INDICE

Pginas
Introduccin

Objetivo General

Marco Terico

Fundamentos de la Teora Keynesiana

4-5

Teora de la Oferta y Demanda

6-9

Fundamentos Empricos

Planteamiento del Modelo

10 - 13
14 - 40

Anlisis de las Variables

15 - 21

Regresiones Lineales Simples

22 - 39

Conclusin

Modelo Regresin Mltiple

40
41 - 60

Verif. de la no violacin de los supuestos MCO para Multicol.

42 44

Verif. de la no violacin de los supuestos MCO para Heteros.

45 - 47

Verif. de la no violacin de los supuestos MCO para Autoc.

47 - 51

Modelo Remedial para la Autocorrelacin

52 59

Obtencin del Modelo Optimo

59 - 60

INTRODUCCIN
Chile ha sido histricamente un pas con tradicin vitivincola, principalmente por sus
tierras y climas privilegiados. Actualmente, sin embargo, el escenario internacional ha abierto
una oportunidad indita que convierte a nuestro pas en uno de los exportadores de mayor
potencial en el mundo. Este voraz desarrollo a nivel mundial sin duda, ha afectado los hbitos
de los consumidores tanto a nivel mundial como nacional. Durante estos 30 ltimos aos, las
exigencias se han elevado y si bien el consumo per cpita de hoy es muy inferior a lo que
ocurra a mediados de siglo, el mercado se ha ampliado considerablemente.
Las razones en el cambio de hbito de los consumidores son variadas y si bien el objeto
de este trabajo no es analizar estas razones, nos hemos dado cuenta de lo importante que son
a la hora de analizar el comportamiento de la demanda del vino, ya que en gran parte estas
razones son ms influyentes que los fundamentos tericos econmicos.
El objetivo de este informe es conocer las variables que afectan el consumo individual
por vino para de esta forma plantear un modelo de economtrico que permita explicar en
conjunto las variaciones de este consumo dado el comportamiento de estas variables. La
determinacin de estas variables, valga la redundancia, se hizo por medio de la estimacin de
regresin lineal mltiple por el mtodo de los mnimos cuadrados ordinarios

OBJETIVO GENERAL
El objetivo general del presente trabajo es, como se mencion anteriormente, dar una
aplicacin emprica de todos los conocimientos especficos adquiridos en el ramo, con el objeto
de dar un sentido prctico a las teoras econmicas que ya conocemos.
Particularmente, nuestro quehacer se desarroll en el Consumo Individual del Vino donde
tratamos de descubrir cules son las principales variables que afectan este consumo y de esta
forma determinar un modelo economtrico que nos permita conocer y explicar la relacin que
existe entre estas variables.
Nos pareci interesante abocarnos al tema del VINO ya que este bien se ha transformado,
en los ltimos aos, en uno de los ms demandados por la gente. Adems, sus exportaciones
han aumentado en tal porcentaje, que lo han posicionado como uno de los bienes con ms
futuro en el extranjero. Esto le permite a Chile armarse de un prestigio y un renombre para
nada despreciable en estos momentos de inseguridad mundial.

MARCO TERICO
Fundamentos de la Teora Econmica
Antes de plantear un Modelo Economtrico que incluya en l a las variables primordiales
que afectan el Consumo del Vino, debemos establecer los fundamentos de la Teora Econmica
que respaldan la formulacin de este modelo.
Para llevar a cabo el Trabajo Economtrico nos basamos principalmente en tres teoras:
La Teora Keynesiana del Consumo
La Funcin de Utilidad del Consumidor
Teora de la Oferta y la Demanda

TEORA KEYNESIANA (Ao 1930)

Los conceptos y enunciados vertidos por John Maynard Keynes forman, en su conjunto,
una corriente o teora que actualmente lleva su nombre. Algunas de las caractersticas ms
importantes de la Teora Keynesiana son:
a)Es una teora macroeconmica, es decir, a partir de este momento se analiza el
comportamiento de la economa en el mbito agregado. Por este motivo, se consolidan los
trminos de Demanda Agregada y Oferta Agregada.
b)Es una refutacin del liberalismo (laissez-faire).
c) La teora econmica de Keynes lleva directamente a la poltica econmica por l mismo
recomendada.
d) Su principal inters es explicar cules son los determinantes del volumen de empleo,
ms all, considera un desempleo masivo NO VOLUNTARIO.
e) Resurge el rol del Estado como el nico ente que puede regular la situacin del
desempleo.
f) Denuncia la falacia del ajuste automtico propuesto por los clsicos en su momento. De
esta manera se enfoca hacia un equilibrio cambiante.
g) Debido a que el dinero juega un papel importante en su teora, se le llama tambin
teora de una Economa Monetaria.
h) La inversin tiene gran importancia para lograr un cierto nivel de empleo.

Teora Keynesiana sobre el Consumo:

Este Modelo determina una funcin lineal en la que el Consumo est determinado por el
Ingreso y la Riqueza, es decir:
C= f (Y, W)
Donde:
C es el Consumo.
Y es el Ingreso.
W es la Riqueza.
Esta funcin consumo cumple con ciertas propiedades derivadas del comportamiento de
los individuos que son:
Cuando aumenta el Ingreso, se consume ms, lo que implica que hay una relacin
directa entre Consumo e Ingreso.
El aumento en el Consumo es menor que el aumento en el Ingreso, por lo tanto las
variaciones en el Consumo cuando hay variaciones en el Ingreso es menor que 1.
De esta manera, la funcin de Consumo Keynesiana es la siguiente:
C = C0+cYd
Donde:
C es el Consumo Total
C0 es el Consumo Autnomo.
c es la propensin marginal a consumir.
Yd es el Ingreso Disponible.
Keynes defini el cuociente c/Yd como la Propensin Marginal a Consumir.

FUNCIN DE UTILIDAD
La Funcin de Utilidad es la representacin de la funcin de preferencias del consumidor y
la expresin matemtica de stas. En esta representacin se grafican como funciones distintas
los mismos gustos del consumidor.
La utilidad se define como la capacidad de un bien para satisfacer las necesidades de los
individuos. Por lo tanto, se puede sumar, la utilidad que reporta un bien ya que es independiente
de la utilidad de los otros bienes.
Luego, la utilidad total ser la siguiente:
Ut = U(X1) + U(X2) +... + U(Xn)
Al consumir ms de un bien, la utilidad va creciendo hasta llegar a un punto de saturacin
en el que, al seguir consumiendo de ese bien, la utilidad del consumidor con respecto a ese
bien comienza a disminuir.

TEORA DE LA OFERTA Y LA DEMANDA

La funcin de Demanda-Precio o Funcin estricta de Demanda, recoge, ceteris paribus,
la relacin entre la cantidad demandada de un bien y su precio. Se supone que permanecen
constantes los dems factores que pueden afectar a la cantidad demandada de un bien.
La funcin Qa = D(Pa, Y, Pb, G...) representa:
Pa = Precio del bien a.
Y = ingreso de los consumidores.
Pb = Precio del bien b.
G = Gustos y preferencias de los consumidores.
En general, si el precio del bien a sube, la cantidad demandada bajar, aumentando el
consumo de los productos sustitutos. Al contrario, si el precio de los sustitutos sube, la cantidad
demandada de a aumentar.
Con el ingreso pasa algo similar: si aumenta el ingreso, la cantidad demandada de a
debiera aumentar, y viceversa.
Los Gustos y preferencias pueden influir de manera determinante, pudiera suceder que
aunque aumente el Ingreso, la cantidad demandada baje. As por ejemplo, si la cantidad
demandada de un bien aumenta (o disminuye) ante el incremento (o disminucin) del ingreso
familiar se dir que es "normal". En este caso si la demanda es muy sensible a las
6

modificaciones del ingreso se dir que son "suntuarios" y si es poco sensible se dir que son
"necesarios". Por el contrario, si la cantidad demandada de un bien disminuye (o aumenta) ante
el incremento (o reduccin) del ingreso se dir que es "inferior".
La funcin de Oferta-Precio, por su parte, recoge, ceteris paribus, la relacin entre la
cantidad ofrecida de un bien y su precio. Tambin se suponen constantes el resto de los
factores que afecta a la Oferta como lo son la funcin de produccin, la tecnologa y las
preferencias de los productores.
En el caso de la Oferta, si sube el precio del bien entonces los productores estarn
dispuestos a ofrecer ms producto. Al contrario, si baja el precio, ofrecern una menor cantidad.
El precio y la cantidad de equilibrio se encuentran en un nivel en el que la cantidad
ofrecida voluntariamente es igual a la demandada voluntariamente. En un Mercado Competitivo,
este equilibrio se halla en la interseccin de las curvas de demanda y oferta. En este caso, en el
precio de equilibrio no hay ni escasez ni excedente.
Elasticidad Precio Demanda
La elasticidad precio de la demanda mide el grado en el que la cantidad demandada
responde a las variaciones del precio de mercado y se expresa como el cuociente entre la
variacin porcentual de la cantidad demandada del bien producida por una variacin de su
precio en un punto por ciento, mantenindose constantes todos los dems factores que afectan
a la cantidad demandada
Segn los valores obtenidos al aplicar la frmula que define la elasticidad de la demanda,
podemos establecer la siguiente tipologa:
La demanda es elstica si el valor numrico de la elasticidad es ,mayor que la unidad ,
esto es, el cambio en la cantidad es porcentualmente mayor que en el precio
La demanda tiene elasticidad unitaria, si una variacin porcentual del precio produce
una variacin porcentual del precio produce una variacin porcentual de la cantidad demandada
igual a aquella
La demanda es inelstica si el valor numrico de la elasticidad es menor que la unidad,
esto es, el cambio en la cantidad es porcentualmente menor que la variacin del precio.
Elasticidad Renta de la Demanda
Al igual que la elasticidad-precio mide la respuesta de la cantidad demandada ante los
cambios de precios, la elasticidad renta mide como vara la cantidad demandada ante las
variaciones en la renta de los consumidores. Por lo tanto, decimos que la demanda depende del
nivel de renta de los compradores, es decir, que la cantidad del bien depender del ingreso que
estos ltimos reciban.

