ESTIMACIN DEL MODELO ECONOMTRICO

a) Las variables para la construccin del modelo economtrico estimado

son la siguientes:
Y: demanda de minibuses
X2: poblacin
X3: vehculos importados cuyo destino es la fabricacin de
microbuses
X4: parque vehicular de microbuses
Los datos histricos de las variables se muestran en los CUADRO D-1, D-4,D5 y D-4 del ANEXO D.
b) Estimacin del modelo economtrico
Para el diseo de un modelo economtrico, el paso siguiente a la definicin
de variables es la seleccin del modelo matemtico adecuado y la
estimacin de la funcin de regresin poblacional (ERP) con base en la
funcin de regresin muestral (FRM) en la forma ms precisa posible.
existen diversos mtodos para el clculo de la funcin de regresin
muestral (FRM), pero en lo que respecta al anlisis de regresin el ms
utilizado es el mtodo de mnimos cuadrados ordinarios (MCO).
Para la estimacin de los modelos economtricos se utiliz el programa
EViews. Para la estimacin de modelos este programa, adems de otros
mtodos, utiliza el mtodo de mnimos cuadrados ordinarios.
En lo que se refiere a la forma funcional matemtica del modelo
economtrico se considera la bondad de ajuste de la lnea de regresin
ajustada a un conjunto de datos, es decir se analiza que tan bien se ajusta
la lnea de regresin a los datos.
A partir de los datos mustrales y utilizando el programa EViews se estim
los coeficientes de modelos economtricos con diferentes formas
funcionales (ver cuadro 5-1), la seleccin de forma funcional ms adecuada
se realiza con base a comparaciones del coeficiente de determinacin que
nos indica la bondad e ajuste.
CUADRO 5-1: CAMET SRL, ESTIMACIN DE MODELOS ECONOMTRICOS

Como se puede observar en el cuadro 5-1, se estimaron con el mtodo MCO

diversas lneas funcionales para el modelo economtrico que se utilizara
para la prediccin de la demanda, de todos ellos el Y = 1 +
EXP(2X2)+3X3+4X4 es el que tiene un mayor coeficiente de

determinacin ( R2 = 0.952385) por lo tanto la curva que se describe el

modelo matemtico es la que mejor se ajusta a los datos mustrales.
VALIDACIN DEL MODELO ECONOMTRICO
a) Estimacin de intervalo de confianza para los coeficientes de
regresin.
Debido a las fluctuaciones mustrales, existe la posibilidad de que una solo
estimacin puntual difiera del valor verdadero, por lo tanto, en lugar de
depender de un valor puntual se puede construir un intervalo alrededor del
estimador puntual.
El intervalo de confianza para los estimadores est determinado por la
siguiente ecuacin:
P(

^ 1t ee ^ 1 1 ^ 1+ t ee ^ 1 =1
2

La ecuacin proporciona un intervalo de confianza para

probabilidad de

intervalo. El valor de

distribucion

^ 1
con una

de que el verdadero valor se encuentre dentro el

t
2

es el valor de la variable

obtenida de la

de Student para un nivel de significancia del

grados de libertad, el valor de

(desviacin estndar) de

ee ^ 1

t
2

con 2

es simplemente el error estndar

^ 1
, el valor de

es de 5 % que representa la

probabilidad de conocer un error en la estimacin, entonces

El valor de

=0.025 .
2

es 4.303 este dato se toma de tablas generales de

estadstica, los valores de

^ 1
y

ee ^ 1

se toman de CUADRO D-112 del

ANEXO D que muestra los resultados de estimacin de modelo obtenido a

travs del programa EViews.
Por lo tanto los intervalos de confianza para los coeficientes de regresin se
muestran en el CUADRO 5-2.
CUADRO 5-2: CAMET SRL, Estimacin de Intervalos de Confianza

