Econometria, importaciones y exportaciones

...

UF (X2): es la Unidad de Fomento usada en Chile que se ajusta según el nivel de inflación del país, se utiliza para otorgar préstamos bancarios.

UTM (X3): la Unidad Tributaria Mensual, es un monto de dinero expresado en pesos chilenos y determinado por la ley, la UTM se actualiza según el índice de precios del consumidor (IPC), se utiliza generalmente para efectos tributarios y de multas.

Precio de barril de petróleo (X4): el precio del barril de petróleo, corresponde a 152 litros (42 galones), Debido a las características actuales de la economía mundial el precio puede oscilar o variar en relación a los tiempos de prosperidad y niveles de consumo, la especulación, cantidad de reservas disponibles y acontecimientos sociales importantes, sobre todo los de aquellos países productores.

IPSA (X5): Índice de Precios Selectivos de Acciones, es un índice bursátil y representa la rentabilidad de las acciones en la Bolsa de Santiago de Chile. Cuenta con un ranking de las 40 acciones más transadas.

Euro (X6): es la segunda moneda de reserva y más negociada en el mundo.

Dow Jones (X7): las variaciones de éste índice repercuten en las empresas de todo el mundo, ya que es uno de los índices más importantes del sector de transportes.

Luego de definir nuestras variables y su importancia en el modelo, éste estará definido como:

Y = β0 + β1X1 - β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + U

PRESENTACIÓN DE LOS DATOS

[pic 9]

APLICACIÓN DE LOGARITMO NATURAL A LA MUESTRA

Entre nuestras variables, contamos con unidades de medición distintas, por lo que al aplicar logaritmo natural a nuestros valores, podemos obtener resultados más reales.

Datos luego de aplicar Ln

[pic 10]

ANÁLISIS DE DATOS

Muestra: n=60, según el precio de las acciones de CCU.

Resumen

[pic 11]

Considerando nuestro R^2 ajustado, podemos deducir que un 0,58 es una valor razonable para determinar que existen relación entre nuestras variables. Por otra parte, el coeficiente de determinación ajustado muestra que en un 58,63% se explica nuestra variable dependiente, el resto del porcentaje, 41,37%, se explica por las variables que no fueron incluidas en el modelo.

Con el siguiente modelo analizaremos las siete variables para ver cuales influyen más/menos en el comportamiento de nuestra variable endógena (Precio de la acción de CCU).

Y = β0 + β1X1 - β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + U

Siendo Dólar (X1), UF (X2), UTM (X3), Precio del barril de petróleo (X4), IPSA (X5), Euro (X6), Dow Jones (X7).

En donde:

H0: β0 = β1 = β2 = β3 = β4 = β5 = β6 = β7 = 0

H1: ≠ β0 ≠ β1 ≠ β2 ≠ β3 ≠ β4 ≠ β5 ≠ β6 ≠ β7 ≠ 0

Criterios para eliminar variables

Para determinar si nuestras variables son relevantes, utilizamos los siguientes criterios.

-

Multicolinealidad

[pic 12]

Con este método pudimos definir cuáles variables exógenas no eran relevantes para el modelo, ya que la multicolinealidad indica la relación entre nuestras variables y, al estar muy correlacionadas afecta negativamente en el modelo. Es por esto que eliminamos la variable Dólar (X1) y UF (X2).

Por lo que nuestro nuevo modelo queda definido como:

Y = β0 + β1X1 - β2X2 + β3X3 + β4X4 + β5X5 + U

Siendo UTM (X1) , Barril de petróleo (X2) , IPSA (X3) , Euro(X4) y Dow Jones(X5); U es el error.

Luego de eliminar dos variables, obtuvimos dos nuevas tablas, las cuales mostramos a continuación.

[pic 13]

[pic 14]

GRÁFICOS RESIDUALES

[pic 15]

[pic 16]

[pic 17]

[pic 18]

[pic 19]

Si bien los gráficos de las 5 variables analizadas muestran una tendencia de heterocedasticidad, el rango en el que se mueven no es muy amplio, por lo que podemos decir que la dispersión de los datos es leve, lo que significara una variación mensual moderada, lo que nos permitirá, en cierta medida, predecir el comportamiento futuro ya que se conocerá la tendencia de estas variables.

CONCLUSIÓN

Al término de nuestra investigación, notamos que formamos la primera ecuación con variables que pensábamos que influirían demasiado en el modelo. Comenzamos con Y = β0 + β1X1 - β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + U y después de un par de ajustes y al eliminar dos variables que a primera impresión parecían explicar en gran parte el modelos de estimación, llegamos a Y = β0 + β1X1 - β2X2 + β3X3 + β4X4 + β5X5 + U . Queda de manifiesto que variables que en un principio pensábamos que estarían muy relacionadas con el modelo, la multicolinealidad nos decía que entorpecían el modelo.

En base a nuestros resultados podemos concluir que nuestra hipótesis debe ser rechazada.