CARLOS NEILA GUILLERMO MACAS JESSIE OLOKO GRUPO 226 GRADO ECONOMA

ANLISIS CONSUMO AO 2001

1. En este trabajo se va a llevar a cabo un anlisis economtrico acerca del comportamiento del consumo de
los hogares, especficamente en el ao 2001 comparando su comportamiento con el del ao 2000, teniendo en cuenta una serie de variables. Estas variables son por una parte en trminos monetarios como son remuneracin de asalariados, excedente bruto de explotacin/rentas mixtas, rentas de la propiedad, transferencias sociales e impuestos. Aparte de estas variables, en nuestro anlisis tambin se tomara el nivel de poblacin desagregado en comunidades autnomas que afectara en el nivel de consumo normalmente de manera positiva, es decir, a mayor poblacin, mayor consumo hay en el total de la economa. Actualmente en Espaa, el ritmo demogrfico parece que en el ltimo trienio (2007-2010) se ha frenado respecto al periodo 2000-2007, debido principalmente a que la llegada de inmigrantes, que eran y siguen siendo uno del os sustentos de tan amplios crecimientos demogrficos, a Espaa se ha visto frenada debido a que las perspectivas econmicas en nuestro pas no eran muy alentadoras En cuanto a las variables monetarias, estas son las ms representativas en cuanto al consumo. La teora econmica explica la relacin que existe entre estas variables explicativas y nuestra variable endgena que es el consumo:

DISTRIBUCIN PRIMARIA DE LA RENTA

En cuanto a la remuneracin de asalariados, existe una relacin positiva con el consumo, ya que la primera es el factor determinante de la renta disponible de los hogares (Yd= renta disponibleimpuestos+ transferencias). En particular el nivel salarial espaol medio es uno de los ms bajos de Europa y en el que se presenta mayor dispersin entre clases mileuristas y niveles salariales altos. El excedente bruto de explotacin(EBE = valor aadido bruto-(remuneracin de asalariados+ impuestos netos sobre la produccin), tiene un efecto negativo sobre el consumo, es decir, cuanto ms bajo sea este, en teora el consumo de los hogares tiene que ser ms alto. Aunque esto tiene sus matizaciones, ya que la bajada del excedente bruto de explotacin tiene que ser ms bajo debido al aumento de la remuneracin de asalariados, ya que si fuera por parte de los impuestos netos, la variable consumo de los hogares no se vera afectado, ya que esta contribucin va a parar al Estado como Impuesto sobre Beneficios o el de Sociedades Las rentas de la propiedad que se agrupan como los pagos o percepciones que reciben los propietario de activos financieros o de activos tangibles no producidos; los ejemplos ms caractersticos de estos son los intereses, dividendos y rentas o alquiler de la tierra. Dada esta definicin, cuanta ms alta sea esta cuenta, mayor renta dispondrn los hogares para consumir, ya que el nivel de renta disponible habr aumentado.

DISTRIBUCIN SECUNDARIA DE LA RENTA Las prestaciones sociales distintas de las transferencias sociales en especie, en la cual las dos
subcuentas ms importantes la forman los subsidios de desempleo y las pensiones, juegan de una forma positiva en cuanto al consumo en parte. En cuanto a las pensiones debido a que la mayora de las personas que las reciben estn ya jubiladas, y por lo tanto ya no estn en edad de trabajar, cuanto ms altas sean estas, mayor capacidad de consumo tendrn esta capa social. Pero por otro lado los

subsidios de desempleo, su primer objetivo, aparte de garantizar unos mnimos de subsistencia durante un periodo de tiempo, es el de mantener el nivel de consumo en una economa. Por esto cuanto mayor sean el nmero de personas que estn cobrando esto, habr ms personas en el paro, por lo que habr menos poblacin ocupada, por lo que las posibilidades potenciales de consumo bajaran cuanto ms paro haya (ya que se supone que una persona que est trabajando, su nivel de renta disponible ser mayor, por lo que su capacidad de consumir ser ms alto.

negativo hacia el consumo, ya que gravan, por ejemplo el nivel de renta que perciben las personas
fsicas, en el caso del IRPF, gravan tambin el consumo como lo es el IVA, o el patrimonio de personas fsicas y jurdicas con el impuesto sobre el patrimonio. En esta cuenta tambin se encuentra el impuesto sobre transmisiones hereditarias, que en algunas comunidades autnomas, como en la Comunidad de Madrid se ha suprimido.

CUADRO RESUMEN

EFECTOS SOBRE EL CONSUMO

POBLACIN REMUNERACIN DE ASALARIADOS EXCEDENTE BRUTO EXPLOTACIN RENTAS DE LA PROPIEDAD PRESTACIONES SOCIALES DISTINTAS ESPECIE IMPUESTOS CORRIENTES SOBRE LA RENTA

+ + + +(PERO CON MATICES) -

2. Para analizar este modelo economtrico sobre el consumo, de los diferentes tipos de iteraciones que se disponen el ms adecuado a tenor de los resultados probados el ms adecuado sera el modelo LOG-LOG, que aparte de que en este caso es el que arroja unos resultados ms adecuados, al tomar logaritmos, normalmente el modelo se aproxima a la homocedasticidad, es decir, rebajando los errores de la variable independiente. El modelo inicial que se ha especificado es: log (y)=o+log(ebe)1+log(imp_corr)2+log(poblacin)3+log(rentas_prop)4+log(sueldos)5+log(transfere ncias)6+u En teora el uso de los logaritmos es una herramienta que facilita ajustar una serie a una tendencia, en la medida que se tiene una serie con mucha dispersin, se aplica a todas las variables o a una parte de ellas los logaritmos con el objetivo de suavizar el efecto distorsionador. En el anlisis economtrico realizado con Eviews, se arrojan los siguientes datos:

Dependent Variable: LOG(CONSUMO) Method: Least Squares Date: 04/12/11 Time: 11:46 Sample: 1 18 Included observations: 18 White Heteroskedasticity-Consistent Standard Errors & Covariance Coefficient C LOG(EBE) LOG(IMP_CORR) LOG(POBLACION) LOG(RENTAS_PROP) LOG(SUELDOS) LOG(TRANSFERENCIAS) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 2.401454 -0.038623 0.278308 0.615673 0.228741 -0.092205 0.013156 0.999124 0.998647 0.039951 0.017557 36.85324 2091.860 0.000000 Std. Error 0.464966 0.106118 0.080355 0.136087 0.099304 0.143593 0.068332 t-Statistic 5.164792 -0.363962 3.463473 4.524117 2.303456 -0.642129 0.192533 Prob. 0.0003 0.7228 0.0053 0.0009 0.0418 0.5339 0.8508 16.37386 1.086013 -3.317026 -2.970771 -3.269282 1.790854

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Ahora se proceder a verificar si se cumplen las 5 hiptesis del estimador MCO:

1. E (Ui/X)=0. Es decir la esperanza de los errores condicionada a x tiene que ser 0.Para verificar esto
tendremos que ver los errores de cada observacin y a continuacin sumarlos (tabla adjunta)
0.050405 0.002758 -0.003055 0.055706 -0.048200 -0.009748 -0.034617 -0.043778 -0.025308 0.000182 -0.007644 0.033379 9.66E-05 0.012707 0.049583 -0.004750 -0.041456 0.013741

La suma de todos los errores es igual a 0 por lo que se cumple la primera hiptesis

2. Variables independientes entre si

Para poder observar si todas las variables son independientes entre s en eviews se utiliza el test de Breusch Godfrey, que toma como Ho: no hay auto correlacin de primer orden; dependiendo de los valores que se tome en la salida del valor del estadstico se va aceptar o no (suponiendo un 95% de confianza)
Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared 0.083068 0.326251 Prob. F(2,9) Prob. Chi-Square(2) 0.9210 0.8495

Test Equation: Dependent Variable: RESID Method: Least Squares Date: 04/14/11 Time: 21:20 Sample: 1 18 Included observations: 18 Presample missing value lagged residuals set to zero. Variable C LOG(EBE) LOG(IMP_CORR) LOG(POBLACION) LOG(RENTAS_PROP) LOG(SUELDOS) LOG(TRANSFERENCIAS) RESID(-1) RESID(-2) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 0.022810 -0.005458 -0.010455 0.063241 0.053332 -0.046050 -0.045747 0.090209 0.271926 0.018125 -0.854653 0.043765 0.017239 37.01786 0.020767 0.999995 Std. Error 0.898487 0.130683 0.159572 0.329616 0.176473 0.286163 0.208644 0.435617 0.689560 t-Statistic 0.025388 -0.041765 -0.065520 0.191863 0.302208 -0.160922 -0.219261 0.207083 0.394348 Prob. 0.9803 0.9676 0.9492 0.8521 0.7694 0.8757 0.8313 0.8406 0.7025 4.96E-16 0.032137 -3.113095 -2.667909 -3.051710 1.925444

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Se puede aceptar al 95% el supuesto de que no existe auto correlacin de primer orden entre las variables

3. EXISTENCIA O NO DE MULTICOLINEALIDAD Quizs este sea uno de los problemas ms comunes que ocurran en este tipo de estimaciones y tambin uno de los que ms difcil solucin tienen. En este caso, lo vamos a intentar detectar a travs del nmero de condicin que si este es mayor, la existencia de multicolinealidad es ms que posible en el modelo. Para llegar a este primero tendremos que crear la matriz X traspuesta X normalizada. Esto en Eviews hay que seguir los siguientes pasos. a) Primero hay que generar la matriz X traspuesta X con todas las variables endgenas

obs 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

1 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000

EBE 20911783 4447472 2973445 4654427 6485622 1839398 8438964 5357098 23546539 13780981 2890258 8270274 19736900 3452180 2117793 6700884 1264791 368191

IMP_CORR 5057204 1499540 1192581 1093871 1552280 600556 2289529 1162162 10089859 4267536 577023 2262522 11150404 873299 760719 2946867 327628 77786

POBLACION 7403968 1199753 1075329 878627 1781366 537606 2479425 1755053 6361365 4202608 1073381 2732926 5372433 1190378 556263 2101478 270400 144483

RENTAS_PRO P 3328748 1233054 808473 744609 826407 448085 2167612 1028330 6614151 3122536 491425 1516664 5557839 667020 668256 2286975 285414 119098

SUELDOS 43172496 9969587 7205454 7079678 12919689 4128676 17281257 10779971 61312291 31919921 5425636 16527667 60122066 7630245 5606669 22108508 2278884 1057033

TRANSFEREN CIAS 14324197 2896359 3277629 1689458 2786776 1295376 5831794 3366638 14878655 7998683 2121041 6219499 11852653 2191862 1264414 5563052 589819 242440

b) Ahora generamos una matriz simtrica (esta es la matriz xx en Eviews)