Si un bien tiene una curva de Engel estable, se puede definir su elasticidad-renta de la

demanda, que es un indicador formal de la sensibilidad de las decisiones de compra a las
variaciones de renta del mercado.
Matemticamente la elasticidad-renta de la demanda se representa de la siguiente
manera:
dQ

> 0 : En este caso se dice que es un bien Normal o Superior ( Para un dI bien
normal la elasticidad-renta de la demanda positiva. Un
incremento en la renta provoca un aumento de la cantidad
demandada.

dQ < 0 : En este caso se dice que es un bien Inferior (Para un bien

dI

inferior la elasticidad-renta de la demanda es negativa. Un

incremento en la renta provoca una disminucin en la
cantidad demandada.

dQ

= 0 : En este caso se dice que es un bien Neutro.

dI

Elasticidad Precio Cruzada de la Demanda

La cantidad demandada de un bien no slo depende de su precio, sino tambin del
precio de otros bienes. Por ejemplo: la demanda del pasaje del metro depende del precio de
los microbuses.
La cantidad que se compra de un bien en el mercado depende no slo de su precio y de las
rentas de los consumidores sino tambin de los precios de los bienes relacionados con l. La
elasticidad-precio cruzada de la demanda es la variacin porcentual que experimenta la
cantidad de un bien cuando vara el precio del otro un 1 por ciento. En trminos generales,
dados dos bienes cualquiera, X y Z, la elasticidad-precio cruzada de la demanda se define de la
siguiente forma:

n X Z = dQx / Qx
dPz / Pz
Donde dQx es una pequea variacin de Qx , la cantidad de X, y dPz es una pequea
variacin de Pz. n X Z mide la respuesta de la cantidad demandada de X a una pequea
variacin porcentual del precio de Z.

A diferencia de la elasticidad de la demanda con respecto al propio precio, que nunca es mayor
que cero, la elasticidad- precio cruzada puede ser positiva o negativa.
dQ >
dPz

: En este caso se trata de bienes sustitutos.

dQ <
dPz

: En este caso se trata de bienes complementarios.

dQ =
dPz

: En este caso se trata de bienes no relacionados.

Respecto a la curva de demanda, indica que mantenindose todo lo dems constante,

existe una clara relacin entre el precio de mercado de un bien (o servicio) y la cantidad
demandada del mismo. Plantea que en una economa de mercado (mantenindose todo lo
dems constante), la cantidad que compran los individuos de un bien depende de su precio, y
en el caso de la demanda, mientras ms alto el precio menor ser la cantidad que los
consumidores estarn dispuestos a comprar, es decir, existe una relacin inversa entre el precio
y la cantidad demandada de los bienes; esta variacin de la cantidad se debe a dos razones:

Efecto-Sustitucin:

La variacin en la cantidad demandada de un bien como

consecuencia de un cambio en su precio, cuando el efecto-renta causado por la

variacin del precio se ha eliminado. Es decir, un cambio en la cantidad
demandada como resultado de un movimiento a lo largo de una curva de
indiferencia. Por lo tanto, dice que cuando aumenta el precio del bien (o
servicio) lo sustituimos por otro semejante.

Efecto-Renta: Cambio en la cantidad demandada de un bien como resultado de

una variacin en la renta real, sin ningn cambio en los precios relativos. Por lo
tanto, dice que cuando aumenta el precio somos algo ms pobres y por lo
mismo disminuyen las compras.

Lo anterior, nos permite predecir a partir de un precio la cantidad que demandarn los
consumidores, mantenindose todo lo dems constante.
Por otro lado, cuando vara uno de los factores que mantenamos constantes se
produce una variacin de la demanda, que puede ser un aumento o disminucin, dependiendo
del sentido en que se mueva el factor.

FUNDAMENTOS EMPRICOS
Las estadsticas provisorias de 2001 muestran que la via cubre 7,83 millones de
hectreas en el mundo, con una produccin 283 millones de hectolitros de vino, lo que sin duda
representa un sector de la produccin agrcola de importancia.
La economa vitivincola ha seguido la tendencia general del sector agroalimentario hacia
la internacionalizacin y aunque los intercambios crecen en valor en los ltimos aos, la
importancia econmica del sector aparece globalmente esttica debido a un consumo estable,
pero que tendera a crecer algo.
Se puede hablar, de un desarrollo sectorial del comercio exterior obligado, como sera el
caso de Chile, Sudfrica, Australia, debido principalmente a la debilidad de sus mercados
internos.
Si bien es cierto Chile goza en este momento de la expansin sectorial, se debe tener
presente que uno de los problemas principales del sector vitivincola mundial, es el precario
balance entre la produccin y el consumo de vinos, que para 1999 seal un excedente de
produccin de 58 millones de hectolitros, con un consumo levemente superior a 1998.
En efecto, el desarrollo de nuevas plantaciones, en diferentes partes del mundo, la
detencin de los arranques, concluirn con un aumento inevitable de la produccin total, que
podr ser un factor de desequilibrio en dos o tres aos ms, si el consumo mundial, bajo
cualquier forma no progresa al mismo ritmo. Las proyecciones de la O.I.V. sealan que, salvo
un accidente climtico haga disminuir la cosecha en todos o algunos pases productores, la
competencia sobre el mercado mundial de vino, deber ser en estas condiciones, cada ao ms
fuerte.
El Consumo
Se podra hablar que a nivel mundial hay casi un equilibrio entre la produccin y el
consumo, en parte debido a la reduccin del viedo en la Unin Europea, lo que permiti reducir
los excedentes durante un tiempo. Sin embargo el equilibrio mundial es precario, el desarrollo
de nuevas plantaciones debern responder al crecimiento del mercado, es decir, al consumo.
Por lo tanto cualquier nueva plantacin para satisfacer las nuevas demandas de consumo
deber estar encaminada hacia vinos finos.
En el ltimo tiempo, el mercado mundial del vino ha experimentado un sinnmero de
cambios relacionados con el libre mercado y el comportamiento e influencias del consumidor.
De un tiempo a esta parte, la principal tendencia en el consumo de vino es la fuerte cada de las
preferencias en el vino corriente, llamado tambin de mesa y el aumento, en el consumo de
vinos de calidad. Esto ltimo ha trado como consecuencia que se ha privilegiado la produccin
de las llamadas uvas clsicas, variedades de una alta calidad potencial, a lo que se le ha
acompaado de un progreso cualitativo importante en el proceso de esas uvas.
10

En otro mbito, el consumo pareciera que se est estabilizando en el mundo debido al

progreso cualitativo de los productos, provocando cambios en los consumidores, de habituales
a ocasionales pero ms exigentes; igualmente, cambia en los mercados emergentes el
concepto de vino que pasa de ser una bebida cultural al de bebida de placer. Esta materia no
est exenta de peligro, ya que se ha difundido un mensaje muy perjudicial, que hace una
relacin directa de vino = alcohol = droga, el que parece implantarse en Suiza, en Espaa y
tambin Francia, situacin que podra afectar el consumo y por ende al desarrollo futuro del
sector.
Como se ha sealado, la produccin, la demanda y los precios de los vinos de calidad
seguirn evolucionando en forma creciente en desmedro de los vinos corrientes. Se ha
constatado en 2001 el desmoronamiento de los precios del vino corriente, sin indicacin
geogrfica o de procedencia, en Espaa, Italia y Francia.
Si bien es cierto que el mercado mundial ha evolucionado en los ltimos aos hacia una
situacin de equilibrio, el ritmo desenfrenado de plantaciones en los pases del Nuevo Mundo
van a pesar en corto tiempo sobre la oferta mundial, exacerbando la competencia sobre el
escenario vitivincola mundial.
Chile por su parte, ha experimentado un especial desarrollo hacia los mercados externos,
sin embargo, debe volver a poner atencin en el consumidor local, ya que es necesario, por un
lado, un mercado interno fuerte para sostener el esfuerzo de la exportacin, y por otro,
estabilizar el consumo per cpita interno, para evitar que llegue a lmites peligrosos.
Competencia En El Mercado Mundial
Una encuesta realizada por Ernst & Young titulada Anlisis del Sector Competitivo y la
Estrategias de los 12 principales pases productores de vino en el Mundo, encargada por
ONIVINS de Francia,

que se desarroll en los 12 pases que presentan caractersticas

relativamente contrastadas y con perspectivas de desarrollo variables (Africa del Sur, Alemania,
Argentina, Australia, Chile, Espaa, Italia, Bulgaria, Hungra, Nueva Zelandia, Portugal, y los
EE.UU.), constata:

Una baja del consumo mundial que se aminora hacia el fin del siglo

El consumo del vino progresa en los mercados emergentes y cambia de forma en los
mercados maduros.

Consumidores cada vez ms exigentes de la calidad del producto, con un consumo

mundializado pero sin que sea uniformizado.

Una progresin consecuente de los intercambios mundiales en los ltimos diez aos.

Concentracin de la distribucin a nivel internacional, con polticas de marcas fuertes.

Marcas de distribuidores y marcas de empresas, no se sabe de quin ser la identidad.

Tendencia a nuevas formas de distribucin.

11

Preponderancia del sector del Nuevo Mundo en el crecimiento del potencial y tiempo de
latencia de los pases europeos tradicionalmente productores.

Posicionamiento de los vinos Premium, en adecuacin con el mercado.

Los consumidores estn cada vez ms atentos al origen de los productos que compran.
Situacin De Chile Como Pas Productor Y Consumidor De Vinos
Muchos pases que por razones de clima no son productores de uvas, son por el contrario

grandes consumidores de vinos, uvas frescas, mostos y pasas, es el caso de Inglaterra, los
pases Bajos y todo el norte de Europa.
Chile se encuentra en el lugar N 20 entre los consumidores de vino.
Nuestro pas posee gran cantidad de ventajas, entre las cuales destacan los productos
bsicos disponibles en abundancia en comparacin con los competidores (agua, tierra regadas,
clima etc.), la geografa del pas permite estaciones productivas ms larga que la mayora de
los competidores, cercanas de las zonas de produccin a los puertos lo que provoca menos
costos en el transporte. As como tambin desventajas o debilidades: costos de la mano de obra
no calificada, insuficiencia de infraestructura, tecnologa y de mercados lo que conduce a la
toma decisiones sub-ptima, baja inversin en investigacin y desarrollo deja a Chile
permanentemente atrasado en la mayora de sus rubros productivos, la demanda domstica es
muy dbil, no favorece el desarrollo de la industria, dbil organizacin de la industria dificulta
establecer programas de promocin y desarrollo tecnolgico, falta de prestigio o imagen, Chile
no es conocido como productor de calidad, no obstante esta realidad ha ido variando a medida
que transcurre el tiempo, Chile internacionalmente, sobre todo en materia de vinos es
reconocido como uno de los mejores. Cambio Previstos A Futuro Y De Que

Manera Afectaran

Al Sector Industrial.
En los ltimos aos el sector vitivincola con relacin al rea nacional es un mercado de
ms o menos 210 millones de litros anuales, donde las ventas de vino corriente representan
ms del 85% de las ventas totales del mercado. El consumo ha venido cayendo hasta llegar en
1996 a un consumo per cpita de tan slo 14.5 litros, esta cada se explica por la importancia
que comenzaron a tener otras bebidas alcohlicas y analcohlicas dentro del consumidor
chileno, como la cerveza, el pisco y otras bebidas gaseosas. El aumento en el consumo de
estas bebidas ha crecido fuertemente.
El pisco es considerado uno de los principales sustitutos del vino, lo que sin embargo se
ha visto en los ltimos aos, es que el consumo de pisco se ha mantenido constante y el vino
continua cayendo.

