Los modelos de crecimiento clásico
Los modelos de crecimiento clásico son el modelo de
crecimiento geométrico, que se pueden presentar por una ecuación:
y el modelo de crecimiento
exponencial:
Para
fines de estimación o proyección, ambos modelos pueden ser estimados con un
Sin embargo, en EViews el modelo será
presentado y se guarda en la siguiente forma, con el registro (Yt), que indica el
logaritmo natural de Yt:
Modelo de regresión básica
para:
Teniendo en cuenta la variable M1 (oferta monetaria) en el archivo de
trabajo Demo_Modified, los pasos para el análisis
de datos utilizando el modelo de crecimiento anterior son los siguientes:
Primero abrimos nuestro archivo Demo_Modified.wf1, una vez lo tengamos en la pantalla, hacemos click en Quick/Estimate Equation...;
A continuación, introducimos una serie
de variables en el espacio de la
especificación de la ecuación.
En este modelo de crecimiento log(M1) es la variable
dependiente, C(1) como es el
parámetro de intercepto y C(2) es el parámetro de la pendiente.
Especificación
de la ecuación, la configuración de la estimación y opciones para hacer un análisis de
regresión univariado.
Hay que tener en cuenta que en este cuadro se presentan las
opciones de los mínimos cuadrados (LS) método de estimación (NLS y ARMA), así como la muestra
utilizada en este análisis. Esto se
puede modificar dependiendo de la necesidad.
Damos Ok y evaluamos los resultados…
Basándose en estos resultados, los comentarios se pueden presentar de la
siguiente manera:
R-cuadrado.
Para los modelos de series de tiempo con k variables exógenas, el R2 (centro) es el coeficiente de
determinación, y en Eviews se calcula como:
La
raíz cuadrada
positiva de R2, es decir, R es el coeficiente de correlación múltiple entre todas las variables
independientes con la
variable dependiente. Además, para k = 1, entonces R2 se reducirá a el coeficiente de determinación simple.
R-cuadrado
ajustado.
El R2 ajustado se mide
como:
donde k es el número
de parámetros del modelo. El valor
ajustado R cuadrado es nunca mayor de R2, este puede disminuir a medida que las variables
independientes se suman y, en modelos que no ajustan bien puede ser negativo.
Grandes valores de R2.
En
este caso, hay un R2 muy grande R2= 0,973 537, y se puede concluir que el
modelo tiene un muy buen ajuste para la estimación de la curva de crecimiento
de los resultados observados de M1. Este número indica que el 97,3537% de la
variación total de log (m1) se explica por el tiempo t.
Sin
embargo, tenga en cuenta que una gran R2 no implica directamente que el modelo
es bueno o útil.
Mediante
la observación de un pequeño DW (Durbin-Watson)-estadístico de 0.015856, en
realidad se trata de un problema de autocorrelación en los términos de error
del modelo.
Por
lo tanto, este modelo no es un modelo apropiado para la inferencia estadística
y por ello debe ser revisado o modificado.
Los valores bajos de R2.
A
pesar de que un valor de R2 es (muy) pequeño, el modelo podría ser aceptable,
en un sentido estadístico, cada vez que el diagrama de dispersión del error términos
representan una cinta a lo largo de la línea de e = 0.
El F- y t-estadísticos.
En
general, la estadística F se utiliza para probar los efectos de la articulación
de todas las variables exógenas y la estadística t se utiliza para probar el efecto
ajustado de una variable exógena de la variable endógena correspondiente.
0 Comentarios:
Publicar un comentario