Escuela Acadmico Profesional de

Economa
Departamento Acadmico de Economa

Jorge Luis Hernndez Napa

Ica, 13 de Agosto 2015

Escuela Acadmico Profesional de

Economa
Departamento Acadmico de Economa

A.- EL MODELO POTENCIAL:

1.Relacin entre dos variables: no lineal.
2.Logaritmos
3.Definicin y especificacin.
4.Hiptesis
5.Solucin del modelo potencial.
6.Tabulacin y grficos.
7.Solucin por E-Views
B.- EL MODELO EXPONENCIAL:
1.Definicin
2.Especificacin matemtica del modelo potencial
3.Especificacin de hiptesis del modelo
4.Solucin del modelo
5.Tabulacin de las variables
6.Aplicacin prctica: La funcin consumo keynesiana.
BIBLIOGRAFIA
GUJARATI, Damodar N. : Econometra. Edit. McGRAW-HILL/Interamericana Editores, S.A. Mxico 2010. Pg 15-107
ROSALES; Ramn, y BONILLA, Jorge: Introduccin a la Econometra. Edit. CEDES. Colombia 2006. Pg. 29 40
CASAS TRAGODARA, Carlos: Econometra Moderna Edit. Universidad del Pacfico. Per 2000.

RELACIN ENTRE DOS

O MS VARIABLES
ENTRE DOS VARIABLES : Y = (X)
(Modelo Lineal Simple MLS)

LINEAL
NO LINEAL

ENTRE MAS DE DOS VARIABLES : Y = (X2, X3, X4, Xk)

(Modelo Lineal General MLG)

Correlacin y regresin

J.Hdez.Napa

J.Hdez.Napa

J.Hdez.Napa

LOGARITMOS
Los logaritmos fueron inventados en 1614 por el matemtico
escocs John Napier (1550-1617) y fueron llevados a la prctica por
Henry Briggs (15561631), profesor en Oxford. Los logaritmos
tuvieron un xito inmediato ya que son una herramienta muy til
para efectuar abreviadamente diversas operaciones aritmticas;
sobre todo, fueron utilizados para realizar clculos aritmticos
complejos y tediosos, como los llevados a cabo en Astronoma.
Actualmente, con el surgimiento de las calculadoras electrnicas, el
uso de los logaritmos con propsitos computacionales ha sido
relegado a un papel menor. Aun as, los logaritmos tienen amplia
aplicacin en muchas reas de la ciencia, la tecnologa, la economa,
las finanzas, etctera.
La palabra logaritmo viene del griego: logos que si lea razonar o
calcular, y arithmos que quiere decir nmero. Por tanto, logaritmo
significa nmero para calcular.
DEFINICIN DE LOGARITMO
La logaritmacin es una operacin que consiste en, dada una base y el
resultado de una elevacin a potencia, hallar el exponente. Por ejemplo, a
qu potencia hay que elevar la base 8 para obtener el nmero 64? Como para
obtener el nmero 64 hay que elevar 8 al cuadrado, se dice que 2 es el
logaritmo de 64 en la base 8, y se escribe de la siguiente forma:
8
J.Hdez.Napa
Log 8 64 =2

J.Hdez.Napa

A.- EL MODELO POTENCIAL

4.1. DEFINICION:
Es el modelo economtrico que contiene solo y nicamente dos variables: una endgena Yt
(primer miembro), y una predeterminada Xt (segundo miembro), que tiene como potencia un
parmetro (b). Es un modelo uniecuacional, porque contiene una sola ecuacin, que representa
un solo sector de la actividad econmica (consumidores, inversionistas, importadores,
exportadores, gobierno, sector monetario, sector trabajo, etc.).
Grficamente el modelo tiene forma no lineal: la variable endgena (Yt), depende o est en
relacin no lineal con la variable predeterminada (Xt) -exgena o endgena con retardo-, y una
perturbacin aleatoria no observable ( t). El modelo se puede linealizar, aplicando logaritmo
neperiano al modelo. A este ltimo modelo suele denominarse doble logartmico.
4.2. ESPECIFICACION MATEMTICA DEL MODELO:
1)FORMA NO LINEAL
Modelo Poblacional : Yt = a Xt b t
Modelo Muestral : Yt = Xt e t
Modelo Estimado : t = Xt
J.Hdez.Napa

