Departamento de Estadística e Investigación Operativa Aplicadas y Calidad Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V. ECONOMETRÍA CONVOCATORIA EXTRAORDINARIA - 18/04/2007 NOMBRE Y APELLIDOS NORMAS PARA EL EXAMEN ' Sobre la mesa sólo puede estar el examen, el formulario, la calculadora y los útiles de escritura. ' Cada ejercicio se responderá en el espacio libre que hay antes de la próxima pregunta y en las caras de detrás, debiendo quedar claro el desarrollo realizado y resaltada convenientemente la respuesta. ' No se puede desgrapar el examen ni utilizar hojas sueltas como borrador. ' La puntuación de cada ejercicio esta situada al final del correspondiente enunciado. 18/04/2007 - 2 EXAMEN DE ECONOMETRÍA P1 En Enero de 1993 entró en vigor la normativa que obliga llevar puesto el cinturón de seguridad a todos los ocupantes de los vehículos. Para determinar el efecto que tuvo dicha medida en los desplazamientos urbanos, se han planteado los modelos que aparecen en las tablas siguientes, donde VICTIMASM es el número de muertos en accidente de tráfico, CINTURON es una variable ficticia que indica el periodo de tiempo en el que está vigente la orden de llevar el cinturón de seguridad, y ACCIDENTESM73 es el número de accidentes mortales producidos menos 73. Los valores se han observado mensualmente desde Diciembre de 1989. De acuerdo a los modelos propuestos responder justificadamente a las siguientes preguntas (α=0'05): a) ¿El uso del cinturón de seguridad es efectivo?. (0'6p) b) ¿Se producen menos muertos por accidente tras la entrada en vigor de la norma?. (0'6p) Multiple Regression Analysis TABLA P.1_I VICTIMASM=β0+β1CINTURÓN+β2ACCIDENTESM73+β3CINTURON*ACCIDENTESM73+U -----------------------------------------------------------------------------Dependent variable: VICTIMASM -----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value -----------------------------------------------------------------------------Error Estadístico Parámetro Estimación estándar T P-Valor ----------------------------------------------------------------------------CONSTANTE 79,06 0,741815 106,576 0,0000 CINTURON 19,2512 1,06096 18,145 0,0000 ACCIDENTESM73 1,05298 0,0416499 25,2816 0,0000 CINTURON*ACCIDENTESM73 -0,0459179 0,0753454 -0,609431 0,5443 -----------------------------------------------------------------------------Analysis of Variance TABLA P.1_II VICTIMASM=β0+β1CINTURÓN+β2ACCIDENTESM+β3CINTURON*ACCIDENTESM+U ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Modelo 9136,74 3 3045,58 302,96 0,0000 Residuo 683,581 68 10,0527 ----------------------------------------------------------------------------Total (Corr.) 9820,32 71 Análisis de Varianza TABLA P.1_III VICTIMASM=γ0+γ1ACCIDENTESM+U ----------------------------------------------------------------------------Fuente Suma de cuadrados GL Cuadrado medio Cociente-F P-Valor ----------------------------------------------------------------------------Modelo 5704,85 1 5704,85 97,03 0,0000 Residuo 4115,47 70 58,7925 ----------------------------------------------------------------------------Total (Corr.) 9820,32 71 18/04/2007 - 3 EXAMEN DE ECONOMETRÍA a) ¿El uso del cinturón de seguridad es efectivo?. Para determinar si tiene algún efecto el cinturón de seguridad se debe probar si los parámetros que miden las diferencias entre el antes y el después de aprobar la norma, β1 y β3, son cero. Si no fueran simultáneamente cero querría decir que la relación entre el número de víctimas mortales y el número de accidentes mortales se vería afectada por la medida de llevar el cinturón. Atendiendo al signo de los parámetros, se podría admitir lo adecuado de la medida. VICTIMASM=β0+β1CINTURÓN+β2ACCIDENTESM+β3CINTURON*ACCIDENTESM+U Para responder se realizará la prueba para un conjunto de parámetros, con los datos disponibles en la TABLA P.1_II y TABLA P.1_III. H0 β1 = β3 =0; el uso del cinturón no influye en la