Вы находитесь на странице: 1из 21

UAGRM

FACULTAD DE CIENCIAS
ECONOMICAS ADMINISTRATIVAS
Y FINANCIERAS

CARRERA

TRABA
JO GRUPAL DE INVESTIGACIÓN DE ECONOMETRÍA
EXPORTACION DE TRIGO

MATERIA : ECONOMETRIA
DOCENTE : Lic. Johnny Hinojosa Carrillo

INTEGRANTES: MIOLETH HERRERA CEREZO 217075762


ADRIANA GARCIA BURGOS 216020360

Grupo: C1

Santa Cruz – Bolivia


2017
EXPORTACION DE TRIGO

OBJETIVO GENERAL:
El objetivo general es adaptar y dar a conocer mediante el programador el modelo
lineal utilizando multicolinealidad, heterocedasticidad y autocorrelacion la
exportación del grano de TRIGO y a la vez su importancia en la resolución de
problemas referentes a variables internas y externas que afectan a cualquier
unidad en el campo que se desenvuelven permitiendo un resultado correcto
basados en información valida y fiable de dicha exportación.
OBJETIVO ESPECIFICO:
 Definir la investigación sobre las exportaciones del grano de TRIGO y el
papel que desempeña en los distintos modelos de regresión múltiple
 Desarrollar cada una de los submodelos que tiene el modelo lineal para dar
a conocer los resultados más exactos y precisos para la aplicación de las
decisiones
 Otorgar a las personas datos metodológicos sobre las exportaciones de
grano de TRIGO con la aplicación de los métodos con el programador
 Aplicar el diseño practico de los distintos modelos a las exportaciones de
grano de TRIGO
 Recuperar los resultados obtenidos de la exportación de banano para darle
a conocer

2
MARCO TEORICO:
Para el presente trabajo se utilizó programadores para verificar su autentificación
de las exportaciones y ver si es factible el realizar el negocio con el producto que
viene a ser el grano de TRIGO por nuestro país.
Para una mejor comprensión, antes de realizar el trabajo con el programador se
explica brevemente los puntos a utilizar de forma teórica.

ANALISIS DE REGRESION MULTIPLE


El análisis de regresión múltiple se usa para probar hipótesis acerca de la relación
entre una variable dependiente “Y” y dos o más variables independientes “X”.
El modelo de regresión lineal de tres variables o regresión lineal múltiple puede
escribirse como:

�=ββ̂1+�β̂2�2+�β̂3�3+�β̂4�4+�β̂5�5+�β̂6�6

 MODELO LINEAL. - Para nuestro trabajo se realiza el modelo lineal


porque de los 4 modelos que existe para calcular su confiabilidad en la
toma de decisiones.
Después del estudio realizado con los 4 modelos que existen se recurrió al
MODELO LINEAL ya que este modelo nos muestra que su COEFICIENTE
DE DETERMINACION ES DEL 70%, lo cual es el nivel más alto de relación
entre nuestras variables a estudiar.

 MULTICOLINEALIDAD. - Según la teoría de multicolinealidad nos dice que


se utiliza cuando dos o más variables independientes tienden a seguir
juntas en el mismo patrón.
Para nuestro caso es efectivo usar este método de multicolinealidad.

 AUTOCORRELACION. - La presencia de la autocorrelacion se puede


probar calculando con el estadístico DURBIN – WATSON.
Uno de los supuestos del modelo clásico de mínimos cuadrados
establecido es que los términos de error son obtenidos
independientemente uno del otro.

 HETEROCEDASTICIDAD. - Nos dice que la existencia de


heterocedasticidad puede presentarse frecuentemente en los datos de una
muestra representativa.

