Академический Документы
Профессиональный Документы
Культура Документы
Para el anlisis de Multicolinealidad, de acuerdo a los datos que nos ofrece el programa Eviews se observa que para el anlisis individual de las variables, las variables PROD y PCIF son significativas a un nivel de significancia del 5%, sin embargo, la variable TCRM y la constante no son significativas, pero el modelo en su conjunto si es significativo, ello se observa mediante el estadstico de la prueba F (significancia global), la cual resulta muy significativo ( 297.51) y una probabilidad de 0. ( 0). Entonces, de acuerdo a esto, se presentara el problema de Multicolinealidad, para ello, lo confirmaremos mediante algunas pruebas. 1. Factor de incremento de la varianza (FIV): Se analizar a partir de la matriz de correlaciones: EXPORT EXPORT 1 PROD -0.27678227 PCIF 0.93767624 TCRM -0.71048687 PROD PCIF -0.27678227 0.93767624 1 -0.4983433 -0.4983433 1 0.41795054 -0.74149709 TCRM -0.71048687 0.41795054 -0.74149709 1
3.64 14.41 0.87 14.3 3.64 2.28 4.27 0.37 1 (R ) ! 14.41 4.27 17.16 0.70 2.29 0.87 0.37 0.70
Se es
se v ee y 10 17 16 F es e c c e c es -0 74
H 0 : Las variables Xi son ortogonales entre s (no estn correlacionadas por tanto, no existira
problema de Multicolinealidad) de Multicolinealidad) Valor calculado:
H1 : Las variables Xi no son ortogonales entre s (estn correlacionadas, por tanto, existe problema
2 G calc ! n 1 ( 2 k6 5) ln R
2 G calc ! 72 1
( 2 ( 3) 5 ) 6
ln 0.02378905 ! 258.5817
Valor crtico:
F ee e
) ) )
(
PROD PCIF TCRM -0 27678227 0 93767624 -0 71048687 1 -0 4983433 0 41795054 -0 4983433 1 -0 74149709 0 41795054 -0 74149709 1
) (
) ) )
'
Grafico:
Decisi n:
decir, e iste problema de Multicolinealidad en el modelo. Ahora, debido a que la variable TCRM no es sig nificativa, para mejorar el modelo se retira dicha variable, entonces el modelo queda especificado como: Modelo 2:
Dependent Variable: EXPORT Method: LeastSquares Date: 06/30/11 Time: 20:29 Sample: 2005M01 2010M12 Includedobservations: 72 Coefficient C PROD PCIF R-squared Adjusted R-squared S.E. of regression Sum squaredresid Log likelihood F-statistic Prob(F-statistic) -316.4228 1.818771 0.587588 0.927518 0.925418 39.97015 110235.3 -366.1770 441.4834 0.000000 Std. Error 51.84096 0.268272 0.020645 t-Statistic -6.103723 6.779573 28.46117 Prob. 0.0000 0.0000 0.0000 435.6583 146.3584 10.25492 10.34978 10.29268 1.914836
Como
En este nuevo modelo excluyendo la variable no significativa, se puede observa mediante el estadstico de la prueba t de student para la significancia individual de las variables, se tiene que todas son significativas con una probabilidad de 0 Adems, par el modelo en su a conjunto, se tiene que es significativo, esto mediante la prueba F, con un valor de 441 48, y con una probabilidad de 0 Por lo tanto, se puede afirmar a primera instancia que no existe problema de Multicolinealidad en el modelo. Para tener una mayor certeza que no existe Multicolinealidad en el modelo, realizamos las pruebas anteriores. 1. Factor de incremento de la varian a (FIV): Se analizar a partir de la matriz de correlaciones: EXPORT PCIF PROD EXPORT 1 0.93767624 -0.27678227 PCIF 0.93767624 1 -0.4983433 PROD -0.27678227 -0.4983433 1 A partir de ello, se calcular la inversa de esta matriz, la cual resulta:
Se observa que en la matriz diagonal, el factor de incremento de varianza para la variable PCIF es mayor a 10 (16.95), por lo tanto, puede existir Multicolinealidad debido a que el PCIF est influenciado por la variable EXPORT, dado la correlacin observada en la matriz de correlaciones ( 0.938).
1 0.937672 (R ) ! - 0.276782
El determinante es: 0.05448592
0.9376762 1 0.49834
- 0.276782 - 0.49834 1
H 0 : Las variables Xi son ortogonales entre s (no estn correlacionadas, por tanto, no e istira
problema de Multicolinealidad) de Multicolinealidad) Valor calculado:
H1 : Las variables Xi no son ortogonales entre s (estn correlacionadas, por tanto, e iste problema
2 G calc ! n 1 ( 2 k65) ln R
Valor crtico:
2 ( 2);( 0.95)
! 92.8
Grfico:
Decisi n:
Como
2 G c2 lc HG crt
Para saber si nuestro modelo cumple con el supuesto de normalidad en las perturbaciones se utiliza la prueba de Jarque-Bera, en la cual se tiene que nuestro modelo cumple con el supuesto de normalidad en las perturbaciones con una probabilidad de 80.88%, es decir, se acepta la hip tesis nula, adems, el valor es de 0.4244
Debido a que en el primer modelo e istan problemas de Multicolinealidad, se modific , el cual es: Modelo 2:
En este nuevo modelo, se tiene que nuestro valor de la prueba de Jarque -Bera ha disminuido, lo cual es favorable ya que la probabilidad ha aumentado (ahora 84.57%), lo cual nos dice que nuestro nuevo modelo cumple con el supuesto de normalidad en las perturbaciones, por lo tanto, se puede realizar inferencias, y otras pruebas.