edad - Servicio, Servicio-Edad). Puesto que la multicolinealidad surge porque una o m´s variables explicativas son a una combinaci´n lineal exacta o casi exacta, de otras variables explicativas, una foro ma de averiguar qu´ variable X tiene una elevada colinealidad con otras variables X e en el modelo es hacer una regresi´n de cada variable X sobre las dem´s y calcular el o a correspondiente R2 . Este procedimiento se utiliza para buscar la variable que puede ser combinaci´n lineal del resto. As´ pues, procedemos a realizar las regresiones o ı auxiliares de forma que obtenemos los siguientes resultados. • Para la regresi´n auxiliar Edad-Servicio: o

Por un lado vemos que las variables se encuentra relacionadas proporcionalmente ya que el signo del coeficiente es positivo. Por otro lado, se obtiene un modelo significativo globalmente, dado que el p-valor del estad´ ıstico F es suficientemente peque˜o, y la variable Servicio es significativa individualmente dan do que el p-valor del estad´ ıstico t tambi´n es suficientemente peque˜o. Adem´s, e n a el coeficiente de determinaci´n ajustado es suficientemente elevado (99.93%) o por lo tanto se concluye con que es un buen modelo para explicar la Edad en funci´n del Servicio. o • Para la regresi´n auxiliar Servicio-Edad : o

11

Econometr´ ıa

` Natalia Vilor Tejedor

De nuevo, como era de esperar, las variables se encuentran relacionadas proporcionalmente y como ya suced´ en la regresi´n auxiliar anterior, el modelo ıa o es significativo en global, y la variable Edad es significativa individualmente. Adem´s, como el coeficiente de determinaci´n ajustado es suficientemente elea o vado (99.923%) se concluye con que es un buen modelo para estimar el Servicio en funci´n de la Edad. o Ahora bien, a partir de los resultados, ¿c´mo decidimos cu´l de las variables tiene o a colinealidad? Lo haremos a partir de los coeficientes de determinaci´n auxiliares, o de forma que, si una variable no es una combinaci´n lineal de la otra, entonces R2 o no debe ser estad´ ısticamente distinto de cero. Como observamos en nuestro caso, los valores R2 obtenidos en las regresiones auxiliares son:
2 R2 = 0.999309 2 R3 = 0.999309

que l´gicamente son el mismo dado que s´lo se dispone de dos variables explicativas. o o El echo de que el coeficiente de determinaci´n en las regresiones auxiliares sea tan o significativo sugiere que las dos variables explicativas de las que dispone el modelo tienen una gran colinealidad, una con la otra. (este tipo de regresiones auxiliares tiene un poco m´s de sentido cuando el n´mero de variables explicativas del modelo a u es mayor de dos). d) Si existe multicolinealidad, corrija el modelo. Por lo que hemos comprobado, en el apartado a) el coeficiente de determinaci´n o ¯ ajustado es elevado (R2 = 88.57%) mientras que las variables no s´n significatio vas dentro del modelo. En el apartado b) hemos visto, a partir de la matriz de correlaciones de las variables explicativas, que existe una elevada relaci´n entre las o variables (99,97%), y en el apartado c) hemos acabado de determinar, a partir de las 12

Econometr´ ıa

` Natalia Vilor Tejedor

regresiones auxiliares, que existe una gran colinealidad entre las variables explicativas del modelo, por lo que se concluye que existe un problema de Multicolinealidad. Si generamos un grupo con estas dos variables mediante EViews, podemos observar que la variable Edad se corresponde a un 36% de la variable Servicio, es decir, los dos vectores de valores son linealmente dependientes y por lo tanto, para corregir la Multicolinealidad es adecuado eliminar una de las dos variables del modelo. As´ ı pues, analizemos cada uno de los modelos excluyendo una de las dos variables: Por un lado, si eliminamos la variable Edad, se obtiene el siguiente modelo:

Por otro lado, si eliminamos la variable Servicio, se obtiene este otro modelo:

Se observa que ambos modelos son similares en cuanto a la significatividad, y en ambdos las variables, por si solas, son significativas dentro del modelo. Por eso, 13

Econometr´ ıa

` Natalia Vilor Tejedor

cualquiera de los modelos que escojamos ser´ un buen modelo. Ahora bien, podea mos decir que el modelo que relaciona la Edad con el Salario es un poco mejor que el que relaciona el Servicio con el Salario dado que el coeficiente de determinaci´n o ajustado es un poco m´s grande y el estad´ a ıstico Akaike es un poco menor. De todas formas, la conclusi´n es que estos dos modelos que hemos obtenido solucionan el o problema de Multicolinealidad. e) Existe un problema de Heterocedasticidad? En caso de que exista corr´ ıjala. El primer paso para detectar un problema de Heteroscedasticidad es a partir del comportamiento gr´fico de los residuos. As´ pues, generamos un gr´fico de dispera ı a si´n de los residuos para tratar los resultados gr´ficos: o a

Si analizamos el comportamiento sistem´tico de los residuos del modelo se observa a que el patr´n que siguen los residuos sugiere, tal vez, que no hay Heteroscedasticidad o en los datos. De todas formas, el gr´fico no nos garantiza resultados eficientes por a lo que, para acabar de especificar si tenemos un problema de Heteroscedasticidad, realizaremos el contraste de White. El programa EViews nos permite realizar este test directamente a partir del modelo determinado, de forma que los resultados vienen dados por la siguiente tabla:

14

Econometr´ ıa

` Natalia Vilor Tejedor

Como vemos, este contraste genera un estad´ ıstico Obs*R-squared (W) que podemos comparar con las tablas para obtener la regi´n cr´itica. Tambi´n genera el prob. o s e Chi-Square(2) que como es suficientemente grande hace que aceptemos la hip´tesis o nula, por lo que, acabamos determinando que no se detecta un problema de heteroscedasticidad. f ) ¿Hay alg´ n problema de autocorrelaci´n? En caso afirmativo corr´ u o ıjalo. Como hemos determinado, globalmente el modelo es significativo, pero individualmente los par´metros no lo s´n. Lo m´s senzillo, primeramente es analizar la gr`fica a o a a de residuos dado que la correlaci´n viene dada por problemas en los residuos (esta o parte ya la hemos analizado cuando trat´bamos el problema de la Multicolinealidad a y para este caso, la gr´fica tampoco presenta una informaci´n demasiado precisa a o para determinar la existencia de Autocorrelaci´n). o Otra manera de tratar el problema de autocorrelacion es a partir del estad´ ıstico Durbin-Watson. Como vemos en la tabla obtenida de la regresi´n del modelo, teno emos que este estad´ ıstico nos da un valor de 1.96. A partir de ´sto, el procedimiento e que debemos realizar es, primeramente, consultar las tablas de Durbin-Watson (con k=1 variables explicativas, n=15 observaciones y α = 0.05) de esta forma, obten15

Econometr´ ıa

` Natalia Vilor Tejedor

emos que los valores de la regi´n cr´ o ıtica vienen dados por: (dL = 1.08, dS = 1.36), y por lo tanto, como nuestro valor se encuentra entre (dS , 4 − dS ), seg´n la tabla u de decisi´n de Durbin-Watson, no existe autocorrelaci´n positiva ni autocorrelaci´n o o o negativa. Por lo tanto no tenemos problema de Autocorrelaci´n en nuestro modelo. o Notamos, que este resultado puede venir dado porque estamos aplicando el procedimiento al modelo al que, en anteriores apartados, le hemos corregido el problema de la Multicolinealidad, y es importante recordar el echo de que siempre hay que corregir primero la Heteroscedasticidad y la Multicolinealidad porque la Autocorrelaci´n puede venir dada por estos dos factores, cosa que supone que al corregirlos o se corrige de forma autom´tica. a

16

Sign up to vote on this title
UsefulNot useful