12

El vino ha dejado de ser, nacionalmente hablando, un producto de consumo masivo, para

transformarse en un producto de consumo selecto.
Se espera en un corto plazo que el aumento en los niveles de precio de las uvas eleven
los costos de produccin de forma importante ya que la uva representa cerca del 50% del costo
del vino. Esto afectara negativamente los mrgenes de operacin del mercado nacional y, por
ende la rentabilidad del negocio. Los altos precios de la uva obligara a incrementar los precios
durante el ao, lo que podra afectar los volmenes de venta de la industria en el mercado
domstico, aunque no en mayor grado por lo mencionado anteriormente en relacin a la
elasticidad.
Tambin en un corto plazo es posible esperar que los volmenes de venta de las
principales vias del pas se mantengan, sin embargo se cree, ya que no se tienen
estimaciones ciertas, que el consumo de vino del mercado informal; estara disminuyendo,
debido al auge exportador y a la gran competitividad que hay en la actualidad en el mercado de
las bebidas con y sin alcohol. Este mercado representa, segn estimaciones el 40% del
mercado nacional compuesto principalmente por una cantidad pequea de productores, que se
caracterizan por vender vino a escondidas sin factura con lo cual su precio de venta es
sustancialmente menor al de vias tradicionales, al no pagar el 18% de I.V.A y el 15% de
impuesto a las bebidas alcohlicas;
En lo que respecta al largo plazo, en materia de consumo, el vino corriente en el pas
debera continuar con su descenso hasta prcticamente desaparecer del mercado formal,
dejando este mercado al vino varietal, de mejor calidad y a un precio razonable. Sin embargo, el
vino corriente vendido en el mercado informal seguira existiendo, abasteciendo a un nmero
importante de consumidores, claro que con un volumen de venta menor al que se ve en la
actualidad.
Por ltimo en el largo plazo se espera que la situacin del mercado en trminos de
participantes sea un poco diferente. Actualmente adems de las grandes vias, existen en el
mbito local un sinnmero de pequeas y
medianas vias que compiten con las grandes del mercado local. Sin embargo se estima
que a futuro estas vias no podrn competir en el mercado domstico con las de mayor tamao,
estas ltimas debido a las grandes cantidades de vino que comercializan, obtienen importantes
economas a escala en costos, lo que les da una importante ventaja al competir en trminos de
precios, ante tal situacin, lo mas seguro es que las pequeas empresas tiendan a ser
absorbidas por las grandes vias o a especializarse en la elaboracin de vinos de calidad para
exportacin.
Si bien es cierto la sequa, podra considerarse daina para productos agrcolas, esto no
ocurre con las parras, ya que estas se ven beneficiadas por este fenmeno.

13

PLANTEAMIENTO DEL MODELO

Conocidos ya los planteamientos tericos y empricos que explican la demanda
individual por vino nacional, proponemos en este caso como variables explicatorias, a el precio
del vino, el ingreso bruto per cpita, el precio del pisco y el precio de la cerveza .
Estas variables sern analizadas primeramente en forma del un modelos de regresin
simple, para verificar su incidencia sobre el modelo y posteriormente en base a esta informacin
proponer un modelo de regresin lineal mltiple
D: variable explicada : cantidad demandada por vino per cpita anual (en litros)
V: variable explicatoria 1 : precio del vino embotellado ( en pesos reales a Junio 2002)
I : variable explicatoria 2 : ingreso bruto per cpita ( en pesos reales a Junio 2002)
C: variable explicatoria 3: precio de la cerveza individual en botella ( en pesos reales a
Junio 2002)
P: variable explicatoria 4 : precio del pisco en botella ( en pesos reales a Junio 2002)

14

ANALISIS DE LAS VARIABLES

D: Cantidad demandada per capita por Vino
Variable dependiente a analizar, los datos que se presentan corresponden a la cantidad
demandada per cpita por vino en Chile, realizada entre los aos 1970 y 2001. Los datos
fuerosn obtenidos del SAG.

Ao
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985

D
40,5
51,9
59
53,5
45,9
41,9
45,1
49,2
45,4
44,1
42,7
41,4
40,1
38,8
37,5
36,9

1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
Fuente

36
32
30
28
26
23
18
13
18
15
15,8
13,1
18,3
19
14,9
14,6
SAG

Tal como es posible observar en el grfico, la trayectoria de la serie de datos

correspondiente al consumo de vino , sigue una tendencia a la baja, la cual al final del periodo
tiende a estabilizarse.

Grfico: Lnea de tendencia del comportamiento

de la variable Cantidad demandada per cpita del Vino.

15

70

Consum o percapita

60
50
40
30
20
10

20
00

19
98

19
96

19
92
19
94

19
90

19
88

19
86

19
82
19
84

19
80

19
78

19
76

19
72
19
74

19
70

Aos

V: Precio del vino embotellado

El precio del vino corresponde a la primera variable explicatoria a analizar en le modelo,
variable importante a considerar dadas las exigencias de un modelos econmico.

Ao
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985

V
379,37
354,55
525,83
1104,29
765,32
654,7
937,09
886,88
1025
2051,49
2330,51
2338,53
1892,52
1489,83
1428,26
1485,12

1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
Fuente

1766,13
1690,97
817,63
587,4
590,7
908,35
1068,53
962,43
942,76
881,17
939,4
1024,51
1097,64
1669,01
1537,22
1492,54
INE

Como se observa en el grfico el precio del vino a lo largo de este perodo ha tenido un
comportamiento muy inestable, pero igual de esta forma se puede apreciar que tiene una
tendencia a alza.
Grfico: Lnea de tendencia del comportamiento
de la variable Precio del Vino.

16

2500

Precio del Vino

2000

1500

1000

500

20
00

19
98

19
96

19
94

19
92

19
90

19
88

19
86

19
84

19
82

19
80

19
78

19
76

19
74

19
72

19
70

Aos

I: Ingreso bruto per capita

Finalmente el ingreso bruto per cpita es la ultima variable a introducir en el modelo. En
tabla a continuacin se presenta los datos obtenidos en el Banco Central de Chile. Al igual
como en todas las series de datos estos fueron actualizados a valores reales de Julio del 2002.
.
Ao
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985

I
8,27
10,63
19,72
89,53
650,86
2.336,05
8.632,07
19.439,97
32.849,13
52.839,86
72.717,31
82.606,51
71.157,10
89.381,11
103.994,78
146.739,21

1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001

250.154
335.933
432.356
534.016
669.404
865.280
1.080.419
1.264.574
1.462.138
1.751.708
1.894.842
2.096.398
2.221.584
2.244.681
2.418.030
2.653.000

En el grafico se puede observar la tendencia creciente sostenida que se ha hecho muy

evidente despus del ao 1987, la leve cada que se manifiesta es por efecto de la crisis
econmica que ha afectado no slo a Chile en los ltimos aos.
Grfico: Lnea de tendencia del comportamiento
de la variable Ingreso bruto per cpita

17

3000000,00

Ingreso percapita

2500000,00

2000000,00

1500000,00

1000000,00

500000,00

00
20

96

19
98

94

19

19

90

19
92

19

19
88

84

19
8

19

80

19
82

19

78
19

74

72

19
7

19

19

19

70

0,00

Aos

C: Precio de la cerveza.
Los datos del precio de la cerveza son extrados del INE, pero estos fueron adaptados
para su homogeneidad en cuanto a que se considera el precio de una cerveza individual, en
pesos actuales y en base Junio del 2002.
Datos
Ao
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985

C
59.1978
53.5573
40.7284
6.8166
8.811
68.1288
70.7574
86.3335
103.4764
114.6881
112.5175
134.8327
119.8556
115.94
116.3565
123.4688

1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
Fuente

132.0862
139.8584
150.5213
152.618
152.7168
150.9122
171.8269
175.0381
185.8526
187.457
201.432
204.0092
217.3404
513.3607
495.5043
502.655
INE

Grfico: Lnea de tendencia del comportamiento

de la variable Precio de la Cerveza.

18

Precio de la Cerveza

600
500
400
300
200
100

2000

1998

1996

1994

1992

1990

1988

1986

1984

1982

1980

1978

1976

1974

1972

1970

Aos

P: Precio del pisco en botella

Como lo plantea el modelo econmico el precio de los sustitutos es una importante
variable analizar, entre ellos el pisco considerado como uno de los sustitutos del vino.
Ao
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985

P
1667
1722
960,3
968,8
1414
1042
1465
1496
1866
1932
2042
2540
2146
1697
1500
1292

1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
Fuente

1493
1831
1513
1239
1239
1339
1612
1462
1397
1346
1365
1330
1629
1727
1643
1374
INE

Si bien el precio del pisco ha sufrido de variaciones a lo largo del periodo, en le grfico
observamos que la serie de datos tom una forma horizontal.
Grfico: Lnea de tendencia del comportamiento
de la variable Precio del Pisco.

