La-homocedasticidad.docx

TRABAJO DE INVESTIGACION: SOBRE EL SUPUESTO DE LA HOMOCEDASTICIDAD

UNIVERSIDAD NACIONAL DE TUMBES FACULTAD DE CIENCIAS ECONÓMICAS ESCUELA DE ECONOMÍA

TRABAJO DE INVESTIGACIÒN “Supuesto del Homocedasticidad en el modelo de la Inversión Privada Bruta Fija en la Tasa Desempleo del Perú en el periodo 2000 Al 2017”

DOCENTE Eco. Segundo T. Agurto Moran CURSO Econometría I INTEGRANTES

TUMBES 2018

1

CONTENIDO INTRODUCCION ............................................................................................... 3 OBJETIVOS ....................................................................................................... 4 1. Supuesto de la Regresión Lineal Múltiple - HOMOCEDASTICIDAD ...... 5 2. Datos para la detección de este supuesto de HOMOCEDASTICIDAD .. 8 3. Métodos para detectar la homocedasticidad ........................................ 14 3.1.

Método gráfico de dispersión los residuos (et). ............................. 14

3.2.

Métodos formales para la detección de homocedasticidad ......... 16

3.2.1.

Prueba de Park............................................................................ 16

CONCLUSIONES ............................................................................................ 23 BIBLIOGRAFIA ............................................................................................... 25

2

INTRODUCCION En el presente trabajo de investigación Titulado “Supuesto del Homocedasticidad en el modelo de la Inversión Privada Bruta Fija en la Tasa Desempleo del Perú en el periodo

2000 Al

2017”, se busca aplicar los conocimientos aprendidos en la asignatura de Econometría I, asimismo las investigaciones del grupo de trabajo encargado de realizar este

trabajo de

investigación, asimismo se busca incrementar los conocimientos acerca de los supuestos de regresión lineal múltiple y también mejorar la utilización de los programas estadísticos que nos facilitan realizar los calculo y las gráficas para este estudio

3

OBJETIVOS Objetivo General 

Dar estudio al Supuesto del Homocedasticidad en el modelo de la Inversión Privada Bruta Fija en la Tasa Desempleo del Perú en el periodo 2000 Al 2017.

Objetivo específicos 

Dar estudio teórico al supuesto de homoscedasticidad para luego aplicarlo al modelo de estudio planteado en la investigación.



Obtener los Datos para la realización de las pruebas

de

detección de homocedasticidad. 

Aplicar los métodos de detección de homocedasticiad en el modelo de Estudios.

4

1.

Supuesto de la Regresión Lineal Múltiple HOMOCEDASTICIDAD La homocedasticidad obedece a un supuesto importante del modelo clásico de regresión lineal múltiple y tiene que ver con que la varianza de cada término de perturbación ui, condicional a los valores seleccionados de las variables explicativas, es algún número constante igual a σ2. Éste es el supuesto de homoscedasticidad, o igual (homo) dispersión (cedasticidad), es decir, igual varianza. Simbólicamente,

Es decir esto indica que los errores o residuos están dispersos de manera constante o sea están situados en una misma varianza a lo largo del tiempo o sea es la misma . Hay que tener en cuenta que lo contrario a la homocedasticidad es la heterocedasticidad lo que indica que el error no tiene una media igual a cero y no están dispersa de manera constante

Razones por la cuales las varianzas de los residuos pueden ser variables (heteroscedasticidad), algunas de las cuales son las siguientes.

a) Causas relacionadas con la incorrecta especificación: . Cuando se ha omitido una variable en la especificación, dicha

variable

quedará

parcialmente

recogida

en

el

comportamiento de las perturbaciones aleatorias, pudiendo “contagiar” a éstas su propia variación, no necesariamente homocedástica.