C1 C2 C3 C4 C5 C6 C7

R1 R2 R3 R4 R5 R6 R7

18.00000 1.37E+08 47781366 41116842 31914696 3.27E+08 88390345

1.37E+08 1.91E+15 7.19E+14 5.70E+14 4.53E+14 4.71E+15 1.22E+15

47781366 7.19E+14 3.00E+14 2.09E+14 1.82E+14 1.87E+15 4.56E+14

41116842 5.70E+14 2.09E+14 1.73E+14 1.32E+14 1.39E+15 3.67E+14

31914696 4.53E+14 1.82E+14 1.32E+14 1.14E+14 1.16E+15 2.89E+14

3.27E+08 4.71E+15 1.87E+15 1.39E+15 1.16E+15 1.19E+16 3.00E+15

88390345 1.22E+15 4.56E+14 3.67E+14 2.89E+14 3.00E+15 7.89E+14

c) En tercer lugar averiguaremos la matriz M, cuyos elementos son las races cuadradas de los elementos de xx
C1 C2 C3 C4 C5 C6 C7

R1 R2 R3 R4 R5 R6 R7

4.242641 11714.82 6912.407 6412.242 5649.309 18070.02 9401.614

11714.82 43665088 26822423 23864808 21279720 68620025 34902310

6912.407 26822423 17313142 14452447 13485299 43207847 21356646

6412.242 23864808 14452447 13142530 11503767 37285132 19156768

5649.309 21279720 13485299 11503767 10658083 33991583 17003245

18070.02 68620025 43207847 37285132 33991583 1.09E+08 54810257

9401.614 34902310 21356646 19156768 17003245 54810257 28084403

d) Ahora encontraremos un vector A (en eviews), formado por los elementos de la diagonal principal de la matriz M
C1

R1 R2 R3 R4 R5 R6 R7

4.242641 43665088 17313142 13142530 10658083 1.09E+08 28084403

e) Ahora crearemos una matrizB" formada por los elementos del vectorA
C1 C2 C3 C4 C5 C6 C7

R1 R2 R3 R4 R5 R6 R7

4.242641 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000

0.000000 43665088 0.000000 0.000000 0.000000 0.000000 0.000000

0.000000 0.000000 17313142 0.000000 0.000000 0.000000 0.000000

0.000000 0.000000 0.000000 13142530 0.000000 0.000000 0.000000

0.000000 0.000000 0.000000 0.000000 10658083 0.000000 0.000000

0.000000 0.000000 0.000000 0.000000 0.000000 1.09E+08 0.000000

0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 28084403

Esta es una matriz diagonal formada por las races cuadradas de la diagonal XX f) Ahora para obtener la matriz s (necesaria para obtener el numero condicin) debemos invertir la matriz B
C1 C2 C3 C4 C5 C6 C7

R1 R2 R3 R4 R5 R6 R7

0.235702 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000

0.000000 2.29E-08 0.000000 0.000000 0.000000 0.000000 0.000000

0.000000 0.000000 5.78E-08 0.000000 0.000000 0.000000 0.000000

0.000000 0.000000 0.000000 7.61E-08 0.000000 0.000000 0.000000

0.000000 0.000000 0.000000 0.000000 9.38E-08 0.000000 0.000000

0.000000 0.000000 0.000000 0.000000 0.000000 9.15E-09 0.000000

0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 3.56E-08

g) Con esto ya podemos obtener nuestra matriz X traspuesta X normalizada (xxn en eviews)
C1 C2 C3 C4 C5 C6 C7

R1 R2 R3 R4 R5 R6 R7

1.000000 0.740799 0.650499 0.737402 0.705790 0.704211 0.741828

0.740799 1.000000 0.951669 0.992436 0.973012 0.986708 0.993365

0.650499 0.951669 1.000000 0.917969 0.985522 0.986667 0.938048

0.737402 0.992436 0.917969 1.000000 0.944761 0.967863 0.994261

0.705790 0.973012 0.985522 0.944761 1.000000 0.991939 0.965871

0.704211 0.986708 0.986667 0.967863 0.991939 1.000000 0.978768

0.741828 0.993365 0.938048 0.994261 0.965871 0.978768 1.000000

h) Por ultimo extraeremos los valores propios de esta matriz (vector vp en eviews)
C1

R1 R2 R3 R4 R5 R6 R7

0.000336 0.001589 0.005228 0.011663 0.110354 0.450516 6.420314

Aqu se puede observar el mximo y el mnimo valor propio Con esto ya podremos calcular nuestro nmero de condicin que es igual a:

NC=(VPMax/VPMin)^1/2= 138,231969. Esto nos indica (junto con el elevadsimo valor del R cuadrado) la existencia ms que posible de multicolinealidad. La posible solucin a este problema se realizara en el apartado siguiente

4. Existencia de homocedasticidad/heterocedasticidad
Para comprobar que en nuestro modelo existe heteroscedasticidad o no, se realizara el test de White que aparece en Eviews, donde se contrastan las hiptesis: Ho: hay homocedasticidad H1: hay heterocedasticidad
Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS 3.127263 10.18420 4.770894 Prob. F(5,12) Prob. Chi-Square(5) Prob. Chi-Square(5) 0.0490 0.0702 0.4445

Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 04/18/11 Time: 18:31 Sample: 1 18 Included observations: 18 White Heteroskedasticity-Consistent Standard Errors & Covariance Variable C (LOG(EBE))^2 (LOG(POBLACION))^2 (LOG(IMP_CORR))^2 (LOG(TRANSFERENCIAS))^ 2 (LOG(SUELDOS))^2 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 0.005685 -1.45E-06 -0.004098 -0.000857 0.012112 0.000549 0.565789 0.384867 0.001665 3.33E-05 93.26844 3.127263 0.049018 Std. Error 0.007667 9.82E-06 0.003237 0.001359 0.006714 0.002265 t-Statistic 0.741389 -0.148164 -1.266127 -0.630776 1.803957 0.242465 Prob. 0.4727 0.8847 0.2295 0.5400 0.0964 0.8125 0.001421 0.002123 -9.696493 -9.399702 -9.655569 1.968565

