AUTOCORRELACION
AUTOCORRELACION
EJERCICIOS
12.1 Establzcase si las siguientes afirmaciones son verdaderas o falsas. Justifique su
respuesta brevemente.
a) Cuando hay presencia de autocorrelacin, los estimadores MCO son sesgados
lo mismo que ineficientes. (F)
Es falso porque en presencia de autocorrelacin los estimadores de MCO siguen siendo
insesgados pero ya no tienen varianza mnima, es decir ya no son MELI y por lo tanto ya
no son eficientes.
b) La prueba d de Durbin-Watson supone que la varianza del trmino de error u
t
es homoscedstica. (V)
Es verdadero porque uno de los supuestos de la prueba d de Durbin Watson es que las X
son fijas o no estocsticas en muestreos repetidos, por lo tanto la varianza es constante a
lo largo de la recta regresin.
c) La transformacin de primera diferencia para eliminar la autocorrelacin
supone que el coeficiente de autocorrelacin
es -1. (F)
Es falso porque para la transformacin de primera diferencia para eliminar la
autocorrelacin supone que el coeficiente de autocorrelacin
=0 en
cambio en la prueba g de Berenblutt-Webb se considera la hiptesis nula de que
=1, sin
embargo para probar la significancia del estadstico g se puede utilizar las tablas de
Durbin-Watson.
i) En la regresin de primera diferencia de Y sobre primeras diferencias de X, si
hay un trmino constante y un trmino de tendencia lineal, significa que en el
modelo original hay un trmino de tendencia lineal y uno de tendencia cuadrtica.
(F)
Es falso porque se supone que si en la primera diferencia de Y sobre primeras diferencias
de X existe un trmino constante y un trmino de tendencia lineal el modelo original no
tendr un trmino de tendencia cuadrtica.
12.2. Dada una muestra de 50 observaciones y de 4 variables explicativas, Qu se
puede decir sobre autocorrelacin si a) d =1.05, b) d =1.40, c) d =2.50 y d) d =3.97?
a) n= 50
K=4
K =3
d = 1.05
= 0.05
Buscando en las tablas d de Durbin-Watson obtuvimos los siguientes resultados:
l
d
1.421
u
d
1.674
0 1.421 1.674 2 4-du 4-dl 4
1.05
Con un 95% de confianza podemos decir que no hay suficiente evidencia estadstica para
aceptar la hiptesis nula de que no existe autocorrelacin es decir se acepta la hiptesis
alternativa de que existe autocorrelacin y en este caso es positiva.
b) n= 50
K=4
K =3
d = 1.40
= 0.05
Buscando en las tablas d de Durbin-Watson obtuvimos los siguientes resultados:
l
d
1.421
u
d
1.674
0 1.421 1.674 2 4-du 4-dl 4
1.40
Con un 95% de confianza podemos decir que no hay suficiente evidencia estadstica para
aceptar la hiptesis nula de que no existe autocorrelacin es decir se acepta la hiptesis
alternativa de que existe autocorrelacin y en este caso es positiva.
c) n= 50
K=4
K =3
d = 2.50
= 0.05
Buscando en las tablas d de Durbin-Watson obtuvimos los siguientes resultados:
l
d
1.421 4-
l
d
= 2.579
u
d
1.674 4-
u
d
= 2.326
0 1.421 1.674 2 2.326 2.579 4
2.50
Como el estadstico d de Durbin-Watson cae en la zona de indesicin podemos decir que
con un 95% de confianza no hay evidencia estadstica para aceptar la hiptesis nula de
que no existe autocorrelacin es decir se acepta la hiptesis alternativa de que existe
autocorrelacin y en este caso es negativa.
d) n= 50
K=4
K =3
d = 3.97
= 0.05
Buscando en las tablas d de Durbin-Watson obtuvimos los siguientes resultados:
l
d
1.421 4-
l
d
= 2.579
u
d
1.674 4-
u
d
= 2.326
0 1.421 1.674 2 2.326 2.579 4
3.97
Como el estadstico d de Durbin-Watson cae en la zona de autocorrelacin negativa
podemos decir que con un 95% de confianza no hay evidencia estadstica para aceptar la
hiptesis nula de que no existe autocorrelacin es decir se acepta la hiptesis alternativa
de que existe autocorrelacin y en este caso es negativa.
