UNIVERSIDAD CATÓLICA DE SANTA MARÍA

FACULTAD DE CIENCIAS ECONÓMICO-ADMINISTRATIVAS

ESCUELA PROFESIONAL DE INGENIERÍA COMERCIAL
ECONOMETRÍA

ALUMNO:
 LARREA GUZMÁN, RAÚL ALEJANDRO

AREQUIPA - PERÚ
2021
HALLAR LA PRESENCIA DE HETEROCEDASTICIDAD

Y X
Ei, σi, Primero realizamos la regresión como ya conocemos…
rendimiento desviación
promedio estándar del
anual, rendimiento
% anual, %
12.4 12.1
14.4 21.4
14.6 18.7
16 21.7
11.3 12.5
10 10.4
16.2 20.8
10.4 10.2
13.1 16
11.3 12

Después corroboramos la existencia o no de heterocedastici

sión como ya conocemos…

Al ojo podemos notar que los

resultados de la regresión realizada
son estadístticamente significativos,
por lo que podemos decir que
tenemos un muy buen modelo.

xistencia o no de heterocedasticidad usando la prueba de White en la regresión.

En base a los resultados del la prueba de White, si

nos fijamos en el p valor, podemos decir que no
existe heterocedasticidad, es decir, que hay
homocedasticidad.
 CAP. 11

1 Establezca si las siguientes afi rmaciones son verdaderas, falsas o inciertas y comente sus
razones brevemente:

a) En presencia de heteroscedasticidad, los estimadores de MCO son sesgados e ineficientes.

0 -> Aunque los estimadores no se vuelven insesgados, sí se vuelven ineficientes.

b) Si hay heteroscedasticidad, las pruebas convencionales t y F son inválidas.

1 -> Solo si el modelo ha sido estimado por el método MCO.

c) En presencia de heteroscedasticidad, el método de MCO habitual siempre sobreestima los errores estándar de l
1 -> Luego, al mostrar heterocedasticidad, el modelo pierde eficiencia.

d) Si los residuales estimados mediante una regresión por MCO exhiben un patrón sistemático, significa que hay h
1 -> El patrón en el residual de MCO es un signo de la existencia de heterocedasticidad.

e) No hay una prueba general de heteroscedasticidad que no esté basada en algún supuesto acerca de cuál variab
0 -> La prueba de White se basa en este principio.

f ) Si el modelo de regresión está mal especifi cado (por ejemplo, si se omitió una variable importante), los residuo
1 -> Debido a un error de especificación, se implementó un modo constante en el modelo.

g) Si una regresora con varianza no constante se omite (incorrectamente) de un modelo, los residuos (MCO) serán
1 -> Al igual que en el punto anterior, la omisión de variables genera problemas de heteroce
neficientes.
e vuelven ineficientes.

eestima los errores estándar de los estimadores.

e eficiencia.

n sistemático, significa que hay heteroscedasticidad en los datos.

encia de heterocedasticidad.

n supuesto acerca de cuál variable está correlacionada con el término de error.

variable importante), los residuos de MCO mostrarán un patrón claramente distinguible.

modo constante en el modelo.

modelo, los residuos (MCO) serán heteroscedásticos.

es genera problemas de heterocedasticidad en el modelo.
En una regresión de salarios promedio (W, $) sobre el número de empleados (N ) de una
muestra aleatoria de 30 empresas se obtuvieron los siguientes resultados:*

a) ¿Cómo interpreta las dos regresiones?

En la primera regresion podemos ver que los salarios promedio podría aumentar en 0.009
dólares si es que las empresas contratan a un empleado adicional.
En la segunda regresión podemos notar que el salario promedio ajustado por numero de
empleados es igual a 0.008 dólares más la inversa del número de empleados multiplicada
por 7.8
b) ¿Qué supone el autor al pasar de la ecuación (1) a la (2)? ¿Le preocupaba la heteroscedasticidad?
¿Cómo sabe?

El autor supone la existencia de heteroscedasticidad y por ello es que hace el ajuste

respectivo de las ecuaciones, trata de corregir este problema dividiendo la regresión para la
variable heteroscedástica a través del método de MCG que es capaz de producir
estimadores que son MELI.
c) ¿Puede relacionar las pendientes y los interceptos de los dos modelos?
Si los podemos relacionar, debido a que al pasar de la ecuación (1) a la ecuación (2) el valor
de las pendientes e interceptos cambian de posición.
d) ¿Puede comparar los valores de R2 de los dos modelos? ¿Por qué?

