UNIVERSIDAD CENTRAL DE VENEZUELA

FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES

ESCUELA DE ECONOMIA
CATEDRA: ECONOMETRIA I
PROFESOR: CARLOS HENRIQUEZ

PRIMER EXAMEN PARCIAL. ECONOMETRIA I.

1.- Con los datos suministrados en el archivo de Excel realice lo siguiente: a) Formule e
interpreta la FRP y la FRM b) Establezca los signos esperados de acuerdo con la teoría
económica y explíquese en cada caso c) Estime y formule el modelo por el método MCO d)
Establezca si los signos obtenidos son cónsonos con los esperados y en caso de discrepancias
diga las posibles causas e) Interprete cada uno de los coeficientes del modelo obtenido f)
Realice el análisis de la significancia individual y global del modelo g) Analice el coeficiente
de determinación h) Construya e interprete un intervalo de confianza del 95% para el
parámetro β1 g) Obtenga la matriz de varianzas y covarianzas.

Apartado (a) y (b)

 FRP:
𝒀𝒕 = 𝜷𝟎 + 𝜷𝟏 𝑲𝒕 + 𝜷𝟐 𝑳𝒕 + 𝝁𝒕

 FRM:
𝒑𝒊 = 𝜷𝟎 + 𝜷𝟏 𝑲𝒊 + 𝜷𝟐 𝑳𝒊 + 𝝁𝒊

De acuerdo a la teoría económica la función de regresión poblacional muestra que el valor

real medido en producción manufacturera para un periodo determinado es explicado
linealmente por valores fijos de las cantidades de capital y trabajo empleadas en dicha
producción, medida en millones de dólares y miles de trabajadores por año respectivamente
y por los parámetros poblacionales β0, β1 y β2 así como la perturbación aleatoria.
De acuerdo a la teoría económica la función de regresión muestral de acuerdo con un
conjunto de datos muestrales esta función nos indica que el valor de producción
manufacturera para un periodo determinado es explicado por valores fijos, la estimación de
los parámetros β0, β1 y β2 asi como la variable aleatoria estimada.

Signos Esperados
β0 = 0, Si los factores productivos son iguales a cero no existirá producción posible.
β1 > 0, Incrementos en la cantidad de capital invertido en la producción, generara su aumento.
β2 > 0, Incrementos en la cantidad de trabajo empleado en la producción, generara su
aumento.
Apartado (c)
Modelo de Mínimos Cuadrados Ordinarios
̂+𝝁
𝒚=𝒙∗𝜷 ̂𝒕

𝜇̂ = 𝑦 − (𝑥 ∗ 𝛽̂ )

𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 ∑ 𝜇̂ 𝑡2 = 𝜇̂ 𝑇 ∗ 𝜇
𝑡1

𝜇̂ = 𝑦 − 𝑥 ∗ 𝛽̂
𝑇
𝜇̂ 𝑡 = (𝑦 − 𝑥𝛽̂ )
𝑇
𝜇̂ 𝑇 ∗ 𝜇̂ = (𝑦 − 𝑥𝛽̂ ) (𝑦 − 𝑥𝛽̂ )

𝜇̂ 𝑇 ∗ 𝜇̂ = (𝑦 𝑇 − 𝛽̂ 𝑇 𝑥 𝑇 )(𝑦 − 𝑥𝛽̂ )