^ 1

ESTIMADOR

ee ^ 1

^ 1

-0.624106

0.134156

Lmite
Inferior
-1.20137927

Limite
Superior
-0.04683273

^ 2

4.34E-06

8.41E-07

7.21177E-07

7.95882E-06

^ 3

0.000312

0.000069

0.000015093

0.000608907

^ 4

-2.53E-05

5.38E-06

2.14986E-06

4.84501E-05

Fuente: elaboracin propia en base a datos de los CUADROS D-7 al D-12 del
ANEXO D.
Los limites en el CUADRO 5-2 representan el valor mximo y mnimo que
pueden adoptar los coeficientes estimados con una probabilidad del 95%.
b) Prueba de significancia de los coeficientes de regresin.
Una prueba de significancia es un procedimiento mediante el cual se utilizan
los resultados mustrales para verificar a verdad o falsedad de la hiptesis

i= ^ i , el estadstico de prueba es la variable

de que

distribucin

obtenida de la

de Student para un nivel de significancia del

grados de libertad (

t =4.303
2

con 2

).

Para las pruebas de significacin se plantea la hiptesis nula de que el

coeficiente no existe por lo tanto su valor es 0 (

i=0 ), la hiptesis

alternativa es que el coeficiente existe por lo tanto su valor es distinto de 0 (

i 0 ).
El calculo del estadstico

t=

^ i
ee ^

para la prueba de hiptesis se realiza segn

, los resultados de las pruebas de hiptesis se muestran en el

CUADRO 5-3.
CUADRO 5-3: CAMET SRL., Estimacin de Intervalos de Confianza.
ESTIMADOR

H0

H1

|t|
comparan
do con

Decisin

t
2

^ 1

1=0

1 0

4.052>4.
303

Rechazo de
hiptesis por lo
tanto

^ 2

2=0

2 0

5.163>4.
303

3=0

3 0

4.522>4.
303

4=0

4 0

4.703>4.
303

2 0 y

es significativo
estadsticamente
Rechazo de
hiptesis por lo
tanto

^ 4

es significativo
estadsticamente
Rechazo de
hiptesis por lo
tanto

^ 3

1 0

3 0 y

es significativo
estadsticamente
Rechazo de
hiptesis por lo
tanto

4 0

es significativo
estadsticamente
Fuente: Elaboracin propia en base a datos de los CUADROS D-7 al D-12 del
ANEXO D.
c) Prueba de significancia del modelo.
La prueba de significancia global del modelo se realiza tomando en cuenta
la hiptesis nula

2= 3= 4 =0 , en este caso la interpretacin es

H0:

que el modelo de significancia a nivel global.

La decisin de rechazo o aceptacin pasa por la comparacin del estadstico

estimado a partir de la divisin de la varianza de la regresin y de los

residuos en una tabla de anlisis de varianza, el valor estimado de F se

extrae del reporte del programa EViews en la estimacin del modelo ( F
19.849).
Dicha variable estimada se contrasta con el dato de la variable
sigue una distribucin

que

de Snedecor con k-1 y n-k grados de libertad y

con un nivel de significancia = 0.05, entonces se tiene

F( 3,2)=19.165

Realizando a comparacin se tiene

F> F (3,2 )

(19.849 > 19.165), por lo

tanto se rechaza la hiptesis nula y entonces el modelo es significativo a

nivel global con una probabilidad del 95% (1 = 0.95).
d) Multicolinealidad.
Uno de los supuestos en los que se basa el modelo clsico de regresin
lineal plantea que no existe multicolinealidad entre los regresores, pero este
fenmeno es difcil de controlar ya que necesariamente existir cierto grado
de relacin entre las variable independientes por la propia naturaleza de las
mismas.
La multicolinealidad no viola los supuestos bsicos de la regresin. Se
presentaran estimaciones consistentes e insesgadas y sus errores estndar
se estimaran en forma correcta.
El nico efecto de la multicolinealidad tiene que ver con la dificultad de
obtener los coeficientes estimados con errores estndar pequeos. Sin
embargo el mismo problema se tiene al contar con un numero reducid de
observaciones o al tener variables independientes con varianzas pequeas.
Para detectar el grado de multicolinealidad del modelo se estiman los
coeficientes de correlacin de las variables independientes.

