PPT TAREA 4 - Lissete Rivera Casavantes

Vista previa del material en texto

Cemento 
Melón 
Ma. Jesús Berrios 
Josefa Correa 
Ma. Javiera Suárez 
 
Grupo 24: 
 Profesora: Pilar Alcalde 
 Entrega: 16 de Octubre 
MULTICOLINEALIDAD 
ipsa	
   sp500	
   pcomp1	
   pcomp2	
   comod	
  tipocamb	
   interes	
   indicem	
   indicesp	
   divid	
   utneta	
  
ipsa	
   1	
  
sp500	
   0.4199	
   1	
  
pcomp1	
   0.2645	
   0.0444	
   1	
  
pcomp2	
   0.1184	
   0.3950	
   0.7148	
   1	
  
comod	
   0.9009	
   0.5236	
   0.2098	
   0.2499	
   1	
  
tipocamb	
   -0.7732	
   -0.6735	
   -0.3554	
   -0.3469	
   -0.7305	
   1	
  
interes	
   0.2812	
   0.2557	
   0.0536	
   0.3829	
   0.3244	
   -0.1665	
   1	
  
indicem	
   0.6634	
   0.8819	
   0.3474	
   0.5924	
   0.7146	
   -0.8089	
   0.4016	
   1	
  
indicesp	
   0.5172	
   0.9450	
   0.1805	
   0.4946	
   0.6144	
   -0.6760	
   0.3936	
   0.9444	
   1	
  
divid	
   -0.0778	
   -0.1350	
   0.2384	
   0.1531	
   -0.0499	
   -0.0089	
   0.1495	
   -0.0489	
   -0.0753	
   1	
  
utneta	
   -0.3350	
   0.0426	
   0.1422	
   0.3685	
   -0.1815	
   0.2087	
   0.2190	
   0.0301	
   0.0951	
   0.1097	
   1	
  
Correlación entre variables independientes 
Los pares de variables más correlacionadas son: 
•  IPSA – Comod (corr: 0,9009) 
•  SP500 – Indicesp (corr: 0,9450) 
•  Indicem – Indicesp (corr: 0,9444) 
MULTICOLINEALIDAD 
Variable	
   VIF	
   1/VIF	
  
indicem	
   50.95	
   0.019627	
  
indicesp	
   33.78	
   0.029602	
  
ipsa	
   21.82	
   0.045829	
  
sp500	
   20.72	
   0.048270	
  
pcomp2	
   11.46	
   0.087292	
  
comod	
   9.58	
   0.104332	
  
tipocamb	
   6.68	
   0.149729	
  
pcomp1	
   6.21	
   0.161095	
  
interes	
   2.38	
   0.420781	
  
utneta	
   1.58	
   0.633937	
  
divid	
   1.27	
   0.784619	
  
Mean VIF	
   15.13	
  
!"##$%&! = !! + !!!"#$! + !!!"500! + !!!"#$!1! + !!!"#$!2! + !!!"#"$!
+ !!!"#$%&'(! + !!!"#$%!"! + !!!"#!$%&! + !!!"#!$%&'!
+ !!"!"#"!! + !!!!"#$"%! !
H0 : β̂1 = β̂2 = β̂5 = β̂6 = β̂7 = β̂9 = β̂10 = β̂11 = 0
H1 : a lgún β̂i ≠ 0
Rechazo H0 si Fobt>Fα o valor-p≤α 
Fobt=1,75 
Valor-p=0,1143 
 
No hay evidencia para rechazar H0, por lo 
tanto se dice que estas variables, 
conjuntamente, no son significativas para 
el modelo original. 
 Mediante los dos métodos se puede concluir que en este modelo 
puede haber multicolinealidad. 
MULTICOLINEALIDAD 
!"#!$%&! = !! + !!!"#$! + !!!"500! + !!!"#$!1! + !!!"#$!2! + !!!"#"$!
+ !!!"#$%&'(! + !!!"#$%$&! + !!!"#!$%&'! + !!!"#"!! + !!"!"#$"%! !
Variable Valor t 
IPSA 4.48 
pcomp2 5.50 
indicesp 5.72 
R2=0,9804 
l r l = 0,99 
 A partir de la bondad de ajuste, podemos darnos cuenta que el 
98,04% de la variabilidad de indicem, se explica a partir de las demás 
variables independientes. 
 Con la correlación podemos decir que hay colinealidad muy alta 
entre la variable indicem y el resto de las variables. 
 IPSA, pcomp2 y indicesp son las variables más significativas del 
modelo auxiliar; por lo que son las variables que mejor explican la 
variabilidad de indicem. 
VARIANZAS 
!!! = !! + !!!"#$! + !!!"500! + !!!"#$!1! + !!!"#$!2! + !!!"#$%$&!
+ !!!"#!$%&! + !!
!"##$%&! = !! + !!!"#$! + !!!"500! + !!!"#$!1! + !!!"#$!2! + !!!"#$%$&!
+ !!!"#!$%&! !
Rechazo H0 si Fobt>Fα o valor-p≤α 
Fobt=4,69 
Valor-p=0,0008 
 
