i

Universidad de El Salvador
Facultad de Ciencias Econmicas
Escuela de Economa
Departamento de Matemticas y Estadsticas

Asignatura:
Estadistica II
Catedrtica:
Lic. Sal Orlando Quintanilla Lemus
Grupo Teorico:
N 11
Contenido:
Regresion Lineal Mltiple en las Ramas de la Actividad
Econmica de la Construccin, Industria
Manufacturera y Transporte, Amacenaje y
Comunicaciones en el perodo de 1995 a 2009 con
respecto a la Poblacin Econmicamente Activa.
Integrantes:
Efran Ernesto Arvalo Aparicio
AA09016
Doris Irene Castro Daz
CD10003
Moiss Alexander Chvez Vsquez CV10003

Adriana Guadalupe Martnez Ayala MA09008

Ciudad Universitaria, 29de Noviembre de 2011,

Universidad de El Salvador
Facultad de Ciencias Econmicas
Escuela de Economa
Departamento de Matemticas y Estadsticas

Asignatura:
Estadstica II
Catedrtica:
Lic. Sal Orlando Quintanilla Lemus
Grupo Teorico:
N 11
Contenido:
Regresin Lineal Mltiple en las Ramas de la Actividad
Econmica de la Construccin, Industria
Manufacturera y Transporte, Amacenaje y
Comuncaciones en el perodo de 1995 a 2009 con
respecto a la Poblacin Econmicamente Activa.
Integrantes:
Nombre

Efran Ernesto Arvalo

Carne

AA09016

Porcentaje de
Participacin
50%

Aparicio
Doris Irene Castro Daz
Moises Alexander Chvez
Vsquez
Adriana Guadalupe
Martnez Ayala

CD10003
CV10003

100%

MA09008

90%

100%

Ciudad Universitaria, 29 de Noviembre de 2011.

NDICE
ndice........................................................................................................................................i
Objetivos.................................................................................................................................ii
Investigacin Realizada..........................................................................................................6
Poblacin Econmicamente Activa.....................................................................................6
Especificacin del modelo de regresin..............................................................................8
Hipotesis del Modelo...................................................................................................9
Fuente de Datos y Descripcion de Variables.......................................................................9
Resultados de la Regresin................................................................................................11
1. Variables Introducidas/Eliminadas.........................................................................11
2. Estadisticos descriptivos........................................................................................12
3.Modelo de Regresin..............................................................................................13
Resumen del Modelo...............................................................................................13
Test sobre Supuestos de Modelo.......................................................................................14
Test sobre el supuesto del modelo. (Normalidad: Test de JarqueBera).....................14
Test Significancia global del modelo: Prueba F.........................................................18
Test de significancia de coeficientes: Prueba T.........................................................18
Determincacion de Intervalos de confianza...............................................................19
Proyecciones con la regresin
obtenida2O

Conclusiones.........................................................................................................................21
Recomendaciones..................................................................................................................22
Bibliografa...........................................................................................................................24

Anexos

ii

OBJETIVOS

Objetivo General:
Analizar del modelo de Regresin Lineal Mltiple al tema de la Poblacin
Econmicamente Activa segn la rama de Actividad econmica durante el periodo
comprendido entre 1995 a 2009.

Objetivo Especfico:
1. Aplicacin del Mtodo de Regresin Mltiple al Tema de Investigacin.
2. Adquirir conocimiento sobre el manejo del Mtodo de Regresin Lineal Mltiple.
3. Elaborar un Modelo de Regresin Lineal Mltiple que explique de manera precisa
el comportamiento de las variables de estudio segn Actividad Econmica en la
Poblacin Econmicamente Activa.

ii

24

INVESTIGACIN REALIZADA
POBLACIN ECONMICAMENTE ACTIVA
La poblacin econmicamente activa PEA- es una variable utilizada para medir la fuerza
de trabajo de una nacin o territorio, ya que contabiliza el nmero de personas que son
capaces de trabajar y desean hacerlo. Segn el VI Censo de Poblacin 2007, la PEA se
refiere a las personas de 10 aos y ms, vinculadas a la actividad econmica que
conforman la fuerza de trabajo; ya que se encuentren ocupados, desocupados pero
buscando trabajo, o que buscan trabajo por primera vez (Ministerio de Economa, 2008).
Los resultados del VI Censo de Poblacin 2007 indican que en El Salvador existe una
PEA de 1, 909,256 personas, las cuales representan el 33.24% de la poblacin total
censada a nivel nacional. Al comparar los resultados del VI Censo de Poblacin 2007 con
los obtenidos por el V Censo de Poblacin 1992, se observan algunos cambios en la
composicin de la PEA de nacional.
Este es el caso de la PEA en la zona urbana, la cual ha aumentado su participacin del
55.5% de la PEA nacional en 1992 al 73.1% en el 2007. En contraste, la PEA en la zona
rural ha disminuido del 44.5% al 26.9% de la PEA nacional en el mismo perodo.
Es importante mencionar que de acuerdo al VI Censo de Poblacin 2007, en la zona urbana
se concentra el 62.7% de la poblacin a nivel nacional, y en la zona rural el 37.3%;
mostrando as que existe una mayor concentracin de poblacin en la zona urbana. Llmese
as a la parte de la poblacin total que participa en la produccin econmica. En la prctica,
para fines estadsticos, se contabiliza en la PEA a todas las personas mayores de una cierta
edad (10 aos, por ejemplo) que tienen Empleo o que, no tenindolo, estn buscndolo o a
la espera de alguno. Ello excluye a los pensionados y jubilados, a las amas de casa,
estudiantes y rentistas as como, por supuesto, a los menores de edad.
Si se calcula el porcentaje entre la PEA y la poblacin total se obtiene la tasa de actividad
general de un pas. Cuando un pas tiene altas tasas de Crecimiento demogrfico la tasa de
actividad suele ser baja, pues existe un alto nmero de menores de edad y estudiantes en
relacin al total. Ello ocurre frecuentemente en los pases menos desarrollados, como
Producto de la llamada transicin demogrfica, constituyndose en una traba para alcanzar
un mayor Crecimiento econmico, pues las personas que laboran tienen que producir
-directa o indirectamente- para un gran nmero de personas que no generan Bienes.

24

Esquema del Total de la Poblacin

Industria.
La industria surge con el fin de producir bienes para el consumo humano. Estos bienes se
obtienen mediante la transformacin directa o indirecta de los recursos naturales.
Actualmente, en El Salvador las actividades industriales se llevan a cabo a diferentes
niveles; por ejemplo, se considera industria desde un taller familiar que elabora vestidos,
hasta una gran fbrica que produce maquinaria.
Las principales actividades industriales en El Salvador son: fabricacin de
productos metlicos, elaboracin de sustancias qumicas, productos de caucho y plstico;
produccin de alimentos, bebidas y tabaco; elaboracin de textiles y prendas de vestir, entre
otras. Muy probablemente, la mayor cantidad de las personas que se encuentran trabajando
la industria manufacturera sean trabajadoras (es) de las maquilas de ropa. En El Salvador, el
total de personas trabajando en estas empresas son cerca m de 80,000, lo cual corresponde
al 84% de las personas que trabajan en la actividad de Textiles y cerca del 37% del total de
personal empleado en la rama de Industria manufacturera a nivel nacional. El 83% de estas
personas son mujeres con edades promedio entre los 18 y 24 aos y con una escolaridad
promedio de octavo grado de educacin bsica (mientras que el promedio nacional de
escolaridad de la PEA es de 5 grados de educacin primaria).

Algunos autores reconocen la maquila de ropa como una de las reas en que se
concentra la produccin para la exportacin -eje de acumulacin de las economas
centroamericanas de la posguerra- y por lo tanto, estos volmenes de empleo ms las
caractersticas de la mano de obra, se pueden caracterizar como un fenmeno de nueva

24

proletarizacin y una de las tendencias ms importantes de la lgica de salarizacin en los

mercados de trabajo actuales (Prez Sinz, 2000).

Comercio.
En nuestros das, el comercio en El Salvador se ha visto favorecido por el aumento delos
medios y vas de comunicacin. Existe una gran variedad en cuanto a giro de actividad y
tamao, que va desde los pequeos hasta los grandes establecimientos. Los comercios se
concentran en las zonas urbanas, especialmente en las entidades donde existe un gran
nmero de poblacin.
Transporte, almacenaje y comunicaciones.
En nuestro pas, desde hace varios aos se ha impulsado el desarrollo de los transportes y
de los medios de comunicacin. Ambos se encuentran muy relacionados con el crecimiento
de la poblacin, as como con sus necesidades.

