TALLER SOBRE EL

SECTOR DE LAS
MQUINAS DE OFICINA
Y EQUIPOS
INFORMTICOS DESDE
1997-2007 AMBOS
INCLUSIVE.
CRISTINA REBOLLO NEZ
RAFAEL MARTN ROMERO
PALOMA FERIA MARQUNEZ
ADRIN MACAS LPEZ
2 ADE-FICO

0.

Resumen introductorio.

El trabajo realizado por Cristina Rebollo, Rafael Martn, Paloma Feria y Adrin Macias, consta de archivos realizados en Eviews, con la intencin de realizar un
anlisis exploratorio-grafico y estimacin de un modelo economtrico basado en la funcin de produccin del sector de las mquinas de oficina y equipos informticos.
Los datos proceden de la base de datos del INE (organismo autnomo que ejerce las funciones de coordinacin general de los servicios estadsticos de la
Administracin General del Estado) y estn estructurados segn la metodologa del CNAE-93, que es un cdigo de Clasificacin Nacional de Actividades Econmicas
que permite identificar y clasificar las diferentes sociedades segn la actividad econmica ejercida, en este caso, el 3001 Fabricacin de mquinas de oficina y el 3002
Fabricacin de ordenadores y otro equipo informtico.
El estudio consta de un modelo de produccin con una variable independiente (el Importe neto de la cifra de negocio) y dos variables independientes (el Gasto
de personal y la Financiacin bruta de capital fijo).

0.

Summary

This report made by Cristina Rebollo, Rafael Martn, Paloma Feria y Adrin Macias, has got files made by Eviews, with the idea of doing an exploratory-graphicanalysis and estimate a econometric model based in a production function of the office machines.

1.

Introduccin y objetivos.

Los objetivos pretendidos en el trabajo son:

a)

Seleccionar la combinacin de variables ms adecuada a travs de cinco criterios como son: el coeficiente de determinacin ajustado, el Akaike, el
Schwarz, el Amemiya y el contraste de razn de verosimilitud; y realizar el contraste Ramsey de error de especificacin para saber si las variables
elegidas son realmente significativas sobre el modelo elegido anteriormente.

b)

Detectar la heterocedasticidad del modelo mediante un anlisis grfico, y contrastes de Goldfeld y Quant, Glesjer, White y Breush-Pagan.

c)

Comprobar grficamente, mediante el correlograma y mediante los contraste de Durbin Watson y Breusch Godfrey, si existe autocorrelacin en el modelo
sobre el que trabajamos.

d)

Analizar lgicamente las variables del modelo, y la presencia de multicolinealidad mediante la observacin de la estimacin por MCO, la matriz de
correlaciones de los regresores, la medida de Belsley, Kuck y Welsch, el contraste de Farrar-Glauber y a travs de sus regresiones auxiliares, entre otros
mtodos, y su conveniente correccin.

e)

Comprobar la existencia de un cambio estructural en el modelo y cmo afectara la inclusin de variables ficticias.

Los anteriores mtodos se realizarn mediante el software Eviews y la presentacin del trabajo se ha realizado mediante un PREZI. Nos hemos organizado en
un WIKI (http://ewiews.wikispaces.com/) dnde se encuentra, entre otros el acta de trabajo y el enlace al prezi antes mencionado.

2.

Marco terico.

Segn la evolucin de los datos que se presentan del ao 1997 al 2007, observamos un aumento de las ventas y por lo tanto de los beneficios de las empresas,
que se pronuncia en 2002 debido al cambio tecnolgico que se produce, aunque tambin podemos observar un breve decrecimiento a partir de ese ao cuya causa
podemos justificar por la crisis que se presenta en estos aos.
Debido a estos dos factores (crisis y cambio tecnolgico) cae el gasto del personal: menos dinero para los trabajadores y menos puestos necesarios de trabajo.
Respecto al FBCF, las empresas clientes del sector se dan cuenta que deben invertir ms para sacar beneficios an estando en crisis y por ello eso subida se
aprecia una subida de esta variable en el perodo 2003-2007.