(comportamiento de la poblacin)
(comportamiento de una muestra)
(para obtener la lnea estimada t)
10

2). FORMA LINEAL (aplicando logaritmos)

Modelo Poblacional : Ln Yt = Ln a + b Ln Xt + Ln t
Modelo Muestral : Ln Yt = Ln + Ln Xt + Ln e t
Modelo Estimado : Ln t = Ln + Ln Xt
Donde:
Yt = variable endgena
Xt = variable predeterminada
t = variable estimada
Ln = logaritmo neperiano

(comportamiento de poblacin)
(comportamiento de muestra)
(para obtener lnea estimadt)

a, b = parm. Poblac;, = parm. muestrales

t = variable aleatoria poblacional
e t = error muestral
t = tiempo (histrico pasado)

4.3. ESPECIFICACIN DE HIPTESIS DEL MODELO

A.HIPTESIS RELATIVAS A LAS PERTURBACIONES
1. Toda perturbacin aleatoria tiene media cero
E ( t ) = 0 ;
t = 1, 2, 3, ......, n
2. Todas las perturbaciones aleatorias tienen las mismas variancias (2 ) ; o sea tienen
variancia finita y constante
Var ( t ) = E ( t 2) = 2
Es conocido como el postulado o hiptesis de Homocedasticidad, su abandono implica
reemplazarlo, por la hiptesis de Heterocedasticidad (cuando la variancia es finita y variable).
Se detecta y se corrige.
3. La variable aleatoria no est autocorrelacionada, implica la independencia de los valores
sucesivos de (u t); el abandono de este supuesto da lugar a la introduccin de la hiptesis de
Autocorrelacin.
11
J.Hdez.Napa

4. La variable aleatoria u t es independiente de todas las variables exgenas, .

E ( t X t ) = E ( t ) E (X t ) = 0
E ( j X j ) = E ( j ) E (X j ) = 0
Si la variable aleatoria, no es independiente de las variables exgenas, entonces los EMC, son
sesgados y no consistentes: Es decir el sesgo no se corrige, con el aumento del tamao de la
muestra
5. La variable aleatoria u t , se distribuye normalmente con media cero y variancia u2, es decir.
1
t2
t ~ N ( 0, 2 ) ( t ) = ------___- e 2 2
2
Que es la frmula, de la funcin de densidad de una u t en el muestreo. A partir de esta
formula se pueden obtener estimadores de Mxima Verosimilitud.
B. HIPTESIS RELATIVAS A LAS VARIABLES
6. La variable predeterminada X no es aleatoria; o sea es una variable fija en el muestreo
7. La variable endgena Yt , es evidentemente una variable aleatoria, cuyos parmetros (en
virtud de la Ho. 1, 2, y 6) son:
Media:
E (Y t) = E ( a + b X t + t ) = a + b X t + E ( t )
E (Y t) = a + b X t
Variancia:

Y2 = E [ Y t E (Y t) ] 2
Y2 = E [a + b X t + t a b X t ] 2
Y2 = E [ t 2 ]
Y2 = 2
8. La variables X t ^ Y t , se obtienen sin errores de observacin, o sea no hay errores de medida,
12
J.Hdez.Napa

9. La matriz de coeficientes de variables endgenas X, tiene rango K, donde K < N

R [X] = K < N
k = Rango de matriz X ; N = nmero de var. endgenas
Garantiza (XX) 1 .
El abandono de esta hiptesis, genera un problema en la econometra, denominado
Multicolienalidad.
C.HIPTESIS RELATIVAS A LOS PARAMETROS
10. Los parmetros estructurales son constantes, para todas las unidades de la muestra.
Sobre ellos no se emite a priori ninguna restriccin.