ESPECIFICACIN DEL MODELO DE REGRESIN

Regresin Mltiple: Este tipo se presenta cuando dos o ms variables independientes
influyen sobre una variable dependiente.
Ejemplo: Y= f(x, w, z).
Anlisis de Regresin Mltiple:
Dispone de una ecuacin con tres variables independientes adicionales. Se puede ampliar
para cualquier nmero "m" de variables independientes:
Mediante el modelo de regresin lineal mltiple se explicara el comportamiento de una
determinada variable que se denomina variable a explicar, o variable dependiente, (y se
representara con la letra Y) en funcin de un conjunto de k variables explicativas
(independientes) X1, X2,..., Xk mediante una relacin de dependencia lineal, cuya frmula
es:
^y =b 0+ b1 x1 +b 2 x 2+ +b k x k +
Siendo el trmino de perturbacin o error estocstico.

24

Para poder resolver y obtener A, B1 y B2 en una ecuacin de regresin mltiple el clculo

se deben asignar valores numricos a los parmetros 1, 2,..., k. Es decir, estimar el
modelo de manera que, los valores ajustados de la variable dependiente resulten tan
prximos a los valores realmente observados como sea posible. Para poder resolver se
puede utilizar programas informticos como Excel con el complemento de XLSTAT
Bajo este concepto, lo que se desea hacer el anlisis de regresin, teniendo como variable
dependiente y: la Poblacin Econmicamente Activa y se tienen las variables
independientes: Construccin, Industria Manufacturera y Transporte, almacenaje y
comunicacin. Mediante el anlisis de regresin se determinara la incidencia de estas
variables en la Poblacin Econmicamente Activa.

HIPOTESIS DEL MODELO

Hiptesis Nula:
No existe relacin lineal entre la PEA y las ramas de actividad Econmica - Industria
Manufacturera, Construccin y Transporte, almacenaje y comunicaciones, de tal manera
que la contribucin de estas ramas de actividad econmicas no son significativas a la PEA
Hiptesis Alternas:
1. Existe relacin lineal entre la PEA y la rama de Actividad Econmica Industria
Manufacturera, de tal manera que la contribucin de esta rama es significativa para
la PEA.
2. Existe relacin lineal entre la PEA y la rama de Actividad Econmica
Construccin., de tal manera que la contribucin de esta rama es significativa para
la PEA.
3. Existe relacin lineal entre la PEA y la rama de Actividad Econmica Transporte,
almacenaje y comunicaciones de tal manera que la contribucin de esta rama es
significativa para la PEA.

FUENTE DE DATOS Y DESCRIPCION DE VARIABLES

24

La informacin que presentamos a continuacin es la que utilizamos en la investigacin,

fue conseguida en el la DIGESTYC dependencia del Ministerio de Economa.

Ao
s
199
5
199
6
199
7
199
8
199
9
200
0
200
1
200
2
200
3
200
4
200
5
200
6
200
7
200
8
200
9

Industria
Manufacturera
(X1)

Construcc
Transporte,
in
Almacenaje
(X2)
y Comunicaciones
(X3)

Total general
PEA
Y

402945

146885

86460

1274575

393117

53415

97494

1090048

353867

157904

101797

1229133

438791

146699

98214

1369406

451386

152599

108332

1426633

432169

134455

113636

1362520

425834

147588

113373

1375591

424559

151816

103099

1360950

423449

176624

109228

1420605

397600

176759

119258

1389238

391034

165332

115475

1345687

385646

181907

110207

1357526

404258

169487

109011

1367519

417507

159527

105121

1366318

381156

147139

107691

1273981

Variable Dependiente - PEA:

24

Es el total de la poblacin econmicamente activa utilizada para medir la fuerza de trabajo

de una nacin o territorio, es una variable cuantitativa que se mide por habitante. Escala
nominal.
Variable Independiente - Construccin:
Es el total de la poblacin econmicamente activa utilizada para medir la fuerza de trabajo
en la rama de actividad econmica de la Construccin, la cual consiste en el arte o tcnica
de fabricar edificios e infraestructura en el campo de la Arquitectura e Ingeniera, es una
variable cuantitativa que se mide por habitante. Escala nominal
Variable Independiente Industria Manufacturera:
Es el total de la poblacin econmicamente activa utilizada para medir la fuerza de trabajo
en la rama de actividad econmica de la Industria Manufacturera que consiste en c onsiste
en la transformacin de materias primas en productos manufacturados, productos
elaborados o productos terminados para su distribucin y consumo, es una variable
cuantitativa que se mide por habitante. Escala nominal.

Variable Independiente - Transporte, Almacenaje y Comunicaciones:

Es el total de la poblacin econmicamente activa utilizada para medir la fuerza de trabajo
en la rama de actividad econmica de la Transporte, Almacenaje y Comunicaciones que
comprende: el transporte terrestre, areo, acutico, transporte por tubera (oleoducto); los
servicios conexos y servicios auxiliares que faciliten el funcionamiento de los vehculos de
transporte; carga y descarga de los bienes, terminales de puertos, aeropuertos; las agencias
de contrata de carga y pasajes; playas de estacionamiento y peajes; los almacenes, agencias
de viajes y las actividades de los guas tursticos. El alquiler de equipo de transporte con
conductor est relacionado con el transporte y se incluye en esta actividad. Las
comunicaciones comprenden telefona, fax, correspondencia escrita, mensajes. Es una
variable cuantitativa que se mide por habitante. Escala nominal.
RESULTADOS DE LA REGRESIN
VARIABLES INTRODUCIDAS/ELIMINADAS

En esta tabla se presenta un resumen del proceso de regresin mltiple que se realiza. En
esta tabla la columna de variables introducidas muestra las variables tomadas en cuenta
para realizar el anlisis de regresin, que en este caso son Industria Manufacturera,
Construccin y Transporte, almacenaje y comunicacin. La segunda columna indica si
se eliminaron variables, que en este caso se nos haba designado tres variables para el inicio

24

de la investigacin, al momento de una mayor recopilacin de los datos, nos dimos cuenta
que las ramas de la Poblacin Econmicamente Activa han ido segmentndose y con el
pasar de los aos algunas de sus componentes cambiaron, la nica que eliminamos fue
Administracin pblica y defensa y se sustituy por Transporte, almacenaje y
comunicacin, las otras dos permanecieron constantes. En la ltima columna aparece el
mtodo utilizado, introducir en este caso, que permiti decidir que variables se introducen
o extraen del modelo.
CUADRO N 1
VARIABLES INTRODUCIDAS/ELIMINADAS
Modelo

Variables introducidas

Variables
eliminadas

Mtodo

Industria Manufacturera,
Administracin
Construccin,
Dimensin 1
pblica y
Introducir
Transporte, almacenaje y
defensa.
comunicacin.a
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: Poblacin Econmicamente Activa por rama de actividad
econmica.

24
ESTADISTICOS DESCRIPTIVOS

La tabla estadsticos descriptivos presenta las variables que se tomaran en cuenta en el

anlisis de regresin, muestra los resultados de estas y de los estadsticos media y tpica,
as como el nmero de casos incluidos en el anlisis. La media aritmtica y la varianza
representan indicadores del estado de validacin de los datos.
Los resultados de la media indican que las variables Industria manufacturera,
Construccin y Transporte almacenaje y comunicacin tienen medias muy diferentes en
comparacin a la variable PEA(por rama de actividad econmica) ya que en esta ultima se
incluyen las dems ramas de actividad econmica que no se han tomado en estudio y que
en la actualidad son quince pero solo se tomaron tres por motivos de investigacin, es de
hacer notar este dato, adems estas medias son una representacin promedio de las quince
observaciones que son los datos de los quince aos de estudio; este indicador se considera
una de las medidas ms importantes de dispersin y variabilidad. El estadstico de la tercera
columna de la tabla 1, desviacin tpica, permite observar que los datos se alejan
significativamente de la media, aunque entre las variables independientes en comparacin a
la variable dependiente hay una gran diferencia, esto es por la el tamao de sus respetivos
datos y por ende de la misma media obtenida. Este ultimo indicador indica que cuanto ms
elevado sea, menos fidedignos son los resultados de la media.