3.

Datos y resultados.

a) Partiendo de los datos sobre el sector de mquinas de oficina y equipos informticos para las variables Importe neto de la cifra de negocios, Valor aadido
bruto, Excedente de explotacin, Gasto del personal, Financiacin bruta de capital fijo y Consumos intermedios, para el perodo de 11 observaciones (1997-2007),
comprobaremos cual es la mejor combinacin de variables en la que se basar nuestro caso de estudio:

Datos del sector.

Al ser modelos de produccin, para estimarlos, primero los transformaremos por logaritmos en modelos linealizados, es decir:

Y tras la estimacin de todos los modelos que podemos combinar, con las variables anteriores transformadas en logaritmos (aunque las denominaremos como
la variables sin transformar), nos basaremos en la comparacin entre diferentes coeficientes:
Razn de
Verosimilitud

Prob
R.Veros.

0,124972932393

0,62313

0,105317

0,097214

0,17014991963

6,015924

0,014177

-0,304841

0,198536

0,42543440628

0,958649

-0,52042

0,199015

0,348276940759

0,026526

0,870622

-0,5421

0,954897

-0,433583

0,21707

0,379872324011

0,981736

0,331771

EBE-GP-FBCF-CI

2,771398

0,708139

2,916088

4,9736

10,657715296600

EBE-GP-FBCF

2,594363

0,743398

2,702879

4,997443

8,74552445488

0,052605

0,818591

EBE-GP-CI

2,688348

0,718111

2,796865

5,489909

9,60734113504

1,086445

0,29726

MODELO

AKAIKE

R2AJ

SCHWARZ

SCE

AMEMIYA

INCN-GP-FBCF-CI

-1,710486

0,98744

-1,565797

0,05626
2

0,12056091

INCN-GP-FBCF

-1,653838

0,98605

-1,545321

0,07141
3

INCN-GP-CI

-1,345402

0,98101

-1,236885

VAB-GP-FBCF-CI

-0,44953

0,952855

VAB-GP-FBCF

-0,628937

VAB-GP-CI

Coeficientes de los modelos.

Ya que los criterios escogidos para la comparacin funcionan de la siguiente forma: El coeficiente de determinacin ajustado (un coeficiente 0<R2<1)
debe ser lo ms cercano a 1 posible, y el Akaike, el Schwarz, el Amemiya y el de Razn de Verosimilitud deben ser lo ms pequeos posible, comprobamos que el
mejor es el primer modelo, pero para que se ajuste mejor a la teora econmica de produccin que compone al modelo de una variable de capital y otra de trabajo, y
puesto que en el primer modelo los parmetros de las variables explicativas no son significativas, optaremos por el segundo modelo de forma linealizada para nuestro
caso de estudio:

Ln INCNi=b0+b1*Ln GPi+b2*Ln FBCFi+i

Datos del modelo

A continuacin, realizaremos el contraste de error de significacin para el modelo ya escogido, que puede presentar dos casos:

-En el que la Ho: b1=b2=0 indica la omisin de variables.

-En el que la Ho: b1=b2=0 indica que no deben incluirse las variables.

Para determinar si rechazamos o aceptamos la Ho debemos fijarnos en si el p-value es mayor o menor que el nivel de significacin. Si es mayor,
aceptaremos la Ho; y si es menor, rechazaremos la Ho y esto indicar que debemos incluir las variables explicativas.

El valor de la probabilidad despus de realizar el test de Ramsey, obtenemos un valor mayor al nivel de significacin ( 0.05), por lo que aceptamos la Ho
en cada caso y afirmamos que nuestro modelo no tiene error en su especificacin.

Adems, observamos que al aadir la nueva variable en el test, los parmetros dejan de ser significativos, lo que evidencia, an ms el buen
funcionamiento del modelo seleccionado.

