"Ao de la Inversin para el Desarrollo Rural y la Seguridad Alimentaria"

UNIVERSIDAD NACIONAL DE SAN AGUSTIN

FACULTAD DE ECONOMIA

IMPACTO DE LOS FACTORES QUE CARACTERIZAN

AL PRODUCTO VIVIENDA DE KASAS BIENES
RAICES SOBRE SU PRECIO DE MERCADO EN
AREQUIPA, DURANTE EL PRIMER TRIMESTRE 2014

CURSO:

Econometra

PROFESOR: Econ. Orlando Torres Montes

TEMA:

Econometra Aplicada

Alumnos:
Lara Molina, Brian
AO:

3ro A

2014

Este trabajo va dedicado

a nuestros padres por el
apoyo incondicional, a la
inmobiliaria KASAS por
facilitar la obtencin de
los datos y a las personas
que
ayudaron
a
la
realizacin
de
este
trabajo.

PRESENTACION

En el presente trabajo mostraremos el respectivo anlisis sobre el impacto de los

factores que caracterizan al producto vivienda de kasas bienes y races sobre su precio
de mercado en Arequipa, durante el primer trimestre 2014.
Con el fin de de contribuir con los consumidores del mercado de bienes puesto que el
modelo sirve para predecir cunto debera pagar por una vivienda especfica con las
caractersticas analizadas en este estudio.

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

inpensada hace cinco aos; las cotizaciones apenas llegaban a US$60

por m2. En el caso de las viviendas construidas, los precios varan de
US$70 mil a US$500 mil, dependiendo de la ubicacin y el tamao de la
misma.
Otra variable econmica de los factores que afectan a la oferta de
viviendas en Arequipa es el nivel de los salarios de la mano de obra de
construccin. Hace cinco aos un obrero de construccin civil llegaba a
ganar por proyecto cerca de S/.140 por semana. Ahora su sueldo no
baja de los S/. 420 semanales. Un maestro de obras ganaba mximo dos
sueldos mnimos al mes, ahora sus honorarios no bajan de S/.520 por
semana. En este sentido las empresas constructoras se ven obligadas a
esperar la culminacin de esos proyectos o a contratar a gente fuera de
Arequipa.
Con entrevistas al Gerente de una inmobiliaria nos dimos cuenta que la
variable financiamiento y/o crditos hipotecarios son muy importantes
en el momento de que los posibles compradores decidan adquirir una
vivienda. Ms especficamente en los primeros meses de este ao los
crditos hipotecarios han decrecido y se mantienen constantes. Esta
medida preventiva por parte de los agentes financieros la hacen ante el
temor de la existencia de una burbuja inmobiliaria en la que el
propietario se vea imposibilitado de pagar un inmueble obtenido a
crdito y los bienes races se devalen. Es por esta razn que hemos
hecho la investigacin con datos del primer trimestre del ao 2014, ya
que de haber incluido datos de fechas anteriores, las variables de
financiamiento no seran las mismas y ocasionara errores al elaborar el
modelo economtrico.

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

posibilidad de cuantificar econmicamente el disfrute de este bien, ya

sea a partir de las cuotas de alquiler que se dejan de pagar (en el caso
del propietario-usuario), ya sea a partir de las cuotas de alquiler que se
cobran del arrendatario (LARRAUIRI, 1996). As, el precio del serviciovivienda o renta, se convierte en una variable fundamental a la hora de
estimar el valor del activo vivienda.
Un segundo objetivo de la posesin del activo vivienda es la inversin
pura, entendida sta como la que lleva a cabo un comprador del activovivienda cuyo nico fin es el de conseguir una plusvala con el
transcurso del tiempo tras su venta. En este caso, el adquiriente es un
inversor puro que contempla el activo-vivienda como una alternativa
capaz de experimentar una importante revalorizacin, superior en
trminos reales a la que puede derivarse de otros activos, de hecho, el
activo vivienda constituye uno de los llamados bienes refugio.
Los diferentes objetivos perseguidos con la inversin en vivienda se
ponen de manifiesto cuando se analizan las variables que influyen en la
determinacin de su precio.
Los factores que mayor importancia pueden tener en la determinacin
del precio de este activo son:

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.

