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
Prof.: Pilar Alcalde
‹#›
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	
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
	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
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
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.
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 heterocedástico, 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
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
Residuos obtenidos
Originales
Nuevos
ANÁLISIS DE RESIDUOS
Gráficos que más nos ayudaron
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 pareció mucho más representativo medirlo en puntos porcentuales que en una moneda.
ANÁLISIS DE RESIDUOS
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
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,