12.4. Deteccin de la autocorrelacin: prueba de la razn de von Neumann.
Suponiendo que los residuos
t
u
se obtienen aleatoriamente de una distribucin
normal, von Neumann demostr que para n grande, la razn
2
2
1
2
2
) (
) (
u u
u u
s
i
i i
Nota:
0 u
en MCO
Llamada razn de von Neumann, tiene una distribucin aproximadamente normal
con media
E
1
2
2
2
n
n
s
Y varianza
var
) 1 )( 1 (
2
2
2
+
n n
n
s
T
t
t
T
t
t t
t
n Z Z
n Z Z
S
v
1
2
2
2
1
2
/
1 /
T
t
t
n
Z
Z
1
Una vez que se ha obtenido la variable tipificada comparamos este valor con el nivel
crtico que sigue una distribucin normal con media cero y varianza unitaria, escogiendo
un nivel de significancia del 5% ( 05 . 0 ) se aplica el siguiente contraste:
v
s
Ev v
t
n t
t
t
n t
t
t t
u
u u
d
1
2
2
2
1
y von Neumann es igual a:
( )
( )
T
t
t
T
t
t t
n u
n u u
v
1
2
2
2
1
1
Entonces v va a ser igual a:
( ) 1 n
n
d
ya que
( )
d
u
u u
n t
t
t
n t
t
t t
1
2
2
2
1
por la tanto la razn entre el d de Durbin-Watson y la razn de von Neumann va a ser
igual a:
( )
n
n
dn
d
r
1
1
1
T
t
t
T
t
t t
t
n Z Z
n Z Z
S
v
1
2
2
2
1
2
/
1 /
=2.88 n=100
E
1
2
2
2
n
n
s
=
( )
020 . 2
99
100 2
Var=
( ) ( )
( ) 04 . 0
99 * 101
98
100 4
1 1
2
4
) 1 )( 1 (
2
3
2
3
2
2
2
1
]
1
n n
n
n
n n
n
s
entonces
s= 0.1999.
A partir de estos resultados se puede encontrar lo siguiente:
v
Ev v
t
por lo tanto:
3 . 4
04 . 0
020 . 2 88 . 2
t
INTERPRETACIN:
Como el t calculado es mayor que el t dado de 1.96 se dice que no hay suficiente
evidencia estadstica para aceptar la hiptesis nula de que no existe autocorrelacin.
12.6. Estimacin del
k n
k d n
+
Donde n=nmero total de observaciones, d de Durbin-Watson y k=nmero de
coeficientes que van a ser estimados (incluyendo la interseccin).
Mustrese que para un n grande, esta estimacin de
= (1- d /2)
por lo tanto:
25 . 0
2
5 . 1
1
,
_
Aplicando la frmula para muestras pequeas se obtuvo un
=0.25, ahora procedemos a
aplicar la frmula propuesta para muestras grandes.
2 2
2 2
) 2 / 1 (
k n
k d n
+
Suponiendo una muestra de 80 observaciones y suponiendo un modelo con 2 variables
tenemos:
25 . 0
2 80
2 ) 2 / 5 . 1 1 ( 80
2 2
2 2
+
Como podemos darnos cuenta con los resultados obtenidos aplicando diferentes frmulas
obtenemos el mismo resultado de
p
ya que se tiene el mismo d de Durbin-Watson.
12.8 Estimacin de
t
,-1<
<1 (2)
Cochrane y Orcutt recomendaron lo siguiente para estimar
.
1. Calclese (1) mediante la rutina usual de MCO y obtngase los residuos
t
u
.
A propsito, obsrvese que puede tenerse ms de una variable X en el modelo.
2. Utilcense los residuos calculados en el paso 1, hgase la siguiente regresin:
t t t
v u u +
1
(3)
Que es la parte emprica de (2).
3. Utilcese
obtenida en (3), calclese la ecuacin de diferencia generalizada
(12.9.6).
4. Puesto que a priori no se sabe si la
obtenida de (3) es el mejor estimador de
de la segunda ronda.
Ya que se desconoce si dicho estimado de
,
se calcula el estimado de la tercera ronda, etc. Por esta razn el procedimiento C-O
se llama mtodo iteractivo. Pero, hasta dnde se contina esta iteracin?
La recomendacin general es que se detengan las iteraciones cuando los estimados
sucesivos de
difieren por una pequea cantidad, por ejemplo sean menores que
0.01 o 0.005. En el ejemplo de la regresin de los salarios sobre la productividad, se
requirieron siete iteraciones antes de detenerse.
a) Usando el software que se elija, verifquese que el valor de la
estimada de
0.8919 para la ecuacin (12.9.16), y 0.9610 para la ecuacin (12.9.17) sean
aproximadamente correctas.