relación entre el número de muertos y el de accidentes. H1 al menos un parámetro es distinto de cero; el uso del cinturón influye en la relación entre el número de muertos y el de accidentes. La prueba es Fcalc ' Fcalc ' ∆ SCR / s / Fs, n&k&1 SCRc / (n&k&1) (4115)47&683)581) / 2 ' 170)69 10,0527 0)05 Fs, n&k&1 ' F2 , 68 ; F2 , 68 ' 3)13 0)05 Como Fcalc ' 170)69 > F2 68 ' 3)13 se rechaza la hipótesis nula y se acepta que el uso del cinturón influye en la relación entre el número de muertos y el de accidentes. La siguiente cuestión es determinar la forma en que influye el llevar el cinturón. Se debe comprobar si β1 y β3 son distintos de cero y su signo. Se realiza la prueba para determinar si su valor es cero. Lo más cómodo es utilizar el P-value para realizar la prueba t en la TABLA P.1_I. H0 β1 = 0 H0 β1 … 0 Como P-value = 0'000 > 0'05 se debe rechazar la hipótesis nula y el parámetro es distinto de cero. Dada que su estimación es de 19'25 muertos, el número de muertos dado un número de accidentes es mayor si se utiliza el cinturón de seguridad. H0 β3 = 0 H0 β3 … 0 Como P-value = 0'5443 > 0'05 se debe aceptar la hipótesis nula y que el número de muertos por accidente es el mismo, no importa si se utiliza el cinturón de seguridad. Por lo tanto la conclusión sería que el uso del cinturón ha provocado un aumento en el número de muertos por accidente de tráfico. La lógica parece dictar lo contrario, por lo que uno debe plantearse si lo que se está midiendo es el efecto de otra circunstancia que nada tiene que ver con el uso del cinturón. En las vacaciones de Pascua del primer año del carnet por puntos (2007), el número de muertos ha aumentado, justo el efecto contrario que se pretendía conseguir. Parece lógico pensar que el carnet por puntos no haya sido la causa de este aumento y lo mismo ocurre ahora. b) ¿Se producen menos muertos por accidente tras la entrada en vigor de la norma?. En el modelo planteado, el parámetro β3 mide la diferencia de número de muertos por accidente en el caso de utilizar el cinturón respecto al caso de no utilizarlo. Para comprobar si el promedio de muertos por accidente en ambos casos son diferentes, y el sentido en que lo son, se realizará una prueba de hipótesis para averiguar si su valor es cero. Lo más cómodo es utilizar el P-value para realizar la prueba t en la TABLA P.1_I. H0 β3 = 0 H0 β3 … 0 Como P-value = 0'5443 > 0'05 se debe aceptar la hipótesis nula y que el número de muertos por accidente es el mismo, no importa si se utiliza el cinturón de seguridad. 18/04/2007 - 4 EXAMEN DE ECONOMETRÍA P2 Proponer un par de modelos ARIMA para la serie mensual exportaciones de bienes en España. Para conseguir la estacionariedad se ha tomado una diferencia regular, una diferencia estacional de periodo 12 y logaritmos. (1'5p) FAS de EXPBIENES FAP de EXPBIENES 1 1 0,6 0,6 0,2 0,2 -0,2 -0,2 -0,6 -0,6 -1 -1 0 4 8 12 16 Reatardo 20 24 28 Figura P2.I 0 4 8 12 16 20 Retardo 24 28 Figura P2.II Para proponer los modelos de la serie es necesario proponer modelos para cada una de sus partes, regular y estacional. Analizaremos la FAS y FAP de la serie diferenciada y propondremos modelos. PARTE REGULAR Como en la FAS (FIGURA P2.I) se tiene que el primer coeficiente de autocorrelación simple es distinto de cero (ρ1…0) al sobrepasar el límite de la prueba de hipótesis, se puede proponer un modelo MA(1). A continuación se verificará que resulta adecuado: Como se trata de un MA(1) con coeficiente de autocorrelación simple negativo (ρ1<0), en la FAP deberían observarse coeficientes de autocorrelación parcial negativos con crecimiento exponencial a cero, como así se observa en los cuatro primeros coeficientes de autocorrelación parcial de la FIGURA P2.II. Puesto que la serie es estacional, se analiza ahora la interacción de la parte regular y la estacional: L En la FAS (FIGURA P2.I), y alrededor del retardo estacional (ρ12) debería observarse