J.Hdez.Napa

13

Para solucionar el modelo potencial, se parte del modelo muestral, y se aplica el Mtodo de los
Mnimos Cuadrados:
Log et )2 = min., y las condiciones de mnimo
Partimos del modelo muestral:
Ln Yt = Ln + Ln Xt + Ln e t
Ln e t = Ln Yt Ln Ln Xt
(Ln e t )2 = ( Ln Yt Ln Ln Xt )2
Condiciones de mnimo:
a.Primera derivada se igualen a cero
b.Segunda derivada sea positiva
Aplicando la primera condicin:
Ln (Ln e t )2 ] = 0
(Ln e t )2 ] = 0
Derivando:
Ln (Ln e t )2 ] = 2 Ln Yt Ln Ln Xt) (-1) = 0
(Ln e t )2 ]
= 2 Ln Yt Ln Ln Xt) (- LnX t ) = 0
Igualando a cero:
Ln Yt Ln Ln Xt) (-1) = 0
Ln Yt Ln Ln Xt) (- LnX t ) = 0

J.Hdez.Napa

14

obtenindose:
a. Las ecuaciones normales:
LnYt = N Ln + Ln X t
Ln X t LnYt = Ln Ln X t + Ln X t )2

(1)
(2)

b. Los parmetros:
A partir de las ecuaciones normales hallamos los parmetros Ln ^ :
Ln

LnYt (LnX t)2 LnX t Ln Xt LnYt

= --------------------------------------------------------N (LnX t ) 2 ( LnX t ) 2
N Ln X t Ln Yt Ln X t Ln Yt
= ------------------------------------------------N LnX t ) 2 ( LnX t ) 2

c. La Media de los parmetros:

Despus de demostrar la linealidad
Ln = ( 1/N Wt Ln Xt ) Ln Yt
= Wt Ln Yt
Donde Wt , tiene las siguientes propiedades:
Wt = 0; Wt Ln X t = 1; Wt2 = 1 / LnX t Ln )2 ; Wt2 = 1 / x t2
J.Hdez.Napa

15

Se muestra la media o insesgabilidad

E ( Ln ) = Ln a
E( ) = b
d. La Varianza y desviacin standard de los parmetros: SLn ^ S
De la definicin:
V ( Ln ) = SLn2 = E ( Ln Lna
V ( ) = S = E ( b )2
Se obtienen la variancia y desviacin estndar de los parmetros.
S

SLn2

NS2
= -------------------------------------N (Ln X t ) 2 ( Ln X t ) 2

Para obtener la desviacin estandar

( S), se extrae raz cuadrada a S2

S 2 ( Ln X t ) 2
= -------------------------------------N (Ln X t ) 2 ( Ln X t ) 2

Para obtener la desviacin estandar

(S), se extrae raiz cuadrada a S 2

e. Varianza y desviacin standard del modelo: S 2 ^ S

Se define S 2, como la relacin entre la variancia no explicada (V no E), y el grado de
libertad ( gl ):

J.Hdez.Napa

S2

V no E
Log et )2
( Ln Yt Ln Ln X t ) 2
= --------- = -------------- = ---------------------------------------

16

Al numerador, se eleva al cuadrado, se aplica sumatoria, se agrupa por factor comn:

S2

(Ln Yt)2 Ln Ln Yt Ln X t Ln Yt
= ---------------------------------------------------------N2