No, porque en estos dos modelos de regresión la variable dependiente no es la misma

debido a la corrección de la heteroscedasticidad; es decir, las variables son distintas.
eteroscedasticidad?
*APLICAR TODOS LOS PASOS QUE SE REALIZARON EN CLASE

a) Residuos

b) SALARIO PRODUCCIÓN ERROR RESIDUOS^2 ln RESIDUOS^2

3396 9355 -775.66 601,645.18 13.30742
3787 8584 -205.05 42,044.72 10.64649
4013 7962 165.85 27,506.61 10.22218
4104 8275 183.94 33,832.30 10.42917
4146 8389 199.38 39,751.80 10.59041
4241 9418 54.67 2,988.35 8.00248
4387 9795 112.84 12,733.09 9.45196
4538 10281 150.62 22,687.55 10.02957
4843 11750 113.41 12,861.84 9.46202

C) SALARIO PRODUCCIÓN ERROR ABS PRODUCCIÓN

3396 9355 -775.658 775.6579 9355
3787 8584 -205.048 205.0481 8584
4013 7962 165.851 165.8512 7962
4104 8275 183.936 183.9356 8275
4146 8389 199.379 199.3785 8389
4241 9418 54.666 54.6658 9418
4387 9795 112.841 112.8410 9795
4538 10281 150.624 150.6239 10281
4843 11750 113.410 113.4100 11750

d) Correlación

Podemos notar que existe heteroscedasticidad en

el modelo debido a que hay correlación entre la
variable X y los residuos.
Podemos notar que existe heteroscedasticidad en
el modelo debido a que hay correlación entre la
variable X y los residuos.
 ln x
9.14367
9.05766
8.98244
9.02099
9.03468
9.15038
9.18963
9.23805
9.37161

iste heteroscedasticidad en
e hay correlación entre la
os.
 iste heteroscedasticidad en
e hay correlación entre la
os.
a)

Viendo el modelo desde lo económico, se puede observar que esta regresión

tiene solo un estimador significativo. Además, el r cuadrado significativo y la
prueba f con una alta significancia resulta en un modelo mal estimado.

b) Por lo dicho en el punto a), no podría confiar la homocedasticidad de este

modelo.

c)
 podemos ver que los valores p de esta regresión entre los errores al cuadrado
y las X nos dan a conocer que en la mayoría de las variables podemos
encontrar presencia de heteroscedasticidad (a excepción de la variable VOL).
Por lo que podemos decir que de acuerdo a la prueba White este modelo no
es válido.

d) Errores Estándar T value

MCO White MCO White
CF 0.043 0.2384 0 3.848
VOL 0.022 0.1223 -0.549 -0.948
SP 0.139 0.7711 -0.095 -3.574
Intercepto 1.146 63.5667 0.308 2.165
e) Comenzamos realizando la regresión como ya sabemos…

Vemos que hay una mejor regresión más no es eficiente. Entonces

procedemos a analizar las correlaciones y la prueba VIF para evitar
multicolinealidad.

> cor(data1)

> vif(modelo2)

Entonces eliminando la multicolinealidad, como el mejor modelo tenemos:

> vif(modelo3)

Analizamos la heteroscedasticidad

Podemos concluir que a este modelo le falta heterocedasticidad dado que lo

valores p son superiores a 0.05.
 Heteroscedasticidad:

La ecuación (3.2.2) establece que la varianza de ui para cada Xi (es decir, la varianza condicional de ui) es algún número
constante igual a σ2. Técnicamente, la ecuación (3.2.2) representa el supuesto de homoscedasticidad, o igual (homo) d
(cedasticidad), o igual varianza. La palabra proviene del verbo griego skedanime, que significa dispersar o esparcir. Plan
forma, (3.2.2) significa que las poblaciones Y correspondientes a diversos valores de X tienen la misma varianza. En térm
variación alrededor de la línea de regresión (la línea de la relación promedio entre X y Y) es la misma para todos los valo
aumenta ni disminuye conforme varía X. En el diagrama de la fi gura 3.4 se aprecia esta situación.

