FIN heterocedasticidad

Se emplean los datos del archivo SMOKE para estimar una funcin de
demanda para el consumo diario de cigarros. Puesto que la mayora de la
gente no fuma, la variable dependiente, cigs, es cero en la mayora de las
observaciones. Un modelo lineal no es lo ideal debido a que puede dar lugar
a valores de prediccin negativos. Sin embargo, se puede conocer algo
acerca de los determinantes del tabaquismo usando un modelo lineal.
Donde:

o cigs = nmero de cigarros fumados por da.

o income = ingreso anual.
o cigpric = precio del paquete de cigarros (en centavos de dlar). educ =
aos de escolaridad. age = edad medida en aos.
o restaurn = un indicador binario igual a uno si la persona reside en un
estado en el que fumar en los restaurantes est prohibido.
o u: variable aleatoria
a) El Gobierno Municipal, como parte de su poltica de promocin de la salud,
pretende disminuir el consumo de cigarrillos en la poblacin, para lo cual,
elevaran el precio del paquete de cigarrillos en un 10%. Esta elevacin del
precio de los cigarrillos, generara incentivos para que disminuya la
demanda de cigarrillos?. Argumente su respuesta.

b) Es necesario imponer una restriccin a fumar en restaurantes para reducir

la cantidad de cigarrillos fumados?

c) Explique los otros estimadores encontrados en el modelo de regresin

d) Realice pruebas de multicolinealidad del modelo estimado

e) Los errores de esta regresin contienen heterocedasticidad? Realice dos

pruebas para detectarla

f) Resuelva la heterocedasticidad ordenando los siguientes puntos:

o Encuentre el estimador M.C.P. (mnimos cuadrados ponderados)

suponiendo que la varianza residual es proporcional al cuadrado del
logaritmo de los ingresos
o Si se sospecha que la forma funcional para modelar la
heterocedasticidad no es la adecuada, vuelva a calcular el estimador M.C.P.,
suponiendo que la varianza residual es proporcional al logaritmo de los
ingresos.
o De existir sospechas de mala especificacin de la heterocedasticidad, es
mejor calcular el estimador M.C.P. suponiendo que la varianza de los errores
es proporcional al valor esperado de la variable dependiente.
o Encuentre el estimador MCO con varianzas robustas.
g) Compare los 5 modelos estimados en un cuadro, donde especifique
claramente los estimadores, sus errores estndar y los valores t de student.
Cul de las especificaciones es la adecuada? Porqu?

RESPUESTAS:

Dependent Variable: CIGS

Method: Least Squares
Date: 06/28/17 Time: 12:59
Sample: 1 807
Included observations: 807

Variable Coefficient Std. Error t-Statistic Prob.

C -3.639823 24.07866 -0.151164 0.8799

LOG(CIGPRIC) -0.750862 5.773342 -0.130057 0.8966
LOG(INCOME) 0.880268 0.727783 1.209519 0.2268
EDUC -0.501498 0.167077 -3.001596 0.0028
AGE 0.770694 0.160122 4.813155 0.0000
AGE^2 -0.009023 0.001743 -5.176494 0.0000
RESTAURN -2.825085 1.111794 -2.541016 0.0112

R-squared 0.052737 Mean dependent var 8.686493

Adjusted R-squared 0.045632 S.D. dependent var 13.72152
S.E. of regression 13.40479 Akaike info criterion 8.037737
Sum squared resid 143750.7 Schwarz criterion 8.078448
Log likelihood -3236.227 Hannan-Quinn criter. 8.053370
F-statistic 7.423062 Durbin-Watson stat 2.012825
Prob(F-statistic) 0.000000

a) no disminuye el consumo porque en la regresin el estimador de el precio del cigarrilo es no

significativo no teniendo incidencia en la demanda de cigarrillos.

b) si inside porque disminuye el consumo de cigarrillos su pvalue es significativo

c) *el aumento del 1% en los ingresos incrementa la demanda promedio de consumo de

cigarrillos en 0,88% uds.

* el aumento de 1 ao de educacin disminuye la demanda promedio de consumo de

cigarrillos en -0,50 uds.

*el aumento en 1 ao de edad incrementa la demanda promedio de consumo de cigarrillos en

0,77 uds.

*el aumento de 1 ao de edad al cuadrado disminuye la demanda promedio de consumo de

cigarrillos en -0,009 uds.

* en el sector de no fumadores disminuye la demanda promedio de consumo de cigarrillos en

-2,83 uds. que el sector de fumadores de un restorant

Sigue abajo!
d)

10

0
C(2)

-10

1
C(3)

-.2

-.4
C(4)

-.6

-.8

1.0

0.8
C(5)

0.6

0.4

-.006

-.008
C(6)

-.010

-.012

-1

-2
C(7)

