Академический Документы
Профессиональный Документы
Культура Документы
CURSO:
Econometra
Econometra Aplicada
Alumnos:
Lara Molina, Brian
AO:
3ro A
2014
PRESENTACION
Contenido
PRESENTACION............................................................................................................. 3
INTRODUCCION............................................................................................................ 5
CAPITULO I.................................................................................................................... 7
Marco Terico............................................................................................................... 7
Pregunta central......................................................................................................... 10
Objetivo...................................................................................................................... 10
Hiptesis..................................................................................................................... 10
Modelo emprico......................................................................................................... 11
Modelo Matemtico.................................................................................................... 13
Modelo Econmico...................................................................................................... 13
Modelo Economtrico inicial....................................................................................... 13
Capitulo 2................................................................................................................... 14
Anlisis de las variables dictomas.........................................................................14
Observaciones...................................................................................................... 15
Anlisis del Modelo Inicial........................................................................................ 16
Regresin inicial:.................................................................................................. 16
Anlisis de la variable: Aos de antigedad......................................................17
Modelo LOG - LIN.................................................................................................. 29
Capitulo 3................................................................................................................... 31
Modelo Final Semielstico (LOG-LIN).....................................................................31
Regresin del Modelo LOG LIN...........................................................................31
Matriz de Grficos de Dispersin del Modelo LOG LIN.......................................34
Pruebas de validacin del Modelo Economtrico LOG LIN.................................35
Conclusiones.............................................................................................................. 46
INTRODUCCION
La inmobiliaria KASAS BIENES RAICES tiene en el mercado una
trayectoria de 10 aos, siendo su principal actividad econmica la
compra y venta de inmuebles. Es un negocio que se inici con capitales
familiares
La vivienda en Arequipa ha experimentado un incremento en los precios
muy importante en los ltimos aos. Se abordan dos preguntas que
hacen los compradores: Por qu se han alzado estos niveles de precios
y cul ser su evolucin en el futuro prximo? No existe una nica
respuesta, pues son muchas las razones explicativas de este fenmeno,
algunas del propio sector, otras relacionadas con los mercados
financieros, adems de la renta disponible. Dichas variables se pueden
clasificar en dos grandes apartados, segn afecten a la demanda o a la
oferta del mercado de la vivienda. Como es de esperar, no todas han
contribuido de igual manera a esta escalada de precios.
Para este trabajo de investigacin nos vamos a enfocar en los factores
que afectan a la oferta del mercado de viviendas pero somos consientes
que actualmente existe demanda insatisfecha de viviendas, como lo
indica el III Estudio del Mercado de Edificaciones Urbanas en la
provincia de Arequipa, elaborado en enero pasado por el Instituto de la
Construccin y el Desarrollo (ICD) de la Cmara Peruana de la
Construccin (CAPECO), de los 33327 hogares en la provincia que
requieren de una casa o departamento, 31627 hogares no satisfacen
sus expectativas de consumo o no encuentran viviendas que puedan
pagar, es decir el casi el 95%. El estudio indica que la insatisfaccin no
est distribuida de manera uniforme. De las 1700 viviendas que se
ofrecen en la actualidad en el mercado inmobiliario (entre
departamentos y casas), 1366 tienen un precio superior a US$80.000. El
80% de la oferta de vivienda actual es para la poblacin con ingresos
altos.
Es claro que el Boom inmobiliario en Arequipa es una realidad innegable
que se inici aproximadamente hace 3 aos, como lo indica un artculo
del diario La Repblica de abril del 2013, los precios de lotes y casas se
mantienen al alza por la gran demanda. Se estima que creci en 30% en
el primer trimestre de ese ao. En el ao 2012 se vendieron 23 mil
casas, 10% ms que en el 2011. Cayma, Yanahuara, Sachaca, Cerro
Colorado y Jos Luis Bustamante y Rivero son los distritos donde se
concentra la mayor presin de urbanizar, indica el artculo. Adems que
las zonas de Cayma y Yanahuara figuran como las ms costosas. El
metro cuadrado (m2) de terreno sin construir supera los 1000, cifra
CAPITULO I
Marco Terico
La vivienda es un bien necesario para el hombre, tanto desde el puto de
vista individual como colectivo (GOMEZ-MORN, 1972), y por lo tanto,
en la valoracin de la inversin vivienda, habr que tener en cuenta su
valor de uso. ste puede ser disfrutado por el propietario del bien o por
un arrendatario del mismo. Una forma de valorar este uso es a partir de
la cuantificacin de la utilidad para el usuario tiene el disfrute del bien.
