Ejercicios de econometria.
Enviado por Rimma • 19 de Marzo de 2018 • 991 Palabras (4 Páginas) • 648 Visitas
...
Al momento de analizar la intercepción obtenemos valores negativos que en ningún caso invalida el modelo ya que estos no pasar por el cero.
Podemos decir entonces que el modelo es fiable.
Estadísticas de la regresión
Coeficiente de correlación múltiple
0,997537093
Coeficiente de determinación R^2
0,995080253
R^2 ajustado
0,994501459
Error típico
0,028288797
Observaciones
20
EJERCICIO 5
Determine un modelo lineal para estimar una relación entre el precio del oro, el IPC y el índice de Bolsa de NY en el período 1977-1991
Nos encontramos con que los elementos no están relacionados entre sí por lo tanto son independientes y el único a nuestro parecer elemento dependiente es el índice de la bolsa.
A los datos procedemos a realizar una regresión para poder observar si tenemos un modelo lineal.
Al comenzar a analizar todas las variables, podemos concluir que la variable Precio debemos sacarla del modelo producto que nos entrega valores errados y en su proyección pasa por cero lo que le quita fiabilidad.
Al aplicar Ln a IPC y al Índice de Bolsa de NY vemos que el modelo ha mejorado y esto producto a que se puede relacionar en cierta forma estos dos elementos y es por esta razón que el modelo mejora en sus indicadores con un 87% de fiabilidad y un error típico menor a 2.
Estadísticas de la regresión
Coeficiente de correlación múltiple
0,93738855
Coeficiente de determinación R^2
0,87869729
R^2 ajustado
0,86936632
Error típico
0,17239658
Observaciones
15
Datos obtenidos solo con dos variables, mejora bastante si anulamos las restantes. (ipc + Bolsa)
EJERCICIO 6
Determine un modelo para estimar la venta anual de autos nuevos
Y = Autos nuevos vendidos en miles (uso particular)
X2 = Índice de precios de Autos nuevos Base 1967=100
X3 = IPC general para consumidores urbanos Base 1967=100,
X4 = Renta personal para gasto en Millones USD
X5 = Tasa de Interés %
X6 = Población empleada en miles La conclusión es que en base a estas variables no podemos predecir u obtener datos fiables esto producto que existen datos erróneos o una o más variables se vieron afectadas por procesos inusuales.
Podemos observar que al generar un análisis con todas sus variables nos entrega como resultado un modelo poco fiable con un coeficiente de determinación muy por debajo del 100% y un error típico bastante elevado cuando debería ser 2.
Estadísticas de la regresión
Coeficiente de correlación múltiple
0,868622383
Coeficiente de determinación R^2
0,754504845
R^2 ajustado
0,631757268
Error típico
706,13454
Observaciones
16
Al eliminar variables como empleo y tasa de interés nuestro modelo no mejora en nada. sigue siendo lejano al 100% con un error típico excesivamente alto.
Estadísticas de la regresión
Coeficiente de correlación múltiple
0,854077228
Coeficiente de determinación R^2
0,729447911
R^2 ajustado
0,661809889
Error típico
676,707228
Observaciones
16
...