View
3
Download
0
Category
Preview:
Citation preview
TRABAJO PRÁCTICO DE ECONOMETRÍA
AR (1) Población
Coeficiente
Según la constante y el resultado del AR (1) como se observa en el cuadro que es de 0,999778 la variable si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo con un 111,2629.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,57% casi perfecto.
Fisher
Como su valor es de 12.430 se puede decir que si es significativo.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
El único problema con este modelo es que tiene auto correlación.
AR (2) Población
El modelo es no estacionario por lo tanto se puede afirmar que la aplicación de AR(1) y AR(2) en esta variable no es óptima.
AR (3) Población
Coeficiente
Según la constante y el resultado del AR (1),AR (2) y AR (3) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,99% casi perfecto.
Fisher
Como su valor es de 850.829,6se puede decir que si es significativo.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó AR (3) es óptima y según el test es no autocorrelativa.
AR (4) Población
Coeficiente
Según la constante y el resultado del AR (1),AR (2), AR (3) y AR (4) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,99% casi perfecto.
Fisher
Como su valor es de601.091,6 se puede decir que si es significativo.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó AR (4) es óptima encontrándose en el rango perfecto de no autocorrelación.
AR (5) Población
Coeficiente
Según la constante y el resultado del AR (1),AR (2), AR (3) AR (4) y AR(5) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,99% casi perfecto.
Fisher
Como su valor es de 454.954,3 se puede decir que si es significativo.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó AR (5) es óptima encontrándose en el rango de no autocorrelación.
AR (1) Población Urbana
El modelo es no estacionario por lo tanto se puede afirmar que la aplicación de AR(1) en esta variable no es óptima.
AR (2) Población Urbana
El modelo es no estacionario por lo tanto se puede afirmar que la aplicación de AR(1) y AR(2) en esta variable no es óptima.
AR (3) Población Urbana
Coeficiente
Según la constante y el resultado del AR (1),AR (2) y AR (3) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,99% casi perfecto.
Fisher
Como su valor es de 653436,7 se puede decir que si es significativo.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó AR (3) es óptima encontrándose en el rango de no autocorrelación.
AR (4) Población Urbana
Coeficiente
Según la constante y el resultado del AR (1),AR (2), AR (3) y AR (4) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,99% casi perfecto.
Fisher
Como su valor es de 450.270,6 se puede decir que si es significativo.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó AR (4) es óptima encontrándose en el rango de no autocorrelación.
AR (5) Población Urbana
Coeficiente
Según la constante y el resultado del AR (1),AR (2), AR (3) AR (4) y AR(5) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,99% casi perfecto.
Fisher
Como su valor es de 336.995,5 se puede decir que si es significativo.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó AR (5) es óptima encontrándose en el rango de no autocorrelación.
AR (1) Población Rural
Coeficiente
Según la constante y el resultado del AR (1) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que el valor es distinto de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 98,71% casi perfecto.
Fisher
Como su valor es de 3.984,19 se puede decir que si es significativo.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
El único problema con este modelo es que tiene autocorrelación.
AR (2) Población Rural
Coeficiente
Según la constante y el resultado del AR (1) y AR(2) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que el valor es distinto de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,76% casi perfecto.
Fisher
Como su valor es de 10.594,33 se puede decir que si es significativo.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
El único problema con este modelo es que tiene autocorrelación pero se encuentra muy cerca de no tenerla.
AR (3) Población Rural
Coeficiente
Según la constante y el resultado del AR (1),AR (2) y AR (3) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,77% casi perfecto.
Fisher
Como su valor es de 7.053,13 se puede decir que si es significativo.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó AR (3) es óptima encontrándose en el rango de no autocorrelación.
AR (4) Población Rural
Coeficiente
Según la constante y el resultado del AR (1),AR (2), AR (3) y AR (4) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,76% casi perfecto.
Fisher
Como su valor es de 4.919,60 se puede decir que si es significativo.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó AR (4) es óptima encontrándose en el rango de no autocorrelación.
AR (5) Población Rural
Coeficiente
Según la constante y el resultado del AR (1),AR (2), AR (3) AR (4) y AR(5) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,75% casi perfecto.
Fisher
Como su valor es de 3.587,47se puede decir que si es significativo.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó AR (5) es óptima encontrándose en el rango de no autocorrelación.