3
el principal efecto de la heterocedasticidad no está en el sesgo del
coeficiente estimado de regresión, sino en la eficiencia: la varianza del
coeficiente estimado de regresión
EXPORTACION DEL GRANO DE TRIGO

DEMAND PESO PESO


A DEL BRUTO NETO VALOR SUPERFICIE
AÑOS CULTIVADA TENDENCIA
GRANO (KG.) (KG.) FOB ($US)
DE TRIGO
2005 1.800 6.080 6.080 17.180 15.807 1
2006 2.500 125 120 360 17.482 2
2007 3.000 2.084 2.010 5.736 17.691 3
2008 1.750 39.994 38.280 34.617 17.177 4
2009 4.500 6.761 6.466 22.042 16.727 5
2010 3.050 9.052 8.579 32.447 16.502 6
2011 4.800 2.595 2.410 8.778 16.375 7
2012 3.010 2.447 2.223 10.580 16.816 8
2013 4.200 950 910 4.003 16.607 9
2014 3.900 756 730 3.430 17.114 10
2015 4.560 41 40 302 17.492 11
2016 5.000 4.875 3.963 34.507 17.502 12

Donde:
Y: es la demanda de grano de trigo
X2: peso bruto en kg
X3: peso neto en kg
X4: superficie del cultivo
X5: tendencia

4
APLICANDO EL MODELO GENERAL MODELO LINEAL

�=ββ̂1+�β̂2�2+�β̂3�3+�β̂4�4+�β̂5�5+�β̂6�6

�=4769,54+0,86�2−0,93 �3+0,0009�4−0,14�5+184,11�6

�(�β̂)= (12.217) (2,71) (2,80) (0,05) (0,69) (104,74)

�(�β̂)= (0,39) (0,32) (−0,33) (0,02) (−0,20) (1,76)

R212.3456 =0,016 R213.2456=0,018 R214.23456=0,00005


R215.2346=0,006 R216.2345=0,34

�2=0,70 �̅2=0,45 �=2,78

INTERPRETACION PARA EL MODELO LINEAL


INTERPRETACION DE LOS �β̂

�β̂2 = 0,86nos indica que cuando el peso bruto(kg) del grano de trigo se incrementa
en 1%, entonces la demanda del grano de trigo se incrementara en 0,86
manteniendo constante X3, X4, X5, X6.

�β̂3 = -0,93 nos indica que cuando el peso neto(kg) del grano de trigo se
incrementa en 1%, entonces la demanda del grano de trigo disminuirá en
0,93manteniendo constante X2, X4, X5, X6.

�β̂4 =0,009 nos indica que cuando el valor FOB($US) del grano de trigo aumenta
en 1$us, entonces la demanda del grano de trigo incrementa en 0,0009
manteniendo constante X2, X3, X5, X6.

�β̂5 = -0,14 nos indica que cuando la superficie de cultivo del grano de trigo se
incrementa en 1%, entonces la demanda del grano de trigo disminuirá en 0,14
manteniendo constante X2, X3, X4, X6.

�β̂6 = 184,11 durante el periodo 2005 al 2016 la demanda del grano de trigo
incremento en 184,11 manteniendo constante X2, X3, X4, X5.

APLICANDO EL MODELO LOG-LOG

Ln�=Inββ̂1+�β̂2In�2+�β̂3In�3+�β̂4In�4+�β̂5In�5+�β̂6In�6

ln�=ln15.36664+1.18453ln�2−1.00359ln�3-0.20823ln�4-0.76348ln�5+0.38806�6

�(�β̂)= (5.23911) (2.01107) (1,80964) (0,38908) (0,49141) (0,14012)

5
�(�β̂)= (2,93306) (0,58900) (−0,55458) (0,53519) (−1,55366) (2,76946)

R212.3456 =0,05467 R213.2456=0,04876 R214.23456=0,04556


R215.2346=0,28689 R216.2345=0,56108

�2=0,82 �̅2=0,68 �=5,59

INTERPRETACION PARA EL MODELO LOG-LOG


INTERPRETACION DE LOS �β̂

�β̂2 = 1.18453 nos indica que cuando el peso bruto(kg) del grano de trigo se
incrementa en 1%, entonces la demanda del grano de trigo se incrementara en
1.18 manteniendo constante X3, X4, X5, X6.

�β̂3 = -1.00359 nos indica que cuando el peso neto(kg) del grano de trigo se
incrementa en 1%, entonces la demanda del grano de trigo disminuirá en
1.00359manteniendo constante X2, X4, X5, X6.

