supuestos de multicolinalidad
Se dice que existe una relación lineal exacta entre si 1X1+ 2X2+….+kXk= 0 donde: 1, 2….k son constantes, no todas simultáneamente iguales a cero.
Si lacolinealidad es perfecta, entonces r23= 1 es decir, la correlación entre los regresores es 1. Si la correlación en menos que perfecta los coeficientes de la regresión () poseen errores estándar grandes.Dependent Variable: IN
Method: Least Squares
Date: 09/19/13 Time: 00:48
Sample (adjusted): 2007M07 2013M05
Included observations: 71 after adjustmentsVariable
Coefficient
Std. Error
t-Statistic
Prob.
TR
-117918.6
13646.75
-8.640782
0.0000
C
6.95E+08
70571960
9.849445
0.0000
R-squared
0.519710 Mean dependent var
85382457
Adjusted R-squared
0.512749
S.D. dependent var
14201908
S.E. of regression
9913410.
Akaike info criterion
35.08444
Sum squared resid
6.78E+15
Schwarzcriterion
35.14818
Log likelihood
-1243.498
Hannan-Quinn criter.
35.10979
F-statistic
74.66311
Durbin-Watson stat
0.349098
Prob(F-statistic)
0.000000Analizando lo anterior se puede decir que si se cumple con el supuesto de no multicolinealidad porque el R2 no es bastante alto y la mayoría de los t son significativos, si hay correlación entrelos regresores o variables.
SUPUESTO DE HOMOSCEDASTICIDAD
El supuesto de homo (igual) homoscedasticidad (dispersión), implica que existe la misma varianza para todas las Ui es decir:
E (Ui^2)=^2; i=1, 2,…, n
Existen diferentes razones que explican la variación de las varianzas, algunas de ellas son:
Modelos de aprendizaje por error
Mejorar las técnicas de recolección de datos
El problemade heteroscedasticidad es más común en series de corte transversalA continuación se presenta la homoscedasticidad para las variables de la ecuación
Homoscedasticidad para LOG de ingreso...
Regístrate para leer el documento completo.