la FAS del modelo elegido, un MA(1). Por lo tanto se debe observar dos coeficientes de autocorrelación simple, retardos 11 y 13, que deben ser mayores que los adyacentes, como así es. L En la FAP (FIGURA P2.II), y a la izquierda del retardo estacional (α12) debería observarse la FAS del modelo elegido (un MA(1)), el coeficiente de autocorrelación parcial de retado 11 debe ser mayor que el 10 y anteriores. En este caso no sólo es mayor, sino que incluso es significativo. Por otra parte, a la derecha del retardo estacional (13 y siguientes) debería observarse la FAP del modelo propuesto, es decir, coeficientes de autocorrelación parcial negativos con crecimiento exponencial a cero. Son negativos y crecen a cero, como debe ser. En resumen, se puede decir que un MA(1) para la parte regular podría considerarse adecuado. Este modelo no es el único que puede proponerse para la parte regular observando la FAS. Como en la FAS (FIGURA P2.I) se tiene que el segundo coeficiente de autocorrelación simple está bastante próximo a ser distinto de cero se podría proponer un modelo MA(2). A continuación se verificará que resulta adecuado: 18/04/2007 - 5 EXAMEN DE ECONOMETRÍA Como se trata de un MA(2) con el primer coeficiente de autocorrelación simple negativo (ρ1<0) y el segundo positivo (ρ2>0), en la FAP deberían observarse coeficientes de autocorrelación parcial que inicialmente son negativos, luego positivos y vuelven a ser negativos formando una onda con crecimiento exponencial a cero. No se observa esto en la FIGURA P2.II. Puesto que la serie es estacional, se debe analizar la interacción de la parte regular y la estacional: L En la FAS (FIGURA P2.I), y alrededor del retardo estacional (ρ12) debería observarse la FAS del modelo elegido, un MA(2). Por lo tanto se debe observar dos coeficientes de autocorrelación simple, retardos 10 y 11, que deben ser mayores que los adyacentes y de signo contrario uno del otro, como así es. También debe ocurrir esto a la derecha, retardos 13 y 14, y así es. L En la FAP (FIGURA P2.II), y a la izquierda del retardo estacional (α12) debería observarse la FAS del modelo elegido (un MA(2)), los coeficiente de autocorrelación parciales de retado 10 y 11 deben ser mayor que los anteriores y con signo contario, como así es. Por otra parte, a la derecha del retardo estacional (13 y siguientes) debería observarse la FAP del modelo propuesto, es decir, coeficientes de autocorrelación parcial negativos con cambio de signo y una onda con decrecimiento exponencial a cero. No se aprecia este comportamiento. En resumen, se puede decir que un MA(2) para la parte regular podría considerarse adecuado. Finalmente en lo que respecta a la parte regular, observando la FAP (FIGURA P2.II), puede verse que los tres primeros coeficientes de autocorrelación parcial son distintos de cero. El modelo bebería ser un AR(3), pero dado que el orden es muy elevado no parece que resulte ser adecuado. PARTE ESTACIONAL Como en la FAS (FIGURA P2.I) se tiene que el decimosegundo coeficiente de autocorrelación simple es distinto de cero (ρ12…0) se puede proponer un modelo MA(1) para la parte estacional. Como se trata de un MA(1) con coeficiente de autocorrelación simple negativo (ρ12<0), en la FAP deberían observarse coeficientes de autocorrelación parcial negativos con crecimiento exponencial a cero, como así se observa en los dos primeros coeficientes (retardos 12 y 24) de la FIGURA P2.II. El modelo podría considerarse adecuado. Observando la FAP (FIGURA P2_II), puede verse que el decimosegundo coeficiente de autocorrelación parcial es distinto de cero (α12…0). Por lo tanto se puede proponer un AR(1) para la parte estacional. Como se trata de un AR(1) con coeficiente de autocorrelación parcial negativo (α12<0), en la FAS deberían observarse coeficientes de autocorrelación simple que alternan el signo con convergencia exponencial a cero, cuestión que se observa