En este sentido, el adquiriente puede ser el propietario (propietariousuario) o puede ser un arrendador. En ambos casos existe la
Factores de la demanda:
o A largo plazo
Factores demogrficos: poblacin total, poblacin
perteneciente a un determinado corte de edad, ndice
de nupcialidad, nmero de personas por vivienda.
Estas variables pueden determinar la demanda
potencial de la vivienda.
o A corto plazo
Factores econmicos: nivel de renta per cpita/unidad
familiar.
Factores financieros: tipos de inters del mercado
hipotecario,
volumen
disponible
de
crdito
hipotecario, el ratio prstamo/valor de la vivienda, etc.
Factores fiscales: minoraciones en el impuesto
derivadas del pago de intereses y de la inversin en
vivienda.
Factores determinantes de la oferta:
Disponibilidad de crdito: cuanto mayor sea el ahorro,
mayor ser la cantidad de dinero utilizable para la
inversin en construccin.
Variables que afectan a la demanda: poblacin, renta,
stock de viviendas existentes, etc.
Pregunta central
Cules son los efectos de impacto de la localizacin, rea til,
antigedad y nmero de habitaciones en el precio de mercado de las
viviendas?
Objetivo
Determinar la influencia de la localizacin, rea til, antigedad y
nmero de habitaciones sobre el precio de mercado de las viviendas en
76 ventas de la inmobiliaria Kasas en Arequipa metropolitana, para el
primer trimestre del ao 2014.
Hiptesis
La influencia de la localizacin, rea til, antigedad y nmero de
habitaciones son factores de oferta que determinan las relaciones
econmicas
del
precio
de
mercado
de
las
viviendas;
independientemente de los factores demogrficos y financieros de la
demanda.
Metodologa
Modelo emprico
1. Fuente de datos elegida para la estimacin
Para la estimacin de la funcin precios de viviendas, utilizando
tcnicas de regresin resulta esencial contar con una fuente de
datos adecuada, que nos permita obtener las observaciones sobre
precios y caractersticas de distintas unidades de vivienda
necesarias para la estimacin.
Para el desarrollo de la aplicacin emprica hemos escogido como
fuente de datos el Registro de ventas de la inmobiliaria
Kasas Bienes Races (Enero, Febrero y Marzo ao 2014)
La eleccin de los datos proporcionados por este registro como
fuente adecuada para la investigacin, se justifica en la medida
que dicha fuente cumple determinadas condiciones:
a. Constituye una fuente de datos sobre el mercado de
vivienda de carcter microeconmico. En esta fuente se
Modelo Matemtico
Como estamos analizando el efecto que causan los atributos de las viviendas como
factores de la oferta, independientemente de los factores de la demanda,
utilizaremos inicialmente el siguiente modelo lineal:
Px=f ( X 1, X 2, X 3, Xn)
Donde:
Modelo Econmico
Dentro de la literatura sobre anlisis econmico de la vivienda, existe una
importante lnea de trabajo, denominada enfoque hednico o modelo de
precios hednicos, que se aproxima al estudio del bien vivienda teniendo en
cuenta su carcter heterogneo. Esta lnea parece ser la ms adecuada para
nuestro anlisis, en la medida que permite cubrir nuestras necesidades de
modelizacin y resolver el objetivo planteado, relacionado con la variabilidad
de precios de vivienda.
Px=f ( AREA , AOS DE ANTIGUEDAD , N HABITACIONES , LOCALIZACIN )
Capitulo 2
Anlisis de las variables dictomas
En la primera parte se realizan tablas de contingencia para cada una de las
Localizaciones estudiadas (Norte, Oeste y Sur) mostrando los promedios de
las dems variables estudiadas cuando pertenecen o no, a estas
localizaciones.
Localizacin
Norte:
Z1Nor
PX
ANT
AR
NHa
0
1
170409.1
218125
1.545455
1.125
171
186
3.409091
3.8125
Total
190500
1.368421
177.3158
3.578947
Z1Oe
PX
ANT
AR
NHa
0
1
189034.5
195222.2
1.413793
1.222222
181.4138
164.1111
3.62069
3.444444
Total
190500
1.368421
177.3158
3.578947
Sur:
Z1Sur
PX
ANT
AR
NHa
0
1
202322.6
138142.9
1.225806
2
188.3871
128.2857
3.709677
3
Total
190500
1.368421
177.3158
3.578947
Observaciones
SS
df
MS
Model
Residual
3.7162e+11
1.5664e+11
6
69
6.1937e+10
2.2701e+09
Total
5.2826e+11
75
7.0435e+09
PX
Coef.
