Econometria regresion lineal multiple

Ayudantía N°8

En la base de spss “demanda de rosas.sav” se encuentran la información sobre las variables:

• Y: Logaritmo de la demanda de rosas vendidas (docena)
• X1: Logaritmo del precio promedio al por mayor de las rosas (US$/docena)
• X2: Logaritmo del precio promedio al por mayor de los claveles (US$/docena)
• X3: Ingreso promedio disponible familiar semanal (US$/docena)

Donde el modelo final es:          Y=2,320-1,761X1+1,340x2

A través de las diversas salidas del Spss, que se presentaran a continuación,  conteste las siguientes preguntas en relación a este modelo de regresión múltiple:

1. Determine si se cumple el supuesto de normalidad en el MRL, utilice el test estadístico adecuado de los presentes en las siguientes tablas.

[pic 2][pic 3][pic 4]

1. Histograma:

El Histograma muestra una distribución normal, puesto no existe una tendencia hacia ninguno de los extremos.

1. K-S:

Ho: los residuos son normales

H1: los residuos no son normales

Como el p-value (0,936) es mayor al nivel de significancia del 5%, es decir NRHo, y podemos decir que los residuos son estadísticamente normales.

1. qq-plot.

La mayoría de los puntos del gráfico, se encuentra en torno a la línea teórica de la normalidad, por lo tanto, podemos decir que los residuos se comportan normales.

1. Al aplicar el Test de White al modelo, arrojo la síguete tabla de resultados, analizar si se está en presencia o no de Heterocedasticidad y de presentarse identificar la variable que produce el problema.

[pic 5][pic 6][pic 7]

Ho: Los residuos son Homocedasticos (Varianza Igual)

H1: Los residuos son Heterocedasticos (Varianza distintas)

N*r2 >  chi-cuadrado (NRho)

N*r2=16*0,452=7,232

Chicuadrado [q(5)]= 1,1455

Decisión: como el n*r2> Chi cuadrado, implica que las varianzas son iguales es decir existe presencia de homocedasticidad a un nivel de confianza del 95% (NRHo).

Corrección a lo dicho en la ayudantía, En el caso de la variable que produce la heterocedasticidad, no es necesario analizarlo porque no hay presencia de esta en el modelo.

1. Analice mediante el estadístico adecuado si el modelo posee residuos que estén correlacionados entre sí.

[pic 8]

Ho: los residuos no están correlacionados.

H1: Residuos correlacionados.

DW= 2,059

K=2

Ver valor en la tabla.

DL: 0,982

Du:1,539

Como dw> du, NRho, es decir los residuos no están correlacionados.

1. Determine si el modelo está en presencia de Multicolinealidad a través del test correspondiente.

[pic 9][pic 10]

Ho: Multicolinealidad

      H1: No existe Multicolinealidad

Como todos los Fiv son < 5, eso indica que la rechaza Ho y no hay presencia de multicolinealidad, en el caso de los IC, el de dimensión 3 solamente supera es >20,  esta acumula una varianza superior al 90%, por lo que no existe presencia de multicolinealidad.

...