Para obtener la desviacin

standard (S), se extrae raiz
cuadrada a S 2

f. Coeficiente de correlacin del modelo: R2 ^R

Se define R2 , como relacin entre variancia explicada (VE), y variancia total (VT):
VE
(Ln t Ln ) 2
( Ln + Ln X t Ln ) 2
R2 = ----- = ------------------------- = -------------------------------------VT
(Ln Yt Ln ) 2
( Ln Yt Ln ) 2
Coeficiente de correlacin libre del intercepto:
Al numerador y denominador, se eleva al cuadrado, se aplica sumatoria, se agrupa por
factor comn:
Ln Ln Yt + Ln X t Ln Yt - 1/N ( Ln Yt ) 2
R2 = ------------------------------------------------------------------ Ln Yt )2 - 1/N ( Ln Yt ) 2
Coeficiente de correlacin sin corregir:
Ln Ln Yt + Ln X t Ln Yt
R*2 = ----------------------------------------- Ln Yt )2
J.Hdez.Napa

17

 Coeficiente de correlacin libre del intercepto y del grado de libertad

N1
2 = 1 --------- ( 1 R2 ) = 1
NK
Relacin que debe cumplirse:
R*2 > R2 > 2
g. Relaciones a cumplirse en la solucin de los modelos:
Variancia total = Variancia explicada + Variancia no explicada
( LnYt - Ln ) 2 = (Ln t - Ln ) 2 + (Ln et )2
h. Tabulacin para solucionar el MLS:
Pasos a seguir:
1) Se apertura columnas: para las observaciones, numero de aos.
2) Se apertura columnas: para la variable endgena y pre-determinada, se suman.
3) Se eleva al cuadrado las dos variables y se suman.
4) Se multiplican ambas variables, y se suman
5) Se obtienen el valor estimado Ln t . y se suman
6) Se obtienen las desviaciones Ln e t, la suma es igual a cero.
7) Se elevan al cuadrado las desviaciones (Ln e t)2 , y se suman.
J.Hdez.Napa

18

(1)

(2)

(3)

(4)

(5)

(6)

OBS

AOS

Yt

Xt

Ln Yt

Ln X t

(Ln Yt )2

(Ln X t)2

1
2
3
.
.
.
.
.
.
.
.
.
.
.
N

1,950
1,951
1,952
.
.
.
.
.
.
.
.
.
.
.
2,013
Yt

Xt

LnYt

LnX t

Ln Yt )2

Ln Xt )2

Sumatorias

J.Hdez.Napa

(8)

(9)

(10)

LnX t LnYt

LnX t LnYt )

Ln t

Ln t

(=)
(11)

OBS

AOS

1
2
3
.
.
.
.
.
.
.
.
.
.
.
N

1,950
1,951
1,952
.
.
.
.
.
.
.
.
.
.
.
2,013

Sumas

(7)

Lne t

Ln et = 0

(12)

(13)

(=)
(14)

(15)

(16)

(Lnet )2

Ln Yt - Ln Yt

Ln X t - Ln Yt

(Ln Yt - Ln Yt)2

(Ln X t - Ln Yt)2

Ln e t )2

(Ln Yt - Ln Yt ) = 0

(Ln X t - Ln Yt) = 0

(Ln Yt - Ln Yt)2

(Ln X t - Ln Yt)2

Variancia
Total

Variancia
Explicada

Variancia No
Explicada

19

1.- Suma de VE real = Suma de VE estimada

Yt = t
2.- Suma de errores muestrales = 0
e t = 0
3.- La lnea estimada t pasa por el punto medio y central de las
observaciones
(media de X ^ Y)
4.- La suma de los errores es igual a cero
Para el valor real
: ( Yt - ) = 0
Para el valor estimado : ( t - ) = 0
Para la diferencia
: (Yt - t ) = e t = 0
5.- La suma de los errores al cuadrado nos da la variancia
Variancia total
: ( Yt - ) 2
(Para el valor real)
Variancia explicada
: ( t - ) 2
(Para el valor estimado)
Variancia no explicada
: e t2
(Para la diferencia)
J.Hdez.Napa

20

Consumo Privado (Yt)

