TRABAJO DE ECONOMETRIA (Dicotomas)

9.1. Si se tiene información mensual para distintos años, ¿Cuántas variables dicótomas se introducirán para
probar las siguientes hipótesis?:

a).- Todos los 12 meses del año presentan patrones estacionales.

Si una variable cualitativa tiene m categorías, solo hay que agregar (m-1) variables dicótomas

m-1
12-1=11
Rta: se va a utilizar 11 variables dicótomas.

b).- solamente febrero, abril, junio, agosto, octubre y diciembre presentan patrones estacionales.
Si una variable cualitativa tiene m categorías, solo hay que agregar (m-1) variables dicótomas

m-1
6-1=5
Rta: se va a utilizar 5 variables dicótomas.

9.2. Considérese los siguientes resultados de regresión (las razones t están entre paréntesis):

ŶI = 1286 +104.97X 2i - 0.026X 3i + 1.20X 4i + 0.69X 5i

t = (4.67) (3.70) (-3.80) (0.24) (0.08)

-19.47X 6i + 266.06X 7i -118.64X 8i - 110.61X 9i

(-0.40) (6.94) (-3.04) (-6.14)

Donde:
Y = horas de trabajo del año deseadas por la esposa, calculadas como las horas usuales de trabajo del año,
mas las semanas invertidas en buscar trabajo.
X 2 = ingresos promedio reales por hora después de impuestos de la esposa.
X 3 = ingresos anuales reales después de impuestos del esposo en el año anterior.
X 4 = edad de la esposa en años:
X 5 = años completos de escolaridad de la esposa.
X 6 = variable de actitud: 1 si el entrevistado piensa que es correcto que una mujer trabaje si así lo desea y si
su esposo esta de acuerdo; 0 en cualquier otro caso.
X 7 = variable de actitud: 1 si el esposo de la entrevistada favoreció que su esposa trabajara; 0 en cualquier
otro caso.
X 8 = numero de hijos menores de 6 años.
X 9 = numero de hijos de 6 a 9 años.

a).- ¿Los signos de los coeficientes de las diversas regresoras no dicótomas tienen algún sentido económico?
Justifique su respuesta.
X2
El signo de los ingresos promedio reales por hora de impuestos de la esposa nos indica que existe una relación
directa con las horas de trabajo al año deseados por la esposa, calculados como las horas usuales de trabajo al año
mas las semanas invertidas en buscar trabajo; es decir dado un incremento unitario en X 2i se estima que también se
incrementara ŶI en 104.97 horas al año manteniendo todas las demás variables constantes.

X3
El signo de los ingresos anuales reales después de impuestos del esposo en el año anterior nos indica que existe una
relación inversa con las horas de trabajo al año deseados por la esposa, calculados como las horas usuales de
trabajo al año mas las semanas invertidas en buscar trabajo; es decir dados incrementos unitarios en X 3 se estima
que ŶI disminuirá en 0.026 horas al año manteniendo todas las demás variables constantes.

X4
El signo de la edad de la esposa en años nos indica que existe una relación directa con las horas de trabajo al año
deseados por la esposa, calculados como las horas usuales de trabajo al año mas las semanas invertidas en buscar
trabajo; es decir dados incrementos unitarios en X 4 se estima que ŶI también se incrementará en 1.20 horas al año
manteniendo las demás variables constantes.
X5

El signo de los años completos de escolaridad de la esposa nos indica que existe una relación directa con las horas d
trabajo al año deseadas por la esposa , calculadas como la horas usuales de trabajo al año, mas las semanas
invertidas en buscar trabajo; es decir dado un incremento unitario en X 5 se estima que Yˆi también se incrementará

en 0.69 horas al año manteniendo todas la demás constante.

X8

El signo de el numero de hijos menores de 6 años nos indica que existe una relación inversa con las horas d trabajo
al año deseadas por la esposa , calculadas como la horas usuales de trabajo al año, mas las semanas invertidas en
buscar trabajo; es decir dado un incremento unitario en X 8 se estima que Yˆi disminuirá en 118.64 horas al año

manteniendo todas la demás constante.

X9
El signo de el numero de hijos de 6 a 13 años nos indica ue existe una relación inversa con las horas de trabajo al
año deseadas por la esposa , calculadas como la horas usuales de trabajo al año, mas las semanas invertidas en
buscar trabajo; es decir dado un incremento unitario en X 9 se estima que Yˆi disminuirá en 110.61 horas al año
manteniendo todas la demás constante.

b).- ¿Cómo se interpretaría las variables dicótomas X 6 y X 7 ? ¿Son estadísticamente significativas? Puesto
que la muestra es muy grande, talvez se utilice la regla practica “2-t” para responder la ultima pregunta.

i).-
X6X7

X6

1= si el entrevistado piensa que es correcto que una mujer trabaje si así lo desea y si su esposo esta de
acuerdo.
0= en cualquier otro caso.

X7
1= si el esposo de la entrevistada favoreció que su esposa trabajará.
0= en cualquier otro caso.

X6

-19.47 es igual a las horas de trabajo diferencial al año deseadas por la esposa, calculadas como la horas usuales de
trabajo al año, mas las semanas invertidas en buscar trabajo entre la categoría base y si el entrevistado piensa que es
correcto que una mujer trabaje si así lo desea y si su esposo esta de acuerdo manteniendo constante
X2X3X4X5X8X9 .

X7
266.06 es igual a las horas de trabajo diferencial al año deseadas por la esposa, calculadas como la horas usuales de
trabajo al año, mas las semanas invertidas en buscar trabajo entre la categoría base y si el esposo de la entrevistada
favoreció que su esposa trabajará manteniendo constante X 2 X 3 X 4 X 5 X 8 X 9 .

ii).-
X6

Dado un t de -0.40 se puede decir que no es estadísticamente significativa, es decir no existe suficiente evidencia
estadística para rechazar la Ho de que β 6 =0.