Recuérdese

que

la

hipótesis

de

homocedasticidad hace referencia a la varianza constante de las perturbaciones aleatorias, pero no obliga a que las 5

variables explicativas tengan también varianza constante. Así pues, y en términos generales, la utilización de variables exógenas de naturaleza b) Otras fuentes de heteroscedasticidad: como señala David Hendry, la heteroscedasticidad también surge debido la incorrecta transformación de los datos (por ejemplo, las transformaciones de razón o de primeras diferencias) y una forma funcional incorrecta (por ejemplo, modelos lineales frente a modelos log-lineales) c) Cambio de estructura La presencia de algunos valores atípicos en la muestra de datos implicará necesariamente un desajuste en la varianza de la perturbación (en cierto modo, un punto atípico puede considerarse un elemento muestral perteneciente a otra distribución de forma funcional incorrecta y, por tanto, potencialmente con varianza distinta).

d) La utilización de una forma funcional incorrecta, por ejemplo, la utilización de una función lineal en lugar de una logarítmica potencial, puede provocar que la calidad del ajuste de la regresión varíe según los valores de las exógenas, por ejemplo, ajustando bien para los valores pequeños y mal para los grandes; en ese caso, es posible que en las zonas de peor ajuste existan, no sólo errores mayores, sino también errores más dispersos.

6

e) Otras causas 

Variables explicativas con distribución asimétrica o amplio recorrido Si una variable explicativa presenta una distribución asimétrica (por ejemplo, la renta) resultará inevitable que, por ejemplo, para el caso de asimetría a derechas, los valores mayores del regresor estén asociados a una mayor dispersión en el término de error de la regresión. Presencia de puntos atípicos.



La presencia de algunos valores atípicos en la muestra de datos implicará necesariamente un desajuste en la varianza de la perturbación (en cierto modo, un punto atípico puede considerarse un elemento muestral perteneciente a otra distribución y, por tanto, potencialmente con varianza distinta).

7

2.

Datos para la detección de este supuesto de HOMOCEDASTICIDAD TABLA: 01

Datos históricos de la tasa desempleo, Inversión Bruta del Sector Privado y el PBI Percapita de los años 2000 AL 2017. Año

t 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017

Tasa de

Inversion

desempleo

privada (IBKFP)

PBI Percapita

y 8.5 9.3 9.4 9.4 9.4 9.6 8.5 8.4 8.4 8.4 8.0 5.1 4.7 4.8 4.5 4.4 5.2 6.9

x1 29461 28089 28145 29915 32335 36217 43482 53626 66440 60566 76167 84518 97722 104660 102337 98062 92762 92960

x2 8552 8480 8817 9061 9387 9851 10465 11224 12112 12103 12979 13661 14311 14978 15169 15501 15954 16174

Fuente: BCRP/INEI Especificación del modelo

Modelo multivariado 𝑌𝑡 = 𝐵̂0 + 𝐵̂1 (𝑋1) + 𝐵̂2 (𝑋2) + 𝒖𝒕 ……………Modelo multivariado.

8

Donde 

𝑌𝑡 = Es la tasa de desempleo.



𝛽0 = es el parámetro que indica la tasa de desempleo autónoma la cual no depende de la inversión privada (intercepto) ni del PBI per cápita.



𝑋𝑡 = Es la Inversión Privada que está en relación inversa con la inversión (variable Independiente).



𝛽1 = Es también conocido como la pendiente del modelo es el coeficiente que mide la relación de la

inversión Privada Tasa desempleo

(parámetro

comportamental de X1 en Y) 

𝛽2 =

es

PBI PERCAPITA Tasa desempleo

el

coeficiente

que

mide

la

relación

de

la

(parámetro comportamental de X2 en Y)



X2= Variable independiente que indica el PBI per cápita.