19

3000
2500
2000

1500
1000
500
0

A os

MODELO MATEMTICO
D = 1 2 * V 3 * I 4 * C 5 * P
MODELO ECONOMTRICO
Por teoras estadsticas , el modelo economtrico adecuado para estimar la
demanda queda expresado de la siguiente forma
D = 1 2 * V 3 * I 4 * C 5 * P t
Ahora bien dadas las caractersticas de la curva de demanda resulta muy ventajoso
linealizar el modelo antes planteado, a travs de la utilizacin del modelo Log = log. , con lo que
se permite calcular la estimacin de la elasticidad precio de la demanda en forma directa. (
), entonces aplicando logaritmo natural al modelo planteado se presenta de la siguiente forma

Ln D Ln 1 2 * Ln V 3 * Ln I 4 * Ln C 5 * Ln P t

PLANTEAMIENTOS DE LO SIGNOS A PRIORI

De acuerdo con las Teoras Econmicas y con el Modelo Economtrico anteriormente
expuestos, deberamos esperar las siguientes relaciones:

El Ingreso per cpita la suponemos como la variable que ms influye en la

determinacin del Consumo del Vino y, por ende, la que ms explica la variacin en
este Consumo. Adems, determinamos la existencia de una relacin directa, es decir: a
20

mayor Ingreso, mayor Consumo de Vino, y por ende, a menor Ingreso, menor
Consumo.

La relacin que esperamos con el Precio del Vino es inversa: a mayor precio, menor
Consumo de Vino, y viceversa. Por lo tanto, este debiera ser negativo.

Con el Precio de los Sustitutos esperamos que haya una relacin directa: a mayor
precio de los sustitutos, mayor consumo. Y a menor precio de los sustitutos, menor
consumo de Vino. Luego, este debiera ser positivo en P y C.

21

REGRESIONES LINEALES SIMPLES

A partir de los datos anteriormente expuestos y utilizando el mtodo de mnimos
cuadrados, es posible realizar regresiones lineales simples, Los clculos fueron realizados
utilizando el modelo log = log.
Anlisis del modelo de regresin entre el consumo per cpita de vino
y la variable precio del vino.(V)
Los datos del precio del vino son extrados de la fuente INE, de los cuales se
consideraron su IPC correspondiente a una botella de vino cuyo contenido es de 700cc los
cuales fueron adaptados para su homogeneidad, en pesos actuales y en base Junio del 2002.
Grfico de dispersin entre el consumo per-cpita y el precio del vino.
Grfico de dispersin
70

60

50

40

30

20

10

0
0

100

200

300

400

500

600

P rec io C erveza

Valores de los parmetros de este modelo simple de regresin.

Valor de :
y x 0.704887674
i 2 i

xi 7.267663992 -0.09698958

22

Ante el aumento de un peso en el precio del vino, el consumo per cpita del vino,
disminuir en 0.09698958 cc, como en este caso representa la elasticidad precio de la
demanda, podemos concluir que sta es inelstica por lo tanto las variaciones en el precio
frente a las variaciones en el consumo de vino no son tan determinantes,
Valor de
Y X 3.388515717 0.09698958 * 6.96337477 4.06389051

Ante un precio de vino igual a cero pesos, el consumo de vino per cpita ser de
4.06399051 cc.
Coeficiente de Determinacin:

R2

2 xi2 0.09698958 2 * 7.267663992

0.00967514
7.06622698
y i2

El precio del vino explica las variaciones del consumo per cpita del vino en un 0.96%.

Coeficiente de Correlacin:

yi xi

y i2 xi2

0.704887674
-0.0983623066
7.06622698 * 7.267663992

La relacin entre el precio del vino y el consumo per capita de este bien es lineal, dbil ya
que su porcentaje es de un 9.8% y negativa puesto que es menor a cero.
Varianza del Modelo

2
i

nk

2
i

2
i

6.99786022 0.4829720565

30
2 * xi2 7.06622698 ( 0.09698958) 2 * 7.267663992 6.99786022

Errores Estndar de la Estimacin

23

Se( )

Se( )

2
i

X i2
n x

3
i

0.4829720565
0.179153205
7.267663992

0.4829720565 1558.902486
1.250429
32 * 7.267663992

Una vez determinados los errores estndar tanto de como de , analizaremos la

significancia del intercepto y de la pendiente.
Prueba de la significancia de la pendiente y el intercepto a un 5 % nivel de
significacin.
Intercepto

H o : 0
H1 : 0
Tcal

4.063890507 0

3.249997
Se( )
1.250429

Ttabla t ( n k ,1 / 2 ) t ( 30; 0 , 975) 2.0422

Tcal Ttabla Tcal RR Ho se rechaza

De esta manera el intercepto es significativo con un 5% nivel de significacin
Pendiente

Ho : 0
H1 : 0
Tcal

0.0969895789 0

-0,51378
Se( )
0.1791532059

Ttabla t ( n k ,1 / 2 ) t ( 30; 0,975 ) 2.0422

Tcalc Ttabla Tcal RR Ho no se rechaza

De esta manera la pendiente no es significativa al 5% nds.
Intervalos de confianza
Para

24

 Tn k ;1 e / 2 * Se( ) al 95% n.d.c

4.06389051 2.0422 * 1.250429 al 95% n.d.c.
1.51017624;6.61760477 al 95 % n.d.c.
En el 95% de las veces el valor poblacional de
Para

se encontrar en este intervalo.

T( n k ;1 e / 2 ) * Se( ) al 95% n.d.c.

0.09698958 2.0422 * 0.1791532059 al 95 % n.d.c.

- 0.46286886;0.2688897

al 95 % n.d.c

En el 95% de las veces el valor poblacional de se encontrara en este intervalo

Para .

(n2)*2 2 (n2)*2
2 2
(nk;1e/2) (n ;ek /2)

al 95% n.d.c.

30*0.4829720565 2 30*0.4829720565

6.4 979 6.1 791
2

al 95% n.d.c.

0.1489571983;0.416762565 al 95% n.d.c.

En el 95 % de las veces el valor poblacional de 2 se encontrar en este intervalo.
25

Prueba de significancia estadstica del modelo utilizando un 5% n.d.s.

H0 : i 0
H1 : i 0
2 x i2 0.09698958 2 * 7.267663992
Fcalc

0.293089985
2
0.4829720565 2
Ftabla F( k 1, n k ;1 ) F(1, 30; 0, 95) 4.1708

Fcalc Ftabla Fcalc RR Ho no se rechaza

Lo que demuestra que el modelo no es significativo al 5% n.d.s.
Conclusin final Si bien en la prueba de significacin del modelo, este es no
significativo, la significacin de los parmetros por separado s lo son, ello justifica en conjunto
con la teora econmica, que esta variable debe ser considerada en el anlisis de regresin
lineal mltiple
Anlisis del modelo de regresin entre el consumo
per cpita de vino y la variable ingreso bruto per cpita(I)
Los datos del ingreso bruto per cpita en precios corrientes son extrados del Banco
Central, para efectos de este anlisis se considero la base de datos desde los aos 1970-2001

26

Grfico de dispersin entre el consumo per cpita de vino y el ingreso bruto per
cpita.

70

Consumo percapita de vino

60

50

40

30

20

10

0
0,00

500000,00

1000000,00

1500000,00

2000000,00

2500000,00

3000000,00

IBP en pesos

Valor de :

y x
x
i

2
i

- 43.288328
-0.0979842
441.78907

Ante el aumento de un peso en el ingreso bruto per cpita, el consumo de vino per
cpita disminuir en 0.0979842 cc. Gracias al valor de se puede deducir que el consumo de
vino per cpita es inelstico respecto al ingreso bruto per cpita, o sea, que un aumento o
disminucin significativa en el ingreso, no afecta en gran medida en el consumo de vino.
Valor de

Y X 3.38852 - - 0.979842 *11.1748 4.4834738

Ante un ingreso per cpita de cero pesos, el consumo de vino per cpita ser de
4.48347 cc, el intercepto en este caso es incoherente, ya que al no tener ingreso una persona
es ilgico que consuma vino y se debe ver si este es significativo o no.

Coeficiente de Determinacin
27

R =

2 * xi2

0.0096009 * 441.78907
= 0.60026
7.06622698

El PIB per cpita en miles de pesos explica las variaciones del consumo per cpita de vino
en un 60.026%.

Coeficiente de Correlacin

R=

y x
y * x
i

2
i

2
i

- 43.288328
7.06622698 * 441.78907 =

- 0.77476

La relacin entre el consumo per cpita de vino y el IPB en pesos es: lineal, medianamente
fuerte ya que su porcentaje es de un 77.47 % y negativa puesto que es menor a cero.

Varianza del Modelo

2
i

2.824657
= 0.306847
30

nk

2
i

2
i

2 * x i =
2

7.06622698 - 0.0096009 * 441.78907 =

2.824657

Errores Estndar de la Estimacin

Se(
)=

Se( ) =

X
n* x

2
i

2
i

xi2

21.01149
0.306847 * 4688.88216
=
= 0.176715
30 * 441.78907
118.90017

0.306847
9.3009
=
= 0.014599
441.78907 21.018779

28

Una vez determinado los errores estndar tanto de

como

de analizaremos la

significancia del intercepto y de la pendiente.

Prueba de significacin del intercepto y de la pendiente a un 5% de n.d.s

Intercepto
H0 : =0
H1: 0
Tcalc

4.4834738 0

=
= 25.37
Se
( )
0.176715

Ttabla ( n - k ; 1-e/ 2) =T (30; 0.975) =

2.0423

Tcalc Ttabla Tcalc R.R H 0 se rechaza, de esta manera el intercepto es altamente

significativa con un 5% nivel de significacin.

Pendiente
H0 : = 0
H 1:

0
Tcalc

= Se( ) =

- 0.0979842 0
= 6.712
0.014599

T tabla ( n- k ; 1-e/2) = T (39; 0.975) =

T calc Ttabla Tcalc R.R

2.0423

Ho se rechaza.

De esta manera podemos inferir, que es significativo al 5% de n.d.s.

Intervalos de Confianza
Para

(n k ; 1 e/2)

* Se (

al 95% de confianza.
29

 4.4834738 2.0423 * 0.176715 al 95% de nivel de confianza.

4.1226;4.8444

al 95 % de nivel de confianza.

En el 95 % de las veces se puede afirmar que el verdadero valor de

poblacional

se

encontrar en este intervalo.

Para

t ( n k ;1e / 2) * Se( )

al 95% de nivel de confianza.

- 0.0979842 2.0423 * 0.014599 al 95% de nivel de confianza.

0.127799; 0.068168

al 95% de nivel de confianza.