En conclusin, el modelo Ln INCNi=b0+b1*Ln GPi+b2*Ln FBCFi+i parece ser el indicado segn todos los criterios que hemos elegido para
comprobarlo y una vez estimado por MCO, obtenemos la regresin de la siguiente forma en la que el 98.605 de las variaciones en INCN son explicadas por las
variaciones en GP y FBCF, y los regresores son significativos global e individualmente:
(Ln INCN)estimado=-1.743907+1.137608*Ln GPi+0.194634*Ln FBCFi
O lo que es mismo:

Estimacin a travs de Gretel.

Estimacin a travs de R.

Estimacin a travs de Eviews.

Una vez escogido el modelo, nos dedicaremos a analizar los diferentes problemas que pueden afectar negativamente a nuestro modelo como son la
heterocedasticidad, la autocorrelacin, la multicolinealidad o los cambios estructurales.

se basa en una funcin de produccin Cobb

Douglas que representa la mxima cantidad que se puede producir de un bien con
unos recursos. La funcin de produccin de un productor relaciona la cantidad
usada de factores de produccin con la produccin obtenida gracias a ella.
Frecuentemente se simplifica suponiendo que en muchos sectores slo interviene
el capital y el trabajo. En ese caso la funcin de produccin F es una funcin
montona creciente en las variables capital (K), trabajo (L) y, en algunos casos,
otros factores de produccin (Ri).
El primero paso ser realizar el anlisis lgico de nuestro modelo, que

En nuestro modelo la variable explicada es el Importe Neto de la Cifra de

negocios, que comprende los importes de la venta de productos y de la prestacin
de servicios correspondientes a las actividades ordinarias, deducidas las
bonificaciones y dems reducciones sobre las ventas.
Las variables que hemos escogido para explicar nuestra endgena son el Gasto de
Personal, que se compone de los Sueldos y Salarios Brutos y la Seguridad Social a
cargo de la empresa, como variable de trabajo y la Formacin Bruta de Capital Fijo
como variable de capital, que mide el valor de las adquisiciones de activos fijos
nuevos o existentes.
Los datos de las tres variables han sido obtenidos del INE y son datos anuales a
nivel estatal.

b) Para analizar la presencia de heterocedasticidad, procederemos con diferentes mtodos:

1. Anlisis grfico del modelo mediante la representacin de los residuos con respecto a las distintas variables:
I.

Representacin de las variables exgenas respecto a la endgena: Como puede apreciarse en la grafica, los puntos son ms dispersos a
medida que la variable explicada se hace mayor, signo de heterocedasticidad.

II.

Representacin de las variables explicativas respecto a los residuos: En una situacin homocedstica los puntos responderan como una
lnea totalmente vertical ya que la varianza de los residuos (R) sera constante para todos los valores de GP y FBCF. En el caso de nuestro
modelo, los puntos se presentan de manera aleatoria, indicndonos que la varianza es desigual dependiendo de los valores que tomen las
variables.

III.

Representacin de las variables explicativas respecto al cuadrado de los residuos: Como en el caso anterior, si los puntos aparecieran en
una lnea vertical para distintos valores de GP y FBCF podramos entender que el modelo presenta signos de homocedasticidad. Dado que
para algunos valores la representacin de los residuos rompe con la trayectoria vertical, podemos entender que hay indicios de
heterocedasticidad.

IV.

GP R2 normalizada y FBCF-R2 normalizada

V.

GP2 - R2 normalizada y FBCF2-R2 normalizada

VI.

