Your SlideShare is downloading. ×
Apuntes de econometría i (segunda parte)
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×

Introducing the official SlideShare app

Stunning, full-screen experience for iPhone and Android

Text the download link to your phone

Standard text messaging rates apply

Apuntes de econometría i (segunda parte)

7,531
views

Published on

Apuntes de Econometría I (segunda parte) …

Apuntes de Econometría I (segunda parte)
Lemarie
Salgado
Serrano


0 Comments
2 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
7,531
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
286
Comments
0
Likes
2
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA Regresión con dos variables, estimación de intervalos y prueba de hipótesis: La teoría de la estimación consta de dos partes, la estimación puntual y la estimación de intervalos. La primera se ha analizado en los capítulos anteriores, y la segunda se desarrolla a continuación. *Prerrequisitos estadísticos y estimación de intervalos, algunas ideas básicas: control de lectura Intervalos de confianza para  1 y  2 : Donde (1-  ) es el coeficiente de confianza, y el nivel de significación, t es la distribución de “Student” y t  es el valor crítico que se lee en las tablas con (n – 2) grados de libertad (g de l.), y un nivel 2  significación de . 2 De acuerdo al teorema 5: Zi T= 1/ 2  Z2     k            2  2   2  2   2  2  Z1              1/ 2  2  1/ 2  Var   2       x 2   i   xi  2 1/ 2   2  Z 2  n  2 2       2   2   xi2 1/ 2       2   2   xi 2  1/ 2           2   2   xi 2  1/ 2 t=  1/ 2         2     n  2   n  2 2           2  2  t=     ee  2    Pr  t / 2  t  t / 2   1    Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 2. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA        2  2   Pr  t / 2     t   1     /2      ee  2                  Pr  t / 2 ee  2     2   2   t / 2 ee  2   1                     Pr t / 2 ee  2     2   2   t / 2 ee  2   1                   Pr  2  t / 2 ee  2    2   2  t / 2 ee  2   1         Pasa cerca del origen         Pr  2  t / 2 ee  2    2   2  t / 2 ee  2   1               Pr 1  t / 2 ee 1   1  1  t / 2 ee 1   1         Ejemplo con la muestra 1:  2  0.5091 ee(  )  0.0375 ˆ ˆ2 8 g de l   5% Al 95% de nivel de confianza, t0.025  2.306 Pt 0.509  2.306(0.0357)   2  0.509  2.306(0.0357)  95% Pt (0.4268   2  0.5917)  95% Quiere decir que el 95% de los intervalos obtenidos de las 7.5 * 10^10 muestras contendrán al verdadero  2 . El intervalo anterior tiene el 95% de probabilidad de contener el verdadero  2 . Intervalo de confianza para  2 : Se define como: Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 3. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA   Pr 2     2  2   (1   )   1    2  2  Donde 2   y 2 son los valores críticos que se lee en las tablas con (n-2) grados de libertad g. l.   1     2  2  2  Para muestra caso:   (n  2) 2 2   2  2  2  Pr  1   (n  2) 2    (1   )   2      2     1 2 1  Pr  2   2   (1   )   1  2    2  (n  2)    2    2  2    2  2   (n  2)  (n  2)    (n  2)  (n  2)   Pr    2   (1   ) Pr    2   (1   )  2   2   2  2    (1 )   1 ..    2    ( )      2 2 2 Ejemplo: con la muestra 1;  2  = 42,1591; 8 g.l   5%  8 * 42.1591  2 8 * 42.1591 19.2347  2 154.7336  Pr      95% Pr      95%  17.5346 1 2.1797   1 1 1  Control de lectura: Prueba de Hipótesis comentarios generales. Quiere decir que el 95% de los intervalos obtenidos de las 7.5 * 10^10 muestras contendrán al verdadero  2 . El intervalo anterior tiene el 95% de probabilidad de contener el verdadero  2 . Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 4. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA Prueba de hipótesis: método del intervalo de confianza. Prueba de dos colas: Se construye un intervalo de confianza para  2 al 95%. Si  2 bajo la H 0 se encuentra dentro de este intervalo no se rechaza la H 0 (se acepta la hipótesis nula), pero si esta fuera del intervalo, se rechaza la H 0 (aceptar la H 1 ).  Ejemplo: se conoce que  2 =0.5091, pero se postula que: H 0 :  2 =0,3 → Hipótesis simple H 1 :  2  0,3 → Hipótesis compuesta  Entonces, es el  2 compatible con la H 0 ? Para responder acudimos al intervalo de confianza obtenido anteriormente: “En última instancia nos tenemos que comparar con los valores poblacionales.” Pr 0,4268   2  0,5914  95% Pr 0,4268  0,3  0,5914  95% La H 0 está fuera del intervalo, se rechaza la H 0 (se acepta H 1 ) al 95% de confianza. (HACER LO MISMO  CON 1 Y CON LAMUESTRA 2) Prueba de 1 cola:  Se determina de acuerdo al planteamiento de la H 1 . Nuevamente se conoce que  2 =0.5091 pero se postula que H 0 :  2  0.3 ; H 1 :  2  0.3 . Pr(0.42   2  0.5914) =95% La H 0 esta fuera del intervalo, se rechaza H 0 (se acepta H 1 ) al 95% de confianza. Prueba de hipótesis: método de la prueba de significación Es un procedimiento mediante el cual se utiliza los resultados muéstrales para verificar la verdad o falsedad de una H o a través de la t de Student Prueba de dos colas: Pr(t   t  t  )  (1   ) 2 2 Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 5. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA    *          2 2 Pr  t       t   (1   )   2 ee(  ) 2   2     *        Pr   2  t ee  2    2   2  t ee  2   1    *  2   2   * Donde  es el valor de  bajo la H o ,  t  y t  son los valores críticos. El intervalo es conocido como 2 2 2 2 la “región de aceptación” de la H o y las regiones fuera del intervalo se llama “región de rechazo” o “regiones criticas” de la H o   Ejemplo: 2  0.5091 ee(  )  0.0375 2 8g. de l t 0.025  2.306 Se puede utilizar las 2 formas: La primera: H o :  2  0,3 * H 1 :  2  0,3 *  0,509  0,3  Pr   2,306   2,306   95%  0,0357  Pr  2,306  5,86  2,306  95% Región de Rechazo H o Región de Rechazo H o Se rechaza la hipótesis nula y en consecuencias se acepta la H 1 . Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 6. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA La segunda: * * H o    0.3 H 1    0.3 2 2    Pr 0.3  2.306(0.0375)    0.3  2.306(0.0375)  95% 2    Pr(0.2177    0.3823)  95% 2 Pr(0.2177  0.509  0.3823)  95% Región de Rechazo H o 2,5% Región de rechazo H o 0,2177 0,3 0,3823 3 0,509 Se dice que una prueba es estadísticamente significativa si el valor del estadígrafo de prueba cae en la región de rechazo de la H 0 ; y una prueba es estadísticamente no significativa si el valor del estadígrafo de la prueba cae en la región de aceptación H 0 Prueba de una cola: El procedimiento es similar, cambia en el planteamiento de las hipótesis. Ejemplo: muestra 1.  2  0.5091 ee(  )  0.0375 ; 8 g de l ˆ ˆ2 t 0.05  1.86 H 0 :  2  0,3 → Hipótesis simple * H 1 :  2  0,3 → Hipótesis compuesta * Así mismo, se pueden utilizar las dos formas: Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 7. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA La primera:  2  2 * 0,509  0,3 t   ee(  2 ) 0,0357 Rechazo a H 0 8 grados de libertad. Se rechaza H 0 y se acepta H 1 La segunda:  *  2  2  t  ee(  )  0.34  1.86(0.0357)  0.3644 2 Rechazo a H 0 Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 8. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA Prueba de significación para  2   Pr 2     2  2   (1   )   1    2  2   2    (n  2) 2 2  Ejemplo con la muestra 1: 2  = 42.1591 8 g de l  =5% H 0 :  2 =85 → Hipótesis simple H 1 :  2  85 → Hipótesis compuesta 42.1591 2  8 *  3.97 85 Pr 2.1797  3.97  17.5346  95% Se acepta H 0 Regla práctica “2-t” (Ho : Bi = 0) Es lo que se utiliza en el trabajo empírico: Ho:  i  0 y H1:  i  0 . Es un mecanismo para establecer si Y tiene relación con la variable explicativa X. Si el de número de g. de l. es más de 20 al 95 % entonces Ho puede ser rechazada si t 2     i  i  ti      ee  i    Ho:  i  0 H1:  i  0 .  i t  i  Es la pendiente , por lo que la t de student puede ser, negativo o positivo.   ee  i    Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 9. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA “En la nomenclatura internacional Bo , es igual a la intersección. “Gujarati tiene un problema de notación está al revés.” Xi =  o  1 X 1i   2 X 2i     i  Cuando  i > 0 t i =   >2   ee  i        i  Cuando  i < 0 t i =   <-2   ee  i       i    >2 ti =   ee  i     Si t  2 : se rechaza H o y se acepta H 1 ; la presencia de la variable a la que pertenece  i es justificada en el modelo porque es estadísticamente significativa para la variable dependiente.  Si t  2 : no se rechaza H o y se acepta H 1 ; la presencia de la variable a la que pertenece  i no se justifica en el modelo porque no es estadísticamente significativa para la variable dependiente. Se dice que una prueba es estadísticamente significativa, o es verdadero, si el valor del estadígrafo de prueba cae en la región de rechazo, mayor que dos y menor que menos dos. Ahí se rechaza que el regresor es 0, se acepta que es diferente a 0 y eso quiere decir que la variable es significativa, para la variable dependiente. 2.5% Región de 2.5% Región de rechazo Ho rechazo de Ho Región de aceptación Ho Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 10. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA La única t de student que no me interesa es la de la intersección. Si la intersección pasa por el origen la 1  0. Ejemplo: Yi  24.4545+0.5091 X i (6.4138) (0.0357) 24.4545 La propensión marginal a consumir t1 =  3.813 es muy significativa, razón por la 6.4138   cual 1 y 1 son estadísticamente 0.5091 t2 =  14.243 significativos. 0.0357 ˆ ˆ  1 y  2 son estadísticamente significativos. El valor P: Denominado el valor de probabilidad, es el nivel de significación mas bajo al cual se puede rechazar una H o o la probabilidad exacta de cometer un error tipo 1 Nota: La probabilidad de cometer un error tipo 1 es la probabilidad de rechazar la hipótesis cuando es verdadera; la probabilidad de cometer un error tipo 2 es la probabilidad de acertar la hipótesis cuando es falsa. En la practica es la superficie de la región de rechazo determinada por un valor de la t de student (el riesgo)]; a medida que aumenta el valor absoluto de la t de student, disminuye el valor P. Conclusiones prácticas del valor p: Ejemplo: Si excede a 0,05 necesitamos la tabla t de student para ver su valor real. t1 = 3.8128 valor p = 3.8128 Cuando tenemos más de 36 la t de t1 = 14.2605 valor p = 0.0000 student es dos. Análisis de Varianza: Recordando: Importante: Los símbolos que no están con asteriscos son desviaciones respecto a la media. STC = SEC+SRC 2 2 2  2 yi2   y i   u i  y i   2 xi2  2 2 y   2 x   u i 2 i 2 i Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 11. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA Tabla Anova Fuente de Suma de g de l Suma Promedio Variación Cuadrados de Cuadrados Debido a regresión  2  2 (SEC) 2 x 2 i 1  2  xi2 Debido a residuos (SRC) ui 2 (n-2)  2   u 2 i (n  2) Se construye una F SPC de SEC F SPC de SRC La relación también se puede obtener a partir del teorema 6:    2         2  2   2  2    ee         2  Var   2    F 1 1    Z /k    Z 2 / k2 n  2 2 2 n  2 2 2 2     2  2             2  2  2  ee       2  2     2   2   xi2 F x 2 i           2 n  2 2 2 2 n  2 2 Los grados de libertad son los números de restricciones, y la restricción es el equivalente al regresor. En el software E views la prob representa el riesgo. Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 12. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA  (  2   2 ) xi2 F  2 Ho:  i =0 ; H 1 :  i  0   2 2  xi2 F  2 Si F> que el valor crítico de la distribución F; se rechaza Ho y se acepta H 1 . Si F< que el valor crítico de la distribución F; se acepta Ho. Ejemplo:    2 =0.5091 x 2 i =33000  2 = 421591 (0.5091) 2 (33000) F = 202.875 42.1591 F no califica intersección; F califica pendientes B1 B2 B3 De la tabla F, con  = 5%; k=1 y k= 8 g. de l. F= 5.32. Se rechaza Ho y se acepta H 1 . Nota: de acuerdo al teorema 7: F1,k  t 2 k F1,k  (14.24317)  202.8679 Aplicación de la regresión: problema de predicción: Con la regresión muestral estimada, se puede “predecir” valores de Y correspondiente a algún nivel de X. Hay dos clases de predicción: la predicción media y la predicción individual Predicción media Se desea predecir E Y / X 0  100 : el promedio de los consumos cuando en nivel de ingreso es igual a 100    Yo  1   2 X 0  24.4545  0.5091(100)  Yo  75.3645 ---- el valor real de la tabla es 77  Puesto que Yo es un estimador, es probable que éste sea diferente de un verdadero valor. La diferencia entre los dos dará alguna idea sobre el error de predicción; para evaluar este error es necesario encontrar la  distribución muestral de Yo , o sea su media y su varianza.    Yo  1   2 X 0    E (Y )  E (    X 0 )  1   2 X 0 o 1 2 Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 13. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA  Lo que quiere decir que Y0 está normalmente distribuida con media (  1   2 X 0 ); y la varianza es:    Var (Y )  Var (    X o ) o 1 2      Var (Y )  Var (  )  X oVar (  )  2 X o Cov(  ,  ) o 1 2 1 2 2  X i2  2   2     2  Var (Yo )       2X __ O     x 2   n x 2  X o   x 2   X   i   i   i   2 _   X i  nX o  2no X 2  Var (Y )   2  o  n xi2       _ _   1 X o  2no X  X 2  2 Var (Y )   2  n  o 2  xi        __  1  Xo  X  Var (Yo )   2      n  xi  2       Conocida la Var  Y0  y por tanto ee  Yo  se puede plantear la distribución t de Student para construir        Y  intervalos de confianza del verdadero E  o  y hacer pruebas de hipótesis.  X0      Conocida la Var ( y 0 ) y por tanto ee ( y 0 ) se puede plantear la distribución t de Student para construir  intervalos de confianza del verdadero E ( y 0 / x0 ) y hacer pruebas de hipótesis.     y 0  E  y o / xo  t=    ee ( y0 ) Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 14. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA        y 0  E  y o / xo   Pr  t      t   (1   )    2 ee ( y0 ) 2              Pr  y 0  t ee ( y0 )  y 0  E yo / xo   y 0  t ee ( y0 )  (1   )  2   2  Ejemplo:  2    42.1591 X  42.1591 x 2 i =33000 y 0  75.3645 t  =2.306 2   1 (100  170)  2 Var ( y 0 ) = 42.1591     = 10.4759 10 33000   ee Yo   3,2366         Pr 75,3645  2,3063,2366  E Yo / X o   75,3645  2,3063,2366  95%         Pr 67,901  E  Yo / X o   82,8281     Pr67,901  77  82,8281 Predicción individual Se desea predecir el Yo (predicción individual) de una de las familias, cuando X o  100   Yo   1   2 X o  uo Un buen estimador de Yo  75,3645 , es probable que este sea diferente de su verdadero valor. La diferencia entre los dos dará alguna idea sobre el error de predicción. Para evaluar este error es necesario encontrar la distribución inicial de Yo , o sea su media y su varianza. Hay 75.400 millones de ecuaciones, con 75.400 de Yo , por lo que puedo construir una distribución normal, por lo que necesito la media y la varianza. Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 15. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA          E Yo   E   1   2 X o  uo   E   1   E   2  X i  E   1   E uo          E Yo   1   2 X o Lo que quiere decir que Yo está normalmente distribuido con media 1   2 X o  y la va varianza es:         Var Yo   Var   1   2 X   uo   Var   1   2 X   Var uO              Var Yo   Var   1   X o Var   2   2 X o Cov  1   2   Var (u o ) 2         X i2   2   __  2  Var Yo    2   X o2     2 X o  X      2  n x 2    x2     x 2   i   i    i   __    X i  X o  2nX o X  2 Var Yo    1  2   n xi2    __ 2 __ 2 x  X 2 i i 2 nX X i 2  x n X 2 i  __ 2 __    xi2  n X  nX o  2nX o X  2 Var Yo    2 1    n xi2     1 X 2  2X X  X 2  Var Y0    1   0 2 0   n   xi2    1 X X 2 Var Y0    1   0 2  2    n   xi   Conocida la Var Y0  y por tanto eeY0  se puede plantear la t de Student para hacer pruebas de hipótesis. (PUEDE IR EN LA PRUEBA) Y0  E Y0 / X 0  t eeY0   Y  E Y0 / X 0   Pr  t   0  t    (1   )  2 eeY0  2  Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 16. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA   Pr Y0  t  eeY0   E Y0 / X 0   Y0  t  eeY0   (1   )  2 2  Ejemplo: 2  = 42.1591 X  170 x 2 i 33000 Y 0 =75.3645 t   2.306 2  1 100  170  2 Var Y0   42.1591 1     52.635  10 33000   eeY0   7.255 Pr58.6345  EY0 / X 0   92.0945  95% Control de Lectura: Informe de resultados Control de Lectura: Evaluación de resultados Prueba de normalidad de Jarque Bera n =Tamaño de la muestra. S = El sesgo mide si es simétrica o asimétrica. K=Curtosis Para una variable normalmente distribuida S = 0 Y K = 3, en cuyo caso el estadígrafo J-B = 0 y el valor probabilística es 1; si la variable no está normalmente distribuida, el estadígrafo J-B aumenta, y el valor p tenderá a cero.  Si el sesgo es igual a cero es absolutamente simétrica. Es decir la moda la mediana y la media coinciden.  Lo que me interesa es el valor probabilística.  Si es que la normal estandarizada tiene un Jarque Bera de cero esa distribución esta normalmente distribuida en un cien por ciento.  Si el Jarque Bera aumenta la probabilidad de que sea normal disminuye.  Cuando K < 3 la distribución es más ancha y más baja que la normal. Ejemplo: S= 0.398346 K=1.890997  (0.398346) 2 1.890997  32  J-B= 10     0.77692  6 24  Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 17. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA Valor p=0.6781  67.81% EQ01   Yi  Y i  u i Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 18. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA EQ02   Yi  Y i  u i Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 19. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA Prueba de autocorreción de primer orden: Se utiliza el estadígrafo Dublín Watson: 2  n   u t  u t 1  D W  2     ut2  2   n 2   u t  2u t u t 1  u t 1  2   D W     u t2 n  n   n 2  ut2  2 ut ut 1   u t 1 D W  2 2  2 u 2 t Si n es grande: Se considera n grande desde un fenómeno conocido como la estacionalidad. 2 2 n 2 u n t 1 ~ ut 2 1 2 3 (n-1) n n  n  U ~ U 1 t 2 2 t 2 Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 20. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA n  n   2 U t2  2 U t U t 1 D W  2 n 2  U 2 t 2 1 2 3 n-1 n 111 141     n     U t U t 1  D  W  21  2 n     U t2     2 n    U t U t 1  2 n  U t2 2  D  W  2(1   )  Si   0  D W  2  no autocorrelación  Si   1  D W  0  autocorrelación    Si   1  D W  4  autocorrelación  0 2 4 Autocorr (+) No Autocorr Autocorr (-) IDP3  PIB4 IDP4  PIB3 Autocorr (-) Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 21. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA 0 DU DU 2 4- DU 4 - D1 Autocorr D1 Indecisión No hay Autocorrelación Indecisión Autocorr D1 (+) (-) 1.65  D  W 2.35 Ejemplo: D – W (3,31) DL  1.23 DU  1.65 4  DU  4  1.65  2.35 Extensiones del modelo de regresión lineal de dos variables Regresión a través del origen Si la nube de puntos está apuntando al origen y la regresión pasa por ahí los mínimos cuadrados si se cumplen, si la nube de puntos no apunta al origen y la regresión si pasa por ahí, los mínimos cuadrados no se cumplen. A) Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 22. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA B) A) No se cumple con MCO B) Se cumple con MCO Hay ocasiones en las cuales la función de regresión poblacional de dos variables pasa por el origen  1 0   Yi   2 X i  ui Yi   2 X i  u i   Y i   2 Xi 2 2  u i    Yi  Y i     Yi   2 X i   2            2    u i       2  Y   X  X   0    i 2 i  i   2     Yi   2 X i  X i   0     2   Yi X i   2 X i   0    X i Yi   2 X i 2 0 Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 23. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA    X Y i i 2 X i 2    X ( 2 X i   i )  2  X i2   X i  i  i 2 X i 2 X i 2     X  X  i i 2 2  i 2         X  i i  2 2   X i 2 Porque las X i no son estocásticas y las  1 son homoscedásticas y no correlacionadas:    2   X 2u 2   X 2 E u 2 E      E  i i  i i  E u i2      2  2    X i2 2     X i2 2  X i2       2 2 1       __ __ 1 Var(X)   xi2    X i  X   E  X i  X  n n      E (  i2 ) 2 E ( 2   2 ) 2    X i2  X i2     2 Var   2     Xi 2  2  2    i (n  1) Pero el modelo sin intersección tiene algunos problemas. Primero:  2   i    2 (Yi   2 X i )( X i )  0  2   (Yi   2 X i )( X i )  0   (Y i  Y i )( X i )  0 Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 24. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA  i Xi  0 Es decir los residuos y la variable X no están correlacionados. Sin embargo, en el modelo con intersección,   i  0 , se puede aseverar que: 2     i   (Yi  Y i ) 2   (Yi  1   2 X i ) 2  2  (  i )     2 (Yi  1   2 X i )(1)  0  1   (Yi  Y i ) =0   i 0   Pero como en el modelo sin intersección,  i  0 ; no se puede afirmar que la  i  0. TRAER TABLA 6,1 Y 6,2 Segundo: __  __  Recuérdese que el modelo con intersección,  1  0, se demostró que: Y  Y . Pero el modelo sin  intersección,  1  0 :     u i  Yi  Y i Yi  Y i  u i    Yi   Y i   u i    Yi  Y i  ui n n n   u i = 0 (esto no necesariamente sucede si  1  0 ; como se demostró anteriormente) entonces:  u i 0 __ __   Y  Y  ui __ __  Y Y Tercero: Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 25. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA  El coeficiente de determinación en el modelo con intersección,  1  0 , siempre es positivo. (La suma estimada de cuadrados es un numero positivo, positivo para positivo da un coeficiente de determinación  positivo). Pero en el modelo sin intersección, 1  0 , puede ser negativo:  SEC STC  SRC  i 2 SRC r  2   1  1  yi 2 STC STC STC  En el modelo con intersección, 1  0 : STC  SEC  SRC ; SRC  STC . Y por tanto, el r 2 siempre será positivo.  En el modelo sin intersección, 1  0 :   Yi   2 X i   i 2    X      2 X 2  2 2X  2  Yi   2 i   i  2   2 i 2 i i i     Yi 2   22  X i2  2  2   i X i    i2    i X i  0    Yi 2   22  X i2   i2    i 2   Yi   22  X i22 Por otro lado:  __  yi   Yi  Y    2   __ __ __ 2 y   Yi  Y   Yi 2  2Yi Y  Y 2 i   __ __ 2 y 2 i  Yi  2 Y Yi  n Y 2 __ Y Y i __ n Y   Yi n Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 26. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA __ 2 __ 2 __ 2 y 2 i  Yi  2n Y  n Y  Yi  n Y 2 2 __ 2 Y i 2   y n Y 2 i __ 2  2 u 2 i   y n Y   2  X i2 2 i __ 2  2 Si: n Y   2  X i2 SRC > STC Y entonces, el r 2 será negativo. Se acostumbra calcular con:  X  rs2  i  X Y i 2 i 2 Aunque no es comparable con el r 2 convencional tiene un intervalo de 0  r 2  1 y no está incorporando en los paquetes econométricos. En conclusión, en todos los modelos se debe incluir la intersección para que los mínimos cuadrados se cumplan. Realizar: IDP3  PIB4 IDP4  PIB3 Autocorr (-) Ejemplo: consideremos la información de la tabla 6.1; Y  GAF  36.57821 y X  GPM  28.94210 (Ejer- 6.1) EQ1 : GAF C GPM GAF= 1.279719  1.069084GMP (7.688560) (0.238315) 0.166445 4.486004  La t de Student de  1 están más bajo que 2 y por eso el valor probabilístico es de 0.8719, entonces, se  puede concluir que  1  0 EQ 2 : GAF GPM GAF=1.089912 GMP (0.191551) 5.689922 Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 27. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA La diferencia entre 1.069084 y 1.089912 no e mucha; sin embargo, en general en estos casos se debe mantener la intersección para que se cumplan los mínimos cuadrados ordinarios. Pasa cerca del origen         Pr  2  t / 2 ee  2    2   2  t / 2 ee  2   1         La variable incide en la variable dependiente. Si la t de student de la intersección está baja, pasa cerca del origen. Regresor significativo, pero no se cumplen los MCO. - Si hago que pase por el origen no se cumplen los mínimos cuadrados ordinarios no se cumplen. Econometricamente la regresión no sirve. - Técnicamente no sirve. -Cuando la intersección es cero (  1 ) el software informático me indica. -En todos los modelos que yo proponga debemos incluir una intersección para asegurarnos que los mínimos cuadrados ordinarios se cumplan para asegurarnos que todo es verdadero. Escalas y unidades de medición: Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 28. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA El problema: hay alguna diferencia en los resultados de la regresión si las unidades en las cuales se miden las variables Y y X son distintas? De ser así, como se debe proceder?    Yi  1   2 X i   i Yi *  W1Yi X i*  W2 X i (los valores estrellados son con diferentes variables) Donde W1 y W2 , se denominan factores de escala, W1 puede ser igual o diferente a W2 : ˆ ˆ* Yi*  1*   2  X i*  ui* ˆ ˆ* 2  x y * i * i ˆ ˆ* 1*  Y *   2 X * x 2* i ˆ *   *2   X i      2* Var 1  n x 2*   i  ˆ*  Var  2   *2 ˆ *2  u ˆ *2 i  xi2* n  2 Con las siguientes relaciones: Yi*  w1Yi , yi*  w1 yi , X i*  w2 X i xi*  w2 xi , ui*  w2 ui , Y *  w1Y y X *  w1 X ˆ ˆ  2  x y * i * i   (w x )(w y )  w w  x y 2 i 1 i 1 2 i i  w1  2 x *2 i  (w x ) 2 i w x 2 2 2 i w2 * w1  2  2 w2  w1       * * * *     1  Y   2 X  w1 Y      2 w2 X  w1 Y  w1  2 X  w1  Y   2 X   w1  1     w2    *   1  w1  1 Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 29. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA 2 w           i i    *2  i *2    w12  i2  w 2   i  w 2  2 n  2 n  2 n  2 i n  2 1    *2  w12  2 2   *   w 2Var   Var 1    *    w1 Var 2        Var 2   1        ws    1   2*  1 u ˆ *2 i   w u  i ˆ 2 i  w y  r y 2 i i 2 i w12  u12 ˆ u ˆ *2   1  r2 2* i r w12  yi2 y 2 i r *2  r 2 Ejemplo: consideremos la información de la tabla 6.2 : IDP1= 146,5929, IDP2 = 146592.9 PIB1= 455,2486, PIB2 = 455248,6 PRIMERA ECUACIÓN: EQ01: IDP1 C PIB1 (W1=1) (W2=1) Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 30. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA IDP1= -1026,498 + 0.3016PIB (257,5874) (0,0399900) -3,985047 7,558482 ˆ Var (1 )  66351,27 ˆ Var ( )  0,001592 2  2  2969,4988 (Esta información la obtenemos mediante la calculadora) ˆ  2  54,49311 r2= 0,877170 SEGUNDA ECUACIÓN: EQ02: IDP2 C PIB2 W1  1000 W2  1000 IDP2= -1026498+0.301583 PIB2 (257587.4) (0.039900) -3.985047 7.558482    var 1*   6.64 *1010      *  var  2   0.001592       *2  2969498800 Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 31. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA   *  54493.11 r *2  0.877170 TERCERA ECUACIÓN EQ03: IDP1 c PIB2 W i  1 W 2  1000 IDP1= -1026.498 + 0.000302 PIB2 5 (257.5874) (.399 *10 ) (-3.98504) (7.558482)    Var   1*   66351.27     Var  2*   1.59 *10 9         2969.4988 *2   *  54.49311 r *2  0.877170 Regresión sobre las variables estandarizadas: Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 32. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA Para evitar el problema anterior se puede plantear la regresión con ambas variables estandarizadas. Yi  Y Xi  X Yi*  X i*  SY SX ˆ ˆ* Yi*  1*   2 X i*  ui* ˆ ˆ ˆ* 1*  Y *   2 X Y* 0 X* 0 Análisis de Y *  0 1 Y  Y   Y Y  1 1 1 Y*  n  Yi*  n  iS  nS i nS y y i 0 Y y ˆ 1*  0 ˆ* Yi*   2 X i*  ui* ˆ En este caso, si la variable independiente estandarizada se aumenta en una desviación estándar, la variable * dependiente estandarizada se incrementa en  2 desviaciones estándar. Por otro lado: * 2  x y * i * i   ( X  X )(Y  Y * i * i * * )  X Y * * i i x *2 i (X  X ) * i * 2 X *2 i (X i  X )(Yi  Y ) * SxSy Sx  xi y i 2    (X i  X )2 Sy  xi2 Sx 2 *   Sx   2   2     Sy  Ejemplo: consideremos la información de la tabla 6.2; (ejemplo 6,2) Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 33. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA PIB3  ( PIB1  @mean(PIB1)/@stdev(PIB1) Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 34. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA PIB4  ( PIB2  @mean(PIB2)/@stdev(PIB2) IDP3  ( IDP1  @mean(IDP1)/@stdev(IDP1) IDP4  ( IDP2  @mean(IDP2)/@stdev(IDP2) Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 35. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA EQ  5= IDP3 c PIB3 Dependent Variable: IDP3 Method: Least Squares Date: 06/05/07 Time: 09:30 Sample: 1988 1997 Included observations: 10 Variable Coefficient Std. Error t-Statistic Prob. C 1.78E-16 0.117552 1.51E-15 1.0000 PIB3 0.936574 0.123910 7.558482 0.0001 R-squared 0.877170 Mean dependent var 0.000000 Adjusted R-squared 0.861816 S.D. dependent var 1.000000 S.E. of regresión 0.371731 Akaike info criterion 1.035563 Sum squared resid 1.105470 Schwarz criterion 1.096080 Log likelihood -3.177815 F-statistic 57.13064 Durbin-Watson stat 0.614662 Prob(F-statistic) 0.000066 IDP3  1.78 *10 16  0.936574PIB3 (0.117552) (0.123910) 15 1.5 *10 7.558482 r 2  0.877170 r 2  0.861816 = r cuadrado ajustado. EQ  6: IDP3 PIB3 Dependent Variable: IDP3 Method: Least Squares Date: 06/05/07 Time: 09:32 Sample: 1988 1997 Included observations: 10 Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 36. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA Variable Coefficient Std. Error t-Statistic Prob. PIB3 0.936574 0.116824 8.016980 0.0000 R-squared 0.877170 Mean dependent var 0.000000 Adjusted R-squared 0.877170 S.D. dependent var 1.000000 S.E. of regression 0.350471 Akaike info criterion 0.835563 Sum squared resid 1.105470 Schwarz criterion 0.865821 Log likelihood -3.177815 Durbin-Watson stat 0.614662 IDP3=0.936574 PIB3 (0.116824) (8.01698) r 2  0.877170 r 2  0.877170 El r y el r cuadrado son los mismo. EQ  7= IDP4 c PIB4 Dependent Variable: IDP4 Method: Least Squares Date: 06/05/07 Time: 09:48 Sample: 1988 1997 Included observations: 10 Variable Coefficient Std. Error t-Statistic Prob. C -6.15E-18 0.117552 -5.23E-17 1.0000 PIB4 0.936574 0.123910 7.558482 0.0001 R-squared 0.877170 Mean dependent var -4.44E-17 Adjusted R-squared 0.861816 S.D. dependent var 1.000000 S.E. of regression 0.371731 Akaike info criterion 1.035563 Sum squared resid 1.105470 Schwarz criterion 1.096080 Log likelihood -3.177815 F-statistic 57.13064 Durbin-Watson stat 0.614662 Prob(F-statistic) 0.000066 IDP4  6.15 *10 18  0.936574PIB4 (0.117552) (0.123910)  5.23 *10 17 7.558482 r 2  0.877170 r 2  0.861816 EQ  8: IDP4 PIB4 Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 37. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA Dependent Variable: IDP4 Method: Least Squares Date: 06/05/07 Time: 09:49 Sample: 1988 1997 Included observations: 10 Variable Coefficient Std. Error t-Statistic Prob. PIB4 0.936574 0.116824 8.016980 0.0000 R-squared 0.877170 Mean dependent var -4.44E-17 Adjusted R-squared 0.877170 S.D. dependent var 1.000000 S.E. of regression 0.350471 Akaike info criterion 0.835563 Sum squared resid 1.105470 Schwarz criterion 0.865821 Log likelihood -3.177815 Durbin-Watson stat 0.614662 IDP4=0.936574 PIB4 (0.116824) (8.01698) r 2  0.877170 r 2  0.877170 Si el PIB aumenta en una desviación Estandar el IDP aumenta en 0,94 desviaciones estandar. Recordemos que aumenta por que tiene signo positivo. La regresión con variables estandarizadas es el único modelo que cruza por el origen cumpliendo los MCO. Independientemente de cómo se plantea las variables, la regresión es la misma. La interpretación es: si el PIB aumenta en una desviación estándar, el IDP se incrementa en 0.94 desviaciones estándar. Nótese que en 2 el modelo sin intersección el r es igual al r 2 . Realizar: IDP3  PIB4 IDP4  PIB3 Formas funcionales de los modeles de regresión Modelos log-lineal (log-log): Es la manera más sencilla de obtener una elasticidad. Es el mejor indicador de todos los indicadores. Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 38. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA También denominado modelo de elasticidad constante, por que mide la elasticidad de Y con respecto a X. Supongamos la función exponencial (Coub Douglas). Yi  1 X i 2 e ui dY dY X EYX  Y  * dX dX Y X 1 2 X i 1eu X i 2 i EYX   2 1 X i eu 2 i ln Yi  ln 1  ln  2 X i  ui ln Yi    ln  2 X i  ui Linealizar es sacar los logaritmos a ambos lados. Consideremos la información de la tabla 6.3; GSE=135.2642, GBD=65.25941, GBP=61.19171, GCP=160.5416 (Ejer-6.3) *Generalmente expresar una variable con tres letras* *ese log es el logaritmo naperiano (base e) ya no se trabaja con el logaritmo decimal* LGSE=LOG(GSE) LGBD=LOS(GBD) LGBP=LOG(GBP) LGCP=LOG(GCP) Vamos a ver la elasticidad de los tres primeros cuando el gasto total aumenta EQ01: LGSE C LGCP Dependent Variable: LGBD Method: Least Squares Date: 06/07/07 Time: 08:10 Sample: 1993Q1 1998Q3 Included observations: 23 Variable Coefficient Std. Error t-Statistic Prob. C -9.697098 0.434127 -22.33702 0.0000 LGCP 1.905633 0.051370 37.09622 0.0000 R-squared 0.984969 Mean dependent var 6.407036 Adjusted R-squared 0.984253 S.D. dependent var 0.106162 Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 39. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA S.E. of regression 0.013322 Akaike info criterion -5.715894 Sum squared resid 0.003727 Schwarz criterion -5.617155 Log likelihood 67.73278 F-statistic 1376.130 Durbin-Watson stat 2.363903 Prob(F-statistic) 0.000000 LGSE=0.130296 + 0.919989LGCP (0.064914) (0.007681) error estándar (1.591280) (119.7712) t de student La intersección esta pasando cerca del origen, no en el origen, pero como yo necesito que exista la intersección para que se cumplan los MCO yo no le hago caso a la t de student de la regresión. Cuando los gastos de consumo personal total aumenta en un 1% (no el logaritmo de los gastos), entonces los gastos en servicios (GSE) aumenta en 0.92%. Si el signo es negativo el GSE disminuye. EQ02= LGBD C LGCP Dependent Variable: LGBD Method: Least Squares Date: 06/07/07 Time: 08:10 Sample: 1993Q1 1998Q3 Included observations: 23 Variable Coefficient Std. Error t-Statistic Prob. C -9.697098 0.434127 -22.33702 0.0000 LGCP 1.905633 0.051370 37.09622 0.0000 R-squared 0.984969 Mean dependent var 6.407036 Adjusted R-squared 0.984253 S.D. dependent var 0.106162 S.E. of regression 0.013322 Akaike info criterion -5.715894 Sum squared resid 0.003727 Schwarz criterion -5.617155 Log likelihood 67.73278 F-statistic 1376.130 Durbin-Watson stat 2.363903 Prob(F-statistic) 0.000000 LGBD= -9.697098 + 1.905633LGCP (0.434127) (0.051370) error estándar -22.33702 37.09622 t de student La intersección pasa lejos del origen, por que la t de student es alta 22.33702 (nada mas no hay otra explicación que dar) Si los gastos totales aumenta en 1% los gastos en bienes duraderos (GBD) se incrementaran en 1.91% (aprox) EQ03= LGBP C LGCP Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 40. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA LGBP = 0.780076 + 0.767695 LGCP (0.077143) (0.009128) error estándar 10.11202 84.10016 t de student Si los gastos totales aumentan en 1% los gastos en bienes perecederos se incrementaran en 0.77% (aprox) Modelo log-lin: También denominado semilog por que solamente una variable aparece en forma logarítmica, mide la tasa de crecimiento instantáneo de variables. Yt  Yo (1  r ) t ln Yt  ln Yo  t log(1  r ) 1  lnY0  2  ln 1  r  ln Yt  1   2t  ut  2 mide el cambio relativo de Y(%) debido a un cambio de t, se conoce como la semielasticidad de Y respecto a t. Modelo de tendencia lineal: En lugar de estimar el modelo anterior, algunas veces se estima el siguiente. Yt  1   2t  ut Que se denomina modelo de tendencia lineal, la variable de tiempo (t) se conoce como la variable de tendencia, que puede ser creciente o decreciente. Mide el cambio de Y en valores absolutos por una unidad de tiempo. En el examen necesitamos las cifras de view/ estimation out put Modelo lin-log control de lectura Ejemplo: consideremos la información de la tabla 6.3, (Ejer. 6.3). EQ 4 : LGSE C t LGSE: 7.788347 + 0.007466t (0.002289) (0.000167) 3402.198 44.71844 La tasa de crecimiento instantáneo de los gastos en servicios es de 0.747% EQ 5 : LGBD C t LGBD= 6.221691+0.015445t (0.0007597) (0.000554) Felipe Lemarie Jorge Salgado Juan C. Serrano
  • 41. PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA I ECONOMISTA LINCOLN MAIGUASHCA 818.9877 27.87711 La tasa de crecimiento instantáneo de los gastos en bienes duraderos es de 1.54%. (Las cifras q me debe poner es del view stimation output cifras decimales q se deben declarar) EQ 6 : LGBP C t LGBP=7.192967+0.006229t (0.002077) (0.000151) 3463.080 41.11945 La tasa de crecimiento instantáneo de los gastos en bienes perecederos es de 0.623% EQ 7 : LGCP C t LGCP= 8.353433+0.008114t (0.002342) (0.000171) 3566.568 47.50231 La tasa de crecimiento instantáneo de los gastos en consumo personal total es de 0.81% EQ 9 : GBD c t GBD= 496.0818 + 9.442095t (5.540763) (0.404102) Los gastos en bienes duraderos han aumentado en 9.44 dólares trimestrales 19.79 equivale al 0.747% EQ10 : GBP c t GBP=1327.086 + 8.952273 (3.55064) (0.244693) 395.5467 36.58567 Los gastos en bienes perecederos han aumentado en 8.95 dólares trimestralmente EQ11: GCP c t Felipe Lemarie Jorge Salgado Juan C. Serrano