07-Econometria de Ne

ESCUELA DE CIENCIAS EMPRESARIALES
ASIGNATURA: Econometra de Negocios
CORPORACIN UNIVERSITARIA REMINGTON

DIRECCIN PEDAGGICA
Este material es propiedad de la Corporacin Universitaria Remington (CUR), para los estudiantes de la CUR
en todo el pas.
2011
Corporacin Universitaria Remington Direccin Pedaggica

Econometra de Negocios
Pg. 5
CRDITOS
El mdulo de estudio de la asignatura Econometra de Negocios es propiedad de la Corporacin Universitaria

Remington. Las imgenes fueron tomadas de diferentes fuentes que se relacionan en los derechos de autor y las citas
en la bibliografa. El contenido del mdulo est protegido por las leyes de derechos de autor que rigen al pas.
Este material tiene fines educativos y no puede usarse con propsitos econmicos o comerciales.
AUTOR
Carlos Guillermo Londoo Herrera
DIPLOMADO en Diseo Curricular y Herramientas significativas de Autoaprendizaje. Segundo semestre del 2008.
Docente de Estadistica y Matematicas Centro de atencin de tutora virtual para el aprendizaje de la estadstica en la
Corporacin Universitaria REMINGTON durante el ao 2011
Carlos.londono@remington.edu.co
Crow43@gmail.com
Nota: el autor certific (de manera verbal o escrita) No haber incurrido en fraude cientfico, plagio o vicios de autora; en
caso contrario eximi de toda responsabilidad a la Corporacin Universitaria Remington, y se declar como el nico
responsable.
RESPONSABLES
ESCUELA DE CIENCIAS EMPRESARIALES
Director Dr. Gonzalo Jimnez Jaramillo
Director Pedaggico
Octavio Toro Chica
dirpedagogica.director@remington.edu.co
Coordinadora de Medios y Mediaciones
Anglica Ricaurte Avendao
mediaciones.coordinador01@remington.edu.co
GRUPO DE APOYO
Personal de la Unidad de Medios y Mediaciones
EDICIN Y MONTAJE
Primera versin. Febrero de 2011.
Derechos Reservados
Esta obra es publicada bajo la licencia CreativeCommons. Reconocimiento-No Comercial-Compartir Igual 2.5 Colombia.
Corporacin Universitaria Remington - Calle 51 51-27 Conmutador 5111000 Ext. 2701 Fax: 5137892. Edificio Remington
Pgina Web: www.remington.edu.co - Medelln - Colombia

Pg. 6
TABLA DE CONTENIDO
1.1.
Introduccin ............................................................................................................................ 7
2.
MAPA DE LA ASIGNATURA ............................................................................................. 8
3.
REGRESIN LINEAL SIMPLE ............................................................................................ 9
3.1.
Conceptos de Econometra ................................................................................................... 10
3.2.
Regresin Lineal Simple ........................................................................................................ 11
3.3.
Anlisis de Varianza ............................................................................................................... 28
4.
CONSTRUCCIN DE MODELOS ECONOMTRICOS ......................................................... 35
4.1.
Regresin Lineal Mltiple ...................................................................................................... 36
4.1.1. Modelos de Ecuaciones Lineales de Regresin Mltiple ...................................................... 36

5.
PROBLEMTICA DE LOS MODELOS DE ECONOMETRA ................................................. 52
5.1.
Multicolinealidad................................................................................................................... 52
5.1.1. Hesteroscedasticidad ............................................................................................................ 52

5.2.
Autocorrelacin ..................................................................................................................... 53
5.3.
Glosario ................................................................................................................................. 54
5.4.
Bibliografa ............................................................................................................................ 55
5.5.
Fuentes Digitales o Electrnicas ............................................................................................ 56

Pg. 7
1.1. Introduccin
La econometra se ocupa de obtener, a partir del anlisis estadstico y matemtico (mas no de la
teora econmica, como si se usa en las ciencias naturales, elementos de la fsica) de los valores
reales de variables econmicas, los valores que tendran los parmetros de los modelos en los que
esas variables econmicas aparecieran, as como de comprobar el grado de validez de esos
modelos, y ver en qu medida estos modelos pueden usarse para explicar la economa de un
agente econmico (como una empresa o un consumidor), o la de un agregado de agentes
econmicos, como podra ser un sector del mercado, o una zona de un pas, o todo un pas, o
cualquier otra zona econmica; su evolucin en el tiempo (por ejemplo, decir si ha habido o no
cambio estructural), poder predecir futuros valores de la variables, y sugerir medidas de poltica
econmica conforme a objetivos deseados (por ejemplo, para poder aplicar tcnicas de
optimizacin matemtica para racionalizar el uso de recursos dentro de una empresa, o bien para
decidir qu valores debera adoptar la poltica fiscal de un gobierno para conseguir ciertos niveles
de recaudacin impositiva).

Pg. 8
2. MAPA DE LA ASIGNATURA
ECONOMETRA DE NEGOCIOS
PROPSITO GENERAL DEL MDULO
Busca establecer relaciones entre variables independiente y variable dependiente entre
los elementos de la Estadstica de regresin lineal simple y la mltiple por medio de la
fundamentacin conceptual y procedimental para desarrollar la capacidad de analizar e
interpretar los resultados hacia la toma de decisiones.
OBJETIVO GENERAL
Identificar los diferentes conceptos, herramientas, mtodos, tcnicas y procedimientos
de los modelos economtricos para resolver problemas de la vida cotidiana, tanto
laborales como acadmicos.
OBJETIVOS ESPECFICOS
Formular de manera sistemtica un modelo de regresin lineal simple que
solucin problemas de la vida cotidiana
Construir modelos de econometra de negocios a situaciones reales
Identificar los problemas de los modelos de regresin.
UNIDAD 1
Habilidad para la
construccin de
modelos
de
econometra
UNIDAD 2
Destreza para
aplicar
la
econometra
UNIDAD 3
Conocimiento
de la
problemtica
de la
econometra.

Pg. 9
3. REGRESIN LINEAL SIMPLE

OBJETIVO GENERAL
Desarrollar el modelo de regresin lineal:
Interpretar los diferentes diagramas de los modelos economtricos
Calcular los distintos parmetros de regresin lineal simple
Resolver algunos ejercicios de la problemtica econmica de la vida real
Prueba Inicial
A continuacin encontrars una serie de enunciados con cinco respuestas, de las cuales una sola
es verdadera. Marque con una X la que usted considere correcta.
Dadas las siguientes definiciones, el estudiante estar en capacidad de responder a que concepto
corresponde:
1. Analizar a que concepto corresponde la siguiente definicin: __________ es una caracterstica,
cualidad o atributo o propiedad de un sujeto o unidad de una observacin.
a. Variable b. Caracterstica
c. Escala de medicin
d. Parmetro
2. Analizar a que concepto corresponde la siguiente definicin: _________ se refiere al fenmeno

que se intenta explicar el objeto de estudio de la investigacin.
a. Variable b. Variable dependiente
c. Variable Independiente d. Parmetro
3. Analizar a que concepto corresponde la siguiente definicin: _________ son todos aquellos
elementos que explican un fenmeno.