Costes de construccin: sta puede ser la variable que

ms influye en la fijacin del precio desde el punto de
vista de la oferta y constituye el lmite inferior al
precio de la vivienda.
Calidad y caractersticas del producto: localizacin del
inmueble,
aos
de
antigedad,
nmero
de
habitaciones, materiales de construccin, acabados,
etc. Estas variables influyen en la fijacin del precio
desde el punto de vista de la demanda.

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.
El enfoque hednico es una perspectiva de anlisis desarrollada en
torno a los viene heterogneos o diferenciados, que surge ante las
dificultades de comprensin de su funcionamiento en el mercado desde
una perspectiva ortodoxa. En efecto, este tipo de viene heterogneos,
como es el caso de la vivienda, se caracterizan porque aparecen en el
mercado en forma de diferentes variedades o modelos. Esto supone
que, bajo una denominacin comn, existen en realidad bienes de
distinta calidad, sustancialmente distintos en sus caractersticas o
composicin, y adems la distinta calidad de estos bienes provoca
diferencias significativas en sus precios. Todo esto provoca dificultades
para el funcionamiento de los mercados de estos bienes, pues en ellos
no se intercambian bienes homogneos y perfectamente sustituibles, y
los precios no suponen valoracin de una misma realidad. En este
sentido, el enfoque hednico plantea una nueva perspectiva y
pretende analizar los bienes heterogneos y la variabilidad de sus
precios, tomando como punto de referencia fundamental, no tanto las
distintas unidades o variables de ese bien, sino las caractersticas o
atributos que componen dichas variedades.
La principal aportacin para comprender los fundamentos tericos del
enfoque hednico los constituye el modelo elaborado por Sherwin Rosen
(1974) para productos heterogneos o diferenciados. Rosen elabora un
modelo terico de equilibrio parcial para los viene heterogneos en un
mercado competitivo. Este modelo implica una serie de propuestas
metodolgicas en relacin a la concepcin de los bienes heterogneos y

su funcionamiento en el mercado, susceptibles de ser aplicadas al bien

vivienda:
1) En primer lugar plantea una modelizacin de los bienes
heterogneos (vivienda) que tiene presente las mltiples
dimensiones que estos incorporan y que permite representar las
diferencias de calidad existentes entre las diferentes variedades
de cada bien heterogneo. Propone caracterizar las distintas
variedades o modelos de vivienda, a travs de un reducido
conjunto de las caractersticas o componentes que posee, y por lo
tanto este bien se entender como un conjunto de atributos
individuales cada uno de los cuales proporciona servicios de
vivienda (ROTENBERG, 1991)
Z=(z1+z2+z3zn)
2) Las decisiones de los agentes (consumidores y oferentes) se
evalan no en el espacio de las distintas variedades de bienes
similares, sino en el espacio de las caractersticas que los
componen (ROSEN, 1974). Esta nueva perspectiva indica:
Los intercambios de bienes heterogneos (vivienda) que se
dan en el mercado, son en realidad transacciones de las
caractersticas o atributos que componen estos bienes, que
se demandan y ofrecen de forma conjunta.
Las decisiones de consumidores y las valoraciones que estos
sacan al mercado tienen en cuenta fundamentalmente las
caractersticas que tienen estos bienes. El consumidor no
maximiza su utilidad eligiendo entre las distintas variedades
de viviendas, sino entre las distintas caractersticas que
ofrece cada unidad de vivienda.
En la medida en que los agentes valoran los atributos o
caractersticas que componen estos bienes heterogneos,
se puede sealar la existencia de mercados implcitos para
dichas caractersticas con sus consiguientes precios
implcitos, diferentes comportamientos de los agentes y
distintas elasticidades respecto a dichas caractersticas.
3) Se propone una nueva explicacin de la situacin de equilibrio que
se produce en dicho mercado y del significado del precio de
equilibrio para los bienes heterogneos (vivienda).
Una vez realizado el anlisis del comportamiento de los
consumidores y productores por separado, se hace necesario ver
cmo interactan ambos y como se produce el encuentro entre
ellos en el mercado para dar lugar a la transaccin y al equilibrio
del mercado.

