UNIVERSIDAD MAYOR DE SAN ANDRES

FACULTAD DE INGENIERIA
INGENIERIA INDUSTRIAL
IND 521 - ECONOMETRIA

GRUPO: 6
TEMA: PRODUCCION DE LECHE DE COCO

DOCENTE: MSc. ING. MARCELINO ALIAGA LIMACHI

INTEGRANTES:
UNIV. CABRERA MORALES OLIVER FERNANDO
UNIV. DURAN QUISPE ARTURO ADRIAN
UNIV. LEGUA ONOFRE GABRIEL FERNANDO

FECHA: 18 DE JUNIO DE 2021

LA PAZ - BOLIVIA
 PRODUCCION DE LECHE DE COCO
1. INTRODUCCION
Mediante el siguiente trabajo se verá la aplicación de conocimientos, conceptos y aplicaciones de la
materia de econometría, tomando como base de datos la tesis de: “PLANTA PROCESADORA
PARA LA OBTENCIÓN DE LA LECHE DE COCO”, de donde se obtuvo los datos a analizar, que
consta de 15 datos tomados entre 2005-2019.

Con los datos obtenidos se identificará las variables dependiente e independiente que se analizaran,
para así obtener el modelo econométrico que será objeto de estudio, mediante la validación
económica, estadística y econométrica, aplicado distintas técnicas y métodos.

2. ANTECEDENTES
El cocotero (Cocus nucifera) junto con la palma africana (Elaeis guineensis) son, probablemente, las
oleaginosas de mayor importancia en las regiones tropicales y subtropicales del mundo. Apreciado
por sus múltiples usos, el cocotero ha recibido numerosos nombres entre los que se encuentran: “árbol
de la vida”, “árbol del cielo”, “árbol de los cien usos”, “el árbol de la abundancia”, etc.

Si bien, la utilización del cocotero por parte del hombre tiene tras de sí una larga historia, el tema
sobre su origen sigue siendo un punto debatido. Acostumbrada la Agronomía y la Botánica a dirimir
estos temas a través del estudio de las especies silvestres, los estudiosos de dichas disciplinas se
enfrentan a un problema: el cocotero es una excepción, pues en la actualidad no se conocen
poblaciones espontáneas.

Frente a este hecho, a lo largo de los años se han propuesto diversas teorías, las que se han enfrentado
entre sí buscando el reconocimiento. En forma general, se pueden dividir en dos grandes corrientes.

Las que sostienen que su origen es americano. Entre estas mismas no existe consenso ya que mientras
algunos sostienen que el origen es sudamericano, ubicándose particularmente en los valles interiores
y las mesetas de los Andes; otros más indican que el punto de origen del coco es América Central,
desde donde las corrientes ecuatoriales del mar lo transportaron hacia las Islas del Pacífico. Los
argumentos que durante años sostuvieron dicha hipótesis fueron puestos en duda ante nuevos
descubrimientos

3. OBJETIVO GENERAL DEL ESTUDIO

Empezar a analizar a partir de las variables que se dará a conocer adelante se analizará el
comportamiento del modelo en los datos de 2005 y 2019 para luego establecer un modelo
econométrico consecuente de dichas variables. Ya teniendo el modelo también veremos con una
aproximación cual fue la incidencia de la elaboración de leche de coco.

4. OBJETIVO ESPECIFICOS DEL ESTUDIO

• Aplicar el método de mínimos cuadrados ordinarios para estimar los parámetros del modelo.
• Validar el modelo, mediante la validación, econométrica, estadística y económica.
• Verificar si existe problemas en las variables explicativas del modelo econométrico.
• Plantear soluciones coherentes al modelo

5. MEMORIA RESUMEN DEL PROCESO PRODUCTIVO

5.1 INSUMOS Y SUMINISTROS
Los subproductos no necesitan conservantes, como la fibra o sustrato y el bagazo solo tendrá un
tratamiento por secado. Los Ingredientes básicos para la leche de coco son: endospermo de coco, agua
de coco y agua tratada. A continuación, se muestra los insumos para la elaboración de la leche de
coco dados por la FAO4:

5.1.1 PROCESO DEL CONCENTRADO DE LA LECHE DE COCO

• El peso promedio de cada coco es de 2 (kg). Se cosecharán y recibirán cocos los cinco
• días de la semana y estos serán almacenados en una bodega de almacenamiento.
• El coco entero es colocado en los lavadores donde se realizará la limpieza. Se ha calculado
por cada coco se utiliza 0,003375 (m3) de agua.
• Pasa una clasificación manual donde se desechan los cocos dañados (tomándose un promedio
de 5 (%) en cocos dañados).
• El coco pasa por una perforadora donde se extrae el agua.
• Los cocos restantes pasan a un pelado con cuchillas especialmente para estos frutos
extrayendo la fibra o la cascara.
• Posteriormente los cocos pelados pasan a una autoclave para su esterilización que también
ayuda a separar la carne de la concha.
• Una vez pasado por la autoclave se procede al cortado de la concha por la mitad en una
maquina cortadora.
• Una vez cortado los cocos pasan por una cinta donde un operario extrae la copra o jane
manualmente, con el proceso que se realizó en la autoclave la extracción es mucho más fácil.
 • La pulpa o jane es rallada, para ser escaldada con agua una temperatura de 60 (°C) en tanque
con agitador por unos 10 (min), este proceso es necesario para poder extraer más leche de la
pulpa.
• La mezcla pasa por una prensa, obteniéndose así 2 subproductos, el bagazo y la leche de coco.
El bagazo representa y la leche.
• La leche obtenida pasa a un filtro donde se extraen las partículas más pequeñas de la leche
• Luego la leche pasa a una operación de masajeo donde se adiciona el benzoato de sodio 1.000
(mg/kg) y el mono-di glicéridos para evitar la separación de la grasa. Para luego ser filtrado.
• Posteriormente es transportada a un desairado donde se extrae el aire para evitar la oxidación
la leche.
• La leche desairada es sometida a un proceso de pasteurización a 70 (°C) por 20(segundos).
• La leche pasa un evaporador donde se concentra a un 70 (%).
• se espera hasta que se enfría a unos 55(°C) a 60(°C).
• Luego homogenizar para tener una característica consistente.
• Finalmente se coloca en recipientes de contención de 120 (lt) y almacenado a temperaturas
cálidas a bajo de 24 (°C).
5.1.2 PROCESO DE LA HARINA DE COCO
• Una vez obtenido el bagazo, se procede a un secador rotatorio para la extracción del agua o
humedad
• Una vez obtenida el bagazo seco, se procede a la molienda para obtener la harina.
• Para luego ser envasado, donde existe un llenador de saco y costurados que calcula el peso
exacto para el sellado en presentaciones de quintales.
• Posteriormente es almacenado, donde el acomodado debe de ser transpuesto cada fila de
bolsas de harina, para evitar las caídas de las bolsas en el futuro.

9.1.3 PROCESOS DE LA FIBRA Y POLVO

• Pelado o descascarado: se considera la primera etapa del proceso, ya que es donde se obtiene
la fibra y polvo de estopa de coco. En esta el coco puede ser fresco o seco. La operación es
obtenida ante la separación de la compra de la cáscara, mediante una descascaradora, la cual
opera triturando el fruto separando la cascara de la copra (no rompe la copra).
• Molienda: la operación consiste en triturar la estopa de coco. Su resultado en dicha trituración
o molido además de la fibra contiene residuos del epicarpio (la capa más externa de la estopa)
y vástago.
• Separado de fibra y polvo: se introduce la estopa de coco completa para ser molida, su
resultado de la operación es como se muestra en las siguientes imágenes, donde puede
contemplarse la forma en que se tiene la fibra y el polvo de estopa de coco, respectivamente.
• Desmenuzado de fibra: consiste en realizar un desprendimiento de la fibra enredada entre
ellas, puede desarrollarse se forma manual mediante uso de rastrillos.
• Cribado de fibra: Consiste en introducir la fibra desmenuzada para que esta tome sentido de
dirección y forma.
• Limpieza: consiste en limpiar la fibra con un efecto de fuerzas centrifugas haciendo que el
resto de virutas y/o escoria del epicarpio, vástago y polvo de estopa de coco.
• Embalado: el embalado de la fibra de estopa de coco es realizado posterior al prensado de la
misma, en el caso del polvo de estopa de coco, se hará en sacos de polipropileno
6. IDENTIFICACION DE LA POBLACION
El municipio de San Buenaventura tenía 8.711 habitantes, de quienes 4.091 eran hombres y 4.620
eran mujeres. Se toma en cuenta estos datos a la hora de contratar personal para los cultivos y
producción de una empresa en agroindustria. El Municipio de San Buenaventura cuenta con 3
cantones: San Buenaventura, donde está la capital de la segunda sección; Tumupasa y San José de
Uchupiamonas. La población de San Buenaventura y Tumupasa se encuentran ubicados a lo largo de
la carretera entre San Buenaventura e Ixíamas, en cambio la población de San José de Uchupiamonas
se sitúa en el corazón del Parque Nacional Madidi descrito en el Cuadro A-4, Anexo A. El estado de
la carretera, desde La Paz hasta Yolosa es asfaltado, de ahí hasta Rurrenabaque la carretera es
asfaltada por trechos. De San Buenaventura a Ixíamas, también el camino es ripiado, con una
distancia de 125 (km) que actualmente está en construcción. Recorriendo en su trayecto las
principales poblaciones de la región como Tumupasa. Durante la época de lluvias este camino es
interrumpido por el crecimiento de algunos ríos que generalmente tiene un caudal medio.

7. METODOLOGIA DE LA RECOPILACION DE INFORMACION

Los Datos recopilados para la estimación del modelo son de las gestiones de 2005-2019 estos datos
fueron tomados de una tesis de elaboración de coco es san Buenaventura. La investigación tener
enfoque cuantitativo de tipo descriptivo con diseño no experimental transversal ya que la recolección
de datos es en un único momento, que nos permite el análisis del comportamiento de San
Buenaventura de la elaboración de la leche de coco. Se recopilo información, atreves también de
documentos ya existentes, datos estadísticos y normativas modificatorias evidenciar la investigación
presente.

8. RECOPILACION, SELECCIÓN Y PRESENTACION DE LA INFORMACIÓN

Se obtuvo la información mediante al acopio de datos estadísticos tomados de las operaciones para
la elaboración de leche de coco, donde se puede encontrar 15 observaciones de las variables objeto
de nuestro análisis y estudio.
ESTIMACIÓN DE PARÁMETROS DEL MODELO

VARIABLE INDEPENDIENTE
• Y= MATERIA PRIMA REQUERIDA lt
VARIEBLES DEPENDIENTES
• X1= CONSERVANTES Kg
• X2= HARINA DE COCO Kg
• X3= FIBRA Kg
• X4=SUSTRATO Kg
• X5=EMULSIFICANTE Kg
Año Y X2 X3 X4 X5 X6
2005 108,789 398 74,943 94,887 210,945 548
2006 220,56 345 80,934 102,009 240,677 570
2007 348,789 467 97,667 119,678 280,899 590
2008 446,793 587 101,345 130,878 290,776 638
2009 517,877 601 116,623 145,156 302,888 650
2010 669,48 668 120,454 155,14 361,903 668
2011 841,422 840 151,391 194,984 454,85 840
2012 1035,942 1034 186,389 240,061 540,003 1034
2013 1255,503 1253 225,893 290,94 678,691 1253
2014 1375,073 1373 247,406 318,648 743,328 1373
2015 1481,343 1479 266,527 343,274 800,774 1479
2016 1595,824 1593 287,124 369,803 862,66 1593
2017 1719,154 1716 309,314 398,383 929,329 1716
2018 1852,014 1849 333,219 429,338 1001,149 1849
2019 1995,142 1992 358,971 462,338 1078,521 1992
Media:

∑ 𝑌 = 108,789 + 220,560 + 348,789 + 446,793 + 517,877 + 669,480 + 841,422 + 1035,942

+ 1255,503 + 1375,073 + 1481,343 + 1595,824 + 1719,154 + 1852,014 + 1995,142
= 15463,705
∑ 𝑌 15463,705
𝑌̅ = =
𝑛 15
𝑌̅ = 1034
Varianza:
∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
𝜎2 =
𝑛−1
 (108,789 − 15463,705)2 (220,560 − 15463,705)2 (348,789 − 15463,705)2
𝜎2 = + +
15 − 1 15 − 1 15 − 1
(446,793 − 15463,705)2 (517,877 − 15463,705)2 (669,480 − 15463,705)2
+ + +
15 − 1 15 − 1 15 − 1
(841,422 − 15463,705)2 (1035,942 − 15463,705)2 (1255,503 − 15463,705)2
+ + +
15 − 1 15 − 1 15 − 1
(1375,073 − 15463,705)2 (1481,343 − 15463,705)2 (1595,824 − 15463,705)2
+ + +
15 − 1 15 − 1 15 − 1
(1719,154 − 15463,705)2 (1852,014 − 15463,705)2 (1995,142 − 15463,705)2
+ + +
15 − 1 15 − 1 15 − 1

𝜎 2 = 393697,454

Desviación estándar: La desviación es la raíz de la variable entonces:

𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟 = √𝜎 2 = √393697,454 = 627,453

Mediana: Es el valor numérico de posiciones central:

𝑚𝑒𝑑𝑖𝑎𝑛𝑎 = 1035,942

Moda: Es el valor con mayor frecuencia en unas de las distribuciones de datos

𝑚𝑜𝑑𝑎 =

• Conservantes en kilogramos que esta sustancia utilizada como activo de alimentos detiene y
minimiza el deterioro causado por la presencia de diferentes tipos de microorganismos

Media:

∑ 𝑌 = 398 + 345 + 467 + 587 + 601 + 668 + 840 + 1034 + 1253 + 1373 + 1479 + 1593 + 1716
+ 1849 + 1992 = 16195
∑ 𝑌 16195
𝑌̅ = =
𝑛 15

𝑌̅ = 1079,6667
Varianza:
∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
2
𝜎 =
𝑛−1

(398 − 1079,6667)2 (398 − 1079,6667)2 (398 − 1079,6667)2 (398 − 1079,6667)2

𝜎2 = + + +
15 − 1 15 − 1 15 − 1 15 − 1
(398 − 1079,6667)2 (398 − 1079,6667)2 (398 − 1079,6667)2
+ + +
15 − 1 15 − 1 15 − 1
 (398 − 1079,6667)2 (398 − 1079,6667)2 (398 − 1079,6667)2 (398 − 1079,6667)2
+ + +
15 − 1 15 − 1 15 − 1 15 − 1
(398 − 1079,6667)2 (398 − 1079,6667)2 (398 − 1079,6667)2
+ + +
15 − 1 15 − 1 15 − 1
(398 − 1079,6667)2
+
15 − 1
𝜎 2 = 317772,524

Desviación estándar: La desviación es la raíz de la variable entonces:

𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟 = √𝜎 2 = √317772,524 = 563,7132
𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟 = 𝜎 = 563,7132
Mediana: Es el valor numérico de posiciones central:
𝑚𝑒𝑑𝑖𝑎𝑛𝑎 = 1034
Moda: Es el valor con mayor frecuencia en unas de las distribuciones de datos
𝑚𝑜𝑑𝑎 = −
HARINA DE COCO (Kg)
Media:

∑ 𝑌 = 74,943 + 80,934 + 97,667 + 101,345 + 116,623 + 120,454 + 151,391 + 186,389 + 225,893

+ 247,406 + 266,527 + 287124 + 309,314 + 333,219 + 358,971 = 2958,2

∑ 𝑌 2958,2
𝑌̅ = =
𝑛 15
𝑌̅ = 197,2133
Varianza:
∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
𝜎2 =
𝑛−1
(74,943 2 (80,934 2 (97,667 − 197,2133)2
− 197,2133) − 197,2133)
𝜎2 = + +
15 − 1 15 − 1 15 − 1
(101,345 − 197,2133)2 (116,623 − 197,2133)2 (120,454 − 197,2133)2
+ + +
15 − 1 15 − 1 15 − 1
(151,391 − 197,2133)2 (186,389 − 197,2133)2 (225,893 − 197,2133)2
+ + +
15 − 1 15 − 1 15 − 1
(247,406 − 197,2133)2 (266,527 − 197,2133)2 (287124 − 197,2133)2
+ + +
15 − 1 15 − 1 15 − 1
(309,314 − 197,2133)2 (333,219 − 197,2133)2 (358,971 − 197,2133)2
+ + +
15 − 1 15 − 1 15 − 1