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

El valor que arroja la salida de Eviews es claro, ya que el valor de la chi-cuadrado es mayor que 0.05, por lo que la varianza es constante, por lo que se acepta el supuesto de homocedasticidad (suponiendo un 95% de confianza) Pero en el caso de que escogiramos un 10% de significacin, el supuesto de homocedasticidad se pondra en entredicho; por esto se va a realizar una prueba adicional. Vamos a graficar los errores al cuadrado en relacin con las variables explicativas. Si estas aumentan, es decir que los errores siguen un perfil ascendente, es una prueba de que existe heteroscedasticidad

24,000,000

20,000,000

16,000,000 EBE IMP CORR POBLACION RENTAS PROP SUELDOS TRANSFERENCIAS

12,000,000

8,000,000

4,000,000

0 .00 .02 .04 .06 E2 .08 .10 .12

A la vista de la tendencia de los errores de las variables, estas no siguen claramente una lnea ascendente; sino que ms bien, una posibleparbola, salvo los errores en un principio del EBE. Con este anlisis, podemos decir que no existe heteroscedasticidad a priori, aunque no se puede descartar al 100% En el caso de que aceptramos que existiese heteroscedasticidad, vamos a ver qu variable es la causante de esta. Para llevar a cabo esto, a la hora de estimar el modelo, damos en options y activamos la opcin weighted, e introducimos una variable del modelo para ver si esta es la causante. Si el valor arrojado por el estadstico F es menor a 0.05 se rechazara la hiptesis nula(es decir, que esa variable ser la causante del problema). Hagmoslo caso a caso: EBE
Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS 1.828770 10.10575 2.184439 Prob. F(7,10) Prob. Chi-Square(7) Prob. Chi-Square(7) 0.1864 0.1827 0.9489

Como el estadstico F es mayor que 0.05, no es causante del problema POBLACION

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS 3.252529 12.50679 3.035324 Prob. F(7,10) Prob. Chi-Square(7) Prob. Chi-Square(7) 0.0450 0.0851 0.8817

Al contrario del caso anterior, como el estadstico F es menor de 0.05 Ho se rechaza aunque se tiende aceptar la hiptesis de homocedasticidad, ya que el valor esta cercano a 0.05

RENTAS_PROP
Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS 1.835113 10.12109 2.219223 Prob. F(7,10) Prob. Chi-Square(7) Prob. Chi-Square(7) 0.1851 0.1818 0.9467

Ho se acepta, por lo que no causa el problema IMP_CORR

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS 5.745637 14.41573 3.460122 Prob. F(7,10) Prob. Chi-Square(7) Prob. Chi-Square(7) 0.0070 0.0443 0.8394

Ho se rechaza, por lo que esta variable podra presentar problemas de heteroscedasticidad SUELDOS
Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS 0.575917 5.171650 1.494162 Prob. F(7,10) Prob. Chi-Square(7) Prob. Chi-Square(7) 0.7613 0.6390 0.9825

Ho se acepta, por lo que los sueldos no es el posible causante del problema TRANSFERENCIAS
Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS 6.431076 14.72832 3.785109 Prob. F(7,10) Prob. Chi-Square(7) Prob. Chi-Square(7) 0.0046 0.0396 0.8042

Como Ho se rechaza, esta variable junto con los imp. Corrientes podran ser los causantes de la heteroscedasticidad en el caso de que supongamos de que existiera debido a que el valor del Test de White global est muy cerca del valor crtico

5. Distribucin normal
Otro de los supuestos bsicos del modelo de regresin es que la variable U se distribuye probabilsticamente segn la ley normal, entonces para verificarlo, se formulan las hiptesis siguientes. H0: Hay normalidad en los trminos de error. H1: No hay normalidad en los trminos de error. Para este supuesto se realiza la prueba de Jarque-Bera que est programada en Eviews, cuya salida aparece a continuacin, en la cual se observa que el estadstico tiene asociada una probabilidad superior al valor

prefijado del nivel de significacin (1-0.95=0.05), debido a esto, se concluye que no hay elementos para rechazar la hiptesis de nulidad y por lo tanto tambin se cumple el supuesto de normalidad

Series: Residuals Sample 1 18 Observations 18 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability
-0.04 -0.02 0.00 0.02 0.04 0.06

4.96e-16 -0.001479 0.055706 -0.048200 0.032137 0.252308 2.179005 0.696503 0.705921

Por lo tanto como se ha demostrado, se cumplen todas las hiptesis bsicas del modelo salvo el de multicolinealidad, ya que es muy complicado con el numero tan grande de variables no exista relacin causal entre alguna de ellas; aunque este caso no es problemtico ni quiere decir que el modelo este mal especificado, sino que necesitara de iteracin para ser solucionado.