X7
Dado un t de 6.94 se puede decir que es estadísticamente significativa, es decir no existe suficiente evidencia
estadística para aceptar la Ho de que β 7 =0.

c).- ¿Por qué se cree que las variables edad y escolaridad no son factores significativos en la decisión de la
mujer respecto a participar en la fuerza de trabajo, en este estudio?
X 4 y X 5 no son factores significativos en la decisión de la mujer respecto a participar en la fuerza de trabajo, en

este estudio ya que los t calculados son bajos debido a que la mujer puede trabajar a cualquier edad y tener
cualquier nivel de escolaridad.

9.3 Considérese los siguientes resultados de una regresión (Los datos reales se proporcionan en la tabla 9.7)

tasa de tasa de
año y Tasa de trabajo año y tasa de trabajo
trimestre desempleo vacante D DV trimestre desempleo vacante D DV
1958-lV 1,915 0,51 0 0 1965-l 1,201 0,997 0 0
1959-l 1,876 0,541 0 0 -ll 1,192 1,035 0 0
-ll 1,842 0,541 0 0 -lll 1,259 1,04 0 0
-lll 1,75 0,69 0 0 -lV 1,192 1,086 0 0
-lV 1,648 0,771 0 0 1966-l 1,089 1,101 0 0
1960-l 1,45 0,836 0 0 -ll 1,101 1,058 0 0
-ll 1,393 0,908 0 0 -lll 1,243 0,987 0 0
-lll 1,322 0,968 0 0 -lV 1,623 0,819 1 0,819
-lV 1,26 0,998 0 0 1967-l 1,821 0,74 1 0,74
1961-l 1,171 0,968 0 0 -ll 1,99 0,661 1 0,661
-ll 1,182 0,964 0 0 -lll 2,114 0,66 1 0,66
-lll 1,221 0,952 0 0 -lV 2,115 0,698 1 0,698
-lV 1,34 0,849 0 0 1968-l 2,15 0,695 1 0,695
1962-l 1,411 0,748 0 0 -ll 2,141 0,732 1 0,732
-ll 1,6 0,658 0 0 -lll 2,167 0,749 1 0,749
-lll 1,78 0,562 0 0 -lV 2,107 0,8 1 0,8
-lV 1,941 0,51 0 0 1969-l 2,104 0,783 1 0,783
1963-l 2,178 0,51 0 0 -ll 2,056 0,8 1 0,8
-ll 2,067 0,544 0 0 -lll 2,17 0,794 1 0,794
-lll 1,942 0,568 0 0 -lV 2,161 0,79 1 0,79
-lV 1,764 0,677 0 0 1970-l 2,225 0,757 1 0,757
1964-l 1,532 0,794 0 0 -ll 2,241 0,746 1 0,746
-ll 1,455 0,838 0 0 -lll 2,366 0,739 1 0,739
-lll 1,409 0,885 0 0 -lV 2,324 0,707 1 0,707
-lV 1,296 0,978 0 0 1971-l 2,516 0,583 1 0,583
-ll 2,909 0,524 1 0,524

TDˆ t = 2.7491 + 1.1507 Dt − 1.5294Vt − 0.8511(DtVt )

t = (26.896) (3.6288) (-12.5552) (-1.9819)
R = 0.9128
2

Donde: TD = tasa de desempleo, %

V = tasa de trabajo vacante, %
D = 1, para el período que comienza el cuarto trimestre de 1966
= 0, para el período anterior al cuarto trimestre de 1966
t = tiempo, medido en trimestres

Nota: en el cuarto trimestre de 1966, el entonces gobierno laborista, liberalizó la Ley de Seguro Nacional,
reemplazando el sistema de tasa fija para beneficios del desempleo de corto tiempo, por un sistema mix6to de
tasa fija y beneficios relacionados con los ingresos (anteriores), el cual incrementó el nivel de los beneficios de
desempleo.

a).- ¿Cuáles son las expectativas a priori respecto a la relación entre las tasas de desempleo y vacantes?

La relación que existe entre las tasas de desempleo y vacantes es inversa es decir si se da un incremento porcentual
del 1% en la tasa de trabajo vacante se estima que la tasa de desempleo disminuirá en 1.53%.

b).- Si la tasa de vacancia se mantiene constante, ¿cuál es la tasa promedio de desempleo para el período que
comienza el cuatro trimestre de 1966?

La tasa promedio de desempleo para el período que comienza el cuarto trimestre de 1966 es de (2.7491+1.1507) =
36.8998% permaneciendo la tasa de trabajo vacante constante.

¿Es estadísticamente distinto del período anterior al cuarto trimestre de 1966? ¿Cómo se puede saber?

Si es estadísticamente distinta del período anterior al cuarto trimestre de 1966 debido a que la tasa de desempleo
diferencial entre la categoría base y el período que comienza el cuarto trimestre de 1966 es de 1.1507%.
c).- ¿Las pendientes para el periodo anterior y posterior al cuarto trimestre de 1966 son estadísticamente
distintas? ¿Cómo se sabe?

Las pendientes tanto para los dos períodos son estadísticamente significativas, es decir varían en los dos períodos lo
cual verificamos con los valores t de las pruebas de significancia individual ya que nos da valores mayores a 2.5.

d).- ¿Se puede concluir con toda seguridad, a partir de este estudio, que los generosos beneficios del
desempleo propician tasas más altas de vacantes? ¿Lo anterior tiene algún sentido económico?

Esta conclusión no es correcta ya que fijándonos en el modelo se ve que la tasa de desempleo disminuye a medida
que aumenta la tasa de trabajo vacante.

9.12. Basado en información para 101 países sobre el ingreso pér capita en dólares (X) y la esperanza de vida
en años (Y) a principios de la década de los años setenta. Sen y Srivastava obtuvieron los siguientes
resultados de regresión:

YˆI = -2.40 + 9.39 In X i - 3.36 [Di (InX i − 7 )]

se = (4.73) (0.859) (2.42) R 2 = 0.752

Donde D i =1 si In de X i > 7, y D i = 0 de lo contrario. Nota: cuando In de X i =7, X Us$1097

(aproximadamente).

a).- ¿Cual podría ser la razón para introducir la variable ingreso en forma logarítmica?