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

recoge informacin sobre precios y caractersticas de

vivienda, son observaciones individualizadas para cada
unidad de vivienda.
b. Recoge observaciones completas sobre cada una de las
unidades de vivienda encuestadas, en el sentido de que
ofrecen informacin tanto sobre el precio de dichas
viviendas, que funcionar como variable dependiente, como
sobre un nmero suficiente y valorizado de atributos que
permiten definir consistentemente la vivienda (rea til,
localizacin, antigedad, nmero de habitaciones) que
funcionarn como variables independientes.
c. Accesibilidad a la informacin, la fuente de datos por
pertenecer a la inmobiliaria Kasas se ha ofrecido
ayudarnos en la investigacin proporcionando las facilidades
que les sean permitidas.
2. Eleccin de variables
a. Eleccin de variable dependiente
Como variable dependiente o explicada a incluir en la
ecuacin de regresin tomaremos el dato de Precio total
al contado de cada vivienda analizada expresado en
dlares americanos US$.
b. Eleccin de variables independientes
Para realizar una seleccin previa de las variables sobre
atributos de la vivienda que pueden ser potencialmente
significativas en la explicacin del precio de la misma, y por
lo tanto pueden ser incluidas en la ecuacin de regresin, se
han utilizado los siguientes criterios:
Se trata de variables sobre atributos de la vivienda
observables y evaluables en cada variedad de
vivienda del mercado por los agentes que participan
Se trata de variables sobre atributos de la vivienda
que presentan indicios de ser explicativas del precio
de la misma, fundamentados en la reflexin terica o
en antecedentes de otros trabajos empricos.
Se trata de un conjunto de variables que permiten
describir de forma correcta y completa la realidad
heterognea del bien vivienda, de tal modo que
queden
expresadas
las
distintas
dimensiones
esenciales de este bien: tamao, localizacin, tipo de
vivienda, antigedad.
En cuanto al nmero de variables a introducir en la
estimacin de la regresin hednica, hemos preferido
introducir un nmero no muy extenso de variables
posibles, ya que la inmobiliaria no maneja muchos

datos con caractersticas especficas de los inmuebles,

adems nuestro trabajo se enfoca en los factores que
caracterizan al producto como factores de la oferta de
viviendas en la fijacin de un precio de mercado.
No obstante, para determinar de forma definitiva las
variables independientes que son significativas para
explicar el precio de las viviendas, el criterio utilizado es
la observacin de estadsticos de significatividad de
dichas variables (estadstico t) que se obtienen con la
estimacin de la ecuacin de regresin.
Las variables elegidas son:
rea til: variable de tipo cuantitativo, expresada
en metros cuadrados, que hace referencia
directamente al tamao de cada vivienda
observada.
Localizacin:
variable
cualitativa
binaria
o
dictoma: Se desagrega por puntos cardinales
tomando en consideracin al norte, sur y al oeste,
se codifica 1 si la vivienda observada se localiza en
dichas zonas y 0 si la vivienda no se localiza en
ellas.
N de habitaciones: variable de tipo cuantitativo.
Expresa el nmero de habitaciones que cuenta la
vivienda, incluyendo la habitacin de servicio en
caso de que la vivienda la posea. Aade
informacin
adicional
sobre
el
tamao
y
distribucin de la misma
Aos de Antigedad: variable de tipo cuantitativo.
Expresa
los
aos
transcurridos
desde
la
construccin de la vivienda, hasta la actualidad.
Expresa informacin sobre la calidad de la vivienda.

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:

Px = Precio de la vivienda al contado expresado en dlares americanos US$

X = Son los atributos que caracterizan al producto vivienda

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 )

Modelo Economtrico inicial

De carcter especfico cada una de las variables independientes influye de forma
distinta a la variable explicada. Del mismo modo se introduce el efecto de todas las
dems variables que no han sido consideradas expresadas en el error.