Pg. 10
4. Analizar a que concepto corresponde la siguiente definicin: _________ Es una funcin

matemtica, es una cantidad en la cual el operador puede asignarle un valor arbitrario.
5. Analizar a que concepto corresponde la siguiente definicin: _________ de una variable

estadstica es la suma de todos sus posibles valores, ponderada por las frecuencias de los mismos.
a. Media
b. Parmetro c. Media Aritmtica d. Media Ponderada
3.1. Conceptos de Econometra

Definicin de econometra
La econometra es la aplicabilidad de la estadstica avanzada a los datos econmicos y para
obtener resultados numricos.
Caractersticas de la econometra
Los modelos economtricos son tiles para:
1. Sirven para el anlisis estructural y entender cmo funciona la economa.
2. Predecir los valores futuros de las diferentes variables econmicas.
3. La simulacin con fines de planificacin distintas posibilidades de las distintas variables
exgenas.
4. La simulacin con fines de controlar valores ptimos de variables instrumentales de las
diferentes polticas econmicas y de la empresa.

Pg. 11
3.2. Regresin Lineal Simple

1. Regresin Simple
Es el estudio de la regresin simple muestra la relacin entre dos variables, una de ellas es
independiente y una variable dependiente.
2. Diagrama de dispersin
Es una grfica de pares de datos X e Y en un espacio dimensional.
Ejemplo
Una tienda de ordenadores llev a cabo un estudio para determinar la relacin entre la cantidad
de productos comprados por sus clientes mensuales y las ventas. Se obtuvieron los datos
siguientes:
Cantidad de productos
VENTAS
40
25
20
22
31
52
40
20
55
42
380
410
390
370
475
450
500
390
575
520
GRFICA DE DIAGRAMA DE DISPERSIN

Pg. 12
VENTAS
DIAGRAMA DE DISPERSION
700
600
500
400
300
200
100
0
0
10
20
30
CANTIDAD DE PRODUCTOS
40
50
60
3. Coeficiente de correlacin
Es un valor entre -1 y 1 que indica la fuerza de la relacin lineal entre dos variables cuantitativas.
FRMULA
n XY ( X )( Y )
n X 2 ( X ) 2 n Y 2 ( Y ) 2
TABLA DE DATOS
N
1
2
3
4
5
6
7
8
9
10
TOTAL
CANTIDAD
PRODUCTOS (X)
40
25
20
22
31
52
40
20
55
42
347
DE
VENTAS (Y)
380
410
390
370
475
450
500
390
575
520
4460
XY
15200
10250
7800
8140
14725
23400
20000
7800
31625
21840
160780
X2
1600
625
400
484
961
2704
1600
400
3025
1764
13563
Y2
144400
168100
152100
136900
225625
202500
250000
152100
330625
270400
2032750
r= 0,74

Pg. 13
El coeficiente de correlacin para la muestra de 10 datos puntuales es r=0,74. Esto indica que hay
una relacin lineal positiva bastante fuerte entre la cantidad de productos de computadores y las
ventas de la tienda de ordenadores.
4. Prueba de hiptesis en el anlisis de correlacin
La preocupacin especifica en el anlisis de correlacin es si se puede concluir, con arreglo a la
evidencia muestral, que existe una relacin lineal entre las dos variables continuas de la
poblacin.
La hiptesis nula que se quiere probar establece que no existe correlacin en la poblacin, es
decir, p=0.
Ho= p=0
H1=p0 (Prueba de dos colas)
Ho= p=0
H1=p>0 (Prueba de una colas)
Ho= p=0
H1=p<0 (Prueba de una colas)
La distribucin muestral adecuada para esta prueba es la distribucin t con n-2 grados de libertad.
Se pierden dos grados de libertad porque se estiman dos parmetros poblacionales (x , y)
usando los estadsticos muestrales (X MEDIA e Y MEDIA). El valor del error estndar estimado de r
se calcula mediante la ecuacin.
Sr
1 r 2
n2
Sr= Error estndar del coeficiente de correlacin

r= Coeficiente de correlacin
n= Nmero de observaciones pareadas
La ecuacin da el estadstico de la prueba adecuado:
(r p)
Sr

Pg. 14
r= Coeficiente de correlacin muestral

p= Coeficiente de correlacin poblacional hipottico
Sr= Error estndar del coeficiente de correlacin
EJEMPLO (RETORNANDO AL EJEMPLO)
de productos comprados por los clientes mensualmente y las ventas. Existen diferencias
significativas de correlacin entre las dos variables.
Ho= p=0
H1=p0 (Prueba de dos colas)
El valor del error estndar estimado de r se calcula mediante la ecuacin.
1 r 2
Sr
n2
1 (0,74) 2
= 0,24
Sr
10 2
La ecuacin da el estadstico de la prueba adecuado:
(r p)
Sr
(0,74 0)
= 3,1
0,24
Se compara con la tabla de t de la tabla de t de student, con un nivel de significancia de 0,025 y

con n-2=8, obteniendo un valor de t= 2,306
3,1>2,306
Se rechaza la hiptesis nula, y se concluye que no existe correlacin entre la relacin entre la
cantidad de productos comprados por los clientes mensualmente y las ventas.

Pg. 15
5. Ecuaciones lineales
Cuando se examina la correlacin de dos variables, por lo general se hace con el propsito de usar
una para pronosticar la otra.
Y=0+1X+ E
Dnde:
0= Ordenada del origen (Intercepcin en Y)
1= Pendiente de la recta.
E= error aleatorio
6. Mtodo de mnimo cuadrados
RECTA DE REGRESIN MUESTRAL
Es la lnea recta que mejor se ajusta a un conjunto de puntos X eY.
La ecuacin es:
Y=0+1X
Dnde:
0= Ordenada del origen (Intercepcin en Y)
1= Pendiente de la recta.
Y= Valor pronosticado de la variable pendiente
X= Variable independiente
Para determinar la ecuacin para la lnea recta que minimiza la suma de los cuadrados de las
distancias verticales entre los puntos y la recta:
Para determinar la pendiente:
n XY ( X )( Y )
n X 2 ( X ) 2

Pg. 16
Para determinar la ordenada al origen y de la poblacin:
0 Y (MEDIA) 1X (MEDIA)
de productos comprados por los clientes mensualmente y las ventas. Por medio del mtodo de los
mnimos cuadrados encontrar la lnea recta.
Para determinar la pendiente:
n XY ( X )( Y )
n X 2 ( X ) 2
10 (160780 ) (347 )( 4460 )

=3,95
10 (13563 ) (347 ) 2
Para determinar la ordenada al origen y de la poblacin:
0 Y (MEDIA) 1X (MEDIA)
0 446 3,95(34,7) =308,80
La ecuacin es:
Y=0+1X
Y=308,80+3,95X
7. Residuales
Un residual es la diferencia entre el valor y el valor pronosticado por la ecuacin de regresin
muestral.
E=Y-