GP ABSR normalizada y FBCF-ABSR normalizada

En las ltimas graficas la representacin de los residuos (lnea azul) debera de ser una lnea totalmente horizontal, significando esto que el modelo es
homocedstico, dado que la varianza de los residuos es constante y la lnea roja (los valores de las distintas variables) en tal caso, fluctuara tomando los valores
predichos por el modelo para tal variable. Al ser en nuestro modelo una lnea azul que flucta a lo largo de todo el grafico, podemos tenerlo en cuenta como un signo
ms de la presencia de heterocedasticidad.
2.Test de Goldfeld-Quant: no se ordena de acuerdo a la variable explicativa que puede causar la heterocedasticidad por ser una serie temporal, as que se
realiza dividiendo el modelo en tres submuestras, del mismo nmero de observaciones, de las cuales se estiman la primera y la tercera, obteniendo la suma de los
cuadrados de los residuos y calculando el ratio R=SCE3/SCE1 que se distribuye como una F con ((n-c)/2)-k.
Realizando los clculos, R=0.031545/0.000333=94.7297297297 y la probabilidad a la derecha, calculada mediante =@FDIST(94.7297297297,2,2) es
0.0104460756635 con k=2. Dado que la probabilidad es menor que el nivel de significacin, se rechaza la Ho de varianzas constantes al 95%.
3.Anlisis de Breusch-Pagan: El estadstico SCE/2 se distribuye como una chi-cuadrado. El SCE se calcula mediante una regresin auxiliar en la que la
variable independiente G es el cociente entre R2 y la estimacin mximoverosmil de la varianza de las perturbaciones.
El estadstico experimental del contraste es SCE/2=2.419159693, y la probabilidad a la derecha de este punto, calculada mediante
=@CHISQ(2.419159693,2) es 0.298322594384. Puesto que la probabilidad es mayor que el nivel de significacin del 5%, se acepta la Ho de varianzas constantes.
El SCE se obtiene tras calcular el SCT-SCR, estimados mediante el siguiente procedimiento:
G=r2/(SCR de EQ01/n=0.0064920909090909) ->(n=11)
Quick, estimate equation, G C GP FBCF
SCT=SCR/(1-R^2)=22.76285/(1-0.175294)=27.6011693864
SCE=SCT-SCR=4.838319386
4.Contraste de White: en primer lugar, obtenemos los residuos por una estimacin MCO y realizamos la regresin auxiliar de los residuos al cuadrado
frente a los valores de las variables explicativas, sus cuadrados y sus productos cruzados. Tras la introduccin del comando se obtiene los valores del estadstico
n*R=3.650380 y la probabilidad a partir de este punto, que es 0.600765, que al ser mayor que el nivel de significacin, nos conduce a aceptar la Ho de
homocedasticidad.

5.Contraste de Glesjer: se realiza una regresin de los residuos en valor absoluto, sobre el regresor ficticio y la variable explicativa que suponemos que
puede causar heterocedastidad elevada a h, cuando h=1, h=-1, h=-1/2, h=1/2 y h=2, y obtenemos los siguientes coeficientes asociados a las variables para los
contrastes individuales:
A) Siendo GP la variable heterocedastica:
1. H=1->0.3625
2. H=-1->0.3734
3. H=1/2->0.3651
4. H=-1/2->0.3706
5. H=2->0.3574
B) Siendo FBCF la variable heterocedastica:
1. H=1->0.5569
2. H=-1->0.5782
3. H=1/2->0.5628
4. H=-1/2->0.5735
5. H=2->0.5440
De lo que deducimos que, puesto que los estadsticos se encuentran en la regin de aceptacin, se considera que las variables no explican el comportamiento
de los residuos ya que sus parmetros no son significativos, es decir, hay homocedasticidad en todos los casos.

c) Procederemos al estudio de la autocorrelacin mediante:

1. Mtodo grafico con el que se analiza el comportamiento de la variable residual. Se realizara dos anlisis distintos:
I.

Et frente a Et-1. Este anlisis relaciona los residuos de un periodo con los residuos del periodo justamente anterior y se usa solo en el caso
de suponer procesos autocorrelativos de orden 1.

Si la mayora de puntos estuvieran en los cuadrantes 1 y 3, indicaran autocorrelacin positiva, mientras que si estuvieran en los cuadrantes
2 y 4, indicaran autocorrelacin negativa.
Los residuos van de valores negativos a valores positivos, situndose en los cuadrantes 1 y 3, de forma que podemos deducir la presencia
de autocorrelacin positiva.

II.

Et en el tiempo. Representacin de la variable residual a travs del tiempo. Si se produjera un comportamiento sistemtico, con alguna
forma concreta, se podra deducir la autocorrelacion.
Dado que los residuos presentan un comportamiento cclico a travs del tiempo, podemos decir que presenta autocorrelacin..