𝑢𝑡=

Representa la variable estocástica o el error del modelo de estudio

9

Calculo de los parámetros Método matricial

PASO 01 Especificacion de las Matrices "X" e "Y" 1 1 1 1 1 1 1 1 X= 1 1 1 1 1 1 1 1 1 1

29461 28089 28145 29915 32335 36217 43482 53626 66440 60566 76167 84518 97722 104660 102337 98062 92762 92960

8552 8480 8817 9061 9387 9851 10465 11224 12112 12103 12979 13661 14311 14978 15169 15501 15954 16174

8.5 9.3 9.4 9.4 9.4 9.6 8.5 8.4 8.4 8.4 8.0 5.1 4.7 4.8 4.5 4.4 5.2 6.9

Y=

PASO 02 Transpuesta de matrices "XT" e "YT"

XT =

YT =

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 29461 28089 28145 29915 32335 36217 43482 53626 66440 60566 76167 84518 97722 104660 102337 98062 92762 8552 8480 8817 9061 9387 9851 10465 11224 12112 12103 12979 13661 14311 14978 15169 15501 15954

8.5

9.3

9.4

9.4

9.4

9.6

8.5

8.4

10

8.4

8.4

8.0

5.1

4.7

4.8

4.5

4.4

5.2

1 92960 16174

6.9

PASO 03 multiplicacion de matrices "XTX" e "YTY"

18 1157464 218779

T

X X=

1157464 89333536916 15429488632

218779 15429488632 2789454359

132.900 T

X Y=

YTY=

7613763.1 1532742.2

1049.3100

PASO 04 Matriz inversa "(XTX)-1" 6.89892834502 (X X) = 0.00009114983 -0.00104527107 t

-1

0.00009114983 0.00000000146 -0.00000001520

-0.00104527107 -0.00000001520 0.00000016640

PASO 05 calculo de la Matriz de los estimados B =(XTX)-1 *(XTY)

B=

8.72972507 -0.00010144 0.00042591

11

Haciendo uso del programa se ha calculamos los parámetros del Modelo Econométrico

Coeficientes

valores

B0 B1 B2

8.729725073 -0.000101442 0.00042591

Ecuación del modelo de regresión 𝒀𝒕 = 𝟖. 𝟕𝟐𝟗𝟕𝟐𝟓𝟎𝟕𝟑 − 𝟎. 𝟎𝟎𝟎𝟏𝟎𝟏𝟒𝟒𝟐𝑿𝟏𝒕 + 𝟎. 𝟎𝟎𝟎𝟒𝟐𝟓𝟗𝟏𝑿𝟐𝒕 + 𝒖𝒕 El objetivo principal es establecer si las dos variables independientes tienen efecto o no sobre la tasa de desempleo. Para este caso del supuesto de homocedasticidad se tendrá en cuenta que se trabajar en base a los residuos del modelo que eran calculados en base a a siguiente formula Calculo de los errores del modelo

̂ 𝒆𝒕 = 𝒀 − 𝒀 Donde et =error o residuo Y = Valor observado de la Tasa Desempleo ̂ = Tasa Desemplo pronosticada con la funcion del modelo Y

12

Tabla 02 De los residuos (et) del modelo Año

t 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017

Tasa de

Inversion privada

desempleo

(IBKFP)

y 8.5 9.3 9.4 9.4 9.4 9.6 8.5 8.4 8.4 8.4 8.0 5.1 4.7 4.8 4.5 4.4 5.2 6.9

x1 29461 28089 28145 29915 32335 36217 43482 53626 66440 60566 76167 84518 97722 104660 102337 98062 92762 92960

PBI Percapita

PRONOSTICO

Residuos

x2 8552 8480 8817 9061 9387 9851 10465 11224 12112 12103 12979 13661 14311 14978 15169 15501 15954 16174

𝑌̂𝑡 9.39 9.50 9.63 9.55 9.45 9.25 8.77 8.07 7.15 7.73 6.53 5.97 4.91 4.49 4.80 5.37 6.09 6.17

u -0.89 -0.20 -0.23 -0.15 -0.05 0.35 -0.27 0.33 1.25 0.67 1.47 -0.87 -0.23 0.30 -0.27 -1.01 -0.92 0.71

Nota: 

Para el cálculo del pronóstico se hizo uso de la ecuación del modelo en donde se reemplazó los parámetros del modelo y cada variable correspondiente. 𝒀𝒕 = 𝟖. 𝟕𝟐𝟗𝟕𝟐𝟓𝟎𝟕𝟑 − 𝟎. 𝟎𝟎𝟎𝟏𝟎𝟏𝟒𝟒𝟐𝑿𝟏𝒕 + 𝟎. 𝟎𝟎𝟎𝟒𝟐𝟓𝟗𝟏𝑿𝟐𝒕 + 𝒖𝒕



Asimismo los errores o residuos fueron calculados restando cada valor observado de la tasa desempleo con la tasa desempleo pronosticado.