Px=0 + 1Aos Antiguedad+ 2reatil+ 3N Habitaciones+ 4Localizacin+e i

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

Se puede observar que si el inmueble queda situado en la zona

Norte de la ciudad (Yanahuara, Alto Selva Alegre y Cayma) tiende a
tener un precio mas elevado respaldado por una menor antigedad
y una mayor rea.
Oeste:

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

Si comparamos los datos de esta tabla con la anterior

observaremos que una casa ubicada al norte tendr un mayor

precio que una al Oeste (Sachaca y Cerro Colorado) de igual

manera sucedera con el rea.

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

En esta circunstancia se puede observar que los inmuebles ubicados

al sur tienen menor precio respaldado en un monto mayor de
antigedad y una menor rea.

Observaciones

Con este anlisis descriptivo se puede notar que las propiedades

localizadas en la zona Norte tienen un precio mayor que a de las otras
zonas, mientras que las ubicadas al Sur cuentan con una mayor
antigedad.

Habiendo eliminado otras tales como la contaminacin, el transporte y

la existencia de parques debido a su irrelevancia para nuestro anlisis.

La mayora de inmuebles llevan carretera a diferencia de un lote que

puede estar ubicado en una zona geogrfica un tanto inaccesibles por
ello esta variable no aade valor u signicancia a nuestro estudio.

Para tener en cuenta la existencia de parques , se tendra que hacer un

anlisis un tanto mas especifico acerca de la poblacin que adquiri los
inmuebles (Existencia de hijos, Edad, Sexo) por lo cual esta variable

quedo descartada debido que para muchas personas es indiferente este

tipo de bien.

Anlisis del Modelo Inicial

Regresin inicial:
. xi: reg PX ANT AR NHa Z1Nor Z1Oe Z1Sur
Source

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

[95% Conf. Interval]

-25471.69
67.09783
22565.58
18025.19
13050.23
-7574.865
-70843.67

-9799.005
354.1437
58739.49
84051.57
85795.36
70921.21
56369.95

Para el anlisis de nuestro modelo inicial de manera conjunta

podemos percatarnos que el trmino del error (47646) es muy
elevado alejndose del ptimo que debera ser un valor bastante
cercano a cero irrumpiendo as su eficiencia.

Evaluacin de forma conjunta (Usando el estadstico F)

o Planteando la hiptesis nula: No existe relacin lineal entre
PX y las variables explicativas. Mediante la prueba F se
rechaza la hiptesis nula, al ser el valor P menor de 0.05,

demostrando que si existe una relacin estadsticamente

significativa de PX y las variables explicativas.

Evaluacin de forma individual (Usando el estadstico t)

o Planteamiento de la hiptesis nula: No existe un precio
autnomo en la venta de viviendas de la empresa KASAS.
Se puede observar que el termino constante (Precio de los
inmuebles) tiene una probabilidad mayor al 5% por ende se
estara aceptando que no existe un precio fijo o un precio
autnomoen la venta de las viviendas por la empresa
KASAS de Arequipa en el primer trimestre de 2014.
o En esta primera regresin la prueba individual (t) explica
que todas las variables tienes influencia sobre el precio
exceptuando a Z1Sur quien al tener una probabilidad mayor
a 5% estara aceptando que no existe influencia de la
localizacin sobre el precio

Anlisis de la variable: Aos de antigedad

De aqu en adelante trataremos de demostrar el grado de significancia que

muestra la variable antigedad sobre el precio.
Regresin del Precio de Venta con respecto a los Aos de antigedad de la
vivienda
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

[95% Conf. Interval]

-41365.36
210394.7

-19736.38
254218.2

Para el anlisis de nuestro modelo inicial de manera conjunta

podemos percatarnos que el trmino del error (70700) es muy

elevado alejndose del ptimo que debera ser un valor bastante

cercano a cero irrumpiendo as su eficiencia.