Con un nivel de significancia del 5%, 
hay evidencia para rechazar H0, 
Test de Breusch-Pagan 
 Debido a que rechazamos H0, podemos decir que hay 
heterocedasticidad en el modelo, por lo que las varianzas no son 
constantes. 
Test de White 
!!! = !! + !!!! + !!!!! + !!
!!: !! = !! = 0!
!!:!"#ú!!!! ≠ 0!
Rechazo H0 si chi2obt>chi2α o valor-p≤α 
chi2obt=49,74 
Valor-p=0,0049 
 
Con un nivel de significancia del 5%, 
hay evidencia para rechazar H0, 
VARIANZAS 
 	
   TRADICIONAL	
   ROBUSTO	
  
 	
   Coeficiente	
   Error estándar	
   Significancia individual	
   Coeficiente	
   Error estándar	
  
Significancia 
individual	
  
ipsa	
   -0,0149372	
   0,0057054	
   0,012	
   -0,0149372	
   0,0051575	
   0,006	
  
sp500	
   -0,0857424	
   0,0506221	
   0,097	
   -0,0857424	
   0,0391517	
   0,033	
  
pcomp1	
   0,1167053	
   0,0174103	
   0	
   0,1167053	
   0,0240814	
   0	
  
pcomp2	
   -4,454948	
   1,296141	
   0,001	
   -4,454948	
   1,773865	
   0,015	
  
interes	
   -3,586466	
   1,964319	
   0,074	
   -3,586466	
   1,924119	
   0,068	
  
indicem	
   1,068488	
   0,5315605	
   0,05	
   1,068488	
   0,4579431	
   0,024	
  
 	
    	
    	
    	
    	
  
Sig global 	
   0	
    	
    	
   0	
    	
    	
  
•  Los parámetros se mantienen 
•  Cambian los errores estándar debido a que cambian las varianzas, que es lo que 
corrige el método de errores robustos. 
•  La significancia global se mantiene, por lo que las variables en su conjunto son 
significativas. 
•  La significancia individual aumenta, a excepción de pcomp2, lo que nos dice que las 
variables explican mejor nuestro modelo mediante la corrección de la 
heterocedasticidad. 
!"##$%&! = !! + !!!"#$! + !!!"500! + !!!"#$!1! + !!!"#$!2! + !!!"#$%$&!
+ !!!"#!$%&! !
VARIANZAS 
 	
   MCO	
   MCF	
  
 	
   Coeficiente	
   Error estándar	
   Significancia individual	
   Coeficiente	
   Error estándar	
  
Significancia 
individual	
  
ipsa	
   -0,0149372	
   0,0057054	
   0,012	
   -0,01748	
   0,002777	
   0	
  
sp500	
   -0,0857424	
   0,0506221	
   0,097	
   -0,1110871	
   0,0241324	
   0	
  
pcomp1	
   0,1167053	
   0,0174103	
   0	
   0,1264595	
   0,0086801	
   0	
  
pcomp2	
   -4,454948	
   1,296141	
   0,001	
   -5,325238	
   0,6644424	
   0	
  
interes	
   -3,586466	
   1,964319	
   0,074	
   -2,7877	
   1,159381	
   0,02	
  
indicem	
   1,068488	
   0,5315605	
   0,05	
   1,380664	
   0,2315515	
   0	
  
 	
    	
    	
    	
    	
  
Significancia 
global 	
   0	
    	
    	
   0	
    	
    	
  