-3

-4

-5

-40 0 40 -10 0 10 0 1 2 -.8 -.6 -.4 -.2 0.4 0.6 0.8 1.0 -.012 -.010 -.008 -.006

C(1) C(2) C(3) C(4) C(5) C(6)

en la prueba de elipses como se puede observar no existe multicolinealidad la mayora de las

relaciones tienen imgenes redondeadas

Variance Inflation Factors

Date: 06/28/17 Time: 13:58
Sample: 1 807
Included observations: 807

Coefficient Uncentered Centered

Variable Variance VIF VIF

C 579.7818 2603.864 NA
LOG(CIGPRIC) 33.33148 2512.538 1.027975
LOG(INCOME) 0.529668 224.4429 1.206779
EDUC 0.027915 20.66792 1.170271
AGE 0.025639 229.1606 33.34339
AGE^2 3.04E-06 87.94036 33.89854
RESTAURN 1.236085 1.368931 1.031363
existe problemas de multicolinealidad vif>10

CIGS LOG(CIGPRIC) LOG(INCOME) EDUC AGE AGE^2 RESTAURN

- - - - -
0.01461369104 0.06599158463 0.04869353050 0.04154129694 0.07347897123 0.08713187274
CIGS 1 04795 871596 993305 231634 418138 40397
-
0.01461369104 0.07684555627 0.03328556946 0.02316926946 0.01818236169 0.14833822960
LOG(CIGPRIC) 04795 1 224359 482924 584761 390104 4344
- -
0.06599158463 0.07684555627 0.31373836854 0.04166855856 0.09959236885 0.08740495426
LOG(INCOME) 871596 224359 1 31003 673343 724965 933179
- - -
0.04869353050 0.03328556946 0.31373836854 0.18057790176 0.21880280035 0.06049914251
EDUC 993305 482924 31003 1 05749 88939 793235
- - - -
0.04154129694 0.02316926946 0.04166855856 0.18057790176 0.98306915732 0.03891577361
AGE 231634 584761 673343 05749 1 93852 953834
- - - -
0.07347897123 0.01818236169 0.09959236885 0.21880280035 0.98306915732 0.04080707590
AGE^2 418138 390104 724965 88939 93852 1 093988
- - -
0.08713187274 0.14833822960 0.08740495426 0.06049914251 0.03891577361 0.04080707590
RESTAURN 40397 4344 933179 793235 953834 093988 1

los resultados de correlacion arronjan coeficientes bajos no hay multicolinealida tomando en

cuenta que los coeficientes deberan ser elevados.

e)

100

80

60

40

20
80
0
60 -20

40

20

-20
100 200 300 400 500 600 700 800

Residual Actual Fitted

En el grafico se puede presenciar datos atpicos existe heterocedasticidad

 8,000

7,000

6,000

LOG(INCOME) 5,000
EDUC
AGE 4,000
AGE^2
RESTAURN
3,000
RESID^2

2,000

1,000

0
3.7 3.8 3.9 4.0 4.1 4.2 4.3

LOG(CIGPRIC)

Si hay datos atpicos existe presencia de heterocedasticidad

f)

Dependent Variable: CIGS

Method: Least Squares
Date: 06/28/17 Time: 15:10
Sample: 1 807
Included observations: 807
Weighting series: 1/LOG(INCOME)^2
Weight type: Inverse standard deviation (EViews default scaling)

Variable Coefficient Std. Error t-Statistic Prob.

C 8.172640 21.86611 0.373758 0.7087

LOG(CIGPRIC) -4.341456 5.388101 -0.805749 0.4206
LOG(INCOME) 1.160307 0.510034 2.274959 0.0232
EDUC -0.402137 0.159510 -2.521071 0.0119
AGE 0.709682 0.151429 4.686570 0.0000
AGE^2 -0.008294 0.001628 -5.095100 0.0000
RESTAURN -2.652390 1.084744 -2.445176 0.0147

Weighted Statistics

R-squared 0.059801 Mean dependent var 8.504968

Adjusted R-squared 0.052749 S.D. dependent var 13.33924
S.E. of regression 13.06316 Akaike info criterion 7.986106
Sum squared resid 136516.9 Schwarz criterion 8.026816
Log likelihood -3215.394 Hannan-Quinn criter. 8.001738
F-statistic 8.480543 Durbin-Watson stat 2.035446
Prob(F-statistic) 0.000000 Weighted mean dep. 8.221840

Unweighted Statistics

R-squared 0.051487 Mean dependent var 8.686493

Adjusted R-squared 0.044373 S.D. dependent var 13.72152
S.E. of regression 13.41363 Sum squared resid 143940.3
Durbin-Watson stat 2.009662

Dependent Variable: CIGS

Method: Least Squares
Date: 06/28/17 Time: 15:13
Sample: 1 807
Included observations: 807
Weighting series: 1/LOG(INCOME)
Weight type: Inverse standard deviation (EViews default scaling)

Variable Coefficient Std. Error t-Statistic Prob.