𝜎 2 = 9688,1829
Desviación estándar: _ La desviación es la raíz de la variable entonces:
𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟 = √𝜎 2 = √9688,1829 = 98,4286
𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟 = 𝜎 = 98,4286
Mediana: Es el valor numérico de posiciones central:
𝑚𝑒𝑑𝑖𝑎𝑛𝑎 = 186,389
Moda: Es el valor con mayor frecuencia en unas de las distribuciones de datos
𝑚𝑜𝑑𝑎 = −
FIBRA
Media:

∑ 𝑌 = 94,887 + 102,009 + 119,678 + 130,878 + 145,156 + 155,14 + 194,984 + 240,061 + 290,94

+ 318,648 + 343,274 + 369,803 + 398,383 + 429,338 + 462,338 = 3795,517

∑ 𝑌 3795,517
𝑌̅ = =
𝑛 15
𝑌̅ = 253,0345
Varianza:
∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
𝜎2 =
𝑛−1
(94,887 2 (102,009 2 (119,678 − 253,0345)2
− 253,0345) − 253,0345)
𝜎2 = + +
15 − 1 15 − 1 15 − 1
(130,878 − 253,0345)2 (145,156 − 253,0345)2 (155,14 − 253,0345)2
+ + +
15 − 1 15 − 1 15 − 1
(194,984 − 253,0345) 2 (240,061 − 253,0345) 2 (290,94 − 253,0345)2
+ + +
15 − 1 15 − 1 15 − 1
(318,648 − 253,0345)2 (343,274 − 253,0345)2 (369,803 − 253,0345)2
+ + +
15 − 1 15 − 1 15 − 1
(398,383 − 253,0345) 2 (429,338 − 253,0345) 2 (462,338 − 253,0345)2
+ + + =
15 − 1 15 − 1 15 − 1
𝜎 2 = 16344,4179
Desviación estándar: La desviación es la raíz de la variable entonces:

𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟 = √𝜎 2 = √16344,4179 = 127,8453

𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟 = 𝜎 = 127,8453
Mediana: Es el valor numérico de posiciones central:
𝑚𝑒𝑑𝑖𝑎𝑛𝑎 = 240,061
Moda: Es el valor con mayor frecuencia en unas de las distribuciones de datos
𝑚𝑜𝑑𝑎 = −
SUSTRATO
Media:

∑ 𝑌 = 210,945 + 240,677 + 280,89 + 290,776 + 302,888 + 361,903 + 454,85 + 540,003 + 678,691

+ 743,328 + 800,774 + 864,66 + 929,329 + 1001,149 + 1078,521 = 8777,521

∑ 𝑌 8777,521
𝑌̅ = =
𝑛 15
𝑌̅ = 585,1595
Varianza:
∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
𝜎2 =
𝑛−1

(210,945 − 585,1595)2 (240,677 − 585,1595)2 (280,89 − 585,1595)2

𝜎2 = + +
15 − 1 15 − 1 15 − 1
(290,776 − 585,1595)2 (302,888 − 585,1595)2 (361,903 − 585,1595)2
+ + +
15 − 1 15 − 1 15 − 1
(454,85 − 585,1595) (540,003 − 585,1595) (678,691 − 585,1595)2
2 2
+
15 − 1 15 − 1 15 − 1
(743,328 − 585,1595)2 (800,774 − 585,1595)2 (864,66 − 585,1595)2
+ +
15 − 1 15 − 1 15 − 1
(929,329 − 585,1595) 2 (1001,149 − 585,1595)2 (1078,521 − 585,1595)2
+ + +
15 − 1 15 − 1 15 − 1

𝝈𝟐 = 𝟗𝟏𝟑𝟑𝟐, 𝟎𝟏𝟏𝟏
Desviación estándar: La desviación es la raíz de la variable entonces:
𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟 = √𝜎 2 = √91332,0111 = 302,2119
𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟 = 𝜎 = 302,2119
Mediana: Es el valor numérico de posiciones central:
𝒎𝒆𝒅𝒊𝒂𝒏𝒂 = 𝟓𝟒𝟎, 𝟎𝟎𝟑
Moda: Es el valor con mayor frecuencia en unas de las distribuciones de datos
𝒎𝒐𝒅𝒂 = −
EMULSIFICANTE
Media:

∑ 𝑌 = 548 + 570 + 590 + 638 + 650 + 668 + 840 + 1034 + 1253 + 1373 + 1479 + 1593 + 1716
+ 1849 + 1992 = 16793

∑ 𝑌 167931
𝑌̅ = =
𝑛 15
𝑌̅ = 1119,5333
Varianza:
∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
𝜎2 =
𝑛−1

(548 − 1119,5333)2 (570 − 1119,5333)2 (590 − 1119,5333)2 (638 − 1119,5333)2

𝜎2 = + + +
15 − 1 15 − 1 15 − 1 15 − 1
(650 − 1119,5333)2 (668 − 1119,5333)2 (840 − 1119,5333)2
+ + +
15 − 1 15 − 1 15 − 1
(1034 − 1119,5333)2 (1253 − 1119,5333)2 (1373 − 1119,5333)2
+ + +
15 − 1 15 − 1 15 − 1
(1479 − 1119,5333)2 (1593 − 1119,5333) (1716 − 1119,5333)2
2
+ +
15 − 1 15 − 1 15 − 1
(1849 − 1119,5333)2 (1992 − 1119,5333)2
+ +
15 − 1 15 − 1
 𝜎 2 = 266803,838
Desviación estándar: La desviación es la raíz de la variable entonces:
𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟 = √𝜎 2 = √266803,838 = 516,5306
𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟 = 𝜎 = 516,5306
Mediana: Es el valor numérico de posiciones central:
𝒎𝒆𝒅𝒊𝒂𝒏𝒂 = 𝟏𝟎𝟑𝟒
Moda: Es el valor con mayor frecuencia en unas de las distribuciones de datos
𝒎𝒐𝒅𝒂 = −
9. CUADRO RESUMEN
PRODUCCION CONSERVANTES HARINA DE FIBRA (KG) SUSTRATO
DE LECHE DE KG COCO (KG) (KG)
COCO LT
MEDIA 1034 1079,6667 197,2133 253,0345 585,1595
MEDIANA 1035,942 1034 186,389 240,061 540,003
MODA - - - - -
DESVIACION 627,453 563,7132 98,4286 127,8453 302,2119
ESTANDAR
VARIANZA 393697,454 317772,524 9688,1829 16344,4179 91332,0111

10. ESPECIFICACIÓN DEL MODELO ECONOMÉTRICO

VARIABLE INDEPENDIENTE
• Y= MATERIA PRIMA REQUERIDA lt
VARIEBLES DEPENDIENTES
• X1= CONSERVANTES Kg
• X2= HARINA DE COCO Kg
• X3= FIBRA Kg
• X4=SUSTRATO Kg
• X5=EMULSIFICANTE Kg
Año Y X2 X3 X4 X5 X6
2005 108,789 398 74,943 94,887 210,945 548
2006 220,56 345 80,934 102,009 240,677 570
2007 348,789 467 97,667 119,678 280,899 590
2008 446,793 587 101,345 130,878 290,776 638
2009 517,877 601 116,623 145,156 302,888 650
2010 669,48 668 120,454 155,14 361,903 668
2011 841,422 840 151,391 194,984 454,85 840
 2012 1035,942 1034 186,389 240,061 540,003 1034
2013 1255,503 1253 225,893 290,94 678,691 1253
2014 1375,073 1373 247,406 318,648 743,328 1373
2015 1481,343 1479 266,527 343,274 800,774 1479
2016 1595,824 1593 287,124 369,803 862,66 1593
2017 1719,154 1716 309,314 398,383 929,329 1716
2018 1852,014 1849 333,219 429,338 1001,149 1849
2019 1995,142 1992 358,971 462,338 1078,521 1992
La forma matemática del modelo econométrico será:
𝐏𝐑𝐎𝐃𝐔𝐂𝐂𝐈𝐎𝐍 𝐃𝐄 𝐋𝐄𝐂𝐇𝐄 𝐃𝐄 𝐂𝐎𝐂𝐎~𝐟(𝐂𝐎𝐍𝐒𝐄𝐑𝐕𝐀𝐍𝐓𝐄𝐒 (𝐊𝐆), 𝐇𝐀𝐑𝐈𝐍𝐀 𝐃𝐄 𝐂𝐎𝐂𝐎 (𝐊𝐆), 𝐅𝐈𝐁𝐑𝐀 (𝐊𝐆), 𝐒𝐔𝐒𝐓𝐑𝐀𝐓𝐎 (𝐊𝐆), 𝐄𝐌𝐔𝐋𝐒𝐈𝐅𝐈𝐂𝐀𝐍𝐓𝐄 (𝐊𝐆))

𝒀~𝐟(𝐗𝟏, 𝐗𝟐. 𝐗𝟑, 𝐗𝟒, 𝐗𝟓)

La forma de regresión poblacional:

F.R.P. 𝒀 = 𝜷𝟏 + 𝜷𝟐 𝑿𝟐 + 𝜷𝟑 𝑿𝟑 + 𝜷𝟒 𝑿𝟒 + 𝜷𝟓 𝑿𝟓 + 𝜷𝟔 𝑿𝟔 + 𝒖𝒊

La forma de regresión muestral:

F.R.M ̂𝟏 + 𝜷
̂=𝜷
𝒀 ̂𝟐 𝑿𝟐 + 𝜷
̂𝟑 𝑿𝟑 + 𝜷
̂𝟒 𝑿𝟒 + 𝜷
̂𝟓 𝑿𝟓 + 𝜷
̂𝟔 𝑿𝟔

11. ESTIMACION DE PARAMETROS DEL MODELO

Se puede ver que el modelo a estimar es un modelo lineal múltiple y para poder estimar el modelo
que consta de 6 variables, se utilizara la estimación por mínimo cuadrados ordinarios (MCO), para
hallar los parámetros del modelo y la regresión.

Matriz de parámetros ̂𝒊 = (𝑿𝑻 ∗ 𝑿)−𝟏 ∗ (𝑿𝑻 ∗ 𝒀)

𝜷

108,789 1 398 74,943 94,887 210,945 548

220,56 1 345 80,934 102,009 240,677 570
348,789 1 467 97,667 119,678 280,899 590
446,793 1 587 101,345 130,878 290,776 638
517,877 1 601 116,623 145,156 302,888 650
669,48 1 668 120,454 155,14 361,903 668
Y= 841,422 X= 1 840 151,391 194,984 454,85 840
1035,942 1 1034 186,389 240,061 540,003 1034
1255,503 1 1253 225,893 290,94 678,691 1253
1375,073 1 1373 247,406 318,648 743,328 1373
1481,343 1 1479 266,527 343,274 800,774 1479
1595,824 1 1593 287,124 369,803 862,66 1593
1719,154 1 1716 309,314 398,383 929,329 1716
1852,014 1 1849 333,219 429,338 1001,149 1849
1995,142 1 1992 358,971 462,338 1078,521 1992
 15 16195 2958,2 3795,517 8777,393 16793
16195 21934017 3969587,23 5105853,49 11856897,2 22188169
2958,2 3969587,23 719031,043 924681,644 2147165,98 4021934,991
3795,517 5105853,49 924681,644 1189218,47 2761593,46 5171546,379
8777,393 11856897,2 2147165,98 2761593,46 6414823,35 12006912,94
16793 22188169 4021934,99 5171546,38 12006912,9 22535577

1,287013427 -2,4098E-05 -0,06027345 0,04019095 0,01301289 -0,006334706

-2,40975E-05 0,00025362 0,00271609 -0,00395368 0,0002267 5,20901E-05
-0,06027345 0,00271609 0,07330521 -0,0782912 0,00375263 0,000255037
0,04019095 -0,00395368 -0,0782912 0,09505967 -0,00618053 -0,000686215
0,013012892 0,0002267 0,00375263 -0,00618053 0,00099707 -1,55374E-05
-0,006334706 5,209E-05 0,00025504 -0,00068621 -1,5537E-05 7,37144E-05

15463,705
21623897,83
3908769,712
5029367,712
11685909,03
21780905,65
̂𝒊 = (𝑿𝑻 ∗ 𝑿)−𝟏 ∗ (𝑿𝑻 ∗ 𝒀)
𝜷

12,77523297
-0,396288235
-13,83392951
23,7526281
0,51885773
-1,911166987

La regresión para el modelo planteado sería el siguiente:

𝒀 = 𝟏𝟐, 𝟕𝟕𝟓𝟐 − 𝟎, 𝟑𝟗𝟔𝟑𝑿𝟏 − 𝟏𝟑, 𝟖𝟑𝟑𝟗𝑿𝟐 + 𝟐𝟑, 𝟖𝟑𝟑𝟗𝑿𝟑 + 𝟎, 𝟓𝟏𝟖𝟗𝑿𝟒 − 𝟏, 𝟗𝟏𝟏𝟐𝑿𝟓
̂1=La producción de leche de coco, aumenta en 12,7752, cuando las demás variables son constantes.
𝛽
̂2=La producción de leche de coco, disminuye en 0,3963 cuando las demás variables son constantes.
𝛽
̂3=La producción de leche de coco, disminuye en 13,8339cuando las demás variables son constantes.
𝛽
̂4 =La producción de leche de coco, aumenta en 23,8339, cuando las demás variables son constantes.
𝛽
̂5=La producción de leche de coco, aumenta en 0,5189, cuando las demás variables son constantes.
𝛽
̂6=La producción de leche de coco, disminuye en 1,9112, cuando las demás variables son constantes.
𝛽
12. VALIDACION ECONOMICA
Con el presente trabajo se trata de establecer la relación que existe entre las diferentes materiales que
involucran la producción de leche de coco que es en el municipio de san buenaventura, como la
producción de leche de coco de la misma manera que un producto mal elaborado o con deficiencias
en el control y aseguramiento de calidad trae consigo problemas socio culturales para la fábrica, estos
factores también pueden afectar incluso con más énfasis en el aspecto económico, puesto que es más
costoso rediseñar un sistema de calidad o incluso elaborar un nuevo proceso productivo, que
implantar un sistema de aseguramiento de la calidad para que de esta manera pueda evitarse los
distintos tipos de fallas y deficiencias o desperdicios del producto. Además de esto, se espera que
exista un cambio positivo en las finanzas de la empresa al implantar dicho proceso.

