Econometria

INFORME

Este trabajo va a estar compuesto de una variable dependiente y dos variables independientes.
Con este trabajo pretendo estudiar el número de hipotecas que dan los bancos en función del número de viviendas terminadas y el precio de las mismas por metro cuadrado.
He escogido estas variables, ya que me parece interesante estudiar la evolución de la economía en elsector construcción. Además que una de las principales causas de la actual crisis financiera se debe al gran numero de hipotecas que han dado los bancos a personas con bajos ingresos que luego han resultado ser insolventes, por ello se ha producido una bajada considerable de la construcción, ya que hoy día es imposible que una persona compre una vivienda a precio de años anteriores y si a ello lesumamos que los bancos no están dispuestos a conceder créditos todavía se hace mas imposible comprar una vivienda.

El trabajo lo he realizado en distintos programas: Excel, EViews y SPSS. Gracias a la utilización de estos tres programas he podido ir comparando los distintos resultados e ir viendo que coincidían los tres, tanto en los contraste como en los gráficos.

Definimos lasvariables:

- Variable dependiente Y: número de hipotecas concedidas por los bancos.
- Variable independiente X1: número de viviendas terminas (protegidas y no protegidas).
- Variable independiente X2: precio de la vivienda por metro cuadrado.

Estimación del modelo: el objetivo consiste en localizar el conjunto de parámetros que minimizan el volumen de residuos que generan el modelo,definido a partir de la suma de los cuadrados de los errores.
En este trabajo hemos estimado el modelo que lo podemos ver en el Excel en el apartado A), donde hemos ido calculando todas las partidas necesarias para finalmente conseguir el vector b.
B es un estimador lineal e insesgado de los parámetros del modelo. Además, con independencia de que X sea o no estocástica, b es un estimadorconsistente y siempre que exista incorrelación contemporánea b será consistente, aunque se diera algún otro tipo de correlación. Además podemos afirmar que nuestros estimadores MCO son los de menor varianza de entre todos los estimadores insesgados posibles.

Seguido de esto hemos calculado las varianzas de la perturbación aleatoria y los Errores Standard (E.S.)

En el apartado D)hemos calculado las medidas de bondad del ajuste, lo hemos hecho a través del coeficiente R2 que este se descompone en SCT(es la suma de Cuadrados Totales y mide la variable total de la variable endógena o explicada), la SCR(es la Suma de los Cuadrados Debida a la Regresión o explicados por el modelo) y la SCE(es la Suma de los Cuadrados de los Errores o Residuos y viene referida a la variabilidadde Y no explicada por el modelo.

Este coeficiente nos permite seleccionar entre aquellos modelos con un mismo número de variables explicativas, aquel con una mayor capacidad explicativa. No obstante, dado que a medida que incorporamos más regresores R2 se va haciendo mayor, necesitamos un coeficiente que permita la comparación entre modelos con diferentes números de variablesexplicativas. A tal efecto, utilizaremos el denominado Coeficiente de Determinación Ajustado por Grado de Libertad, que penaliza el incremento de R2 a medida que incorporamos más regreseros. El R2, como observamos en el Excel o en el EViews, nos da 0.54 por lo que nos explica que nuestro modelo es medio ni muy bueno ni muy malo, ya que el 54% de la variable dependiente es explicada a través de nuestromodelo.

Contrastes de significación individual de los parámetros del modelo; para estudiarlos hemos considerado el valor crítico en un 5%.

• Verificación de la significación de b0:
H0: b0 = 0
H1: b0 = 0 (distinto)
El alfa critico, como vemos en el Excel y es EViews, de nuestro modelo nos da 0,081 que es mayor al 0.05, por lo que aceptamos la hipótesis nula, el coeficiente no es...