Linea de 45 grados

Yt = t
e t = 0

VRO

linea estimada

et

t = + X t

Yt

( , )

Producto Bruto Interno (Xt)

Valores: real, estimado

AD = Yt = valor real
BD = t = valor estimado
AB = e t = error
J.Hdez.Napa

errores
(Yt - ) = 0
( t - ) = 0
(Yt - t ) = 0

variancia
(Yt - )2 = VT
( t - )2 = VE
(Yt - t )2 = et2 = VnoE

21

J.Hdez.Napa

22

B.- EL MODELO EXPONENCIAL

1.- DEFINICION:
Es el modelo economtrico que contiene solo y nicamente dos variables: una endgena Yt
(primer miembro), y una predeterminada Xt (segundo miembro), que tiene como potencia la
variable predeterminada (Xt). Es un modelo uniecuacional, porque contiene una sola ecuacin,
que representa un solo sector de la actividad econmica (consumidores, inversionistas,
importadores, exportadores, gobierno, sector monetario, sector trabajo, etc.).
Grficamente el modelo tiene forma no lineal: la variable endgena (Yt), depende o est en
relacin no lineal con la variable predeterminada (Xt) -exgena o endgena con retardo-, y una
perturbacin aleatoria no observable ( t). El modelo se puede linealizar, aplicando logaritmo
neperiano al modelo. A este ltimo modelo suele denominarse semi logartmico.

2.- ESPECIFICACION MATEMTICA DEL MODELO:

a. Forma No Lineal

Modelo Poblacional : Yt = a bXt t

Modelo Muestral
: Yt = Xt e t
Modelo Estimado : t = Xt
J.Hdez.Napa

(comportamiento de la poblacin)
(comportamiento de una muestra)
(conociendo parmetros , , se
obtiene la lnea estimada t) 23

b. Forma Lineal (aplicando logaritmos)

Modelo Poblacional : Ln Yt = Ln a + Lnb (Xt) + Ln t (comportamiento de poblacin)
Modelo Muestral : Ln Yt = Ln + LnXt ) + Ln e t (comportamiento de muestra)
Modelo Estimado : Ln t = Ln + LnXt )
(conociendo , , se obtiene la
lnea estimada t)
Donde:
Yt = variable endgena
Xt = variable predeterminada
t = variable estimada
a, b = parm. poblacionales
Ln = logaritmo neperiano

, = parm. muestrales
t = variable aleatoria poblacional
e t = error muestral
t = tiempo (histrico pasado)

3. ESPECIFICACIN DE HIPTESIS DEL MODELO

A.HIPTESIS RELATIVAS A LAS PERTURBACIONES
1. Toda perturbacin aleatoria tiene media cero
E ( t ) = 0 ;
t = 1, 2, 3, ......, n
2. Todas las perturbaciones aleatorias tienen las mismas variancias (2 ) ; o sea tienen variancia
finita y constante
Var ( t ) = E ( t 2) = 2
Es conocido como el postulado o hiptesis de Homocedasticidad, su abandono implica
reemplazarlo, por la hiptesis de Heterocedasticidad (cuando la variancia es finita y variable). Se
detecta y se corrige.
3. La variable aleatoria no est autocorrelacionada, implica la independencia de los valores
J.Hdez.Napa
sucesivos de (u t); el abandono de este supuesto da lugar a la introduccin de la hiptesis24de