3. Primeramente antes de iniciar las iteraciones para intentar que se cumplan las hiptesis, vamos a ver si hay alguna variable irrelevante en el modelo. Esto se realiza a travs del test de variables redundantes, donde la hiptesis nula es que la variable es relevante. Si el estadstico F es menor a 0.05 la hiptesis nula se rechazara. EBE
Redundant Variables: LOG(EBE) F-statistic Log likelihood ratio 60.73213 33.75078 Prob. F(1,11) Prob. Chi-Square(1) 0.0000 0.0000

Test Equation: Dependent Variable: LOG(CONSUMO) Method: Least Squares Date: 04/18/11 Time: 17:19 Sample: 1 18 Included observations: 18 White Heteroskedasticity-Consistent Standard Errors & Covariance Variable C LOG(IMP_CORR) LOG(POBLACION) Coefficient 6.668060 0.860061 2.111850 Std. Error 1.588589 0.339575 0.515874 t-Statistic 4.197472 2.532758 4.093735 Prob. 0.0012 0.0263 0.0015

LOG(RENTAS_PROP) LOG(SUELDOS) LOG(TRANSFERENCIAS) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

1.016386 -1.536337 -0.908632 0.994290 0.991911 0.097677 0.114490 19.97784 417.9024 0.000000

0.038586 0.389537 0.333941

26.34070 -3.944012 -2.720941

0.0000 0.0019 0.0186 16.37386 1.086013 -1.553094 -1.256303 -1.512170 1.524061

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Ho se rechaza, por lo que la variable es irrelevante (habra que eliminarla del modelo) IMP. CORRIENTES
Redundant Variables: LOG(IMP_CORR) F-statistic Log likelihood ratio 3.963865 5.539374 Prob. F(1,11) Prob. Chi-Square(1) 0.0719 0.0186

Test Equation: Dependent Variable: LOG(CONSUMO) Method: Least Squares Date: 04/18/11 Time: 17:21 Sample: 1 18 Included observations: 18 White Heteroskedasticity-Consistent Standard Errors & Covariance Variable C LOG(EBE) LOG(POBLACION) LOG(RENTAS_PROP) LOG(SUELDOS) LOG(TRANSFERENCIAS) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 0.966347 0.882221 0.166610 0.137546 0.289095 0.273898 0.998809 0.998312 0.044613 0.023884 34.08355 2012.400 0.000000 Std. Error 0.278260 0.108564 0.122559 0.117512 0.163603 0.069505 t-Statistic 3.472822 8.126256 1.359421 1.170487 1.767048 3.940715 Prob. 0.0046 0.0000 0.1990 0.2645 0.1026 0.0020 16.37386 1.086013 -3.120394 -2.823604 -3.079471 1.517862

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Ho se acepta, por lo que esta variable seria significativa en nuestro modelo

POBLACION

Redundant Variables: LOG(POBLACION) F-statistic 5.888682 Prob. F(1,11) 0.0336

Log likelihood ratio

7.717471

Prob. Chi-Square(1)

0.0055

Test Equation: Dependent Variable: LOG(CONSUMO) Method: Least Squares Date: 04/18/11 Time: 17:26 Sample: 1 18 Included observations: 18 White Heteroskedasticity-Consistent Standard Errors & Covariance Variable C LOG(EBE) LOG(IMP_CORR) LOG(RENTAS_PROP) LOG(SUELDOS) LOG(TRANSFERENCIAS) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 0.658358 0.959231 -0.023258 0.054657 0.402630 0.376743 0.998656 0.998095 0.047395 0.026956 32.99450 1782.771 0.000000 Std. Error 0.261183 0.093534 0.065335 0.101321 0.125656 0.043151 t-Statistic 2.520679 10.25537 -0.355983 0.539440 3.204236 8.730721 Prob. 0.0269 0.0000 0.7280 0.5994 0.0076 0.0000 16.37386 1.086013 -2.999389 -2.702598 -2.958466 1.600709

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

En este caso Ho se rechaza, por lo que la variable no es significativa en el modelo, pero no de forma contundente ya que el estadstico esta cerca de 0.05 RENTAS PROPIEDAD
Redundant Variables: LOG(RENTAS_PROP) F-statistic Log likelihood ratio 5.027134 6.774982 Prob. F(1,11) Prob. Chi-Square(1) 0.0465 0.0092

Test Equation: Dependent Variable: LOG(CONSUMO) Method: Least Squares Date: 04/18/11 Time: 17:33 Sample: 1 18 Included observations: 18 White Heteroskedasticity-Consistent Standard Errors & Covariance Variable C LOG(EBE) LOG(IMP_CORR) LOG(POBLACION) LOG(SUELDOS) LOG(TRANSFERENCIAS) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 1.316771 0.997578 0.137589 0.215666 0.299119 0.261375 0.998724 0.998193 0.046171 0.025581 33.46575 1878.734 0.000000 Std. Error 0.619091 0.012585 0.130880 0.233104 0.158342 0.166006 t-Statistic 2.126942 79.26525 1.051257 0.925190 1.889070 1.574492 Prob. 0.0549 0.0000 0.3139 0.3731 0.0833 0.1414 16.37386 1.086013 -3.051750 -2.754959 -3.010826 2.217295

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

En este caso, la variable rentas propiedad tiende aceptar la hiptesis nula, por lo que esta variable tambin es significativa en el modelo SUELDOS
Redundant Variables: LOG(SUELDOS) F-statistic Log likelihood ratio 0.170881 0.277474 Prob. F(1,11) Prob. Chi-Square(1) 0.6873 0.5984

Test Equation: Dependent Variable: LOG(CONSUMO) Method: Least Squares Date: 04/18/11 Time: 17:53 Sample: 1 18 Included observations: 18 White Heteroskedasticity-Consistent Standard Errors & Covariance Variable C LOG(EBE) LOG(IMP_CORR) LOG(POBLACION) LOG(RENTAS_PROP) LOG(TRANSFERENCIAS) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 2.107469 0.810519 0.228693 0.519792 0.195742 0.067957 0.999111 0.998740 0.038546 0.017830 36.71450 2696.509 0.000000 Std. Error 0.262558 0.054301 0.071803 0.104133 0.061569 0.063824 t-Statistic 8.026692 14.92637 3.184983 4.991606 3.179248 1.064756 Prob. 0.0000 0.0000 0.0078 0.0003 0.0079 0.3079 16.37386 1.086013 -3.412722 -3.115932 -3.371799 1.809263