en los retardos 12 (negativo) y 24 (positivo). Los modelos que se proponen para la serie se obtienen combinando los modelos de la parte regular, MA(1) y MA(2), y los modelo de la parte estacional MA(1) y AR(1). REGULAR ESTACIONAL MODELO MA(1) MA(1) (0,1,1)(0,1,1)12 MA(2) MA(1) (0,1,2)(0,1,1)12 MA(1) AR(1) (0,1,1)(1,1,0)12 MA(2) AR(1) (0,1,1)(1,1,0)12 18/04/2007 - 6 EXAMEN DE ECONOMETRÍA P3 El consumo final puede explicarse mediante el producto nacional bruto, de acuerdo al modelo siguiente Consumot ' β0 % β1 PNBt % β2 Consumot&1 % Ut donde β0 es el consumo autónomo, β1 es la propensión marginal a consumir a corto plazo y β2 / (1 & β1 ) es la propensión marginal a consumir a largo plazo. Los datos disponibles para el caso de España se observan anualmente desde 1971 a 1997, y son el CONSUMO en millones de euros y el PNBd, con PNBd=PNB-10000 en millones de euros. Se ha realizado el ajuste del modelo cuyos resultados aparecen en las tablas siguientes. a) Significado de los parámetros del modelo presentado, en términos sencillos que pueda entender cualquier persona. (0'9p) b) ¿Puede admitirse la normalidad del error en el modelo ajustado?. Justifica la respuesta. (0'4p) c) ¿Puede admitirse la incorrelación del error en el modelo ajustado?. Justifica la respuesta. (0'4p) d) Expresión del modelo necesario para estimar correctamente los parámetros. (0'8p) e) Calcula las propensiones marginales a consumir a corto y largo plazo. (0'6p) f) Estima el consumo en el año 1998 si el PNB esperado es de 500000 millones de euros. (0'3p) a) Significado de los parámetros del modelo presentado, en términos sencillos que pueda entender cualquier persona. Consumot ' β0 % β1 PNBt % β2 Consumot&1 % Ut - β0 promedio del consumo final cuando el producto nacional bruto de ese mismo año es de 10000 millones de euros y el consumo final del año anterior fue cero. - β1 incremento del promedio del consumo final por cada millón de euros que aumenta el producto nacional bruto, dado un consumo del año anterior. - β2 incremento del promedio del consumo final cuando el año anterior se produjo un aumento de un millón de euros en el consumo final, dado un producto nacional bruto. b) ¿Puede admitirse la normalidad del error en el modelo ajustado?. Justifica la respuesta. La Figura P3.I es el papel probabilístico normal de los residuos. En este gráfico se puede ver que los residuos están alineados, por lo que se puede admitir que el error tiene distribución normal. 18/04/2007 - 7 EXAMEN DE ECONOMETRÍA c) ¿Puede admitirse la incorrelación del error en el modelo ajustado?. Justifica la respuesta. Para determinar si existe incorrelación en el error se deben obtener las funciones de autocorrelación simple y parcial de los residuos. Estos gráficos aparecen en las figuras P3.II y P3.III. En ellas puede verse que el primer coeficiente de autocorrelación simple y parcial sobrepasan el límite de la prueba de hipótesis, por lo que se puede admitir que son distintos de cero y que existe autocorrelación. Dado que es el primer coeficiente de autocorrelación, el error tiene autocorrelación de primer orden. d) Expresión del modelo necesario para estimar correctamente los parámetros. Dado que el modelo tiene autocorrelación de primer orden, es necesario estimar correctamente los parámetros del modelo mediante algún método adecuado. El método utilizado habitualmente, el de Cochrane-Orcutt, exige la estimación del siguiente modelo: Consumot & ρ1 Consumot&1 ' β0 (1 & ρ1) % β1 (PNB t & ρ1 PNBt&1) % β2 (Consumot&1&ρ1 Consumot&2) % Ut ´ e) Calcula las propensiones marginales a consumir a corto y largo plazo. Para el cálculo de las propensiones marginales al consumo son necesarias las estimaciones correctas de los parámetros del modelo, estimaciones que se encuentran en la TABLA P.3_III. Allí puede verse que los P-valor de los parámetros β1 y β2 son 0'0000 y 0'0010 respectivamente, ambos inferiores al 5% y