�β̂4 =-0.20823 nos indica que cuando el valor FOB($US) del grano de trigo
aumenta en 1$us, entonces la demanda del grano de trigo disminuye en 0.21
manteniendo constante X2, X3, X5, X6.

�β̂5 = -0.76348 nos indica que cuando la superficie de cultivo del grano de trigo se
incrementa en 1%, entonces la demanda del grano de trigo disminuirá en 0,76
manteniendo constante X2, X3, X4, X6.

�β̂6 = 0.38806 durante el periodo 2005 al 2016 la demanda del grano de trigo
incremento en 0.39 manteniendo constante X2, X3, X4, X5.

APLICANDO EL MODELO LOG-LIN

Ln�=Inββ̂1+X2InB2+X3InB3+X4InB4+X5InB5+X6InB6

ln�=ln10,97140+ln1,96241�2−ln0,00187�3-ln0,00006�4-ln0,00018�5+ln0,05532�6

�(�β̂)= (2.40872) (0,00148) (0,00138) (0,00005) (0,00014) (0,02671)

�(�β̂)= (4,55478) (1,34616) (−1,35082) (-1,26557) (-1,32974) (2,07131)

R212.3456 =0,23196 R213.2456=0,23320 R214.23456=0,21070


R215.2346=0,22762 R216.2345=0,41692

�2=0,79 �̅2=0,62 �=4.63

6
INTERPRETACION PARA EL MODELO LOG-LIN
INTERPRETACION DE LOS �β̂

�β̂2 = 196.24 nos indica que cuando el peso bruto(kg) del grano de trigo se
incrementa en 1%, entonces la demanda del grano de trigo se incrementara en
196 manteniendo constante X3, X4, X5, X6.

�β̂3 = -100.359 nos indica que cuando el peso neto(kg) del grano de trigo se
incrementa en 1%, entonces la demanda del grano de trigo disminuirá en 100
manteniendo constante X2, X4, X5, X6.

�β̂4 = -0.006nos indica que cuando el valor FOB($US) del grano de trigo aumenta
en 1$us, entonces la demanda del grano de trigo disminuye en 0.006 manteniendo
constante X2, X3, X5, X6.

�β̂5 = -0.18 nos indica que cuando la superficie de cultivo del grano de trigo se
incrementa en 1%, entonces la demanda del grano de trigo disminuirá en 18
manteniendo constante X2, X3, X4, X6.

�β̂6 = 38.806 durante el periodo 2005 al 2016 la demanda del grano de trigo
incremento en 38.8 manteniendo constante X2, X3, X4, X5.

APLICANDO EL MODELO LIN-LOG

Ln�=Inββ̂1+�β̂2In�2+�β̂3In�3+�β̂4In�4+�β̂5In�5+�β̂6In�6

�=ln18752.85939+3244.13777ln�2−3068.72958ln�3-
219.16410ln�4-1688.90367ln�5+1061.15167�6

(�β̂)= (19495.81035) (7483.62094) (6734.05189) (1447.83110) (1828.62388) (521.42491)

�(�β̂)= (0.96189) (0.43350) (-0.45570) (-0.15137) (-0.92359) (2.03510)

R212.3456 =0.03037 R213.2456=0,03345 R214.23456=0,00380


R215.2346=0.12447 R216.2345=0.40838

�2=0,75 �̅2=0,54 �=3.59

7
INTERPRETACION PARA EL MODELO LIN-LOG
INTERPRETACION DE LOS �β̂

�β̂2 =+32.4413nos indica que cuando el peso bruto(kg) del grano de trigo se
incrementa en 1%, entonces la demanda del grano de trigo se incrementara en
32.4 manteniendo constante X3, X4, X5, X6.

�β̂3 = -30.68710 nos indica que cuando el peso neto(kg) del grano de trigo se
incrementa en 1%, entonces la demanda del grano de trigo disminuirá en 30.7
manteniendo constante X2, X4, X5, X6.

�β̂4 = -2.19164 nos indica que cuando el valor FOB($US) del grano de trigo
aumenta en 1$us, entonces la demanda del grano de trigo disminuye en 2.19
manteniendo constante X2, X3, X5, X6.