AR (1) Importación de Bienes y Servicios
El modelo es no estacionario por lo tanto se puede afirmar que la aplicación de AR(1) en esta variable no es óptima.
AR (2) Importación de Bienes y Servicios
El modelo es no estacionario por lo tanto se puede afirmar que la aplicación de AR(1) y AR(2) en esta variable no es óptima.
AR (3) Importación de Bienes y Servicios
El modelo es no estacionario por lo tanto se puede afirmar que la aplicación de AR(1), AR(2) y AR(3) en esta variable no es óptima.
AR (4) Importación de Bienes y Servicios
El modelo es no estacionario por lo tanto se puede afirmar que la aplicación de AR(1), AR(2), AR(3) Y AR(4)en esta variable no es óptima.
AR (5) Importación de Bienes y Servicios
El modelo es no estacionario por lo tanto se puede afirmar que la aplicación de AR(1), AR(2), AR(3), AR(4) y AR(5) en esta variable no es óptima.
AR (1) Exportación de Bienes y Servicios
El modelo es no estacionario por lo tanto se puede afirmar que la aplicación de AR(1) en esta variable no es óptima.
AR (2) Exportación de Bienes y Servicios
El modelo es no estacionario por lo tanto se puede afirmar que la aplicación de AR(1) y AR(2) en esta variable no es óptima.
AR (3) Exportación de Bienes y Servicios
El modelo es no estacionario por lo tanto se puede afirmar que la aplicación de AR(1), AR(2) y AR(3) en esta variable no es óptima.
AR (4) Exportación de Bienes y Servicios
El modelo es no estacionario por lo tanto se puede afirmar que la aplicación de AR(1), AR(2), AR(3) y AR(4) en esta variable no es óptima.
AR (5) Exportación de Bienes y Servicios
El modelo es no estacionario por lo tanto se puede afirmar que la aplicación de AR(1), AR(2), AR(3), AR(4) y AR(5)en esta variable no es óptima.
MA (1) Importación de Armas
Coeficiente
Según la constante y el resultado del MA (1) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que el valor es distinto de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 30,04% .
Fisher
Como su valor es de 22,76.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
El único problema con este modelo es que tiene autocorrelación pero se encuentra muy cerca de no tenerla.
MA (2) Importación de Armas
Coeficiente
Según la constante y el resultado del MA (1) y MA(2) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que el valor es distinto de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 64,31% .
Fisher
Como su valor es de 46,85.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó MA (2) es óptima encontrándose en el rango perfecto de no autocorrelación.
MA (3) Importación de Armas
Coeficiente
Según la constante y el resultado del MA (1), MA(2) y MA(3) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que el valor es distinto de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 64,82% .
Fisher
Como su valor es de 31,33.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó MA (2) es óptima encontrándose en el rango perfecto de no autocorrelación.
MA (4) Importación de Armas
El modelo es no estacionario por lo tanto se puede afirmar que la aplicación de MA(1), MA(2), MA(3) y MA(4) en esta variable no es óptima.
MA (5) Importación de Armas
Coeficiente
Según la constante y el resultado del MA (1), MA (2), MA (3) , MA (4) y MA (5) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 67,03%.
Fisher
Como su valor es de 19,93.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó MA (5) es óptima encontrándose en el rango de no autocorrelación.
MA (1) Exportación de Armas
Coeficiente
Según la constante y el resultado del MA (1) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que el valor es distinto de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 51,15% casi perfecto.
Fisher
Como su valor es de 55,51.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
El único problema con este modelo es que tiene autocorrelación.
MA (2) Exportación de Armas
Coeficiente
Según la constante y el resultado del MA (1) y MA (2) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 63,65%.
Fisher
Como su valor es de 45,53.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó MA (2) es óptima encontrándose en el rango de no autocorrelación.
MA (3) Exportación de Armas
Coeficiente
Según la constante y el resultado del MA (1), MA (2) y MA (3) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 66,53%.
Fisher
Como su valor es de 33,79.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó MA (3) es óptima encontrándose en el rango de no autocorrelación.
MA (4) Exportación de Armas
Coeficiente
Según la constante y el resultado del MA (1), MA (2), MA (3) y MA (4) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 66,95%.
Fisher
Como su valor es de 25,33.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó MA (4) es óptima encontrándose en el rango de no autocorrelación.