De ella se deriva que los datos con los que se trabaja son heterogéneos, ya que provienen de distribuciones de probabi
Existen diferentes razones o situaciones en las que cabe encontrarse con perturbaciones heteroscedásticas.

1 Naturaleza de la heteroscedasticidad

Para entender la diferencia entre homoscedasticidad y heteroscedasticidad,

1
0 4
9
2 CAUSAS

1. Con base en los modelos de aprendizaje de los errores,

2. A medida que aumentan los ingresos, la gente posee más ingreso discrecional
3. A medida que mejoran las técnicas de recolección de datos, es probable que σ2i se reduzca
4. La heteroscedasticidad también surge por la presencia de datos atípicos o aberrantes
5. Otra fuente de heteroscedasticidad surge de la violación del supuesto 9 del MCRL, modelo de regresión está c
6. Otra fuente de la heteroscedasticidad es la asimetría en la distribución de una o más regresoras incluidas en e

3 Consecuencias de utilizar MCO en presencia de heteroscedasticidad

1. intervalos de confianza basados en estos últimos serán innecesariamente grandes.

2. es probable que las pruebas t y F den resultados imprecisos en el sentido de que la var ( ˆ β2) sean demasiad
3. Pérdida de eficiencia en el estimador mínimo cuadrático.
4. El estimador de Mínimos Cuadrados Ordinarios sigue siendo lineal, insesgado y consistente pero deja de ser e
5. Como Var(u|X) ya no es constante, el estimador MCO ya no es MELI y el estimador MCO ya no es asintóticam

Aunque ya establecimos que, en caso de heteroscedasticidad, son los MCG y no los MCO los que son MELI,

4 Detección de la heteroscedasticidad
La prueba de White
El test de Breusch-Pagan
La prueba de Glejser
La prueba de Park
La prueba de Goldfeld-Quandt

Métodos informales
Naturaleza del problema

Método gráfico
 Métodos formales SI SON SIGNIFICATIVOS LOS ESTADISTICOS A ESTIMAR , ENTONCES HAY HETEROCED
EN ESE CASO SE ACEPTA LA H1 Y SE RECHAZA LA H0
1 Prueba de Park

1. se regresiona de forma normal

2. luego se regresiona según la siguiente funcion:
3. Si β resulta estadísticamente significativo, esto sugerirá heteroscedasticidad en los datos.
Si resulta no significativo, podemos aceptar el supuesto de homoscedasticidad.

PLANTEAMIENTO DE HIPOTESIS REGLA DE DECISIÓN:

Ho = EL ERROR ES HOMOCEDÁSTICO p > 0.05 HOMOCEDASTICIDAD
H1 = EL ERROR ES HETEROCEDÁSTICO p < 0.05 HETEROCEDASTICIDAD

CASO TABLA 11.1

Para ilustrar el enfoque de Park, con la información de la tabla 11.1 efectuamos la siguiente regres
donde Y = salario promedio en miles de dólares, X = productividad promedio en miles de dólares
e i = i-ésimo de la planta laboral del establecimiento. Los resultados de la regresión fueron los sigui
 … luego hallamos los residuos (Y-Y^) con el comando: predict double modelresid, residuals
... y aplíco la ecuación DEL PASO 2
reg salario produccion
predict double modelresid, residuals
gen lnproduccion = ln(produccion)
gen u2= modelresid^2
gen lnu2= ln(u2)
reg lnu2 lnproduccion

2 Prueba de Glejser …PARA MUESTRAS GRANDES

1. SIMILAR A LA P. DE PARK
2. sugiere una regresión sobre los valores absolutos de ˆui sobre la variable X
3. Si β resulta estadísticamente signifi cativo, esto sugerirá heteroscedasticidad en los datos.
Si resulta no signifi cativo, podemos aceptar el supuesto de homoscedasticidad.

