econometria

Tips E-views

!
Inflación e-views:

!
**Genr inf = (ipc/ipc(-t))-1

!
Regresión multiple:

!
**Ls VD c VI

!
Criterio de eliminación de variables:
De la menos significativa a la más significativa. Una por una.
1) Probabilidad mínima aceptada 0.05
2) Descarte por signo esperado.

!
** En la caja de la regresión > estimate > eliminar la variable (menos
significativa)

!
VerFórmulas:
** En la caja de la regresión > view > representations
1. Fórmula tal cual es.
2. Expresión con coeficientes sin sustituir
3. Expresión con coeficientes sustituidos

!
Pruebas del Modelo

!
1. Normalidad en la distribución de los errores: (primer test)

Skewness = 0

!

!
!
1.1 Indicador B-J

!
!
!
R// Se busca que estadísticamente el B-J sea 0. Si laprobabilidad es mayor a
0.05 se acepta que el B-J es 0.

!
** Regresión > view > residual diagnostic > Histogram Normality
Probability > 0,05

!
1.2 Variable extrema: (picos)
** Regresión > resids

Si la probabilidad es muy cercana a 0,05 y hay muchos picos que sobresalen
mucho se aplican variables Dummy a esos picos.

!
1.3.Variables Dummy:
-

No tiene sentido económico

-

Seutilizan como variables de ajuste

!
*Regresión > view > actual fitted residual > actual fitted residual table (se
observa major cual es el pico extreme y en que fecha).

!
*Crear comando Dummy
a. **Genr dtrimestreaño = 0
b. Click en la serie > edit+/- > buscar fecha pico > poner 1
c. **Regresión > estimate > incluir dummy (d0111)
d. ** Regresión > view > residual diagnostic > HistogramNormality >
observar que el histograma es más campana y la prob. Aumentó.
e. **Regresión > resids > ver que ya no hay pico.
Si la Dummy en la regresión no es aceptada, es decir mayor a 0.05 es que no
estamos identificando el pico correcto.

!
!
!
!
!
!
!

2. No Multicolinealidad (segundo test):

!
2.1 Problema
X = matriz de variables independientes
X= matriz transpuesta
Y =observaciones de la variable dependiente

R/ si el determinante da 0 una matriz no tiene inversa. (Linealmente
dependiente)
La multicolinealidad lo que trata es de medir la dependencia lineal entre las
variables explicativas del modelo (VI).

!
2.2 Consecuencias
La dependencia lineal puede ser:
•

Multicolinealidad Perfecta: Principal consecuencia es que el
modelo no puede estimarse.
o75*lem -----> error
o Si una de las columnas es de 0´s no hay inversa

!
•

Multicolinealidad Imperfecta: el modelo puede tener
o Coeficientes con signos diferentes a los esperados
o R2 muy altos y simultáneamente desviaciones estándar
muy elevadas.
o Los coeficientes se vuelves muy sensibles a los cambios
en el # de observaciones.

!

2.3.Cómo se detecta

!
a) Determinante :
Paso1: Estimate > copiar VI menos la dummy
Paso 2: Data___pegar VI > enter > se le abre una matriz
Paso 3: Copiar esa matriz en Excel
Paso 4: Marcar rango de la transpuesta (2x4 -----> 4x2)
Paso 5: en Fx > =transponer(matriz) > control shift enter > nos da la
transpuesta
Paso 6: Hacer la multiplicación (x´x) ---> marcar nuevo rango (2x2) > Fx >
mmult(matriz1;matriz2) > control shift enter
Paso7: Ya tenemos la nueva matriz > sacar determinante > posiciona en una
celda > =mdeterm(x´x)
El determinante tiene que dar 0 o muy cercano a cero para comprobar
multicolinealidad en las variables.

!
b) Analizar coeficiente de correlación de variables independientes
Paso1: **Regresión > estimate > copiar VI menos la dummy
Paso 2: **Quick > Group stadistics > correlations > pegar VI
Paso 3:Freeze > name > matriz simétrica
Paso 4: Los coeficientes en valor absoluto superiores en 0.8 determinan
existencia de multicolinealidad en las variables independientes. “Hacer parejas”
Matriz simétrica: lo que hay sobre la diagonal es igual a lo que hay debajo de
ella.
Los datos de la matriz deben estar en el rango [-1,1] donde más cercano a -1
es poca correlación de las variables y...