* *
5503 . 0 105 . 45
t t
X Y +
ee = (6.190) (0.0652) (12.9.16)
t = (7.287) (8.433)
2
r
0.9959
Utilizando el SPSS obtenemos los siguientes resultados:
Variables introducidas/eliminadas(b,c)
Modelo
Variables
introducidas
Variables
eliminadas Mtodo
1
U_L(a) . Introducir
a Todas las variables solicitadas introducidas
b Variable dependiente: Unstandardized Residual
c Regresin lineal a travs del origen
Coeficientes(a,b)
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizado
s
t Sig. B Error tp. Beta
1 U_L
,882 ,067 ,905 13,151 ,000
a Variable dependiente: Unstandardized Residual
b Regresin lineal a travs del origen
Como podemos darnos cuenta con los datos de la tabla 12.4 primero encontramos los
residuos y luego estos residuos lo rezagamos un perodo y corremos la regresin para
encontrar el primer
p
.
p
= 0.882
Luego se obtiene la siguiente regresin:
( ) ( ) ( ) ( )
1 1 2 1 1
1
+ +
t t t t
Pu u PX X P PY Y
Y* =
1
B * +
2
B *X* +u
Luego de corrida la regresin se obtuvo los siguientes resultados
t
X Y + + * 526 . 0 563 . 5 *
Variables introducidas/eliminadas(b)
Modelo
Variables
introducidas
Variables
eliminadas Mtodo
1
XAST(a) . Introducir
a Todas las variables solicitadas introducidas
b Variable dependiente: YAST
Coeficientes(a)
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizado
s
t Sig. B Error tp. Beta
1 (Constante
)
5,563 ,781 7,121 ,000
XAST
,526 ,071 ,774 7,431 ,000
a Variable dependiente: YAST
Para obtener el valor de
1
1
1
aplicamos lo siguiente:
1140 . 0
886 . 0 1
013 . 0
Luego la regresin quedara de la siguiente manera:
u X Y + + * 887 . 0 11 . 0 *
Ahora para encontrar el tercer
p
de esta regresin sacamos los residuos y luego le
rezagamos un perodo para correr la regresin entre estos.
Despejando de la regresin anterior se obtiene los residuos:
X Y U 887 . 0 11 . 0 *
Variables introducidas/eliminadas(b,c)
Modelo
Variables
introducidas
Variables
eliminadas Mtodo
1
UUU_L(a) . Introducir
a Todas las variables solicitadas introducidas
b Variable dependiente: UUU
c Regresin lineal a travs del origen
Coeficientes(a,b)
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizado
s
t Sig. B Error tp. Beta
1 UUU_L
,987 ,012 ,997 85,584 ,000
a Variable dependiente: UUU
b Regresin lineal a travs del origen
987 . 0 p
b) El valor obtenido de
+ + + +
t t t t t t
PF M M X W F P
ee = (0.992) (0.127) (0.099) (0.024) (0.039) (0.119)
984 . 0
2
R 54 . 2 d
Donde PF= precios de la produccin final a costo de factores, W= salarios por
empleado, X= producto interno bruto por persona empleada, M= precios de
importacin, M
t-1
= precios de importacin rezagados 1 ao y PF
t-1
= precios de la
produccin final a costo de factores en el ao anterior.
Puesto que para 18 observaciones y 5 variables explicativas, al 5% los valores d
inferiores y superiores son 0.71 y 2.06, el valor d estimado de 2.54 indica que no hay
autocorrelacin positiva. Comntese.
Como se puede ver los limites de la prueba d de Durbin-Watson no estn muy definidos
es decir no es posible determinar si existe o no autocorrelacin y por lo tanto debera
utilizarse otra prueba de deteccin de autocorrelacin para corroborar esto resultados.
12.20 Para la regresin (12.9.9), los residuos estimados tuvieron los siguientes signos:
(++++)(-)(+++++++)(-)(++++)(--)(+)(--)(+)(--)(++)(-)(+)(---------)(+)
Con base en la prueba de rachas, se puede aceptar la hiptesis nula de que no hay
autocorrelacin en estos residuos?