Evaluacin de forma conjunta (Usando el estadstico F)

o Planteando la hiptesis nula: No existe relacin lineal entre
PX y ANT (Aos de antigedad). Mediante la prueba F se
rechaza la hiptesis nula, al ser el valor P menor de 0.05,
demostrando que si existe una relacin estadsticamente
significativa de PX y ANT.

Evaluacin de forma individual (Usando el estadstico t)

o Planteamiento de la H0: No existe un precio autnomo en la
venta de viviendas de la empresa KASAS. Se puede
observar que el termino constante (Precio de los inmuebles)
tiene una probabilidad menor al 5% por ende se estara
rechazando que no existe un precio fijo o un precio
autnomo en la venta de las viviendas por la empresa
KASAS de Arequipa en el primer trimestre de 2014.
o Planteamiento de la Hiptesis para la variable ANT, H0: No
existe influencia de los aos de antigedad sobre el precio
de venta. Se observa que la antigedad s tiene influencia
sobre el precio debido a que tiene una probabilidad menor al
5% por ende se estara rechazando que no existe influencia
de los aos de antigedad sobre el precio de venta de las
viviendas por la empresa KASAS de Arequipa en el primer
trimestre de 2014.
o Este modelo no es vlido para predecir de forma correcta el
precio de venta de las viviendas, debido al error del modelo;
el cual nos estara indicando la existencia de
heteroscedasticidad por tal motivo aplicaremos otros
modelos para su ajuste y eficiencia.

Habiendo obtenido de la regresin como varianza y como desviacin estndar

los siguientes:

display "Varei=" (3.6989e+11/(76-2))

display "stdei=" sqrt(4.999e+09)

=
=

4.999e+09
70703.607

Tabla de Media Aritmtica, Geomtrica y Armnica

means PX ANT
Variable

Type

Obs

Mean

[95% Conf. Interval]

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

Tabla Resumen: Precio de Venta - Antigedad

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

Grfica de Dispersin del Precio de Venta en funcin de los Aos de

Antigedad

tw (scatter PX ANT), yline(190500)xline(1.368421)

PRECIO (US$)
100,000.00 200,000.00 300,000.00 400,000.00 500,000.00

ANTIGEDAD (AOS)

twoway (scatter PX ANT)||(lfit PX ANT, lcolor(blue)),

yline(190500)xline(1.368421)

0.00 100,000.00
200,000.00
300,000.00
400,000.00
500,000.00
0

ANTIGEDAD (AOS)

PRECIO (US$)

Fitted values

tw (scatter PX ANT)||(lfit PX ANT, by(Z1Nor)),legend(label(2

"tendencia"))

500,000.00

0.00

ANTIGEDAD (AOS)
PRECIO (US$)

tendencia

Graphs by = 1 si esta al Norte (Yanahuara y Alto selva Alegre y Cayma)

scatter PX ANT,by(Z1Nor,total row(1))||(lfit PX

ANT,by(Z1Nor)),legend(label(2 "tendencia"))

500,000.00

Total

0.00

ANTIGEDAD (AOS)
PRECIO (US$)

tendencia

Graphs by = 1 si esta al Norte (Yanahuara y Alto selva Alegre y Cayma)

Intervalos de confianza
twoway (lfitci PX ANT, bc(mint))(scatter PX ANT)

100000 200000 300000 400000 500000

ANTIGEDAD (AOS)

95% CI
PRECIO (US$)

DIAGRAMA DE CAJA

4
Fitted values

 graph box ei, title("Mercado inmobiliario: Precio vs

Antiguedad")subtitle("Diagrama de caja: Distribucion de los
terminos del error (ei)")

-100000

Residuals
100000

200000

300000

Mercado inmobiliario: Precio vs Antiguedad

Diagrama de caja: Distribucion de los terminos del error (ei)

Los errores no se distribuyen normalmente quiere decir que existen valores

aberrantes o atpicos.
El siguiente grafico se utiliza para medir la varianza de las perturbaciones

symplot ei

Residuals

Distance above median

50000 100000 150000 200000 250000

20000

40000
60000
Distance below median

80000

100000

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

Para predecir los errores estandarizados:

predict est, rstandar

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

[95% Conf. Interval]