Pg. 17
E= Residual
Y= valor real de y
= Valor estimado de la variable dependiente al usar la ecuacin de regresin muestral.
La grfica presenta un diagrama de dispersin para los datos de la tienda de ordenadores llev a
cabo un estudio para determinar la relacin la cantidad de productos comprados por los clientes
mensualmente y las ventas.
=308,80+3,95X
CANTIDAD
DE
PRODUCTOS
(X)
40
25
20
22
31
52
40
20
55
42
347
N
1
2
3
4
5
6
7
8
9
10
TOTAL
VENTAS (Y)
380
410
390
370
475
450
500
390
575
520
4460
466,8
407,55
387,8
395,7
431,25
514,2
466,8
387,8
526,05
474,7
Y ESTIMADA
GRAFICA DE RESIDUALES
600
500
400
300
200
100
0
0
10
20
30
40
50
60
CANTIDAD DE PRODUCTOS COMPRADOS

Pg. 18
8. error estndar de la estimacin

La desviacin estndar de un conjunto sencillo de datos se usa para medir la variabilidad o la
dispersin de los datos, alrededor de la media. El error estndar de la estimacin se usa para
medir la variabilidad o la dispersin de los valores pronosticados por la ecuacin de regresin y los
valores de y reales. Esto se puede observar en la frmula del error estndar de la estimacin:
Syx
( y y)
n-2

de productos comprados por los clientes mensualmente y las ventas. Con los datos de la tabla, se
pide encontrar el error estndar de la estimacin?
N
1
2
3
4
5
6
7
8
9
10
TOTAL
Syx
Syx
CANTIDAD
DE
PRODUCTOS
(X)
40
25
20
22
31
52
40
20
55
42
347
( y y)
VENTAS (Y)
380
410
390
370
475
450
500
390
575
520
4460
466,8
407,55
387,8
395,7
431,25
514,2
466,8
387,8
526,05
474,7
(y- )
-86,8
2,45
2,2
-25,7
43,75
-64,2
33,2
2,2
48,95
45,3
(y- )2
7534,24
6,0025
4,84
660,49
1914,0625
4121,64
1102,24
4,84
2396,1025
2052,09
19796,55
n-2
19796 ,55
= 49,75
10 - 2

Pg. 19
9. Intervalo de Prediccin
Una estimacin puntual no proporciona informacin sobre la distancia a la que se encuentra del
parmetro poblacional. Para determinar esta informacin, se desarrolla una prediccin o intervalo
de confianza. De hecho, los analistas pueden elegir entre dos tipos de intervalos: Intervalo de
prediccin para un valor especifico de y. Intervalo de confianza para el valor esperado de y para
un valor dado de x.
t SX
Dnde:
t= valor de la distribucin t basado en n-2 grados de libertad para un nivel de prediccin dado.
SX= Error estndar de la estimacin del pronstico.
El error estndar estimado del pronstico SX es una estimacin de la desviacin estndar de la
distribucin muestral para el estimador y:
SyX Syx 1
1 ( Xp X ( MEDIA) 2 )
n ( Xi X ( Media) 2 )
Dnde:
SyX= Error estndar de la estimacin.
Xp= El valor dado de x.
X (Media)= La media de x
(x-x (media)= La suma de cuadrados total para la variable x.
Con respecto a la tienda de ordenadores se desea estimar las ventas de la prximo mes en el que
caso de la cantidad de productos comprados por los clientes mensualmente se incrementarn 55.
Usando los datos y la ecuacin de regresin calculada, desarrollar una estimacin puntual para
dichas ventas:

Pg. 20
SyX Syx 1
N
1
2
3
4
5
6
7
8
9
10
TOTAL
1 ( Xp X ( MEDIA) 2 )
CANTIDAD
DE
PRODUCTOS
(X)
40
25
20
22
31
52
40
20
55
42
347
SyX 49,75 1
X(MEDIA)
34,7
34,7
34,7
34,7
34,7
34,7
34,7
34,7
34,7
34,7
34,7
(CANTIDAD (CANTIDAD
DE
DE
PRODUCTOS PRODUCTOS
(X)(X)X(MEDIA)) X(MEDIA))2
5,3
28,09
-9,7
94,09
-14,7
216,09
-12,7
161,29
-3,7
13,69
17,3
299,29
5,3
28,09
-14,7
216,09
20,3
412,09
7,3
53,29
312,3
1522,1
1 (55 34,7) 2 )
10
1522,1
SyX 49 ,75 1 0,1
(412 ,09 )
1522 ,1
SyX 49,75 1 0,1 0,27 = 49,75 1,37

SyX 58,23
El intervalo de prediccin:
t SX
526,05 2,306(58,23)
526,05 134,28

Pg. 21
El intervalo de prediccin del 95% para las ventas de la prxima semana en el que caso de que los
gastos de publicidad se incrementarn 55, estar dentro del intervalo de 391,77 y 660,33, donde
se encuentra el valor de y estimado.
10. Intervalo de confianza
Se utiliza para estimar el valor medio de y para un valor especfico de X.
t SX
Dnde:
t= valor de la distribucin t basado en n-2 grados de libertad para un nivel de prediccin dado.
SX= Error estndar de la estimacin del pronstico con respecto a la media.
El error estndar estimado del pronstico SX es una estimacin de la desviacin estndar de la
distribucin muestral para el estimador y:
SX Syx
1 ( Xp X ( MEDIA) 2 )
Dnde:
SyX= Error estndar de la estimacin.
Xp= El valor dado de x.
X(Media)= La media de x
(x-x(media)= La suma de cuadrados total para la variable x.
Con respecto a la tienda de ordenadores se desea obtener un intervalo del 95% de confianza
para las ventas media semanal cuando se incrementen un la cantidad de productos comprados
por los clientes mensualmente.
SX Syx
1 ( Xp X ( MEDIA) 2 )

Pg. 22
N
1
2
3
4
5
6
7
8
9
10
TOTAL
SX 49,75
CANTIDAD
DE
PRODUCTOS
(X)
40
25
20
22
31
52
40
20
55
42
347
X(MEDIA)
34,7
34,7
34,7
34,7
34,7
34,7
34,7
34,7
34,7
34,7
34,7
(CANTIDAD (CANTIDAD
DE
DE
PRODUCTOS PRODUCTOS
(X)(X)X(MEDIA)) X(MEDIA))2
5,3
28,09
-9,7
94,09
-14,7
216,09
-12,7
161,29
-3,7
13,69
17,3
299,29
5,3
28,09
-14,7
216,09
20,3
412,09
7,3
53,29
312,3
1522,1
1 (55 34,7) 2 )
10
1522,1
SX 49 ,75 0,1
(412 ,09 )
1522 ,1
SX 49,75 0,1 0,27 = 49,75 0,37

SX 30,26
El intervalo de confianza:
t SX
526,05 2,306(30,26)
526,05 69,78
El intervalo de confianza del 95% para las venta media de la prxima semana en el que caso de
que la cantidad de productos comprados por los clientes mensualmente se incrementarn 55,
estar dentro del intervalo de 456,27 y 595,83, donde se encuentra el valor de y estimado.