Como el nmero de rachas es grande (15 rachas) se dice entonces que existe una
correlacin negativa es decir no existe suficiente evidencia estadstica para aceptar la
hiptesis nula de que no hay autocorrelacin es decir se acepta la hiptesis alternativa.
12.21 Prueba para correlacin serial de orden superior. Supngase que se tiene
informacin de series de tiempo sobre una base trimestral. En los modelos de
regresin que consideran informacin trimestral, en lugar de utilizar el esquema AR
(1) dado en (12.2.1), puede ser ms apropiado suponer un esquema AR (4) como el
siguiente.
t t t
u u +
4 4
es decir, suponer que el trmino de perturbacin actual est correlacionado con el
trmino para el mismo trimestre del ao anterior, en lugar de estarlo con el del
trimestre anterior.
Para probar la hiptesis de que 0
4
, Wallis* sugiere la siguiente prueba d
modificada de Durbin-Watson:
( )
n
t
t
n
t
t t
u
u u
d
1
2
5
2
4
4
El procedimiento de prueba sigue la rutina de la prueba d usual analizada en el
texto.
Wallis hizo las tablas
4
d las cuales pueden encontrarse en su artculo original.
Supngase ahora que hay informacin mensual. Podra la prueba Durbin-Watson
ser generalizada para considerar tal informacin? De ser as, escrbase la frmula
12
d apropiada.
Suponiendo un esquema AR(12) tenemos:
t t t
u u +
12 12
es decir, suponer que el trmino de perturbacin actual est correlacionado con el
trmino para el mismo mes del ao anterior, en lugar de estarlo con el del mes anterior,
por lo tanto la frmula apropiada d de Durbin-Watson es la siguiente:
( )
n
t
t
n
t
t t
u
u u
d
1
2
13
2
12
12
12.22 Supngase que se estima la siguiente regresin:
t t t t
u K L produccin + + + ln ln ln
3 2 1
donde Y es la produccin, L es el insumo trabajo, K es el insumo capital y es el
operador de primera diferencia.
Cmo se interpretara
1
en este modelo?
1
, un mtodo apropiado
para esta transformacin es que
44 . 0
005 . 0
28 . 0
47 . 0 50 . 1
+ + +
ee = (1.003) (0.166) (0.115) (0.143) (0.107)
t = (-1.48) (2.82) (2.44) (-0.04) (4.14)
2
R
0.94
2
R
0.93
INTERPRETACIN:
1
Este nos indica el cambio porcentual en el promedio de doce meses del precio interno del
cobre en EEUU dados cambios unitarios en el tiempo siempre y cuando las dems
variables sean igual a cero, es decir es decir C
t
disminuir en 1.5%.
2
Dado un incremento porcentual del 1% en el precio promedio de doce meses del cobre en
la bolsa de metales de Londres se estima que el promedio de doce meses del precio
interno del cobre en EEUU se incrementar en 0.28% manteniendo todo lo dems
constante, es decir existe una relacin directa entre estas dos variables si aumenta la una,
aumentar la otra y viceversa.
4
Dado un incremento porcentual del 1% precio promedio de doce meses del aluminio se
estima que el promedio de doce meses del precio interno del cobre en EEUU se
incrementar en 0.44%, es decir existe una relacin directa entre estas dos variables si
aumenta la una, aumentar la otra y viceversa.
2
R
Con un coeficiente de determinacin de 0.94 se dice que el 94% de las variaciones en el
promedio de doce meses del precio interno del cobre en EEUU estn explicadas por las
variables del modelo en su conjunto.
b) Obtngase los residuos y los residuos estandarizados de la regresin anterior y
grafquese. Qu se puede opinar sobre la presencia de autocorrelacin en estos
residuales?
Residuos R. estand
0.035893 0.294813
-0.057574 -0.472895
-0.236240 -1.940388
-0.096418 -0.791938
0.152308 1.250998
0.224898 1.847225
0.058633 0.481588
-0.068767 -0.564825
0.031474 0.258516
0.049220 0.404274
0.027520 0.226039
0.039864 0.327431
0.036860 0.302750
-0.068150 -0.559762
-0.128053 -1.051780
-0.183400 -1.506375
-0.069426 -0.570240
-0.082290 -0.675898
-0.049867 -0.409587
0.149403 1.227143
0.105069 0.862998
0.096646 0.793811
0.082802 0.680108
0.160864 1.321279
0.076581 0.629006
-0.030374 -0.249477
-0.147077 -1.208038
-0.189339 -1.555163
0.050127 0.411722
0.028814 0.236664
Residuos
-.3
-.2
-.1
.0
.1
.2
.3
2.8 3.2 3.6 4.0 4.4 4.8
LNCT
R
E
S
I
D
RESID vs. LNCT
Residuos estandarizados
-2
-1
0
1
2
2.8 3.2 3.6 4.0 4.4 4.8
LNCT
R
E
S
I
D
E
S
T
A
N
D
RESIDESTAND vs. LNCT
c) Estmese el estadstico d de Durban-Watson y comntese sobre la naturaleza de
la autocorrelacin presente en los datos.