4. La variable aleatoria u t es independiente de todas las variables exgenas, .

E ( t X t ) = E ( t ) E (X t ) = 0
E ( j X j ) = E ( j ) E (X j ) = 0
Si la variable aleatoria, no es independiente de las variables exgenas, entonces los EMC,
son sesgados y no consistentes: Es decir el sesgo no se corrige, con el aumento del tamao
de la muestra
5. La variable aleatoria u t , se distribuye normalmente con media cero y variancia u2
1
t2
t ~ N ( 0, 2 ) ( t ) = -----___- e 2 2
2
Que es la frmula, de la funcin de densidad de una u t en el muestreo. A partir de esta
formula se pueden obtener estimadores de Mxima Verosimilitud.
B. HIPTESIS RELATIVAS A LAS VARIABLES
6. La variable predeterminada X no es aleatoria; o sea es una variable fija en el muestreo
7. La variable endgena Yt , es evidentemente una variable aleatoria, cuyos parmetros (en
virtud de la Ho. 1, 2, y 6) son:
Media: E (Y t) = E ( a + b X t + t ) = a + b X t + E ( t )
E (Y t) = a + b X t

J.Hdez.Napa

Variancia: Y2 = E [ Y t E (Y t) ] 2
Y2 = E [a + b X t + t a b X t ] 2
Y2 = E [ t 2 ]
Y2 = 2
8. La variables X t ^ Y t , se obtienen sin errores de observacin, o sea no hay errores de
medida, el abandono de esta hiptesis, crea el problema de Errores en las Variables. 25

9. La matriz de coeficientes de variables endgenas X, tiene rango K, donde K < N

R [X] = K < N
k = Rango de matriz X ; N = nmero de var. endgenas
Garantiza (XX) 1 . El abandono de esta hiptesis, genera un problema en la econometra,
denominado Multicolienalidad.
C. HIPTESIS RELATIVAS A LOS PARAMETROS
10. Los parmetros estructurales son constantes, para todas las unidades de la muestra.
Sobre
ellos no se emite a priori ninguna restriccin.

4. SOLUCIN DEL MODELO

J.Hdez.Napa

Ln Yt = Ln + Ln (Xt ) + Ln t
(SLn SLn)
[tLn] [tLn
___
R^2, R2, R2
Ln t

Donde:
SS^ t , t = D.Std. ^ t Student

S2 , S
(Ln et)2
log likelihood ()
Dw

F = Prueba de Fisher- Snedecor

Dw = Prueba de Durbin- Watson
SC = Schwarz criterion
AIC = Akaike information criterion

SLnYt
IC
SC
F

26

Para solucionar el modelo potencial, se parte del modelo muestral, y se aplica el Mtodo de los
Mnimos Cuadrados:
Log et )2 = min., y las condiciones de mnimo
Partimos del modelo muestral:
Ln Yt = Ln + LnXt ) + Ln e t
Ln e t = Ln Yt Ln LnXt )
(Ln e t )2 = [ Ln Yt Ln LnXt ) ]2
Condiciones de mnimo:
a.Primera derivada se igualen a cero
b.Segunda derivada sea positiva
Aplicando la primera condicin:
Ln (Ln e t )2 ] = 0
(Ln e t )2 ] = 0
Derivando:
Ln (Ln e t )2 ] = 2 Ln Yt Ln LnXt )] (-1) = 0
(Ln e t )2 ]
= 2 Ln Yt Ln LnXt )] (- X t ) = 0
Igualando a cero:
Ln Yt Ln LnXt )] (-1) = 0
Ln Yt Ln LnXt )] (- X t ) = 0

J.Hdez.Napa

27

obtenindose:
a. Las ecuaciones normales:
LnYt = N Ln + LnXt
X t LnYt = Ln X t + X t2

(1)
(2)

b. Los parmetros:
A partir de las ecuaciones normales hallamos los parmetros Ln ^ Ln :
Ln

LnYt Xt2 X t Xt LnYt

= -------------------------------------------N Xt 2 ( Xt ) 2

Ln

N X t Ln Yt X t Ln Yt
= ------------------------------------------N Xt 2 ( Xt ) 2

a.La Media de los parmetros:

Despus de demostrar la linealidad
Ln = ( 1/N Wt Xt ) Ln Yt
Ln = Wt Ln Yt
Donde Wt , tiene las siguientes propiedades:
Wt = 0; Wt Ln X t = 1; Wt2 = 1 / LnX t Ln )2 ; Wt2 = 1 / x t2
J.Hdez.Napa