ANT
AR
NHa
Z1Nor
Z1Oe
Z1Sur
_cons
-17635.35
210.6208
40652.53
51038.38
49422.79
31673.17
-7236.859
Std. Err.
3928.098
71.94328
9066.391
16548.42
18232.36
19673.74
31883.99
t
-4.49
2.93
4.48
3.08
2.71
1.61
-0.23
Number of obs
F( 6,
69)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.005
0.000
0.003
0.008
0.112
0.821
=
=
=
=
=
=
76
27.28
0.0000
0.7035
0.6777
47646
-9799.005
354.1437
58739.49
84051.57
85795.36
70921.21
56369.95
SS
df
MS
Model
Residual
1.5838e+11
3.6989e+11
1
74
1.5838e+11
4.9985e+09
Total
5.2826e+11
75
7.0435e+09
PX
Coef.
ANT
_cons
-30550.87
232306.5
Std. Err.
5427.479
10996.86
t
-5.63
21.12
Number of obs
F( 1,
74)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.000
=
=
=
=
=
=
76
31.68
0.0000
0.2998
0.2903
70700
-19736.38
254218.2
=
=
4.999e+09
70703.607
means PX ANT
Variable
Type
Obs
Mean
PX
Arithmetic
Geometric
Harmonic
76
76
76
190500
173212
157108.7
171322.2
156478.5
142369.9
209677.8
191735
175251.6
ANT
Arithmetic
Geometric
Harmonic
76
48
48
1.368421
1.825115
1.570338
1.024709
1.541455
1.36869
1.712133
2.160975
1.841669
summ PX ANT
Variable
Obs
Mean
PX
ANT
76
76
190500
1.368421
Std. Dev.
83925.6
1.504146
Min
Max
75000
0
450000
6
ANTIGEDAD (AOS)
0.00 100,000.00
200,000.00
300,000.00
400,000.00
500,000.00
0
ANTIGEDAD (AOS)
PRECIO (US$)
Fitted values
500,000.00
0.00
ANTIGEDAD (AOS)
PRECIO (US$)
tendencia
500,000.00
Total
0.00
ANTIGEDAD (AOS)
PRECIO (US$)
tendencia
Intervalos de confianza
twoway (lfitci PX ANT, bc(mint))(scatter PX ANT)
ANTIGEDAD (AOS)
95% CI
PRECIO (US$)
DIAGRAMA DE CAJA
4
Fitted values
-100000
Residuals
100000
200000
300000
symplot ei
Residuals
20000
40000
60000
Distance below median
80000
100000
Source
SS
df
MS
Model
Residual
1.5838e+11
3.6989e+11
1
74
1.5838e+11
4.9985e+09
Total
5.2826e+11
75
7.0435e+09
PX
Coef.
ANT
_cons
-30550.87
232306.5
Std. Err.
5427.479
10996.86
t
-5.63
21.12
Number of obs
F( 1,
74)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.000
=
=
=
=
=
=
76
31.68
0.0000
0.2998
0.2903
70700
-19736.38
254218.2
ssc install jb
jb ei
1.6e-10
jb est
3.4e-10
Frequency
10
15
20
25
-100000
100000
Residuals
200000
300000
estat ic
Model
Obs
ll(null)
ll(model)
df
AIC
BIC
76
-969.0001
-955.4571
1914.914
1919.576
Note:
Frequency
10
15
20
25
-2
Standardized residuals
Stem ei
-10****
-9****
-8****
-7****
-6****
-5****
-4****
-3****
-2****
-1****
-0****
0****
1****
2****
3****
4****
5****
6****
7****
8****
9****
10****
11****
12****
13****
14****
15****
16****
17****
18****
19****
20****
21****
22****
23****
24****
9756,9756
6205,6205
1756,1756
1205,1205
6756,6756,6205,6205
5654,5654,3654,3654,2306,2306
2306,2306,1756,1756
6756,6756,6205,6205,2306,2306
6756,6756,0654,0654,0654,0654
2306,2306,1756,1756
5103,5103,2306,2306,2306,2306
2694,2694,4694,4694,5448,5448,6795,6795,8244,8244
7694,7694,9346,9346
7694,7694
2694,2694
7694,7694
8795,8795
7694,7694
7694,7694
8244,8244
0999,0999
8244,8244
TEST DE RAMSEY
xi: reg PX ANT
Source
SS
df
MS
Model
Residual
1.5838e+11
3.6989e+11
1
74
1.5838e+11
4.9985e+09
Total
5.2826e+11
75
7.0435e+09
PX
Coef.
