Las variables son cualesquiera: Se esperaría que: crece X1 implicará decrece Y crece X2 implicará decrece Y crece X3 implicará decrece Y Hay que justificar.

Presentación del tema: "Las variables son cualesquiera: Se esperaría que: crece X1 implicará decrece Y crece X2 implicará decrece Y crece X3 implicará decrece Y Hay que justificar."— Transcripción de la presentación:

1 Las variables son cualesquiera: Se esperaría que: crece X1 implicará decrece Y crece X2 implicará decrece Y crece X3 implicará decrece Y Hay que justificar teóricamente cada una de estas relaciones Y= X1= X2= X3=

2

3 1)

4

5 2)

6

7 Si se conoce la varianza Divídase el modelo entre la desviación típica conocida.

8 En el caso de que se desconozca la varianza Aplicar Mínimos Cuadrados ponderados

9 Veamos el caso más conocido, cuando la varianza no se conoce, entonces hay que indentificar el patrón. Patrones de la varianza:

10 CASO 1)

11

12 CASO 2)

13

14 Caso 3)

15 Caso 4)

16 Intentando corregir la heterocedasticidad Sin corrección de heterocedasticidad

17 Regresando a nuestro caso teníamos esto

18

19 Hay un problema atípico con los primero y ultimos datos

20 Pretendemos corregir quitando 10 datos de cada extremo

21 Aún con la corrección existe heterocedasticidad grafica y según White

22 El modelo con las tres variables 3)

23 Corrigiendo como en el anterior por la variable heterocedástica X1, asi que dividimos entre la raíz de x1. [sigue habiendo heterocedasticidad según WHITE] White Heteroskedasticity Test: F-statistic7.284180 Probability0.000000 Obs*R-squared57.58004 Probability0.000000

24 White Heteroskedasticity Test: F-statistic3.093285 Probability0.001383 Obs*R-squared26.48571 Probability0.001701 Decidimos en aplicar logaritmos a las explicativas [persiste el problema de heterocedasticida]

25 Aplicamos también logaritmos a la explicada, [parece mejorar el problema, gráfica residuos].

26 Añadimos la corrección automática de e-views de “errores estándar consistentes de White”

27 El problema parece solucionarse. Ya no hay heterocedasticidad, [NO podemos rechazar la hipótesis nula de homocedasticidad en los residuales].

28 Estimation Equation: ===================== LOG(Y/(X1^0.5)) = C(1) + C(2)*LOG(1/(X1^0.5)) + C(3)*LOG(X2/(X1^0.5)) + C(4)*LOG(X3/(X1^0.5)) VERIFICAR SI X2 y X3 son NO significativas. Lo haremos mediante la prueba de Wald que esta en E-views. Se rechaza la hipótesis nula de que los estimadores de X2 Y X3 SEAN AMBOS CERO. 4 PUNTO)

29 FIN

30