MA (5) Exportación de Armas
Coeficiente
Según la constante y el resultado del MA (1), MA (2), MA (3) , MA (4) y MA (5) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 67,02%.
Fisher
Como su valor es de 19,92.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó MA (5) es óptima encontrándose en el rango de no autocorrelación.
MA (1) Formación Bruta de Capital
Coeficiente
Según la constante y el resultado del MA (1) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que el valore es distinto de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 70,62%.
Fisher
Como su valor es de 127,43.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó MA (1) es óptima encontrándose en el rango de no autocorrelación.
MA (2) Formación Bruta de Capital
Coeficiente
Según la constante y el resultado del MA (1) y MA (2)como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 89,95%.
Fisher
Como su valor es de 232,74.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó MA (2) es óptima encontrándose en el rango de no autocorrelación.
MA (3) Formación Bruta de Capital
Coeficiente
Según la constante y el resultado del MA (1), MA (2) y MA (3) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 94,41%.
Fisher
Como su valor es de 287,49.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
El problema con este modelo es que tiene autocorrelación.
MA (4) Formación Bruta de Capital
Coeficiente
Según la constante y el resultado del MA (1), MA (2), MA (3) y MA (4) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 96,55%.
Fisher
Como su valor es de 349,99.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
El problema con este modelo es que tiene aitocorrelación.
MA (5) Formación Bruta de Capital
Coeficiente
Según la constante y el resultado del MA (1), MA (2), MA (3) , MA (4) y MA (5) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 97,43%.
Fisher
Como su valor es de 371,98.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
El problema con este modelo es que tiene autocorrelación.
MA (1) Importación de mercancías
El modelo es no estacionario por lo tanto se puede afirmar que la aplicación de MA(1) en esta variable no es óptima.
MA (2) Importación de mercancías
Coeficiente
Según la constante y el resultado del MA (1) y MA (2) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 86,95%.
Fisher
Como su valor es de 173,35.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
El problema con este modelo es que tiene autocorrelación.
MA (3) Importación de mercancías
Coeficiente
Según la constante y el resultado del MA (1), MA (2) y MA (3) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 91,20%.
Fisher
Como su valor es de 176,25.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
El problema con este modelo es que tiene autocorrelación.
MA (4) Importación de mercancías
Coeficiente
Según la constante y el resultado del MA (1), MA (2), MA (3) y MA (4) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 94,87%.
Fisher
Como su valor es de 231,17.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
El problema con este modelo es que tiene autocorrelación.
MA (5) Importación de mercancías
Coeficiente
Según la constante y el resultado del MA (1), MA (2), MA (3) , MA (4) y MA (5) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 95,22%.
Fisher
Como su valor es de 195,37.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó MA (5) es óptima encontrándose en el rango de no autocorrelación.
MA (1) Exportación de mercancías
Coeficiente
Según la constante y el resultado del MA (1) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que el valor es distinto de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 69%.
Fisher
Como su valor es de 117,97.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
El problema con este modelo es que tiene autocorrelación.
MA (2) Exportación de mercancías
Coeficiente
Según la constante y el resultado del MA (1), MA (2), MA (3) , MA (4) y MA (5) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 67,03%.
Fisher
Como su valor es de 19,93.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó MA (5) es óptima encontrándose en el rango de no autocorrelación.
MA (3) Exportación de mercancías
Coeficiente
Según la constante y el resultado del MA (1), MA (2) y MA (3)como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 92,75%.
Fisher
Como su valor es de 217,61.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
El problema con este modelo es que tiene autocorrelación.
MA (4) Exportación de mercancías
Coeficiente
Según la constante y el resultado del MA (1), MA (2), MA (3) y MA (4) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 95,53%.
Fisher
Como su valor es de 19,93.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
El problema con este modelo es que tiene autocorrelación
MA (5) Exportación de mercancías
Coeficiente
Según la constante y el resultado del MA (1), MA (2), MA (3) , MA (4) y MA (5) como se observa en el cuadro si cumple la estacionariedad.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 96,15%.
Fisher
Como su valor es de 245,19.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
El problema con este modelo es que tiene autocorrelación.
ARMA (1,1) Gasto de Consumo Final
Coeficiente
Según la constante y el resultado del AR(1) y MA (1), como se observa en el cuadro es no estacionario.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,80%.