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

L variable sueldos arroja un estadstico F muy alto por lo que esta variable es relevante en el modelo (como as lo dice tambin la teora econmica) TRANSFERENCIAS
Redundant Variables: LOG(TRANSFERENCIAS) F-statistic Log likelihood ratio 0.007051 0.011534 Prob. F(1,11) Prob. Chi-Square(1) 0.9346 0.9145

Test Equation: Dependent Variable: LOG(CONSUMO) Method: Least Squares Date: 04/18/11 Time: 17:54 Sample: 1 18 Included observations: 18 White Heteroskedasticity-Consistent Standard Errors & Covariance Variable C LOG(EBE) LOG(IMP_CORR) LOG(POBLACION) LOG(RENTAS_PROP) Coefficient 2.457952 0.769994 0.288119 0.636045 0.234794 Std. Error 0.236747 0.078423 0.044360 0.073046 0.084800 t-Statistic 10.38219 9.818450 6.495081 8.707428 2.768792 Prob. 0.0000 0.0000 0.0000 0.0000 0.0170

LOG(SUELDOS) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

-0.108053 0.999124 0.998759 0.038262 0.017568 36.84747 2736.680 0.000000

0.101141

-1.068335

0.3064 16.37386 1.086013 -3.427497 -3.130706 -3.386573 1.789755

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Como en el caso anterior, Ho se acepta por lo que la variable es significativa Realizado este test, lo prximo seria hacer un modelo alternativo con las variables irrelevantes que son la poblacin y el EBE. Ante todo lo primero que hay que decir que debido al escaso tamao muestral del que disponemos (18), combinado con el gran numero de variables (6) hacen que los grados de libertad con que trabajamos (12), que la estimacin no sea del todo fiable, por lo que las iteraciones que vayamos a realizar no van a ser muy buenas. Para poder intentar el problema que tenemos, que es el de la multicolinealidad principalmente, la teora nos dice que para poder solucionarlo, se puede intentar disminuir los factores que influyen en la varianza de los estimadores (algo complicado debido a los pocos grados de libertad de los que disponemos); otra alternativa seria la de buscar variables relevantes adicionales que no estn en el modelo. En nuestro caso es imposible ya que estamos trabajando con unas variables dadas. Otra posibilidad que tampoco la podramos llevar a cabo es la de redisear la muestra, aumentndola o disminuyndola. Por lo tanto el nico mtodo que nos queda es omitir las variables que estn correladas con el resto; aunque si la variable que se omite es significativa en nuestro modelo, la trataremos estimar con otros medios, por ejemplo cambiando el tipo de modelo (polinomio, lineal etc). En nuestro caso nos vamos a disponer a realizar las regresiones auxiliares de cada variable explicativa sobre las dems; si en alguna de ellas observamos que el valor del R cuadrado es muy parecido al del modelo original (en nuestro caso0.9991), podremos sospechar que dichas variables son las causantes de la multicolinealidad

IMP._ CORR
Dependent Variable: LOG(IMP_CORR) Method: Least Squares Date: 04/26/11 Time: 21:43 Sample: 1 18 Included observations: 18 White Heteroskedasticity-Consistent Standard Errors & Covariance Variable C LOG(CONSUMO) LOG(EBE) LOG(POBLACION) LOG(RENTAS_PROP) LOG(SUELDOS) LOG(TRANSFERENCIAS) R-squared Adjusted R-squared S.E. of regression Coefficient -6.076327 0.951809 -0.459146 -1.772129 -0.458595 1.094904 0.676185 0.958027 0.935133 0.073882 Std. Error 0.617245 0.544724 0.535570 0.195939 0.126030 0.340167 0.261460 t-Statistic -9.844273 1.747324 -0.857303 -9.044279 -3.638786 3.218722 2.586190 Prob. 0.0000 0.1084 0.4096 0.0000 0.0039 0.0082 0.0253 -1.215201 0.290086 -2.087389

Mean dependent var S.D. dependent var Akaike info criterion

Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.060044 25.78650 41.84548 0.000001

Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

-1.741133 -2.039645 1.936082

El valor en este caso es muy semejante al del modelo original por lo que sospecharamos que la variable impuestos corrientes no es causante del problema

EBE
Dependent Variable: LOG(EBE) Method: Least Squares Date: 04/26/11 Time: 21:42 Sample: 1 18 Included observations: 18 White Heteroskedasticity-Consistent Standard Errors & Covariance Variable C LOG(CONSUMO) LOG(IMP_CORR) LOG(RENTAS_PROP) LOG(POBLACION) LOG(SUELDOS) LOG(TRANSFERENCIAS) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient -1.776251 1.090613 -0.188609 -0.093881 -0.375913 -0.184707 -0.196434 0.998715 0.998014 0.047353 0.024665 33.79373 1424.855 0.000000 Std. Error 1.115444 0.161490 0.163011 0.164940 0.348912 0.263753 0.159042 t-Statistic -1.592416 6.753458 -1.157030 -0.569181 -1.077385 -0.700301 -1.235111 Prob. 0.1396 0.0000 0.2718 0.5807 0.3044 0.4983 0.2425 15.39977 1.062579 -2.977081 -2.630825 -2.929337 2.104274

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Al igual que en el caso anterior el valor del R cuadrado es muy alto, por lo que esta variable tambin podra ser sospechosa de causar el problema