̂ 𝒆𝒕 = 𝒀 − 𝒀

13

3.

Métodos para detectar la homocedasticidad 3.1. Método gráfico de dispersión los residuos (et). Este método nos va a permitir detectar la homocedasticidad de forma visual y de esta manera determinar si existe o no homocedasticidad en el modelo.

Gráfico 01: Residuos con la inversión Privada (IBKFP)

Residuos VS IBKFP 2 1.5

Residuos

1 0.5 0 -0.5 0

20000

40000

60000

80000

100000

120000

-1 -1.5 -2

IBKFP

En el grafico presentado mostrado anteriormente

se puede comparar la

presencia de homoceasticidad , si observamos detenidamente en el eje de las ordenadas vemos que esta señalados babo límites o bandas de 2 y -2 esto indica que si los residuos están dentro de estos rangos estaríamos hablando que los residuos están contantemente distribuidos y como vemos si se encuentran dentro de estos márgenes así que podemos determinar que bajo esta comparación de los residuos con la inversión privada si hay presencia de homocedasticidad.

14

Gráfico 02: Residuos con el PBI Percapita

Residuos VS PBI Percapita 2 1.5

Residuos

1 0.5 0 -0.5

0

2000

4000

6000

8000

10000

12000

14000

16000

18000

-1

-1.5 -2

PBI Percapita

Como se puede observar nuevamente al realizar la comparación de los residuos con el PBI percapita vemos que los residuos están situados dentro

de

las

bandas

2

y

2

Lo

que

es un

indicador de

HOMOCEDASTICIDAD Gráfico 03: Residuos con el Tasa Desempleo

Residuos VS Tasa Desempleo 2.00

1.50

Axis Title

1.00 0.50 0.00 -0.50 0.0

2.0

4.0

6.0

8.0

10.0

12.0

-1.00 -1.50 -2.00

Tasa Desempleo

Del mismo modo comparamos los residuos con la Tasa Desempleo y como vemos los datos que representan los punto azules de la tasa desempleo están dentro de las bandas 2 y -2 lo que indica que están dispersos constantemente lo que indica que existe Homocedasticidad 15

3.2.

Métodos formales para la detección de homocedasticidad

3.2.1. Prueba de Park

Park formaliza el método gráfico con la sugerencia de que la variable explicativa Xi. La forma funcional fue.

Como σ2 por lo general no se conoce, Park sugiere utilizar 𝑢𝑖2 como aproximación y correr la siguiente regresión:

Si β resulta estadísticamente significativo, esto sugerirá que no existe homocedasticidiad o sea si hay heteroscedasticidad en los datos. Por otro lado si resulta no significativo, podemos aceptar el supuesto de homoscedasticidad. La prueba de Park es, por tanto, un procedimiento de dos etapas. En la primera se efectúa la regresión MCO ignorando el interrogante de la heteroscedasticidad. Se obtiene ûi de esta regresión y luego, en la segunda etapa, se efectúa la regresión.