d
calculado
= 0.954940
n= 30
K=5
K =4
d = 0.9549
= 0.05
Buscando en las tablas d de Durbin-Watson obtuvimos los siguientes resultados:
l
d
1.143 4-
l
d
= 2.857
u
d
1.739 4-
u
d
= 2.261
0 1.143 1.739 2 2.261 2.857 4
0.9545
INTERPRETACIN
Con un 95% de confianza podemos decir que no hay suficiente evidencia estadstica para
aceptar la hiptesis nula de que no existe autocorrelacin es decir se acepta la hiptesis
alternativa de que existe autocorrelacin y en este caso es positiva.
d) Efectese la prueba de rachas y vea si su respuesta difiere de la respuesta dada en
c).
Para explicar esta prueba se anotan simplemente los signos Como (+ o -) de los residuos
de la regresin dados en la tabla 12.7
(+)(---)(+++)(-)(+++++)(------)(++++++)(---)(++)
Es as como hay 1 residuo positivo seguido de: 3 negativos, 3 positivos, 1 negativo, 5
positivos, 6 negativos, 6 positivos, 3 negativos y 2 positivos. Un total de 30
observaciones, por lo tanto existen 9 rachas.
Ho: los datos fueron generados por un proceso aleatorio.
Ha: los datos no fueron generados por un proceso aleatorio.
Media: 1
2
) (
2 1
+
N
N N
R E
1
30
) 13 )( 17 ( 2
) ( + R E
73 . 15 ) ( R E
Varianza:
( )
( ) ( ) 1
2 2
2
2 1 2 1 2
N N
N N N N N
R
( ) ( ) ( ) [ ]
( ) ( ) 29 30
30 13 17 2 ) 13 ( 17 2
2
2
R
R
2
6.98
R 2.64
( ) ( ) [ ] 95 . 0 96 . 1 96 . 1 Pr +
R R
R E R R E ob
( ) ( ) [ ] 95 . 0 64 . 2 96 . 1 73 . 15 64 . 2 96 . 1 73 . 15 Pr + R ob
10.56 R 20.90
Como R=9 cae fuera del intervalo anterior se dice entonces que con un 95% de confianza
se rechaza la hiptesis nula de que los datos fueron generados por un proceso aleatorio es
decir se acepta la alternativa.
Como podemos darnos cuenta este literal con el literal c) la respuesta no difiere ya que
aplicando las dos pruebas existe autocorrelacin.
e) Cmo se encontrara si un proceso Ar(p) describe mejor la autocorrelacin que
un proceso Ar(1)?
Como un esquema de primer orden no contiene datos rezagados se puede utilizar el h de
Durbin-Watson entonces un esquema de orden p si se puede utilizar ya que este esquema
si utiliza datos con rezagos y por lo tanto describe mejor la autocorrelacin.
12.27 Se le da la siguiente informacin:
Y,Gasto de consumo personal
(miles de millones de dlares) X, tiempo
Y,estimado
Y* u residuos
281,4 1(=1956) 261,4208 19,9791
288,1 2 276,6026 11,4973
290 3 291,7844 -1,7844
307,3 4 306,9661 0,3338
316,1 5 322,1479 -6,0479
322,5 6 337,3297 -14,8297
338,4 7 352,5115 -14,1115
353,3 8 367,6933 -14,3933
373,7 9 382,8751 -9,1751
397,7 10 398,0569 -0,3569
418,1 11 413,2386 4,8613
430,1 12 428,4206 1,6795
452,7 13 443,6022 0,9977
469,1 14 458,784 10,3159
476,9 15(=1970) 473,9658 2,9341
a) Verifquese que el d de Durbin-Watson es igual a 0.4148.
Dependent Variable: Y
Method: Least Squares
Date: 05/17/07 Time: 12:37
Sample: 1 15
Included observations: 15
Variable Coefficient Std. Error t-Statistic Prob.
