Econometria

[pic 1][pic 2]

Contenido

INTRODUCCIÓN:        

RESUMEN EJECUTIVO:        

Supuestos del Modelo de Regresión Lineal:        

RESUMEN EJECUTIVO CASO 1:        

Caso 1:        

Modelo 1: MCO, usando las observaciones 1-173        

Contraste de Heterocedasticidad de White -        

Contraste de normalidad de los residuos -        

Gráfico de normalidad de residuos        

PRUEBA DE HIPOTESIS: AUTOCORRELACIÓN        

I.        Estimación del modelo de regresión lineal mediante MCO.        

II.        Interpretación de parámetros:        

III.        ¿Afectan los gastos del candidato A a los resultados? ¿Qué se puede decir de los gastos del candidato B?        

IV.        Al ver los resultados el presidente del partido A, le realiza la consulta ¿es posible utilizar el modelo para obtener conclusiones? .Realice todas las pruebas estadísticas que sean necesarias para poder responder.        

Prueba de hipótesis: significancia global.        

Prueba de hipótesis: significancia  individual:        

Caso Nº2        

Modelo 2: MCO, usando las observaciones 1-15        

Contraste de Heterocedasticidad de White -        

Contraste de normalidad de los residuos -        

Gráfico de normalidad de residuos        

PRUEBA DE HIPOTESIS: AUTOCORRELACIÓN        

I.        Estimación del modelo de regresión lineal mediante MCO.        

II.        Interpretar los Coeficientes.        

Prueba de hipótesis: significancia global        

Prueba de hipótesis: significancia individual:        

Conclusiones del modelo estimado.        

Conclusiones:        

Caso Nº1:        

Caso Nº2:        

Bibliografía:        

INTRODUCCIÓN:

En el presente trabajo se realiza un extenso análisis acerca de las variables y/o factores determinantes de dos fenómenos económicos: Primero, analizaremos la influencia de los gastos en campañas publicitarias en las elecciones electorales y segundo se analizara el aporte del trabajo y del capital al PIB regional.

Para lograr el objetivo de este estudio, este artículo se ha dividido en cuatro partes:

En la primera parte se presentara y se discutirán los principales determinantes de ambos fenómenos, la conceptualización y presentación de los modelos a estimar.

Segundo: Se llevara a cabo los análisis de regresión correspondiente, así como las tablas de correlación y algunas pruebas estadísticas para verificar los supuestos que permiten usar el Mínimo Cuadrados Ordinarios (MCO).

Tercero: Se detallara los principales resultados del análisis empírico y la discusión de estos.

 Cuarto: Finalmente, se enumeraran algunas conclusiones y reflexiones finales.

RESUMEN EJECUTIVO:

Supuestos del Modelo de Regresión Lineal:

Los supuestos de un modelo estadístico se refieren a una serie de condiciones que deben darse para garantizar la validez del modelo. Al efectuar aplicaciones del modelo de regresión, nos veremos en la necesidad de examinar mucho de estos supuestos.

1. Linealidad: La ecuación de regresión adopta una forma particular, en concreto, la variable dependiente es la suma de un conjunto de elementos: el origen de la recta, una combinación lineal de variables independientes o predictoras y los residuos. El incumplimiento del supuesto de linealidad suele denominarse Error de Especificación. Algunos ejemplos son: Omisión de variables independientes importantes, inclusión de variables independientes irrelevantes, no linealidad (Relación entre variables independientes y y la dependiente no es lineal), parámetros cambiantes, no aditividad, etc.
2. Independencia: Los residuos son independientes entre si, es decir, los residuos constituyen una variable aleatoria (recordemos que los residuos son las diferencias entre los valores observados y los pronosticados). Es frecuente encontrarse con residuos autocorrelacionados cuando se trabaja con series de tiempo .
3. Homocedasticidad: Para cada valor de la variable independiente (o combinación de valores de las variables independientes), la varianza de los residuos es constante.
4. Normalidad: Para cada valor de la variable independiente (o combinación de variables independientes), los residuos se distribuyen normalmente con media cero.
5. No Colinealidad: No existe relación lineal exacta entre ninguna de las variables independientes. El incumplimiento de este supuesto da origen a Colinealidad o Multicolinealidad.

RESUMEN EJECUTIVO CASO 1:

Actualmente los partidos políticos en todo el mundo centran sus estrategias político-electorales en los consejos de múltiples y costosos de asesores de “mercadotecnia política”. Difícilmente un partido o un candidato escapan a esta tendencia mundial y al uso de diferentes herramientas de mercadotecnia para apoyar sus campañas. Como consecuencia de este hecho, la mercadotecnia política utiliza una gran cantidad de instrumentos y técnicas para desempeñar su labor; dichas herramientas teóricas o prácticas implican un enorme gasto que los partidos y candidatos deben cubrir: los gastos de campaña.

Aplicadas las pruebas y test estadísticos correspondientes, se puede concluir que el modelo si es estadísticamente significativo en su conjunto con un 95% de confianza y las variables individualmente también lo son. También se comprueba que el modelo cumple con 4 de los supuestos de Regresión Lineal Múltiple: No hay Heterocedasticidad, los errores se distribuyen normalmente, si hay linealidad, no hay Multicolinealidad, pero si se presenta autocorrelacion  entre los errores.

RESUMEN EJECUTIVO CASO 2:

Lo que se acostumbra a mencionar o citar como PIB corresponde a una sigla que resume la expresión Producto Interno Bruto. Se trata de una noción que engloba a la producción total de bienes y servicios de una nación o región durante un determinado periodo de tiempo, expresada en un monto o precio monetario.

Es importante tener en cuenta que el PIB (no es producción ¿??)  está vinculado a la producción dentro de un determinado territorio, más allá del origen de las empresas.

Aplicadas las pruebas y test estadísticos correspondientes, se puede concluir que el modelo si es estadísticamente significativo en su conjunto con un 95% de confianza, las variables de forma individual también lo son. También se demuestra que el modelo cumple con algunos de los supuestos de Regresión Lineal Múltiple: No hay heterocedasticidad, los errores se distribuyen normalmente, si hay linealidad, no hay Multicolinealidad y

Caso 1:

El siguiente modelo puede servir para estudiar si los gastos de campaña afectan a los resultados electorales:

𝑉𝑜𝑡𝑒𝐴𝑖= 𝛽0+ 𝛽1 log (𝑔𝑎𝑠𝑡𝑜𝑠𝐴)+ 𝛽2 log (𝑔𝑎𝑠𝑡𝑜𝑠𝐵)+ 𝛽3 fuerza_partidoA+ 𝑢𝑖 

Donde:

• VoteA: Es el porcentaje de votos dado al candidato A.
• GastosA: Gastos de campaña del candidato A.
• GastosB: Gastos de campaña del candidato B.
• Fuerza_partidoA: es una medida de la fuerza del partido del candidato A (medida por el porcentaje de votos en las elecciones presidenciales más recientes que fueron al partido del candidato A)

Modelo 1: MCO, usando las observaciones 1-173

Variable dependiente: VotoA

Contraste de Heterocedasticidad de White -

Hipótesis nula: No hay Heterocedasticidad

Estadístico de contraste: LM = 23.3334

Con valor p  = P (Chi-cuadrado (9) > 23.3334) = 0.00548948
                                             1,833 > 23,3334

Contraste de normalidad de los residuos -

Hipótesis nula: el error se distribuye normalmente

...