�β̂5 = -16.88904 nos indica que cuando la superficie de cultivo del grano de trigo se
incrementa en 1%, entonces la demanda del grano de trigo disminuirá en 16.89
manteniendo constante X2, X3, X4, X6.

�β̂6 = 10.61152 durante el periodo 2005 al 2016 la demanda del grano de trigo
incremento en 10.6 manteniendo constante X2, X3, X4, X5.

INTERVALO DE CONFIANZA PARA �β̂ �


� [�β̂2 −�2�; �−𝐾�(�β̂2) ≤�2≤�β̂2+�2�; �−𝐾�(�β̂2)]=1−∝
� [0,86−2,447(2,71) ≤�2≤0,86+2,2447(2,71)]=0,95
� [−5,77≤�2≤5,92]=0,95

INTERVALO DE CONFIANZA PARA �β̂ �


� [�β̂3−�2�; �−𝐾�(�β̂3) ≤�3≤�β̂3+�2�; �−𝐾�(�β̂3)]=1−∝
� [−0,93−2,447(2,80) ≤�3≤−0,93+2,447(2,80)]=0,95
� [−7,78≤�3≤5,92]=0,95

INTERVALO DE CONFIANZA PARA �β̂ �


� [�β̂4−�2�; �−𝐾�(�β̂4) ≤�4≤�β̂4+�2�; �−𝐾�(�β̂4)]=1−∝
� [0,0009−2,447(0,05) ≤�4≤0,0009+2,447(0,05)]=0,95
� [−0,12≤�4≤0,12]=0,95

8
INTERVALO DE CONFIANZA PARA �β̂ �
� [�β̂5−�2�; �−𝐾�(�β̂5) ≤�5≤�β̂5+�2�; �−𝐾�(�β̂5)]=1−∝
� [−0,14−2,447(0,69) ≤�5≤−0,14+2,447(0,69)]=0,95
� [−1,83≤�5≤1,55]=0,95

INTERVALO DE CONFIANZA PARA �β̂ �


� [�β̂6−�2�; �−𝐾�(�β̂6) ≤�6≤�β̂6+�2�; �−𝐾�(�β̂6)]=1−∝
� [184,11−2,447(104,74) ≤�6≤184,11+2,447(104,74)]=0,95
� [−72,19≤�6≤440,41]=0,95

PRUEBA DE HIPOTESIS PARA �β̂�


1) PLANTEAMIENTO DE LA HIPOTESIS
H0: �β̂2≤ 0 no es significativo
H1: �β̂2>0 es significativo
2) NIVEL DE SIGNIFICACION
∝ = 0,05
3) REGIONES DE RECHAZO Y ACEPTACION

4) PRUEBA ESTADISTICO
tc= 0,32
5) CONCLUSION
No es significativo el peso bruto (kg) en este modelo.

9
PRUEBA DE HIPOTESIS PARA�β̂ �
1) PANTEAMIENTO DE LA HIPOTESIS
H0: �β̂3≥0 no es significativo
H1: �β̂3<0 es significativo
2) NIVEL DE SIGNIFICACION
∝=0,05
3) REGIONES DE RECHAZO Y ACEPTACION

4) PRUEBA ESTADISTICO

tc = -0,33

5) CONCLUSION
No es significativo el peso neto (kg) en este modelo.

PRUEBA DE HIPOTESIS PARA �β̂�

1) PLANTEAMIENTO DE LA HIPOTESIS
H0: �β̂4≤0 no es significativo
H1: �β̂4>0 es significativo

2) NIVEL DE SIGNIFICACION
∝=0,05

3) REGIONES DE RECHAZO Y ACEPTACION

0 0,02 1,943

10
4) PRUEBA ESTADISTICO
tc = -0,33

5) CONCLUSION
No es significativo el peso neto (kg) en este modelo.

