Hgkjthkj

SEMINARIO 4

ECONOMETRÍA

LADE M.1 1.3
Afán de Ribera García-Liñán, Andrés
Albarracín López Cirera, Rafael
Ávila López, Fco. Javier
Parras Domínguez, Soraya

1. – Partiendo de la información de Rep. Checa, estimar los coeficientes del modelo lineal de probabilidad por MCO (realizando la corrección de White correspondiente para corregir los efectos de la heteroscedasticidadsubyacente), así como también los de los modelos logit y probit por el método de Máxima Verosimilitud. Al tiempo, deberá comentarse la significatividad individual de las variables explicativas en cada uno de los modelos para un nivel de confianza del 99%.

Para empezar creamos un nuevo WORKFILE en Eviews:
[pic]
En primer lugar, antes de importar los datos, definimos una nueva variablecualitativa (INCENTIVO), que indicará si un sector recibe o no tales ayudas. Para ello en la hoja de datos, creamos una nueva columna, donde otorgamos valores 0 y 1 en función de si cada sector recibe o no la ayuda.

INCENTIVOS = 0 sectores que no reciben ayudas económicas.
INCENTIVOS = 1 sectores que reciben ayudas económicas.

Una vez introducidos los datos de lanueva variable, importamos los datos mediante FILE-IMPORT-READ TEXT LOTUS EXCEL:
[pic]

Para seleccionar el país con el que trabajaremos, República Checa, seleccionamos Menú workfile-sample y rellenamos:
[pic]

Tenemos el siguiente modelo a estimar:
INCENTIVO = β1 + β2 PRODUCCIÓN + β3 CONSUMO + β4 VALOR AÑADIDO + β5 EMPLEO + β6 SALARIOS + U

A continuación vamos a pasar aestimar los coeficientes del modelo lineal de probabilidad por MCO. Lo hacemos en Eviews, usamos la herramienta: QUICK/ ESTIMATE EQUATION:

[pic]

Obteniendo el siguiente cuadro:

[pic]

Así:

INCENTIVOS = 0,552586 + -1,06e-05 PRODUCCION + -5,39E-05 CONSUMO + 0,000556 VALOR_A + - 0,004195 EMPLEO + -0,000304 SALARIOS

Si analizamos el significado de lasestimaciones de cada uno de los coeficientes diremos que:

- β1: 0’552586 es la probabilidad media de que el sector reciba incentivos cuando el resto de variables es 0.
- β2: Mide el efecto marginal en términos de probabilidad de recibir incentivos, de un cambio unitario en la variable “producción”. En este caso indica, que un cambio unitario en la variable “producción” supone unadisminución de 1,06e-05 en la probabilidad media de recibir incentivos.
- β3: Mide el efecto en términos de probabilidad de recibir incentivos, de un cambio unitario en la variable “consumo”. En este caso indica, que un cambio unitario en la variable “consumo” supone una disminución de 5,39E-05 en la probabilidad media de recibir incentivos.
- β4: Mide el efecto en términos de probabilidad derecibir incentivos, de un cambio unitario en la variable “valor añadido”. En este caso indica, que un cambio unitario en la variable “valor añadido” supone un aumento de 0,000556 en la probabilidad media de recibir incentivos.
- β5: Mide el efecto en términos de probabilidad de recibir incentivos, de un cambio unitario en la variable “empleo”. En este caso indica, que un cambio unitario enla variable “empleo” supone una disminución de 0,004195 en la probabilidad media de recibir incentivos.
- β6: Mide el efecto en términos de probabilidad de recibir incentivos, de un cambio unitario en la variable “salarios”. En este caso indica, que un cambio unitario en la variable “salarios” supone una disminución de 0,000304 en la probabilidad media de recibir incentivos.

Acontinuación pasamos a realizar las correcciones de White correspondientes para poder corregir los efectos que pueda provocar la heteroscedasticidad. Esto lo llevamos a cabo también con Eviews, que nos da una corrección de forma inmediata. Procedemos de esta forma: QUICK/ESTIMATE EQUATION y continuamos con OPTIONS/HETEROSKEDASTICITY CONSISTENT COVARIANCE WHITE
[pic]

Obteniendo:
[pic]...