ANT
_cons
-30550.87
232306.5
Std. Err.
5427.479
10996.86
t
-5.63
21.12
Number of obs
F( 1,
74)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.000
=
=
=
=
=
=
76
31.68
0.0000
0.2998
0.2903
70700
-19736.38
254218.2
-100000
Residuals
100000
200000
300000
50000
100000
150000
Fitted values
200000
250000
ANT
Shat
ei
eStd
eStu
1.
2.
3.
4.
5.
210,000.00
85,000.00
160,000.00
220,000.00
120,000.00
1
5
1
0
1
201755.6
79552.11
201755.6
232306.5
201755.6
8244.417
5447.891
-41755.58
-12306.45
-81755.59
.1174339
.0808163
-.5947685
-.1762107
-1.16453
.1166486
.080272
-.5921532
-.1750527
-1.167381
6.
7.
8.
9.
10.
85,000.00
165,000.00
105,000.00
100,000.00
230,000.00
5
1
4
2
0
79552.11
201755.6
110103
171204.7
232306.5
5447.891
-36755.58
-5102.978
-71204.71
-2306.452
.0808163
-.5235482
-.0742083
-1.015042
-.0330251
.080272
-.5209645
-.0737079
-1.015253
-.0328014
-2
Studentized residuals
0
2
-2
-1
0
Inverse Normal
-2
Standardized residuals
0
2
-2
-1
0
Inverse Normal
-200000 -100000
Residuals
0
100000 200000 300000
-200000
-100000
0
Inverse Normal
100000
200000
SS
df
MS
Model
Residual
5.3787831
9.44711572
1
74
5.3787831
.127663726
Total
14.8258988
75
.197678651
PXLn
Coef.
ANT
_cons
-.1780415
12.30591
Std. Err.
.0274292
.0555755
t
-6.49
221.43
Number of obs
F( 1,
74)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
=
=
=
=
=
=
76
42.13
0.0000
0.3628
0.3542
.3573
0.000
0.000
-.2326954
12.19517
-.1233877
12.41664
6
500,000.00
PRECIO
(US$)
0.00
ANTIGEDAD
(AOS)
2
0
0.00
500,000.00
Se observa que existe una relacin inversa entre la variable Precio de Venta y
Aos de Antigedad de las viviendas.
Capitulo 3
Modelo Final Semielstico (LOG-LIN)
Despus de haber realizado los ajustes respectivos se encontr que el
siguiente modelo es el que mejor explica sobre la venta de inmuebles
Regresin del Modelo LOG LIN
SS
df
MS
Model
Residual
11.2230261
3.60287273
6
69
1.87050435
.052215547
Total
14.8258988
75
.197678651
PXLn
Coef.
ANT
AR
NHa
Z1Nor
Z1Oe
Z1Sur
_cons
-.1127293
.0009154
.2199315
.3497357
.2564053
.2245442
11.01775
Std. Err.
.0188389
.000345
.0434819
.0793652
.0874413
.0943541
.1529137
t
-5.98
2.65
5.06
4.41
2.93
2.38
72.05
Number of obs
F( 6,
69)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.010
0.000
0.000
0.005
0.020
0.000
=
=
=
=
=
=
76
35.82
0.0000
0.7570
0.7359
.22851
-.0751466
.0016037
.3066755
.508065
.4308459
.4127755
11.32281
Prueba Conjunta
H0: B1 = 0
H1: B1 0
Estadstico de prueba:
SCE
11.2230261
P
6
F=
=
=35.82274752
SCR
3.60287273
nP1
7661
Conclusin:
Como el F de prueba 35.82 es mayor al de tablas F(6,69)= 2.24, se
rechaza la hiptesis nula; es decir el modelo tiene una relacin
cuadrtica significativa entre la variable endgena y las variables
exgenas.
Pruebas individuales
1. Precio de venta
H0: B0 = 0
No existe un precio autnomo para las ventas de viviendas
de la empresa Kasas durante el primer trimestre del 2014.
H1: B0 0
Existe un precio autnomo para las ventas de viviendas de
la empresa Kasas durante el primer trimestre del 2014.
Estadstico de prueba:
t=
^0
B
2
S B0
11.01775
=72.05207905
0.1529137
Conclusin:
Como el t de prueba 72.05 es mayor al de tablas t(0.05,69) = 1.671
se rechaza la hiptesis nula; es decir s existe un precio autnomo
para las ventas de viviendas de la empresa Kasas durante el primer
trimestre del 2014.