Es importante introducir la variable ingreso en forma logarítmia debido a que como estamos trabajando
con una muestra grande (101 países), los datos seran más representativos y comprensibles en cifras
porcentuales que en términos absolutos, y esto dificultaría la presentación de los resultados al expresar
el valor de los ingresos en cantidades muy altas.

b).- ¿Cómo se interpretaría el coeficiente 9.39 del In X i ?

Dado un incremento porcentual del 1% en el ingreso per cápita se estima que la esperanza de vida en años a
principios de la década de los años setenta se incrementará en un 0.09 centavos de dólar por año.

c).- ¿Cuál podría ser la razón para introducir el regresor [Di (InX i − 7 )] ? ¿Cómo se explica este regresor? Y
¿Cómo se interpreta el coeficiente -3.36 de este regresor?

La razón para introducir el regresor Di (In Xi – 7) podría ser debido a que cada país tiene diferente nivel
económico, por esta razón la esperanza de vida para sus habitantes es distinta ya que unos países son más
desarrollados que otros, además no solo el ingreso es el único indicador que afecta a la esperanza de vida, por lo
que éste regresor se explicaría como el segmento al cual la regresión cambia de sentido, y en conjunto con la
técnica de la variable dicótoma se estimarían las diferentes pendientes de los dos segmentos de la regresión
conocida ahora como la regresión lineal por tramos.

-3.36 nos diría que para un ingreso per cápita superior a $1097 en promedio la esperanza de vida medida en años a
principios de los setenta fue de -3.36. Suponiendo que ln X = 8 entonces la diferencia entre (In Xi – 7) = 1.

d).- Suponiendo un ingreso pér capita de US$ 1097 como la línea divisoria entre los países mas pobres y los
mas ricos, ¿Cómo se derivaría la regresión para países cuyo ingreso pér capita es menor que US$ 1097 y la
regresión para países cuyo ingreso pér capita es mayor que US$ 1097.

Como D i =1 si In de X i >7, y D i = 0 de lo contrario entonces Di (In Xi – 7) sería igual a cero y por lo tanto la
regresión se formaría de la siguiente manera para los países pobres con un ingreso per cápita menor a $1097:

∧
Y i = − 2 . 40 + 9 . 39 ln X i

Ahora suponiendo un ingreso per cápita mayor que $1097 por ejemplo $2981 entonces (ln 2981=8) por lo
tanto la regresión seguiría siendo la misma porque Di (In Xi – 7) me daría igual a 1 y el coeficiente también
es igual a -3.36.

YˆI = -2.40 + 9.39 In X i - 3.36 [Di (InX i − 7 )]

e).- ¿Qué conclusiones generales se obtienen del resultado de la regresión presentada en este problema?
Podemos concluir diciendo que a un In >7, 3.36 sigue siendo la esperanza de vida promedio si la dicótoma es
igual a 1.

9.16. Para estudiar la tasa de crecimiento de la población de Belice durante el periodo 1970-1992, Mukherjee
et al., estimaron los siguientes modelos:

Modelo I: In (Pob) t = 4.73 + 0.024t

t= (781.25) (54.71)

Modelo II: In (Pob) t = 4.77 + 0.015t- 0.075D 1+ 0.011(D t t)

t= (2477.92) (34.01) (-17.03) (25.54)

Donde Pob = población en millones; t= variable de tendencia; D 1 =1 para observaciones que comenzaron en
1978 y 0 antes de 1978; y In significa logaritmo natural.

a).-En el modelo I, ¿Cuál es la tas de crecimiento de la población de Belice durante el periodo de muestra?

En el modelo I la tasa de crecimiento de la población de Belice durante el período de muestra es de 2.4% es decir,
dado un incremento unitario en la variable de tendencia se estima que la población en millones se incrementará en
2.4%.

b).- ¿Las tasa de crecimiento son estadísticamente distintas antes y después de 1978? ¿Cómo se sabe? Si son
diferentes, ¿Cuáles son las tasas de crecimiento para 1972-1977 y 1978-1992?

De acuerdo a los valores t de la prueba de significancia individual nos podemos dar cuenta que los coeficientes
tanto de la pendiente como del intercepto son estadísticamente significativas lo cual significaría que hay diferente
pendiente y diferente intercepto es decir estamos tratando con regresiones no similares.

Tasa de crecimiento para 1972-1977

Para calcular esta tasa reemplazo en la regresión dada 0 ya que este valor nos indica antes de 1978.
ln Pob = 4.77+0.015 t

Tasa de crecimiento para 1978-1992

Para calcular esta tasa reemplazo en la regresión dada 1 en las variables dicótomas ya este valor nos indica las
variaciones que comienzan en 1978 y luego se saca el factor común y se obtiene la siguiente regresión.
Ln Pob =4.695+0.026 t

9.21. Utilice los datos dados en la tabla 9.2 y considérese el siguiente modelo.
ln Ahorros i = β 1 + β 2 ln Ingresosi + β 3 ln Di + u i

donde ln significa logaritmo natural y Di = 1 para 1970-1981 y 10 para 1982-1995

observación Ahorros Ingreso Dum

1970 61 727,1 0
1971 68,6 790,2 0
1972 63,6 855,3 0
1973 89,6 965 0
1974 97,6 1054,2 0
1975 104,4 1159,2 0
1976 96,4 1273 0
1977 92,5 1401,4 0
1978 112,6 1580,1 0
1979 130,1 1769,5 0
1980 161,8 1973,3 0
1981 199,1 2200,2 0
1982 205,5 2347,3 1
1983 167 2522,4 1
1984 235,7 2810 1
1985 206,2 3002 1
1986 196,5 3187,6 1
1987 168,4 3363,1 1
1988 189,1 3640,8 1
1989 187,8 3894,5 1
1990 208,7 4166,8 1
 1991 246,4 4343,7 1
1992 272,6 4613,7 1
1993 214,4 4790,2 1
1994 189,4 5021,7 1
1995 249,3 5320,8 1

Corrido el modelo se obtuvo los siguientes resultados: como se puede observar en el anexo N. 1
ln Ahorros i = −0.159 + 0.670 ln Ingresosi + 0.00 ln Di

a) ¿Cuál es el razonamiento detrás de la asignación de valores dicótomas, tal y como se sugiere?