C 246.2390 5.848296 42.10441 0.0000
X 15.18179 0.643227 23.60254 0.0000
R-squared 0.977196 Mean dependent var 367.6933
Adjusted R-squared 0.975442 S.D. dependent var 68.68264
S.E. of regression 10.76324 Akaike info criterion 7.713717
Sum squared resid 1506.016 Schwarz criterion 7.808124
Log likelihood -55.85288 F-statistic 557.0798
Durbin-Watson stat 0.414753 Prob(F-statistic) 0.000000
Como podemos observar el d de Durbin-Watson es igual a 0.4148 lo cul verifica la
respuesta.
b) Hay correlacin serial positiva en las perturbaciones?
-20
-10
0
10
20
30
2 4 6 8 10 12 14
RESID
Como podemos observar en el grfico anterior hay muchas series de tiempo que presentan
autocorrelacin positiva ya que la mayor parte de estos se mueven hacia arriba o hacia
debajo durante perodos prolongados de tiempo
Para comprobar lo anteriormente dicho se procede a realizar la prueba d de Durbin-
Watson .
n= 15
K=2
K =1
d = 0.4148
= 0.05
Buscando en las tablas d de Durbin-Watson obtuvimos los siguientes resultados:
l
d
1.077
u
d
1.361
0 1.077 1.361 2 4-du 4-dl 4
0.4148
Con un 95% de confianza podemos decir que no hay suficiente evidencia estadstica para
aceptar la hiptesis nula de que no existe autocorrelacin es decir se acepta la hiptesis
alternativa de que existe autocorrelacin y en este caso es positiva.
c) De ser as, estmese p mediante el
i) mtodo de Theil-Nagar
( )
2 2
2 2
2 / 1
K n
K d n
+
( )
8251 . 0
2 15
2 2 / 4147 . 0 1 15
2 2
2 2
+
Como podemos observar
1 y el d = 0.4148 que se aproxima a cero, por lo tanto
concluimos diciendo que existe autocorrelacin positiva.
ii) Procedimiento de dos pasos de Durbin
De la siguiente regresin:
iii) mtodo de Cochrane-Orcutt
d) Utilcese el mtodo de Theil-Nagar para transformar la informacin y efectese la
regresin con los datos transformados.
e) La regresin estimada en d) presenta autocorrelacin? De ser as, Cmo
deshacerse de sta?
12.36 El estadstico h de Durbin: considrese el siguiente modelo de la determinacin
de salarios:
t t t t
u Y X Y + + +
1 3 2 1
Donde:
Y= salarios=ndice de compensacin real por hora
X=productividad=ndice de produccin por hora
a) Utilizando los datos de la tabla 12.4, calclese el modelo anterior e interprtese los
resultados.
Dependent Variable: Y
Method: Least Squares
Date: 05/17/07 Time: 14:37
Sample(adjusted): 1960 1998
Included observations: 39 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 8.247920 1.754545 4.700890 0.0000
X 0.124297 0.041018 3.030290 0.0045
Y(-1) 0.801256 0.055810 14.35680 0.0000
R-squared 0.993786 Mean dependent var 86.34103
Adjusted R-squared 0.993441 S.D. dependent var 12.34486
S.E. of regression 0.999782 Akaike info criterion 2.911244
Sum squared resid 35.98430 Schwarz criterion 3.039211
Log likelihood -53.76926 F-statistic 2878.781
Durbin-Watson stat 1.521781 Prob(F-statistic) 0.000000
Con los datos dados y corriendo el modelo en el programa Eviews se obtiene los
siguientes resultados:
1
801 . 0
124 . 0 25 . 8
+
t t t
Y X Y
ee = (1.75) (0.04) (0.06)
t = (4.7) (3.03) (14.36)
2
R
0.99
INTERPRETACION
1
Este nos indica un cambio en el ndice de compensacin real por hora dados cambios
unitarios en el tiempo siempre y cuando las dems variables sean igual a cero, es decir
t
Y
se incrementar en 8.25 unidades, ya que estas dos variables tienen una relacin directa.
2
Un
2
= -0.124 nos indica que dado un cambio unitario en el ndice de produccin por
hora se estima que el ndice de compensacin real por hora disminuir en 0.124 unidades
manteniendo todo lo dems constante, la relacin que existe entre estas dos variables es
inversa.