C 1.813593 23.04654 0.078693 0.9373

LOG(CIGPRIC) -2.375595 5.606934 -0.423689 0.6719
LOG(INCOME) 0.988810 0.617001 1.602607 0.1094
EDUC -0.452340 0.163757 -2.762268 0.0059
AGE 0.742976 0.156423 4.749789 0.0000
AGE^2 -0.008691 0.001692 -5.137588 0.0000
RESTAURN -2.730571 1.101959 -2.477925 0.0134

Weighted Statistics

R-squared 0.054689 Mean dependent var 8.605303

Adjusted R-squared 0.047599 S.D. dependent var 13.50233
S.E. of regression 13.21931 Akaike info criterion 8.009870
Sum squared resid 139800.1 Schwarz criterion 8.050580
Log likelihood -3224.983 Hannan-Quinn criter. 8.025503
F-statistic 7.713728 Durbin-Watson stat 2.025296
Prob(F-statistic) 0.000000 Weighted mean dep. 8.504968

Unweighted Statistics

R-squared 0.052473 Mean dependent var 8.686493

Adjusted R-squared 0.045366 S.D. dependent var 13.72152
S.E. of regression 13.40666 Sum squared resid 143790.7
Durbin-Watson stat 2.011464

Dependent Variable: CIGS

Method: Least Squares
Date: 06/28/17 Time: 15:28
Sample: 1 807
Included observations: 807
Weighting series: 1
Weight type: Inverse standard deviation (EViews default scaling)

Variable Coefficient Std. Error t-Statistic Prob.

C -3.639823 24.07866 -0.151164 0.8799

LOG(CIGPRIC) -0.750862 5.773342 -0.130057 0.8966
LOG(INCOME) 0.880268 0.727783 1.209519 0.2268
EDUC -0.501498 0.167077 -3.001596 0.0028
AGE 0.770694 0.160122 4.813155 0.0000
AGE^2 -0.009023 0.001743 -5.176494 0.0000
RESTAURN -2.825085 1.111794 -2.541016 0.0112

Weighted Statistics
R-squared 0.052737 Mean dependent var 8.686493
Adjusted R-squared 0.045632 S.D. dependent var 13.72152
S.E. of regression 13.40479 Akaike info criterion 8.037737
Sum squared resid 143750.7 Schwarz criterion 8.078448
Log likelihood -3236.227 Hannan-Quinn criter. 8.053370
F-statistic 7.423062 Durbin-Watson stat 2.012825
Prob(F-statistic) 0.000000 Weighted mean dep. 8.686493

Unweighted Statistics

R-squared 0.052737 Mean dependent var 8.686493

Adjusted R-squared 0.045632 S.D. dependent var 13.72152
S.E. of regression 13.40479 Sum squared resid 143750.7
Durbin-Watson stat 2.012825

Dependent Variable: CIGS

Method: Least Squares
Date: 06/28/17 Time: 15:31
Sample: 1 807
Included observations: 807
White heteroskedasticity-consistent standard errors & covariance

Variable Coefficient Std. Error t-Statistic Prob.

C -3.639823 25.61646 -0.142089 0.8870

LOG(CIGPRIC) -0.750862 6.035401 -0.124410 0.9010
LOG(INCOME) 0.880268 0.596011 1.476931 0.1401
EDUC -0.501498 0.162394 -3.088167 0.0021
AGE 0.770694 0.138284 5.573262 0.0000
AGE^2 -0.009023 0.001462 -6.170768 0.0000
RESTAURN -2.825085 1.008033 -2.802573 0.0052

R-squared 0.052737 Mean dependent var 8.686493

Adjusted R-squared 0.045632 S.D. dependent var 13.72152
S.E. of regression 13.40479 Akaike info criterion 8.037737
Sum squared resid 143750.7 Schwarz criterion 8.078448
Log likelihood -3236.227 Hannan-Quinn criter. 8.053370
F-statistic 7.423062 Durbin-Watson stat 2.012825
Prob(F-statistic) 0.000000 Wald F-statistic 10.81051
Prob(Wald F-statistic) 0.000000

estimador mco mpca mpcb mpcc robusta

C -3.6398 8.17 1.81 -3.639 -3.639
ee 24.078 21.866 23.046 24,078 25.616
t-estadist -0.15 0.37 0.078 -0,15 -0.14
B1 -0.75 -4.34 -2.375 -0,75 -0.75
Ee1 5.77 5.388 5.606 5,77 6.035
t-estadist -0.13 -0.805 -0.42 -0,13 -0.12
B2 0.88 1.16 0.988 0,88 0.88
Ee2 0.727 0.51 0.617 0,727 0.596
t-estadist 1.209 2.27 1.60 -1,20 1.476
B3 -0.50 -0.40 -0.45 -0,5 -0.50
Ee3 0.167 0.51 0,16 0,16 0.16
t-estadist -3.0 -2.52 -2,76 -3,0 -3.088
B4 0.77 0.709 0,74 -0,77 0.77
 Ee4 0.16 0.156 0,156 0.16 0.138
t-estadist 4.81 4.686 4,749 4,81 5.57
B5 -0.009 -0.008 -0,0086 -0.009 -0.009
Ee5 0.0017 0.0016 0,0016 0,0017 0.001
t-estadist -5.176 -5.095 -5,137 -5,176 -6.17
B6 -2.825 -2.65 -2,73 2,825 -2.825
Ee6 1.11 1.0847 1,10 1,11 1.0
t-estadist -2.54 -2.445 2,477 -2,54 -2.80

la que mas importa es la especificacin de t-student porque hay vemos si el estimador es

estadsticamente significativo.