PEA (por rama de

actividad
econmica)
Industria
Manufacturera
Construccin
Transporte,
almacenaje y
comunicacin.

Media

Desviacin
Estndar

N. Observaciones

2398364

114272.359343806

15

408224.533333333

25554.3768570549

15

157875.733333333

13571.3606248424

15

107226.4

8876.13454156707

15

24
MODELO DE REGRESIN

Fuente
Interseccin
Industria Manufacturera
Construccin
Transporte, almacenaje y
comunicacin.

Valor
952114.728
0.932
1.247

Desviacin tpica
574604.687
1.002
2.076

8.105

2.996

PEA por ao=95114.728304815+0.931580078986372X 1+1.24733003545841X 2+ 8.10464852528533

La constante 0= 952114.728, significa que si la Industria Manufacturera ( 1),

Construccin (2) y Transporte, almacenaje y comunicacin () son iguales a cero, la PEA
por rama de actividad econmica se mantendra en 952114.728%.
La constante 1= 0.932X1, significa que si la cantidad de personas pertenecientes a la rama a
la construccin y transporte, almacenaje y comunicacin se mantienen constante, la rama
de la industria manufacturera aumenta en 0.932, por cada unidad que aumente X1.
La constante 2=1.247 X2, significa que si la cantidad de personas pertenecientes a la rama
de la Industria Manufacturera y Transporte, almacenaje y comunicacin se mantienen
constantes, la tasa de la rama de la construccin aumenta en 1.247, por cada unidad que
aumente X2.
La constante = 8.105X, significa que si la tasa de personas pertenecientes a la rama de
la Industria Manufacturera y la Construccin permanece constante, la rama de Transporte,
almacenaje y comunicacin aumenta en 8.105 por cada unidad que aumente X.

RESUMEN DEL MODELO.

El primer dato que muestra se refiere al coeficiente de correlacin mltiple R, es un valor

que oscila entre -1 y +1 segn el grado de correlacin entre las variables; y a su cuadrado.
R2 es el coeficiente de determinacin y expresa la proporcin de varianza de la variable
dependiente que esta explicada por la variable independiente. R2 corregida es una
correccin a la baja de R2 que se basa en el nmero de casos y de variables independientes.
Los resultados indican que el 53.0% de la variacin de la Poblacin Econmicamente
Activa se explica por la aproximacin lineal de la relacin que existe con las variables
Industria Manufacturera, Construccin, Transporte, almacenamiento y comunicacin.
Lo cual refleja que el modelo no es tan confiable como se pensara, tomando como
referencia que entre mas cercano este al 100% se tiene mucha mas confianza de este. Que
el coeficiente de determinacin corregido (40.2%) sea relativamente bajo, no indica que la
variable dependiente y las variables explicativas sean estadsticamente independientes. Lo

24

que significa que las variables independientes no son lo suficientemente significativas para
poder explicar el modelo.

Modelo

R2

R2 corregido

0.728010988

0.530

0.402

TEST SOBRE SUPUESTOS DE MODELO.

TEST SOBRE EL SUPUESTO DEL MODELO. (NORMALIDAD: TEST DE
JARQUEBERA)

Prueba de Jarque-Bera (PEA

(por ao))
JB (Valor observado)
2.488
JB (Valor crtico)
5.991
GDL
2
p-valor
0.288
Alfa
0.05
Interpretacin de la prueba:
H0: La muestra sigue una ley Normal.
Ha: La muestra no sigue una ley Normal.
Como el p-valor calculado es mayor que el nivel de significacin alfa=0.05, no se puede
rechazar la hiptesis nula H0.
El riesgo de rechazar la hiptesis nula H0 cuando es verdadera es de 28.83%.
P-P plot (PEA (por ao)):

24
P-P plot (PEA (por ao))
1
0.8
0.6

Distribucin acumulativa terica 0.4

0.2
0
0

0.2 0.4 0.6 0.8

Distribucin acumulativa emprica

Conclusin:
Al umbral de significacin Alfa=0.050 no se puede rechazar la hiptesis nula segn la cual
la muestra sigue una ley normal. Dicho de otro modo, la anormalidad no es significativa.
Adems, al observar los puntos vemos que su comportamiento pertenece a una distribucin
normal, ya que estos se encuentran cerca de la lnea recta.

Prueba de Jarque-Bera (Industria

Manufacturera)
JB (Valor observado)
0.299
JB (Valor crtico)
5.991
GDL
2
p-valor
0.861
Alfa
0.05
Interpretacin de la prueba:
H0: La muestra sigue una ley Normal.
Ha: La muestra no sigue una ley Normal.
Como el p-valor calculado es mayor que el nivel de significacin alfa=0.05, no se puede
rechazar la hiptesis nula H0.El riesgo de rechazar la hiptesis nula H0 cuando es
verdadera es de 86.09%.
P-P plot (Industria Manufacturera):

24

P-P plot (Industria Manufacturera)

1
0.9
0.8
0.7
0.6

Distribucin acumulativa terica

0.5
0.4
0.3
0.2
0.1
0
0 0.10.20.30.40.50.60.70.80.9 1

Distribucin acumulativa emprica

La grfica nos indica que existe una distribucin normal de la variable Industria
Manufacturera debido a que los puntos observados se posicionan muy cerca de la lnea
recta y de forma casual. Esto es evidencia suficiente para aceptar que existe una
distribucin normal de dicha variable independiente.

Prueba de Jarque-Bera
(Construccin)
JB (Valor observado)
0.683
JB (Valor crtico)
5.991
GDL
2
p-valor
0.711
alfa
0.05
Interpretacin de la prueba:
H0: La muestra sigue una ley Normal.
Ha: La muestra no sigue una ley Normal.
Como el p-valor calculado es mayor que el nivel de significacin alfa=0.05, no se puede
rechazar la hiptesis nula H0.
El riesgo de rechazar la hiptesis nula H0 cuando es verdadera es de 71.06%.

24

P-P plot (Construccin):

P-P plot (Cosntruccin)
1
0.9
0.8
0.7
0.6

Distribucin acumulativa terica

0.5
0.4
0.3
0.2
0.1
0
0 0.10.20.30.40.50.60.70.80.9 1

Distribucin acumulativa emprica

La grfica nos indica que existe una distribucin normal de la variable Construccin debido
a que los puntos observados se posicionan muy cerca de la lnea recta y de forma casual.
Esto es evidencia suficiente para aceptar que existe una distribucin normal de dicha
variable independiente.
Prueba de Jarque-Bera (Transporte, almacenaje y
comunicacin.)
JB (Valor observado)
1.142
JB (Valor crtico)
5.991
GDL
2
p-valor
0.565
alfa
0.05
Interpretacin de la prueba:
H0: La muestra sigue una ley Normal.
Ha: La muestra no sigue una ley Normal.
Como el p-valor calculado es mayor que el nivel de significacin alfa=0.05, no se puede
rechazar la hiptesis nula H0.
El riesgo de rechazar la hiptesis nula H0 cuando es verdadera es de 56.49%.

P-P plot (Transporte, almacenaje y comunicacin.):

24
P-P plot (Transporte, almacenaje y comunicacin.)
1
0.9
0.8
0.7
0.6

Distribucin acumulativa terica

0.5
0.4
0.3
0.2
0.1
0
0

0.2

0.4

0.6

0.8

Distribucin acumulativa emprica

La grfica nos indica que existe una distribucin normal de la variable Transporte,
almacenaje y comunicacin, debido a que los puntos observados se posicionan mucho ms
cerca de la lnea recta y de forma casual. Esto es evidencia suficiente para aceptar que
existe una distribucin normal de dicha variable independiente.
TEST SIGNIFICANCIA GLOBAL DEL MODELO: PRUEBA F.

Fuente
Modelo
Error
Total
corregido

GDL
3
11

Suma de los
cuadrados
96880380742.881
85934028797.119

14

182814409540.000

Media de los
cuadrados
32293460247.627
7812184436.102

Pr> F

4.134

0.034

Variables Productoras: Industria Manufacturera, Construccin y Transporte, almacenaje y

comunicacin.
Variable dependiente: Poblacin Econmicamente Activa segn rama de actividad
econmica.

