Professional Documents
Culture Documents
PRÁCTICA 2 – SOLUCIONARIO
Solución:
Tasa de Interés: X
№ De construcciones: Y → 𝒚𝒊 = 𝜷𝟏 + 𝜷𝟐 𝑿𝟐 + 𝜺𝒊 ; 𝒊 = 𝟏, 𝒏
Podemos hallar estos resultados con EViews, en este caso los datos
obtenidos serían los siguientes:
Ajustaremos los datos a una regresión lineal con una variable independiente, esta será
la “Tasa de Interés” y la variable de dependiente es el “Número de Construcciones”.
Tendrá la siguiente forma:
La matriz 𝛽̂ será:
5344.22
𝛽̂ = [ ]
−430.3584
Entonces: 𝛽̂1 = 5344.22 ; 𝛽̂2 = −430.3584
2165
1 6.5
2984
Además: 𝑌 = [ ] ; 𝑋 = [1 6.0]
⋮
⋮ ⋮
1310
La ecuación de regresión será:
𝑌̂ 𝑖 = 5344.22 − 430.3584𝑋2𝑖
Observando el cuadro de EViews 𝑅2 = 88.39% el cual se indica con una
flecha, pero también podemos calcularlo de la siguiente manera:
𝑛 ∑ 𝑋2𝑖
(𝑋 ′ 8 63.5
𝑋) = [ ]=[ ]
∑ 𝑋2𝑖 2
∑ 𝑋2𝑖 63.5 520.25
2 15426
𝑌 ′
𝑌 − ̂ ′(𝑋 ′ 𝑌) ∑ 𝑌𝑖 − [5344.22 − 430.358] [
𝛽 ]
2
𝑆𝑒 = = 115464
𝑛−𝑘 8.2
33143750 − 32749081.61
𝜎̂𝜀2 = 𝑆𝑒2 = = 65778.065
6
263640.2527 −32179.06016
𝑉(𝛽̂) = 𝑆𝑒2 (𝑋 ′ 𝑋)−1 = [ ]
−32179.06016 4054.054
̂ 𝑋 ′ 𝑌 − 𝑛𝑌 2
𝛽′
𝑅2 = 2
𝑌 ′ 𝑌 − 𝑛𝑌
[5344.220 − 430.358] [ 15426 ] − 8(378148.063)
= 115464
(33143750 − 813718148.063)
32749081.61 − 29745184.5
𝑅2 = = 0.8838720653
3398565.496
𝑅2 = 88.39%
𝑅 2 Este coeficiente indica que la variabilidad del número de construcciones
está explicada en un 88.39% por la tasa de interés.
𝐶𝑜𝑣(𝑋, 𝑌)
𝜌=
√𝑉𝑎𝑟𝑋√𝑉𝑎𝑟𝑌
𝐶𝑜𝑣(𝑋, 𝑌) = 𝐶𝑜𝑣(𝑋; 𝛽1 + 𝛽2 𝑋 + 𝜖)
= 𝛽2 𝐶𝑜𝑣(𝑋, 𝑋) = 𝛽2 𝑉𝑎𝑟(𝑋)
𝑉𝑎𝑟(𝑋) = 2.027
𝐶𝑜𝑣(𝑋, 𝑌) = 𝛽2 𝑉𝑎𝑟(𝑋)
= −430.36(2.027)
= −872.34
𝑉𝑎𝑟(𝑌) = 424820.51
−872.34
𝜌=
√2.027√424820.51
𝜌 = −0.94
∴ 𝐿𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑒𝑠𝑡𝑎𝑛 𝑎𝑙𝑡𝑎𝑚𝑒𝑛𝑡𝑒 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑑𝑎𝑠 𝑝𝑒𝑟𝑜 𝑑𝑒 𝑚𝑎𝑛𝑒𝑟𝑎 𝑖𝑛𝑣𝑒𝑟𝑠𝑎.
𝑆𝑦
La relación entre el parámetro y el coeficiente de correlación es: 𝛽2 = 𝜌
𝑆𝑥
es por eso que realizamos la prueba de hipótesis para 𝛽2 .
R.A.
R.C. R.C.
-6.759 -2.447 2.447 6.759
Decisión:
∴ 𝐸𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎.
𝑌𝑖 = 𝑌 + 𝜀𝑖 → 𝑌𝑖 = 1928.25 + 𝜀𝑖
𝑛
2 2
∑ 𝜀𝑖,1 = 𝑒 ′ 𝑒 = 𝑌 ′ 𝑌 − 𝑛𝑌 = 33143750 − 8(1928.25)2 = 3398565.5
𝑖=1
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2 + 𝜀𝑖 → 𝑌𝑖 = 5344.22 − 430.36 𝑋𝑖 + 𝜀𝑖
𝑛
∑ 𝜀12 = 𝑒 ′ 𝑒 = 𝑌 ′ 𝑌 − 𝛽̂ ′ (𝑋 ′ 𝑌)
𝑖=1
15426
= 331437050 − [5344.22 − 430.36] [ ]
115464
𝑛
2
∑ 𝜀𝑖,2 = 393666.536
𝑖=1
∑𝑛𝑖=1 𝜀𝑖,2
2
− ∑𝑛𝑖=1 𝜀𝑖,1
2
393666.54 − 3398565.5
⇒ Variacion% = 𝑛 2 = = −0.88
∑𝑖=1 𝜀𝑖,1 3398565.5
𝑌𝑖 − 𝑌̂𝑖
𝑇= ⇒ 𝑡(𝑛−𝑘)
√𝑆𝑢̂2 (1 + 𝑋0 ′(𝑋 ′ 𝑋)−1 𝑋0 )
Dónde:
1
𝑋′1 = [1 8.5] 𝑋1 = [ ]
8.5
Reemplazando:
𝐿
= 1686.18695
4.009633911 −0.489402 1
± (2.447)√65751.70167[1 + [1 8.5] [ ][ ]
−0.4894026975 0.06165703276 8.5
𝐿 = 1686.18695 ± (2.447)(274.3235182)
𝐿𝑖 = 1014.917301 𝐿𝑠 = 2357.456599
Se han obtenido los intervalos de confianza del 95% (29,48; 37,78) y (0,10; 0,41)
para α y β, respectivamente. Con esta información, ¿Puede admitirse, al nivel de
confianza supuesto, que un aumento en una unidad de la renta produce un aumento
de 0.7 unidades en el consumo?