Pg. 23
11. Coeficiente de determinacin simple, r2

Mide el porcentaje de variabilidad en Y que puede ser explicado por la variable X.
Suma de cuadrados de total
La cantidad de desviacin total en la variable dependiente se llama suma de cuadrados del total.
SCT ( yi y(media)) 2
Suma del cuadrado del error
La recta de regresin de mnimos cuadrados minimiza la suma de cuadrados del error. La SCE mide
la variabilidad de los valores Y de la muestra alrededor de Y.
SCE ( yi y( pronosticado)) 2
Suma de cuadrado de la regresin
La cantidad de la desviacin en la variable dependiente explicada por la ecuacin de regresin.
SCR SCT SCE

La ecuacin de r2, el porcentaje de variabilidad de la variable dependiente, Y, que puede explicarse
por la variable predoctora, X, se puede definir ahora como:
(y - y(pronosticado))
r2 1 (y - y(media))
r2 1 -
SCE
SCT
El coeficiente que est despus del signo menos representa el porcentaje de la variabilidad de Y
que todava, no se puede explicar en la ecuacin de regresin

Pg. 24

de productos comprados por los clientes mensualmente y las ventas. Se pide determinar el
coeficiente de determinacin.
CANTIDAD
DE
PRODUCTOS
(X)
VENTAS (Y)
40
380
466,8
25
410
407,55
20
390
387,8
22
370
395,7
31
475
431,25
52
450
514,2
40
500
466,8
20
390
387,8
55
575
526,05
42
520
474,7
347
4460
(y- )
-86,8
2,45
2,2
-25,7
43,75
-64,2
33,2
2,2
48,95
45,3
(y- )2
7534,24
6,0025
4,84
660,49
1914,0625
4121,64
1102,24
4,84
2396,1025
2052,09
19796,55
y(media)
446
446
446
446
446
446
446
446
446
446
(y-y(media) )
-66
-36
-56
-76
29
4
54
-56
129
74
(y-y(media) )2
4356
1296
3136
5776
841
16
2916
3136
16641
5476
43590
Suma de cuadrados de total
SCT ( yi y(media)) 2
SCT= 43590
Suma del cuadrado del error
La recta de regresin de mnimos cuadrados minimiza la suma de cuadrados del error. La SCE mide
la variabilidad de los valores Y de la muestra alrededor de Y.
SCE ( yi y( pronosticado)) 2
SCE=19796,55

Pg. 25
Suma de cuadrado de la regresin

La cantidad de la desviacin en la variable dependiente explicada por la ecuacin de regresin.
SCR SCT SCE

SCR=43590-19796,55 =23793,45
La ecuacin de r2, el porcentaje de variabilidad de la variable dependiente, Y, que puede explicarse
por la variable predoctora, X, se puede definir ahora como:
r2 1 (y - y(media))
r2 1 -
r2 1 -
SCE
SCT
19796,55
43590
r2 0,55
El porcentaje de variabilidad en las ventas que puede ser explicado por la variable la cantidad de
productos comprados por los clientes mensualmente es del 55%.
12. Coeficiente de correlacin
Mide la fuerza de la relacin de variabilidad en Y que puede ser explicado por la variable X.
1 (y - y(media))
1-
SCE
SCT

Pg. 26

de productos comprados por los clientes mensualmente y las ventas. Se pide determinar el
coeficiente de determinacin.
1 (y - y(media))
1-
SCE
SCT
1-
19796,55
43590
0,55
r= 0,74
Mide la fuerza de la relacin de las ventas con respecto a la cantidad de productos comprados por
los clientes mensualmente semanal es del 74%.
PRUEBA DE HIPTESIS EN EL ANLISIS DE REGRESIN
13. Prueba de hiptesis para la pendiente
Otro estadstico importante es el valor t, que se usa para probar la hiptesis nula que la pendiente
de la ecuacin de regresin para la poblacin es 0. Si una ecuacin de regresin tiene pendiente 0,
un cambio en X no afecta Y. En otras palabras, X e Y no tienen correlacin poblacional.
Ho=1=0
H1=10
SB
Syx
( x x(media))

Pg. 27
Dnde:
Sb= Error estndar del coeficiente de regresin
Syx= Error estndar de la estimacin
La ecuacin del estadstico adecuado es:
b1 1
Sb

de productos comprados por los clientes mensualmente y las ventas. Se pide determinar la
hiptesis para la pendiente.
Ho=1=0
H1=10
SB
SB
Syx
( x x(media))
49 ,75
=0,03
1522 ,1
La ecuacin del estadstico adecuado es:
b1 1
Sb
Y=0+1X
Y=308,80+3,95X
3,95 0
0,03
t=120,85

Pg. 28
El valor de t calculado (120,85) es mayor t de la tabla (2,306).Por tanto, se rechaza la hiptesis

nula. Se concluye que la recta de regresin poblacional no tiene pendiente 0. Existe alguna
relacin lineal entre X e Y en la poblacin.
3.3. Anlisis de Varianza

Otro estadstico importante en el anlisis de regresin es el estadstico F, que se usa para probar la
hiptesis nula de que la ecuacin de regresin muestral no explica un porcentaje significativo de la
varianza de la variable Y. La hiptesis nula y alternativa son:
Ho=p=0
H1=p0
El estadstico de prueba para la hiptesis nula establecida se obtiene de la distribucin F si la
hiptesis nula es cierta.
TABLA DE ANLISIS DE VARIANZA (ANOVA)
FUENTE DE VARIACIN
REGRESIN
ERROR RESIDUAL
TOTAL
G.L.
k-1
n-k
n-1
SUMA DE CUADRADOS
SCR
SCE
SCT
ESTIMACIN DE VARIANZA
SCR/(k-1)
SCE/(n-k)
El estadstico de la prueba F:
SCR/(k - 1)
SCE/(n - k)

de productos comprados por los clientes mensualmente y las ventas. Se pide determinar la
hiptesis para la pendiente.

Pg. 29
Ho=p=0
H1=p0
El estadstico de prueba para la hiptesis nula establecida se obtiene de la distribucin F si la
hiptesis nula es cierta.
TABLA DE ANLISIS DE VARIANZA (ANOVA)
FUENTE DE VARIACIN
REGRESIN
ERROR RESIDUAL
TOTAL
G.L.
1
8
9
SUMA DE CUADRADOS
23793,45
19796,55
43590
ESTIMACIN DE VARIANZA
23793,45
2474,57
El estadstico de la prueba F:
SCR/(k - 1)
SCE/(n - k)
23793,45
2474,57
f 9,6
F DE LA TABLA PARA F(0.025, 1, 8)=7,57086
Por tanto, se rechaza la hiptesis nula. Con muy poca probabilidad de error. Se concluye que la
ecuacin de regresin explica un porcentaje significativo de la varianza de las ventas.
Ejercicios
1. Un hipermercado ha decidido ampliar el negocio. Decide estudiar de forma exhaustiva el
nmero de cajas registradoras que va a instalar, para evitar grandes colas. Para ello, se
obtuvieron los siguientes datos procedentes de otros establecimientos similares acerca del
nmero de cajas registradoras y del tiempo medio de espera.