El valor del nivel critico Pr>F = 0.034 indica que si existe una relacin lineal significativa
entre la variable dependiente que es la Poblacin Econmicamente Activa segn la rama de
actividad econmica y el conjunto de variables independientes que son la Industria
Manufacturera, Construccin y Transporte, almacenaje y comunicacin.
Ya que el valor del nivel critico (Pr>F = 0.034), es menor que = 0.05. Por lo tanto se
rechaza H0 ya que Pr>F < .

24

H 0 : B0 =B 1=B 2=0
H a : B0 0 B1 0 B2 0

TEST DE SIGNIFICANCIA DE COEFICIENTES: PRUEBA T

Fuente
Industria Manufacturera
Construccin
Transporte, almacenaje y
comunicacin.

Valor
0.208
0.148
0.630

Desviacin
tpica
0.224
0.247
0.233

Pr> |t|

0.929
0.601
2.705

0.373
0.560
0.020

Las pruebas t y sus niveles crticos (las ltimas dos columnas de la tabla): en las tres
variables podemos observar que tienen valores significativamente distintos de cero por lo
cual las tres variables son relevantes en la ecuacin de regresin, esto se corrobora ya que
el valor crtico sig., para los casos de Industria Manufacturera y Transporte, almacenaje
y comunicacin es menor que 0,05. Esto implica una relacin significativa lineal entre
estas dos variables, con la variable dependiente PEA segn rama de actividad econmica y
se rechaza que no existe relacin lineal entre las variables independientes con la variable
dependiente. En el caso de la variable Construccin su valor es mayor que 0.05 (valor de
significancia) por lo tanto con esta variable no se rechaza que no haya una relacin lineal
con respeto a la PEA segn rama de actividad econmica. Aun considerando que las
variables en estudio tienen relevancia en el modelo por ser distintas a cero.
PRUEBA DE SIGNIFICANCIA t : Tambin llamada prueba de significancia
individual, esta se utiliza para determinar si cada una de las variables independientes
tienen significancia, es decir que habr que hacer una prueba t para cada variable
independiente especificada en el modelo.
Hiptesis Nula:
No existe relacin lineal entre la PEA y las ramas de actividad Econmica - Industria
Manufacturera, Construccin y Transporte, almacenaje y comunicaciones, de tal manera
que la contribucin de estas ramas de actividad econmicas no son significativas a la PEA
DETERMINCACION DE INTERVALOS DE CONFIANZA

Fuente
Industria Manufacturera

Lmite inferior (95%)

Lmite superior (95%)

-0.285

0.702

24

Construccin

-0.394

0.691

Transporte, almacenaje y
comunicacin.

0.117

1.142

Estos intervalos proporcionan la informacin sobre los lmites entre los que se pueden
esperar que se encuentre el valor de cada coeficiente de regresin.
Los intervalos de confianza indican una estimacin precisa y estable ya que el rango entre
los intervalos no es muy amplio.

24

PROYECCIONES CON LA REGRESION OBTENIDA.

Aos

PEA (por
ao) (y)

1995

2,136,450

1996

2,227,409

1997

2,245,419

1998

2,403,194

1999

2,444,959

2000

2,363,352

2001

2,445,467

2002

2,366,969

2003

2,450,081

2004

2,417,670

2005

2,461,187

2006

2,501,328

2007

2,464,400

2008

2,495,908

2009

2,551,667

2010

2602700.34

2011 2654754.347
2012 2707849.434
2013 2762006.422
2014 2817246.551

X
4029
95
3931
17
3538
67
4387
91
4513
86
4321
69
4258
34
4245
59
4234
49
3976
00
3910
34
3856
46
4042
58
4175
07
3811
56
3887
79
3965
55
4044
86
4125
76
4208
27

(X)
1468
85
1534
15
1579
04
1466
99
1525
99
1344
55
1475
88
1518
16
1766
24
1767
59
1653
32
1819
07
1694
87
1595
27
1471
39
1500
82
1530
83
1561
45
1592
68
1624
53

(X)
8646
0
9749
4
1017
97
9821
4
1083
32
1136
36
1133
73
1030
99
1092
28
1192
58
1154
75
1102
07
1190
11
1051
21
1076
91
1098
45
1120
42
1142
83
1165
68
1189
00

=952114.728+0.932X+1.24
7X+8.105X
2211629.963
2299997.147
2303889.745
2340026.063
2441128.293

/Y-/
75,179.96
3
72,588.14
7
58,470.74
5
63,167.93
7

2443581.401

3,830.707
80,229.40
1

2451922.417

6,455.417

2372735.663

5,766.663

2452312.264

2,231.264
92,012.49
1

2509682.491
2458652.295
2431602.564
2504817.628
2392167.126
2363670.008
2,391,901
2,420,697
2,450,068
2,480,028
2,510,586

2,534.705
69,725.43
6
40,417.62
8
103,740.8
74
187,996.9
92
210,799.
2264
234,057.
5055
257,780.
9502
281,978.
8637
306,660.
7356

24

Como nos muestra el resultado de la estimacin en base a la ecuacin del modelo, con el valor
de cada coeficiente y con los datos estimado de las variables en estudio se puede lograr una
estimacin para el periodo comprendido entre 2010 y 2014. Como no se dispone de los datos
para esos aos de las variables en estudio, estos se obtuvieron mediante un aumento del 2%
para cada ao posterior en cada variable y as lograr una estimacin que pueda reflejar en base
a este modelo la Poblacin Econmicamente Activa para esos aos.
Se puede observar que las proyecciones () estn ms o menos cercanas al valor observado en
(Y). Donde se observ las mayores variaciones estimadas sern en los aos 2013 y 2014 con
281,798.8637 y 306,660.7356 respectivamente y la menor en el ao 2003 con 2,231.264.
Tomando en cuenta siempre que los datos estn en funcin del nmero de personas
pertenecientes a esa rama de la actividad econmica.

24

CONCLUSIONES

Por medio del mtodo de regresin lnea, se hizo el anlisis correspondiente de relacin que
existe entre el Total de la PEA y las ramas de Actividad Econmica de la Industria
Manufacturera, Construccin y Transporte, Almacenaje y Comunicaciones. Al procesar lo
datos de la base de datos de por medio del programa Excel utilizando el complemento
XLSTAT se obtuvieron los siguientes resultados:
El valor de R2 nos indica que la proporcin de la variacin de las variables de
Industria Manufacturera, Construccin y Transporte, almacenaje y comunicacin
que son explicadas por la lnea de regresin es de 53% tambin podemos decir que
el modelo no es tan confiable.
El valor de R nos indica que hay una relacin moderada positiva entre las variables
Industria Manufacturera, Construccin y Transporte, almacenaje y comunicacin
con respecto a la PEA del 72.8%.
La prueba de Jarque-Bera nos indica que hay suficiente evidencia para aceptar que
existe una distribucin normal de cada una de las variables independientes, debido a
que existe una distribucin normal.
El test de significancia global del modelo Prueba F nos indica que si existe una
relacin lineal significativa entre la variable dependiente que es la Poblacin
Econmicamente Activa y las variables independientes Industria Manufacturera,
Construccin y Transporte, almacenaje y comunicacin ya que F=0.034, siendo
menor que =0.05, por lo que se concluye que se rechaza Ho.

24

RECOMENDACIONES

Usar una mayor cantidad de variables independientes que ayuden a explicar de una
mejor manera el comportamiento de la variable dependiente, para obtener una
buena representacin del modelo lineal
Utilizar un modelo de regresin lineal mltiple para analizar la relacin existente en
una variable dependiente y una o ms variables independientes, de esta manera se
obtendr un estudio confiable de las mismas.
Para mejores resultados se debera utilizar una base de datos lo ms grande posible,
esto har que los resultados de la prueba T y la prueba F, sean ms representativos.
Investigar bases de datos de largos periodos, que permitan una mayor confiabilidad
en el anlisis de los resultados.
Incentivar a las personas que deseen realizar una investigacin mediante un modelo
de regresin lineal mltiple a que utilicen programas estadsticos tales como el que
se emple en la presente investigacin que fue
Excel con su complemento
XLSTAT o los programas SPSS, Eviews, o Minitab.
Si los resultados obtenidos son desfavorables son desfavorables para el caso en
estudio, el investigador y analista de los datos debe hacer propuestas de como se
pueden mejorar estos resultados, mediante estrategias que permitan alcanzar los
resultados deseados

BIBLIOGRAFA

LIBROS.