*SE CONSIDERA LA MISMA REGLA DE DECISIÓN QUE LA PRUEBA DE PARK

INTERPRETACION:
Como se aprecia de esta regresión, no hay relación entre el valor absoluto de los residuos y la
regresora, la productividad promedio. Lo anterior refuerza la conclusión basada en la prueba
de Park. NO HAY HETEROCEDASTICIDAD

3 Prueba de correlación de orden de Spearman

 Paso 1. Ajuste la regresión a los datos sobre Y y X, y obtenga los residuos ˆu i.
Paso 2. Ignore el signo de ˆu i, es decir, tome su valor absoluto |ˆu i|, y ordene los valores |ˆu i|
y Xi (o Yˆi) de acuerdo con un orden ascendente o descendente, y calcule el coefi ciente de correla
Paso 3. Si supone que el coefi ciente poblacional de correlación de orden ρs es cero y n > 8,
la signifi cancia del rs muestral se prueba mediante la prueba t de la siguiente manera:
….Si el valor t calculado excede el valor t crítico, podemos aceptar la hipótesis de heteroscedasticid

y luego …

REGLA DE DECISIÓN:
tc > tt HETEROCEDASTICIDAD
tc < tt HOMOCEDASTICIDAD

CASO:

Para ilustrar la prueba de correlación de orden, considere los datos, que corresponden
al rendimiento anual promedio (E, %) y la desviación estándar del rendimiento anual
(σi,%) de 10 fondos de inversión

Paso 1 Paso 2
Ei, σi,
rendimiento desviación
promedio estándar del
anual, rendimiento excel* excel* Ordenación Ordenación

Ei, σi,
% anual, % de σi de |uˆi|
RESIDUOS RESIDUOS

1 12.4 12.1 11.3728 1.0272 4 9

2 14.4 21.4 15.6411 -1.2411 9 10
3 14.6 18.7 14.4019 0.1981 7 4
4 16 21.7 15.7788 0.2212 10 5
5 11.3 12.5 11.5564 -0.2564 5 6
6 10 10.4 10.5926 -0.5926 2 7
7 16.2 20.8 15.3658 0.8342 8 8
8 10.4 10.2 10.5008 -0.1008 1 3
9 13.1 16 13.1628 -0.0628 6 2
10 11.3 12 11.3269 -0.0269 3 1

0.95735548
 HALLAR EL r DE SPEARMAN

r s = 0.3333

tc = 1.0000
tt = 2.30600

INTERPRETACION:
Como se aprecia de esta regresión, no hay relación entre el valor absoluto de los resid
NO HAY heterocedasticidad

4 Prueba de Goldfeld-Quandt signifi caría que σ2i sería mayor mientras mayores fueran los valores de

Paso 1. Ordene las observaciones de acuerdo con los valores de Xi, a partir del valor más bajo de X
Paso 2. Omita las c observaciones centrales, donde c se especifi có a priori, y divida las observacion
restantes (n − c) en dos grupos, cada uno de (n − c)/2 observaciones.
Paso 3. Ajuste regresiones MCO separadas a las primeras (n − c)/2 observaciones y a las
últimas (n − c)/2 observaciones, y obtenga las respectivas sumas de cuadrados residuales
SCR1 y SCR2; SCR1 representa la SCR de la regresión correspondiente a los valores más
bajos de Xi (el grupo de varianza pequeña), y SCR2, a los valores más grandes de Xi (el
grupo de varianza grande). Cada SCR tiene
Paso 4. Calcule la razón

Si en una aplicación λ (_x0002_ F) calculada es superior al F crítico en el nivel de signifi cancia sele
podemos rechazar la hipótesis de homoscedasticidad, es decir, podemos afi rmar que
la heteroscedasticidad es muy probable

CASO
Para ilustrar la prueba de Goldfeld-Quandt presentamos en la tabla 11.3 información sobre el
gasto de consumo en relación con el ingreso de una muestra transversal de 30 familias. Suponga
que postulamos que el gasto de consumo está relacionado linealmente con el ingreso pero que
hay heteroscedasticidad en los datos. Postulamos además que la naturaleza de la heteroscedasticid
es como la de (11.5.10). En la tabla 11.3 presentamos también el reordenamiento
necesario de los datos para aplicar la prueba.

regresion de las 13 primeras obs.

 De estos resultados obtenemos

LANDA (λ) = 4.0746

Fc = 4.07460
Ft = 2.82000
2.81793
INTERPRETACION:
El valor F crítico para 11 gl en el numerador y 11 gl en el denominador e
2.82. Como el valor F(= λ) estimado excede al valor crítico, podemos con
en la varianza del error.

5 Prueba Breusch-Pagan-Godfrey
 Por consiguiente, si en una aplicación el (= χ2) calculado excede al valor crítico χ2 en
el nivel de signifi cancia seleccionado, se rechaza la hipótesis de homoscedasticidad; de lo
contrario, no se rechaza.