2. Aos de Antigedad
H0: B1 = 0
Los aos de antigedad no tienen un efecto significativo
sobre el precio venta de viviendas de la empresa Kasas durante el primer
trimestre del 2014.
H1: B1 0
Los aos de antigedad tienen un efecto significativo
sobre el precio venta de viviendas de la empresa Kasas durante el primer
trimestre del 2014.
Estadstico de prueba:
t=
^1
B
2
S B1
0.1127293
=5.983857869
0.0188389
Conclusin:
Como el t de prueba 5.98 es mayor al de tablas t(0.05,69) = 1.671
se rechaza la hiptesis nula; es decir s existe un efecto significativo
de los aos de antigedad sobre el precio de venta de viviendas de
la empresa Kasas durante el primer trimestre del 2014.
3. rea til
H0: B2 = 0
El rea til no tiene un efecto significativo sobre el precio
de venta de las viviendas de la empresa Kasas durante el primer trimestre
del 2014.
H1: B2 0
El rea til tiene un efecto significativo sobre el precio de
venta de las viviendas de la empresa Kasas durante el primer trimestre del
2014.
Estadstico de prueba:
t=
^2
B
2
S B2
0.0009154
=2.65333
0.000345
Conclusin:
Como el t de prueba 2.6533 es mayor al de tablas t(0.05,69) = 1.671
se rechaza la hiptesis nula; es decir s existe un efecto significativo
del rea til sobre el precio de venta de viviendas de la empresa
Kasas durante el primer trimestre del 2014.
4. Nmero de habitaciones
H0: B3 = 0
El nmero de habitaciones no tiene un efecto significativo
sobre el precio venta de viviendas de la empresa Kasas durante el primer
trimestre del 2014.
H1: B3 0
El nmero de habitaciones tiene un efecto significativo
sobre el precio venta de viviendas de la empresa Kasas durante el primer
trimestre del 2014.
Estadstico de prueba:
t=
^3
B
2
S B3
0.2199315
=5.058
0.0434819
Conclusin:
Como el t de prueba 5.058 es mayor al de tablas t(0.05,69) = 1.671
se rechaza la hiptesis nula; es decir el nmero de habitaciones
tienen un efecto significativo sobre el precio de venta de viviendas
de la empresa Kasas durante el primer trimestre del 2014.
5. Zona Norte
H0: B4 = 0
La ubicacin de la vivienda en la Zona Norte no tiene un
efecto significativo sobre el precio de venta de viviendas de la empresa
Kasas durante el primer trimestre del 2014.
H1: B4 0
La ubicacin de la vivienda en la Zona Norte tiene un
efecto significativo sobre el precio de venta de viviendas de la empresa
Kasas durante el primer trimestre del 2014.
Estadstico de prueba:
t=
^4
B
2
S B4
0.3497357
=4.40666
0.0793652
Conclusin:
Como el t de prueba 4.4066 es mayor al de tablas t(0.05,69) = 1.671
se rechaza la hiptesis nula; es decir la ubicacin de la vivienda en
la zona norte tiene un efecto significativo sobre el precio de venta de
viviendas de la empresa Kasas durante el primer trimestre del 2014.
6
13
Log
del
precio
12
11
6
4
ANTIGEDAD
(AOS)
2
0
600
400
AREA
TERRENO
200
0
N
HABITACIONES
4
2
11
12
13
200
400
600
Tabla de Resumen
PX
ANT
AR
NHa
Z1Nor
Z1Oe
N
mean
sum
variance
sd
cv
skewness
kurtosis
min
max
76
190500
1.45e+07
7.04e+09
83925.6
.4405543
.8666175
3.754724
75000
450000
76
1.368421
104
2.262456
1.504146
1.099184
1.201576
4.052891
0
6
76
177.3158
13476
12103.05
110.0138
.6204402
2.026231
6.820728
55
557
76
3.578947
272
.7803509
.8833747
.2468253
.693176
3.091093
2
6
76
.4210526
32
.2470175
.4970086
1.180395
.3198011
1.102273
0
1
76
.2368421
18
.1831579
.4279695
1.806982
1.237969
2.532567
0
1
H 0 : 2i = 2
H 0 : 2i 2
SS
df
MS
Model
Residual
11.2230261
3.60287273
6
69
1.87050435
.052215547
Total
14.8258988
75
.197678651
PXLn
Coef.
ANT
AR
NHa
Z1Nor
Z1Oe
Z1Sur
_cons
-.1127293
.0009154
.2199315
.3497357
.2564053
.2245442
11.01775
Std. Err.