3
Un
3
=0.801 nos indica que dado un cambio unitario en el ndice de compensacin real
por hora del ao anterior se estima que el ndice de compensacin real por hora del ao
actual se incrementar en 0.801 unidades manteniendo todo lo dems constante, la
relacin que existe entre estas dos variables es directa.
2
R
0.99
Un
2
R
0.99 nos dice que el 99% de las variaciones en el ndice de compensacin real
por hora estn explicadas por el modelo en su conjunto.
b) Puesto que el modelo tiene una regresada rezagada como una regresora, la d de
Durbin-Watson no resulta apropiada para averiguar si existe correlacin serial en
los datos. Para tales modelos, llamados modelos auto regresivo, Durbin desarrollo el
as llamado estadstico h para probar la autocorrelacin de primer orden, el cul se
define como:
( ) [ ]
3
var 1
n
n
h
= (1- d /2)
Entonces: 2391095 . 0
2
521781 . 1
1
( ) [ ]
3
var 1
n
n
h
Por lo tanto:
[ ] 003114 . 0 40 1
40
24 . 0
h
62 . 1
87544 . 0
40
24 . 0 h
INTERPRETACIN
Como el
h
calculada es menor que 1.96 se dice que con un 95% de confianza no hay
evidencia referente a una autocorrelacin de primer orden.
i) Regresin 12.5.1
t t
X Y
7136 . 0 5192 . 29
+
ee= (1.9423) (0.0241)
t = (15.1977) (29.6066)
2
r
= 0.9584 d 0.1229 6755 . 2
2
ii) Regresin con rezagos
1
801 . 0
124 . 0 25 . 8
+
t t t
Y X Y
ee = (1.75) (0.04) (0.06)
t = (4.7) (3.03) (14.36)
2
R
0.99
Comparando los resultados de ambas regresiones podemos observar que el coeficiente de
determinacin de la regresin con rezagos es mayor que la regresin 12.5.1, por lo tanto
podemos decir que el segundo modelo tiene un ajuste ligeramente mejor.
12.38 Utilizando los datos para la regresin de los salarios sobre la productividad
dados en la tabla 12.4, estmese el modelo (12.9.8) y comprese los resultados con los
obtenidos mediante la regresin (12.9.9) Qu conclusin (es) colige?
Con los datos proporcionados en la tabla 12.4 estimando el modelo (12.9.8) se
obtienen los siguientes resultados, como se puede observar en el anexo N. 1
t t t
X Y + +
2 1
t t
X Y
721 . 0 103 . 29
+
ee = (1.965) (0.025)
t = (14.810) (29.198)
2
R
0.96
Con los datos proporcionados en la tabla 12.4 estimando el modelo (12.9.9) se obtienen
los siguientes resultados, como se puede observar en el anexo N. 2
t t
X Y
t t
X Y 678 . 0
ee = (0.083)
t = (8.175)
2
R
0.637
Como se puede ver el segundo modelo parece ajustarse de mejor manera ya que la
caracterstica principal de primeras diferencias es que no tiene rezagos ni la variable
tendencial por la tanto parece ajustarse de mejor manera.
ANEXO N.1
Model Summary(b)
Model R R Square
Adjusted R
Square
Std. Error of
the Estimate Durbin-Watson
1
,979(a) ,958 ,957 2,63126 ,141
a Predictors: (Constant), xuno
b Dependent Variable: yuno
Coefficients(a)
Model
Unstandardized
Coefficients
Standardized
Coefficients t Sig.
B Std. Error Beta
1 (Constant
)
29,103 1,965 14,810 ,000
xuno
,721 ,025 ,979 29,198 ,000
a Dependent Variable: yuno
ANEXO N.2
Model Summary(c,d)
Model R
R
Square(a)
Adjusted R
Square
Std. Error of
the Estimate Durbin-Watson
1
,798(b) ,637 ,628 1,01502 1,735
a For regression through the origin (the no-intercept model), R Square measures the proportion of the
variability in the dependent variable about the origin explained by regression. This CANNOT be compared
to R Square for models which include an intercept.
b Predictors: xd
c Dependent Variable: yd
d Linear Regression through the Origin
Coefficients(a,b)
Model
Unstandardized
Coefficients
Standardized
Coefficients t Sig.
B Std. Error Beta
1 xd
,678 ,083 ,798 8,175 ,000
a Dependent Variable: yd
b Linear Regression through the Origin