𝑦 𝑇 ∗ 𝑦 − 𝑦 𝑇 ∗ 𝑥𝛽̂ − 𝛽̂ 𝑇 𝑥 𝑇 𝑦 + 𝛽̂ 𝑇 𝑥 𝑇 𝑥𝛽
Condición de Primer Orden

𝜕(𝜇̂ 𝑇 𝜇̂ )
=0
𝜕𝛽̂
𝜕(𝜇̂ 𝑇 𝜇̂ )
= −𝑦 𝑇 𝑥 + 𝛽̂ 𝑇 𝑥 𝑇 𝑥 = 0
𝜕𝛽 ̂

𝛽̂ 𝑇 𝑥 𝑇 𝑥 = 𝑦 𝑇 𝑥

𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑛𝑖𝑒𝑛𝑑𝑜 𝑎𝑚𝑏𝑜𝑠 𝑙𝑎𝑑𝑜𝑠

𝑇
(𝛽̂ 𝑇 𝑥 𝑇 𝑥) = (𝑦 𝑇 𝑥)𝑇

𝑥 𝑇 𝑥𝛽̂ = 𝑥 𝑇 𝑦

𝑆𝑢𝑝𝑜𝑛𝑖𝑒𝑛𝑑𝑜 𝑞𝑢𝑒 𝑥 𝑇 𝑥 𝑒𝑠 𝑟𝑒𝑔𝑢𝑙𝑎𝑟

𝑝𝑟𝑒𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑚𝑜𝑠 𝑝𝑜𝑟 (𝑥 𝑇 𝑥)−1

(𝑥 𝑇 𝑥)−1 𝑥 𝑇 𝑥𝛽̂ = (𝑥 𝑇 𝑥)−1 𝑥 𝑇 𝑦

𝐼𝛽̂ = (𝑥 𝑇 𝑥)−1 𝑥 𝑇 𝑦

𝛽̂ = (𝑥 𝑇 𝑥)−1 𝑥 𝑇 𝑦
Las operaciones matriciales se encuentran reflejadas en el cuadro Excel anexado en los
documentos enviados. Diríjase “MANUFACTURA MCO”
Apartado (d) y (e)

B0 -135,842736
B1 0,011282137
B2 0,268275694

β0 = Bajo la ausencia de factores productivos el intercepto refleja un valor negativo (es decir
<0) distinto a lo esperado, lo que nos dice que sin factores productivos no existe producción
alguna y que debe haber una cantidad mínima de capital y trabajo igual a 135,8427 para la
existencia de una producción manufacturera.

β1 = Por cada aumento de un dólar en la inversión de capital la producción manufacturera

aumentara en promedio 11.282.137 dólares, manteniendo constantes las demás variables.
β2 = Por cada aumento de un trabajador la producción manufacturera aumentara en promedio
268.275.694 dólares, manteniendo constantes las demás variables

Apartado (f)
Prueba Global:

 Hipótesis
1. Planteamiento de la Hipótesis:
𝑯𝟎 : 𝜷 𝟎 = 𝜷 𝟏 = 𝜷 𝟐 = 𝟎

𝑯𝟏 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 𝑑𝑒 𝑙𝑎𝑠 𝛽 ≠ 𝟎

2. Estadístico de Prueba:
𝑹𝟐⁄
(𝑲 − 𝟏)
𝑭𝒄 =
(𝟏 − 𝑹𝟐 )⁄
𝒏−𝑲
3. Cálculos:
𝑭𝒄 = 𝟓𝟔𝟒, 𝟒𝟔𝟔𝟔𝟖𝟒𝟒𝟕𝟎𝟏𝟎𝟐
4. Criterio de Decisión
𝑭𝒄𝒓𝒊𝒕𝒊𝒄𝒐 = 𝑭𝟎,𝟗𝟓;𝟐;𝟐𝟒 =3,40282611

Como Fc > Fcritico entonces se rechaza H0

5. Conclusión
Existen evidencias suficientes para suponer que las variables exógenas en conjunto, explican
el modelo de producción manufacturera con una significancia del 5%.

Apartado (g)

𝑹𝟐 = 𝟎, 𝟗𝟕𝟕𝟒𝟒𝟖𝟖𝟐𝟔𝟖𝟕𝟖𝟗𝟓𝟓

𝑺𝑪𝑹 ∑𝒏𝒊=𝟏(𝒚 ̅ )𝟐
̂𝒊 − 𝒚
𝑹𝟐 = = 𝒏
𝑺𝑪𝑻 ∑𝒊=𝟏(𝒚 − 𝒚̅ )𝟐

2.- Sea la función de regresión Yt = β0 + β1Xt + µt

Demostrar que: Cov ( .Var (β1)

̂0 , 𝛽
𝐶𝑜𝑣 (𝛽 ̂1 ) = 𝐸{[ 𝛽 ̂
̂0 − 𝐸(𝛽 ̂ ̂
0 )][ 𝛽1 − 𝐸(𝛽1 )]}

̂0 , 𝛽
𝐶𝑜𝑣 (𝛽 ̂1 ) = 𝐸 (𝛽
̂0 − 𝛽0 )(𝛽
̂1 − 𝛽1 )

̂0 , 𝛽
𝐶𝑜𝑣 (𝛽 ̂1 ) = −𝑋̅𝐸 (𝛽
̂1 − 𝛽1 )2

̂0 , 𝛽
𝐶𝑜𝑣 (𝛽 ̂1 ) = −𝑋̅. 𝑉𝑎𝑟 (𝛽
̂1 )

3.- Considere las siguientes formulaciones de la FRP (Función de Regresión Poblacional) de

dos variables :

a.- Encuentre los estimadores de β0 y α0 ¿Son idénticos? ¿Sus varianzas son idénticas?

b.- Encuentre los estimadores de β1 y α1 ¿Son idénticos? ¿Sus varianzas son idénticas?