X2

X3

X4

X2

0.7330

0.8500

X3

0.7530

0.5055

X4

0.8500

0.5055

Se puede observar existe alta correlacin entre las variables

(poblacin consumidora) y
tambin entre
la variable
con

X3

X2
X4

X2

X4

X2

X 3 (importacin de vehculos), as como

(parque vehicular), esto se debe a que aparte

por su naturaleza necesariamente estar correlacionada

como se puede observar

X3

X4

no tiene una alta

correlacin.
Segn lo expuesto anteriormente se espera que los problemas de
multicolinealidad no afecten la estimacin en sobremanera.
e) HeterocedastIcidad.

Uno de los supuestos importantes en el modelo clsico de regresin lineal

es que la varianza de los trminos de perturbacin ( error) es algn numero
constante (

).

El problema relacionado a la heterocedasticidad es bastante comn en la

informacin de corte transversal.
No existen reglas para detectar la heterocedasticidad en un modelo
economtrico, pero si algunas reglas prcticas, una forma de comprobar si
existe o no heterocedasticidad es un modelo economtrico es indagar
grficamente si existe verdadera aleatoriedad en los residuos al cuadrado (

^2=(Y iY^ i )2 ) o si estos siguen algn patrn sistemtico.

Los clculos de los residuos al cuadrado se muestran en el GRAFICO D-3 del
ANEXO D, el grafico de

^2

vs. Tiempo se muestra en el GRAFICO D-3 del

ANEXO D.
Al analizar el GRAFICO D-3 del ANEXO D, se pude observar que los residuos
no siguen un valor definido, por lo tanto segn lo expuesto anteriormente se
supone la no existencia de heterocedasticdad en el modelo economtrico
estimado.
f) Auto correlacin.
Otro de los supuestos importantes del modelo clsico de regresin lineal es
que no exista auto correlacin o correlacin serial entre las perturbaciones (

i ) consideradas dentro de la FRP.

Tomando en cuenta una interpretacin sencilla el modelo clsico supone que
el termino de perturbacin relacionado con una observacin cualquiera no
est influenciado por el termino de perturbacin relacionado con cualquier
otra observacin.
La prueba ms conocida para detectar la correlacin serial es la
desarrollada por los estadstico Durbin y Watson. Es comnmente conocida
como el estadstico
El estadstico

de Durbin y Watson.

es calculado con el reporte de EViews de la estimacin

del modelo mostrado en el CUADRO D-12 del ANEXO D.

El mencionado estadstico debe compararse con valores de talas en funcin
del tamao de muestra y el nmero de coeficientes excluyendo el
intercepto. En un caso prctico, el valor de

esta en un rango de 0 a 4 y

mientras ms cercano este el valor de

a 2 menos probabilidad existe

que el modelo presente auto correlacin. Para nuestro anlisis

d=1.57

por

lo tanto existe cierto grado de autocorreccin negativa pero no es

perjudicial.
Para aclarar la afirmacin anterior se menciona que todo modelo
economtrico tiene cierto grado de autocorrelacion, aun en los casos de
regresiones de variables completamente independientes y no
correlacionadas tericamente, en este sentido se debe tomar en cuenta
tambin que la autocorrelacion se presenta con mas frecuencia en los
modelos que toman en cuenta series de datos temporales como en nuestro
caso, en la prctica se asume que el modelo sirve ara predecir una
tendencia y no es formalmente predictivo ese a tener un cierto grado de
autocorrelacion este arroja resultados confiables, es en este sentido que no
se considera como perjudicial la autocorrelacion negativa de nuestro
modelos.
ESTIMACION DE VARIABLES INDEPENDIENTES