13. VALIDACION ESTADISTICA

13.1 BONDAD DEL AJUSTE
𝑺𝑪𝑹 𝜷 ̂ 𝑻 𝑿𝑻 𝒀 − 𝒏𝒀
̅𝟐
𝟐
𝑹 = =
𝑺𝑪𝑻 𝒀𝑻 𝒀 − 𝒏𝒀 ̅𝟐
𝛽̂ 𝑇 = 12,7752 − 0,3963𝑋1 − 13,8339𝑋2 23,8339𝑋3 0,5189𝑋4 − 1,9112𝑋5

15463,705
21623897,83
3908769,712
𝑋𝑇 𝑌 =
5029367,712
11685909,03
21780905,65

𝑌̅ = 1030,9137 n=15

𝑌 𝑇 𝑌 = 21453509,2

𝛽̂ 𝑇 𝑋 𝑇 𝑌 = 21451688,7

𝑆𝐶𝑅 𝛽̂ 𝑇 𝑋 𝑇 𝑌 − 𝑛𝑌̅ 2 21451688,7 − 15 ∗ (1030,9137)2

𝑅2 = = =
𝑆𝐶𝑇 𝑌 𝑇 𝑌 − 𝑛𝑌̅ 2 21453509,2 − 15 ∗ (1030,9137)2

𝑹𝟐 = 𝟎, 𝟗𝟗𝟗𝟕 → 𝟗𝟗, 𝟗𝟕%

Se puede observar que el modelo tiene buena bondad de ajuste, ya que este es mayor de 70%
Hallando de coeficiente de determinación corregido:
𝑛−1
𝑅̅ 2 = 1 − (1 − 𝑅 2 ) ∗
𝑛−𝑘
15 − 1
𝑅̅ 2 = 1 − (1 − 0,9997) ∗
15 − 6
̅ 𝟐 = 𝟎, 𝟗𝟗𝟗𝟓
𝑹 → 𝟗𝟗, 𝟗𝟓%
 Se puede observar que el modelo tiene una buena bondad de ajuste corregido, ya que este es
mayor a 70%

13.2. INTERVALOS CONFIDENCIALES O INTERVALOS DE CONFIANZA

13.2.1. INTERVALOS DE CONFIANZA PARA 𝜷𝒊
Mediante la siguiente formula se calcula los intervalos de casa parámetro:

̂𝒊 − 𝒕𝒏−𝒌
𝑷 ⌊𝜷 𝜶 ̂𝒊 + 𝒕𝒏−𝒌
∗ 𝝈𝜷̂𝒊 ≤ 𝜷𝒊 ≤ 𝜷 𝜶 ∗ 𝝈𝜷̂𝒊 ⌋ = 𝟏 − 𝜶
𝟐 𝟐

Primeramente, calculamos la matriz de covarianza, para obtener las varianzas respectivas de

cada parámetro.
̂𝒊 ] = 𝜎𝑢2 ∗ (𝑿𝑻 ∗ 𝑿)−𝟏
𝑉[𝜷

𝑌 𝑇 𝑌 − 𝛽̂ 𝑇 𝑋 𝑇 𝑌
𝜎𝑢2 =
𝑛−𝑘
Donde K=número de parámetros =6 y n=15
𝑌 𝑇 𝑌 = 21453509,2 𝛽̂ 𝑇 𝑋 𝑇 𝑌 = 21451688,7

𝑌 𝑇 𝑌 − 𝛽̂ 𝑇 𝑋 𝑇 𝑌 21453509,2 − 21451688,7
𝜎𝑢2 = =
𝑛−𝑘 15 − 6
𝜎𝑢2 = 202,2778

-
1,287013427 -2,4098E-05 0,06027345 0,04019095 0,01301289 -0,006334706
-
-2,40975E-05 0,00025362 0,00271609 0,00395368 0,0002267 5,20901E-05

-0,06027345 0,00271609 0,07330521 -0,0782912 0,00375263 0,000255037

0,04019095 -0,00395368 -0,0782912 0,09505967 -0,00618053 -0,000686215
-
0,013012892 0,0002267 0,00375263 0,00618053 0,00099707 -1,55374E-05
-
-0,006334706 5,209E-05 0,00025504 0,00068621 -1,5537E-05 7,37144E-05

260,3342 -0,0049 -12,1920 8,1297 2,6322 -1,2814

-0,0049 0,0513 0,5494 -0,7997 0,0459 0,0105
̂𝒊 ] =
𝑉[𝜷 -12,1920 0,5494 14,8280 -15,8366 0,7591 0,0516
8,1297 -0,7997 -15,8366 19,2285 -1,2502 -0,1388
2,6322 0,0459 0,7591 -1,2502 0,2017 -0,0031
-1,2814 0,0105 0,0516 -0,1388 -0,0031 0,0149
 ̂𝟏
Para 𝜷
̂𝟏 − 𝒕𝒏−𝒌
𝑷 ⌊𝜷 𝜶 ̂𝟏 + 𝒕𝒏−𝒌
∗ 𝝈𝜷̂𝟏 ≤ 𝜷𝟏 ≤ 𝜷 𝜶 ∗ 𝝈𝜷̂𝟏 ⌋ = 𝟏 − 𝜶
𝟐 𝟐

𝒕𝒏−𝒌
𝜶 = 𝒕𝟏𝟓−𝟔
𝟎,𝟎𝟓/𝟐 = 𝟐, 𝟐𝟔𝟐
𝟐

𝝈𝟐𝜷𝟏 = 260,3342 → 𝜎𝜷𝟏 = √260,3342 → 𝜎𝜷𝟏 = 16,1348

𝑃[12,7752 − 2,262 ∗ 16,1348 ≤ 𝛽1 ≤ 12,7752 + 2,262 ∗ 16,1348]

𝑷[−𝟐𝟑, 𝟕𝟐𝟏𝟕 ≤ 𝜷𝟏 ≤ 𝟒𝟗, 𝟐𝟕𝟐𝟏] = 𝟎, 𝟗𝟓

̂𝟐
Para 𝜷
̂𝟐 − 𝒕𝒏−𝒌
𝑷 ⌊𝜷 𝜶 ̂𝟐 + 𝒕𝒏−𝒌
∗ 𝝈𝜷̂𝟐 ≤ 𝜷𝟏 ≤ 𝜷 𝜶 ∗ 𝝈𝜷̂𝟐 ⌋ = 𝟏 − 𝜶
𝟐 𝟐

𝒕𝒏−𝒌
𝜶 = 𝒕𝟏𝟓−𝟔
𝟎,𝟎𝟓/𝟐 = 𝟐, 𝟐𝟔𝟐
𝟐

𝝈𝟐𝜷𝟐 = 0,0513 → 𝜎𝜷𝟐 = √0,0513 → 𝜎𝜷𝟐 = 0,2265

𝑃[−𝟎, 3963 − 2,262 ∗ 0,2265 ≤ 𝛽2 ≤ −𝟎, 3963 + 2,262 ∗ 0,2265]

𝑷[−𝟎, 𝟗𝟎𝟖𝟔 ≤ 𝜷𝟐 ≤ 𝟎, 𝟏𝟏𝟔𝟎] = 𝟎, 𝟗𝟓

̂𝟑
Para 𝜷
̂𝟑 − 𝒕𝒏−𝒌
𝑷 ⌊𝜷 𝜶 ̂𝟑 + 𝒕𝒏−𝒌
∗ 𝝈𝜷̂𝟑 ≤ 𝜷𝟑 ≤ 𝜷 𝜶 ∗ 𝝈𝜷̂𝟑 ⌋ = 𝟏 − 𝜶
𝟐 𝟐

𝒕𝒏−𝒌
𝜶 = 𝒕𝟏𝟓−𝟔
𝟎,𝟎𝟓/𝟐 = 𝟐, 𝟐𝟔𝟐
𝟐

𝝈𝟐𝜷𝟑 = 14,8280 → 𝜎𝜷𝟑 = √14,8280 → 𝜎𝜷𝟑 = 3,8507

𝑃[−13,8339 − 2,262 ∗ 3,8507 ≤ 𝛽3 ≤ −13,8339 + 2,262 ∗ 3,8507]

𝑷[−𝟐𝟐, 𝟓𝟒𝟒𝟐 ≤ 𝜷𝟑 ≤ −𝟓, 𝟏𝟐𝟑𝟔] = 𝟎, 𝟗𝟓

̂𝟒
Para 𝜷
̂𝟒 − 𝒕𝒏−𝒌
𝑷 ⌊𝜷 𝜶 ̂𝟒 + 𝒕𝒏−𝒌
∗ 𝝈𝜷̂𝟒 ≤ 𝜷𝟒 ≤ 𝜷 𝜶 ∗ 𝝈𝜷̂𝟒 ⌋ = 𝟏 − 𝜶
𝟐 𝟐

𝒕𝒏−𝒌
𝜶 = 𝒕𝟏𝟓−𝟔
𝟎,𝟎𝟓/𝟐 = 𝟐, 𝟐𝟔𝟐
𝟐

𝝈𝟐𝜷𝟒 = 19,2285 → 𝜎𝜷𝟒 = √19,2285 → 𝜎𝜷𝟒 = 4,3850

𝑃[23,8339 − 2,262 ∗ 4,3850 ≤ 𝛽4 ≤ 23,8339 + 2,262 ∗ 4,3850]

𝑷[𝟏𝟑, 𝟗𝟏𝟓𝟎 ≤ 𝜷𝟒 ≤ 𝟑𝟑, 𝟕𝟓𝟐𝟖] = 𝟎, 𝟗𝟓

̂𝟓
Para 𝜷
̂𝟓 − 𝒕𝒏−𝒌
𝑷 ⌊𝜷 𝜶 ̂𝟓 + 𝒕𝒏−𝒌
∗ 𝝈𝜷̂𝟓 ≤ 𝜷𝟓 ≤ 𝜷 𝜶 ∗ 𝝈𝜷̂𝟓 ⌋ = 𝟏 − 𝜶
𝟐 𝟐

𝒕𝒏−𝒌
𝜶 = 𝒕𝟏𝟓−𝟔
𝟎,𝟎𝟓/𝟐 = 𝟐, 𝟐𝟔𝟐
𝟐
 𝝈𝟐𝜷𝟓 = 0,2017 → 𝜎𝜷𝟓 = √0,2017 → 𝜎𝜷𝟓 = 0,4491

𝑃[0,5189 − 2,262 ∗ 0,4491 ≤ 𝛽5 ≤ 0,5189 + 2,262 ∗ 0,4491]

𝑷[−𝟎, 𝟒𝟗𝟕𝟎 ≤ 𝜷𝟓 ≤ 𝟏, 𝟓𝟑𝟒𝟖] = 𝟎, 𝟗𝟓

̂𝟔
Para 𝜷
̂𝟔 − 𝒕𝒏−𝒌
𝑷 ⌊𝜷 𝜶 ̂𝟔 + 𝒕𝒏−𝒌
∗ 𝝈𝜷̂𝟔 ≤ 𝜷𝟔 ≤ 𝜷 𝜶 ∗ 𝝈𝜷̂𝟔 ⌋ = 𝟏 − 𝜶
𝟐 𝟐

𝒕𝒏−𝒌
𝜶 = 𝒕𝟏𝟓−𝟔
𝟎,𝟎𝟓/𝟐 = 𝟐, 𝟐𝟔𝟐
𝟐

𝝈𝟐𝟔 = 0,0149 → 𝜎𝜷𝟔 = √0,0149 → 𝜎𝜷𝟔 = 0,1221

𝑃[−1,9112 − 2,262 ∗ 0,1221 ≤ 𝛽6 ≤ −1,9112 + 2,262 ∗ 0,1221]

𝑷[−𝟎, 𝟏𝟖𝟕𝟒 ≤ 𝜷𝟓 ≤ −𝟏, 𝟔𝟑𝟓𝟎] = 𝟎, 𝟗𝟓

13.2.2. INTERVALOS DE CONFIANZA PARA 𝝈𝟐𝒖

Mediante la siguiente formula se calcula el intervalo de confianza para la varianza del término
de perturbación:
𝑒𝑇𝑒 𝑒𝑇𝑒
𝑃[ 2 ≤ 𝜎𝑢2 ≤ 2 ]=1−𝛼
𝑋(𝑛−𝑘);𝛼/2 𝑋(𝑛−𝑘);1−𝛼/2

𝜎𝑢2 = 612418,2611

𝑆𝐶𝐸 = 𝑒 𝑇 𝑒 = 𝑌 𝑇 𝑌 − 𝛽̂ 𝑇 𝑋 𝑇 𝑌 = 21453509,17 − 21451688,74

𝑆𝐶𝐸 = 𝑒 𝑇 𝑒 = 1820,43
2 2 2
𝑋(𝑛−𝑘);𝛼/2 = 𝑋(15−6);𝛼0,05/2 = 𝑋9;0,025 = 2,7
2 2 2
𝑋(𝑛−𝑘);1−𝛼/2 = 𝑋(15−6);1−0,05/2 = 𝑋(9);1−0,975 = 19,02
1820,43 1820,43
𝑃[ ≤ 𝜎𝑢2 ≤ ] = 0,95
2,7 19,02
𝑃[674,2333 ≤ 𝜎𝑢2 ≤ 95,7114] = 0,95
PARA B1
i. Planteamiento de hipótesis
𝐻𝑂 : 𝛽1 = 0

𝐻𝑎 : 𝛽1 ≠ 0
ii. Estadístico de prueba
̂−0
𝛽 12,7752 − 0
1
𝑡𝒄 = = = 0.7918
2 √260,32
√σ𝛽̂1

iii. Estadístico teórico

𝑛−𝑘 15−6 9
𝑡𝛼/2 = 𝑡0,025 = 𝑡0,025 = 2,262
iv. Contraste
9
𝑅. 𝑅.: |𝑡𝒄 | > 𝑡0,025
0,7918 < 2,262 𝑆𝑒 𝑎𝑐𝑒𝑝𝑡𝑎 𝐻𝑜

v. Conclusión

A un nivel de significación del 5% el parámetro B1 no es individualmente significativo, debido a que

se acepta Ho

PARA B2
i. Planteamiento de hipótesis
𝐻𝑂 : 𝛽2 = 0

𝐻𝑎 : 𝛽2 ≠ 0
ii. Estadístico de prueba
̂−0
𝛽 −0,3963 − 0
2
𝑡𝒄 = = = −1,7497
2
√σ𝛽̂ √0,0513
2

iii. Estadístico teórico

𝑛−𝑘 15−6 9
𝑡𝛼/2 = 𝑡0,025 = 𝑡0,025 = 2,262
iv. Contraste

9
𝑅. 𝑅.: |𝑡𝒄 | > 𝑡0,025
1,7497 < 2,262 𝑆𝑒 𝑎𝑐𝑒𝑝𝑡𝑎 𝐻𝑜

v. Conclusión

A un nivel de significación del 5% el parámetro B2 no es individualmente significativo, debido a que

se acepta Ho
PARA B3
i. Planteamiento de hipótesis
𝐻𝑂 : 𝛽3 = 0

𝐻𝑎 : 𝛽3 ≠ 0
ii. Estadístico de prueba
̂−0
𝛽 −13,8339 − 0
3
𝑡𝒄 = = = 3,5927
2 √14,827
√σ𝛽̂
3

iii. Estadístico teórico

𝑛−𝑘 15−6 9
𝑡𝛼/2 = 𝑡0,025 = 𝑡0,025 = 2,262
iv. Contraste

9
𝑅. 𝑅.: |𝑡𝒄 | > 𝑡0,025
3,5927 > 2,262 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻𝑜

v. Conclusión

A un nivel de significación del 5% el parámetro B3 es individualmente significativo, debido a que se

rechaza Ho

PARA B4
i. Planteamiento de hipótesis
𝐻𝑂 : 𝛽4 = 0

𝐻𝑎 : 𝛽4 ≠ 0
ii. Estadístico de prueba
̂−0
𝛽 23,7526 − 0
4
𝑡𝒄 = = = 5,4084
2 √19,288
√σ𝛽̂ 4

iii. Estadístico teórico

𝑛−𝑘 15−6 9
𝑡𝛼/2 = 𝑡0,025 = 𝑡0,025 = 2,262
iv. Contraste

9
𝑅. 𝑅.: |𝑡𝒄 | > 𝑡0,025
 5,4084 > 2,262 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻𝑜

v. Conclusión

A un nivel de significación del 5% el parámetro B4 es individualmente significativo, debido a que se

rechaza Ho

PARA B5
i. Planteamiento de hipótesis
𝐻𝑂 : 𝛽5 = 0

𝐻𝑎 : 𝛽5 ≠ 0
ii. Estadístico de prueba
̂−0
𝛽 −0,5189 − 0
5
𝑡𝒄 = = = −1,1554
2 √0,2017
√σ𝛽̂5

iii. Estadístico teórico

𝑛−𝑘 15−6 9
𝑡𝛼/2 = 𝑡0,025 = 𝑡0,025 = 2,262
iv. Contraste

9
𝑅. 𝑅.: |𝑡𝒄 | > 𝑡0,025
1,1554 < 2,262 𝑆𝑒 𝑎𝑐𝑒𝑝𝑡𝑎 𝐻𝑜
v. Conclusión

A un nivel de significación del 5% el parámetro B5 no es individualmente significativo, debido a que

se acepta Ho

PARA B6
i. Planteamiento de hipótesis
𝐻𝑂 : 𝛽6 = 0

𝐻𝑎 : 𝛽6 ≠ 0
ii. Estadístico de prueba
̂−0
𝛽 −1,9112 − 0
6
𝑡𝒄 = = = 15,6572
2 √0,0149
√σ𝛽̂6
iii. Estadístico teórico