16

Ahora efectuamos la trasformación de la especificación del modelo según PARK 𝑢𝑖2 = 𝜎𝑖2 𝐼𝐵𝐾𝐹𝑃𝐵1 𝑃𝐵𝐼𝑝𝑒𝑟 𝐵2 𝑒 𝑣𝑖 Linealizacion (aplicación de logaritmo natural en ambos lados de la ecuación) Asimismo ∝ = Ln (𝜎𝑖2 ) 𝐿𝑛(𝑢𝑖2 ) =∝ +𝐵1 ln(𝐼𝐵𝐾𝐹𝑃) + 𝐵2 ln(𝑃𝐵𝐼𝑝𝑒𝑟) + 𝑣𝑖 Que equivalentemente seria: 𝐿𝑛(𝑢𝑖2 ) =∝ +𝐵1 ln(𝑋1) + 𝐵2 ln(𝑋2) + 𝑣𝑖 Hay que tener en cuenta que vi es la variable estocástica del modelo. Ahora si efectuamos las trasformaciones de los logaritmos naturales de los errores al cuadrado y de las variables independientes del modelo en la siguiente tabla: TABLA 03 EL PROCESO DE TRANFORMACION LOGARITMICA Año

t 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017

Tasa de

Inversion privada

desempleo

(IBKFP)

y 8.5 9.3 9.4 9.4 9.4 9.6 8.5 8.4 8.4 8.4 8.0 5.1 4.7 4.8 4.5 4.4 5.2 6.9

x1 29461 28089 28145 29915 32335 36217 43482 53626 66440 60566 76167 84518 97722 104660 102337 98062 92762 92960

PBI Percapita

PRONOSTICO

Residuos

errores al cuadrado

Ln(Residuos al cuadrado)

LN(IBKFP)

x2 8552 8480 8817 9061 9387 9851 10465 11224 12112 12103 12979 13661 14311 14978 15169 15501 15954 16174

𝑌̂𝑡 9.39 9.50 9.63 9.55 9.45 9.25 8.77 8.07 7.15 7.73 6.53 5.97 4.91 4.49 4.80 5.37 6.09 6.17

u -0.89 -0.20 -0.23 -0.15 -0.05 0.35 -0.27 0.33 1.25 0.67 1.47 -0.87 -0.23 0.30 -0.27 -1.01 -0.92 0.71

u^2 0.79 0.04 0.05 0.02 0.00 0.12 0.07 0.11 1.57 0.44 2.17 0.76 0.05 0.09 0.07 1.02 0.84 0.50

Ln(𝑢2) -0.24 -3.25 -2.93 -3.73 -6.13 -2.09 -2.60 -2.20 0.45 -0.81 0.77 -0.27 -2.92 -2.39 -2.63 0.02 -0.18 -0.68

LN(x1) 10.29 10.24 10.25 10.31 10.38 10.50 10.68 10.89 11.10 11.01 11.24 11.34 11.49 11.56 11.54 11.49 11.44 11.44

17

LN(PBI PERCAPITA)

LN(x2) 9.05 9.05 9.08 9.11 9.15 9.20 9.26 9.33 9.40 9.40 9.47 9.52 9.57 9.61 9.63 9.65 9.68 9.69

TABLA 04 DATOS PARA EL MODELO PARK DE DETECCION DE LA HOMOCEDASTICIDAD X1

Y Año

Ln(Residuos al

t 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017

cuadrado)

Ln(u^2) -0.24 -3.25 -2.93 -3.73 -6.13 -2.09 -2.60 -2.20 0.45 -0.81 0.77 -0.27 -2.92 -2.39 -2.63 0.02 -0.18 -0.68

LN(IBKFP)

LN(X1) 10.29 10.24 10.25 10.31 10.38 10.50 10.68 10.89 11.10 11.01 11.24 11.34 11.49 11.56 11.54 11.49 11.44 11.44

X2 LN(PBI PERCAPITA)

LN(X2) 9.05 9.05 9.08 9.11 9.15 9.20 9.26 9.33 9.40 9.40 9.47 9.52 9.57 9.61 9.63 9.65 9.68 9.69

Esta tabla indica que el método PARK plantea una nueva regresión donde: 

Y (Variable Dependiente) = Logaritmo natural de los errores al cuadrado.



X1(Variable Explicativa 1) = Logaritmo natural de la IBKFP.



X2(Variable Explicativa 2) = Logaritmo natural del PBI Percapita.