1. Introduccin al anlisis de regresin lineal, Douglas C. Montgomery, Elizabeth A.

Peck, G. Geoffrey Vining; Editorial Continental, Primera edicin, Mxico 2002.
2. Anderson Sweeney Willians Estadstica para Administracin y Economa, Sptima
edicin.
3. Econometra Bsica, Damonar N. Gujarati, Bogot, 1997
4. David M. Levine y otros autores. Estadstica para Administracin Mxico: Pearson
Educacin, 2006.

INTERNET.

1. http://www.ecofinanzas.com/diccionario/P/POBLACION_ECONOMICAMENTE_ACTIVA.htm
2. http://www.eclac.org/publicaciones/xml/4/41104/DocW49.pdf

3. http://www.ilo.org/public/english/dialogue/ifpdial/downloads/wpnr/elsalvador.pdf
4. http://www.bcr.gob.sv/uploaded/content/category/949040148.pdf

ANEXOS

Bitcora de Actividades

Fecha

Responsable

Actividad Desarrollada

3de Noviembre
2011

A.G.M.A

Descarga de los lineamientos

del trabajo de investigacin

4 de
Noviembre
2011

A.G.M.A
D.I.C.D
M.A.C.V

Eleccin de posibles Temas de

Investigacin

8 de
Noviembre
2011

A.G.M.A
M.A.C.V

10 de
Noviembre
2011

A.G.M.A
D.I.C.D
M.A.C.V

12 de
Noviembre
2011

A.G.M.A
D.I.C.D
M.A.C.V

14 de
Noviembre
2011

A.G.M.A
D.I.C.D
M.A.C.V

15 de
Noviembre
2011

D.I.C.D
M.A.C.V

Presentacin y Aprobacin del

Tema de Investigacin.

Especificaciones del
modelo de regresin.
Hiptesis del Modelo de
regresin

Fuente de datos y descripcin

de variables

Resultados de la regresin

Observacione
s

Objetivos de la
Investigacin
Marco Terico de la
Investigacin

Limitaciones

Eleccin de
tema

Del 17 al 21 de
Noviembre
2011

22 de
Noviembre
2011

28 de
Noviembre
2011

Fecha
23 de
Noviembre
2011

29 de
Noviembre
2011

D.I.C.D
M.A.C.V

Test sobre supuestos del

modelo:
1. Normalidad
2. Prueba F
3. Prueba T
4. Intervalos de
Confianza

A.G.M.A

Asesora para el desarrollo del

trabajo

D.I.C.D
M.A.C.V

Proyeccin con la regresin

Obtenida

Responsable
A.G.M.A
D.I.C.D
M.A.C.V

Actividad Desarrollada
Proyeccin con la regresin
obtenida Portada
ndice
Introduccin
Bibliografa
Anexos

A.G.M.A
D.I.C.D
M.A.C.V
E.E.A.A

Entrega del Trabajo

No Hubo Limitacin
Hubo Limitacin
A.G.M.A: Adriana Guadalupe Martnez Ayala
D.I.C.D Doris Irene Castro Diaz
M.A.C.V Moises Alexander Chavez Vasquez
E.E.A.A Efrain Ernesto Arevalo Aparicio

Limitaciones

Problemas para
utilizar el
complemento
XLSTAT

Observaciones

TEORIA SOBRE MODELOS DE REGRESION LINEAL

Conceptos bsicos
Modelo de regresin

El anlisis de regresin mltiple es el estudio de la forma en que una variable dependiente,

y, se relaciona con dos o ms variables independientes.
El modelo de regresin lineal mltiple se define como la ecuacin que describe la forma en
que la variable dependiente, y, se relaciona con las variables independientes x1, x2,xp.
Otra definicin que se puede hacer sobre modelo de regresin mltiple es, que es una
ecuacin matemtica que describe como se relaciona la variable dependiente y con las
variables independientes x , x ,x . y un trmino de error .1
1

Y = 0 + 1 x 1 + 2 x 2+ + P x p +
En el modelo de regresin mltiple

0 , 1 , 2 ++ P

son los parmetros y (letra griega

psilon) es una variable aleatoria. Un examen detallado de este modelo indica que y es un
1Anderson Sweeney Willians Estadstica Para Administracin y Economa, Sptima edicin

funcin lineal de x1, x2,xp mas psilon. El trmino de erros explica la variabilidad en que
y que no puede explicar el efecto lineal de las p variables independientes.2
Interpretacin.
Este trmino de modelo de regresin mltiple es de mucha importancia ya que permite
relacionar variables independientes con una variable dependiente, y mediante esta relacin
que hace este modelo se puede realizar un estudio que permita conocer la relacin que
existe entre dichas variables.
Ejemplo.
Por ejemplo se tiene que el ingreso total del gobierno, depende de los ingresos de capital e
ingresos corrientes, es decir que los ingresos totales es la variable dependiente mientras que
los ingresos de capital y los ingresos corrientes son las variables independientes.
Linealidad de variables
El principal y quizs ms natural significado de linealidad es que la expectativa condicional
de Y es una funcin lineal de X1.3
Interpretacin.
Este concepto permite sencillamente identificar cuando una ecuacin es lineal o no
depender de cmo las variables estn constituidas, ya que si estn estas elevadas a la
potencia 1 es una funcin lineal pero si estn elevadas a otra potencia diferente de uno ya
no es una funcin lineal.
Ejemplo
Por ejemplo tenemos la siguiente ecuacin:

Y = 0 + 1 x 1 + 2 x 2

la cual es una funcin

lineal ya que geomtricamente la curva que se obtendra al graficar dicha ecuacin es un

aliena recta; pero si se tiene una ecuacin en la cual una variable independiente este elevada
al cuadrado, esta ya no sera una funcin lineal debido a que una de las variables x
aparecera al cuadrado.

Linealidad en parmetros

2Anderson Sweeney Willians Estadstica Para Administracin y Economa, Sptima edicin

3 Econometra Bsica, Damonar N. Gujarati, Bogot, 1997

El segundo sentido de linealidad es que la esperanza condicional de Y, E(x), es una funcin

lineal de los parmetros, de las ; puede ser o no lineal en la variables X.
De las dos interpretaciones de linealidad, la linealidad en los parmetros constituye el
concepto relevante en la teora del modelo de regresin mltiple. Por lo tanto la expresin
regresin lineal mltiple significa siempre un regresin lineal en los parmetros; las (es
decir los parmetros se elevan nicamente a la primera potencia), pudiendo o no ser
lineales en las variables explicativas, en las X. 4
Interpretacin.
El concepto de linealidad en parmetros sirve para identificar que si una funcin es lineal
en los parmetros, dando a conocer la forma en que se puede identificar si cualquier
funcin es lineal o no.
Ejemplo
Un ejemplo de este concepto es el siguiente: que digamos el parmetro 1, si 1 aparece
solamente con una potencia de 1, pero si este aparece multiplicado o dividido por algn
otro parmetro este, ya no pertenece a una funcin lineal por ejemplo 12, 2/1, etc.

Error estocstico
El error estocstico es la parte de la ecuacin que no recoge con ninguna variable. El
termino perturbacin sustituye todas aquellas variables que han sido excluidas del modelo
pero afectan conjuntamente a Y. 5
No es que sirve o no para algo, es algo que est, en econometra por lo menos el objetivo es
estimar de tal forma que la perturbacin sea mnima (a travs de minimizar los errores al
cuadrado).
Cuanto se desarrolla un modelo se tiene una variable "Y" que se quiere explicar su
comportamiento a travs de las variables independientes.
Y = 0 + 1x1 + 2x2 +ui
4 Econometra Bsica, Damonar N. Gujarati, Bogot, 1997
5 Econometra Bsica, Damonar N. Gujarati, Bogot, 1997

Ui
es
la
perturbacin
Esto existe por varias razones:

estocstica

error

estocstico.

a) La teora, si existe alguna, que determina el comportamiento de Y, suele ser

incompleta.
b) Aun en caso de que se conocieran algunas de las variables excluidas y que se
procediera entonces a plantear un modelo de regresin mltiple, es posible que no
existan cifras sobre dichas variables.
c) Algunos datos no se pueden describir a travs de alguna variable (por ejemplo si
hablamos de preferencias, no puedes medir las preferencias de las personas)
d) Son datos totalmente aleatorios (las personas actan de forma inexplicable a veces
que no se puede descifrar)
e) Se omiten variables (al momento de definir una ecuacin economtrica, el mismo
analista se "olvida" de poner otra variable que si existe pero no la tomas en cuenta.
f) Factores que ocurren sin ninguna frecuencia. (terremotos, hechos que ocurren una
sola vez)6
Interpretacin.
Esta definicin es de mucha ayuda ya que permite saber que al momento de construir
modelos de regresin siempre se dejan variables que no se toman en cuenta, y es que
existen ciertas condiciones por las cuales no se toman en cuenta o se dejan de considerar.