En el 95% de las veces se puede afirmar que el verdadero valor poblacional de la pendiente se
encuentra en este intervalo.
Para 2

(n2)* 2 (n2)*
2 2
( kn ;1e/2) (n ;eK /2)
2

al 95% de nivel de confianza.

2 30*0.3068472 2 30*0.3068472

6.4 979 6.1 791

al 95% de nivel de confianza.

0.06013;0.168224 al 95% de nivel de confianza.

30

Prueba de la significancia estadstica del modelo utilizando un 5% de nds.

H0 : i = 0
H1: i 0
Fcalc=

- 0.0979842 2 * 441.78907
= 45.0488
0.306847 2

Ftabla= F(n k ; k 1; e ) = F( 30;1 ; 0.05 ) = 4.17

Fcalc Ftabla

Fcalc a RR, H se rechaza .

0

De lo cual se deduce que demuestra que el modelo es altamente significativo, al 5% de nivel

de significancia.
Conclusin Parcial: Al analizar esta variable, podemos observar que esta es
significativa en el modelo de regresin simple entre el consumo per cpita de vino y el ingreso
bruto per cpita, ya que esta ltima, logra explicar en este modelo el 60.026% de las
variaciones del consumo per cpita de vino, por lo que consideramos que es una variable
adecuada para el modelo de regresin mltiple que hemos de proponer.

Anlisis del modelo de regresin simple entre el consumo

per cpita de vino y la variable precio de la cerveza
Grfico de dispersin entre el consumo per cpita de vino y el precio de la cerveza.

31

Grfico de Dispersin
70

Consumo percapita de vino

60

50

40

30

20

10

0
0

100

200

300

400

500

600

Precio Cerveza

Valores de los parmetros de este modelo simple de regresin.

Valor de :

y x
x
i

2
i

- 9.6778
-0.37105141
26.0821

Ante el aumento de un peso en el precio en la cerveza, la cantidad consumida per

cpita de vino disminuye en 0.37 cc, este descenso es insignificante, por lo cual esta
interpretacin es casi equivoca. Gracias al valor de podemos concluir que el consumo del
vino per cpita es inelstico con respecto al precio de la cerveza, o sea, que un aumento o
disminucin significativa del precio de la cerveza, no afecta en gran medida en el consumo de
vino. Esto porque consideramos que si bien la cerveza cumple con ser un bien sustituto del
vino, este no logra serlo perfectamente.

Valor de

Y X 3.3885 - (-0.37105141) * 4.7586 5.15418524

Ante un precio de la cerveza igual a cero pesos, el consumo de vino per cpita ser de
5.15418524 cc.

32

Coeficiente de Determinacin:

R2

2 x i2 (-0.37105058) 2 * 26.0821

0.50818366
7.0662
y i2

El modelo de regresin explica en un 50.,81% las variaciones del precio de la cerveza

sobre el consumo per cpita de vino.
Coeficiente de Correlacin:

y i xi

y i2

x i2

- 9.6778

7.0662 * 26.0821

0.71287002

La relacin entre el precio de la cerveza y el consumo per cpita de vino es lineal

medianamente fuerte y a su vez es negativa.
Varianza del Modelo

y i2 2 x i2

nk

7.0662 - (-0.37105058) 2 * 26.0821

0.34035696
30

Errores Estndar de la Estimacin

Se( )

Se( )

X i2
nx

2
i

2
i

0.34035696 260.7090
32 * 26.0821

0.34035696
26.0821

0.32279363

0.06664439

Una vez determinados los errores estndar tanto de como de , analizaremos la

significancia del intercepto y de la pendiente.

Prueba de la significancia de la pendiente y el intercepto a un 5 % nivel de

significacin.
Intercepto

33

H o : 0
H1 : 0

5.15421155

15.9675134
Se( ) 0.32279363
Ttabla t ( n k ,1 / 2) t ( 30;0,975) 2.0422
Tcal

Tcalc Ttabla Tcalc RR Ho se rechaza

Por lo tanto, un nivel de significancia de un 5% n.d.s se puede afirmar que el intercepto
es significativo
Pendiente

Ho : 0
H1 : 0

- 0.37105058

-5.56761888
0.06664439
Se( )
Ttabla t ( n k ,1 / 2 ) t ( 30;0, 975) 2.0422
Tcal

Tcalc Ttabla Ho RR Ho se rechaza

Por lo tanto, a un nivel de significancia del 5%, se puede concluir que la pendiente es
significativa, es decir, que existe relacin entre las variables.
Intervalo de confianza para el intercepto:

t ( n k ;1 / 2 ) Se( )
5.15421155 t (30;0.975) * 0.32279363
5.15421155 2.0422 * 0.32279363
4.4949797;5.8134434
En el 95% de las veces el verdadero valor poblacional del intercepto se encuentra entre el
intervalo 4.4949797;5.8134434 .
Intervalo de confianza para la pendiente:

34

t ( n k ;1 / 2 ) Se( )

- 0.37105058 2.0422 * 0.06664439

- 0.50715644;-0.23494471
En el 95% de las veces se puede afirmar que el verdadero valor poblacional de la
pendiente se encuentra entre el intervalo - 0.50715644;-0.23494471 .
Intervalo de confianza para el

( n 2) 2
( n 2) 2
2

2
X 2 ( n 2; / 2 )
X ( n 2;1 / 2 )

30 * 0.34035696 2
30 * 0.34035696 2
2

46.9724
16.7907

2 0.07398570 2 0.20697683
En el 95% de las veces se puede afirmar que el verdadero valor poblacional del 2 se
encuentra entre el intervalo

0.07398570

0.20697683 .

Prueba de significancia estadstica del modelo utilizando un 5% n.d.s.

H0 : i 0
H1 : i 0

2 xi2 (-0.37105058) 2 * 26.0821

30.99838
2
0.34035696 2
Ftabla F( k 1, n k ;1 ) F(1,30;0,95) 4.1708
Fcalc

Siendo la prueba Fcalc Ftabla , existe evidencia significativa para rechazar la hiptesis
nula. Por lo tanto, a un nivel de significancia del 5%, se puede afirmar que el modelo propuesto
es adecuado para explicar las variaciones causadas en el consumo per cpita de vino, a partir
de las variaciones del precio de la cerveza.
Conclusin Final :Al analizar esta variable, podemos observar que esta es significativa en
el modelo de regresin simple entre el consumo per cpita de vino y el precio de la cerveza, ya

35

que esta ltima, logra explicar en este modelo cerca del 51% de las variaciones del consumo
per cpita de vino, por lo que consideramos que es una variable adecuada para el modelo de
regresin mltiple que hemos de proponer.
Anlisis del modelo de regresin entre el consumo per cpita de vino
y la variable precio del pisco(P).
Grfico de dispersin entre el consumo per cpita de vino y el precio del pisco.

Grafico de Dispersin

1800

1600

1400

1200

1000

800

600

400

200

0
0

10

20

30

40

50

60

70

80

P rec io del pisc o (en $)

Valores de los parmetros de este modelo simple de regresin.

Para

yx 0,21884247 0,15402542
x 1,42082048

Ante un aumento de un peso en precio del pisco el consumo per cpita del vino,
aumentar en 0.15402542 cc. Gracias al valor de se puede deducir que el consumo de vino
per cpita es elstico respecto al precio del pisco, o sea, que ante un aumento o disminucin
porcentual del precio del pisco, afecta el consumo de vino, ya sea aumentndolo o
disminuyndolo respectivamente.
Valor de

= Y X 3.394210 0.15402542 * 7.317519 2.354626

36

Ante un precio de pisco igual a cero pesos, el consumo de vino per cpita ser de
4904385354 cc.
Coeficiente de Determinacin:

R2

2 x i2

(0,15402542) 2 1,42082048 0.0337073035

0,00467367
7,212170115
7.212170115

i2

El precio del pisco explica las variaciones del consumo per cpita del vino en un 0.46%

Coeficiente de Correlacin

y x
y x
i

2
i

0,21884247
0.21884247

0,06836425
7,212170115 1,42082048 3.20112465

2
i

.
La relacin entre el precio del pisco y el consumo per capita de este bien es lineal, dbil
ya que su porcentaje es de slo un 6.8% y positiva puesto que es mayor a cero

Varianza del Modelo

2 xi2

nk

7,212170115 - (0,15402542) 2 1,42082048

30

7.178462811
0,48916469
30

Errores Estndar de la estimacin

Se( )

Se( )

2
i

X
n x

2
i

2
i

0,48916469
0,41037935
1,42082048
0,48916469 1714,895672 20.25694516

3,00420358
6.742867
32 1,42082048

Una vez determinados los errores estndar tanto de como de , analizaremos la

significancia del intercepto y de la pendiente.

37

Prueba de la significancia de la pendiente y el intercepto a un 5 % nivel de

significacin.
Intercepto

H0 : 0

H1 : 0

Tcalt

2,26712612 - 0

0,7546513
Se( )
3,00420358

TTabla T( n k ;1 / 2 ) T( 30;0.975 ) 2.0423

Tcal Ttabla Tcal RR Ho no se rechaza

A un 5% n.d.s. El intercepto no es significativo

Pendiente
H0: i = 0
H1: i 0

Tcal = 0,15402542 - 0 0,37532449

0,41037935
Se( )
TTabla T( n k ;1 / 2 ) T( 30;0.975) 2.0423

Tcalc Ttabla Tcal RR Ho no se rechaza

De esta manera la pendiente no es significativa al 5% nds.
Intervalos de Confianza
Para

38

 t ( n k ;1 / 2 ) Se( )
2,26712612 2.0423 3,00420358
2.26712612 6.135484971
- 3,86826978;8,40252202 a un 95% n.d.c.
En el 95% de las veces el verdadero valor de

poblacional se encontrar en este

intervalo
Para

t ( n k ;1 / 2 ) Se( )

0,15402542 2.0423 0,41037935

0.15402542 0.838117746
- 0,68408015;0,99213099 a un 95% n.d.c.
En el 95% de las veces el valor poblacional de se encontrar en este intervalo.
Para

(n 2) 2
( n 2) 2
2

2
x (2n 2; / 2 )
x ( n 2;1 / 2 )

30(0,48916469) 2
30(0,48916469) 2
2

46.98
16.79

7.178462818
7.178462818
2

46.98
16.79

2 0.152798272 2 0.427543944

aun 95% n.d.c.