CASO: A manera de ejemplo, reconsidere la información (tabla 11.3) para ilustrar la prueba de heterosced
de Goldfeld-Quandt. Al efectuar la regresión de Y sobre X, obtenemos lo siguiente:

PASO: 1

PASO: 2
˜σ2 = 78.7051083

PASO: 3 p = residuos^2 / ˜σ2

PASO: 4 HALLE LA REGRESIÓN DE p EN FUNCIÓN DE X

ch2 c = 5.2140
ch2 t = 5.9915

INTERPRETACION:
Con los supuestos de la prueba BPG, ji
cuadrada con 1 gl. Ahora, de la tabla ji cuadrada
 vemos que, para 1 gl, el valor crítico de ji cuadrada en 5% es 3.8414, y el valor χ2 críti
1% es 6.6349. Por tanto, el valor observado ji cuadrada de 5.2140 es signifi cativo en e
signifi cancia de 5% pero no en el nivel de 1%.

6 Prueba general de heteroscedasticidad de White

CASO tabla 11.3

TEST de White en stata

1. regresionar
2. comando imtest,white
 ch2 c = 5.3300
ch2 t = 5.9915
INTERPRETACIÓN
COMO EL CH2 C < CH2 T, ENTONCES NO HAY HETEROCEDASTICIDAD
SE ACEPTA LA HIPOTESIS NULA DE VARIANZA IGUAL
H0 = Prob > 0.05 HOMOCEDASTICIDAD
H1 = Prob < 0.05 HETEROCEDASTICIDAD
 de ui) es algún número positivo
ticidad, o igual (homo) dispersión
spersar o esparcir. Planteado de otra
misma varianza. En términos llanos, la
isma para todos los valores de X; no
n.

stribuciones de probabilidad con distinta varianza.

es heteroscedásticas. La situación más frecuente es en el análisis de datos de corte transversal, ya que los individuos o empre
 delo de regresión está correctamente especifi cado
egresoras incluidas en el modelo.

r ( ˆ β2) sean demasiado grandes,

tente pero deja de ser eficiente (varianza mínima).

CO ya no es asintóticamente eficiente.

O los que son MELI,

ONCES HAY HETEROCEDASTICIDAD

ojo: elevar al cuadrado los residuos

dad en los datos.

E DECISIÓN:
ENTONCES SIGNIFICA QUE LOS NUEVOS BETAS DE
CEDASTICIDAD LA REGRESIÓN DE LOS ERRORES NO DEBEN SER
OCEDASTICIDAD SEGNIFICATIVOS

mos la siguiente regresión:

o en miles de dólares
egresión fueron los siguientes:
resid, residuals INTERPRETACION:
no hay una relación estadísticamente significativa entre ambas variables.(p de B2 NO ES SIGNIFICATIVA) Según la
de Park, se puede concluir que no hay heteroscedasticidad en la varianza del error.
NO HAY HETEROCEDASTICIDAD

gen absu=abs( modelresid)

reg absu produccion
dad en los datos.

de los residuos y la
sada en la prueba
 ene los valores |ˆu i|
l coefi ciente de correlación de orden de Spearman dado antes.
s es cero y n > 8,
nte manera:
esis de heteroscedasticidad;

rresponden

d,
diferencia
entre las
dos
ordenacione d^2
s Análisis de los residuales
5 25
1 1 Observación
Pronóstico para YResiduos
-3 9 1 11.3728251 1.0271749
-5 25 2 15.6411373 -1.24113733
1 1 3 14.4019499 0.19805009
5 25 4 15.7788248 0.22117518
0 0 5 11.5564084 -0.25640842
2 4 6 10.592596 -0.59259599
-4 16 7 15.3657623 0.83423765
-2 4 8 10.5008043 -0.10080432
9 13.1627625 -0.06276249
10 11.3269293 -0.02692927
lor absoluto de los residuos y la

es fueran los valores de Xi.

del valor más bajo de X.

y divida las observaciones

ciones y a las
dos residuales
valores más

vel de signifi cancia seleccionado,

fi rmar que

formación sobre el
30 familias. Suponga
el ingreso pero que
a de la heteroscedasticidad

regresion de las 13 ultimas obs.