.0188389
.000345
.0434819
.0793652
.0874413
.0943541
.1529137
Number of obs
F( 6,
69)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
-5.98
2.65
5.06
4.41
2.93
2.38
72.05
0.000
0.010
0.000
0.000
0.005
0.020
0.000
=
=
=
=
=
=
76
35.82
0.0000
0.7570
0.7359
.22851
-.0751466
.0016037
.3066755
.508065
.4308459
.4127755
11.32281
VarMV=.04740622v
Source
SS
df
MS
Model
Residual
17.6493098
180.014696
6
69
2.94155164
2.60890863
Total
197.664005
75
2.63552007
Pi
Coef.
ANT
AR
NHa
Z1Nor
Z1Oe
Z1Sur
_cons
-.0574684
.0020162
.1100843
-.0149263
.1624802
-.6510298
.4148845
Std. Err.
.1331636
.0024389
.3073532
.5609961
.6180822
.6669454
1.080876
Number of obs
F( 6,
69)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
-0.43
0.83
0.36
-0.03
0.26
-0.98
0.38
0.667
0.411
0.721
0.979
0.793
0.332
0.702
=
=
=
=
=
=
76
1.13
0.3557
0.0893
0.0101
1.6152
.2081858
.0068816
.7232372
1.10423
1.395521
.6794898
2.571173
2=12.5916
H 0 : i =
H 0 : 2i 2
df
MS
Model
Residual
11.2230261
3.60287273
6
69
1.87050435
.052215547
Total
14.8258988
75
.197678651
PXLn
Coef.
ANT
AR
NHa
Z1Nor
Z1Oe
Z1Sur
_cons
-.1127293
.0009154
.2199315
.3497357
.2564053
.2245442
11.01775
Std. Err.
.0188389
.000345
.0434819
.0793652
.0874413
.0943541
.1529137
predict yhatw
gen yhatw2=yhatw^2
predict eiw, res
gen eiw2=eiw^2
t
-5.98
2.65
5.06
4.41
2.93
2.38
72.05
Number of obs
F( 6,
69)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.010
0.000
0.000
0.005
0.020
0.000
=
=
=
=
=
=
76
35.82
0.0000
0.7570
0.7359
.22851
-.0751466
.0016037
.3066755
.508065
.4308459
.4127755
11.32281
SS
df
MS
Model
Residual
.040880983
.403339172
6
69
.006813497
.005845495
Total
.444220155
75
.005922935
eiw2
Coef.
ANT2
AR2
NHa2
Z1Nor
Z1Oe
Z1Sur
_cons
-.0013102
9.00e-08
.0009722
-.0022281
.0018177
-.0351499
.0426592
Std. Err.
.0012479
1.99e-07
.0018505
.0269975
.0293944
.0314814
.0313875
t
-1.05
0.45
0.53
-0.08
0.06
-1.12
1.36
Number of obs
F( 6,
69)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.297
0.652
0.601
0.934
0.951
0.268
0.179
=
=
=
=
=
=
76
1.17
0.3348
0.0920
0.0131
.07646
.0011793
4.86e-07
.0046638
.0516305
.060458
.0276538
.1052756
Pruebas de Autocorrelacin
1. Mtodo grfico
SS
df
MS
Model
Residual
11.2230261
3.60287273
6
69
1.87050435
.052215547
Total
14.8258988
75
.197678651
PXLn
Coef.
ANT
AR
NHa
Z1Nor
Z1Oe
Z1Sur
_cons
-.1127293
.0009154
.2199315
.3497357
.2564053
.2245442
11.01775
Std. Err.
.0188389
.000345
.0434819
.0793652
.0874413
.0943541
.1529137
t
-5.98
2.65
5.06
4.41
2.93
2.38
72.05
Number of obs
F( 6,
69)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.010
0.000
0.000
0.005
0.020
0.000
=
=
=
=
=
=
76
35.82
0.0000
0.7570
0.7359
.22851
-.0751466
.0016037
.3066755
.508065
.4308459
.4127755
11.32281
predict yhat, xb
predict eic, resid
label var eic
predict res, rstand
label var res
Diagrama de Dispersion del error Standarizado
-3
-2
Residuos standarizados
-1
0
1
20
40
N de observaciones
60
80
Source
SS
df
MS
Model
Residual
11.2230261
3.60287273
6
69
1.87050435
.052215547
Total
14.8258988
75
.197678651
PXLn
Coef.
