Econometría – T2

Integrantes:
- Arnesquito , Kelly
- Pichardo, Kyra
- Salazar, Edison
- Suarez, Cesar
- Tipula, Yazmin
REGRESION
MULTIPLE
REGRESION MULTIPLE
REGRESION MULTPLIE
REGRESION MULTIPLE
 Multicolinealidad
La multocolinealidad es un hecho en el que muchas variables explicativas presentan un alto grado de colinealidad. En nuestros
modelos existen problemas de multicolinealidad, ya que, nuestros ruadrados al ser 0.989409 y 0.989427 son mayores a nuestro R
cuadrado normal 0.978977.
 Multicolinealidad
Al ver nuestra matriz de correlación, podemos ver que todas han superado el supuesto de ser mayor al 80% , y por lo
tanto existen problemas de multicolinealidad
 Análisis de Heterocedasticidad
La heterocedasticidad viene de adulterar uno de los supuestos básicos del modelo clásico de regresión lineal simple, que es el
supuesto de homocedasticidad; es decir, que las perturbaciones tiene la misma varianza y esta es constante para las diferentes
“X”. Si se cumple esto decimos que hay homocedasticidad por otro lado, si no se cumple esto decimos que hay heterocedasticidad.
 Test - White
Prestamos atención a la Obs*R-squared, en nuestro test White bajo la hipótesis nula de que existe heterocedasticidad las
observaciones por la R cuadrada de este modelo se distribuyen asintóticamente como una ji-cuadrada con los grados de libertad que
se imponen en la regresión auxiliar. Podemos observar que nuestras observaciones R cuadrado son mayores a la ji-cuadrada,
entonces concluimos que se acepta la hipótesis nula de que existe heterocedasticidad.
 Test - Glejser
la técnica de Glejser es útil para muestras grandes, y en muestras pequeñas sirve estrictamente como herramienta cualitativa
para obtener una noción sobre la heteroscedasticidad. Para que exista heterocedasticidad en nuestra prueba Glejser nuestro Pi –
Value; es decir, nuestras probabilidades tiene que ser mayores a 0.05. Como se aprecia en esta regresión, no hay relación entre el
valor absoluto de los residuos y la regresara.
 Test – Breusch–Pagan-Godfrey
La prueba de Breusch-Pagan-Godfrey es asintótica o de muestras grande, en muestras pequeñas la prueba es sensible al supuesto de que las
perturbaciones Ui están normalmente distribuidas.
En nuestra prueba Breusch-Pagan-Godfrey nuestra hipótesis nula no existe heterocedasticidad, pero al analizar nuestros Pi – Value; es decir,
nuestras probabilidades nos podemos dar cuenta de que son menores a 0.5. por lo tanto se rechaza la hipótesis nula, ya que, existe
heterocedasticidad.
Autocorrelación

La Autocorrelación se define como la correlación entre miembros de series de observaciones ordenadas en el

tiempo o en el espacio. De nuestra regresión para identificar Autocorrelacion el Durbin-Watson debe ser cercano
a 0 o 4. Al ver nuestro Durbin-Watson 0.874422, podemos afirmar que existe Autocorrelacion, yaque, es cercao a
cero. Si los errores están relacionados unos con otros podemos afirmar que existe Autocorrelacion de primer
grado.
Autocorrelación

En nuestra regresión de los errores en contra de los errores rezagados podemos ver que la aproximación de nuestro coeficiente
de Autocorrelacion es 0.939260, el cual esta entre -1 y 1 lo que afirma la Autocorrelacion.
En nuestro test de multiplicador de Lagrange en donde la hipótesis nula no existe Autocorrelacion podemos ver que nuestras
probabilidades son menores a 0.5 por lo tanto, se rechaza la hipótesis nula y se afirma que en nuestro modelo existe
autocorrelacion
 Normalidad de residuos

Para analizar la normalidad de nuestros residuos en el modelo, utilizamos el Test de Jarque-Bera en donde nuestra
hipótesis nula es que los residuos se aproximan a la distribución normal. Si el estadístico Jarque-Bera es menor a 5.999
se rechaza la hipótesis nula. Al analizar nuestro Jarque-Bera el cual es 0.491433 se acepta la hipótesis nula ,yaque, es
menor a 5.999. En la probabilidad igual podemos confirmar la aceptación de la hipótesis nula, ya que, es mayor a 0.5.
Como conclucion, los residuos se aproximan a una distribución normal, entonces no existe ningún problema para la