 H0 = Fc < Ft HOMOCEDASTICIDAD
H1 = Fc > Ft HETEROCEDASTICIDAD

gl en el denominador en el nivel de 5% es
or crítico, podemos concluir que hay heteroscedasticidad
a prueba de heteroscedasticidad

TEST de Breusch-Pagan-Godfrey en stata

1. regresionar
2. comando hettest

ch2 c = 5.21
ch2 c > ch2 t heteroscedasticidad ch2 t = 5.99
gl = se refiere al nro de variables INTERPRETACIÓN
COMO EL CH2 C>CH2 T, ENTONCES SI HAY HETEROCEDASTICIDAD
SE ACEPTA LA HIPOTESIS ALTERNATIVA
H0 = Fc < Ft HOMOCEDASTICIDAD
H1 = Fc > Ft HETEROCEDASTICIDAD
.8414, y el valor χ2 crítico en
140 es signifi cativo en el nivel de
que los individuos o empresas o unidades económicas no suelen tener un comportamiento homogéneo.
O ES SIGNIFICATIVA) Según la prueba
Y HETEROCEDASTICIDAD
Table 11.1
Compensation Per Employee ($) in Nondurable Manufacturing
Industries According to Employment Size of Establishment, 1958

IND = Industry
where: 1=Food and Kindred Products
2=Tobacco Products
3=Textile Mill Products
4=Apparel and Related Products
5=Paper and Allied Products
6=Printing and Publishing
7=Chemicals and Allied Products
8=Petroleum and Coal Products
9=Rubber and Plastic Products
10=Leather and Leather Products
11=Average Compensation
12=Standard Deviation
13=Average Productivity
EMPLOYMENT SIZE = Average Number of Employees
where: A=1 to 4
B=5 to 9
C=10 to 19
D=20 to 49
E=50 to 99
F=100 to 249
G=250 to 499
H=500 to 999
I=1000 to 2499

IND A B C D E F
1 2994 3295 3565 3907 4189 4486
2 1721 2057 3336 3320 2980 2848
3 3600 3657 3674 3437 3340 3334
4 3494 3787 3533 3215 3030 2834
5 3498 3847 3913 4135 4445 4885
6 3611 4206 4695 5083 5301 5269
7 3875 4660 4930 5005 5114 5248
8 4616 5181 5317 5337 5421 5710
9 3538 3984 4014 4287 4221 4539
10 3016 3196 3149 3317 3414 3254
11 3396.00 3787.00 4013.00 4104.00 4146.00 4241.00
12 743.70 851.40 727.80 805.06 929.90 1080.60
13 9355.00 8584.00 7962.00 8275.00 8389.00 9418.00

salario produccion Y ESTIMADA ERROR

3396.00 9355.00 4,171.66 -775.66
3787.00 8584.00 3,992.05 -205.05
4013.00 7962.00 3,847.15 165.85
4104.00 8275.00 3,920.06 183.94
4146.00 8389.00 3,946.62 199.38
4241.00 9418.00 4,186.33 54.67
4387.00 9795.00 4,274.16 112.84
4538.00 10281.00 4,387.38 150.62
4843.00 11750.00 4,729.59 113.41

Resumen

Estadísticas de la regresión
Coeficiente de c0.66143822877
Coeficiente de 0.43750053047
R^2 ajustado 0.3571434634
Error típico 337.226396881
Observaciones 9

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadrados F
Regresión 1 619152.500729 619152.500729 5.44445618037
Residuos 7 796051.499271 113721.642753
Total 8 1415204

Coeficientes Error típico Estadístico t Probabilidad

Intercepción 1992.34517281 936.4790938 2.12748494441 0.07093314721
Variable X 1 0.23295700276 0.09983860787 2.33333584817 0.0523561127

Análisis de los residuales

ObservaciónPronóstico para Y Residuos

1 4171.65793367 -775.65793367
2 3992.04808454 -205.04808454
3 3847.14882882 165.851171177
4 3920.06437069 183.935629312
5 3946.621469 199.378530996
6 4186.33422485 54.6657751517
7 4274.15901489 112.840985109
 8 4387.37611823 150.623881766
9 4729.5899553 113.410044705