2.Mtodo de representacin grfica de autocorrelacin simple y parcial, que son diagramas en los que se representan los retardos y los coeficientes de
autocorrelacin. El correlograma con 9 retardos, no presenta evidencia de autocorrelacin, ya que no hay un decrecimiento paulatino en la FAS ni un residuo
significativo en la FAP.

3.Test de Durbin Watson: evalua la presencia de autocorrelacin de primer orden de tipo autorregresivo estableciendo las hiptesis Ho: p=0 (ausencia de
autocorrelacin) y H1: p<0 p>0 (presencia de autocorrelacin), mediante el estadstico dw que se relaciona aproximadamente con el coeficiente autorregresivo
estimado 2(1-p).
En la salida de la estimacin del modelo en Eviews encontramos el valor del estadstico de Durbin Watson, que en este caso es de 1.805009. Puesto que
los valores del lmite superior e inferior al 95% de confianza con un tamao de muestra igual a 11 y con k igual a 2 los encontramos en las tablas de Savin-White como
dL=0.758 y dU=1.604, se concluye por tanto que el estadstico presenta ausencia de correlacin, ya que se encuentra entre dU y 4-dU, y en esa zona se acepta la Ho
de ausencia de correlacin.
4.Test de Breush Godfrey: permite evaluar no solo la presencia o ausencia de autocorrelacin sino tambin el orden de esta, siguiendo las hiptesis: Ho:
ausencia de autocorrelacin y H1: autocorrelacin de orden p.
Si el estadstico n*R supera el valor en tablas de la chi cuadrado al nivel de confianza prefijado con p grados de libertad, se rechaza la Ho.
Probando desde 1 hasta 3 retardos, dado que presenta probabilidades asociadas mayores a 0,05 (nivel de significacin), durante ese tramo, se acepta la
Ho de ausencia de correlacin.
Sin embargo, al probar con 4 retardos, la presencia de autocorrelacin se evidencia.

5.Suponiendo la presencia de autocorrelacin, procederemos a realizar el algoritmo de Cochrane-Orcutt. La estimacin que muestra los resultados de la
repeticin 7 veces del proceso de Cochrane-Orcutt para conseguir la convergencia define que la variable FBCF pasa a no ser significativa, no sindolo tampoco el
proceso autorregresivo, por lo que supondremos que los residuos no presentan autocorrelacin.

d) Para el anlisis de la multicolinealidad estudiaremos:

1. Observacin del modelo:

La significacin global del modelo lo obtenemos con el valor F-Stadistics que obtenemos en la salida del modelo de Eviews. En el caso que
esta sea mayor que el nivel de significacin (0,05 en nuestro caso) se entender que el modelo no es significativo globalmente.

Significacin individual del modelo. La obtenemos en la columna de Probability de la salida de Eviews. En el caso que alguna variable
presente un valor superior a 0,05 se entender que no es significativa para el modelo.

Valor de R2: El coeficiente de determinacin deber de ser alto, dando a entender que el modelo tiene una alta capacidad explicativa.
La presencia simultnea de un coeficiente de determinacin elevado al 98.88%, la significacin global y los coeficientes de las variables
significativos individualmente, es un signo de no colinealidad en nuestro modelo.
2.

Matriz de correlaciones. Deberemos comprobar tras estimarla que la relacin entre dos variables o ms no sea excesivamente alta, pues esto
significara un signo de multicolinealidad. Como vemos en la tabla inferior la correlacin entre la variable GP y FBCF es bastante cercana a 1, por lo
que podemos entenderlo como un probable sntoma de colinealidad.

Al calcular el determinante de esta matriz, |Rxx|=0.144539642079, un valor pequeo pero no extremadamente cercano a 0, y toma el valor 1
cuando los regresores son totalmente ortogonales.
Segn la medida de Belsley, Kuck y Welsch, calculando los autovectores de la matriz, obtenemos que =1.924911 y =0.075089.
Por lo tanto: K(x)= max/min=5.06310771455 hace pensar de nuevo que no existen problemas de colinealidad en el modelo.