28

Se muestra la media o insesgabilidad

E ( Ln ) = Ln a
E ( Ln ) = Ln b

d. La Varianza y desviacin standard de los parmetros: SLn ^ SLn

De la definicin:
V ( Ln ) = SLn2 = E ( Ln Lna
V ( Ln ) = SLn = E ( Ln Ln b )2
Se obtienen la variancia y desviacin estndar de los parmetros.
S

2
Ln

SLn2

NS2
= ----------------------------N Xt 2 ( Xt ) 2
S 2 X t2
= ----------------------------N Xt 2 ( Xt ) 2

Para obtener la desviacin estandar

( S), se extrae raz cuadrada a S2

Para obtener la desviacin estandar

(S), se extrae raiz cuadrada a S 2

e. Varianza y desviacin standard del modelo: S 2 ^ S

Se define S 2, como la relacin entre la variancia no explicada (V no E), y el grado de
libertad ( gl ):

J.Hdez.Napa

S2

V no E
Log et )2
[ Ln Yt Ln Ln X t ) ] 2
= --------- = -------------- = -------------------------------------------

29

Al numerador, se eleva al cuadrado, se aplica sumatoria, se agrupa por factor comn:

S2

(Ln Yt)2 Ln Ln Yt Ln X t Ln Yt
= ---------------------------------------------------------N2

Para obtener la desviacin

standard (S), se extrae raiz
cuadrada a S 2

f. Coeficiente de correlacin del modelo: R2 ^R

Se define R2 , como relacin entre variancia explicada (VE), y variancia total (VT):
VE
(Ln t Ln ) 2
[ Ln + Ln (X t) Ln ] 2
R2 = ----- = ------------------------- = --------------------------------------VT
(Ln Yt Ln ) 2
( Ln Yt Ln ) 2
1) Coeficiente de correlacin libre del intercepto:
Al numerador y denominador, se eleva al cuadrado, se aplica sumatoria, se agrupa por
factor comn:
Ln Ln Yt + X t Ln Yt - 1/N ( Ln Yt ) 2
R2 = ------------------------------------------------------------------ Ln Yt )2 - 1/N ( Ln Yt ) 2
2) Coeficiente de correlacin sin corregir:
Ln Ln Yt + X t Ln Yt
R*2 = ----------------------------------------- Ln Yt )2
J.Hdez.Napa

30

3) Coeficiente de correlacin libre del intercepto y del grado de libertad

N1
2 = 1 --------- ( 1 R2 ) = 1
NK
4) Relacin que debe cumplirse:
R*2 > R2 > 2
g. Relaciones a cumplirse en la solucin de los modelos:
Variancia total = Variancia explicada + Variancia no explicada
( LnYt - Ln ) 2 = (Ln t - Ln ) 2 + (Ln et )2
h. Tabulacin para solucionar el MLS:
Pasos a seguir:
1)Se apertura columnas: para las observaciones, numero de aos.
2)Se apertura columnas: para la variable endgena y pre-determinada, se suman.
3)Se eleva al cuadrado las dos variables y se suman.
4)Se multiplican ambas variables, y se suman
5)Se obtienen el valor estimado Ln t . y se suman
6)Se obtienen las desviaciones Ln e t, la suma es igual a cero.
7)Se elevan al cuadrado las desviaciones (Ln e t)2 , y se suman.
J.Hdez.Napa

31

TABULACIN DEL MODELO EXPONENCIAL

(1)

J.Hdez.Napa

(2)

(3)

(4)

(5)

(6)

(7)

(8)

(9)

32

TABULACIN DEL MODELO EXPONENCIAL

(10)

J.Hdez.Napa

(11)

(12)

(13)

(14)

(15)

33

GRACIAS

J.Hdez.Napa

34

J.Hdez.Napa

35