-41365.36
210394.7

-19736.38
254218.2

Luego realizamos la prueba de JARQUE BERA:

ssc install jb
jb ei

Jarque-Bera normality test: 45.08 Chi(2)

Jarque-Bera test for Ho: normality:

1.6e-10

Por lo tanto si la probabilidad es mayor al 5% los trminos del error se

distribuyen normalmente

jb est

Jarque-Bera normality test: 43.58 Chi(2)

Jarque-Bera test for Ho: normality:

3.4e-10

histogram ei, frequency normal

Frequency
10
15

20

25

Observamos que es leptocurtica

-100000

100000
Residuals

200000

300000

Criterio de Akakike y Schwarz

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

histogram est, frequency normal

N=Obs used in calculating BIC; see [R] BIC note

-2

Standardized residuals

DIAGRAMA DE TALLOS Y HOJAS

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

[95% Conf. Interval]

-41365.36
210394.7

-19736.38
254218.2

Demostracin de la Heterocedasticidad - Mtodo Grfico

-100000

Residuals
100000

200000

300000

Diagrama de dispersion del error

50000

100000

150000
Fitted values

200000

250000

Segn el grfico de dispersin se revela que el error no est distribuido de

forma homognea y por lo tanto se puede concluir que el modelo es
Heterocedsticos. Por tal motivo aplicaremos un modelo Semi-Logartmico
(LOG-LIN) para disminuir el error y encontrar un mejor modelo economtrico.
Lista de resumen del error

list PX ANT Shat ei eStd eStu in 1/10

PX

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

qnorm eStu, title("Mercado inmobiliario: Precio vs

Antiguedad")subtitle("Distribucion normal de los residuos

Estudentizados") //No hay distribucion normal

Mercado inmobiliario: Precio vs Antiguedad

-2

Studentized residuals
0
2

Distribucion normal de los residuos Estudentizados

-2

-1

0
Inverse Normal

qnorm eStd, title("Mercado inmobiliario: Precio vs

Antiguedad")subtitle("Distribucion normal de los residuos
Estandarizados")

Mercado inmobiliario: Precio vs Antiguedad

-2

Standardized residuals
0
2

Distribucion normal de los residuos Estandarizados

-2

-1

0
Inverse Normal

qnorm ei, title("Mercado inmobiliario: Precio vs

Antiguedad")subtitle("Distribucion normal de los residuos ")

-200000 -100000

Residuals
0
100000 200000 300000

Mercado inmobiliario: Precio vs Antiguedad

-200000

Distribucion normal de los residuos

-100000

0
Inverse Normal

100000

200000

Modelo LOG - LIN

xi: reg PXLn ANT

Source

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

[95% Conf. Interval]

0.000
0.000

-.2326954
12.19517

-.1233877
12.41664

En esta regresin se observa que el trmino del error de manera conjunta

disminuye significativamente hasta 0.3573, con lo cual se ha logrado una
mayor eficiencia del modelo para predecir el Precio de Venta de las viviendas.
De forma individual, los Betas aceptan la Hiptesis alternativa: S existe un
precio autnomo para las ventas realizadas por la empresa Kasas; adems
s existe influencia de los aos de antigedad sobre el precio de venta de las
viviendas; es decir, que por un ao adicional de antigedad el precio de las
viviendas se ver disminuido en 17.80 %.
El anlisis anterior se puede representar en la siguiente grfica

Matriz: Precio de Venta VS Aos de Antiguedad

0

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

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

[95% Conf. Interval]

-.1503119
.000227
.1331875
.1914064
.0819646
.0363129
10.7127

-.0751466
.0016037
.3066755
.508065
.4308459
.4127755
11.32281

Prueba Conjunta

H0: B1 = 0

H1: B1 0

No existe relacin cuadrtica significativa entre la variable

endgena con las variables exgenas.
Existe relacin cuadrtica significativa entre la variable endgena
con las variables exgenas.

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.