3.

Contraste de Farrar-Glauber: Es un contraste que no se estima directamente. Tenemos que plantear la hiptesis, esta ser que el determinante de
la matriz de correlaciones sea igual a 1, Ho: |Rxx|=1 >ortogonalidad de los regresores<, (ausencia de colinealidad). El estadstico es G=-(T-1(1/6)*(2*k+5))*log(|Rxx|), donde K es el numero de parmetros y Rxx la matriz de correlaciones. Tras ello hay que calcular la probabilidad con
=@chisq(estadstico de contraste, n). Si esta es menor del 0,05 (nivel de significacin) se rechaza la hiptesis nula y por tanto hay colinealidad.
Como estadstico, obtenemos el valor:
Gexp= -(11-1-(1/6)(2*3+5))*log(0.144539642079)=19.0196477825 y calculando la probabilidad que queda a la derecha mediante
=@chisq(19.0196477825,8), obtenemos el valor 0.014754923569, por lo que, en este caso, se rechaza la Ho de ausencia de colinealidad.

4.

Factor de inflacin de la varianza: Habr que estimar las regresiones auxiliares, donde cada variable explicativa depender de la otra variable y el
factor de inflacin (FIV) y TOL, donde FIV= 1/1-R2 y TOL=1/FIV. Si el FIV es mayor de 10 es alto, por lo que suponemos la presencia de
colinealidad. Si alguno de los modelos auxiliares presenta colinealidad ser colinealidad de la variable independiente con el resto. Para analizar el
factor de inflacin de la varianza, obtendremos las regresiones auxiliares siguientes:

En este caso, el R2j es el mismo para los dos, por lo que el FIV=1/(1-0.855460)=6.918500069 para ambas regresiones y, al no ser mayor de 10,
segn este mtodo no presentan colinealidad.

5.

La medida de Theil: es un valor que nos ofrece la capacidad explicativa que cada variable aporta al modelo, a partir de la diferencia entre el
coeficiente de determinacin del modelo original y las regresiones excluyendo alguna variable.

A partir del coeficiente del modelo inicial: 0.98884, sabemos que la variable GP aporta 0.98884-0.908551=0.080289 y la variable FBCF, 0.988840.978778=0.010062.
La medida de Theil, por tanto, sera:
0.98884-(0.080289+0.010062)=0.898489, distinta de 0 y algo cercana al valor del coeficiente de determinacin, por lo tanto, se concluye la
presencia de colinealidad.

1.

PARA LA CORRECCIN DEL MODELO DANDO POR HECHO QUE TIENE PROBLEMAS DE COLINEALIDAD, eliminaremos la variable FBCF
que es la que menos capacidad explicativa tiene respecto al modelo inicial y comprobaremos la diferencia entre las estimaciones de las varianzas
de los estimadores obtenidos en el modelo inicial, y el modelo corregido, que ofrece una leve disminucin en la estimacin de la varianza de los
coeficientes y un aumento en la covarianza.

e) Otro de los problemas que podemos encontrar es un cambio estructural y

la inclusin de variables ficticias.
1. Mtodo grafico: Observando el anlisis grfico de nuestra variable endgena
podemos deducir dos subperodos de tiempo diferenciados. Antes del 2001
vemos un crecimiento moderado (subperodo 1) y a posteriori una gran
cada seguido de unos datos con fluctuaciones pero en lnea constante sin
variar significativamente la lnea grfica (subperodo 2), lo que nos lleva a
pensar en una ruptura estructural en el 2001-2002.

Grfica de las predicciones:

Al hacer la prediccin hasta el ao 2013, obtenemos las estimaciones puntuales (lnea azul, YF)
del perodo observado y el intervalo de confianza del modelo (lnea roja, 2S.E.).