En el 95% de las veces el valor de 2 poblacional se encontar en este intervalo.

Prueba de significancia estadstica del modelo utilizando un 5% n.d.s.

39

H 0 : i = 0

H1 : i 0
2
2
Fcalc x i

0.15402542 2 *1,42082048 0.0337073035 0,14086848

(0,48916469) 2

0.239282094

FTabla F( k 1;n k :1 ) F(1;30;095 ) 4.171

Fcalc Ftabla Fcalc RR Ho se rechaza.

A un nivel de significacin del 5%, no existe evidencia para afirmar que el modelo de
regresin es significativo.
Conclusin final: Al analizar esta variable, podemos observar que esta no es
significativa en el modelo de regresin simple entre el consumo per cpita de vino y el precio
del pisco, ya que esta ltima, slo logra explicar en este modelo cerca del 0.46% de las
variaciones del consumo per cpita de vino, por lo que consideramos que no es una variable
adecuada para el modelo de regresin mltiple que hemos de proponer.
De acuerdo a la prueba de significancia del modelo, esta variable no explica el
comportamiento de la variable Y, y por lo tanto no puede ser considerada dentro del modelo de
regresin
CONCLUSIN

Dados los resultados de la regresin lineal simple, en el cual se han estudiado cada una
de las variables propuestas para nuestro modelo de regresin mltiple, dado los resultados que
se han obtenido de l y tomando en cuenta el marco terico de la demanda individual, el
modelo de regresin mltiple propuesto quedar definido por las siguientes variables:
D: variable explicada : demanda per cpita en litros por vino.
V: variable explicatoria 1 : precio del vino embotellado ( en pesos)
I: variable explicatoria 2 : ingreso bruto per cpita (en pesos)
C: variable explicatoria 3 : precio del la cerveza individual en botella (en pesos)

Por lo tanto, el modelo economtrico propuesto para determinar la demanda percapita

por vino en litros esta definida por:

40

Ln D 1 2 ln V 3 ln I 4 ln C i

MODELO REGRESIN MLTIPLE.

De acuerdo a la teora econmica, consideramos que el mejor y el ms adecuado de los
modelos es el siguiente:

ln D ln 1 2 ln P 3 ln I 4 ln C i
Donde las variables originales son:
D: Cantidad demandada por vino per cpita anual nacional (en litros).
V: Precio del vino por litro (pesos reales al 31 de Junio 2002).
I: Ingreso per cpita nacional (miles de pesos reales al 31 de Junio 2002).
C: Precio de la cerveza (en pesos reales al 31 de Junio 2002).
Cabe sealar que la nomenclatura utilizada para el desarrollo de este informe.
LNDEMANDAVI ln D , es decir, el logaritmo natural de la variable D.
41

LNPREVINO

ln V , es decir, el logaritmo natural de la variable V.

LNINGRESO

ln I , es decir, el logaritmo natural de la variable I.

LNPRECERV

ln C , es decir, el logaritmo natural de la variable C.

Verificacin de la no violacin de los supuestos MCO.

Supuestos MICO a analizar con respecto a multicolinealidad:
N de observaciones debe ser mayor que el nmero de regresiones.
Debe haber suficiente variabilidad en los valores que toman los regresores.
No hay relacin lineal exacta (es decir, no hay multicolinealidad) en los
regresores.
Estos supuestos estn estrechamente interrelacionados y se analizan en algunas
pruebas de deteccin de multicolinealidad.

Pruebas de deteccin de multicolinealidad

Uno de los supuestos del Modelo Clsico de Regresin Lineal, es que no existe
multicolinealidad entre las variables explicativas, las X. Interpretando en trminos generales, la
multicolinealidad se refiere a una situacin en la cual existe una relacin lineal exacta o
aproximadamente.
A continuacin realizaremos 3 pruebas para ver si existen indicios de multicolinealidad
severa.
Prueba Test a un nivel de significacin del 5%

R2= 0.274326 valor < 0.8. por lo tanto, al ser el R 2 bajo estamos bajo la ausencia de el
sntoma clsico de multicolinealidad, por lo tanto no es necesario realizar pruebas de
significancia para cada una de los coeficientes parciales de pendientes.

Prueba a travs de la matriz de correlacin

42

El resultado arrojado por EViews es el siguiente:

LNDEMANDAVI

LNINGRESO

LNPREVINO

LNPRECERV

1.000000
-0.774764
-0.098362
-0.712870

-0.774764
1.000000
0.512245
0.794759

-0.098362
0.512245
1.000000
0.340819

-0.712870
0.794759
0.340819
1.000000

LNDEMANDAVI
LNINGRESO
LNPREVINO
LNPRECERV

De acuerdo a esta prueba, si el valor del ndice de correlacin entre variables

independientes es mayor que 0.8, hay indicios de multicolinealidad severa en el modelo.
Ahora bien, los resultados arrojados en la matriz, indican que no existen valores
mayores que 0.8 entre variables independientes. Por lo tanto no existen indicios de
multicolinealidad severa.

Prueba de la regla de Klien

En esta prueba, el criterio de para determinar si estamos en presencia de multicolinealidad
severa, es el siguiente:

2
2
Si Ra R g Existe indicio de multicolinealidad severa.

Donde:

Ra2 : Coeficiente de determinacin auxiliar.

R g2 : Coeficiente de determinacin global.
1ra variable dependiente: LNPREVINO.
El resultado arrojado por EViews es el siguiente:

Dependent Variable: LNPREVINO

Method: Least Squares
Date: 11/07/02 Time: 10:56
Sample: 1970 2001
Included observations: 32
Variable
Coefficient
C
6.476246
LNINGRESO
0.084045
LNPRECERV
-0.094999

Std. Error
0.430251
0.033429
0.137582

t-Statistic
15.05224
2.514128
-0.690487

Prob.
0.0000
0.0177
0.4954
43

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.274326
0.224279
0.426451
5.273956
-16.55875
0.455883

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

6.963375
0.484191
1.222422
1.359835
5.481419
0.009567

2
2
Como observamos, el Ra 0.274326 , el cual es menor que R g 0.734698 .Por lo

anterior, no existen indicios de multicolinealidad severa.

2da variable dependiente: LNINGRESO.

El resultado arrojado por EViews es el siguiente:
Dependent Variable: LNINGRESO
Method: Least Squares
Date: 11/07/02 Time: 10:51
Sample: 1970 2001
Included observations: 32
Variable
Coefficient
C
-17.39432
LNPREVINO
2.129266
LNPRECERV
2.887862
R-squared
0.697561
Adjusted R-squared
0.676703
S.E. of regression
2.146482
Sum squared resid
133.6142
Log likelihood
-68.27356
Durbin-Watson stat
0.513229

Std. Error
t-Statistic
5.558548
-3.129293
0.846920
2.514128
0.447063
6.459629
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Prob.
0.0040
0.0177
0.0000
11.17485
3.775084
4.454597
4.592010
33.44358
0.000000

2
En este caso, tampoco existe indicio de multicolinealidad severa, dado que el R a
2
(0.697561), es menor que R g (0.734698).

3ra variable independiente: LNPRECERV.

44

El resultado arrojado por EViews es el siguiente:

Dependent Variable: LNPRECERV

Method: Least Squares
Date: 11/07/02 Time: 10:56
Sample: 1970 2001
Included observations: 32
Variable
Coefficient
C
3.661274
LNINGRESO
0.204294
LNPREVINO
-0.170260
R-squared
0.637600
Adjusted R-squared
0.612606
S.E. of regression
0.570908
Sum squared resid
9.452153
Log likelihood
-25.89414
Durbin-Watson stat
0.865192

Std. Error
t-Statistic
1.568942
2.333594
0.031626
6.459629
0.246580
-0.690487
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Prob.
0.0268
0.0000
0.4954
4.758639
0.917255
1.805884
1.943296
25.51099
0.000000

En esta regresin auxiliar, tampoco existe indicio de multicolinealidad severa, dado que
2
2
el R a (0.6376), es menor que el R g (0.734698).

Tomando en cuenta las tres pruebas realizadas, concluimos que no existen indicios de
multicolinealidad severa en nuestro modelo.

Verificacin de la no violacin de los supuestos MCO.

Supuestos MICO a analizar con respecto a heteroscedasticidad.

Para X dadas, la varianza de i es constante u homoscedstica.

Este supuesto est estrechamente interrelacionado y se analiza en algunas pruebas de

deteccin de heteroscedasticidad.
Pruebas de deteccin de heteroscedasticidad.
Uno de los supuestos importantes del Modelo Clsico de Regresin Lineal es que la
varianza de cada trmino de perturbacin, i , condicional al valor de las variables explicativas,
es algn nmero constante igual a 2 . Este es el supuesto de homocedasticidad.

45

Prueba del mtodo grfico.

El resultado arrojado por Eviews es el siguiente:
0.25
0.20

E I2

0.15
0.10
0.05
0.00
-500

-400

-300

-200

-100

Al observar este grfico, no podemos visualizar un patrn sistemtico que nos indique
indicios de heteroscedasticidad.
Prueba de White.
El criterio de esta prueba para determinar si hay indicios de heteroscedasticidad, es el
siguiente:

Si P-value (Obs*R-squared)>Nivel de Significancia (e) Hay heteroscedasticidad.

H 0 : No hay heteroscedasticidad.
H 1 : Hay heteroscedasticidad.
A un 5% de significancia.
White Heteroskedasticity Test:
F-statistic
Obs*R-squared

2.441335
15.98982

Probability
Probability

0.042360
0.067095

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 11/07/02 Time: 11:08
46

Sample: 1970 2001

Included observations: 32
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LNINGRESO
LNINGRESO^2
LNINGRESO*LNPREVINO
LNINGRESO*LNPRECERV
LNPREVINO
LNPREVINO^2
LNPREVINO*LNPRECERV
LNPRECERV
LNPRECERV^2

-8.274586
0.196491
0.003303
-0.014354
-0.041654
1.584635
-0.047820
-0.175129
0.783560
0.107876

4.339630
0.235752
0.005230
0.031112
0.036144
1.055107
0.066773
0.097122
0.625054
0.060604

-1.906749
0.833467
0.631549
-0.461372
-1.152439
1.501871
-0.716157
-1.803185
1.253588
1.780020

0.0697
0.4135
0.5342
0.6491
0.2615
0.1473
0.4814
0.0851
0.2232
0.0889

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.499682
0.295006
0.051751
0.058920
55.35107
2.421893

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

0.058584
0.061635
-2.834442
-2.376399
2.441335
0.042360

En este caso, el P-value(0.067095), es menor que e (0.05), por lo tanto, no existe

heteroscedasticidad. No se rechaza H0 a un 5% de significancia.
Verificacin de la no violacin de los supuestos MCO.
Supuestos MICO a analizar con respecto a autocorrelacin.
Para X dadas, no hay autocorrelacin en las perturbaciones
Este supuesto est estrechamente interrelacionado y se analiza en algunas pruebas de
deteccin de autocorrelacin.
Pruebas de deteccin de Autocorrelacin.
Cuando se viola el supuesto del MCRL, que los errores o perturbaciones, i ,
consideradas en el modelo de regresin poblacional son aleatorios o no correlacionados, surge
el problema de autocorrelacin o correlacin serial.
Prueba d de Durban y Watson.