Resolución
Solucionado por el Grupo 12: Cotacallapa Amanqui Pavel, Medina Bautista Ingrin, Monzón
Morillas Stefany, Ramos Torres Luis, Vicharra Chamorra Rosa.
3. Para las variables Y, X2, X3, X4 se obtuvo los siguientes resultados acerca de sus
productos cruzados:
Y`Y = 10
3 10 4 2 0 0.1364 0.0682 0.0455 0
3 4 8 0 0 0.0682 0.1591 0.0227 0
X ´Y X `X ( X ` X ) 1
2 2 0 6 0 0.0455 0.0227 0.1818 0
3 0 0 0 8 0 0 0 0.125
Solución:
Modelo: Y = β1 + β 2 X2+ µ1
10 4 −1 3 0.5625 β
𝛽= ( X `X ) 1 ( X ´Y ) = [ ] [ ]= [ ] = [ 1]
4 8 −3 −0.656 β2
Y = 0.5625 – 0.656 X2
b) Predicción Y (individual)
A un 95% de confianza dado X2i = 0,5
L= yˆ i t ( n k ) x S 2ˆ (1 X 01 ( X ' X ) 1 X 0 )
Donde:
S uˆ2 3
nk nk 8
10 (3,65625)
S uˆ2 0,79296875
8
1
X 01 1 0,5 X0 = 0,5
Reemplazando
L = 0,234375 (2,306)
0,125 0,062 1
0,792968751 1 0,5 0,5 0,8738912109
0,062 0,1562
Li = 1,921323347
LS = 2,390073347
Solucionado por el Grupo 14: De la cruz vilcas, Josué; Fernández Torres, Karl; Huanca
Medina, José; Quispe Saavedra, Luis.
El modelo completo se representa por 𝑌𝑖 = 𝛽̂1 + 𝛽̂2 𝑋2𝑖 + 𝛽̂3 𝑋3𝑖 + 𝛽̂4 𝑋4𝑖 + 𝜀𝑖
𝛽̂1 = 0.5228
𝛽̂2 = −0.6365
𝛽̂3 = −0.159
𝛽̂4 = 0.375
0 1 0 0
𝑅=[ ]
0 0 1 0
𝐹 = 1.71
El F de tabla:
𝐹(𝑞,𝑛−𝑘)
𝐹(2,6) = 5.14
Zona de
rechazo
5.14 𝐹(𝑞,𝑛−𝑘)
Solucionado por el Grupo 15: Mery Gamarra Caya, Luis Gustavo Pezo Hualpa, Alex Roman
Rojas.
X1 X2 X3
Estime la relación entre X1 y las otras dos variables. Elaborar una tabla de análisis de
varianza para indicar la reducción en la suma de los cuadrados debida al ajuste de X 2, la
reducción adicional debida al ajuste de X3, y la reducción total debida a X2 y X3
conjuntamente.
Solución:
̂2
𝛽 50.5 −66.2 −1
36.8 0.8587
−1
[ ] = [𝑥̅ ´𝑥̅ ] [𝑥̅ ´𝑥̅ ] = [ ] [ ]=[ ]
𝛽̂3 −66.2 967.1 39.1 0.0994
̂1 = 𝑋̅1 - 𝛽
𝛽 ̂2 𝑋̅ 2 - 𝛽̂3 𝑋̅ 3 = 2.923
Para el modelo x1 = β1 + β2 x2 + ε
36.8
𝛽̂ = = o.73
50.5
Grados Razón
Suma de
Fuente de variación de Cuadrado Medio
Cuadrados F
libertad
35.48
Debido a x2 y x3 35.48 K -1 = 2 = 17.74 19.54
2
Debido a la adición
8.66 1 8.66 9.54
de x3
78.117
Debido al error 78.117 86 =0.908
86
Total 113.60 88
Solucionado por el Grupo 20: Huaman Tauccaya, Helber Francisco; Miralles Rosas,
Ronald Oswaldo; Alex sandher Quillilli Bonilla; Elias Moreno Alfaro; Requena Suárez,
Oscar David.
6. Para estimar la relación entre las variables X e Y se han estimado los modelos
a) yi = + xi + I
b) lnyi = + xi + i
c) yi = + lnxi + i
d) lnyi = + lnxi + I
ln y y / y
Si en d) se interpreta como la elasticidad de Y ante los
ln x x / x
cambios en X, ¿cómo se interpretaría para los otros modelos?
Solución:
𝜕𝑦
a) yi = + xi + i ⟹ = 𝑐𝑎𝑚𝑏𝑖𝑜𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜𝑒𝑛𝑌
= 𝑐𝑎𝑚𝑏𝑖𝑜𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜𝑒𝑛𝑋
𝜕𝑥
𝜕𝑦
c) yi = + lnxi + i ⟹ = =
cambio absoluto en Y
𝜕𝑙𝑛𝑥 cambio relativo en X
Solucionado por el Grupo 34: Cahuana Castillo Bernith, Alvarez Escalante Leonardo.