Fisher
Como su valor es de 13.093,44.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
El problema con este modelo es que tiene autocorrelación.
ARMA (1,2) Gasto de Consumo Final
Coeficiente
Según la constante y el resultado del AR(1), MA (1) y MA(2), como se observa en el cuadro es no estacionario.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,94%.
Fisher
Como su valor es de 30.352,64.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó ARMA (1,2) es óptima encontrándose en el rango de no autocorrelación.
ARMA (2,1) Gasto de Consumo Final
Coeficiente
Según la constante y el resultado del AR(1), AR(2) y MA (1), como se observa en el cuadro es no estacionario.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,94%.
Fisher
Como su valor es de 29.799,14.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
El problema con este modelo es que tiene autocorrelación.
ARMA (2,2) Gasto de Consumo Final
Coeficiente
Según la constante y el resultado del AR(1), AR(2), MA (1) y MA(2), como se observa en el cuadro es no estacionario.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,95%.
Fisher
Como su valor es de 24.530,60.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó ARMA (2,2) es óptima encontrándose en el rango de no autocorrelación.
Basándose en el criterio Hannan-Quinn el mejor modelo es el ARMA (2,2)
ARMA (1,1) Gasto Nacional Bruto
Coeficiente
Según la constante y el resultado del AR(1), MA (1) y MA(2), como se observa en el cuadro es no estacionario.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,69%.
Fisher
Como su valor es de8.269,32.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
El problema con este modelo es que tiene autocorrelación.
ARMA (1,2) Gasto Nacional Bruto
Coeficiente
Según la constante y el resultado del AR(1), MA (1) y MA(2), como se observa en el cuadro es no estacionario.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,76%.
Fisher
Como su valor es de 7.048,42.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó ARMA (1,2) es óptima encontrándose en el rango de no autocorrelación.
ARMA (2,1) Gasto Nacional Bruto
Coeficiente
Según la constante y el resultado del AR(1), AR(2) y MA (1) como se observa en el cuadro es no estacionario.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,90%.
Fisher
Como su valor es de 16.349,78.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó ARMA (2,1) es óptima encontrándose en el rango de no autocorrelación.
ARMA (2,2) Gasto Nacional Bruto
Coeficiente
Según la constante y el resultado del AR(1), AR(2), MA (1) y MA(2), como se observa en el cuadro es no estacionario.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,90%.
Fisher
Como su valor es de12.423,22.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó ARMA (2,2) es óptima encontrándose en el rango de no autocorrelación.
Basándose en el criterio Akaike el mejor modelo es el ARMA (2,1)
ARMA (1,1) Ahorro Interno Bruto
Coeficiente
Según la constante y el resultado del AR(1) y MA (1) como se observa en el cuadro es no estacionario.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,12%.
Fisher
Como su valor es de2.905,107.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó ARMA (1,1) es óptima encontrándose en el rango de no autocorrelación.
ARMA (1,2) Ahorro Interno Bruto
Coeficiente
Según la constante y el resultado del AR(1), MA (1) y MA(2), como se observa en el cuadro es no estacionario.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,32%.
Fisher
Como su valor es de 2.452,075.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó ARMA (1,2) es óptima encontrándose en el rango de no autocorrelación.
ARMA (2,1) Ahorro Interno Bruto
Coeficiente
Según la constante y el resultado del AR(1), AR(2) y MA (1), como se observa en el cuadro es no estacionario.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,90%.
Fisher
Como su valor es de12.423,22.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó ARMA (2,2) es óptima encontrándose en el rango de no autocorrelación.
ARMA (2,2) Ahorro Interno Bruto
Coeficiente
Según la constante y el resultado del AR(1), AR(2), MA (1) y MA(2), como se observa en el cuadro es no estacionario.
t-Student
Para respaldar la afirmación anterior del coeficiente vemos el resultado de la
t-student el cual nos confirma que es significativo ya que los valores son distintos de cero.
R-Cuadrado
El modelo se ajusta a la variación total en un 99,20%.
Fisher
Como su valor es de1.500,283.
Probabilidad F-stadistic
La probabilidad de que este modelo está en la hipótesis nula es del 0%.
Durbin – Watson
La variable a la cual se le aplicó ARMA (2,2) es óptima encontrándose en el rango de no autocorrelación.
Basándose en el criterio schwartz el mejor modelo es el ARMA (1,2)
Recommended