No tiene ningún sentido la asignación de la variable dicótoma, tal como se sugiere en el modelo debido a que
obtenemos un beta 3 igual a cero y por lo tanto no va haber diferencia en los dos periodos en cuanto a la dicótoma
pero si se va a encontrar diferencia en cuanto a la variación de los ahorros en estos dos periodos.

b) Estímese el modelo anterior e interprétense los resultados.

Estimando el modelo que se presenta en el libro se obtuvo los siguientes resultados, el modelo corrido se
encuentra en el anexo N. 1

ln Ahorros i = −0.159 + 0.670 ln Ingresosi + 0.00 ln Di

ee= ( 0.766) (0.107) (0.058)
t= (-0.207) (6.236) (-0.005)

INTERPRETACIONES

β2
Dado un incremento porcentual del 1% en los ingresos se estima que el ahorro también se incrementará en un
0.67%, además nos podemos dar cuenta que existe una relación directa entre el ahorro y el ingreso es decir si se
incrementa el ingreso el ahorro también se incrementará y viceversa.

D1
Dado que el coeficiente de la dicótoma es igual a cero no se puede interpretar para ningún periodo, es decir no tiene
relevancia el valor de la dicótoma.

c).- ¿Cuáles son los valores de la intersección de la función ahorro en los dos subperíodos y cómo se
interpretarían?

Para realizar esta pregunta corrimos el modelo en los dos subperíodos, los modelos corridos encontramos en el
anexo N.2 para el subperiodo 1 y en el anexo N.3 para el subperiodo 2 y obtuvimos las regresiones siguientes:

Subperíodo 1
ln Ahorros i = −2.005 + 0.929 ln Ingresos
se= (0.692) (0.097)
t= (-2.895) (9.560)

Subperíodo 2
ln Ahorros i = −3.355 + 0.241ln Ingresos
se= (1.191) (0.145)
t= (2.816) (1.663)

Los valores de la intersección de la función ahorro en el subperiodo 1 es -2.005 y del otro subperiodo es de -3.355 y
vemos que el intercepto cambia en ambos debido a que del año 1970 al 1981 el ingreso varía en menor proporción a
diferencia del año 1982 al 1995 y esto hace que a su vez el ahorro también sea diferente en ambos subperíodos.
EJERCICIO N.1

Tomar los datos para PIB y Ahorro desde 1990 hasta el 2006, aplicar las pruebas de estabilidad estructural
para ver si se mantiene tanto la pendiente como el intercepto.

AÑO PIB AHORRO

1990 13324 3121
1991 14016 3408
1992 14228 3574
1993 14270 3774
1994 14941 4024
1995 15203 3942
1996 15568 3774
1997 16199 3875
1998 16541 4028
1999 15499 2913
2000 15933 3265
2001 16784 4031
2002 17497 4794
2003 18122 4786
2004 19558 5022
2005 20486 5431
2006 21366 5777

Del modelo corrido se obtuvieron los siguientes resultados como se observa en el anexo N. 4

Ahorro = 940.395 + 0.180 PIB − 3621.913D1 + 0.219 PIBD1

se= (1679.370) (0.112) (2124.196) (0.132)
t= (0.560) (1.613) (-1.705) (1.663)

INTERPRETACIONES

-3621.91 es la intersección diferencial y 0.219 es el coeficiente de la pendiente diferencial (también llamado

arrastrador de pendiente).

Para saber si existe estabilidad estructural nos planteamos las siguientes hipótesis:

β1
H o : β1 = 0
H a : β1 = 0

n= 16 IC= 0.95
gl= 16-2 alfa= 0.025
gl= 14

t dado = 2.145

βˆ1 − β1
t calculado =
eeβˆ1

940.395 − 0
t calculado = = 0.5599
1679.370
 -2.145 0.56 2.145

INTERPRETACIÓN
No existe suficiente evidencia estadística para rechazar la H o : β1 = 0 con un 95% de confianza y por lo tanto se
rechaza la H a : β 1 = 0 .

β2
Ho : β2 = 0
H a : β2 = 0

n= 16 IC= 0.95
gl= 16-2 alfa= 0.025
gl= 14

t dado = 2.145

βˆ 2 − β 2
t calculado =
eeβˆ 2

0.180 − 0
t calculado = = 1.607
0.112

-2.145 1.607 2.145

INTERPRETACION
No existe suficiente evidencia estadística para rechazar la H o : β 2 = 0 con un 95% de confianza, ya que el t dado es
mayor que el t calculado y este valor se encuentra dentro de la zona de aceptación.

β3

H o : β3 = 0
H a : β3 = 0

n= 16 IC= 0.95
gl= 16-2 alfa= 0.025
gl= 14

t dado = 2.145
 βˆ3 − β 3
t calculado =
eeβˆ3

0.219 − 0
t calculado = = 1.6590
0.132

-2.145 1.6590 2.145

INTERPRETACION

Dado que el t calculado es menor al t dado no existe suficiente evidencia estadística para rechazar la H o : β 3 = 0
con un 95% de confianza por lo tanto este valor se encuentra dentro de la zona de aceptación.

CONCLUSION

Como los valores t obtenidos del modelo corrido no son significativos tanto de la variable cuantitativa como
cualitativa decimos entonces que existe igual pendiente e igual intercepto, podemos concluir diciendo que existe
estabilidad estructural y por lo tanto nos encontramos en el caso de una regresión coincidente.

EJERCICIO N. 2

EJERCICIO VARIABLES FICTICIAS.