POBLACION
Dependent Variable: LOG(POBLACION) Method: Least Squares Date: 04/26/11 Time: 21:45 Sample: 1 18 Included observations: 18 White Heteroskedasticity-Consistent Standard Errors & Covariance Variable C LOG(CONSUMO) LOG(EBE) LOG(IMP_CORR) LOG(RENTAS_PROP) LOG(SUELDOS) Coefficient -3.204056 0.566334 -0.246135 -0.476643 -0.313709 0.575709 Std. Error 0.266704 0.303078 0.293232 0.047494 0.045229 0.178680 t-Statistic -12.01355 1.868611 -0.839385 -10.03577 -6.936060 3.222010 Prob. 0.0000 0.0885 0.4191 0.0000 0.0000 0.0081

LOG(TRANSFERENCIAS) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.377190 0.973306 0.958746 0.038317 0.016150 37.60502 66.84743 0.000000

0.132131

2.854656

0.0157 -1.212813 0.188650 -3.400558 -3.054302 -3.352814 1.652135

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

En este caso el valor del R cuadrado es tambin alto pero hay una diferencia muy grande respecto al del modelo original por lo que podemos concluir que la variable poblacin no es causante de la multicolinealidad

RENTAS_ PROP
Dependent Variable: LOG(RENTAS_PROP) Method: Least Squares Date: 04/26/11 Time: 21:45 Sample: 1 18 Included observations: 18 White Heteroskedasticity-Consistent Standard Errors & Covariance Variable C LOG(CONSUMO) LOG(EBE) LOG(IMP_CORR) LOG(POBLACION) LOG(SUELDOS) LOG(TRANSFERENCIAS) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient -6.547598 1.371260 -0.400604 -0.803859 -2.044464 1.300602 0.726737 0.994254 0.991121 0.097817 0.105250 20.73519 317.2561 0.000000 Std. Error 1.750775 0.660464 0.662862 0.339007 0.518185 0.490812 0.397442 t-Statistic -3.739828 2.076208 -0.604355 -2.371216 -3.945430 2.649898 1.828535 Prob. 0.0033 0.0621 0.5579 0.0371 0.0023 0.0226 0.0947 13.91548 1.038060 -1.526133 -1.179877 -1.478389 1.340889

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Al contrario que en el caso anterior el valor del R cuadrado si es suficientemente grande para decir que puede causar la multicolinealidad

SUELDOS

La variable sueldos no presenta a priori problemas de multicolinealidad, a la vista del valor del coeficiente R cuadrado.

Dependent Variable: LOG(SUELDOS) Method: Least Squares Date: 04/26/11 Time: 21:46 Sample: 1 18 Included observations: 18 White Heteroskedasticity-Consistent Standard Errors & Covariance Variable C LOG(CONSUMO) LOG(EBE) LOG(RENTAS_PROP) LOG(IMP_CORR) LOG(POBLACION) LOG(TRANSFERENCIAS) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 3.538000 -0.165902 -0.236560 0.390359 0.576031 1.126094 -0.583065 0.951042 0.924338 0.053589 0.031589 31.56684 35.61408 0.000001 Std. Error 0.768107 0.313589 0.262751 0.094981 0.122606 0.191558 0.095801 t-Statistic 4.606132 -0.529041 -0.900320 4.109868 4.698233 5.878616 -6.086206 Prob. 0.0008 0.6073 0.3872 0.0017 0.0007 0.0001 0.0001 0.810397 0.194821 -2.729649 -2.383394 -2.681905 1.698193

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

TRANSFERENCIAS

Dependent Variable: LOG(TRANSFERENCIAS) Method: Least Squares Date: 04/26/11 Time: 21:47 Sample: 1 18 Included observations: 18 White Heteroskedasticity-Consistent Standard Errors & Covariance Variable C LOG(CONSUMO) LOG(EBE) LOG(IMP_CORR) LOG(RENTAS_PROP) LOG(POBLACION) LOG(SUELDOS) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 4.174794 0.048690 -0.517476 0.731730 0.448654 1.517565 -1.199313 0.936724 0.902210 0.076857 0.064977 25.07600 27.14041 0.000006 Std. Error 0.785050 0.242591 0.201558 0.141309 0.102185 0.151552 0.252674 t-Statistic 5.317867 0.200707 -2.567380 5.178212 4.390594 10.01347 -4.746476 Prob. 0.0002 0.8446 0.0262 0.0003 0.0011 0.0000 0.0006 -0.455381 0.245774 -2.008444 -1.662188 -1.960700 1.676865

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Esta es la variable que posee el R cuadrado con el valor ms bajo de todas las regresiones auxiliares por lo que es la variable que tiene menos posibilidades de ser la causante del problema de multicolinealidad.

En resumen, a la vista de los datos, para intentar solucionar el problema de multicolinealidad vamos a excluir las variables que pueden causar esto que son el EBE y las RENTAS DE LA PROPIEDAD
Dependent Variable: LOG(CONSUMO) Method: Least Squares Date: 04/28/11 Time: 21:06 Sample: 1 18 Included observations: 18 White Heteroskedasticity-Consistent Standard Errors & Covariance Variable C LOG(POBLACION) LOG(IMP_CORR) LOG(SUELDOS) LOG(TRANSFERENCIAS) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 38.16485 8.449903 6.874963 -6.399983 -4.387858 0.568124 0.435240 0.816145 8.659200 -18.95515 4.275314 0.020011 Std. Error 6.197423 2.742478 1.651539 2.336966 1.805729 t-Statistic 6.158180 3.081120 4.162761 -2.738586 -2.429965 Prob. 0.0000 0.0088 0.0011 0.0169 0.0303 16.37386 1.086013 2.661683 2.909009 2.695786 1.706770