por lo tanto significativos. Las estimaciones son b1=0'57577 y b2=0'291362 ambas adimensionales. La estimación de la propensión marginal a consumir a corto plazo es de 0'57577, el valor del parámetro β1. Para el cálculo de la propensión marginal a consumir a largo plazo se utiliza la expresión del enunciado, mediante las estimaciones de β1 y β2. En este caso se debe tomar la precaución de averiguar si β1es distinto de 1 o no lo es, puesto que aparece en el denominador de la expresión restando a la unidad. Si ese fuera su valor se estaría dividiendo por cero. H0 β1 = 1 H1 β1 … 1 tcalc ' b1 & 1 sb 1 α/2 / tgdlr si tcalc # tgdlr se acepta H0, con tcalc = (0'57577-1)/0'0592876 = -7'155 y t220'025 = 2'07 como |tcalc|= 7'155 > t220'025 = 2'07 se acepta que la estimación no es la unidad y se procede al cálculo de la propensión marginal a consumir a largo plazo como 0'291362/(1-0'57577) = 0'6868. Ambas propensiones marginales son adimensionales. f) Estima el consumo en el año 1998 si el PNB esperado es de 500000 millones de euros. Para estimar el consumo esperado en el año 1998 se debe sustituir en el modelo corregido propuesto en el apartado d). Consumot & ρ1 Consumot&1 ' β0 (1 & ρ1) % β1 (PNB t & ρ1 PNBt&1) % β2 (Consumot&1&ρ1 Consumot&2) % Ut ´ Con ρ1=0’492114 en TABLA P.3_III, los valores pasados del consumo y del PNB en la TABLA P.3_V y las estimaciones de los parámetros (todos los p-valor inferiores al 5%) en TABLA P.3_III. Consumo = 0’492114*365784,95 + 7419'31*(1-0’492114) + 0'57577*((500000-10000)0’492114*(461346,89-10000)) + 0'291362*(365784,95-0’492114* 348130'8) = 394676'39 millones de euros. La estimación del consumo con el modelo original y los parámetros estimados no produce un resultado correcto. 18/04/2007 - 8 EXAMEN DE ECONOMETRÍA Multiple Regression Analysis TABLA P.3_I ----------------------------------------------------------------------------Dependent variable: CONSFINt ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------CONSTANT 6818,69 600,416 11,3566 0,0000 PNBdt 0,577229 0,0515643 11,1944 0,0000 CONSFINt1 0,293375 0,0673 4,35922 0,0002 ----------------------------------------------------------------------------Analysis of Variance TABLA P.3_II ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 3,33203E11 2 1,66601E11 48291,57 0,0000 Residual 7,93478E7 23 3,44991E6 ----------------------------------------------------------------------------Total (Corr.) 3,33282E11 25 R-squared = 99,9762 percent R-squared (adjusted for d.f.) = 99,9741 percent FAS de RESIDUOS PAPEL NORMAL de RESIDUOS 99,9 99 95 80 50 20 5 1 0,1 -3700 -1700 300 2300 RESIDUOS Figura P3.I 4300 6300 FAP de RESIDUOS 1 1 0,6 0,6 0,2 0,2 -0,2 -0,2 -0,6 -0,6 -1 -1 0 2 4 6 Retardo Figura P3.II 8 10 0 2 4 6 8 10 Retardo Figura P3.III Multiple Regression Analysis TABLA P.3_III ----------------------------------------------------------------------------Dependent variable: CONSFINt Cochrane-Orcutt transformation applied: autocorrelation = 0,492114 ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------CONSTANT 7419,31 1108,4 6,69368 0,0000 PNBdt 0,57577 0,0592876 9,71147 0,0000 CONSFINt1 0,291362 0,0768808 3,78979 0,0010 ----------------------------------------------------------------------------Analysis of Variance TABLA P.3_IV ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 8,76444E10 2 4,38222E10 17008,05 0,0000 Residual 5,66842E7 22 2,57655E6 ----------------------------------------------------------------------------Total (Corr.) 8,77011E10 24 R-squared = 99,9354 percent R-squared (adjusted for d.f.) = 99,9295 percent TABLA P.3_V AÑO CONSFIN PNB 1996 348130,80 437859,19 1997 365784,95 461346,89 18/04/2007 - 9 EXAMEN DE ECONOMETRÍA P4 Se desea ajustar un modelo ARIMA para explicar la evolución del ÍNDICE DE PRODUCCIÓN TEXTIL. Para ello se dispone de dicho índice observado mensualmente en España desde Enero de 1998 hasta Marzo de 2002 a) Expresión del