𝑛−𝑘 15−6 9
𝑡𝛼/2 = 𝑡0,025 = 𝑡0,025 = 2,262
iv. Contraste

9
𝑅. 𝑅.: |𝑡𝒄 | > 𝑡0,025
15,6572 > 2,262 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻𝑜

v. Conclusión

A un nivel de significación del 5% el parámetro B6 es individualmente significativo, debido a que se

rechaza Ho

PRUEBA DE SIGNIFICACIÓN GLOBAL

i. Planteamiento de hipótesis
𝐻𝑂 : 𝛽2 = 𝛽3 = 𝛽4 = 𝛽5 = 𝛽6 = 0
𝐻𝑎 : 𝛽2 ≠ 𝛽3 ≠ 𝛽4 ≠ 𝛽5 ≠ 𝛽6 ≠ 0
ii. Estadístico de prueba
̅ = 𝟏𝟎𝟑𝟎, 𝟗𝟏𝟑𝟕
𝒀 𝒏 = 𝟏𝟓
̂ 𝑻 𝑿𝑻 𝒀 = 𝟐𝟏𝟒𝟓𝟏𝟔𝟖𝟖, 𝟕𝟒
𝜷 𝒀𝑻 𝒀 = 𝟐𝟏𝟒𝟓𝟑𝟓𝟎𝟗, 𝟏𝟕

𝑆𝐶𝑅 = 𝛽̂ 𝑇 𝑋 𝑇 𝑌 − 𝑛𝑌̅ 2 = 21451688,74 − 15 ∗ 1030,91372

𝑆𝐶𝑅 = 5509942,887

𝑆𝐶𝐸 = 𝑌 𝑇 𝑌 − 𝛽̂ 𝑇 𝑋 𝑇 𝑌 = 21453509,17 − 21451688,74

𝑆𝐶𝐸 = 1820,43

𝑆𝐶𝑇 = 𝑆𝐶𝑅 + 𝑆𝐶𝐸 = 5509942,887 + 1820,43

𝑆𝐶𝑇 = 5511763,317

𝑆𝐶𝑅 5509942,887
𝐶𝑀𝑅 = = → 𝐶𝑀𝑅 = 1101988,577
𝑘−1 6−1
 𝑆𝐶𝐸 1820,43
𝐶𝑀𝐸 = = → 𝐶𝑀𝐸 = 202,27
𝑛−𝑘 15 − 6

𝐶𝑀𝑅 1101988,577
𝐹𝑐 = = → 𝑭𝒄 = 𝟓𝟒𝟒𝟖, 𝟏𝟎𝟕
𝐶𝑀𝐸 202,27

Fuente de Grados de Suma de Cuadrados Fc

variación libertad cuadrados medios

Regresión k-1 = 6-1 = 5 5509943,9144 1101988,7829 5448,0921

Error n-k =15-6 = 9 1820,4353 202,2706

Total n-1 =15-1 =14 5511764,3497

iii. Estadístico teórico

(𝑘−1)(𝑛−𝑘) 5,9
𝐹𝛼 = 𝐹0,05 = 3,482
iv. Contraste

5,9
𝑅. 𝑅.: |𝐹𝒄 | > 𝐹0,05
5448,0921 > 3,482 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻𝑜
v. Conclusión

A un nivel de significación del 5% el modelo es globalmente significativo, debido a que se rechaza

Ho

CONCLUSIÓN: Debido a que el coeficiente de determinación es muy elevado, existen pocas

razones significativas β y el modelo es significativo globalmente, lo cual indica incoherencia en la
significación del modelo, por lo tanto, se concluye que existe presencia de multicolinealidad en el
modelo
14. VALIDACIÓN ECONOMÉTRICA
MULTICOLINEALIDAD, HETEROCEDASTICIDAD Y AUTOCORRELACIÓN
14.1. MULTICOLINEALIDAD: Se define como la existencia de una relación lineal perfecta o
exacta entre algunas o todas las variables explicativas de un modelo. El modelo que presente este
problema no cumple con el postulado 5 del MLG (modelo lineal general) el cual indica lo siguiente:

• El rango de la matriz X es 𝑘(𝑟(𝑋) = 𝑘) < 𝑛, este principio establece que las variables
independientes son no relacionadas: 𝑟𝑋2𝑋3 = 0

14.1.1. Naturaleza de la Multicolinealidad: La Multicolinealidad puede deberse a los

siguientes factores:
• El método de recolección de información.
• Restricciones en el modelo o en la población objeto de muestreo.
• Especificación del modelo.
• Un modelo sobre determinado (muy grande).
• Para los datos en series de tiempo puede ser que las variables regresoras del modelo
compartan una tendencia común.
• Relación causal entre variables explicativas del modelo.

14.1.2. Consecuencias de la Multicolinealidad: Algunas consecuencias de que el modelo

presente este problema son los siguientes:
• Aunque los estimadores de MCO (Mínimos Cuadrados Ordinarios) son MELI
(Mejores Estimadores Linealmente Independientes), presenta varianzas y covarianzas
grandes que dificultad la estimación precisa.
• Debido a la anterior consecuencia los intervalos de confianza tienden a ser mucho más
amplios.
• Pruebas estadísticas imprecisas debido a que se propicia una aceptación más fácil de
la “hipótesis principal”.
• También debido a la consecuencia del punto 1, la razón t de uno o más coeficientes
tiende a ser estadísticamente no significativo.
• Aunque la razón t de uno o más coeficientes sea estadísticamente no significativa
presenta Coeficiente de determinación R2, la medida global de bondad de ajuste, puede
ser muy alta.
• Los estimadores de MCO y sus errores estándar son sensibles a pequeños cambios
en los datos.
14.1.3. Formas de detección de la Multicolinealidad: De esta manera para determinar si un
modelo presenta o no este problema existe formas de detectarlos en este caso para detectar si
nuestro modelo presenta este problema realizaremos varias pruebas de detección:

14.1.3.1. Mediante observaciones de carácter estadístico presenta la estimación:

Esta forma de detección es mas de análisis de los resultados obtenidos si el modelo
presenta un R 2 muy elevado, con pocas significaciones individuales significativas, la
medida global de ajuste muy elevado se puede determinar la existencia de
Multicolinealidad en el modelo.

𝑌̂ = 12,7752 – 0,3963 ∗ 𝑋2𝑖 − 13,8339∗ 𝑋3𝑖 + 23,7526 ∗ 𝑋4𝑖 − 0,5189 ∗ 𝑋5𝑖 − 1,9112 ∗ 𝑋6𝑖

Análisis para detectar Multicolinealidad:

• Cálculo de R2:
𝑆𝐶𝑅 𝐵̂ 𝑇 𝑋 𝑇 𝑌 − 𝑛𝑌̅ 2
𝑅2 = =
𝑆𝐶𝑇 𝑌 𝑇 𝑌 − 𝑛𝑌̅ 2

𝑆𝐶𝑅 5525407,620 − 15 ∗ 1030,9137 5509943,9144

𝑅2 = = = = 0,9997
𝑆𝐶𝑇 5527228,055 − 15 ∗ 1030,9137 5511764,3497
Se puede observar que R2 = 0.9997 > 0.80 presenta una bondad de ajuste alta

• Prueba de Significación Individual

𝑉(𝐵̂ ) = σ2𝑢 ∗ (𝑋 𝑇 𝑋)−1

𝑆𝐶𝐸 1820,4353
σ2𝑢 = = = 202,2706
𝑛−𝑘 15 − 6

1,287 -2E-05 -0,06 0,0402 0,013 -0,006

-2E-05 0,0003 0,0027 -0,004 0,0002 5E-05
-0,06 0,0027 0,0733 -0,078 0,0038 0,0003
𝑉(𝐵̂ ) = 202,2706 ∗ 0,0402 -0,004 -0,078 0,0951 -0,006 -7E-04
0,013 0,0002 0,0038 -0,006 0,001 -2E-05
-0,006 5E-05 0,0003 -7E-04 -2E-05 7E-05

260,32 -0,005 -12,19 8,1294 2,6321 -1,281

-0,005 0,0513 0,5494 -0,8 0,0459 0,0105
-12,19 0,5494 14,827 -15,84 0,759 0,0516
𝑉(𝐵̂ ) = 8,1294 -0,8 -15,84 19,228 -1,25 -0,139
2,6321 0,0459 0,759 -1,25 0,2017 -0,003
-1,281 0,0105 0,0516 -0,139 -0,003 0,0149
Los resultados resaltados con amarillo son las varianzas de los parámetros estimados de
esta manera procedemos con la prueba de significación individual
PARA B1
i. Planteamiento de hipótesis
𝐻𝑂 : 𝛽1 = 0

𝐻𝑎 : 𝛽1 ≠ 0
ii. Estadístico de prueba
̂−0
𝛽 12,7752 − 0
1
𝑡𝒄 = = = 0.7918
2 √260,32
√σ𝛽̂ 1

iii. Estadístico teórico

𝑛−𝑘 15−6 9
𝑡𝛼/2 = 𝑡0,025 = 𝑡0,025 = 2,262
iv. Contraste

9
𝑅. 𝑅.: |𝑡𝒄 | > 𝑡0,025
0,7918 < 2,262 𝑆𝑒 𝑎𝑐𝑒𝑝𝑡𝑎 𝐻𝑜
v. Conclusión

A un nivel de significación del 5% el parámetro B1 no es individualmente significativo,

debido a que se acepta Ho

PARA B2
i. Planteamiento de hipótesis
𝐻𝑂 : 𝛽2 = 0

𝐻𝑎 : 𝛽2 ≠ 0
ii. Estadístico de prueba
̂−0
𝛽 −0,3963 − 0
2
𝑡𝒄 = = = −1,7497
2
√σ𝛽̂ √0,0513
2

iii. Estadístico teórico

𝑛−𝑘 15−6 9
𝑡𝛼/2 = 𝑡0,025 = 𝑡0,025 = 2,262
iv. Contraste

9
𝑅. 𝑅.: |𝑡𝒄 | > 𝑡0,025
1,7497 < 2,262 𝑆𝑒 𝑎𝑐𝑒𝑝𝑡𝑎 𝐻𝑜
v. Conclusión

A un nivel de significación del 5% el parámetro B2 no es individualmente significativo,

debido a que se acepta Ho
PARA B3
i. Planteamiento de hipótesis
𝐻𝑂 : 𝛽3 = 0

𝐻𝑎 : 𝛽3 ≠ 0
ii. Estadístico de prueba
̂−0
𝛽 −13,8339 − 0
3
𝑡𝒄 = = = 3,5927
2 √14,827
√σ𝛽̂
3

iii. Estadístico teórico

𝑛−𝑘 15−6 9
𝑡𝛼/2 = 𝑡0,025 = 𝑡0,025 = 2,262
iv. Contraste

9
𝑅. 𝑅.: |𝑡𝒄 | > 𝑡0,025
3,5927 > 2,262 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻𝑜
v. Conclusión

A un nivel de significación del 5% el parámetro B3 es individualmente significativo,

debido a que se rechaza Ho

PARA B4
i. Planteamiento de hipótesis
𝐻𝑂 : 𝛽4 = 0

𝐻𝑎 : 𝛽4 ≠ 0
ii. Estadístico de prueba
̂−0
𝛽 23,7526 − 0
4
𝑡𝒄 = = = 5,4084
2 √19,288
√σ𝛽̂ 4

iii. Estadístico teórico

𝑛−𝑘 15−6 9
𝑡𝛼/2 = 𝑡0,025 = 𝑡0,025 = 2,262
iv. Contraste

9
𝑅. 𝑅.: |𝑡𝒄 | > 𝑡0,025
5,4084 > 2,262 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻𝑜
v. Conclusión

A un nivel de significación del 5% el parámetro B4 es individualmente significativo,

debido a que se rechaza Ho
PARA B5
i. Planteamiento de hipótesis
𝐻𝑂 : 𝛽5 = 0

𝐻𝑎 : 𝛽5 ≠ 0
ii. Estadístico de prueba
̂−0
𝛽 −0,5189 − 0
5
𝑡𝒄 = = = −1,1554
2 √0,2017
√σ𝛽̂
5

iii. Estadístico teórico

𝑛−𝑘 15−6 9
𝑡𝛼/2 = 𝑡0,025 = 𝑡0,025 = 2,262
iv. Contraste

9
𝑅. 𝑅.: |𝑡𝒄 | > 𝑡0,025
1,1554 < 2,262 𝑆𝑒 𝑎𝑐𝑒𝑝𝑡𝑎 𝐻𝑜
v. Conclusión

A un nivel de significación del 5% el parámetro B5 no es individualmente significativo,

debido a que se acepta Ho

PARA B6
i. Planteamiento de hipótesis
𝐻𝑂 : 𝛽6 = 0

𝐻𝑎 : 𝛽6 ≠ 0
ii. Estadístico de prueba
̂−0
𝛽 −1,9112 − 0
6
𝑡𝒄 = = = 15,6572
2 √0,0149
√σ𝛽̂
6

iii. Estadístico teórico

𝑛−𝑘 15−6 9
𝑡𝛼/2 = 𝑡0,025 = 𝑡0,025 = 2,262
iv. Contraste

9
𝑅. 𝑅.: |𝑡𝒄 | > 𝑡0,025
15,6572 > 2,262 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻𝑜
v. Conclusión

A un nivel de significación del 5% el parámetro B6 es individualmente significativo,

debido a que se rechaza Ho
• Prueba de Significación Global
i. Planteamiento de hipótesis
𝐻𝑂 : 𝛽2 = 𝛽3 = 𝛽4 = 𝛽5 = 𝛽6 = 0
𝐻𝑎 : 𝛽2 ≠ 𝛽3 ≠ 𝛽4 ≠ 𝛽5 ≠ 𝛽6 ≠ 0
ii. Estadístico de prueba
Fuente de Grados de Suma de Cuadrados Fc
variación libertad cuadrados medios

Regresión k-1 = 6-1 = 5 5509943,9144 1101988,7829 5448,0921

Error n-k =15-6 = 9 1820,4353 202,2706

Total n-1 =15-1 =14 5511764,3497

iii. Estadístico teórico

(𝑘−1)(𝑛−𝑘) 5,9
𝐹𝛼 = 𝐹0,05 = 3,482
iv. Contraste
5,9
𝑅. 𝑅.: |𝐹𝒄 | > 𝐹0,05
5448,0921 > 3,482 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻𝑜
v. Conclusión

A un nivel de significación del 5% el modelo es globalmente significativo, debido a que

se rechaza Ho

CONCLUSIÓN: Debido a que el coeficiente de determinación es muy elevado, existen

pocas razones significativas β y el modelo es significativo globalmente, lo cual indica
incoherencia en la significación del modelo, por lo tanto, se concluye que existe
presencia de multicolinealidad en el modelo

14.1.3.2. Regla de Klein: Esta regla nos indica que aquellas correlaciones entre
variables que son mayores a 0.7 presenta Multicolinealidad exacta:

X2 X3 X4 X5 X6
X2 1 0,99861044 0,99901611 0,99798214 0,99530854
X3 0,99861044 1 0,99991079 0,99927751 0,99768521
X4 0,99901611 0,99991079 1 0,99944801 0,99765774
X5 0,99798214 0,99927751 0,99944801 1 0,99766889
X6 0,99530854 0,99768521 0,99765774 0,99766889 1

Mediante los datos obtenidos se puede observar que existe alta correlación entre todas
las variables. Calculando el determinante de la matriz de correlaciones se puede verificar
si existe o no Multicolinealidad en el modelo:

1 0,99861044 0,99901611 0,99798214 0,99530854

0,99861044 1 0,99991079 0,99927751 0,99768521
|𝑹𝒙 | = 0,99901611 0,99991079 1 0,99944801 0,99765774
0,99798214 0,99927751 0,99944801 1 0,99766889
0,99530854 0,99768521 0,99765774 0,99766889 1

|𝑹𝒙 | = 7,16532295331938𝐸 − 13

Como el determinante de la matriz de correlaciones 7,1653 E-13 tiende a 0 hay indicio

que le modelo presenta problemas de Multicolinealidad.