18

Estimación Puntual de los parámetros de la regresión Método matricial PASO 01 Especificacion de las Matrices "X" e "Y"

X=

PASO 02 Transpuesta de matrices "XT" e "YT"

XT =

YT =

1

10.29

9.05

-0.2

1

10.24

9.05

-3.3

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

10.25 10.31 10.38 10.50 10.68 10.89 11.10 11.01 11.24 11.34 11.49 11.56 11.54 11.49 11.44 11.44

9.08 9.11 9.15 9.20 9.26 9.33 9.40 9.40 9.47 9.52 9.57 9.61 9.63 9.65 9.68 9.69

-2.9 -3.7 -6.1 -2.1 -2.6 -2.2 0.5 -0.8 0.8 -0.3 -2.9 -2.4 -2.6 0.0 -0.2 -0.7

Y=

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

10.29

10.24

10.25

10.31

10.38

10.50

10.68

10.89

11.10

11.01

11.24

11.34

11.49

11.56

11.54

11.49

11.44

11.44

9.05

9.05

9.08

9.11

9.15

9.20

9.26

9.33

9.40

9.40

9.47

9.52

9.57

9.61

9.63

9.65

9.68

9.69

-0.2

-3.3

-2.9

-3.7

-6.1

-2.1

-2.6

-2.2

0.5

-0.8

0.8

-0.3

-2.9

-2.4

-2.6

0.0

-0.2

-0.7

PASO 03 multiplicacion de matrices "XTX" e "YTY" PASO 04 Matriz inversa "(XTX)-1"

(XtX)-1=

740.27146343442

68.43181930563

-158.83417743871

68.43181930562

7.26182986149

-15.77644549358

-158.83417743870

-15.77644549359

35.35824544383

PASO 05 calculo de la Matriz de los estimados B =(XTX)-1 *(XTY)

XTX =

18 197 169

197 2165 1852

169 1852 1585

-31.813 T

X Y=

B=

-341.02387 -295.112415

19

-12.8800959 2.37591831 -1.59013704

Ahora el paso siguiente es probar la significancia de cada Ahora a través de la herramienta del programa Excel calculamos los

Coeficientes B0 B1 B2

valores -12.88009589 2.375918308 -1.590137039

Error típico 45.05646851 4.462566282 9.847069384

Estadístico t Probabilidad -0.285865633 0.778891003 0.53241076 0.602239681 -0.161483278 0.87386775

parámetros y sus errores típicos y sus probabilidades.

Como el mismo método exige es necesario saber la significancia y como se puede dar cuenta tanto el parámetro B1 y B2 NO son significativos según su PROBABILIDAD ya que es mayor al 0.05 de significancia planteada para el modelo en sí.

Probabilidad 0.778891003 0.602239681 0.87386775

0.60223981 > 0.05= por lo tanto no es significativo 0.87386775 > 0.05= por lo tanto no es significativo

ESTO INDICA QUE EXISTE PRESENCIA DE HOMOCEDASTICIDAD Pero para tener una mayor certeza se procederá a REALIZAR LAS PRUEBAS DE SIGNIFICANCIA parámetros B1 y B2

INDIVIDUAL para los

para ello realizaremos las pruebas de

hipótesis individual y compararemos para saber significativos o no.

20

si son

Prueba de Hipótesis por Parámetros

A través de este análisis se busca conocer que si los parámetros son significativos

llegaríamos a la conclusión que no hay

homocedasticidad, caso contrario si se cumple este supuesto

Prueba de significancia del parámetro 𝑩𝟏 =2.375918308 

Hipótesis a probar 𝑯𝟎 : 𝑩𝟏 = 𝟎 𝑯𝟏 : 𝑩𝟏 ≠ 𝟎



Significancia ∝ = 𝟎.05



Valor crítico de la tabla T-Students

𝑇𝑇𝑎𝑏𝑙𝑎(∝

⁄2;𝑛−𝑘)=2.13



Estadístico de prueba 𝒕𝒄𝒂𝒍 =

̂ 𝟏 − 𝑩𝟏 2.375918308 − 0 𝑩 = = 0.53241076 𝒆𝒆(𝑩𝟏 ) 4.462566282

 Decisión: 𝒕𝒄𝒂𝒍 < 𝑇𝑇𝑎𝑏𝑙𝑎(∝⁄

2;𝑛−1)