2
ABSOLUTO
DE
salario produccion modelresid RESIDUOS
3396.00 9355.00 (775.6579) 775.66
3787.00 8584.00 (205.0481) 205.05
4013.00 7962.00 165.8512 165.85
4104.00 8275.00 183.9356 183.94
4146.00 8389.00 199.3785 199.38
4241.00 9418.00 54.6658 54.67
4387.00 9795.00 112.8410 112.84
4538.00 10281.00 150.6239 150.62
4843.00 11750.00 113.4100 113.41

Resumen

-0.0203402721
G H I
4676 4968 5342
3072 2969 3822
3225 3163 3168
2750 2967 3453
5132 5342 5326
5182 5395 5552
5630 5870 5876
6316 6455 6347
4721 4905 5481
3177 3346 4067
4387.00 4538.00 4843.00 salario
1243.20 1307.70 1112.50
9795.00 10281.00 11750.00 produccion

modelresid ln y ln x
 (775.6579) 601,645.22 13.3074232223 9.14366623871
(205.0481) 42,044.72 10.6464889764 9.05765528431
165.8512 27,506.61 10.2221816399 8.98243550356
183.9356 33,832.32 10.4291717189 9.02099420025
199.3785 39,751.80 10.5904103574 9.03467660285
54.6658 2,988.35 8.00247565609 9.1503780308
112.8410 12,733.09 9.45195931916 9.18962733038
150.6239 22,687.55 10.0295717371 9.23805281054
113.4100 12,861.84 9.46201984706 9.37160851957

-2.8010281109 35.8172962928

Valor crítico de F
0.0523561127

Inferior 95% Superior 95%Inferior 95.0%Superior 95.0%

-222.0760035 4206.76634912 -222.0760035 4206.76634912
-0.0031237906 0.46903779617 -0.0031237906 0.46903779617
ln y ln x
6.65371161114 9.14366623871
5.32324448822 9.05765528431
5.11109081994 8.98243550356
5.21458585945 9.02099420025
5.29520517871 9.03467660285
4.00123782805 9.1503780308
4.72597965958 9.18962733038
5.01478586853 9.23805281054
4.73100992353 9.37160851957

-1.4005140554 17.9086481464

407.345543679
Table 11.3 3
Hypothetical Data on Consumption Expenditure and Income

Y = Consumption Expenditure, $
X = Income, $
RY = Consumption Expenditure Ranked by X Values
RX = Ranked Income

Y X RY RX
55 80 55 80 1
65 100 70 85 2
70 85 75 90 3
80 110 65 100 4
79 120 74 105 5
84 115 80 110 6
98 130 84 115 7
95 140 79 120 8
90 125 90 125 9
75 90 98 130 10
74 105 95 140 11
110 160 108 145 12
113 150 113 150 13
125 165 110 160
108 145 125 165
115 180 115 180
140 225 130 185
120 200 135 190 1
145 240 120 200 2
130 185 140 205 3
152 220 144 210 4
144 210 152 220 5
175 245 140 225 6
180 260 137 230 7
135 190 145 240 8
140 205 175 245 9
178 265 189 250 10
191 270 180 260 11
137 230 178 265 12
189 250 191 270 13
Table 11.7
Passenger Car Mileage Data