Pg. 30
N
1
2
3
4
5
6
7
8
9
10
NMERO
DE
REGISTRADORAS
10
12
13
14
15
16
18
20
12
14
CAJAS TIEMPO
ESPERA
30
25
32
34
35
28
30
32
24
36
PROMEDIO
DE
Bajo el supuesto de que el tiempo de espera medio depende linealmente del nmero de cajas
registradoras se pretende saber, e Interpretar:
1. Realizar el diagrama de dispersin.
2. Realizar el coeficiente de correlacin.
3. Realizar la prueba de hiptesis en el anlisis de correlacin. Con t del 0.95
5. Encontrar la ecuacin de la lnea recta de regresin muestral con el mtodo mnimos cuadrados
6. Encontrar la lnea recta cuando x vale 10, 12, 24.
7. Encontrar los residuales.
8. Realizar el grafico de y pronostica con respecto a x.
9. Encontrar la lnea recta de regresin con el valor mnimo y el valor mximo
10. Realizar el grafico de los residuales.
3. Un investigador cree que la inteligencia de los nios, medida a travs del coeficiente intelectual
(CI en puntos), depende del nmero de hermanos. Toma una muestra aleatoria de 15 nios y
ajusta una regresin lineal simple. Los resultados aparecen en la salida adjunta.

Pg. 31
N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
CL
112
114
110
113
114
115
110
112
117
111
118
120
122
121
124
HERMANOS
0
1
2
3
2
4
2
1
2
3
2
4
5
4
5
Bajo el supuesto de que el tiempo de espera medio depende linealmente del nmero de cajas
registradoras se pretende saber, e Interpretar:
4. La entrada a cine en los teatros de cine Colombia en los centros comerciales, indica una relacin
de cantidad de personas que ingresan y el valor en el precio a pagar (miles de pesos) . Con la
siguiente tabla responder las preguntas:

Pg. 32
N
1
2
3
4
5
6
7
8
9
10
11
12
CANTIDAD
12
14
16
18
19
15
14
12
16
15
18
17
PRECIO
96000
112000
121000
132000
135000
118000
110000
90000
119000
117500
130000
127600
Se pide encontrar:
5. Dada la difcil situacin por la que atraviesa actualmente la empresa PALMA CARIBE en la que
hemos empezado a trabajar, se propone la reduccin de determinados gastos. Para ello se estudia
la relacin que existe entre dos variables como son: los gastos en publicidad (variable X) y los
beneficios (variable Y). De ambas variables disponemos de los siguientes datos:

Pg. 33
AO
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
GASTOS EN PUBLICIDAD
60
65
78
79
82
86
88
92
98
99
UTILIDADES
32
35
37
38
42
44
46
56
58
60
Se pide:
1. Se puede considerar que ambas variables guardan algn tipo de relacin? Cul sera la
variable dependiente y cul la independiente?
2. Realizando un grfico adecuado. Se puede suponer que la relacin que las liga es de tipo
lineal?
3. Construye las dos rectas de regresin mnimo cuadrtica asociada con las variables.
4. Si la empresa para el prximo ao realizar un esfuerzo para poder invertir 12.550.000
pesos en publicidad. Cules resultaran ser sus beneficios? Con qu fiabilidad realizara
usted la prediccin?
5. Cules resultaran ser sus beneficios si la prediccin se efecta considerando tan solo
como variable explicativa el tiempo? Cul sera la fiabilidad de esta otra prediccin?
Comente los resultados.

Pg. 34
Prueba Final
1. Cmo define usted el concepto de regresin simple?
2. Cmo define usted el concepto de diagrama de dispersin y coeficiente de regresin?
3. Qu es un anlisis de regresin simple?
4. Con una aplicacin en su empresa calcule los parmetros de regresin simple y defina sus
caractersticas.
ACTIVIDAD
El estudiante debe realizar un proyecto aplicando la regresin simple y analizar si es viable o no
teniendo en cuenta el anlisis de clculos y grficas.

Pg. 35
4. CONSTRUCCIN DE MODELOS ECONOMTRICOS

OBJETIVO GENERAL
Analizar la influencia de la relacin entre dos o ms variables independientes con respecto a una
variable dependiente por medio de clculos y grficas.
Interpretar los diagramas estadsticos de regresin mltiple
Calcular los parmetros de regresin mltiple
Analizar la influencia de cada una de las variables independientes con respecto a la
variable dependiente.
Efectuar anlisis de residuales.
Prueba Inicial
A continuacin encontrar una serie de enunciados con cinco respuestas, de las cuales una sola es
verdadera. Marque con una X la que usted considere correcta.
1. El profesor de la materia de estadstica desea conocer el promedio de las notas finales de
los 10 alumnos de la clase. Las notas de los alumnos son 3.2, 3.1, 2.4, 4, 3.5, 3, 3.5, 3.8,
4.2, 4. Cul es el promedio de notas de los alumnos de la clase?
a. a. 3.5 b.3 c.4 d.4.2 e.3.8
2. Los miembros de una cooperativa de viviendas tienen las siguientes edades: 21, 23, 24, 56,
35, 38, 41, 45, 34 ,35.
a. 3.6 b.3.5 c. 3.4 d.3.7 e.4
3. En el primer parcial de estadstica las notas de los estudiantes fueron 2, 2.5, 3, 4, 5, 5, 4, 5,

3.5, 3.8, 4.2. Cul es la nota promedio?
a. 3 b.3.1 c.3.3 d.3.4 e.3.5

Pg. 36
4. Los datos representan la edad de los miembros de un grupo de nios de una institucin
educativa de buenos aires, para el cual seleccionaron 6 nios( 4, 1, 11, 13, 2, 7 ). Se pide
calcular la desviacin estndar.
a. 4.9 b.4.8 c.5 d.4.3 e.4.7
5. Un fabricante de componentes electrnicos est interesado en determinar el promedio de

vida de un tipo de batera. Toma una muestra de 9 bateras y obtiene que duran un total
de 121, 118, 123, 112, 165, 136, 145, 151, 128 horas.
a.132 b.133 c.134 c.135 d.136
4.1. Regresin Lineal Mltiple

Los modelos de anlisis de regresin mltiple son similares a los modelos regresin lineal simple,
excepto es que se tienen ms de una variable independiente y pueden llegar a tener un mayor
grado de complejidad en el anlisis del modelo y en la relacin de la lnea recta ajustada a la
regresin.
4.1.1. Modelos de Ecuaciones Lineales de Regresin Mltiple

Los modelos de anlisis de regresin mltiple son similares a los modelos regresin lineal simple,
excepto es que se tienen ms de una variable independiente y pueden llegar a tener un mayor
grado de complejidad en el anlisis del modelo y en la relacin de la lnea recta ajustada a la
regresin.
1. Modelo de regresin mltiple es el siguiente:
E (Y) = 0 + 1X1 + 2X2
2.
Supuestos del modelo.
Los supuestos del modelo de anlisis de regresin son los siguientes:

1. La media de e ES 0. Esto implica que la media de y equivale al componente determinstico
del modelo, esto es,
E (y)= 0 + 1X1 + 2X2+.+ kXk

Pg. 37
2. Para todos los valores de las variables independientes X1,X2, ,Xk, la varianza de E es
constante.
3. La distribucin de probabilidad de E es normal
4. Los errores aleatorios son independientes.
3.
Las ecuaciones de mnimos cuadrados y su resolucin.
Para encontrar un modelo de regresin mltiple se utiliza el procedimiento de lgebra lineal por
medio de operaciones con matrices, teniendo en cuenta el siguiente modelo:
E (y)= 0 + 1X1 + 2X2+.+ kXk+
Las matrices de datos Y y X, la matriz de y la matriz del error
y1
y 2

.