modelo ARIMA ajustado en notación de retardos, teniendo en cuenta que se han tomado una diferencia regular, una diferencia estacional y logaritmos para conseguir la estacionariedad de la serie. (0'2p) b) Explica la dependencia del índice de producción con su pasado, de acuerdo al modelo ajustado. (0'2p) c) Verificar si son significativos los parámetros del modelo. (0'6p) d) Determinar si el residuo es un ruido blanco, detallando todas las pruebas de hipótesis realizadas para la comprobación. (2'5p) Estimation Validation Statistic Period Period TABLA P.4_I -------------------------------------------RMSE 0,0811623 ME 0,000267239 ARIMA Model Summary TABLA P.4_II Parameter Estimate Stnd. Error t P-value ---------------------------------------------------------------------------MA(1) 0,858001 0,0749028 11,4549 X SMA(1) 0,558298 0,12129 4,603 X ---------------------------------------------------------------------------Estimated white noise variance = 0,00736597 with X degrees of freedom Estimated white noise standard deviation = 0,0858252 Multiple Regression Analysis TABLA P.4_III ----------------------------------------------------------------------------Dependent variable: RESID011011^2 ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------CONSTANT 0,0253707 0,00895033 2,83461 0,0075 TEXTIL -0,000251667 0,000116589 -2,15858 X ----------------------------------------------------------------------------Multiple Regression Analysis TABLA P.4_IV ----------------------------------------------------------------------------Dependent variable: RESID011011^2 ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------CONSTANT 0,00129764 0,0040705 0,318792 0,7517 Tiempo 0,000152091 0,000118673 1,2816 0,2082 ----------------------------------------------------------------------------- a) Expresión del modelo ARIMA ajustado en notación de retardos, teniendo en cuenta que se han tomado una diferencia regular, una diferencia estacional y logaritmos para conseguir la estacionariedad de la serie. El modelo ajustado, a falta de determinar si los parámetros son significativos, sería: ( 1 & B )2 ( 1 & B 12 ) log IPtextil t ' ( 1 & 0)858001 B ) ( 1 & 0)558298 B 12 ) εt 18/04/2007 - 10 EXAMEN DE ECONOMETRÍA FAS de RESID011011 PAPEL NORMAL DE RESID011011 99,9 99 95 80 50 20 5 1 0,1 -0,17 FAP de RESID011011 ARIMA(0,1,1)x(0,1,1)12 ARIMA(0,1,1)x(0,1,1)12 ARIMA(0,1,1)x(0,1,1)12 1 1 0,6 0,6 0,2 0,2 -0,2 -0,2 -0,6 -0,6 -1 -1 -0,07 0,03 0,13 0,23 0 3 6 9 12 15 0 Retardo Residuo Figura P4.I Figura P4.II 3 6 9 12 15 Retardo Figura P4.III b) Explica la dependencia del índice de producción con su pasado, de acuerdo al modelo ajustado. El modelo ajustado es, del apartado anterior: ( 1 & B )2 ( 1 & B 12 ) log IPtextil t ' ( 1 & 0)858001 B ) ( 1 & 0)558298 B 12 ) εt por lo que el índice de producción textil de un mes depende del índice del mes anterior, del valor del índice en el mismo mes del año anterior, y depende de la situación económica del mismo mes, de la que hubo en el mes anterior y de la del mismo mes pero del año anterior. c) Verificar si son significativos los parámetros del modelo. Para determinar si los parámetros son significativos realizaremos la siguiente prueba de hipótesis H 0 ψi = 0 H 1 ψi … 0 tcalc ' ψ̂i sf i α/2 / tgdlr si tcalc # tgdlr se acepta H0, o bien si P-Value $α se acepta H0 Los valores necesarios para realizar la prueba se encuentran en la TABLA P.4_II. En este caso se debe realizar la prueba basándose en el estadístico t. Para poder realizar la prueba es necesario conocer los grados de libertad del error, gdlR=[(4*12+3)-1-1*12]-2=38-2=36, ya que en todos los casos se trata de una t36. Si se miran las tablas de la t , t360'025 = 2'028 Parámetro θ1 : H0 θ1=0 H1 θ1…0 El estadístico calculado tiene como valor 11'4549. Como # tclac# =11'4549 > t360'025 = 2'028 se rechaza H0 y se acepta que θ1 es significativo, con valor θ1 = 0'858001. Parámetro Θ1 : H0 