ANT
AR
NHa
Z1Nor
Z1Oe
Z1Sur
_cons
-.1127293
.0009154
.2199315
.3497357
.2564053
.2245442
11.01775
Std. Err.
.0188389
.000345
.0434819
.0793652
.0874413
.0943541
.1529137
t
-5.98
2.65
5.06
4.41
2.93
2.38
72.05
Number of obs
F( 6,
69)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
=
=
=
=
=
=
76
35.82
0.0000
0.7570
0.7359
.22851
0.000
0.010
0.000
0.000
0.005
0.020
0.000
-.1503119
.000227
.1331875
.1914064
.0819646
.0363129
10.7127
-.0751466
.0016037
.3066755
.508065
.4308459
.4127755
11.32281
estat bgodfrey
chi2
df
> 2
>
1
0.450
0.5024
>
H0: no serial correlation
chi2
df
> 2
>
1
2
3
0.450
0.697
1.298
1
2
3
0.5024
0.7057
0.7295
>
H0: no serial correlation
Planteamiento de hiptesis
o
o
H0: B0 = 0
H1: B0 0
SS
df
MS
Model
Residual
11.2230261
3.60287273
6
69
1.87050435
.052215547
Total
14.8258988
75
.197678651
PXLn
Coef.
ANT
AR
NHa
Z1Nor
Z1Oe
Z1Sur
_cons
-.1127293
.0009154
.2199315
.3497357
.2564053
.2245442
11.01775
Std. Err.
.0188389
.000345
.0434819
.0793652
.0874413
.0943541
.1529137
t
-5.98
2.65
5.06
4.41
2.93
2.38
72.05
Number of obs
F( 6,
69)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.010
0.000
0.000
0.005
0.020
0.000
=
=
=
=
=
=
76
35.82
0.0000
0.7570
0.7359
.22851
-.0751466
.0016037
.3066755
.508065
.4308459
.4127755
11.32281
52.2906
0.0388
AC
-0.0687
0.0570
-0.0985
0.1477
0.2441
-0.0210
0.1437
-0.2020
0.0854
0.0075
0.1567
-0.0886
-0.1916
-0.1316
-0.0917
0.1017
-0.1720
-0.1198
-0.1200
-0.0920
PAC
-0.0694
0.0539
-0.0923
0.1473
0.3075
0.0010
0.1625
-0.1992
-0.0670
-0.0218
0.1123
-0.0864
-0.1819
-0.2408
-0.1287
0.0091
-0.1417
-0.1442
0.0283
-0.1494
Q
.37306
.63337
1.421
3.2163
8.1894
8.2267
10.001
13.56
14.204
14.21
16.45
17.176
20.63
22.284
23.102
24.124
27.096
28.563
30.06
30.955
Prob>Q
[Autocorrelation]
[Partial Autocor]
0.5413
0.7286
0.7006
0.5223
0.1461
0.2220
0.1885
0.0940
0.1152
0.1636
0.1252
0.1431
0.0806
0.0730
0.0820
0.0868
0.0567
0.0540
0.0510
0.0558
pac DS12.eiL, lags(20) srv title(Prueba: LJUNG - BOX y BOX PIERCE) subtitle(Autocorrelacion de los terminos del error)
10
Lag
15
95% CI
Partial autocorrelations of DS12.eiL
Standardized variances
95% Confidence bands [se = 1/sqrt(n)]
Correccin de la Autocorrelacin
1. Cochrane Orcutt
20
0:
1:
2:
3:
4:
5:
6:
7:
8:
rho
rho
rho
rho
rho
rho
rho
rho
rho
=
=
=
=
=
=
=
=
=
0.0000
-0.0692
-0.0919
-0.0952
-0.0957
-0.0958
-0.0958
-0.0958
-0.0958
SS
df
MS
Model
Residual
12.1907662
3.50947506
6
68
2.03179437
.051609927
Total
15.7002413
74
.212165423
PXLn
Coef.
ANT
AR
NHa
Z1Nor
Z1Oe
Z1Sur
_cons
-.1172852
.0007684
.2382043
.350583
.2606885
.2153581
10.98858
rho
-.0958022
Std. Err.
.0189271
.000339
.0440472
.0763672
.0837645
.0900209
.1521146
t
-6.20
2.27
5.41
4.59
3.11
2.39
72.24
Number of obs
F(
6,
68)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.027
0.000
0.000
0.003
0.020
0.000
=
=
=
=
=
=
75
39.37
0.0000
0.7765
0.7567
.22718
-.0795167
.0014449
.3260991
.5029715
.4278379
.3949921
11.29212
Pruebas de Multicolinealidad
1. Matriz de correlacin
xi: reg PXLn ANT AR NHa Z1Nor Z1Oe Z1Sur
Source
SS
df
MS
Model
Residual
11.2230261
3.60287273
6
69
1.87050435
.052215547
Total
14.8258988
75
.197678651
PXLn
Coef.