Matriz de Grficos de Dispersin del Modelo LOG LIN

Matriz: Precio de venta VS Varibles Exogenas

0

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

tabstat PX ANT AR NHa Z1Nor Z1Oe ,s(n mean sum variance sd

cv skewness kurtosis min max)
stats

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

Ahora se proceder a realizar las pruebas para comprobar la eficiencia del

modelo propuesto.

Pruebas de validacin del Modelo Economtrico LOG LIN

Pruebas de Heterocedasticidad
1. Prueba BREUSCH PAGAN GODFREY (BPG)
o

H 0 : 2i = 2

Los trminos de error son Homocedsticos

H 0 : 2i 2

Los trminos del error son Heterocedsticos

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

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

predict eiBPG, resid

display "VarMV="(3.60287273/76)
gen eiBPG2=eiBPG^2
gen Pi=(eiBPG2/VarMV)

xi: reg Pi ANT AR NHa Z1Nor Z1Oe Z1Sur

0.000
0.010
0.000
0.000
0.005
0.020
0.000

=
=
=
=
=
=

76
35.82
0.0000
0.7570
0.7359
.22851

[95% Conf. Interval]

-.1503119
.000227
.1331875
.1914064
.0819646
.0363129
10.7127

-.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

[95% Conf. Interval]

-.3231225
-.0028493
-.5030685
-1.134083
-1.07056
-1.981549
-1.741404

.2081858
.0068816
.7232372
1.10423
1.395521
.6794898
2.571173

display "TETA=" (17.6493098/2) = TETA=8.8246549

2=12.5916

(Valor en tabla) Al compralo con teta se acepta la hiptesis nula,

es decir los trminos de error son Homocedsticos.

2. Prueba de WHITE
2

H 0 : i =

H 0 : 2i 2

xi: reg PXLn ANT AR

Source

Los trminos de error son Homocedsticos

Los trminos del error son Heterocedsticos

NHa Z1Nor Z1Oe Z1Sur

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

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

[95% Conf. Interval]

-.1503119
.000227
.1331875
.1914064
.0819646
.0363129
10.7127

-.0751466
.0016037
.3066755
.508065
.4308459
.4127755
11.32281

xi: reg eiw2 ANT2 AR2 NHa2 Z1Nor Z1Oe Z1Sur

Source

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

[95% Conf. Interval]

-.0037996
-3.06e-07
-.0027194
-.0560866
-.0568226
-.0979536
-.0199572

.0011793
4.86e-07
.0046638
.0516305
.060458
.0276538
.1052756

display "R^2=" (1-(.403339172/.444220155))=

R^2=.09202865
display X^2=(0.09202865*76)=
X^2=6.9941774
X^2(6 grados de libertad) en tabla es 12 .5916

Como X^2=6.9941774 es menor al valor en tabla se acepta la hiptesis nula,

es decir los trminos de error son Homocedsticos.

Pruebas de Autocorrelacin
1. Mtodo grfico

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

[95% Conf. Interval]

-.1503119
.000227
.1331875
.1914064
.0819646
.0363129
10.7127

-.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

Prueba general de autocorrelacion: M. Grafico

20

40
N de observaciones

60

80

Como se puede observar estamos en presencia de Autocorrelacin, debido a

que hay puntos que sale del rango de -2 a 2 de residuos estandarizados.
2. Contraste de Breusch - Godfrey
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|

=
=
=
=
=
=

76
35.82
0.0000
0.7570
0.7359
.22851

[95% Conf. Interval]

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

Breusch-Godfrey LM test for autocorrelation

>
lags(p)

chi2

df

Prob > chi

> 2
>
1

0.450

0.5024

>
H0: no serial correlation

estat bgodfrey, lag(1/3)

Breusch-Godfrey LM test for autocorrelation
>
lags(p)

chi2

df

Prob > chi

> 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

Los trminos de error son independientes

Los trminos del error no son independientes

3. LJUNG - BOX y BOX - PIERCE

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

[95% Conf. Interval]