Ejemplo
Si se quiere explicar la inflacin, se sabe que se mueve por el tipo de cambio, el producto,
entre otras, pero nunca, se puede explicarla al 100% porque hay factores inobservables que
no se pueden definir por varias razones: o no se tienen datos, o son factores aleatorios, etc.

Regresin muestral
En muchas ocasiones los parmetros, en general no se conocen y se deben determinar a
partir de los datos de una muestra. Para calcular los estadsticos de la muestra b 0, b1, b2,
,bp que se utilizan como estimadores puntuales de los parmetros 0, 1, 2, p, se usan
en una muestra aleatoria. Esos estadsticos dan como resultado la ecuacin de regresin
mltiple estimada.
La ecuacin de regresin mltiple estimada se define como la estimacin de la ecuacin de
regresin mltiple, basada en los datos de la muestra y en el mtodo de los mnimos
cuadrados; y esta es:
6 http://es.answers.com/question/index?qid=20070914160028AANekSM

^y =b 0+ b1 x1 +b 2 x 2+ +b p x p
Generalmente es necesario trabajar con informacin muestral y no poblacional, por lo tanto,
esta ecuacin servir para trabajar con datos mustrales.7
Interpretacin.
La importancia de este concepto radica en que muchas veces no se pueden manejar o
trabajar con datos poblacionales porque son demasiados, sin embargo este concepto
proporciona una alternativa para trabajar con datos mustrales que no son ms que datos
sacados de un poblacin. Y a partir de la ecuacin se hace una estimacin de los resultados.
Ejemplo.
Como ejemplo se tiene que para trabajar con datos poblacionales con respecto al producto
financiero como variable dependiente, y los intereses sobre prestamos e intereses sobre
inversiones como variables independientes, los datos poblacionales son demasiados por lo
que para realizar un anlisis estimado se hace en base a una seleccin de una muestra y los
resultados del anlisis que se le realice a esta muestra se inferirn a la poblacin.

Error estndar de los mnimos cuadrados8

El error estndar es la desviacin estndar de la distribucin muestral del estimador y esta
es la distribucin de frecuencias o de probabilidades de un estimador.
Los estimadores de los mnimos cuadrados estn en funcin de la informacin maestral.
Sin embargo como los datos pueden cambiar de fcilmente de una muestra a otra, de igual
manera cambiara ipso facto los estimativos que se obtengan, por tanto se hace necesario
^
^
encontrar alguna medida de la confiabilidad o precisin de los estimadores y
. La precisin de un estimativo se mide a travs de su error estndar. Los estimadores de
MCO pueden obtenerse de la siguiente manera:

7Anderson Sweeney Willians Estadstica Para Administracin y Economa, Sptima edicin

8 Econometra bsica/ Damodar N. Gujarati, Bogot: McGraw-Hill, 1997.

^
Var ( ) =

Se (
) i

i
N i

^
Var ( ) =

^
Se ( ) =

i
N i

La raz cuadrada positiva de

ei
N 2

Se conoce como error estndar de la estimacin bsicamente es la desviacin estndar de

los valores y con respecto a la lnea de regresin estimada y que se utiliza con frecuencia
como una medida que resume la bondad del ajuste de la lnea de regresin estimada.
Caractersticas delas varianzas (y por lo tanto errores estndar) de
1. La varianza de
proporcional a

es directamente proporcional a

lo cual implica que, dado

^
y

pero inversamente

, cuanto mayor sea la

^
. Y mayor la

variacin en los valores de X, mas pequea ser la varianza de

precisin en la estimacin de
2. La varianza de

^
.

^
es directamente proporcional a

inversamente proporcional a

^
.

ya

y al tamao de la muestra.

pero

3. Puesto que

^
y

^
. Son estimadores no solo varan de una muestra a otra si

no que dentro de una muestra dada tienden a depender entre si. Esta dependencia
entre los estimadores se mide mediante la covarianza existente entre ellos.
Ejemplo.
Se recolectan datos de de una muestra de 10 restaurantes (ARMAND PIZZA PARLORS).
Calcular el error estndar.
Restaurante

Xi

yi

ventas ventas
pronosticadas
poblacin de trimestrales
y = 60+5xi
estudiantes
(miles de $)
(miles)

Error
yi

58

70

-12

144

105

90

15

225

88

100

-12

144

118

100

18

324

12

117

120

-3

16

137

140

-3

20

157

160

-3

20

169

160

81

22

149

178

-21

441

10

26

202

190

12

144

SCE =

1530

s = ECM =

SCE
n2

Error
al
cuadrado (
yi
-

1530
8

S=

S=

= 191.25

ECM

ECM

SCE
n2

191.25 = 13.829

Interpretacin.
El error estndar o desviacin estndar es el que no determina el numero de desvos de un
conjunto de datos con respecto a su media aritmtica, y el error estndar de los estimadores
^
de los mnimos cuadrados nos ayuda a verificar en que proporcin los estimadores y
^
. Se desvan de su media con respecto a todas las muestras posibles.

Supuestos del modelo de regresin lineal 9

Supuesto 1 (el valor medio o promedio de

E(

ui

Xi

ui

es igual a cero)

)=0

El supuesto plantea que el valor promedio de

ui

, dado un valor de

Xi

, es igual a cero.

Todo lo que se plantea es que aquellos factores que no estn incluidos explcitamente en el
ui
modelo, incorporados, por tanto, en
, no afecta sistemticamente el valor promedio de
Y; dicho de otro modo, los valores positivos de

ui

se cancelan con los valores negativos

de tal manera que su efecto promedio sobre Y es cero.

i
Supuesto 2 (homocedasticidad o igual varianza para u

9 Econometra bsica/ Damodar N. Gujarati, Bogot: McGraw-Hill, 1997.

ui

Var (

uj

) =E

[ u j E(u j) ]

E ( ui por el supuesto 1
A varianza condicional de

ui

es un numero positivo constante, igual a

tcnicamente representa el supuesto de homocedasticidad o igual (homo) dispersin

(cedasticidad) o igual varianza.
Supuesto 3 (no existe autocorrelacin alguna entre las perturbaciones)

Cov (

ui

=E(

ui u j

i
u
uj
,
) = E uiE [ u jE(u j ) ]

) por el supuesto 1

=0i j
Donde i y j son dos observaciones diferentes y cov significa covarianza, este supuesto se
conoce como el supuesto de correlacin no serial o de no auto correlacin.
Supuesto 4 las variables explicativas son no estocsticas (es decir fijas para muestreos
repetitivos) o si son estocsticas estn distribuidas independientemente de la perturbaciones
ui
Supuesto 5 no existe multicolinealidad entre las variables explicativas (las X).
Supuesto 6

Cov (

ui

(cero covarianza entre

Xi

ui

Xi

i
u
) = E uiE [ ( X iE X i ) ]

E=

[ u ( X E ( X ) ) ] ,
i

supuesto que E (

ui

)=0

Afirma que la perturbacin u y la variable explcita I no estn correlacionadas.