La compañía estadounidense Medicine fabricaba desde 1873 un producto que era un extracto de hierbas diluido en
una solución alcohólica. Este producto se anunciaba como un analgésico y luego como remedio para distintas
enfermedades.
En general los productos tienen competencia con distintas marcas como el caso Coca-Cola con Pepsi-Cola. Cuando
esto ocurre hay que tener en cuenta el comportamiento de los competidores. En este ejemplo la compañía Medicine
se encuentra en una situación de monopolio.
Otra de sus características es que no tiene agentes comerciales, por lo que gran parte de sus gastos lo destina a
publicidad.
En 1914 la Food and Drug Administration (organismo de Estados Unidos que establece controles para los
productos alimenticios y los medicamentos) le acusó de publicidad engañosa por lo que tuvo que cambiar sus
mensajes publicitarios. También la Internal Revue (oficina de impuestos) le amenazó con aplicarle una tasa sobre
bebidas alcohólicas del producto superaba el 18%. Por todos estos motivos se produjeron cambios en la
presentación y contenido durante el período 1915-1925. En 1925 la Food
and Drug Administration prohibió que el producto se anunciara como medicina, pasando a distribuirse como bebida
tónica. En el período 1926-1940 se incrementaron considerablemente los gastos de publicidad para después decaer.

Tenemos datos de VENTAS y gastos en publicidad (GPUB) expresada en miles de dólares para el período 1907-
1960.
Se pide:
-Plantear el modelo que explique la evolución de las ventas de Medicine en función de una ordenada en el origen,
los gastos de publicidad, las ventas del período anterior y tres ficticias que recojan los distintos avatares por los que
pasa la empresa.

Después de haber corrido el modelo se obtuvo los siguientes resultados: como se puede observar en el anexo N. 5
Resumen del modelo corrido en su conjunto:

Yt =231.910+1.262X1+0.115Yt-1+1.767D2+115.830D3-430.718D4-1.119D2X1-0.970D3X1-0.084D4X1+0.796D2Yt-
1+0.488D3Yt-1+0.440D4Yt-1

Se (964.788) (1.560) (0.196) (957.116) (958.286) (968.415) (1.607)

(1.565) (1.584) (0.310) (0.210) (0.235)

t (0.245) (0.809) (0.589) (0.002) (0.121) (-0.445) (-0.696)

(-0.620) (-0.053) (2.571) (2.323)

p (0.808) (0.423) (0.559) (0.999) (0.904) (0.659) (0.490)

(0.539) (0.958) (0.014) (0.025) (0.069)

Donde:
Yt= ventas
X1=gastos de publicidad
Yt-1=ventas periodo anterior

D2: 1= Segundo período

0= En cualquier otro caso

D3: 1= Tercer periodo

0= En cualquier otro caso

D4: 1= Cuarto periodo

0= En cualquier otro caso

Modelo primer periodo:

* E(Yt/D1=1; X1, Yt-1)

Yt=231.910+1.262X1+0.115Yt-1

Interpretación.-cuando las ventas del período anterior se incrementan en un dólar se estima que las ventas en el
primer período se incrementarán en 0.115 ctvs, manteniendo constante los gastos de publicidad.

Cuando los gastos de publicidad se incrementan en un dólar se estima que las ventas en el primer periodo también
se incrementarán en 1.262 dólares, manteniendo constante las ventas del período anterior.

Modelo segundo periodo:

* E(Yt/D2=1;X1, Yt-1)

Yt=231.910+1.262X1+0.115Yt+1.767-1.119X1+0.796Yt-1

Yt=233.677+0.144X1+0.911Yt-1

Interpretación.-cuando se incrementa en un dólar los gastos de publicidad se estima que las ventas en el segundo
período se incrementarán en 0.144 ctvs, manteniendo constante las ventas del período anterior.

Cuando se incrementa en un dólar las ventas del período anterior se estima que las ventas en el segundo período se
incrementarán también en 0.911 ctvs, manteniendo constante los gastos de publicidad.

Modelo tercer periodo:

* E(Yt/D3=1; X1, Yt-1)

Yt=231.910+1.262X1+0.115Yt-1+115.830-0.970X1+0.488Yt-1

Yt=347.74+0.293X1+0.603 Yt-1

Interpretación.- cuando los gastos de publicidad se incrementan en un dólar se estima que las ventas en el tercer
período se incrementarán en 0.293 ctvs, manteniendo constante las ventas del período anterior.
Cuando las ventas del período anterior se incrementan en un dólar se estima que las ventas en el tercer período se
incrementarán en 0.603 ctvs, manteniendo constante los gastos de publicidad.

Modelo cuarto periodo:

* E(Yt/D4=1; X1, Yt-1)

Yt=231.910+1.262X1+0.115 Yt-1 -430.718-0.084X1+0.440 Yt-1

Yt=-198.81+1.179X1+0.555 Yt-1

Interpretación.-cuando los gastos de publicidad se incrementan en un dólar se estima que las ventas en el cuarto
período se incrementarán en 1.179 dólares, manteniendo constante las ventas del período anterior.

Cuando las ventas del período anterior se incrementan en un dólar se estima que las ventas en el cuarto período
también se incrementarán en 0.555ctvs, manteniendo constante los gastos de publicidad.

CONCLUSION

En conclusión podemos observar que no hay estabilidad estructural, debido a que el intercepto es igual para los
cuatro períodos, pero no ocurre lo mismo con la pendiente porque en dos casos los valores p son menores a α, por
lo tanto son significativos, con lo cual confirmamos de que la pendiente no es la misma para los cuatro períodos; en
este caso nos encontramos con son regresiones concurrentes.
ANEXO N.1

Estadísticos Descriptivos

Desviación
Media típ. N
LNAHORRO 4,9996 ,45223 26
LNINGRES 7,7055 ,63339 26
LNDICOTO 1,2399 1,17061 26

Correlaciones

LNAHORRO LNINGRES LNDICOTO

Correlación de LNAHORRO 1,000 ,937 ,820
Pearson LNINGRES ,937 1,000 ,875
LNDICOTO ,820 ,875 1,000
Sig. (unilateral) LNAHORRO . ,000 ,000
LNINGRES ,000 . ,000
LNDICOTO ,000 ,000 .
N LNAHORRO 26 26 26
LNINGRES 26 26 26
LNDICOTO 26 26 26

Variables introducidas/eliminadas(b)

Variables Variables
Modelo introducidas eliminadas Método
1 LNDICOTO,
. Introducir
LNINGRES(a)
a Todas las variables solicitadas introducidas
b Variable dependiente: LNAHORRO

ANOVA(b)

Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 4,489 2 2,245 82,795 ,000(a)
Residual ,624 23 ,027
Total 5,113 25

a Variables predictoras: (Constante), LNDICOTO, LNINGRES

b Variable dependiente: LNAHORRO
Estadísticos sobre los residuos(a)

Desviación
Mínimo Máximo Media típ. N
Valor pronosticado 4,2525 5,5844 4,9996 ,42376 26
Valor pronosticado tip. -1,763 1,380 ,000 1,000 26
Error típico del valor
pronosticado ,04402 ,07814 ,05515 ,00949 26
Valor pronosticado
corregido 4,2885 5,5942 4,9973 ,42227 26
Residuo bruto -,3018 ,3056 ,0000 ,15793 26
Residuo tip. -1,833 1,856 ,000 ,959 26
Residuo estud. -1,946 2,070 ,006 1,033 26
Residuo eliminado -,3402 ,3872 ,0023 ,18343 26
Residuo eliminado estud. -2,082 2,244 ,017 1,077 26
Dist. de Mahalanobis ,825 4,669 1,923 1,040 26
Distancia de Cook ,001 ,415 ,056 ,093 26
Valor de influencia centrado
,033 ,187 ,077 ,042 26

a Variable dependiente: LNAHORRO

ANEXO N. 2
Estadísticos descriptivos

Desviación
Media típ. N
LNAHORRO 4,6070 ,35703 12
LNINGRES 7,1186 ,36494 12

Correlaciones

LNAHORRO LNINGRES
Correlación de LNAHORRO 1,000 ,949
Pearson LNINGRES ,949 1,000
Sig. (unilateral) LNAHORRO . ,000
LNINGRES ,000 .
N LNAHORRO 12 12
LNINGRES 12 12

ANOVA(b)

Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 1,264 1 1,264 91,387 ,000(a)
Residual ,138 10 ,014
Total 1,402 11
a Variables predictoras: (Constante), LNINGRES
b Variable dependiente: LNAHORRO

Coeficientes(a)

Coeficientes
Coeficientes no estandarizado Intervalo de confianza para
estandarizados s B al 95%

Límite
Modelo B Error típ. Beta t Sig. Límite inferior superior
1 (Constante
-2,005 ,692 -2,895 ,016 -3,548 -,462
)
LNINGRE
,929 ,097 ,949 9,560 ,000 ,712 1,145
S

a Variable dependiente: LNAHORRO

ANEXO N. 3
Estadísticos descriptivos

Desviación
Media típ. N
LNAHORRO 5,3361 ,14564 14
LNINGRES 8,2086 ,26124 14

Correlaciones

LNAHORRO LNINGRES
Correlación de LNAHORRO 1,000 ,433
Pearson LNINGRES ,433 1,000
Sig. (unilateral) LNAHORRO . ,061
LNINGRES ,061 .
N LNAHORRO 14 14
LNINGRES 14 14

Variables introducidas/eliminadas(b)

Variables Variables
Modelo introducidas eliminadas Método
1 LNINGRES(a) . Introducir
a Todas las variables solicitadas introducidas
b Variable dependiente: LNAHORRO

ANOVA(b)

Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión ,052 1 ,052 2,767 ,122(a)
Residual ,224 12 ,019
Total ,276 13
a Variables predictoras: (Constante), LNINGRES
b Variable dependiente: LNAHORRO

Coeficientes(a)

Coeficientes
Coeficientes no estandarizado Intervalo de confianza para
estandarizados s B al 95%

Límite
Modelo B Error típ. Beta t Sig. Límite inferior superior
1 (Constante
3,355 1,191 2,816 ,016 ,759 5,951
)
LNINGRE
,241 ,145 ,433 1,663 ,122 -,075 ,557
S

a Variable dependiente: LNAHORRO

ANEXO 4

Estadísticos descriptivos

Desviación
Media típ. N
AHORRO 4090,5294 810,42883 17
PIB 16443,235
2309,72792 17
3
D1 ,41 ,507 17
PIBD 7632,1176 9482,14051 17
Correlaciones

AHORRO PIB D1 PIBD

Correlación de AHORRO 1,000 ,907 ,680 ,752
Pearson PIB ,907 1,000 ,781 ,843
D1 ,680 ,781 1,000 ,992
PIBD ,752 ,843 ,992 1,000
Sig. (unilateral) AHORRO . ,000 ,001 ,000
PIB ,000 . ,000 ,000
D1 ,001 ,000 . ,000
PIBD ,000 ,000 ,000 .
N AHORRO 17 17 17 17
PIB 17 17 17 17
D1 17 17 17 17
PIBD 17 17 17 17

Variables introducidas/eliminadas(b)

Variables Variables
Modelo introducidas eliminadas Método
1 PIBD, PIB,
. Introducir
D1(a)
a Todas las variables solicitadas introducidas
b Variable dependiente: AHORRO

ANOVA(b)

Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 8990381,97 2996793,99
3 25,659 ,000(a)
9 3
Residual 1518336,25
13 116795,097
6
Total 10508718,2
16
35
a Variables predictoras: (Constante), PIBD, PIB, D1
b Variable dependiente: AHORRO

Coeficientes(a)

Coeficientes
Coeficientes no estandarizado Intervalo de confianza para
estandarizados s B al 95%

Límite
Modelo B Error típ. Beta t Sig. Límite inferior superior
1 (Constante
940,395 1679,370 ,560 ,585 -2687,664 4568,454
)
PIB ,180 ,112 ,514 1,613 ,131 -,061 ,422
D1 -3621,913 2124,196 -2,267 -1,705 ,112 -8210,958 967,133
PIBD ,219 ,132 2,567 1,663 ,120 -,066 ,504

a Variable dependiente: AHORRO

ANEXO 5

REGRESION MODELO EN SU CONJUNTO

Variables introducidas/eliminadas(b)