ANT
AR
NHa
Z1Nor
Z1Oe
Z1Sur
_cons
-.1127293
.0009154
.2199315
.3497357
.2564053
.2245442
11.01775
Std. Err.
.0188389
.000345
.0434819
.0793652
.0874413
.0943541
.1529137
t
-5.98
2.65
5.06
4.41
2.93
2.38
72.05
Number of obs
F( 6,
69)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.010
0.000
0.000
0.005
0.020
0.000
=
=
=
=
=
=
76
35.82
0.0000
0.7570
0.7359
.22851
-.0751466
.0016037
.3066755
.508065
.4308459
.4127755
11.32281
Mean
Std. Dev.
Min
Max
PXLn
ANT
AR
NHa
Z1Nor
Z1Oe
Z1Sur
12.06227
1.368421
177.3158
3.578947
.4210526
.2368421
.1842105
.4446107
1.504146
110.0138
.8833747
.4970086
.4279695
.3902316
11.22524
0
55
2
0
0
0
13.017
6
557
6
1
1
1
PXLn
ANT
AR
NHa
Z1Nor
Z1Oe
Z1Sur
PXLn
ANT
AR
NHa
Z1Nor
Z1Oe
Z1Sur
1.0000
-0.6023
0.6141
0.7081
0.3613
-0.0229
-0.2886
1.0000
-0.3050
-0.2831
-0.1389
-0.0545
0.2009
1.0000
0.6945
0.0678
-0.0673
-0.2132
1.0000
0.2270
-0.0854
-0.3135
1.0000
-0.4751
-0.4052
1.0000
-0.2647
1.0000
PXLn
PXLn
ANT
AR
NHa
Z1Nor
Z1Oe
Z1Sur
ANT
AR
NHa
Z1Nor
Z1Oe
Z1Sur
.197679
-.402811 2.26246
30.0399 -50.4646
12103
.278115 -.37614 67.4947 .780351
.079848 -.10386 3.70526 .099649 .247018
-.004351 -.035088 -3.16912 -.032281 -.101053 .183158
-.050066 .117895 -9.15228 -.10807 -.078596 -.044211
.152281
Variable
Partial
Corr.
Semipartial
Corr.
Partial
Corr.^2
Semipartial
Corr.^2
Significance
Value
ANT
AR
NHa
Z1Nor
Z1Oe
Z1Sur
-0.5845
0.3042
0.5201
0.4686
0.3329
0.2754
-0.3551
0.1574
0.3002
0.2615
0.1740
0.1412
0.3416
0.0926
0.2705
0.2196
0.1108
0.0759
0.1261
0.0248
0.0901
0.0684
0.0303
0.0199
0.0000
0.0099
0.0000
0.0000
0.0046
0.0201
vif
Variable
VIF
1/VIF
Z1Nor
NHa
AR
Z1Oe
Z1Sur
ANT
2.23
2.12
2.07
2.01
1.95
1.15
0.447456
0.471881
0.483188
0.497141
0.513538
0.867054
Mean VIF
1.92
findit collin
collin PXLn ANT AR NHa Z1Nor Z1Oe Z1Sur
Collinearity Diagnostics
SQRT
RVariable
VIF
VIF
Tolerance
Squared
---------------------------------------------------PXLn
4.12
2.03
0.2430
0.7570
ANT
1.75
1.32
0.5708
0.4292
AR
2.28
1.51
0.4385
0.5615
NHa
2.90
1.70
0.3442
0.6558
Z1Nor
2.86
1.69
0.3492
0.6508
Z1Oe
2.26
1.50
0.4421
0.5579
Z1Sur
2.11
1.45
0.4746
0.5254
---------------------------------------------------Mean VIF
2.61
Cond
Eigenval
Index
--------------------------------1
5.0655
1.0000
2
1.0803
2.1654
3
1.0006
2.2500
4
0.5196
3.1223
5
0.2416
4.5791
6
0.0739
8.2791
7
0.0184
16.6115
8
0.0002
169.3995
--------------------------------Condition Number
169.3995
Eigenvalues & Cond Index computed from scaled raw sscp (w/ intercept)
Det(correlation matrix)
0.0402
Conclusiones
e i = Error de estimacin
ANEXOS
1. Base de datos
2. Comandos