Este supuesto se cumple automticamente si la variable X no es aleatoria o estocstica
Supuesto 7 El modelo de regresin esta correctamente especificado (no existen sesgos ni
errores de especificacin)
Este es el supuesto ms riguroso y quizs el menos atractivo, esta para recordarnos que
nuestro anlisis de regresin y, por tanto los resultados que se obtengan con base al anlisis,
estn condicionados al modelo que se haya escogido, y de otro lado para advertirnos que
debemos cuidar debemos pensar cuidadosamente sobre la forma funcional de los modelos
economtricos, especialmente cuando existan diferentes teoras que rivalizan entre si para
explicar ciertos fenmenos econmicos como, por ejemplo , la tasa de inflacin.
Supuesto 8 10
El nmero de observaciones debe ser mayor que el nmero de parmetros a estimar.
Supuesto 9 11
Debe existir variabilidad en los valores de X. No todos los valores de una muestra dada
deben ser iguales. Tcnicamente la varianza de X debe ser un nmero finito positivo. Si
todos los valores de X son idnticos entonces se hace imposible la estimacin de los
parmetros.
Supuesto 10 12
No hay relaciones perfectamente lineales entre las variables explicativas. No existe
multicolinealidad perfecta. Aunque todas las variables econmicas muestran algn grado de
relacin entre s, ello no produce excesivas dificultades, excepto cuando se llega a una
situacin de dependencia total, que es lo que se excluy al afirmar que las variables
explicativas son linealmente dependientes.
10html.rincondelvago.com/metodo-de-minimos-cuadrados-ordinarios.html
11 IDEM
12 IDEM

Interpretacin.
Los supuestos son suposiciones o hiptesis con las que se debe relacionar la validez de
cualquier conclusin alcanzada mediante le mtodo de regresin lineal, y para poder
^
^
1
2
estimar
y
y conocer sus respectivas estimaciones y no solo basta
con la especificacin del modelo sino se deben plantear los supuestos antes mencionados
yi
xi
ui
para demostrar que
depende tanto de
como de
y estos supuestos son
importantes para realizar una una interpretacin vlida.

Propiedades de los estimadores de mnimos cuadrados: el teorema de

Gauss-Markov.13

Como se menciono anteriormente, dados los supuestos del modelo de regresin lineal
clsica, los estimativos de mnimos cuadrados poseen propiedades ideales y optimas, las
cuales se encuentran resumidas en el teorema de Gauss- Harkov. Para comprender este
teorema es necesario tener en cuenta la propiedad por la cual un estimador se considera el
2
mejor estimador lineal insesgado. Un estimador, digamos el estimador
, de MCO, es
el mejor estimador lineal insesgado (MELI) de

si:

1. Es lineal, es decir, una funcin lineal de una variable aleatoria tal como la variable
dependiente Y en el modelo de regresin.

2. Es insesgado, es decir, su valor promedio o esperado

2
verdadero

, es igual al valor

3. Tiene varianza mnima entre la clase de todos los estimadores lineales insesgado; a
un estimador insesgado con varianza mnima se le conoce como un estimador
eficiente.
En el contexto del anlisis de regresin se pude demostrar que los estimadores de MCO son
MELI. Esta es la clave del famoso teorema de Gauss-Markov, el cual se puede enunciar de
la siguiente forma:
13Econometra bsica/ Damodar N. Gujarati, Bogot: McGraw-Hill, 1997.

Teorema de Gauss-Markov: Dados los supuestos del modelo clsico de regresin lineal,
los estimadores de mnimos cuadrados, en la clase de estimadores lineales insesgado, tienen
la varianza mnima; es decir, son MELI.
Ejemplo. 14
1.

es un estimador insesgado de . Esto es,

Demostracin

y como

entonces

2. La matriz de varianzas y covarianzas del vector

es cov

Demostracin
La demostracin es la misma vista en notacin matricial para regresin simple.
Ejemplo
Para los datos del ejemplo se tiene que la estimacin de la matriz de varianzas-covarianzas
del vector

es

14virtual.unal.edu.co/cursos/ciencias/2007315/lecciones_html/capitulo_5/leccion3/propi
edadesparametros

Los errores estndar de cada parmetro es dado en la tabla:

Parmetro

Error estndar

Interpretacin:
2

^
Esta simtricamente distribuido y el valor del estimador ( ) es igual al valor

verdadero de

y por ello es un valor insesgado quiere decir que su valor esperado es

igual al parmetro, su varianza tambin debe ser mnima la distribucin debe ser
concentrado alrededor del valor de la media.

Test de supuestos
Normalidad: Test de JarqueBera.15

Es una prueba asinttica de normalidad para grandes muestras. Una prueba de normalidad
es un proceso estadstico utilizado para determinar si una muestra o cualquier grupo de
datos se ajustan a una distribucin normal.
Analiza la relacin entre el coeficiente de asimetra y la curtosis de los residuos de la
ecuacin estimada y los correspondientes de una distribucin normal, de forma tal que si
estas relaciones son suficientemente diferentes se rechazar la hiptesis nula de normalidad.
La prueba lleva el nombre de Carlos Jarque y Anil K. Bera. El estadstico de prueba JB se
define como

Donde n es el nmero de observaciones (o grados de libertad en general), S es la muestra de

la asimetra, y K es la muestra de curtosis:

Donde

respectivamente,

, son las estimaciones del tercero y cuarto momentos centrales,

es la muestra media , y

es la estimacin de la varianza .

15xa.yimg.com/.../Asimetr%C3%ADa+%C2%96+Curtosis+
%C2%96+Jarque+Bera.pptx

La estadstica de JB tiene un asinttica chi-cuadrado de distribucin con dos grados de

libertad y se puede utilizar para probar la hiptesis nula de que los datos son de una
distribucin normal. La hiptesis nula es una hiptesis conjunta donde la asimetra es cero
y el exceso de curtosis es 0, puesto que las muestras de una distribucin normal tiene un
sesgo esperado de 0 y un exceso de curtosis esperado de 0 (que es lo mismo que una
curtosis de 3).
Test de Jarque-Bera: En qu consiste?
El test de simetra se realiza para contrastar:
Ho: A=k=0, lo que significa simetra exacta, existe relacin normal.
H1: A0 y k=0, lo que significa que existe asimetra, no existe relacin normal
Si falla el test de asimetra o el test de curtosis, entonces falla el supuesto de normalidad.
Interpretacin del grupo:
El test de JarqueBera al aplicarlo ayuda a verificar si se est trabajando con una muestra
que est distribuida normalmente o se aproxima a la normal, cumpliendo as alguno de los
dos puntos del Teorema del Lmite Central o si la poblacin no es normal. En el caso de ser
normal se aceptara la hiptesis nula y si no es normal se aceptara la hiptesis alterna.
Ejemplo:
Para poder aplicar el test de normalidad de JarqueBera es necesario contar con los datos de
asimetra y curtosis de un modelo de regresin, en este caso solo para fines de aplicacin
del concepto haremos las siguientes suposiciones:
En un estudio sobre Riesgo del test de Raz Unitaria Aumentado de Dickey-Fuller (DFAO)
con valores outliers16, cuando la serie es estacionaria tenemos los siguientes datos:
Ho: La serie tiene raz unitaria
H1: La serie no tiene raz unitaria
Usando un nivel de significacin del 5%
Asimetra de -0.010
16www.monografias.com

Curtosis

de

3.269

Tamao de la

Muestra= 30

Sustituyendo en la formula:
0.010
3.269

JB=
+ 1 ( 2)
30
4

6
JB=13.36
Conclusin: en este caso se rechaza la hiptesis nula, entonces el estadstico no se ajusta a
la normal.
Test de significancia global del modelo: Prueba F.17
La prueba F global se utiliza para probar la significancia del modelo de regresin mltiple
global. Esta prueba determina si existe una relacin significativa entre la variable
dependiente y todo el conjunto de variables independientes.
Prueba F para significancia general
0 : 1= 2== p=0

17 Estadstica para Administracin. David M. Levine y otros autores. Mxico:

Pearson Educacin, 2006.

 a : u no o ms de los parmetros no es igual a cero

Estadstico de prueba F global
=

MSR
MSE

Donde:
=Estadistico de prueba de una distribucin F con K y nk1 grados de libertad
K= Nmero de variables independientes en el modelo de regresin
Tabla resumida del anlisis de varianza (ANOVA)

Fuente

Regresin

Grados de
Libertad

Suma de
Cuadrados

SSR

Error

Total

Media
cuadrtica
(Varianza)
MSR=

SSR
K

F=

MSR
MSE

MSE=
n-k-1

SSE

n-1

SST

SSE
nk 1

Interpretacin del grupo.

La prueba F en la estimacin lineal mltiple es de mucha utilidad ya que esta nos demuestra
si en un estudio existe relacin lineal entre la variable dependiente y las variables
independientes y adems si esta relacin es significativa es por eso que es llamada prueba
o
de significancia global, en este caso si se rechaza
estaremos aceptando que existe
una relacin entre las variables de lo contrario la prueba F mostrara que no existen los
suficientes recursos como para aceptar que existe una relacin verdaderamente
significativa.