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

A la vista simplemente de los datos de la primera salida de Eviews, se puede apreciar como el R cuadrado ha bajado espectacularmente debido a la exclusin de dos variables del anterior modelo. Con el Estadstico T y su Probabilidad, se puede decir que individualmente se rechaza la hiptesis nula de no significatividad, por lo que individualmente son significativos; cosa igual pasa con el modelo en su conjunto ya que la probabilidad arroja un valor inferior a 0.05 por lo que se rechaza la hiptesis nula de no significacin conjunta del modelo. En cuanto al cumplimiento de las hiptesis de la perturbacin aleatoria (A1 hasta A5) A1
1.213060 -0.028483 -1.077205 0.103384 -0.333245 -1.021071 1.015880 0.576999 0.840576 0.359707 -0.224900 0.229029 -0.427691 -0.584210 -0.239387 0.997513 -0.670439 -0.729518

=0

Se cumple que la esperanza de los errores, condicionada a X es 0 A2

Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared 0.523927 1.565537 Prob. F(2,11) Prob. Chi-Square(2) 0.6063 0.4571

Se realiza el contraste de Breusch Goldfrey, donde la hiptesis nula de autocorrealcion se rechaza ya que el valor del prob del estadstico es superior a 0.05 (esto es normal cuando estamos trabajando con datos de seccin cruzada, al contrario que en los casos de series temporales) A3 Aqu vamos a intentar que se reduzca el problema de multicolinealidad se reduzca ya que eliminarlo por completo es complicado. Para ello vamos a realizar como en el modelo anterior el test a travs del nmero de condicin. Solo mostraremos el valor del nmero (el desarrollo est en el fichero de Eviews con los valores: e, f, n, prp, t, vq, xxn, zz. (5.479723/0.001715)^0.5= 56.53 = Aun as el problema de la multicolinealidad no se ha acabado, aunque se ha reducido de gran manera ya que en el modelo original el numero de condicin era 138

A4 Se realiza el Test de White donde la hiptesis nula es la existencia de Homocedasticidad

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS 0.837100 3.686673 0.870487 Prob. F(4,13) Prob. Chi-Square(4) Prob. Chi-Square(4) 0.5256 0.4501 0.9288

Debido a que el valor es mayor que 0.05, no se rechaza la hiptesis de homocedasticidad

A5 Para comprobar si la distribucin seguir una normal, se lleva a cabo el contraste de Jarque Bera

Series: Residuals Sample 1 18 Observations 18

3

Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability

-1.21e-14 -0.126691 1.213060 -1.077205 0.713698 0.221084 1.905349 1.045330 0.592938

0 -1.0 -0.5 0.0 0.5 1.0

Como el valor de la probabilidad es superior a 0.05 se acepta la hiptesis de normalidad, por lo que el supuesto A5 se cumple.

Por tanto, viendo que con este modelo transformado, donde se han excluido las dos variables que eran causantes de gran parte de la multicolinealidad, se puede apreciar como todas las hiptesis se cumplen salvo la de la multicolinealidad, aunque se ha visto reducida en casi 90 puntos a travs del nmero de condicin Viendo los coeficientes de las estimaciones, a pesar de las especificaciones todava hay signos que son incorrectos en consonancia con la teora econmica, como el de los sueldos que en teora a mayor renta el consumo tambin aumenta, aunque puede indicarnos, que las personas con mayor nivel de renta, se ahorra mas (como dice la propensin media al consumo que dice que a mayor nivel de renta, esta disminuye). Otro factor que estara incorrecto sera el de las transferencias, aunque en este hay que matizarlo; ya que el motivo de las transferencias, principalmente son las prestaciones por desempleo, por lo que las personas que las estn cobrando, no por cobrar por ejemplo 400 de prestacin el consumo va aumentar, sino que este se va a mantener, ya que siempre va a existir un consumo mnimo (lo que se denomina en la teora Keynesiana como el consumo autnomo). En cuanto al resto de parmetros importantes arrojados por la salida de Eviews estn: El R cuadrado ha bajado significativamente debido a la exclusin de las variables que causaban en gran parte la multicolinealidad. Unido a esto el valor del R cuadrado ajustado tambin ha bajado y adems ha aumentado la diferencia respecto al primero La suma al cuadrado de los residuos y el error estndar de regresin tambin han aumentado debido a la reduccin de variables El F estadstico y su probabilidad , han tomado una direccin de rechazo de la hiptesis de significatividad global , pero no en la suficiente demasa como para decir que el modelo no es globalmente valido El criterio Durbin Watson(que mide las posibilidades de auto correlacin) no ha variado significativamente respecto al modelo original; sigue estando cerca de 2 por lo que indica que el modelo carece de auto correlacin Por ltimo los estadsticos T y sus probabilidades (contrastes de significacin individual), han tomado tales valores que hacen que todos los regresores sean individualmente significativos todos

(esto es signo de que el problema de multicolinealidad ha descendido, ya que la teora nos dice que los modelos con alta multicolinealidad, tienden aceptar los contrastes de significacin individual (regresores no significativos) mientras que el modelo es globalmente valido.

4.
En nuestro modelo final, se presenta una relacin no lineal entre las variables, ya que hemos escogido, un modelo log log, donde un aumento en una unidad de las variables regresores, hacen aumentar la variable endgena . Antes de presentar nuestro modelo final , hemos hecho pruebas creando modelos alternativos en los que hemos creado variables nuevas que satisfacen a la teora econmica Keynesiana; este es el caso de la variable Renta Disponible(Renta+Transferencias-Impuestos corrientes) , que al incluirla en modelos alternativos nos daba un resultado similar en cuanto a la multicolinealidad , pero presentaba problemas de heteroscedasticidad , por lo que decidimos en desechar el modelo(en el fichero de Eviews este modelo coincide con el fichero EQ 18)