14.1.3.3. Contraste de Farrar-Glauber:

i. Planteamiento de hipótesis
𝐻𝑂 : |𝑹𝒙 | = 1

𝐻𝑎 : |𝑹𝒙 | ≠ 1
ii. Estadístico de prueba
2𝑘 + 5
𝐺 = − ⌈𝑛 − 1 − ( )⌉ ∗ 𝐼𝑛|𝑹𝒙 |
6

2∗6+5
𝐺 = − ⌈15 − 1 − ( )⌉ ∗ 𝐼𝑛7.16323E − 13 = 312,2719
6
iii. Estadístico teórico

𝑋 2𝑘(𝑘+1) = 𝑋 26(6+1) = 𝑋 221,0,05 = 32,6705

,𝑎 ,0,05
2 2
iv. Contraste
𝑅. 𝑅.: |𝐺| > 𝑋 221,0,05
312,2719 > 32,6705 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻𝑜
v. Conclusión
A un nivel de significancia del 5% se rechaza la hipótesis nula, por lo tanto, se concluye
que le modelo presenta problemas de Multicolinealidad.

14.1.3.5. Regresiones auxiliares: Consiste en realizar una regresión auxiliar de cada Xi

sobre las variables X1, X2…Xk para determinar su R2 y de esta manera realizar el
cálculo de Fj el cual si es estadísticamente significativa se debe decidir si se elimina la
variable.38 A si mismo si Fc del modelo global excede a Fj se dice que la variable Xj
particular es colineal con las demás X.
 X6:

̂6 = (𝑋 𝑇 ∗ 𝑋)−1 ∗ (𝑋 𝑇 ∗ 𝑌)
𝑋

̂6 = 85,93576 − 0,7066𝑋2 − 3,4598𝑋3 + 9,3091𝑋4 + 0,2108𝑋5

𝑋

• Cálculo de R2:
2
𝑆𝐶𝑅 𝐵̂ 𝑇 𝑋 𝑇 𝑌 − 𝑛𝑌̅ 2
𝑅 = =
𝑆𝐶𝑇 𝑌 𝑇 𝑌 − 𝑛𝑌̅ 2

𝑆𝐶𝑅 3738480,868 − 15 ∗ 1119,5333 3721687,8687

𝑅2 = = = = 0,9964
𝑆𝐶𝑇 3752046,733 − 15 ∗ 1119,5333 3735253,7333
𝑆𝐶𝐸 = 13565,8646
X5:
 ̂5 = (𝑋 𝑇 ∗ 𝑋)−1 ∗ (𝑋 𝑇 ∗ 𝑌)
𝑋

̂5 = −13,0511 − 0,2274 𝑋2 − 3,7637𝑋3 + 6,1987𝑋4 + 0,0156𝑋6

𝑋

• Cálculo de R2:
𝑆𝐶𝑅 𝐵̂ 𝑇 𝑋 𝑇 𝑌 − 𝑛𝑌̅ 2
𝑅2 = =
𝑆𝐶𝑇 𝑌 𝑇 𝑌 − 𝑛𝑌̅ 2

𝑆𝐶𝑅 1286422,608 − 15 ∗ 585,1595 1277645,2159

𝑅2 = = = = 0,9992
𝑆𝐶𝑇 1287425,549 − 15 ∗ 585,1595 1278648,1560
𝑆𝐶𝐸 = 1002,9401
X4:

̂4 = (𝑋 𝑇 ∗ 𝑋)−1 ∗ (𝑋 𝑇 ∗ 𝑌)
𝑋

̂4 = −0,4228 + 0,0416 𝑋2 + 0,8236𝑋3 + 0,0650𝑋5 + 0,0072𝑋6

𝑋

• Cálculo de R2:
2
𝑆𝐶𝑅 𝐵̂ 𝑇 𝑋 𝑇 𝑌 − 𝑛𝑌̅ 2
𝑅 = =
𝑆𝐶𝑇 𝑌 𝑇 𝑌 − 𝑛𝑌̅ 2

𝑆𝐶𝑅 232606,8478 − 15 ∗ 253,0345 228811,3303

𝑅2 = = = = 0,9999
𝑆𝐶𝑇 232617,3676 − 15 ∗ 253,0345 228821,8501
𝑆𝐶𝐸 = 10,5197
X3:
 ̂3 = (𝑋 𝑇 ∗ 𝑋)−1 ∗ (𝑋 𝑇 ∗ 𝑌)
𝑋

̂3 = 0,8222 − 0,0370 𝑋2 + 1,0680𝑋4 − 0,0512𝑋5 − 0,0035𝑋6

𝑋

• Cálculo de R2:
𝑆𝐶𝑅 𝐵̂ 𝑇 𝑋 𝑇 𝑌 − 𝑛𝑌̅ 2
𝑅2 = =
𝑆𝐶𝑇 𝑌 𝑇 𝑌 − 𝑛𝑌̅ 2

𝑆𝐶𝑅 138579,118 − 15 ∗ 197,2133 135620,9185

𝑅2 = = = = 0,9999
𝑆𝐶𝑇 138592,7596 − 15 ∗ 197,2133 135634,5601
𝑆𝐶𝐸 = 13,6415
X2:

̂2 = (𝑋 𝑇 ∗ 𝑋)−1 ∗ (𝑋 𝑇 ∗ 𝑌)
𝑋

̂2 = 0,0951 − 10,7093 𝑋3 + 15,5891𝑋4 − 0,8938𝑋5 − 0,2054𝑋6

𝑋

• Cálculo de R2:
2
𝑆𝐶𝑅 𝐵̂ 𝑇 𝑋 𝑇 𝑌 − 𝑛𝑌̅ 2
𝑅 = =
𝑆𝐶𝑇 𝑌 𝑇 𝑌 − 𝑛𝑌̅ 2
 𝑆𝐶𝑅 4461067,407 − 15 ∗ 1079,6667 4444872,4023
𝑅2 = = = = 0,9991
𝑆𝐶𝑇 4465010,334 − 15 ∗ 1079,6667 4448815,3333
𝑆𝐶𝐸 = 3942,9310

i. Planteamiento de hipótesis
2
𝐻𝑂 : 𝑅𝑥𝑖 𝑥𝑗…. = 0

2
𝐻𝑎 : 𝑅𝑥𝑖 𝑥𝑗…. ≠ 0

ii. Estadístico de prueba

2
𝑅𝑥𝑖 𝑥𝑗….

𝐹𝑗 = 𝑘 − 2
2
1 − 𝑅𝑥𝑖 𝑥𝑗….
𝑛−𝑘+1

0,9991
2
𝑅2𝑖 = 99,91% → 𝐹𝐽2 = 5−2 = 4070,4074
1 − 0,9991
15 − 5 + 1

0,9999
2
𝑅3𝑖 = 99,99% → 𝐹𝐽3 = 5−2 = 36663
1 − 0,9999
15 − 5 + 1

0,9999
2
𝑅4𝑖 = 99,99% → 𝐹𝐽4 = 5−2 = 36663
1 − 0,9999
15 − 5 + 1

0,9992
2
𝑅5𝑖 = 99,92% → 𝐹𝐽5 = 5−2 = 4579,6667
1 − 0,9992
15 − 5 + 1

0,9964
2
𝑅6𝑖 = 99,64% → 𝐹𝐽6 = 5−2 = 1014,8518
1 − 0,9964
15 − 5 + 1
iii. Estadístico teórico
(𝑘−2)(𝑛−𝑘+1) 3,11
𝐹𝛼 = 𝐹0,05 = 3,587
iv. Contraste

(𝑘−2)(𝑛−𝑘+1)
𝑅. 𝑅.: 𝐹𝑗 > 𝐹𝛼
4070,4074 > 3,587 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻𝑜
36663 > 3,587 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻𝑜
36663 > 3,587 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻𝑜
 4579,6667 > 3,587 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻𝑜
1014,8518 > 3,587 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻𝑜
v. Conclusión
A un nivel de significancia del 5% se rechaza la hipótesis nula en todos los casos, por
lo tanto, se concluye que todas las Xj son colineales con las demás Xi

14.1.3.6. Factor de agrandamiento de la Varianza: Es la razón entre la varianza

observada y la que habría sido en caso de que Xj estuviera correlacionada con el resto
de regresores del modelo. Donde 𝑅𝑗 2 es el coeficiente de determinación obtenido al
efectuar la regresión de Xj sobre el resto de las variables independientes del modelo.
Dicho de otra forma, el FAV muestra en qué medida se “agranda” la varianza del
estimador como consecuencia de la no ortogonalidad de los regresores.

Si 𝐹𝐴𝑉 > 10 𝑃𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑀𝑢𝑙𝑡𝑖𝑐𝑜𝑙𝑖𝑛𝑒𝑎𝑙𝑖𝑑𝑎𝑑

Si 𝐹𝐴𝑉 > 20 𝑃𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑀𝑢𝑙𝑡𝑖𝑐𝑜𝑙𝑖𝑛𝑒𝑎𝑙𝑖𝑑𝑎𝑑 𝑃𝑟𝑒𝑜𝑐𝑢𝑝𝑎𝑛𝑡𝑒
1
𝐹𝐴𝑉 =
1 − 𝑅𝐽2

2
1 1
𝑅2𝑖 = 99,91% → 𝐹𝐴𝑉 = = = 1111,11 𝑀𝑢𝑙𝑡𝑖𝑐𝑜𝑙𝑖𝑛𝑒𝑎𝑙𝑖𝑑𝑎𝑑 𝑝𝑟𝑒𝑜𝑐𝑢𝑝𝑎𝑛𝑡𝑒
1 − 𝑅𝐽2 1 − 0,9991

2
1 1
𝑅3𝑖 = 99,99% → 𝐹𝐴𝑉 = 2 = 1 − 0,9999 = 10000 𝑀𝑢𝑙𝑡𝑖𝑐𝑜𝑙𝑖𝑛𝑒𝑎𝑙𝑖𝑑𝑎𝑑 𝑝𝑟𝑒𝑜𝑐𝑢𝑝𝑎𝑛𝑡𝑒
1 − 𝑅𝐽

2
1 1
𝑅4𝑖 = 99,99% → 𝐹𝐴𝑉 = 2 = 1 − 0,9999 = 10000 𝑀𝑢𝑙𝑡𝑖𝑐𝑜𝑙𝑖𝑛𝑒𝑎𝑙𝑖𝑑𝑎𝑑 𝑝𝑟𝑒𝑜𝑐𝑢𝑝𝑎𝑛𝑡𝑒
1 − 𝑅𝐽

2
1 1
𝑅5𝑖 = 99,92% → 𝐹𝐴𝑉 = = = 1250 𝑀𝑢𝑙𝑡𝑖𝑐𝑜𝑙𝑖𝑛𝑒𝑎𝑙𝑖𝑑𝑎𝑑 𝑝𝑟𝑒𝑜𝑐𝑢𝑝𝑎𝑛𝑡𝑒
1 − 𝑅𝐽2 1 − 0,9992

2
1 1
𝑅6𝑖 = 99,64% → 𝐹𝐴𝑉 = 2 = 1 − 0,9964 = 277,77 𝑀𝑢𝑙𝑡𝑖𝑐𝑜𝑙𝑖𝑛𝑒𝑎𝑙𝑖𝑑𝑎𝑑 𝑝𝑟𝑒𝑜𝑐𝑢𝑝𝑎𝑛𝑡𝑒
1 − 𝑅𝐽
Mediante el método de factor de agrandamiento de la varianza nos da un indicio que
todas las variables presentan multicolinealidad preocupante.

14.1.3.7. Medida de Theil: Esta medida refleja la diferencia entre la variabilidad

explicada por el modelo completo y la suma de cada una de las aportaciones de los
regresores al modelo:
 Dónde: R2 es el coeficiente de determinación del modelo completo. 𝑅𝑗 2 es el
coeficiente de determinación de una regresión auxiliar en la que se excluye el regresor
j. Para lo cual primeramente estimaremos las regresiones auxiliares:
SIN X6:

𝑌̂ = (𝑋 𝑇 ∗ 𝑋)−1 ∗ (𝑋 𝑇 ∗ 𝑌)

𝑌̂ = −151,4624 + 0,9542𝑋2 − 7,2217𝑋3 + 5,9614𝑋4 + 0,1160𝑋5

• Cálculo de R2:
𝑆𝐶𝑅 𝐵̂ 𝑇 𝑋 𝑇 𝑌 − 𝑛𝑌̅ 2
𝑅2 = =
𝑆𝐶𝑇 𝑌 𝑇 𝑌 − 𝑛𝑌̅ 2

𝑆𝐶𝑅 5475857,496 − 15 ∗ 1030,9137 5460393,7901

𝑅2 = = = = 0,9907
𝑆𝐶𝑇 5527228,055 − 15 ∗ 1030,9137 5511764,3497
𝑆𝐶𝐸 = 51370,5596
SIN X5:
 𝑌̂ = (𝑋 𝑇 ∗ 𝑋)−1 ∗ (𝑋 𝑇 ∗ 𝑌)

𝑌̂ = 6,0035 − 0,5142𝑋2 − 15,7867𝑋3 + 26,9689𝑋4 + −1,9031𝑋6

• Cálculo de R2:
2
𝑆𝐶𝑅 𝐵̂ 𝑇 𝑋 𝑇 𝑌 − 𝑛𝑌̅ 2
𝑅 = =
𝑆𝐶𝑇 𝑌 𝑇 𝑌 − 𝑛𝑌̅ 2

𝑆𝐶𝑅 5525137,615 − 15 ∗ 1030,9137 5509673,9096

𝑅2 = = = = 0,9996
𝑆𝐶𝑇 5527228,055 − 15 ∗ 1030,9137 5511764,3497
𝑆𝐶𝐸 = 2090,4401
SIN X4:

𝑌̂ = (𝑋 𝑇 ∗ 𝑋)−1 ∗ (𝑋 𝑇 ∗ 𝑌)

𝑌̂ = 2,7327 + 0,5916 𝑋2 + 5,7287𝑋3 + 2,0632𝑋5 − 1,7397𝑋6

• Cálculo de R2:
𝑆𝐶𝑅 𝐵̂ 𝑇 𝑋 𝑇 𝑌 − 𝑛𝑌̅ 2
𝑅2 = =
𝑆𝐶𝑇 𝑌 𝑇 𝑌 − 𝑛𝑌̅ 2

𝑆𝐶𝑅 5519472,534 − 15 ∗ 1030,9137 5504008,8283

𝑅2 = = = = 0,9986
𝑆𝐶𝑇 5527228,055 − 15 ∗ 1030,9137 5511764,3497
𝑆𝐶𝐸 = 7755,5213
SIN X3:
 𝑌̂ = (𝑋 𝑇 ∗ 𝑋)−1 ∗ (𝑋 𝑇 ∗ 𝑌)

𝑌̂ = 1,4006 − 0,1163 𝑋2 + 8,9777𝑋4 + 1,2270𝑋5 − 1,8630𝑋6

• Cálculo de R2:
𝑆𝐶𝑅 𝐵̂ 𝑇 𝑋 𝑇 𝑌 − 𝑛𝑌̅ 2
𝑅2 = =
𝑆𝐶𝑇 𝑌 𝑇 𝑌 − 𝑛𝑌̅ 2

𝑆𝐶𝑅 5522796,924 − 15 ∗ 1030,9137 5507333,2187

𝑅2 = = = = 0,9992
𝑆𝐶𝑇 5527228,055 − 15 ∗ 1030,9137 5511764,3497
𝑆𝐶𝐸 = 4431,1310
SIN X2:

𝑌̂ = (𝑋 𝑇 ∗ 𝑋)−1 ∗ (𝑋 𝑇 ∗ 𝑌)

𝑌̂ = 12,7376 − 9,5899 𝑋3 + 17,5748𝑋4 + 0,8731𝑋5 − 1,8298𝑋6

• Cálculo de R2:
𝑆𝐶𝑅 𝐵̂ 𝑇 𝑋 𝑇 𝑌 − 𝑛𝑌̅ 2
𝑅2 = =
𝑆𝐶𝑇 𝑌 𝑇 𝑌 − 𝑛𝑌̅ 2
 𝑆𝐶𝑅 5524788,405 − 15 ∗ 1030,9137 5509324,6993
𝑅2 = = = = 0,9996
𝑆𝐶𝑇 5527228,055 − 15 ∗ 1030,9137 5511764,3497
𝑆𝐶𝐸 = 2439,6504

Una vez obtenidos los R2 auxiliares se realiza el cálculo de la medida de Theil:

2 2 2 2 2 2 2 2 2 2 2
𝑚 = 𝑅𝑔𝑙𝑏 − (𝑅𝑔𝑙𝑏 − 𝑅2𝑖 ) − (𝑅𝑔𝑙𝑏 − 𝑅3𝑖 ) − (𝑅𝑔𝑙𝑏 − 𝑅4𝑖 ) − (𝑅𝑔𝑙𝑏 − 𝑅5𝑖 ) − (𝑅𝑔𝑙𝑏 − 𝑅6𝑖 )

𝑚 = 0,9997 − (0,9997 − 0,9996) − (0,9997 − 0,9992) − (0,9997 − 0,9986)

− (0,9997 − 0,9996) − (0,9997 − 0,9907) = 0,9889

Como el valor de m tiende a 1 indica presencia de Multicolinealidad.