2. Contraste de ruptura total: Para realizar el contraste de Chow es necesario

especificar un modelo restringido y uno no restringido. Es decir, el modelo

restringido:
y el
modelo

sin

restricciones

de

ruptura

total

que

ser:

Cada uno de los modelos se estima MCO y se realiza el siguiente contraste

para verificar si existe o no cambio estructural que afecte a todos los
parmetros de la ecuacin del modelo.

Y el estadstico a utilizar ser:

La estimacin de los modelos especificados es la siguiente:

Como observamos en las estimaciones, la pendiente de nuestra endgena cambia,

ya que en el segundo perodo el ritmo de crecimiento es ms elevado en cuanto a
variaciones unitarias de GP y menor ante variaciones unitarias de FBCF.
Para realizar el test, necesitamos calcular el estadstico que se distribuye como una
F de Snedecor para el cual calcularemos la suma de la suma de los cuadrados de
los residuos de los subperiodos: SCRsr=0.038542, y sustituyendo los valores en la
frmula del estadstico obtenemos que Fexp=((0.071413-0.038542)/2)/(0.038542/
(11-6))=2.13215453272. El P-Valor calculado mediante =@FDIST(2.13214543272,
2, 5) es 0.213990530864, con lo que, al ser mayor que el nivel de significacin
0.05, se acepta la Ho de ausencia de cambio estructural
.
Mediante Eviews tambin podemos realizar este contraste directamente:

Obteniendo el mismo resultado de ausencia de cambio estructural de ruptura total a

un nivel de confianza del 95%.
3. Contraste de ruptura parcial: Se contrasta la estabilidad de la pendiente de
regresin suponiendo que los niveles son distintos.

Y el modelo sin restricciones o de ruptura total que ser:

Para considerar un modelo restringido con la misma pendiente y distintas

ordenadas en el origen, generaremos las variables F1 (columna de 1 para las
primeras cinco observaciones y el resto 0) y F2 (columna de 0 para las primeras
cinco observaciones y el resto 1).

Para analizar la ruptura parcial de nuestro modelo estimaremos el modelo

restringido y los modelos sin restricciones para contrastar la Ho, excluyendo el
trmino constante puesto que sera una combinacin lineal de F1 y F2 y dara lugar
a la imposibilidad de estimacin mnimo cuadrtica debido al problema conocido
como trampa de las variables ficticias.

El modelo sin restricciones sera igual que en el caso anterior.

Para realizar el test con

, necesitamos calcular el

estadstico que se distribuye como una F de Snedecor para el cual calcularemos la

suma de la suma de los cuadrados de los residuos de los subperodos:
SCRsr=0.038542, y sustituyendo los valores en la frmula del estadstico
obtenemos que Fexp=((0.045971-0.038542)/1)/(0.038542/(11-6))=0.963753826994.
El P-Valor calculado mediante =@FDIST(0.963753826994, 1, 5) es
0.371327147343, con lo que, al ser mayor que el nivel de significacin 0.05, se
acepta la Ho de igualdad de pendientes de regresin cuando las ordenadas en el
origen son distintas.

4. Verificacin de cambio estructural en la ordenada en el origen: Se verifica la

homogeneidad de la ordenada en el origen suponiendo que las pendientes
de regresin son distintas.

el

modelo

sin

restricciones

de

ruptura

total

que

ser:

Para considerar este modelo restringido incluiremos los regresores ficticios

GP*F1, GP*F2, FBCF*F1 y FBCF*F2 y lo estimamos:

El modelo sin restricciones sera igual que en los casos anteriores.

Para realizar el test con

, necesitamos calcular el estadstico que se

distribuye como una F de Snedecor para el cual calcularemos la suma de la suma

de los cuadrados de los residuos de los subperodos: SCRsr=0.038542, y
sustituyendo los valores en la frmula del estadstico obtenemos que
Fexp=((0.038633-0.038542)/1)/(0.038542/(11-6))=0.118053033055.
El
P-Valor
calculado mediante =@FDIST(0.118053033055, 1, 5) es 0.917704000581, con lo
que, al ser mayor que el nivel de significacin 0.05, se acepta la Ho de igualdad de
ordenadas en el origen cuando las pendientes de regresin son distintas.
g) En el supuesto de que quisiramos incluir una variable cualitativa en
el modelo, la variable elegida sera el resultado del ejercicio que tendr valor 1 si
hay beneficio y valor 0 si hay perdidas. Los datos de esta variable, recogidos en el
INE en miles de euros son:

A falta de los valores en 1997 y 1998, tomaremos que hay beneficios 1997 y
prdidas en 1998.
Por lo que F1 tendr valores 1 para 1997, 1999, 2000, 2001, 2003, 2005 y
2006, y 0 para 1998, 2002, 2004 y 2007.
Esta variable nueva suponemos influir en nuestras variables correctamente
ya que las retribuciones al personal y los gastos de carcter social (GP), y el valor
de los bienes duraderos nuevos y los usados procedentes de la importacin, as
como las grandes reparaciones o mejoras de los bienes existentes que alarguen su
vida media o que modifiquen su estructura (FBCF) dependern en gran medida del
capital del que se disponga, que est muy relacionado con el nivel de beneficios del
sector para cada ejercicio.
Adems esta variable tambin podra ser adecuada a nuestro modelo
porque nuestra endgena es el INCN, que es el total de ventas o prestaciones de
servicios, del cual depende el resultado.

2.

Conclusiones

Como se puede observar en los resultados, el modelo estimado quedara de la forma:

(Ln INCN)estimado=-1.743907+1.137608*Ln GPi+0.194634*Ln FBCFi
De lo que se puede extraer que ante el aumento en una unidad del Gasto del personal, se aumentara en 1,13761 el Importe Neto de la cifra de negocios, de
igual manera que si se aumentara en una unidad la FBCF, el Importe Neto se aumentara en 0,194634.
Al analizar de nuevo el coeficiente de determinacin, que determina que el 98.605% de las variaciones del Importe Neto de la cifra de negocios son explicadas
por el modelo, por lo cual el modelo se podra considerar un modelo muy bueno.
Contrastando hiptesis acerca de nuestro modelo a un nivel de confianza del 95%, obtenemos:

a)

Inicialmente haremos un contraste individual de cada una de ellas. Las conclusiones de dicho contraste son que tanto para los Gastos de personal como
para la FBCF, los parmetros son significativos para nuestro modelo, puesto que en ambos casos se rechaza la Hipotesis nula (Ho: Bi=0) debido a que pvalor (0,00006 y 0,02768) son menores que el nivel de significacin (0.05).

b)

En cuanto al contraste individual de la constante, podemos observar que se acepta la Hipotesis nula, puesto que el p-valor es mayor que el nivel de
significacin, lo cual determina que el parmetro asociado a la constante no es significativo para el modelo.

c)

Si hacemos un contraste global del modelo al mismo nivel de confianza podemos observar que se rechaza la Hipotesis nula (Ho: Bi=0 para i=0,1,2),
debido a que el p-valor (1.551e-08) es menor que el nivel de significacin. Por lo cual al menos de un Bi es distinto de cero.

d)

Al hacer el contraste global del modelo para Ho: Bi=0 para i=1,2., obtenemos la misma conclusin que en el apartado anterior: al menos B1 o B2 es
distinto de cero a un nivel de significacin del 0,05%.

e)

Al aadir una restriccin a nuestro modelo, tal como B2=0, sabemos que la Ho se rechaza a un 0,05% de significacin fijndonos en la probabilidad del
contraste F.

3.
Referencias
http://aai.medioambientecantabria.es/Formularios%20word/NORMATIVA/CNAE93.pdf
http://www.ine.es/daco/daco42/clasificaciones/cnae09/cnae2009.pdf
http://prezi.com/ytug0racuymp/taller-de-econometria/
https://moodle.uhu.es/contenidos/mod/workshop/view.php?id=169124
https://moodle.uhu.es/contenidos/mod/resource/view.php?id=135698 https://moodle.uhu.es/contenidos/file.php/2762/Practica/p2/eymciip2-ev.pdf
www.economia48.com