En esta prueba, las hiptesis son las siguientes:

47

H 0 No autocorrelacin positiva.
H1 Autocorrelacin positiva.
Dependent Variable: LNDEMANDAVI
Method: Least Squares
Date: 11/20/02 Time: 16:18
Sample: 1970 2001
Included observations: 32
Variable
Coefficient
C
2.367346
LNINGRESO
-0.103577
LNPREVINO
0.381861
LNPRECERV
-0.100956
R-squared
0.734698
Adjusted R-squared
0.706273
S.E. of regression
0.258753
Sum squared resid
1.874681
Log likelihood
-0.009276
Durbin-Watson stat
0.605008

Std. Error
t-Statistic
0.774985
3.054698
0.022385
-4.627065
0.112672
3.389138
0.084163
-1.199540
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Prob.
0.0049
0.0001
0.0021
0.2404
3.388516
0.477434
0.250580
0.433797
25.84676
0.000000

Sean:

d 0.605 (n 32; k' 3)

d l 1.244
d u 1.650
Rechazar
H0

Indecisin

Indecisin

Rechazar
H0

A+

ANo rechazar Ho

d
0 0.605

2
1.244

1.650

4-

42.35

4
2.756

Segn la regla de decisin:

Rechazar H0 cuando 0 d d l .Hay evidencia de correlacin serial positiva de primer
orden, a un 5% de significancia.

48

Prueba del Mtodo Grfico.

El resultado arrojado por Eviews es el siguiente:

0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
70

75

80

85

90

95

00

RESID01

De acuerdo al grfico , observamos que los residuos no siguen un patrn sistemtico. Por
lo cul podemos concluir que no estamos en presencia de autocorrelacin.

49

Prueba LM de Breusch y Godfrey de orden 2.

Sean las hiptesis.

H 0 : 1 2 0 (No existe autocorrelacin).

H1 : 1 0 (Existe autocorrlacin).

El resultado arrojado por EViews es el siguiente:

Breusch-Godfrey Serial Correlation LM Test:

F-statistic
Obs*R-squared

10.98404
14.65514

Probability
Probability

0.000349
0.000657

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 11/07/02 Time: 11:28
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LNINGRESO
LNPREVINO
LNPRECERV

0.427503
0.002915
-0.066780
-0.000276

0.601688
0.017301
0.088380
0.065843

0.710507
0.168456
-0.755597
-0.004197

0.4837
0.8675
0.4567
0.9967

RESID(-1)
RESID(-2)

0.738550
-0.053538

0.195870
0.209051

3.770619
-0.256101

0.0008
0.7999

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.457973
0.353737
0.197691
1.016128
9.789756
1.801642

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

1.30E-15
0.245914
-0.236860
0.037966
4.393618
0.004945

Con respecto a esta prueba, n*R tiene un P-value igual a 0.000657, y a un 5% de

significancia, este P-value<e. Por lo tanto, concluimos que se rechaza la hiptesis nula, es decir,
el modelo presenta autocorrelacin. Por lo anterior, existe evidencia significativa para afirmar
50

que los dos coeficientes de los residuos rezagados RESID(-1) y RESID(-2) son distintos de
cero.

Prueba m de Durbin.
Las hiptesis en este caso son:

H 0 : 1 0 (No existe autocorrelacin de primer orden).

H1 : 1 0 (Existe autocorrelacin de primer orden).
El resultado arrojado por Eviews es el siguiente:

Breusch-Godfrey Serial Correlation LM Test:

F-statistic
Obs*R-squared

22.68767
14.61138

Probability
Probability

0.000058
0.000132

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LNINGRESO
LNPREVINO
LNPRECERV
RESID(-1)

0.440521
0.002256
-0.070176
0.003347
0.706594

0.589071
0.016811
0.085854
0.063183
0.148346

0.747823
0.134206
-0.817381
0.052967
4.763158

0.4610
0.8942
0.4209
0.9581
0.0001

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.456606
0.376103
0.194240
1.018691
9.749445
1.731313

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 11/07/02 Time: 11:29

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

1.30E-15
0.245914
-0.296840
-0.067819
5.671918
0.001902

Con respecto a esta prueba, n*R tiene un P-value igual a 0.000132, y a un 5% de

significancia, este P-value<e. Por lo tanto, concluimos que se rechaza la hiptesis nula, es decir,
el modelo presenta autocorrelacin. Por lo anterior, existe evidencia significativa para afirmar
que el coeficiente de los residuos rezagados es distintos de cero.

51

Medida Remedial para la Autocorrelacin

Ante la presencia, de autocorrelacin, en nuestro modelo mltiple propuesto,
procederemos a aplicar una medida remedial, la cual tiene como objetivo, subsanar esta
correlacin y en especfico, hacer de los estimadores MICO, estimadores eficientes.
Para la aplicacin de esta medida , es importante tener presente, la estructura de la
autocorrelacin, es decir, si nuestro es conocido o no. En nuestro caso, este ltimo es
desconocido, por lo cual, la aplicacin de la medida remedial adecuada, es el Procedimiento

t , permite
de dos etapas de Cochrane-Orcutt, el cual, mediante el uso de los residuales
conocer el valor estimado de nuestro desconocido.
Este valor de se ha estimado a partir de la regresin:

t t 1 v t
donde:

es nuestro coeficiente de correlacion esti

t son los residuales,
residuales rezagados en un periodo.

Como lo podremos ver en nuestra salida E-Views:

Dependent Variable: UEST
Method: Least Squares
Date: 11/20/02 Time: 14:21
Sample(adjusted): 1971 2001
Included observations: 31 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
Prob.
UEST_REZ
0.682329
0.136400
5.002397
0.0000
C
0.002792
0.032631
0.085574
0.9324
R-squared
0.463201 Mean dependent var
0.009772
52

Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.444691
0.181515
0.955480
9.945594
1.708782

S.D. dependent var

Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

0.243582
-0.512619
-0.420104
25.02398
0.000025

Nuestro estimado es igual a 0.682329, siendo UEST t y UEST _ REZ t 1 .

Como deducimos, el valor del coeficiente de UEST_REZ es el valor de nuestro

Una vez obtenido, nuestro estimador de se procede a efectuar la regresin de la
ecuacin en diferencia generalizada. Expresado este en:

( Ln D t Ln D t -1 ) Ln 1 (1 ) 2 ( Ln Vt Ln Vt -1 ) 3 ( Ln I t Ln I t -1 )
4 ( Ln C t Ln C t -1 ) ( t t 1 )
Donde, en nuestra salida E-Views,

( Ln D t Ln D t -1 ) YNUEVA ;
( Ln Vt Ln Vt -1 ) X 1NUEVA ;
( Ln I t Ln I t -1 ) X 2 NUEVA ;
( Ln C t Ln C t -1 ) X 3 NUEVA y

Ln 1 (1 ) C
Dependent Variable: YNUEVA
Method: Least Squares
Date: 11/20/02 Time: 14:30
Sample(adjusted): 1971 2001
Included observations: 31 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
X1NUEVA
0.090383
0.099559
0.907832
X2NUEVA
-0.173011
0.034169 -5.063379
X3NUEVA
0.028477
0.059085
0.481971
C
1.481099
0.249089
5.946058
R-squared
0.549336 Mean dependent var
Adjusted R-squared
0.499262 S.D. dependent var
S.E. of regression
0.144496 Akaike info criterion
Sum squared resid
0.563737 Schwarz criterion
Log likelihood
18.12381 F-statistic
Durbin-Watson stat
1.812275 Prob(F-statistic)

Prob.
0.3720
0.0000
0.6337
0.0000
1.050771
0.204198
-0.911213
-0.726183
10.97054
0.000069

Que puede ser expresado como:

( Ln D t Ln D t -1 ) 1.481099 0.090383 * ( Ln Vt Ln Vt -1 ) 0.173011 * ( Ln I t Ln I t -1 )

0.028477 * ( Ln C t Ln C t -1 ) ( t t 1 )

53

o en trminos de nuestra salida E-Views, en:

YNUEVA 1.481099 0.090383 * X 1NUEVA 0.173011 * X 2 NUEVA

0.028477 * X3NUEVA ( t t 1 )
Donde, este ser nuestro nuevo modelo, sin la presencia de autocorrelacin. Para
confirmar lo anteriormente dicho, realizaremos la prueba de Durbin-Watson.
Prueba de Durbin-Watson
H0: No existe autocorrelacin (positiva o negativa)
H|: Existe autocorrelacin (positiva o negativa)
A travs, del esquema hecho para el estadstico d de Durbin-Watson, con la informacin
provista por nuestra salida, podemos ver que nuestro estadstico d (1.812275) se encuentra en
la zona de no rechazo de la hiptesis nula, lo que es igual a afirmar que no existe evidencia de
autocorrelacin en nuestro nuevo modelo. Los valores de d l y du son respectivamente 1,229 y
1,65. Cabe recordar que el numero de observaciones de esta regresin es de 31 y que el
numero de variables explicatorias es igual a 3.

Zona
de
Indeci
sin

Rechaceze H0, Evidencia de Autocorrelacin positiva

1.229

1.65

No rechazece H0,
no evidencia de
autocorrelacin

Zona
de
Indeci
sin

2.35

Rechaceze H0, Evidencia de Autocorrelacin negativa

2.771

Durbin-Watson Stat = 1.812275

Ahora bien, pasaremos a ratificar esto, con las pruebas de Breusch y Godfrey.