∆𝑋2𝑖 = 0,9997 − 0,9996 = 0,0001

∆𝑋3𝑖 = 0,9997 − 0,9992 = 0,0005

∆𝑋4𝑖 = 0,9997 − 0,9986 = 0,0011

∆𝑋5𝑖 = 0,9997 − 0,9996 = 0,0001

∆𝑋6𝑖 = 0,9997 − 0,9907 = 0,0090

∆𝑋2𝑖 𝑦 ∆𝑋5𝑖 𝑎𝑝𝑜𝑟𝑡𝑎𝑛 𝑚𝑒𝑛𝑜𝑠, 𝑝𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒 𝑑𝑒𝑏𝑒𝑛 𝑠𝑒𝑟 𝑒𝑙𝑖𝑚𝑖𝑛𝑎𝑑𝑜𝑠 𝑑𝑒𝑙 𝑚𝑜𝑑𝑒𝑙𝑜

14.2. AUTOCORRELACION: La autocorrelación se define como la correlación existente entre los

elementos de una serie de observaciones ordenadas en el tiempo o en el espacio, por lo tanto, existe
dependencia lineal entre algunos términos de error (entre 2 variables cualesquiera). Mediante este
problema no se cumple con el postulado 3 de MLG (Modelo Lineal General):
𝐿𝑎 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑑𝑒𝑙 𝑡𝑒𝑟𝑚𝑖𝑛𝑜 𝑑𝑒 𝑝𝑒𝑟𝑡𝑢𝑟𝑏𝑎𝑐𝑖𝑜𝑛 𝑒𝑠 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒: 𝑉(𝑢) = σ2𝑢 𝐼𝑛

𝑁𝑜 𝑒𝑥𝑖𝑠𝑡𝑒 𝑑𝑒𝑝𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝑙𝑖𝑛𝑒𝑎𝑙 𝑒𝑛𝑡𝑟𝑒 𝑙𝑜𝑠 𝑡𝑒𝑟𝑚𝑖𝑛𝑜𝑠 𝑑𝑒 𝑒𝑟𝑟𝑜𝑟: 𝐶𝑂𝑉[𝑢𝑖 , 𝑢𝑗 ] = 0

𝐸𝑛 𝑝𝑟𝑒𝑠𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑎𝑢𝑡𝑜𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛: 𝐶𝑂𝑉[𝑢𝑖 , 𝑢𝑗 ] ≠ 0

14.2.1. Modelos autoregresivos (AR) y Media Móvil (MA): En los momentos lineales se
caracteriza la autocorrelación mediante esquemas autoregresivos y de media móvil. El esquema
AR(p) significa la correlación entre momentos diferentes de tiempo, no se limita a dos periodos
sucesivos, sino que se mantiene para cualquier distancia entre esos dos momentos del tiempo:

El esquema MA(q) significa la correlación en momentos diferentes del tiempo solo se mantienen en
dos periodos inmediatamente sucesivos desapareciendo la distancia en el tiempo es superior al orden
de MA.
14.2.2. Naturaleza de la Autocorrelación: Las causas más frecuentes que dan lugar a la
Autocorrelación son las siguientes:
• Una mala especificación del modelo, consiste en variables explicativas omitidas o en la
elección incorrecta de la forma funcional.
• La inercia de las variables económicas.
• La presencia de variables rezagadas en los modelos:

• Existencia de ciclos y tendencias.

• El conjunto de variables explicativas del modelo no explica adecuadamente dicho
comportamiento, entonces el termino de error incorporara dicha tendencia, y esto conduce a
la existencia de autocorrelación positiva.
• Manipulación de datos, en especial cuando se realiza la interpolación y extrapolación de la
información

14.2.3. Consecuencias de la Autocorrelación: Algunas consecuencias son las siguientes:

• Los estimadores de MCO ya no son eficientes.
• El modelo tiene un esquema autorregresivo AR(p).

14.2.4. Formas de detección de la Autocorrelación: No existe una forma segura de detección, todas
son aproximadas, así que realizaremos algunas pruebas para determinar si nuestro modelo presenta
este problema:

14.2.4.1. Contrastes gráficos: Consiste en realizar un contraste visual de la dispersión para

determinar un patrón sistemático como indicio de la presencia de autocorrelación:
Cuando el modelo presenta un patrón sistemático o una tendencia a ser sistemática esto es un
indicio de presencia de autocorrelación en el modelo. Entonces anteriormente se realizó la
estimación del modelo de los cuales se obtuvo sus residuos et que son los siguientes:
Año Y X2 X3 X4 X5 X6 Yest et
2005 108,789 398 74,943 94,887 210,945 548 134,242894 -25,4538937
2006 220,56 345 80,934 102,009 240,677 570 214,91432 5,64567992
2007 348,789 467 97,667 119,678 280,899 590 337,415355 11,3736453
2008 446,793 587 101,345 130,878 290,776 638 418,397751 28,3952491
2009 517,877 601 116,623 145,156 302,888 650 523,985366 -6,10836555
2010 669,48 668 120,454 155,14 361,903 668 677,801892 -8,32189197
2011 841,422 840 151,391 194,984 454,85 840 847,5653 -6,14329998
2012 1035,942 1034 186,389 240,061 540,003 1034 1030,63863 5,30336893
2013 1255,503 1253 225,893 290,94 678,691 1253 1259,27969 -3,77669205
2014 1375,073 1373 247,406 318,648 743,328 1373 1376,45097 -1,37796635
2015 1481,343 1479 266,527 343,274 800,774 1479 1482,08067 -0,7376674
2016 1595,824 1593 287,124 369,803 862,66 1593 1596,33683 -0,51282632
2017 1719,154 1716 309,314 398,383 929,329 1716 1718,98678 0,16722471
2018 1852,014 1849 333,219 429,338 1001,149 1849 1853,92211 -1,90811083
2019 1995,142 1992 358,971 462,338 1078,521 1992 1991,68645 3,45555107

Entonces procedemos a realizar la gráfica de et vs tiempo:

Mediante este graficó podemos determinar que el modelo tiende a un patrón sistemático el
cual nos da indicio de que existe autocorrelación en el modelo. También se realizará la gráfica
de et vs et-1 cuya grafica es:
 Como los puntos se ubican en el cuadrante I y III entonces existe autocorrelación positiva.

14.2.4.3. Contraste de Durbin-Watson: Dado el MLG, el test de Durbin-Watson permite

contrastar si el termino de perturbación esta auto correlacionado según esquema
autoregresivos de primer orden:

La prueba consiste:
et et-1 et - et-1 (et - et-1)2 et2 et * et-1 (et * et-1)2
-25,4538937 0 647,901 0 647,900703
5,645679921 -25,4538937 31,0996 967,1835 31,874 -143,704536 31,8737018
11,37364531 5,64567992 5,7280 32,8096 129,360 64,2119609 129,359808
28,3952491 11,3736453 17,0216 289,7350 806,290 322,957492 806,290172
-6,10836555 28,3952491 -34,5036 1190,4994 37,312 -173,448561 37,3121297
-8,32189197 -6,10836555 -2,2135 4,8997 69,254 50,8331582 69,253886
-6,14329998 -8,32189197 2,1786 4,7463 37,740 51,1238788 37,7401347
5,30336893 -6,14329998 11,4467 131,0262 28,126 -32,5801863 28,125722
-3,77669205 5,30336893 -9,0801 82,4475 14,263 -20,0291913 14,2634028
-1,37796635 -3,77669205 2,3987 5,7539 1,899 5,20415454 1,89879125
-0,7376674 -1,37796635 0,6403 0,4100 0,544 1,01648086 0,5441532
-0,51282632 -0,7376674 0,2248 0,0506 0,263 0,37829526 0,26299084
0,167224713 -0,51282632 0,6801 0,4625 0,028 -0,08575723 0,0279641
-1,90811083 0,16722471 -2,0753 4,3070 3,641 -0,31908329 3,64088694
3,455551073 -1,90811083 5,3637 28,7689 11,941 -6,59357442 11,9408332
-3,4555461 28,9094 2743,1000 1172,535 118,96453 1820,43528
i. Planteamiento de la hipótesis:
𝐻𝑜: 𝜌 = 0 No existe auto correlación AR (1)
𝐻𝑎: 𝜌 ≠ 0 Existe auto correlación AR (1)
ii. Estadístico de prueba (valor calculado):

∑(𝒆𝒕 −𝒆𝒕−𝟏 )𝟐 𝟑𝟑𝟗𝟏,𝟎𝟎𝟎𝟔𝟔

𝑫𝑾 = ∑ 𝒆𝟐
= 𝟏𝟖𝟐𝟎,𝟒𝟑𝟓𝟐𝟖 =1,86274168

iii. Estadístico teórico (valor crítico): con k = 2

Se obtiene:

𝑑𝐿 = 1.015

𝑑𝑈 = 1.536

4 − 𝑑𝐿 = 2.985

4 − 𝑑𝑈 = 2.464

El estadístico de prueba DW = 1,8627 se encuentra en la zona de indecisión entre 𝑑𝐿 y 𝑑𝑢 en la

recta.
iv) Conclusión: A un nivel de significancia del 5% no se tiene una conclusión acerca de la presencia
de autocorrelación, y este debe ser evaluado con otras pruebas.
14.2.4.4 Contraste h de Durbin:
La prueba consiste:
et et-1 et * et-1 (et * et-1)2
-25,4538937 0 0 647,900703
5,645679921 -25,4538937 -143,704536 31,8737018
11,37364531 5,64567992 64,2119609 129,359808
28,3952491 11,3736453 322,957492 806,290172
-6,10836555 28,3952491 -173,448561 37,3121297
-8,32189197 -6,10836555 50,8331582 69,253886
-6,14329998 -8,32189197 51,1238788 37,7401347
5,30336893 -6,14329998 -32,5801863 28,125722
-3,77669205 5,30336893 -20,0291913 14,2634028
 -1,37796635 -3,77669205 5,20415454 1,89879125
-0,7376674 -1,37796635 1,01648086 0,5441532
-0,51282632 -0,7376674 0,37829526 0,26299084
0,167224713 -0,51282632 -0,08575723 0,0279641
-1,90811083 0,16722471 -0,31908329 3,64088694
3,455551073 -1,90811083 -6,59357442 11,9408332
-3,45554615 118,96453 1820,43528

i. Planteamiento de la hipótesis:
𝐻𝑜: 𝜌 = 0 No existe auto correlación AR (1)
𝐻𝑎: 𝜌 ≠ 0 Existe auto correlación AR (1)
ii. Estadístico de prueba (valor calculado):

∑(𝒆𝒕 ∗ 𝒆𝒕−𝟏 ) 𝟏𝟏𝟖. 𝟗𝟔𝟒𝟓

̂=
𝒑 𝟐
= = 𝟎. 𝟎𝟔𝟓𝟑𝟓
∑𝒆 𝟏𝟖𝟐𝟎, 𝟒𝟑𝟓𝟐𝟖

.
Par el cálculo de 𝜎𝑏𝑡−1 2 se debe desviar nuestros datos de preferencia Y:
Año Y X2 X3 X4 X5 X6 Yest et
2005 108,789 398 74,943 94,887 210,945 548 134,242894 -25,4538937
2006 220,56 345 80,934 102,009 240,677 570 214,91432 5,64567992
2007 348,789 467 97,667 119,678 280,899 590 337,415355 11,3736453
2008 446,793 587 101,345 130,878 290,776 638 418,397751 28,3952491
2009 517,877 601 116,623 145,156 302,888 650 523,985366 -6,10836555
2010 669,48 668 120,454 155,14 361,903 668 677,801892 -8,32189197
2011 841,422 840 151,391 194,984 454,85 840 847,5653 -6,14329998
2012 1035,942 1034 186,389 240,061 540,003 1034 1030,63863 5,30336893
2013 1255,503 1253 225,893 290,94 678,691 1253 1259,27969 -3,77669205
2014 1375,073 1373 247,406 318,648 743,328 1373 1376,45097 -1,37796635
2015 1481,343 1479 266,527 343,274 800,774 1479 1482,08067 -0,7376674
2016 1595,824 1593 287,124 369,803 862,66 1593 1596,33683 -0,51282632
2017 1719,154 1716 309,314 398,383 929,329 1716 1718,98678 0,16722471
2018 1852,014 1849 333,219 429,338 1001,149 1849 1853,92211 -1,90811083
2019 1995,142 1992 358,971 462,338 1078,521 1992 1991,68645 3,45555107
De esta manera ahora se trabaja con 14 datos, ahora estimando el modelo:

108,789 1 398 74,943 94,887 210,945 210,945 548

220,56 1 345 80,934 102,009 240,677 240,677 570
348,789 1 467 97,667 119,678 280,899 280,899 590
446,793 1 587 101,345 130,878 290,776 290,776 638
517,877 1 601 116,623 145,156 302,888 302,888 650
669,48 1 668 120,454 155,14 361,903 361,903 668
Y= 841,422 X= 1 840 151,391 194,984 454,85 454,85 840
1035,942 1 1034 186,389 240,061 540,003 540,003 1034
1255,503 1 1253 225,893 290,94 678,691 678,691 1253
1375,073 1 1373 247,406 318,648 743,328 743,328 1373
1481,343 1 1479 266,527 343,274 800,774 800,774 1479
1595,824 1 1593 287,124 369,803 862,66 862,66 1593
1719,154 1 1716 309,314 398,383 929,329 929,329 1716
1852,014 1 1849 333,219 429,338 1001,149 1001,149 1849

14 14203 2599,229 3333,179 7698,872 14801

14203 17965953 3254517 4184876,19 9708483,37 18220105
2599,229 3254517 590170,864 758715,71 1760008,22 3306864,76
3333,179 4184876,19 758715,71 975462,044 2262952,22 4250569,08
7698,872 9708483,37 1760008,22 2262952,22 5251615,8 9858499,11
14801 18220105 3306864,76 4250569,08 9858499,11 18567513

1,287013427 -2,4098E-05 -0,06027345 0,04019095 0,01301289 -0,006334706

-2,40975E-05 0,00025362 0,00271609 -0,00395368 0,0002267 5,20901E-05

-0,06027345 0,00271609 0,07330521 -0,0782912 0,00375263 0,000255037

0,04019095 -0,00395368 -0,0782912 0,09505967 -0,00618053 -0,000686215
0,013012892 0,0002267 0,00375263 -0,00618053 0,00099707 -1,55374E-05
-0,006334706 5,209E-05 0,00025504 -0,00068621 -1,5537E-05 7,37144E-05

13468,563
17649575
3192571,59
4106937,75
9534106,48
17806582,8
̂𝒊 = (𝑿𝑻 ∗ 𝑿)−𝟏 ∗ (𝑿𝑻 ∗ 𝒀)
𝜷
14,809457
-0,39884747
-13,9507311
23,8691244
0,52602691
-1,92032107