CF MPG VM VOL WT SP

49 65.4 53.7006814 89 17.5 96

55 56 50.0134012 92 20 97
55 55.9 50.0134012 92 20 97
70 49 45.6963224 92 20 105
53 46.5 50.5042318 92 20 96
70 46.2 45.6963224 89 20 105
55 45.4 50.0134012 92 20 97
62 59.2 46.7165543 50 22.5 98
62 53.3 46.7165543 50 22.5 98
80 43.4 42.2990782 94 22.5 107
73 41.1 44.6528342 89 22.5 103
92 40.9 39.3540941 50 22.5 113
92 40.9 39.3540941 99 22.5 113
73 40.4 44.6528342 89 22.5 103
66 39.6 45.7348929 89 22.5 100
73 39.3 44.6528342 89 22.5 103
78 38.9 42.7899089 91 22.5 106
92 38.8 39.3540941 50 22.5 113
78 38.2 42.7899089 91 22.5 106
90 42.2 38.901834 103 25 109
92 40.9 38.4110033 99 25 110
74 40.7 42.8284794 107 25 101
95 40 38.310606 101 25 111
81 39.3 40.4747233 96 25 105
95 38.8 38.310606 89 25 111
92 38.4 38.4110033 50 25 110
92 38.4 38.4110033 117 25 110
92 38.4 38.4110033 99 25 110
52 46.9 43.4694339 104 27.5 90
103 36.3 35.4041924 107 27.5 112
84 36.1 39.4312352 114 27.5 103
84 36.1 39.4312352 101 27.5 103
102 35.4 36.2854565 97 27.5 111
102 35.3 36.2854565 113 27.5 111
81 35.1 39.5316325 101 27.5 102
90 35.1 37.9587432 98 27.5 106
90 35 37.9587432 88 27.5 106
102 33.2 34.0706683 86 30 109
102 32.9 34.0706683 86 30 109
130 32.3 31.0141309 92 30 120
 95 32.2 35.152727 113 30 106
95 32.2 35.152727 106 30 106
102 32.2 34.0706683 92 30 109
95 32.2 35.152727 88 30 106
93 31.5 35.6435576 102 30 105
100 31.5 34.561499 99 30 108
100 31.4 34.561499 111 30 108
98 31.4 35.0523296 103 30 107
130 31.2 31.0141309 86 30 120
115 33.7 29.629936 101 35 109
115 32.6 29.629936 101 35 109
115 31.3 29.629936 101 35 109
115 31.3 29.629936 124 35 109
180 30.4 24.4873667 113 35 133
160 28.9 26.8522787 113 35 125
130 28 27.8562519 124 35 115
96 28 31.1135839 92 35 102
115 28 29.629936 101 35 109
100 28 30.1319226 94 35 104
100 28 28.8602252 115 35 105
145 27.7 27.3542653 111 35 120
120 25.6 24.6091316 116 40 107
140 25.3 23.5159169 131 40 114
140 23.9 23.5159169 123 40 114
150 23.6 23.6051583 121 40 117
165 23.6 23.1031717 50 40 122
165 23.6 23.1031717 114 40 122
165 23.6 23.1031717 127 40 122
165 23.6 23.1031717 123 40 122
245 23.5 21.2737079 112 40 148
280 23.4 19.6785067 50 40 160
162 23.4 23.203569 135 40 121
162 23.1 23.203569 132 40 121
140 22.9 19.0863405 160 45 110
140 22.9 19.0863405 129 45 110
175 19.5 18.7628367 129 45 121
322 18.1 20.2018546 50 45 165
238 17.2 19.1978876 115 45 140
263 17 20.0568397 50 45 147
295 16.7 19.8337332 119 45 157
236 13.2 12.1012629 107 55 130
Table 11.1
Compensation Per Employee ($) in Nondurable Manufacturing
Industries According to Employment Size of Establishment, 1958

IND = Industry
where: 1=Food and Kindred Products
2=Tobacco Products
3=Textile Mill Products
4=Apparel and Related Products
5=Paper and Allied Products
6=Printing and Publishing
7=Chemicals and Allied Products
8=Petroleum and Coal Products
9=Rubber and Plastic Products
10=Leather and Leather Products
11=Average Compensation
12=Standard Deviation
13=Average Productivity
EMPLOYMENT SIZE = Average Number of Employees
where: A=1 to 4
B=5 to 9
C=10 to 19
D=20 to 49
E=50 to 99
F=100 to 249
G=250 to 499
H=500 to 999
I=1000 to 2499

IND A B C D E F G
1 2994 3295 3565 3907 4189 4486 4676
2 1721 2057 3336 3320 2980 2848 3072
3 3600 3657 3674 3437 3340 3334 3225
4 3494 3787 3533 3215 3030 2834 2750
5 3498 3847 3913 4135 4445 4885 5132
6 3611 4206 4695 5083 5301 5269 5182
7 3875 4660 4930 5005 5114 5248 5630
8 4616 5181 5317 5337 5421 5710 6316
9 3538 3984 4014 4287 4221 4539 4721
10 3016 3196 3149 3317 3414 3254 3177
11 3396 3787 4013 4014 4146 4241 4387
12 743.7 851.4 727.8 805.06 929.9 1080.6 1243.2
13 9355 8584 7962 8275 8389 9418 9795
H I
4968 5342
2969 3822
3163 3168
2967 3453
5342 5326
5395 5552
5870 5876
6455 6347
4905 5481
3346 4067
4538 4843
1307.7 1112.5
10281.00 1 1750