Prueba LM de Breusch y Godfrey

Prueba LM de Breusch y Godfrey, de orden 2:
H0: 1=2= 0 (el modelo no presenta autocorrelacin de segundo orden)
H1: 12 0 (el modelo presenta autocorrelacin de segundo orden)

54

Breusch-Godfrey Serial Correlation LM Test:

F-statistic
Obs*R-squared

0.390794
0.939787

Probability
Probability

0.680580
0.625069

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 10/29/02 Time: 20:56
Variable

Coefficient

Std. Error

t-Statistic

Prob.

X1NUEVA
X2NUEVA
X3NUEVA
C
RESID(-1)
RESID(-2)

-0.015684
0.003905
-0.007685
0.030146
0.082291
0.163979

0.103727
0.035587
0.062478
0.257940
0.205945
0.210994

-0.151201
0.109745
-0.123004
0.116871
0.399578
0.777172

0.8810
0.9135
0.9031
0.9079
0.6929
0.4443

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.030316
-0.163621
0.147871
0.546647
18.60097
1.979282

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

1.79E-16
0.137081
-0.812966
-0.535420
0.156317
0.976089

Respecto a la prueba de Breusch y Godfrey, ObsxR-squeared (n*R 2), presenta un pvalue igual a 0.625069, y trabajando con un nivel se significancia del 5%, este p-value > e. De
esto concluimos que no se rechaza la hiptesis nula (el modelo no presenta autocorrelacin).
Por lo anterior, existe evidencia significativa para afirmar que los dos coeficientes de los
residuos rezagados RESID(-1) y RESID(-2) son iguales son 0.

Prueba m de Durbin:
H0: 1= 0 (el modelo no presenta autocorrelacin de primer orden)

55

H1: 1 0 (el modelo presenta autocorrelacin de primer orden)

Breusch-Godfrey Serial Correlation LM Test:

F-statistic
Obs*R-squared

0.180338
0.213537

Probability
Probability

0.674577
0.644009

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 10/29/02 Time: 21:00
Variable

Coefficient

Std. Error

t-Statistic

Prob.

X1NUEVA
X2NUEVA
X3NUEVA
C
RESID(-1)

-0.006532
0.002710
-0.006603
0.014189
0.086755

0.102269
0.035282
0.061985
0.255156
0.204291

-0.063871
0.076813
-0.106522
0.055609
0.424662

0.9496
0.9394
0.9160
0.9561
0.6746

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.006888
-0.145898
0.146741
0.559854
18.23095
2.004793

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

1.79E-16
0.137081
-0.853609
-0.622321
0.045085
0.995913

Respecto a la prueba m de Durbin (Breusch y Godfrey de orden 1), ObsxR-squeared

2

(n*R ), presenta un p-value igual a 0.644009, y trabajando con un nivel se significancia del 5%,
este p-value > e. De esto concluimos que no se rechaza la hiptesis nula (el modelo no
presenta autocorrelacin). Por lo anterior, existe evidencia significativa para afirmar que el
coeficiente de los residuos rezagados RESID(-1), es igual a 0.
Por lo tanto, tras la aplicacin de estas pruebas sobre la existencia de autocorrelacin
en nuestro nuevo modelo, podemos afirmar que no existen indicios de que esta existiera en
nuestro nuevo modelo dado por:

( Ln D t Ln D t -1 ) 1.481099 0.090383 * ( Ln Vt Ln Vt -1 ) 0.173011 * ( Ln I t Ln I t -1 )

0.028477 * ( Ln C t Ln C t -1 ) ( t t 1 )
56

Comprobado esto, es necesario tambin aclarar, que la aplicacin de la prueba de

Cochrane-Orcutt como medida remedial para la autocorrelacin, y en s, la estimacion de un
nuevo modelo, no altera las condiciones del modelo original:

Ln D ln 1 2 * Ln V 3 * Ln I 4 * Ln V
En cuanto a la no violacin de los supuestos MICO referentes a la multicolinealidad
severa y a la heteroscedasticidad, podemos deducir que este nuevo modelo, no presenta tales
problemas.
Significancia estadstica de cada coeficiente estimado y para el modelo
El anlisis de la significancia estadstica en el programa E-Views, se puede llevar a
cabo a travs del valor que tome el p-value para cada parmetro estimado.

Para el caso de Ln 1 (1 ) :

H 0 : Ln 1 (1 ) 0 ; el intercepto del modelo no es significativo.

H 0 : Ln 1 (1 ) 0 ; el intercepto del modelo es significativo
Sabemos que el p-value ( 1 (1 ) ) = 0,0000 , que representa la mnima probabilidad
para rechazar nuestra hiptesis nula, o sea, 0%. Si trabajamos a un nivel de significancia del
5%, el p-value ( 1 (1 ) ) < e, lo que nos indica que el intercepto es estadsticamente
significativo.

Para el caso de 2 :

H 0 : 2 0 ; la pendiente de ( Ln Vt Ln Vt -1 ) no es significativa.
H 0 : 2 0 ; la pendiente de ( Ln Vt Ln Vt -1 ) es significativa.
Sabemos que el p-value ( 2 ) = 0,3720 , que representa la mnima probabilidad para
rechazar nuestra hiptesis nula, o sea, 37,20%. Si trabajamos a un nivel de significancia del
5%, el p-value ( 2 ) > e, lo que nos indica que la pendiente de ( Ln Vt Ln Vt -1 ) no es
estadsticamente significativa.

57

- Para el caso de 3 :

H 0 : 3 0 ; la pendiente de ( Ln I t Ln I t -1 ) no es significativa.
H 0 : 3 0 ; la pendiente de ( Ln I t Ln I t -1 ) es significativa.
Sabemos que el p-value ( 3 ) = 0,0000 , que representa la mnima probabilidad para
rechazar nuestra hiptesis nula, o sea, 0%. Si trabajamos a un nivel de significancia del 5%, el
p-value ( 3 ) < e, lo que nos indica que la pendiente de ( Ln I t Ln I t -1 ) es
estadsticamente significativa.

- Para el caso de 4 :

H 0 : 4 0 ; la pendiente de ( Ln C t Ln C t -1 ) no es significativa.
H 0 : 4 0 ; la pendiente de ( Ln C t Ln C t -1 ) es significativa.
Sabemos que el p-value ( 4 ) = 0,6337 , que representa la mnima probabilidad para
rechazar nuestra hiptesis nula, o sea, 63.37%. Si trabajamos a un nivel de significancia del
5%, el p-value ( 4 ) > e, lo que nos indica que la pendiente de ( Ln C t Ln C t -1 ) no es
estadsticamente significativa.
-

Prueba de significancia estadstica para el modelo de regresin:

H 0 : i 0 ; el modelo de regresin no es estadisticamente significativo.

H 0 : i 0 ; el modelo de regresion es estadisticamente significativo.
Sabemos que el p-value del modelo (Prob(F-statistic)) = 0,000069 , que representa la
mnima probabilidad para rechazar nuestra hiptesis nula, o sea, 0%. Si trabajamos a un nivel
de significancia del 5%, el p-value (modelo) < e, lo que nos indica que el modelo de regresin
en primera diferencia generalizada es estadsticamente significativo.
58

Coeficiente de Determinacin

R 2 R squared 0,549336 54,93%

Esto quiere decir que el modelo de regresin explica en un 54,93% las variaciones que
de la variable independiente, en este caso, ( Ln D t Ln D t -1 ) .
OBTENCIN DEL MODELO OPTIMO PARA PREDECIR
El nuevo modelo obtenido mediante la aplicacin del mtodo remedial Cochrane-Orcutt,
a saber, el de diferencia generalizada, dado por:

( Ln D t Ln D t -1 ) 1.481099 0.090383 * ( Ln Vt Ln Vt -1 ) 0.173011 * ( Ln I t Ln I t -1 )

0.028477 * ( Ln C t Ln C t -1 ) ( t t 1 )
No nos sirve para poder predecir la demanda per capita de vino (en cc), como tambin,
no nos sirve para poder interpretar el significado de sus coeficientes, por lo cual, es necesario,
llevar este modelo a uno donde nos sea posible llevar a cabo estos dos objetivos.
Para conseguir esto, debemos primero despejar los coeficientes de cada variable
explicativa, como tambin nuestro intercepto. En el caso de este ltimo, sabemos que:

Ln 1 Ln1 (1 ), donde Ln1 4.662368

y para el resto sabemos que:

2 2 (1 ), donde 2 0.284518
3 3 (1 ), donde 3 -0.5446232

4 4 (1 ), donde 4 0.089643
Ahora, procedemos a configurar aquella regresin que nos permita predecir, para esto,
se integra la serie en primera diferencia generalizada, la cual se presenta abajo como:

Ln D t 4.662368 0.284518 * Ln Vt 0.5446232 * Ln I t 0.089643 * Ln C t

59

En donde podemos ver que el coeficiente de la variable dependiente Ln V t (precio del

vino) se interpretar de la siguiente manera: Ante un cambio en el precio del vino embotellado
de un periodo a otro la demanda de vino cambiara porcentualmente en un 0.284518 de un
periodo a otro, manteniendo lo dems constante.
Es asi como ante un cambio de la variable dependiente Ln I t (ingreso bruto per capita en
miles de pesos) la demanda de vino disminuir porcentualmente en un 0.5445 de un periodo a
otro,. Manteniendo lo dems constante.
Y por ltimo tenemos Ln C t (precio de la cerveza) ante un cambio en el precio de la
cerveza individual en botella de un periodo a otro la demanda de vino aumentara en un 0.0896
% de un periodo a otro.

60

61

Clculo de la Reajustabilidad de valores usando la variacin del IPC

Para calcular el reajuste y mantener el poder adquisitivo de una cantidad de dinero entre
dos fechas determinadas se procede, utilizando la variacin del IPC, a travs del siguiente
mtodo:
Frmula:

Valorareaj ustar * var iacinIPC (acumulado)

100

Valora Re ajustar Valor Re ajustado

La variacin de IPC acumulada es base se datos que se obtiene en le INE, en este caso se
hcieron todos los reajustes hasta Julio del 2002

Equivalencia Monetaria
Para convertir escudos a pesos actuales dividimos por 1000.
Ejemplo: E 120000:1000= $120 (actuales)

62