𝒀𝒕−𝟏 = 𝟏𝟒, 𝟖𝟎𝟗𝟓 − 𝟎, 𝟑𝟗𝟖𝟖𝑿𝟏 − 𝟏𝟑, 𝟗𝟓𝟎𝟕𝑿𝟐 + 𝟐𝟑, 𝟖𝟔𝟗𝟏𝑿𝟑 + 𝟎, 𝟓𝟐𝟔𝟎𝑿𝟒 − 𝟏, 𝟗𝟐𝟎𝟑𝑿𝟓

Ahora debemos realizar el cálculo de 𝜎𝑌𝑡−12

2
𝑆𝐶𝐸 𝛽̂ 𝑇 𝑋 𝑇 𝑋 − 𝑌 𝑇 𝑌 1820,43
𝜎𝑡−1 = = = = 227.5538
𝑛−𝑘 𝑛−𝑘 14 − 6

𝟏𝟒
𝒉 = 𝟎. 𝟎𝟔𝟓𝟑𝟓 ∗ √ = 𝟏. 𝟑𝟔𝟓𝟔
𝟏 + 𝟏𝟒 ∗ 𝟐𝟐𝟕. 𝟓𝟓𝟑𝟖

iii. Estadístico teórico:

𝑍𝛼 = 𝑍0.025 = 1.96
2

iv. Conclusión: A un nivel de significación del 5% se acepta la hipótesis nula por lo tanto en el
modelo no existe el problema de autocorrelación.
14.2.4.4 Contraste en base Multiplicador de Lagrange:
La prueba consiste en estimar el modelo en función de et que esta será la variable dependiente de esta
manera obtener el R2 auxiliar y realizar el contraste:
 -
25,4538937 1 398 74,943 94,887 210,945 210,945 548
5,64567992 1 345 80,934 102,009 240,677 240,677 570
11,3736453 1 467 97,667 119,678 280,899 280,899 590
28,3952491 1 587 101,345 130,878 290,776 290,776 638
-6,10836555 1 601 116,623 145,156 302,888 302,888 650
-8,32189197 1 668 120,454 155,14 361,903 361,903 668
Y= -6,14329998 X= 1 840 151,391 194,984 454,85 454,85 840
5,30336893 1 1034 186,389 240,061 540,003 540,003 1034
-3,77669205 1 1253 225,893 290,94 678,691 678,691 1253
-1,37796635 1 1373 247,406 318,648 743,328 743,328 1373
-0,7376674 1 1479 266,527 343,274 800,774 800,774 1479
-0,51282632 1 1593 287,124 369,803 862,66 862,66 1593
0,16722471 1 1716 309,314 398,383 929,329 929,329 1716
-1,90811083 1 1849 333,219 429,338 1001,149 1001,149 1849

14 15797 2883,257 3700,63 8566,448 16245

15797 21775613 3939759,91 5068088,46 11772941,1 21970065
2883,257 3939759,91 713414,59 917570,528 2131357,13 3980866,23
3700,63 5068088,46 917570,528 1180214,93 2741577,52 5119548,3
8566,448 11772941,1 2131357,13 2741577,52 6370325,55 11891315,1
16245 21970065 3980866,23 5119548,3 11891315,1 22235273

1,34753089 -0,00227882 -0,06701487 0,0642535 0,01307981 -0,00852396

-0,00227882 0,00033762 0,00296726 -0,00485019 0,0002242 0,00013366

-0,06701487 0,00296726 0,07405618 -0,08097168 0,00374518 0,00049891

0,0642535 -0,00485019 -0,08097168 0,10462727 -0,00615392 -0,00155669
0,01307981 0,0002242 0,00374518 -0,00615392 0,00099714 -1,7958E-05
-0,00852396 0,00013366 0,00049891 -0,00155669 -1,7958E-05 0,00015291

15463,705
21623897,83
3908769,712
5029367,712
11685909,03
21780905,65
̂𝒊 = (𝑿𝑻 ∗ 𝑿)−𝟏 ∗ (𝑿𝑻 ∗ 𝒀)
𝜷
 12,77523297
-0,396288235
-13,83392951
23,7526281
0,51885773
-1,911166987

𝒆𝒕−𝟏 = 𝟏𝟐, 𝟕𝟕𝟓𝟐 − 𝟎, 𝟑𝟗𝟔𝟑𝑿𝟏 − 𝟏𝟑, 𝟖𝟑𝟑𝟗𝑿𝟐 + 𝟐𝟑, 𝟖𝟑𝟑𝟗𝑿𝟑 + 𝟎, 𝟓𝟏𝟖𝟗𝑿𝟒 − 𝟏, 𝟗𝟏𝟏𝟐𝑿𝟓

𝑺𝑪𝑹 𝜷 ̂ 𝑻 𝑿𝑻 𝒀 − 𝒏𝒀
̅𝟐
𝑹𝟐 = =
𝑺𝑪𝑻 𝒀𝑻 𝒀 − 𝒏𝒀 ̅𝟐

𝛽̂ 𝑇 = 12,7752 − 0,3963𝑋1 − 13,8339𝑋2 23,8339𝑋3 0,5189𝑋4 − 1,9112𝑋5

15463,705
21623897,83
3908769,712
𝑋𝑇 𝑌 =
5029367,712
11685909,03
21780905,65

𝑌̅ = 1030,9137 n=15

𝑌 𝑇 𝑌 = 21453509,2

𝛽̂ 𝑇 𝑋 𝑇 𝑌 = 21451688,7

2
𝑆𝐶𝑅 𝛽̂ 𝑇 𝑋 𝑇 𝑌 − 𝑛𝑌̅ 2 21451688,7 − 15 ∗ (1030,9137)2
𝑅 = = =
𝑆𝐶𝑇 𝑌 𝑇 𝑌 − 𝑛𝑌̅ 2 21453509,2 − 15 ∗ (1030,9137)2

𝑹𝟐 = 𝟎, 𝟗𝟗𝟗𝟕 → 𝟗𝟗, 𝟗𝟕%

Se puede observar que el modelo tiene buena bondad de ajuste, ya que este es mayor de 99.97%
i. Planteamiento de la hipótesis:
𝐻𝑜: 𝜌 = 0 No existe auto correlación AR (1)
𝐻𝑎: 𝜌 ≠ 0 Existe auto correlación AR (1)
ii. Estadístico de prueba (valor calculado):

2
𝑅𝑎𝑢𝑥 = 0.9997

iii. Estadístico teórico:

2
𝑋1;0.05 = 3.841
iv. Contraste

15 ∗ 0.9997 > 3.841 → 14.9955 > 3.841

A un nivel de significancia del 5% se rechaza la hipótesis nula por lo tanto se concluye que el modelo
presenta autocorrelación AR (1).
14.2.4.4 Contraste de aleatoriedad de residuos:
El contraste de aleatoriedad se basa en la aplicación de la prueba no paramétrica de la aleatoriedad a
los residuos del modelo original:
- - - - - - - - - -
5,645 11,37 28,395 6,108 8,321 5,303 0,737 0,1672 5,6456 11,373
25,45 2491 6,143 3,776 1,377 0,512 1,9081 25,453 7992 6453
67992 36453 36555 89197 36893 6674 2471
38937 29998 69205 96635 82632 1083 8937

𝑛1 = 𝑒+= 7

𝑛2 = 𝑒−= 10

𝑅=8
i. Planteamiento de la hipótesis:

𝐻𝑜: Existe aleatoriedad en la secuencia de los residuos

𝐻𝑎: No existe aleatoriedad en la secuencia de los residuos

ii. Estadístico de prueba (valor calculado):

𝟐 ∗ 𝒏𝟏 ∗ 𝒏𝟐 𝟐 ∗ 𝟕 ∗ 𝟏𝟎
𝒖𝑹 = +𝟏= + 𝟏 = 𝟗. 𝟐𝟑𝟓𝟑
𝒏𝟏 + 𝒏𝟐 𝟕 + 𝟏𝟎

2 ∗ 𝑛1 ∗ 𝑛2 ∗ (2 ∗ 𝑛1 ∗ 𝑛2 − 𝑛1 − 𝑛2) 2 ∗ 7 ∗ 10 ∗ (2 ∗ 7 ∗ 10 − 7 − 10)
𝜎𝑅2 = = = 3.7240
(𝑛1 + 𝑛2)2 ∗ (𝑛1 + 𝑛2 − 1) (7 + 10)2 ∗ (7 + 10 − 1)

𝑅 − 𝑢𝑅 8 − 9.2353
𝑍𝑐 = = = −0.3317
𝜎𝑅2 3.7240
iii. Estadístico teórico:

𝑍𝛼 = 𝑍0.025 = 1.96
2

iv. Contraste

𝑅. 𝑅 = 0.3317 < 1.96 𝑆𝑒 𝑎𝑐𝑒𝑝𝑡𝑎 𝑙𝑎 ℎ𝑖𝑝𝑜𝑡𝑒𝑠𝑖𝑠 𝑛𝑢𝑙𝑎

A un nivel de significancia del 5% se acepta la hipótesis nula por lo tanto se concluye que el modelo
no presenta problemas de autocorrelación.
14.2.4.5 Contraste de independencia de residuos:
e e(t-1)
-25,4538937
5,645679921 -25,4538937
11,37364531 5,645679921
28,3952491 11,37364531
-6,10836555 28,3952491
-8,32189197 -6,10836555
-6,14329998 -8,32189197
5,30336893 -6,14329998
-3,77669205 5,30336893
-1,37796635 -3,77669205
-0,7376674 -1,37796635
-0,51282632 -0,7376674
0,167224713 -0,51282632
-1,90811083 0,167224713
3,455551073 -1,90811083

N° de residuos N° de residuos Total, Tj

positivos en i negativos en i

N° de residuos positivos en i -1 2 3 5

N° de residuos negativos en i -1 4 5 9

Total, Ti 6 8 14
i. Planteamiento de la hipótesis:

𝐻𝑜: Existe independencia en la secuencia de los residuos

𝐻𝑎: No existe independencia en la secuencia de los residuos

ii. Estadístico de prueba (valor calculado):

5∗6
𝑓𝑒𝑖1 = = 2.1429
14
5∗8
𝑓𝑒𝑖2 = = 2.8571
14
9∗6
𝑓𝑒𝑖3 = = 3.8571
14
9∗8
𝑓𝑒𝑖4 = = 5.1429
14
2
(𝑓𝑂𝑖𝑗 − 𝑓𝑒𝑖𝑗 ) (2 − 2.1429)2 (3 − 2.8571)2 (9 − 3.8571)2 (8 − 5.1429)2
𝑋𝐶2 = = + + + = 8.4613
𝑓𝑒𝑖𝑗 2.1429 2.8571 3.8571 5.1429

iii. Estadístico teórico (valor crítico):

Dónde:
𝑟 = número de filas
𝑘 = número de columnas
iv. Contraste:
𝑅. 𝑅. 8.4613 > 3.841 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 ℎ𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝑛𝑢𝑙𝑎

v. Conclusión: A un nivel de significación del 5% se rechaza la hipótesis nula por lo tanto se concluye
que si existe auto- correlación en el modelo.
CONCLUSIÓN: Con las diferentes pruebas que se realizó al modelo se puede llegar a la concluir
que el modelo no presenta problemas de autocorrelación.
14.3 HETEROCEDASTICIDAD
La heterocedasticidad es la existencia de una varianza no constante en las perturbaciones aleatorias
de un modelo econométrico. Este problema no cumple con el siguiente postulado del MLG:
• La varianza del término de perturbación es constante:
• En presencia de Heterocedasticidad:
14.3.1 Naturaleza de Heterocedasticidad
Las causas más frecuentes que dan lugar a un modelo heterocedastico son los siguientes:
❖ Variables explicativas con una distribución asimétrica o amplio recorrido.
❖ Variables explicativas con amplio recorrido.
❖ Omisión de variables relevantes en el modelo especificado.
❖ Cambio de estructura.
❖ Forma funcional incorrecta.
❖ Modelos de aprendizaje sobre los errores
❖ Presencia de puntos atípicos.

14.3.2 Consecuencias de Heterocedasticidad

En términos generales los efectos de la presencia de heterocedasticidad son:
❖ El estimador de mínimos cuadrados ordinarios sigue siendo lineal, insesgado y
consistente, pero deja de ser eficiente (Varianza grande).
❖ Incorrecta estimación de parámetros dado que la matriz de varianzas y covarianzas es no
escalar, el procedimiento correcto de estimación debe incluir y emplear los estimadores
MCG.
❖ Calculo incorrecto de varianzas y parámetros ineficientes
❖ Invalidez del contraste de significación.

14.3.3 Formas para detectar Heterocedasticidad

14.3.3.1 METODO GRAFICO
Año Y X2 X3 X4 X5 X6 Yest et
2005 108,789 398 74,943 94,887 210,945 548 134,242894 -25,4538937
2006 220,56 345 80,934 102,009 240,677 570 214,91432 5,64567992
2007 348,789 467 97,667 119,678 280,899 590 337,415355 11,3736453
2008 446,793 587 101,345 130,878 290,776 638 418,397751 28,3952491
2009 517,877 601 116,623 145,156 302,888 650 523,985366 -6,10836555
2010 669,48 668 120,454 155,14 361,903 668 677,801892 -8,32189197
2011 841,422 840 151,391 194,984 454,85 840 847,5653 -6,14329998
2012 1035,942 1034 186,389 240,061 540,003 1034 1030,63863 5,30336893
2013 1255,503 1253 225,893 290,94 678,691 1253 1259,27969 -3,77669205
2014 1375,073 1373 247,406 318,648 743,328 1373 1376,45097 -1,37796635
2015 1481,343 1479 266,527 343,274 800,774 1479 1482,08067 -0,7376674
2016 1595,824 1593 287,124 369,803 862,66 1593 1596,33683 -0,51282632
2017 1719,154 1716 309,314 398,383 929,329 1716 1718,98678 0,16722471
2018 1852,014 1849 333,219 429,338 1001,149 1849 1853,92211 -1,90811083
2019 1995,142 1992 358,971 462,338 1078,521 1992 1991,68645 3,45555107
Conclusión: De acuerdo al grafico se puede ver que existe Heteroscedasticidad, se ve una
relación cuadrática
14.3.3.2 CONTRASTE DE BREUSCH PAGAN:
i. Planteamiento de la hipótesis:

ii. Estadístico de prueba (valor calculado):

Uc=7.668054
iii. Estadístico teórico (valor crítico):

iv. Contraste:

v. Conclusión: A un nivel de significación del 5% se acepta la hipótesis nula por lo tanto

se concluye que no existe Heterocedasticidad en el modelo.