PRUEBA DE HIPOTESIS PARA �β̂�

1) PLANTEMIENTO DE LA HIPOTESIS
H0: �β̂5≥0 no es significativo
H1: �β̂5<0 es significativo

2) NIVEL DE SIGNIFICACION
∝=0,05
3) REGIONES DE RECHAZO Y ACEPTACION

4) PRUEBA ESTADISTICA
tc = -0,19
5) CONCLUSION
No es significativo la superficie de cultivo en este modelo

PRUEBA DE HIPOTESIS PARA �β̂�


1) PLANTEAMIENTO DE LA HIPOTESIS
H0: �β̂6≤0 no es significativo
H1: �β̂6>0 es significativo
2) NIVEL DE SIGNIFICACION
∝=0,05

11
3) REGIONES DE RECHAZO Y ACEPTACION

4) PRUEBA ESTADISTICA
tc= 1,76

5) CONCLUSION
No es significativo la tendencia en este modelo.

PRUEBA DE HIPOTESIS CONJUNTA

1) PLANTEAMIEN TO DE LA HIPOTESIS
H0: �β̂2= �β̂3= �β̂4= �β̂5= �β̂6 no son significativo.
H1: �β̂2≠�β̂3≠�β̂4≠�β̂5≠�β̂6 son significativo.

2) NIVEL DE SIGNIFICACION
∝=0,05
3) REGIONES DE RECHAZO Y ACEPTACION

4) PRUEBA ESTADISTICA
�= �2(�−𝐾) (1−�2) (�−1) = (0,70)2(12−6) ((1−0,702) (12−1) =0,52

5) CONCLUSION
Los �β̂ en el modelo no son significativos entonces no nos sirve en el modelo.

12
LA PREDICCION DE LA MEDIA CONDICIONAL
Donde:
1
40.000
39.000
35.000
X0=
18.000
13

∈(�β̂/�0) =2674,80
�̅=3505,80
�(�β̂/�0) =3187,8
INTERVALO DE CONFIANZA DE LA PREDICCION DE LA MEDIA
CONDICIONAL
�[∈(�β̂/�0) −�2�; �−𝐾�(�β̂/�0) ≤�≤∈(�β̂/�0) +�2�; �−𝐾�(�β̂/�0)]=1−∝
� [2.674,8−2,447(3.187,80) ≤�≤2.674,8+2,447(3.187,8)]=0,95
[−5.125,75≤�≤10.475,35]=0,95

PRUEBA DE HIPOTESIS PARA PREDICCION DE LA MEDIA CONDICIONAL

1) PLANTEAMIENTO DE LA HIPOTESIS
H0: ∄ un cambio en la estructura de Y
H1: ∃ un cambio en la estructura de Y
2) NIVEL DE SIGNIFICACION
∝=0,05

13
3) REGIONES DE RECHAZO Y ACEPTACION

4) PRUEBA ESTADISTICA

S (Y / X 0)=¿ 2.674,80−3.505,8
Tc= ∈(Y / X 0)−YY = = −0,26
3.187,88
¿
5) CONCLUSION
No existe un cambio en la estructura de Y.

MULTICOLINEALIDAD
PRUEBA DE HIPOTESIS
1) PLANTEAMIENTO DE LA HIPOTESIS
H0: ∄ multicolinealidad.
H1: ∃ multicolinealidad.
2) NIVEL DE SIGNIFICACION
∝=0,05
3) REGIONES DE RECHAZO Y ACEPTACION

14
4) PRUEBA ESTADISTICA
��2=23.629; ��3=23.179; ��4=9,54; ��5=2,40; ��6=2,06
5) CONCLUSION
Concluimos que como X2; X3; X4 cae en la hipótesis nula entonces se dice que no
existe multicolinealidad, y como cae X5; X6en la hipótesis alterna entonces se dice
que existe multicolinealidad.

HETEROSCEDASTICIDAD
PRUEBA DE WHITE
PRUEBA DE HIPOTESIS
1) PLANTEAMIENTO DE LA HIPOTESIS
H0: ∄ heteroscedasticidad
H1: ∃ heteroscedasticidad
2) NIVEL DE SIGNIFICACION
∝=0,05
3) REGIONES DE RECHAZO Y ACEPTACION

4) PRUEBA ESTADISTICA
W= 11,99
5) CONCLUSION
Existe heteroscedasticidad en este modelo.