Ejemplo.
Se tiene la siguiente ecuacin de regresin estimada para relacionar ventas con activo en
inventario y gastos de publicidad18:
^ =25+10 1 +8 2
Los datos que se usaron para determinar el modelo provinieron de una encuesta de 10
tiendas; para esos datos, SST= 16000 y SSR= 12000
a) Calcule SSE, MSE y MSR
SSE= SST-SSR = 16000

MSR=

SSR
K

MSE=

SSE
nk 1

12000
2

12000 = 4000

=6000

4000
1021

= 571.4285714

b) Mediante una prueba F con un nivel de significancia de 0.05, determine si hay una
relacin entre las variables.

Grados de libertad para el numerador: 2

Prueba F:

18 Ejercicio N 22 del capitulo 15 libro de Anderson Sweeney Willians,

Estadstica para Administracin y Economa, sptima edicin.

MSR
Grados de libertad para el denominador: 7 F= MSE

6000
571.4285714 = 10.5

Nivel de significancia: 0.05

Conclusin:
El valor de F se sita en la zona de rechazo, por lo que se rechaza la hiptesis nula es decir
con un nivel de significacin del 5% existe una relacin lineal significativa entre las ventas
con activo de inventario y gastos de publicidad.
Determinacin de intervalos de confianza para los coeficientes estimados. 19
En lugar de probar la significancia de una pendiente poblacional. Quiz se desee estimar el
valor de la pendiente poblacional. La siguiente ecuacin define la estimacin del intervalo
de confianza para una pendiente poblacional en un modelo de regresin mltiple.
b j t nk1 S b j
Interpretacin del grupo:
En la estimacin del intervalo de confianza podemos obtener un intervalo donde
1 y 2
probablemente se encuentren los valores tanto de
, ya que se debe ser precavido
al interpretar un intervalo porque no siempre se pueden encontrar los verdaderos valores de
1 y 2
esto depender tambin del nivel de confianza con el que se est trabajando,
adems es preciso recordar que se trata de una estimacin.
Ejemplo:
Si se quiere elaborar una estimacin del intervalo de confianza del 95% para una pendiente
1
x1
poblacional
(el efecto del precio
sobre las ventas Y, manteniendo constante el
efecto de los gastos promocionales
Nivel de confianza = 95%

x2

), donde:

Grados de Libertad= 31

Valor t= 2.0395

19Pag. 480, Estadstica para Administracin. David M. Levine y otros autores.

Mxico: Pearson Educacin, 2006.

Valor de

= -53.2173

Valor

S b1

= 6.8522

b j t nk1 S b j
-53.2173

(2.0395)(6.8522)

-53.2173

13.9752

-67.1925

-39.2421

Conclusin:
Tomando en cuenta el efecto de los gastos promocionales, el efecto estimado de un
aumento de 1 centavo en el precio reduce la media de las ventas de 39.2 a 67.2 barras,
aproximadamente. Hay un 95% de confianza de que este intervalo estima de manera
correcta la relacin entre estas variables. Desde el punto de vista de la prueba de hiptesis,
como este intervalo de confianza no incluye al 0 se concluye que el coeficiente de
1
regresin
tiene un efecto significativo.

Test de significancia de coeficientes: Prueba t 20

La prueba t se aplica para determinar si cada una de las variables independientes tiene
significancia. Se hace una prueba t por separado para cada variable independiente en el
modelo; a cada una de esas pruebas t se le llama prueba de significancia individual.
20 Anderson Sweeney Willians, Estadstica para Administracin y Economa, sptima
edicin.

Prueba t de significacin individual

Para cualquier parmetro

1 H 0 : i =0
H a : i 0

Estadstico de prueba

t=

bi
S bi

Interpretacin del grupo:

La prueba t nos muestra la significacin de cada uno de los parmetros en el modelo de
regresin, nos muestra ms especficamente a diferencia de la prueba F si cada una de las
variables independientes tienen relacin lineal significativa con la variable dependiente ya
que los resultados de sus respectivos estadsticos de prueba se comparan con el valor de t y
dependiendo de los resultados se rechaza o se acepta la hiptesis nula.

BASE DE DATOS Y DICCIONARIO DE BASE DE DATOS.

Ao
s
199
5
199

Industria
Manufacturera
(X1)
402945
393117

Construcc
Transporte,
in
Almacenaje
(X2)
y Comunicaciones
(X3)
146885
53415

86460
97494

Total general
PEA
Y
1274575
1090048

6
199
7
199
8
199
9
200
0
200
1
200
2
200
3
200
4
200
5
200
6
200
7
200
8
200
9

353867

157904

101797

1229133

438791

146699

98214

1369406

451386

152599

108332

1426633

432169

134455

113636

1362520

425834

147588

113373

1375591

424559

151816

103099

1360950

423449

176624

109228

1420605

397600

176759

119258

1389238

391034

165332

115475

1345687

385646

181907

110207

1357526

404258

169487

109011

1367519

417507

159527

105121

1366318

381156

147139

107691

1273981

DICCIONARIO.

Industria Manufacturera (X1). Se entiende como industria manufacturera a las

actividades orientadas a la transformacin mecnica, fsica o qumica de bienes naturales
o semiprocesados en artculos cualitativamente diferentes. . Realiza el ensamble de piezas
para armar productos destinados al consumidor final; como aparatos electrnicos, vestido,
calzado y autos, entre otros. En la industria manufacturera se ubica la industria alimenticia,
textil, electrnica y automotriz.
Construccin (X2). El sector de la construccin comprende un amplio abanico de
actividades entre las que destacan la ingeniera y la obra civil, la construccin de edificios y
otras actividades auxiliares (tales como obras de aislamiento, fontanera, instalacin de
moldes y escayolas, pinturas, etc.) y la demolicin de tales edificios (incluyendo el alquiler
de la maquinaria necesaria para ello, la remocin de la tierra y los exmenes y evaluaciones
de las fincas).

Transporte, Almacenaje y Comunicaciones (X3). El sector Transporte, Almacenamiento

y Comunicaciones comprende: el transporte terrestre, areo, acutico, transporte por
tubera (oleoducto); los servicios conexos y servicios auxiliares que faciliten el
funcionamiento de los vehculos de transporte; carga y descarga de los bienes, terminales
de puertos, aeropuertos; las agencias de contrata de carga y pasajes; playas de
estacionamiento y peajes; los almacenes, agencias de viajes y las actividades de los guas
tursticos. El alquiler de equipo de transporte con conductor est relacionado con el
transporte y se incluye en esta actividad. Las comunicaciones comprenden telefona, fax,
correspondencia escrita, mensajes, etc.

PEA. La poblacin econmicamente activa (PEA) est compuesta por todas las
personas de 10 y ms, que se encuentran en condiciones de trabajar, y est
formada por los ocupados y desocupados. Grupo poblacional constituido por
las personas que estando en edad de trabajar, efectivamente forma parte de la
fuerza de trabajo, al mantenerse en una ocupacin o buscarla activamente

TABLAS Y GRAFICOS.

Matriz de Correlacion:
Variables

Industria
Manufacturera
Construccin
Transporte,
almacenaje y
comunicacin.
PEA (por ao)

Industria
Manufactu
rera
1.000

Construc
cin

PEA (por
ao)

-0.332

Transporte,
almacenaje y
comunicacin.
0.042

-0.332
0.042

1.000
0.418

0.418
1.000

0.342
0.700

0.185

0.342

0.700

1.000

0.185

Estadisticas de Multicolienalidad:
Estadsti
ca
Tolerancia
VIF

Industria
Manufacturera
0.850
1.176

Construcci
n
0.703
1.422

Transporte, almacenaje y
comunicacin.
0.789
1.267

PEA (por ao) / Residuos estandarizados

2.5
2
1.5
1

Residuos estandarizados

0.5
0
2100000
-0.5

2300000

-1
-1.5

PEA (por ao)

2500000

PEA (por ao) / Coeficientes estandarizados

(Int. de conf. 95%)
0.7

0.630

0.6
0.5
0.4

C oeficientes estandarizados
0.3
0.2

0.208

0.148

0.1
0

Variable

Pred(PEA (por ao)) / Residuos estandarizados

2.5
2
1.5
1

Residuos estandarizados

0.5
0
2200000 2250000 2300000 2350000 2400000 2450000 2500000 2550000
-0.5
-1
-1.5

Pred(PEA (por ao))

Pred(PEA (por ao)) / PEA (por ao)

PEA (por ao)

2150000
2250000
2350000
2450000
2550000
2100000
2200000
2300000
2400000
2500000
2600000

Pred(PEA (por ao))