-.1503119
.000227
.1331875
.1914064
.0819646
.0363129
10.7127

-.0751466
.0016037
.3066755
.508065
.4308459
.4127755
11.32281

predict eiL, resid

wntestq eiL

Portmanteau test for white noise

Portmanteau (Q) statistic =
Prob > chi2(36)
=

corrgram eiL, lags(20)

LAG
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

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)

Partial autocorrelations of DS12.eiL

-0.50
0.00
0.50

Prueba: LJUNG - BOX y BOX - PIERCE

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

prais PXLn ANT AR NHa Z1Nor Z1Oe Z1Sur, corc //correcta

Iteration
Iteration
Iteration
Iteration
Iteration
Iteration
Iteration
Iteration
Iteration

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

Cochrane-Orcutt AR(1) regression -- iterated estimates

Source

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

[95% Conf. Interval]

-.1550536
.0000918
.1503096
.1981946
.0935391
.0357241
10.68504

-.0795167
.0014449
.3260991
.5029715
.4278379
.3949921
11.29212

Durbin-Watson statistic (original)

2.113255
Durbin-Watson statistic (transformed) 1.988804

A travs del mtodo de Cochrane Orcutt se ha corregido la Autocorrelacin,

ajustando el coeficiente de Durbin Watson a 1.988 es decir este ajuste ser
ms perfecto mientras nuestro ndice se acerque ms a 2.

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

[95% Conf. Interval]

-.1503119
.000227
.1331875
.1914064
.0819646
.0363129
10.7127

-.0751466
.0016037
.3066755
.508065
.4308459
.4127755
11.32281

corr PXLn ANT AR NHa Z1Nor Z1Oe Z1Sur, means

Variable

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

corr PXLn ANT AR NHa Z1Nor Z1Oe Z1Sur, covariance

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

pcorr PXLn ANT AR NHa Z1Nor Z1Oe Z1Sur

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

Cuando el VIF resulta mayor a 10 hay presencia de multicolinealidad, en

nuestro caso, es menor; es decir no hay presencia de multicolinealidad.

Conclusiones

El modelo economtrico que se ha validado para la funcin Precio de venta de

las viviendas con respecto a las variables:
o Aos de Antigedad
o rea til
o Nmero de habitaciones
o Localizacin
Es el siguiente:

LnPX =B 0B1X 1+ B2X 2+ B3X 3+ B4X 4 +B 5X 5+ B6X 6+e i

Donde:
PX= Precio de venta de las viviendas expresado porcentaje
X1=Aos de antigedad de la vivienda
X2=rea til de la vivienda
X3=Nmero de habitaciones de la vivienda
X4= Se localiza en la Zona Norte de Arequipa metropolitana
X5= Se localiza en la Zona Oeste de Arequipa metropolitana
X6= Se localiza en la Zona Sur de Arequipa metropolitana

e i = Error de estimacin

El modelo basado en los factores de la oferta (caractersticas observables de

las viviendas) predicen eficientemente los precios de venta con respecto a los
reales.
Los resultados de cada coeficiente tomados en trminos porcentuales
o B0 = 10.98858
o B1 =0.1172852
Por cada ao adicional en
antigedad el precio se ver
disminuido en 12%
o B2 = 0.0007684
Por cada metro cuadrado adicional el precio se ver favorecido en
0.08%
o B3 = 0.2383043
Por cada habitacin extra el precio aumentara en 23.8%
o B4 = 0.358503
Si el inmueble se encuentra ubicado en zona norte su precio se
ver incrementado en 35.9%
o B5=0.2606865
Si el inmueble se encuentra ubicado en zona oeste su precio se
ver incrementado en 26.1%
o B6=0.2153581

Si el inmueble se encuentra ubicado en zona sur su precio se ver

incrementado en 21.5%
Desde el punto de vista de los consumidores, el modelo sirve para predecir
cunto debera pagar por una vivienda especfica con las caractersticas
analizadas en este estudio.
Desde el punto de vista del empresario vendedor
Desde el punto de vista del gobierno Ministerio de vivienda para que tenga
una referencia de los precios de las viviendas con respecto a sus atributos

ANEXOS
1. Base de datos

2. Comandos