………………se acepta

la 𝐻0 y se

rechaza 𝐻1 a un nivel de significancia de 0.05  INTERPRETACIÒN: por lo tanto se concluye que el parámetro B1 no es significativo y bajo esta prueba existe HOMOCEDASTICIDAD

21

Prueba de significancia del parámetro 𝑩𝟐 = -1.590137039 

Hipótesis a probar 𝑯𝟎 : 𝑩𝟐 = 𝟎 𝑯𝟏 : 𝑩𝟐 ≠ 𝟎



Significancia ∝ = 𝟎.05



Valor crítico de la tabla T-Students 𝐓𝐓𝐚𝐛𝐥𝐚(∝⁄

𝟐;𝐧−𝐤)=𝟐.𝟏𝟑



Estadístico de prueba 𝒕𝒄𝒂𝒍 =



̂ 𝟐 − 𝑩𝟐 𝑩 −1.590137039 − 0 = = −0.161483278 𝒆𝒆(𝑩𝟐 ) 9.847069384

Decisión: 𝒕𝒄𝒂𝒍 < 𝑇𝑇𝑎𝑏𝑙𝑎(∝⁄

2;𝑛−1)

………………se acepta la 𝐻0 y se rechaza

𝐻1 a un nivel de significancia de 0.05 

INTERPRETACIÒN: por lo tanto se concluye que el parámetro B2

no

es

significativo

HOMOCEDASTICIDAD

22

y

bajo

esta

prueba

existe

CONCLUSIONES 

En

base

al

estudio

teórico

al

supuesto

de

homoscedasticidad se ha podido determinar cuál es el criterio de VARIANZA CONSTANTE para determinar si hay HOMOCEDASTICIDAD en un modelo de regresión múltiple. 

Se ha tomado en cuenta el trabajo de investigación del modelo de la Tasa de Desempleo, inversión bruta de capital fijo del sector Privado y el PBI Percapita del Perú de los años 2000

al 2017

para

poder detectar

el supuesto

de

homodasticidad y así saber si estamos frente a un modelo homocedastico o sea de varianza en los residuos constante. 

Al tener un modelo homocedastico esto va a permitir obtener estimaciones o proyecciones en la Tasa desempleo más confiables es decir se obtendrán resultados más precisos esto aportaría en tomar mejores decisiones de las políticas económicas del Perú.



Se ha tomado en cuenta una especificación lineal lo cual favorece al modelo ya que al estimarlo nos permite mejores resultados en los residuos ya que según los métodos gráfico y la prueba de PARK nos resulta que tenemos un modelo homocedastico lo cual es beneficioso para este estudio donde se trata de explicar la relación de Tasa de desempleo on la IBKFP Y el PBI PERCAPITA.



La homocedasticidad es importante para este modelo que explica la relación del PBI Percapita y la Inversión privada con la Tasa desempleo, ya que si tenemos los datos correctos estos permitirán tener resultados confiables, lo cual ayudaría a tener errores dispersos de manera constante y las estimaciones serán más precisas para determinar una 23

tasa desempleo más confiables lo cual ayudaría a tomar mejores decisiones en la economía. 

Por medio de los métodos de detección de homocedasticidad informales (método gráfico de dispersión y formales (método de PARK) se ha logrado QUE EXISTE homocedasticidad en el modelo de Estudio.

24

BIBLIOGRAFIA Guajarati & Damodar (2010); Econometría visitado el 20/11/2018; Disponible en: www.Ecomometriaa/econometria_-_damodar_n-_gujarati.pdf

BCRP (2000); Glosario de Términos; Web visitado el 20/11/2018; Disponible en: http://www.bcrp.gob.pe/publicaciones/glosario.html

25