Topicos de Econometria

INTRODUCCIÓN

En estos últimos años la demanda de los departamentos ha crecido considerablemente debido a nuestro crecimiento económico, este boom inmobiliario ha hecho que sus precios suban y la vez las personas sean más exigentes al comprar un departamento, como tener estacionamiento, tener mejores acabados etc. En esta oportunidad hemos estimado las variables que ayudan a contribuir la diferenciación de precios en los departamentos para los distritos de Pueblo Libre y Jesús María.

Análisis del Modelo:

Al realizar nuestro modelo consideramos todas las variables posibles que puedan afectar al precio de los departamentos y dio el siguiente resultado.

Eliminamos la varible no significativa: Número de Baños y número de pisos.

Modelo final (solo con los significativos):

Log(precio)=β0+β1M2+β2NFLOOR+β3NFLOOR+β4NROOMS+β5DISTRICT+µ

Donde:

• Log(Price)= variable explicativa, precio.

• M2: Metros cuadrados del departamento

• NFLOOR: Número de Pisos

• NROOMS: Número de cuartos

• DISTRICT: Distritos, variable dummy (Pueblo Libre=0, Jesús María=1)

Al hacer nuestro análisis con el programa Eviews llegamos a estas conclusiones:

• En nuestro modelo que tiene 32 observaciones, globalmente es significativo un Prob F menor a 0.05.

• Se puso en logaritmo el modelo para poder suavizar el modelo, es para que no se disparen los precio.

• R2 es de 0.952932 y se aproxima a 1, lo que nos diría que el modelo está siendo altamente descrito por las variables seleccionadas.

Análisis del Gráfico de Residuos:

Verificamos que hay una posible heteroscedasticidad, lo cual se confirma con el Test de White y Breusch Pagan.

Test de White

Prueba de heteroscedasticidad al modelo luego de eliminar las no significativas: (se rechaza la nula, hay heteroscedasticidad, la varianza de las perturbaciones no es constante)

Prob F 0.0016

Test de Breusch – Godfrey

Nos fijamos en el Prob del Chi-cuadrada de la suma explicada de cuadrados y observamos que es <0.05, por lo que se concluye que hay heteroscedasticidad.

Test de Corrección de Heteroscedasticidad: Huber White

• Se realiza la corrección del modelo y ya no hay heteroscedasticidad, p>0.05.

• Además para estar seguros de todo visualizamos Durbin –Watson, el indicador se aleja de 1 por lo que no hace más que reforzar la no autocorrelación en el modelo.

Test de Reset de Ramsey

• Test reset de Ramsey: (se acepta la nula, la forma funcional está correctamente especificada)

• Prob F 0.0223

Propuesta:

• Verificamos el correlograma. Se estima un modelo AR(1), MA(1) y un ARMA(1,1). Y se tiene que el modelo que mejor explica la regresión es el AR(1).

Nuevo modelo: ls logprice c ar(1)

En conclusión

• Nuestro modelo globalmente es significado pero hay variables por si solos no lo son.

• Nos parece ilógico que el número de baños no sean significativos, eso depende mucho en los precios de las viviendas ya que tiene un Prob F de 0.6293.

• Los números de pisos también afecta en el precio ya que a mayor alto el piso será más costoso, por tener menos gente que transite y menor ruido tiene un Pro F de 0.0426.

• En caso de los distritos se tendría que tener una mayor comparación con los demás distritos para ver si tiene un mayor efecto en los precios.

Bibliografía:

www.adondevivir.com.pe

...