.
Y .
yn

1 X 11 X 12 X 13
1 X 21 X 22 X 23
X
1 X 31 X 32 X 33
1 Xn1 Xn2 Xn3
0
1

2

3
1
2

3

4
Ecuacin de matrices de mnimos cuadrados

(X` X) = X` Y
Ejemplo
Se realiz un estudio en almacenes xito del poblado sobre la congestin en la entrada de
vehculos almacn, para determinar el comportamiento de la entrada se tomaron las variables del
nmero de vehculos(X) y el tiempo de congestionamiento. Considere el modelo de lineal y
observe si existe o no la relacin entre las variables.

Pg. 38
Nmero de vehculos
1
2
3
4
5
6
7
8
9
10
Tiempo de congestionamiento
O
O
1
1
2
2
3
2
3
4
La estimacin de mnimos cuadrados.

Solucin
Y=
0
1
1
2
2
3
2
3
4
1
1
1
1
1
1
1
1
1
2
3
4
5
6
7
8
9
10
X=
0
1

Pg. 39
Entonces:
X`X=
X`Y=
1 1 1 1 1 1 1 1 1 1
1 2 3 4 5 6 7 8 9 10
1 1
1 2
1 3
1 4
1 5
1 6
1 7
1 8
1 9
1 10
1 1 1 1 1 1 1 1 1 1
1 2 3 4 5 6 7 8 9 10
0
0
1
1
2
2
3
2
3
4
10
55
18
133
Por ltimo, determinar la inversa de la matriz.
55
385

Pg. 40
0,47 0,07
0,07 0,01
-1
(X`X) =
Y la solucin de la ecuacin de mnimos cuadrados es entonces:
-1
= (X` X ) X` Y=
0,47 0,07
0,07 0,01
=
18
-0,9
133
0,1
Por tanto, 0 = -0,9 y 1=0,1 y la ecuacin de prediccin es

E (y)= -0,9 + 0,1X
4. Propiedades de los estimadores de mnimos cuadrados.
Las propiedades de la distribucin de muestreo de i (i=0,1,2,3,4,..,k) es normal, o se comporta
segn la distribucin de probabilidad Normal con:
1. E (i) = i
2. V (i) = Cii
3. = Cii
5. Estimacin de 2, la varianza de E.
Las varianzas de los estimadores de todos los parmetros y de y estimada dependen del valor de
, la varianza del error aleatorio que se encuentra en el modelo lineal. Puesto que casi nunca
se conoce por adelantado, se debe utilizar las observaciones de la muestra para encontrar su
respectivo valor.
S=
SSE
.
n Numero de parmetros de en el modelo

Pg. 41
SSE = Y` Y - ` X` Y
Continuando con el ejemplo anterior, se debe de calcular la estimacin de la varianza del modelo.
SSE = Y` Y - ` X` Y
SSE = 48 - (-2,9)= 48 + 2,9 = 50,9
S=
SSE
.
n Numero de parmetros de en el modelo
S=
50,9
10 2
S2= 6,4
La variabilidad con respecto a la media de la muestra del tiempo de congestionamiento es del 6,4.
6. Intervalos de confianza y pruebas de hiptesis para o, i, k.
El intervalo de confianza de (1 - ) 100% para i
El intervalo de confianza para la muestra de un modelo de regresin mltiple.
i t /2 (Error estimado estndar de i)
o sea,
i t /2 s Cii
Donde t /2 se basa en el nmero de grados de libertad a s.

Pg. 42
Ejemplo
Retomando el ejemplo anterior, se pide determinar el intervalo de confianza del 95% para 1=0,1
y de la matriz inversa c11=0,01
i t /2 s Cii
1 t /2 s C11
0,1 2,306 (2,5) 0,01
0,1 0,6
El intervalo de confianza del 95% para el tiempo de congestionamiento con respecto a la media
oscila entre -0,5 y 0,7.
Prueba de Hiptesis de un coeficiente de parmetro individual en el modelo de regresin
mltiple
Prueba de una cola
Ho: i = 0
H1: i >0 o i<0
Prueba de dos colas
Ho: i = 0
H1: i 0
Estadstico de prueba:
t = i = i
si sCii
Rgion de rechazo:
T > t o T < - t

Pg. 43
Donde
n= Numero de observaciones
k= Numero de variables independientes en el modelo
y t /2 se basa en (n- (k+1)) gl
Ejemplo
Retomando el ejemplo anterior, Se pide calcular el valor estadstico para probar que 1 = 0
Prueba de dos colas
Ho: i = 0
H1: i 0
Estadstico de prueba:
t = i = i
si sCii
t = 0,1
.
2,306 0,01
t= 0,4
Regin de rechazo:
T > t o T < - t
0,4 < 2,306
Se puede concluir, que con un nivel de confianza del 95% existen diferencias significativas entre
los dos tipos entre la relacin del nmero de vehculos y el tiempo en el congestionamiento.
6. Coeficiente de determinacin mltiple.
Mide el porcentaje de variabilidad de la variable dependiente (Y) que puede ser explicado por una
de las variables independientes (X).

Pg. 44
R = 1 - SSE
SSyy
Donde SSE= (Y Y (MEDIA)) , SSyy = (Y Y (PRONOSTICADA))
El coeficiente que est despus del signo menos representa el porcentaje de la variabilidad de Y
que todava, no se puede explicar en la ecuacin de regresin mltiple.
Ejemplo
Retomando el ejemplo anterior, se pide encontrar el coeficiente de determinacin.
R = 1 - SSE
SSyy
R = 1 38,88
55,85
r2 = 1- 0, 70
r2 = 0,30
El porcentaje de variabilidad en el tiempo de congestionamiento que puede ser explicado por la
variable del nmero de vehculos es del 30%.
8. Un intervalo de confianza para E (y).
Se utiliza para estimar el valor medio de y para un valor especfico de X, segn el nivel de
confiabilidad del estudio.
t /2 s a`(x`x)-1 a
Donde
E (y)= 0 + 1X1 + 2X2+.+ kXk
=Y (PRONOSTICADA)= 0 + 1X1 + 2X2+.+ kXk