•  La significancia global del modelo se mantiene, lo que nos dice que en 
conjunto todas las variables son significativas para el modelo. 
•  Los errores estándar disminuyen, debido a que al ser nuestro modelo 
heterocedastico, los MCF, corrigen la varianza de los parámetros, para así 
solucionar el problema de heterocedasticidad. 
•  La significancia individual de cada parámetro se vuelve cero (o muy 
cercana a este) y ahora las variables son todas muy significativas, por lo 
que todas nuestras variables explican el precio de la acción. 
ANÁLISIS DE RESIDUOS 
Regresión original que minimiza el Akaike 
!"##$%&! = !! + !!!"#$! + !!!"500! + !!!"#$!1! + !!!"#$!2! + !!!"#$%$&!
+ !!!"#!$%&! !
AIC= 518,3446 
Nueva regresión que minimiza el Akaike 
AIC= 487,3969 
pcomp2_15: toma el valor de 1 si el precio de la acción de la competencia 
esta sobre los $15 mexicanos y cero si esta bajo. 
Crisis: toma el valor de 1 para datos después de mediados del 2008 y 0 
para valores antes del 2008. 
ANÁLISIS DE RESIDUOS 
-4
0
-2
0
0
20
40
R
es
id
ua
ls
0 50 100 150 200
Precio de la accion
-5
0
0
50
R
es
id
ua
ls
0 50 100 150 200
Precio de la accion
Residuos obtenidos 
Originales Nuevos 
ANÁLISIS DE RESIDUOS 
Gráficos que más nos ayudaron 
-5
0
0
50
R
es
id
ua
ls
1000 2000 3000 4000 5000
Precio del Indice IPSA
-5
0
0
50
R
es
id
ua
ls
500 1000 1500 2000
Precio de la accion de la empresa competidora
-5
0
0
50
R
es
id
ua
ls
5 10 15 20 25 30
Precio de la accion de la empresa competidora 2
Finalmente hicimos esta regresión, ya que tras analizar los gráficos de los residuos, 
nos pareció una manera coherente y lógica de explicar el precio de nuestra acción. 
Nos dimos cuenta que el precio del la competidora 1 y el IPSA estaban relacionados, 
ya que ambas están en el mercado chileno. Por lo que creamos una interacción entre 
estas. 
Luego vimos que nuestra competidora 2 se comporta de manera distinta cuando su 
precio esta sobre los $15 mexicanos, por lo que creamos una binaria para ver este 
efecto. 
Sabíamos que la crisis del 2008 nos afecto, por lo que también la incluimos en 
nuestro modelo. 
Y por último, usamos los logaritmos naturales del IPSA y S&P500, ya que nos parecio 
mucho más representativo medirlo enpuntos porcentuales que en una moneda. 
ANÁLISIS DE RESIDUOS 
!!: !! = 0!
!!:!"#ú!!!! ≠ 0!
Rechazo H0 si Fobt>Fα o valor-p≤α 
Fobt=3,19 
Valor-p=0,0015 
 
Con un nivel de significancia del 5%, 
hay evidencia para rechazar H0, 
Test de Breusch-Pagan 
 Debido a que rechazamos H0, podemos decir que hay heterocedasticidad en el 
modelo. 
 Preferimos usar el test de Breusch-Pagan ya que nuestra muestra es muy chica 
y además porque es más conservador usar el test que muestra un problema, ya que de 
esta manera se puede corregir y buscar la manera que los dos test digan lo mismo 
Test de White 
!!! = !! + !!!! + !!!!! + !!
!!: !! = !! = 0!
!!:!"#ú!!!! ≠ 0!
Rechazo H0 si chi2obt>chi2α o valor-p≤α 
Chi2obt=56,00 
Valor-p=0,4371 
 
Con un nivel de significancia del 5%, 
hay evidencia para no rechazar H0, 
!!! = !! + !!ln!(!"#$)! + !!ln!(!"500)! + !!!"#$!1! + !!!"#$!2! + !!!"#$%$&! + !!!"#!$%&!
+ !!!"#$!1!!"#!$%&! + !!!"#$!2!!"#!$%&! + !!!"#$!2!!"#$!2_15!
+ !!"!"#$!1!!"#$! + !!!!"500!!"#$! + !!"!"#$!!"#$#$! + !!"!"500!!"#$#$!
+ !!"!"#$!1!!"#$#$! + !!"!"#$!2!!"#$#$! + !! !