Variables Variables
Modelo introducidas eliminadas Método
1
V.ANTER, D3,
D2, GPUBLI,
D4GPUBLI,
. Introducir
D3GPUBLI,
D4,
D2GPUBLI(a)

a Todas las variables solicitadas introducidas

b Variable dependiente: VENTAS

Resumen del modelob

Estadísticos de cambio
R cuadrado Error típ. de la Cambio en Sig. del
Modelo R R cuadrado corregida estimación R cuadrado Cambio en F gl1 gl2 cambio en F
1 ,971a ,942 ,932 165,35693 ,942 91,379 8 45 ,000
a. Variables predictoras: (Constante), V.ANTER, D3, D2, GPUBLI, D4GPUBLI, D3GPUBLI, D4, D2GPUBLI
b. Variable dependiente: VENTAS

ANOVAb

Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 19988526 8 2498565,8 91,379 ,000a
Residual 1230431,2 45 27342,915
Total 21218957 53
a. Variables predictoras: (Constante), V.ANTER, D3, D2, GPUBLI, D4GPUBLI,
D3GPUBLI, D4, D2GPUBLI
b. Variable dependiente: VENTAS

a
Coeficientes

Coeficientes
Coeficientes no estandarizad Intervalo de confianza para Estadísticos de
estandarizados os B al 95% Correlaciones colinealidad
Límite
Modelo B Error típ. Beta t Sig. Límite inferiorsuperior Orden cero Parcial SemiparcialTolerancia FIV
1 (Constante)
-1228,508 766,911 -1,602 ,116 -2773,147 316,130
GPUBLI 3,241 1,395 1,915 2,323 ,025 ,431 6,052 ,839 ,327 ,083 ,002 527,626
D2 1567,270 772,212 1,007 2,030 ,048 11,9553122,585 ,372 ,290 ,073 ,005 191,027
D3 1617,681 761,806 1,156 2,123 ,039 83,3263152,037 -,002 ,302 ,076 ,004 229,935
D4 1022,594 780,103 ,788 1,311 ,197 -548,6132593,801 ,092 ,192 ,047 ,004 280,268
D2GPUBLI -2,560 1,422 -2,084 -1,800 ,079 -5,425 ,305 ,576 -,259 -,065 ,0011040,681
D3GPUBLI -2,918 1,411 -2,390 -2,068 ,044 -5,761 -,076 ,092 -,295 -,074 ,0011036,513
D4GPUBLI -2,077 1,433 -1,444 -1,450 ,154 -4,963 ,808 ,168 -,211 -,052 ,001 770,048
V.ANTER ,566 ,064 ,605 8,860 ,000 ,437 ,694 ,917 ,797 ,318 ,277 3,612
a.Variable dependiente: VENTAS
 a
Correlaciones de los coeficientes

Modelo V.ANTER D3 D2 GPUBLID4GPUBLI D3GPUBLI D4 D2GPUBLI

1 Correlaciones
V.ANTER 1,000 ,180 ,243 ,201 -,259 -,235 ,209 -,267
D3 ,180 1,000 ,971 ,983 -,969 -,991 ,955 -,977
D2 ,243 ,971 1,000 ,983 -,973 -,980 ,956 -,992
GPUBLI ,201 ,983 ,983 1,000 -,987 -,996 ,966 -,995
D4GPUBLI -,259 -,969 -,973 -,987 1,000 ,985 -,991 ,986
D3GPUBLI -,235 -,991 -,980 -,996 ,985 1,000 -,963 ,994
D4 ,209 ,955 ,956 ,966 -,991 -,963 1,000 -,963
D2GPUBLI -,267 -,977 -,992 -,995 ,986 ,994 -,963 1,000
CovarianzasV.ANTER ,004 8,739 11,974 ,018 -,024 -,021 10,406 -,024
D3 8,739580347,9570990,61044,696-1057,063-1065,325567629,4-1058,276
D2 11,974570990,6596311,41058,909-1075,854-1068,425575891,2-1089,201
GPUBLI ,0181044,6961058,909 1,947 -1,973 -1,9621052,023 -1,975
D4GPUBLI -,024-1057,063-1075,854 -1,973 2,052 1,992-1107,047 2,009
D3GPUBLI -,021-1065,325-1068,425 -1,962 1,992 1,991-1060,294 1,994
D4 10,406567629,4575891,21052,023-1107,047-1060,294608560,0-1068,194
D2GPUBLI -,024-1058,276-1089,201 -1,975 2,009 1,994-1068,194 2,023
a.Variable dependiente: VENTAS

a
Diagnósticos de colinealidad

Indice de Proporciones de la varianza

Modelo Dimensión
Autovalor condición(Constante) GPUBLI D2 D3 D4 D2GPUBLID3GPUBLID4GPUBLIV.ANTER
1 1 4,756 1,000 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00
2 1,971 1,553 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00
3 1,929 1,570 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00
4 ,135 5,928 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00
5 ,095 7,076 ,00 ,00 ,02 ,00 ,00 ,00 ,00 ,00 ,02
6 ,065 8,521 ,00 ,00 ,00 ,02 ,00 ,00 ,00 ,00 ,01
7 ,027 13,284 ,00 ,00 ,00 ,00 ,01 ,00 ,00 ,00 ,78
8 ,021 15,079 ,00 ,00 ,00 ,00 ,04 ,00 ,00 ,01 ,13
9 ,000 215,458 ,99 1,00 ,97 ,97 ,95 ,99 ,99 ,98 ,05
a.Variable dependiente: VENTAS

Estadísticos sobre los residuosa

Desviación
Mínimo Máximo Media típ. N
Valor pronosticado 742,2302 3556,0188 1829,4815 614,11889 54
Residuo bruto -326,2119 471,5105 ,0000 152,36693 54
Valor pronosticado tip. -1,770 2,811 ,000 1,000 54
Residuo tip. -1,973 2,851 ,000 ,921 54
a. Variable dependiente: VENTAS

REGRESION MODELO 1

Variables introducidas/eliminadasb

Variables Variables
Modelo introducidas eliminadas Método
1 VAR00016, a . Introducir
VAR00015
a. Todas las variables solicitadas introducidas
b. Variable dependiente: VAR00014

Resumen del modelo

R cuadrado Error típ. de la

Modelo R R cuadrado corregida estimación
1 ,534a ,285 -,001 92,22984
a. Variables predictoras: (Constante), VAR00016, VAR00015
 ANOVAb

Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 16977,781 2 8488,891 ,998 ,432a
Residual 42531,719 5 8506,344
Total 59509,500 7
a. Variables predictoras: (Constante), VAR00016, VAR00015
b. Variable dependiente: VAR00014

Resumen del modelo

R cuadrado Error típ. de la

Modelo R R cuadrado corregida estimación
1 ,534a ,285 -,001 92,22984
a. Variables predictoras: (Constante), VAR00016, VAR00015

Coeficientesa

Coeficientes
Coeficientes no estandarizad
estandarizados os
Modelo B Error típ. Beta t Sig.
1 (Constante) 231,910 554,569 ,418 ,693
VAR00015 1,262 ,914 ,626 1,382 ,226
VAR00016 ,115 ,115 ,456 1,006 ,361
a. Variable dependiente: VAR00014

REGRESION MODELO 2

Variables introducidas/eliminadasb

Variables Variables
Modelo introducidas eliminadas Método
1 VAR00019, a . Introducir
VAR00018
a. Todas las variables solicitadas introducidas
b. Variable dependiente: VAR00017

Resumen del modelo

R cuadrado Error típ. de la

Modelo R R cuadrado corregida estimación
1 ,972a ,945 ,931 223,54666
a. Variables predictoras: (Constante), VAR00019, VAR00018

ANOVAb

Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 6852600,0 2 3426300,0 68,563 ,000a
Residual 399784,863 8 49973,108
Total 7252384,9 10
a. Variables predictoras: (Constante), VAR00019, VAR00018
b. Variable dependiente: VAR00017

Coeficientesa

Coeficientes
Coeficientes no estandarizad
estandarizados os
Modelo B Error típ. Beta t Sig.
1 (Constante) 233,676 199,085 1,174 ,274
VAR00018 ,144 ,547 ,087 ,263 ,799
VAR00019 ,911 ,341 ,887 2,674 ,028
a. Variable dependiente: VAR00017
REGRESION MODELO 4

Variables introducidas/eliminadasb

Variables Variables
Modelo introducidas eliminadas Método
1 VAR00025, a . Introducir
VAR00024
a. Todas las variables solicitadas introducidas
b. Variable dependiente: VAR00023

Resumen del modelo

R cuadrado Error típ. de la

Modelo R R cuadrado corregida estimación
1 ,955a ,912 ,902 124,55462
a. Variables predictoras: (Constante), VAR00025, VAR00024

ANOVAb

Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 2737847,3 2 1368923,7 88,239 ,000a
Residual 263735,488 17 15513,852
Total 3001582,8 19
a. Variables predictoras: (Constante), VAR00025, VAR00024
b. Variable dependiente: VAR00023

Coeficientesa

Coeficientes
Coeficientes no estandarizad
estandarizados os
Modelo B Error típ. Beta t Sig.
1 (Constante) -198,809 160,989 -1,235 ,234
VAR00024 1,179 ,218 ,525 5,398 ,000
VAR00025 ,555 ,104 ,520 5,349 ,000
a. Variable dependiente: VAR00023

REGRESION DEL MODELO CON CAMBIOS EN EL INTERCEPTO Y LAS DOS PENDIENTES

Variables introducidas/eliminadasb

Variables Variables
Modelo introducidas eliminadas Método
1 D4VTA.AN,
GPUB, D2,
D3VTA.AN,
VENT.ANT,
D3, D4, . Introducir
D3GPUB,
D4GPUB,
D2VTA.AN,a
D2GPUB
a. Todas las variables solicitadas introducidas
b. Variable dependiente: VENTAS

ANOVAb

Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 20177634 11 1834330,4 73,985 ,000a
Residual 1041323,3 42 24793,412
Total 21218957 53
a. Variables predictoras: (Constante), D4VTA.AN, GPUB, D2, D3VTA.AN, VENT.ANT,
D3, D4, D3GPUB, D4GPUB, D2VTA.AN, D2GPUB
b. Variable dependiente: VENTAS
 Resumen del modelo

Estadísticos de cambio
R cuadradoError típ. de laCambio en Sig. del
Modelo R R cuadrado corregida estimación R cuadradoCambio en F gl1 gl2 cambio en F
1 ,975a ,951 ,938 157,45924 ,951 73,985 11 42 ,000
a. Variables predictoras: (Constante), D4VTA.AN, GPUB, D2, D3VTA.AN, VENT.ANT, D3, D4, D3GPUB, D4GPUB, D2VTA.AN, D2GPUB

a
Coeficientes

Coeficientes
Coeficientes no estandarizad Intervalo de confianza para
estandarizados os B al 95% Correlaciones
Límite
Modelo B Error típ. Beta t Sig. Límite inferior superior Orden cero Parcial Semiparcial
1 (Constante)231,910 946,788 ,245 ,808 -1678,786 2142,605
GPUB 1,262 1,560 ,746 ,809 ,423 -1,885 4,410 ,839 ,124 ,028
VENT.ANT ,115 ,196 ,123 ,589 ,559 -,279 ,510 ,917 ,091 ,020
D2 1,767 957,116 ,001 ,002 ,999 -1929,772 1933,305 ,372 ,000 ,000
D3 115,830 958,286 ,083 ,121 ,904 -1818,069 2049,729 -,002 ,019 ,004
D4 -430,718 968,415 -,332 -,445 ,659 -2385,058 1523,621 ,092 -,068 -,015
D2GPUB -1,119 1,607 -,911 -,696 ,490 -4,361 2,123 ,576 -,107 -,024
D3GPUB -,970 1,565 -,794 -,620 ,539 -4,127 2,188 ,092 -,095 -,021
D4GPUB -,084 1,584 -,058 -,053 ,958 -3,280 3,113 ,168 -,008 -,002
D2VTA.AN ,796 ,310 1,155 2,571 ,014 ,171 1,421 ,565 ,369 ,088
D3VTA.AN ,488 ,210 ,721 2,323 ,025 ,064 ,912 ,120 ,337 ,079
D4VTA.AN ,440 ,235 ,672 1,869 ,069 -,035 ,915 ,165 ,277 ,064
a. Variable dependiente: VENTAS