Pg. 45
a=
1
x1
x2
x3
.
.
.
xk
Si y `(x`x)-1 se obtienen del anlisis de mnimos cuadrados, y t /2 se basa en el nmero de grados

de libertad asociados a s, es decir, (n-(k+1) ).
Ejemplo
Refirase al ejercicio anterior tomando sus datos sobre el tiempo de congestin y el nmero de
vehculos sometido a la fuerza comprensiva de x. Calcule el intervalo de confianza de 95% para la
comprensin de la media E(y) cuando toma el valor de x = 3.
a=
1
3
(X`X) -1=
3
-1
a`(x`x) a
0,47 0,70
0,70 0,01
0,47 0,07
0,07 0,01
1
3

Pg. 46
a`(x`x)-1 a= 3,64
t /2 s a`(x`x)-1 a
-0,6 2,306 (2,5) 3,64
-0,6 11
El intervalo de confianza del 95% para el tiempo de congestionamiento en el que caso de que el
nmero de vehculos es de 3, estar dentro del intervalo de -11,6 y 10,4, donde se encuentra el
valor de y estimado.
9. Un intervalo de prediccin para un valor futuro de Y.
Una estimacin puntual no proporciona informacin sobre la distancia a la que se encuentra del
parmetro muestral poblacional. Por tanto el Intervalo de prediccin para un valor especifico de y.
Y (pronosticado) t /2 s 1+a`(x`x)-1 a
Donde
Y (pronosticado))= 0 + 1X1 + 2X2+.+ kXk
S y `(x`x)-1 se obtienen del anlisis de mnimos cuadrados.
a=
1
x1
x2
x3
.
.
.
xk
Contiene los valores numricos de x1, x2, x3,,xk y t /2 se basa en el nmero de grados de
libertad asociados a s, es decir, (n-(k+1) ).

Pg. 47
Ejemplo
Refirase al ejercicio anterior tomando sus datos sobre el tiempo de congestin y el nmero de
vehculos sometido a la fuerza comprensiva de x. Calcule el intervalo de prediccin de 95% para la
comprensin de la media E (y) cuando toma el valor de x = 3.
Y (pronosticado) t /2 s 1 + a`(x`x)-1 a
-0,6 2,306 (2,5) 4,64
-0,6 2,306 (2,5) 4,64
-0,6 12, 4
El intervalo de prediccin del 95% para el tiempo de congestin en el que caso de que el nmero
de vehculos fuera de 3, estar dentro del intervalo de -13 y 11,8 donde se encuentra el valor de y
estimado.
Ejercicio
1. La entrada a cine en los teatros de cine Colombia en los centros comerciales, indica una relacin
de cantidad de personas que ingresan y el valor en el precio a pagar (miles de pesos) . Con la
siguiente tabla responder las preguntas:
N
1
2
3
4
5
6
7
8
9
10
11
12
CANTIDAD
10
12
18
16
17
14
16
10
16
14
19
17
PRECIO
85500
102600
126700
130800
132300
108000
112500
96000
129000
127500
135000
126500

Pg. 48
Se pide encontrar:
1. Modelos lineales generales.
2. Las ecuaciones de mnimos cuadrados y su resolucin.
4. Intervalos de confianza
5. pruebas de hiptesis para o, i, k.
7. Un intervalo de confianza para E (y).
2. La secretaria de transito del rea Metropolitana realizo un estudio sobre un conjunto de
conductores para analizar la edad (Y) y el nmero de accidentes que han sufrido (X). A partir de la
misma, se obtuvieron los siguientes resultados:
N
1
2
3
4
5
6
7
8
9
10
11
12
EDAD
21
22
23
24
25
26
28
30
32
44
45
47
NUMERO DE ACCIDENTES
2
3
1
2
3
2
4
5
6
7
8
6

Pg. 49
Se pide encontrar:
7. Un intervalo de confianza para E(y).
9. Anlisis de residuales.
3. Se supone que se puede establecer la relacin lineal entre las exportaciones de un pas de
Suramrica y la produccin interna de dicho pas. En el caso de Argentina, tenemos los datos
anuales (expresados en miles de millones de pesetas) para tales variables correspondientes al
1968 a 1977 en la siguiente tabla:
N
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
Produccin
45.567
46.559
47558
48.904
49.678
50.565
51.456
55.689
56.789
60.755
Exportaciones
7.890
8.245
8.656
8.756
9.245
9.458
9.656
9.586
9.656
10.897
Se pide encontrar:

Pg. 50

4. La empresa COLOMBINA. ha trabajado hasta ahora con la hiptesis de que las ventas de un
perodo dependen linealmente de los gastos de publicidad efectuados en el perodo anterior. En
este momento, le solicitan a usted la realizacin de un anlisis que ponga de manifiesto si la
hiptesis, hasta ahora mantenida, se puede seguir sosteniendo en funcin de los datos que le
suministran.
AO
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
GASTOS
22
23
26
28
29
30
32
34
36
38
VENTAS
123
124
125
132
133
134
136
138
140
142
Se pide encontrar:

Pg. 51
Prueba Final
1. Cmo define usted el concepto de regresin mltiple?
2. Cul es el procedimiento del mtodo de mnimos cuadrados?
3. Qu es un anlisis de regresin mltiple?
4. Con una aplicacin en su empresa calcule los parmetros de regresin mltiple y defina sus
caractersticas.
ACTIVIDAD
El estudiante debe realizar un proyecto aplicando la regresin mltiple y analizar si es viable o no
teniendo en cuenta el anlisis de clculos y grficas.

Pg. 52
5. PROBLEMTICA DE LOS MODELOS DE ECONOMETRA

OBJETIVO GENERAL
Conocer los diferentes problemas de la regresin lineal que se involucran en la econometra.
Identificar en qu consisten los problemas de regresin lineal aplicada a la econometra.
Determinar posibles soluciones a estos problemas.
5.1. Multicolinealidad
El primer supuesto con respecto al modelo de regresin lineal, es que no se debe tener un alto
grado de correlacin entre las diferentes variables independientes y la dependiente, traera serios
problemas, puede decir:
En primer caso se tendra que los estimadores por mnimos cuadrados se encuentran en
forma lineal, insegados y ptimos pero el problema se presentara con la varianza y
covarianza que pueden ser demasiado grandes.
En algn caso se puede llegar a que el estimador de t no sea una prueba significativa.
Tambin se puede llegar a presentar que el coeficiente de determinacin sea demasiado
alto, lo que llevara que el efecto de cada variable no el comportamiento adecuado.
5.1.1. Hesteroscedasticidad
El problema de Heteroscedasticidad se presenta cuando no se cumple con la hiptesis de varianza
constante para el trmino de la perturbacin. Cuando se presenta este caso, en no todos los
trminos de la diagonal principal la matriz de la varianza y covarianza sern iguales o idnticas.
Puede decir, que el estimador de mnimos cuadrados de es insesgado y consistente, es decir, la
varianza no ser mnima, por lo que si se utiliza el estimador de mnimos cuadrados en lugar del
eficiente para encontrar intervalos de confianza se estar perdiendo precisin ya se tendr
intervalos demasiado grandes de lo que proporciona el estimador de eficiencia.