Θ1=0 H1 Θ1…0 El estadístico calculado tiene como valor 4'603. Como # tclac# =4'603 > t360'025 = 2'028 se rechaza H0 y se acepta que Θ1 es significativo, con valor Θ1 = 0'558298. d) Determinar si el residuo es un ruido blanco, detallando todas las pruebas de hipótesis realizadas para la comprobación. Para que el error sea un ruido blanco se deben cumplir las siguientes cuatro condiciones: 1) E(εt)=0 2) Var(εt)=cte 3) Cov(εt,εt-k)=0 4) Distribución normal de εt 18/04/2007 - 11 EXAMEN DE ECONOMETRÍA A continuación realizamos las pruebas para comprobar cada una de las condiciones: 1) Para determinar si el valor medio del error es cero, E(εt)=0, se utiliza la prueba: H0 E(εt)=0 H1 E(εt)…0 Si ε 0 [&z α/2 σ̂ε , z α/2 T σ̂ε ] entonces se acepta H0. T Los valores para realizar la prueba los encontramos en distintas tablas: ε = ME = 0'000267239 (TABLA P.4_I) σ̂ε = 0'0858252 (TABLA P.4_II) T = 4*12+3-1-1x12 = 38 Z0'025=1'96 Tabla de la Normal tipificada el límite del intervalo se calcula como z "/2 F$ ,/ T = 1'96 0'0858252 / o38 = 0'02729 y como el valor medio del residuo 0'000267239 pertenece a la región de aceptación de la prueba [-0'02729,0'02729], se debe aceptar que el valor medio del error es cero ( H0 ) 2) Homocedasticidad del error, Var(εt)=cte Si la varianza no depende ni del tiempo ni del índice de producción textil se podrá admitir que la varianza del error es constante. Para determinar si la varianza del error depende del tiempo se debe realizar el ajuste por regresión del residuo al cuadrado frente al tiempo y para determinar si la varianza del error depende del índice de producción textil se realizará el ajuste de regresión del cuadrado del residuo frente a la propia variable estudiada En la TABLA P.4_III se presentan los resultados del ajuste del cuadrado de los residuos frente al índice de producción textil. En este caso se debe realizar la prueba de significatividad del parámetro que acompaña a la variable explicativa por medio del estadístico t. Para realizar la prueba es necesario conocer el estadístico de tablas, y para ello es necesario determinar los grados de libertad del ajuste. El número de residuos utilizados en el ajuste son de n = 4*12+3-1-1x12 = 38, y dado que existe una sola variable explicativa los grados de libertad del residuo son de n-k-1 = 38-1-1 = 36. Como t360'025 = 2'028 y este valor es menor que el módulo del tcalc, 2'15858, se debe aceptar que el parámetro es significativo y que el índice de precios textiles explica la varianza del error. En la P.4_IV se presentan los resultados del ajuste del cuadrado de los residuos frente al tiempo. El P-Valor del parámetro que acompaña al tiempo es de 0'0956. Como P-Valor=0'0956>0'05 debería admitirse que la varianza del error no depende del tiempo. Dado que la varianza del error depende de la propia variable estudiada, se debe admitir que la varianza del error no es constante y que existe heterocedasticidad. 3) Incorrelación del error consigo mismo, Cov(εt,εt-k)=0 El error no debe estar correlacionado consigo mismo. Para comprobar esto se debe observar la FAS de los residuos (Fig.P.4_I) y también la FAP (Fig.P.4_II). En ambos gráficos se observa que ningún coeficiente de autocorrelación sobrepasa el límite de la prueba de hipótesis para saber si son significativos, por lo que ningún coeficiente de autocorrelación simple o parcial es distinto de cero y se debe aceptar la incorrelación del error. 4) Distribución normal del error En la Fig.P.4_I se presenta el papel probabilístico normal de los residuos. Dado que los residuos aparecen más o menos alineados, es posible admitir que el error tiene distribución normal. 18/04/2007 - 12 EXAMEN DE ECONOMETRÍA Como no se cumplen las cuatro condiciones, dado que la varianza del error no es constante, y pese a que el valor medio es cero, existe incorrelación y distribución normal del error, se debe admitir que el error es un ruido blanco.