15
KOENKER – BASSET
PRUEBA DE HIPOTESIS
1) PLANTEAMINETO DE LA HIPOTESIS
H0: ∄ heteroscedasticidad
H1: ∃ heteroscedasticidad
2) NIVEL DE SIGNIFICACION
∝=0,05
3) REGIONES DE RECHAZO Y ACEPTACION

4) PRUEBA ESTADISTICA
�� =0,06
5) CONCLUSION
No existe problema de heteroscedastidad en este modelo.
PRUEBA DE BPG
PRUEBA DE HIPOTESIS
1) PLANTEAMIENTO DE LA HIPOTESIS
H0: ∄heteroscedasticidad
H1: ∃heteroscedasticidad
2) NIVEL DE SIGNIFICACION
∝=0,05

16
3) REGIONES DE RECHAZO Y ACEPTACION

4) PRUEBA ESTADISTICA

x 2 = 2,35
5) CONCLUSION
No existe problema de heteroscedasticidad en este modelo.
ERRORES ESTANDAR DE WHITE
�(�β̂2) =2,12
�(�β̂3) =2,18
�(�β̂4) =0,04
�(�β̂5) =0,57
�(�β̂6) =11,17
AUTOCORRELACION
LAS RACHAS
R= 11
n1 =5
n2 =7
∈ (�)=6,83
� (�)=1,60
�{�(�)−�2�; �−𝐾�(�)≤�≤�(�)+�2�; �−𝐾�(�)} =1−∝
� {6,83−2,447(1,60) ≤�≤6,83+2,447(1,60)} =0,95
�{2,91≤�≤10,47} =0,95

17
DURWIN – WATSON
n

∑ ¿ 2=12.169.507,07
t =2

∑ ¿ 4.323.320,32
t =1

∑ Ut∗μt−1=−1.924 .837,79
t =2

∑ Ut −12=4.311 .160,31
t =2

�=2,81

�=−0,45

BREUSCH – GODFREY

PRUEBA DE HIPOTESIS

1) PLANTEAMINETO DE LA HIPOTESIS

H0: ∄ autocorrelación.

H1: ∃ autocorrelacion.

2) NIVEL DE SIGNIFICACION

∝=0,05

18
3) REGIONES DE RECHAZO Y ACEPTACION

4) PRUEBA ESTADISTICA

W= 10,02

5) CONCLUSION

No existe autocorrelacion.

REGRESION MCG

Aquí nos muestra los �β̂ corregidos

�β̂1=2.249,70

�β̂2=−0,63

�β̂3=0,61

�β̂4=0,04

�β̂5=−0,01

�β̂6=206,73

Aquí nos muestra los (�β̂) ; �(�β̂) ; �2𝑝𝑎𝑟�𝑖𝑎𝑙𝑒�

�(�β̂1) =8155,36; �(�β̂1) =0,28

�(�β̂2) =2,02; �(�β̂2) =−0,31; R212.3456=0,02

�(�β̂3) =2,08; �(�β̂3) =0,24; R213.2456=0,02

�(�β̂4) =0,03; �(�β̂4) =1,11; R214.2356=0,20

�(�β̂5) =0,46; �(�β̂5) =−0,03; R215.2346=0,0002

19
�(�β̂6) =62,43; �(�β̂6) =3,31; R216.2345=0,69

CONCLUSION:

Una vez hecho el estudio con los diferentes modelos econométricos de nuestro
trabajo sobre la exportación del grano de trigo, concluimos que es factible realizar
las exportaciones del grano de trigo ya que existe las interrelaciones de las
variables, en otras palabras, que las variables estudiadas son esenciales para
nuestro estudio y ninguna de ella requiera de su eliminación o de no tomarlo en
cuenta.

ANEXOS

20
BIBLIOGRAFIA:

Instituto Nacional de Estadística (INE)

Instituto Boliviano de Comercio Exterior – IBCE

NOTA: Informe con datos preliminares del 2005 al 2016

Libro Econometría Gujarati

Autor(es): Damobar N. GUJARATI; Dawn C. PORTER

Editorial: Mcgraw Hill; 5ta edición (2010)

21