14.3.3.3 CONTRASTE DE GLEJSER

i. Planteamiento de la hipótesis 1 variable:

ii. Estadístico de prueba (valor calculado):

tc = 1.05
iii. Estadístico teórico (valor crítico):

iv. Contraste:

v. Conclusión: A un nivel de significación del 5% se acepta la hipótesis nula por lo tanto

se concluye que no existe Heterocedasticidad en el modelo.
i. Planteamiento de la hipótesis 2 variable:

ii. Estadístico de prueba (valor calculado):

tc = 1.05
iii. Estadístico teórico (valor crítico):

iv. Contraste:

v. Conclusión: A un nivel de significación del 5% se acepta la hipótesis nula por lo tanto

se concluye que no existe Heterocedasticidad en el modelo.
i. Planteamiento de la hipótesis 3 variable:

ii. Estadístico de prueba (valor calculado):

tc = -1.4129
iii. Estadístico teórico (valor crítico):
iv. Contraste:

v. Conclusión: A un nivel de significación del 5% se acepta la hipótesis nula por lo tanto

se concluye que no existe Heterocedasticidad en el modelo.
i. Planteamiento de la hipótesis 4 variable:

ii. Estadístico de prueba (valor calculado):

tc = -1.7272
iii. Estadístico teórico (valor crítico):

iv. Contraste:

v. Conclusión: A un nivel de significación del 5% se acepta la hipótesis nula por lo tanto

se concluye que no existe Heterocedasticidad en el modelo.
 i. Planteamiento de la hipótesis 5 variable:

ii. Estadístico de prueba (valor calculado):

tc = -1.8357
iii. Estadístico teórico (valor crítico):

iv. Contraste:

v. Conclusión: A un nivel de significación del 5% se acepta la hipótesis nula por lo tanto

se concluye que no existe Heterocedasticidad en el modelo.
14.3.3.4 CONTRASTE DE PARK
e^2 x2 In e^2 In X2 Y est error xi
647,900703 398 6,47373745 5,98645201 5,60357597 0,75718099 464669,444
31,8737018 345 3,46178127 5,84354442 6,12210465 7,07732049 539735,111
129,359808 467 4,86259773 6,14632926 5,02347423 0,02588125 375360,444
806,290172 587 6,69244369 6,37502482 4,1936708 6,24386598 242720,444
37,3121297 601 3,61931847 6,39859493 4,10814853 0,23895483 229121,778
69,253886 668 4,23777926 6,50428817 3,72464912 0,26330254 169469,444
37,7401347 840 3,63072411 6,73340189 2,89332844 0,54375237 57440,1111
28,125722 1034 3,33668453 6,94119006 2,13938582 1,43352421 2085,44444
14,2634028 1253 2,65769701 7,13329595 1,44234502 1,47708046 30044,4444
1,89879125 1373 0,6412175 7,22475341 1,11049903 0,22022515 86044,4444
0,5441532 1479 -0,60852446 7,29912146 0,84066052 2,1001371 159467,111
0,26299084 1593 -1,33563609 7,37337431 0,57124004 3,63617659 263511,111
0,0279641 1716 -3,57683357 7,44775128 0,30136919 15,0404567 404920,111
3,64088694 1849 1,29222732 7,52240023 0,03051148 1,59192685 591873,778
11,9408332 1992 2,47996389 7,59689444 -0,23978475 7,39703268 832352,111
48,0468182 4448815,33

𝐼𝑛(𝑒 2 ) = 27,3249352 − 3.6284195 𝐼𝑛(𝑋2𝑖 )

∑ 𝑒𝑖2 48,0468182
𝜎𝑢2 = = = 3.6959
𝑛−2 15 − 2

3.6959
𝜎𝛽̂22 = = 8.3076 ∗ 10−7
4448815.33

√𝜎𝛽̂22 = √8.3076 ∗ 10−7 = 0.0009

i. Planteamiento de la hipótesis:

ii. Estadístico de prueba (valor calculado):

−3.6284 − 0
𝑡𝑐 = = −3980.8631
0.0009
iii. Estadístico teórico (valor crítico):
𝑡𝛼𝑛−𝑘 = 𝑡0.05
15−2
= 2.160
2 2
iv. Contraste:
R.R. 3980,8631>2.160 Se rechaza la hipótesis nula

v. Conclusión: A un nivel de significación del 5% se rechaza la hipótesis nula por lo tanto

se concluye que existe Heterocedasticidad en el modelo
14.3.3.5 RANGOS DE SPEARMAN
e X2 [e] Rx R[e] di=Rx-R[e] di^2
-25,4538937 398 25,4538937 1 14 -13 169
5,645679921 345 5,64567992 2 9 -7 49
11,37364531 467 11,3736453 3 13 -10 100
28,3952491 587 28,3952491 4 15 -11 121
-6,10836555 601 6,10836555 5 10 -5 25
-8,32189197 668 8,32189197 6 12 -6 36
-6,14329998 840 6,14329998 7 11 -4 16
5,30336893 1034 5,30336893 8 8 0 0
-3,77669205 1253 3,77669205 9 7 2 4
-1,37796635 1373 1,37796635 10 4 6 36
-0,7376674 1479 0,7376674 11 3 8 64
-0,51282632 1593 0,51282632 12 2 10 100
0,167224713 1716 0,16722471 13 1 12 144
-1,90811083 1849 1,90811083 14 5 9 81
3,455551073 1992 3,45555107 15 6 9 81
1026

6 ∗ ∑ 𝑑𝑖2 6 ∗ 1026
𝑟𝑆 = 1 − = 1 − = −0.8321
𝑛(𝑛2 − 1) 15 ∗ (152 − 1)

i. Planteamiento de la hipótesis:
Ho: No existe asociación entre variables.

Ha: Existe asociación entre variables.

ii. Estadístico de prueba (valor calculado):
−0.8321 ∗ √15 − 2
𝑡𝑐 = = −5.4094
√1 − (−0.8321)2
iii. Estadístico teórico (valor crítico):
𝑡𝑐 ≈ 𝑡𝛼𝑛−2
2

iv. Contraste:
R.R. 5.4094>2.160 Se rechaza la hipótesis nula
 v. Conclusión: A un nivel de significación del 5% se rechaza la hipótesis nula por lo tanto
se concluye que existe Heterocedasticidad en el modelo
14.3.3.6 CONTRASTE DE GOLFELD- QUAND
𝑛 15
𝐶= = =5
3 3

𝑛 − 𝐶 15 − 5
= =5
2 2

Yest PRODUCCION CONSERVANTES Ordenado Pares e^2=(Y- Yest

DE LECHE DE KG X de X Yest) ^2
COCO LT
220,36671 108,789 398 398 108,789 12449,5854 220,36671
150,093069 220,56 345 345 220,56 4965,5884 150,093069
311,855036 348,789 467 467 348,789 1364,11769 311,855036
470,965168 446,793 587 587 446,793 584,293706 470,965168
489,528017 517,877 601 601 517,877 803,664853 489,528017
669,48 668 668
841,422 840 840
1035,942 1034 1034
1255,503 1253 1253
1375,073 1373 1373
1481,5604 1481,343 1479 1479 1481,343 0,04726264 1481,5604
1595,71514 1595,824 1593 1593 1595,824 0,01185038 1595,71514
1718,8821 1719,154 1716 1716 1719,154 0,07393085 1718,8821
1852,06263 1852,014 1849 1849 1852,014 0,00236475 1852,06263
1995,25673 1995,142 1992 1992 1995,142 0,01316374 1995,25673

SCE1 = 20167,2501

SCE2 = 0,14857236

i. Planteamiento de la hipótesis:
𝐻𝑜 ∶ 𝜎𝑖2 = 𝜎𝑢2 (Homocedasticidad)
𝐻𝑎 ∶ 𝜎𝑖2 ≠ 𝜎𝑢2 (Heterocedasticidad)
ii. Estadístico de prueba (valor calculado):

𝑆𝐶𝐸2 0.148572
𝜆= = = 7.367 ∗ 10−6
𝑆𝐶𝐸1 20167.25
 iii. Estadístico teórico (valor crítico):
𝑛−𝑐−2𝑘 𝑛−𝑐−2𝑘
,
𝜆≈ 𝐹𝛼 2 2

𝑛 − 𝑐 − 2𝑘 15 − 5 − 2 ∗ 2
𝐷𝑜𝑛𝑑𝑒: 𝑔𝑙 = = =3
2 2
iv. Contraste:
𝒏−𝒄−𝟐𝒌 𝒏−𝒄−𝟐𝒌
,
𝟐 𝟐
R.R. |𝜆| > 𝑭𝜶

R. R 𝟕. 𝟑𝟔𝟕 ∗ 𝟏𝟎−𝟔 <9.277 Se acepta la hipótesis nula

v. Conclusión: A un nivel de significación del 5% se acepta la hipótesis nula por lo tanto

se concluye que no existe Heterocedasticidad en el modelo
15. INTERPRETACION DE RESULTADOS
MULTICOLINEALIDAD:

PRUEBA CONCLUSIÓN
Observaciones de carácter Existe presencia de multicolinealidad
estadístico
Regla de Klein y determinante Existe presencia de multicolinealidad
de la matriz
Examen de correlaciones Existe presencia de multicolinealidad
parciales
Contraste de Farrar Glauber Existe presencia de multicolinealidad

Regresiones auxiliares Existe presencia de multicolinealidad

Factor de agrandamiento de la Existe presencia de multicolinealidad
Varianza
Medida de Theil Existe presencia de multicolinealidad
 AUTOCORRELACIÓN:

PRUEBA CONCLUSIÓN
Contraste gráfico Existe presencia de Autocorrelación positiva
en el modelo.
Método de FAS y FAP No existe presencia de autocorrelación en el
modelo.
Durbin-Watson Cae en zona de incertidumbre.

H de Durbin No existe presencia de autocorrelación en el

modelo.
Contraste de aleatoriedad de No existe presencia de autocorrelación en el
residuos modelo.
Contraste de independencia de No existe presencia de autocorrelación en el
residuos modelo.
Contraste en base Existe presencia de autocorrelación en el modelo.
Multiplicador de Lagrange

HETEROCEDASTICIDAD:

PRUEBA CONCLUSIÓN
Contraste gráfico Existe presencia de Heterocedasticidad
en el modelo
Método Breusch-Pagan No existe presencia de Heterocedasticidad en el modelo.

Contraste de Glesjer No existe presencia de Heterocedasticidad

en el modelo.
Contraste de Park Existe presencia de Heterocedasticidad
en el modelo.
Contraste de Rangos de Existe presencia de Heterocedasticidad
Spearman en el modelo.
Contraste de Golfeld - Quandt No existe presencia de Heterocedasticidad en el modelo.

Con la validación econométrica del modelo podemos llegar a la conclusión que con las diferentes
pruebas a las que se sometió al modelo, este presenta problemas de Multicolinealidad. Con lo que se
pasa al siguiente punto que es la corrección del modelo.

16. PLANTEAMIENTO Y ANALISIS PARA LA CORRECCION DEL MODELO

Con la detección del problema que presenta el modelo el cual es la presencia de Multicolinealidad se
tienen algunas posibles soluciones:
• Mejorar el diseño muestral extrayendo la información máxima de las variables observadas.
• Eliminación de la o las variables que se sospecha son causantes de la Multicolinealidad.
• En caso de disponer de pocas observaciones, aumentar el tamaño de la muestra
• Incorporar estimaciones de otros estudios.
 • Utilizar la relación extra muestral que permita realizar relaciones entre los parámetros
(información a priori) que permita estimar el modelo por mínimos cuadrados restringidos.
• No hacer nada, La multicolinealidad es una deficiencia de los datos, no de los métodos
estadísticos.
• Transformar los datos, con datos de sección cruzada, se recomienda utilizar cocientes de
variables.
Entre tantas soluciones para este problema nosotros optaremos por la eliminación de la o las variables
que estén causando dicho problema por lo cual se empleara el método de la Medida de Theil cuyo
método ya nos da un indicio de que variable debemos eliminar debido a que es la causante de este
problema además de ser la variable que menos aporta la modelo.

17. PRESENTACION Y PREDICCION DEL MODELO CORREGIDO

Como se observó el modelo presenta multicolinealidad, se realiza el cálculo de la
medida de Theil:
2 2 2 2 2 2 2 2 2 2 2
𝑚 = 𝑅𝑔𝑙𝑏 − (𝑅𝑔𝑙𝑏 − 𝑅2𝑖 ) − (𝑅𝑔𝑙𝑏 − 𝑅3𝑖 ) − (𝑅𝑔𝑙𝑏 − 𝑅4𝑖 ) − (𝑅𝑔𝑙𝑏 − 𝑅5𝑖 ) − (𝑅𝑔𝑙𝑏 − 𝑅6𝑖 )

𝑚 = 0,9997 − (0,9997 − 0,9996) − (0,9997 − 0,9992) − (0,9997 − 0,9986)

− (0,9997 − 0,9996) − (0,9997 − 0,9907) = 0,9889

Como el valor de m tiende a 1 indica presencia de Multicolinealidad.

∆𝑋2𝑖 = 0,9997 − 0,9996 = 0,0001

∆𝑋3𝑖 = 0,9997 − 0,9992 = 0,0005

∆𝑋4𝑖 = 0,9997 − 0,9986 = 0,0011

∆𝑋5𝑖 = 0,9997 − 0,9996 = 0,0001

∆𝑋6𝑖 = 0,9997 − 0,9907 = 0,0090

∆𝑋2𝑖 𝑦 ∆𝑋5𝑖 𝑎𝑝𝑜𝑟𝑡𝑎𝑛 𝑚𝑒𝑛𝑜𝑠, 𝑝𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒 𝑑𝑒𝑏𝑒𝑛 𝑠𝑒𝑟 𝑒𝑙𝑖𝑚𝑖𝑛𝑎𝑑𝑜𝑠 𝑑𝑒𝑙 𝑚𝑜𝑑𝑒𝑙𝑜

Eliminando las variables:

Año Y X3 X4 X6
2005 108,789 74,943 94,887 548
2006 220,56 80,934 102,009 570
2007 348,789 97,667 119,678 590
2008 446,793 101,345 130,878 638
 2009 517,877 116,623 145,156 650
2010 669,48 120,454 155,14 668
2011 841,422 151,391 194,984 840
2012 1035,942 186,389 240,061 1034
2013 1255,503 225,893 290,94 1253
2014 1375,073 247,406 318,648 1373
2015 1481,343 266,527 343,274 1479
2016 1595,824 287,124 369,803 1593
2017 1719,154 309,314 398,383 1716
2018 1852,014 333,219 429,338 1849
2019 1995,142 358,971 462,338 1992

108,789 1 74,943 94,887 548

220,56 1 80,934 102,009 570
348,789 1 97,667 119,678 590
446,793 1 101,345 130,878 638
517,877 1 116,623 145,156 650
669,48 1 120,454 155,14 668
Y= 841,422 X= 1 151,391 194,984 840
1035,942 1 186,389 240,061 1034
1255,503 1 225,893 290,94 1253
1375,073 1 247,406 318,648 1373
1481,343 1 266,527 343,274 1479
1595,824 1 287,124 369,803 1593
1719,154 1 309,314 398,383 1716
1852,014 1 333,219 429,338 1849
1995,142 1 358,971 462,338 1992

15 2958,2 3795,517 16793

2958,2 719031,04 924681,64 4021935
3795,517 924681,64 1189218,5 5171546,4
16793 4021935 5171546,4 22535577

1,0731537 -0,0817527 0,0832375 -0,0053109

-0,0817527 0,0420082 -0,0315362 -0,0001993
0,0832375 -0,0315362 0,0246088 -8,105E-05
-0,0053109 -0,0001993 -8,105E-05 5,816E-05

𝑌̂ = −1,5871 − 11,0459 𝑋3 + 20,4834𝑋4 − 1,7615𝑋6

18. CONCLUSIONES
• Se aplicó todo lo aprendido en la materia para elaboración del presente proyecto.
• Se realizó la estimación de los parámetros del modelo por el método de mínimos cuadrados.
• Se pudo validar el modelo mediante validación estadística y econométrica.
• Se pudo comprobar mediante una prueba de significancia global que el modelo es globalmente
significativo. Se pudo comprobar que el modelo presentaba pocas significaciones individuales
lo cual nos daba un indicio de problemas econométricos en el modelo.
• Mediante la validación econométrica por los distintos métodos aplicados en la materia se
verifico que en el modelo existe presencia de Multicolinealidad, pero no existe presencia de
Heterocedasticidad ni de autocorrelación.
• Al identificar el problema se procedió a la corrección del mismo indicando que la variable
“Valor de las importaciones de Materias Primas y Productos Intermedios para la Industria” es
la variable causante del problema econométrico y no aporta significativamente al modelo por
lo cual se la elimino del modelo.
19. RECOMENDACIONES
• Realizar la correcta recolección de la información con métodos adecuados y de fuentes
confiables.
• Determinar de manera correcta las variables que explicara el modelo evitando la omisión de
variables relevantes y añadir variables que no aportan significativamente al modelo.
• Evitar un modelo sobre determinado esto quiere decir muy grande.
• Tener cuidado con la presencia de puntos atípicos en el modelo.
20. BIBLIOGRAFIA
• Tesis Estudio de implementación de una planta procesadora para la obtención de leche de
coco en el municipio de San Buenaventura – Ilda Sideli Gonzales Herrera – Tutor; M. Sc,
Leonardo Coronel Rodríguez
• Apuntes de docencia ING. MARCELINO ALIAGA, auxiliatura ANNET CARRILLO
• Usos de software: minitab, statgraphics y EViews