Pg. 53
5.2. Autocorrelacin
En el momento en que se trabaja con un modelo de regresin mltiple, donde se tiene que la
primera variable vale 1 y es acompaada por el termino independiente, es decir, que la matriz de
varianzas y covarianzas en trminos de perturbacin, en la hiptesis se refiere al hecho de que la
varianza ser una matriz diagonal y su alrededor sern ceros. Cuando no se presenta esto se
denomina auto correlacin o correlacin serial.
Prueba Final
1. Cules son los pasos en la construccin de modelos?

2. Cules son los problemas de regresin mltiple?
3. Cul es el procedimiento de comparacin de las pendientes de dos o ms lneas y
comparacin de dos o ms curvas de respuestas?
4. Con una aplicacin en su empresa realice la construccin de un modelo de regresin
mltiple.
ACTIVIDAD
El estudiante debe realizar un proyecto aplicando la construccin de un modelo de regresin
mltiple y analizar si es viable o no teniendo en cuenta el anlisis de clculos y grficas.

Pg. 54
5.3. Glosario
Regresin lineal simple: Relacin entre una variable independiente y una variable dependiente.
Regresin lineal Mltiple: Relacin entre varias variables independientes y una variable
dependiente.
Heteroscedasticidad: Este se presenta cuando no se cumple con la hiptesis de varianza constante
para el trmino de la perturbacin.
Multicolineallidad: El primero es que no se debe tener un alto grado de correlacin lineal entre los
diferentes tipos de variables independientes y la dependiente.
Autocorrelacin: En el momento en que se trabaja con un modelo de regresin mltiple, donde se
tiene que la primera variable vale 1 y es acompaada por el termino independiente

Pg. 55
5.4. Bibliografa
Fuentes bibliogrficas
Greene, W. (1998) - Anlisis Economtrico 3era. Ed., Prentice Hall Iberia SRL, pginas1075.
Johnston, J. y Dinardo, J. (2001) - Mtodos de Econometra, 1era. Ed., Vinces
Vives, pginas590.
Maddala, G. (1996) - Introduccin a la Econometra, 2da. Ed., Prentice Hall
Hispanoamericana, S.A., pginas715.
Novales, A. (1993)- Econometra, 2da. Ed., McGraw Hill, 1993. Pginas676.

Pg. 56
5.5. Fuentes Digitales o Electrnicas

Qu es econometra?
www.icesi.edu.co/~jcalonso/bas/Seccion1.pdf
ColombiaLink.com - La Econometra - Economa y Finanzas
www.colombialink.com/01_INDEX/index_finanzas/13_econometria.html - 31k Programa Universidad Virtual
www.virtual.unal.edu.co/cursos/economicas/2001078/index.html
Econometra - Wikipedia, la enciclopedia libre
es.wikipedia.org/wiki/Economa_cuantitativa - 45k
Modelos economtricos y series temporales
books.google.com.co/books?isbn=8429126112.
Econometra: Modelos deterministas y estocsticos
Nelson lvarez Vsquez. Aplicaciones de econometria

07-Econometria de Ne

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

07-Econometria de Ne

Uploaded by

Copyright:

Available Formats

ESCUELA DE CIENCIAS EMPRESARIALES

ASIGNATURA: Econometra de Negocios

CORPORACIN UNIVERSITARIA REMINGTON

Corporacin Universitaria Remington Direccin Pedaggica

El mdulo de estudio de la asignatura Econometra de Negocios es propiedad de la Corporacin Universitaria

Corporacin Universitaria Remington Direccin Pedaggica

MAPA DE LA ASIGNATURA ............................................................................................. 8

REGRESIN LINEAL SIMPLE ............................................................................................ 9

Conceptos de Econometra ................................................................................................... 10

Regresin Lineal Simple ........................................................................................................ 11

Anlisis de Varianza ............................................................................................................... 28

CONSTRUCCIN DE MODELOS ECONOMTRICOS ......................................................... 35

Regresin Lineal Mltiple ...................................................................................................... 36

4.1.1. Modelos de Ecuaciones Lineales de Regresin Mltiple ...................................................... 36

PROBLEMTICA DE LOS MODELOS DE ECONOMETRA ................................................. 52

5.1.1. Hesteroscedasticidad ............................................................................................................ 52

Fuentes Digitales o Electrnicas ............................................................................................ 56

Corporacin Universitaria Remington Direccin Pedaggica

Corporacin Universitaria Remington Direccin Pedaggica

Corporacin Universitaria Remington Direccin Pedaggica

3. REGRESIN LINEAL SIMPLE

2. Analizar a que concepto corresponde la siguiente definicin: _________ se refiere al fenmeno

c. Variable Independiente d. Parmetro

c. Variable Independiente d. Parmetro

Corporacin Universitaria Remington Direccin Pedaggica

4. Analizar a que concepto corresponde la siguiente definicin: _________ Es una funcin

c. Variable Independiente d. Parmetro

5. Analizar a que concepto corresponde la siguiente definicin: _________ de una variable

b. Parmetro c. Media Aritmtica d. Media Ponderada

3.1. Conceptos de Econometra

Corporacin Universitaria Remington Direccin Pedaggica

3.2. Regresin Lineal Simple

GRFICA DE DIAGRAMA DE DISPERSIN

Corporacin Universitaria Remington Direccin Pedaggica

Corporacin Universitaria Remington Direccin Pedaggica

Sr= Error estndar del coeficiente de correlacin

Corporacin Universitaria Remington Direccin Pedaggica

r= Coeficiente de correlacin muestral

Se compara con la tabla de t de la tabla de t de student, con un nivel de significancia de 0,025 y

Corporacin Universitaria Remington Direccin Pedaggica

Corporacin Universitaria Remington Direccin Pedaggica

Para determinar la ordenada al origen y de la poblacin:

10 (160780 ) (347 )( 4460 )

Para determinar la ordenada al origen y de la poblacin:

Corporacin Universitaria Remington Direccin Pedaggica

CANTIDAD DE PRODUCTOS COMPRADOS

Corporacin Universitaria Remington Direccin Pedaggica

8. error estndar de la estimacin

EJEMPLO (RETORNANDO AL EJEMPLO)

Corporacin Universitaria Remington Direccin Pedaggica

Corporacin Universitaria Remington Direccin Pedaggica

SyX 49 ,75 1 0,1

SyX 49,75 1 0,1 0,27 = 49,75 1,37

Corporacin Universitaria Remington Direccin Pedaggica

Corporacin Universitaria Remington Direccin Pedaggica

SX 49,75 0,1 0,27 = 49,75 0,37

Corporacin Universitaria Remington Direccin Pedaggica

11. Coeficiente de determinacin simple, r2

SCR SCT SCE

Corporacin Universitaria Remington Direccin Pedaggica

EJEMPLO (RETORNANDO AL EJEMPLO)

Suma de cuadrados de total

Corporacin Universitaria Remington Direccin Pedaggica

Suma de cuadrado de la regresin