MODELO 1:

𝒀𝑻 = 𝜷𝟎 + 𝜷𝟏 𝑿𝟏 + 𝝁𝑻

𝝏 ∑ 𝝁𝟐
=𝟎
𝝏 ∑ 𝜷𝟎
 𝝏 ∑ 𝝁𝟐
=0
𝝏 ∑ 𝜷𝟏

Despejamos μ

𝝁𝒕 = 𝒚𝒕 − (𝜷𝟎 + 𝜷𝟏 𝑿𝟏 )
∑ 𝝁𝒕 = ∑(𝒚𝒕 − 𝜷𝟎 − 𝜷𝟏 𝑿𝟏 )
𝟐 𝟐
∑ 𝝁𝒕 = ∑(𝒚𝒕 − 𝜷𝟎 − 𝜷𝟏 𝑿𝟏 )

𝑆𝑢𝑝𝑜𝑛𝑒𝑚𝑜𝑠 𝑀 = 𝜇 2
𝝏𝝁 𝝏𝑴 𝝏𝑴
× = = −𝟏
𝝏𝜷𝟎 𝝏𝝁 𝝏𝜷𝟎

𝝏𝝁 𝝏𝑴 𝝏𝑴
× = = −𝑿𝟏
𝝏𝜷𝟏 𝝏𝝁 𝝏𝜷𝟏

𝝏𝑴
= 𝟐𝝁
𝝏𝝁
𝐴𝑙 𝑠𝑢𝑠𝑡𝑖𝑡𝑢𝑖𝑟 𝑛𝑜𝑠 𝑞𝑢𝑒𝑑𝑎

𝝏 ∑ 𝝁𝟐
= −𝟐(𝒚𝒕 − 𝜷𝟎 − 𝜷𝟏 𝑿𝟏 ) = 𝟎
𝝏𝜷𝟎
𝝏 ∑ 𝝁𝟐
= −𝟐(𝒚𝒕 − 𝜷𝟎 − 𝜷𝟏 𝑿𝟏 )𝑿𝟏 = 𝟎
{ 𝝏𝜷𝟏

(𝒚𝒕 − 𝜷𝟎 − 𝜷𝟏 𝑿𝟏 ) = 𝟎 (𝟏)
{ 𝟐
(𝒚𝒕 𝑿𝟏 − 𝜷𝟎 𝑿𝟏 − 𝜷𝟏 𝑿𝟏 ) = 𝟎 (𝟐)

𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖𝑜𝑛 𝑑𝑒 𝑜𝑝𝑒𝑟𝑎𝑑𝑜𝑟𝑒𝑠 ∑

1) ∑ 𝒀𝒕 = 𝒏𝜷̂𝟎 − 𝜷̂ 𝟏 ∑ 𝑿𝟏
̂ 𝟎 ∑ 𝑿𝟏 + 𝜷
2) ∑ 𝒀𝒕 𝑿𝟏 = 𝜷 ̂ 𝟏 ∑ 𝑿𝟐𝟏

Reescribiendo:
̂ 𝟎 − ∑ 𝑿𝟏 𝜷
1) 𝒏𝜷 ̂ 𝟏 = ∑ 𝒀𝒕
̂ 𝟎 + ∑ 𝑿𝟐𝟏 𝜷
2) ∑ 𝑿𝟏 𝜷 ̂ 𝟏 = ∑ 𝒀𝒕 𝑿𝟏
Podemos escribirlo matricialmente

𝑛 ∑ 𝑿𝟏 ̂
𝜷 ∑ 𝒀𝒕
( ) × ( 𝟎) = ( )
̂𝟏
𝜷
∑ 𝑿𝟏 ∑ 𝑿𝟐𝟏 ∑ 𝒀𝒕 𝑿𝟏

𝜹×𝜷 =𝑪
𝜹−𝟏 𝜹 × 𝜷 = 𝜹−𝟏 × 𝑪
𝐼 × 𝛽 = 𝜹−𝟏 × 𝑪
(𝑥′𝑥)−1 𝑥 ′ 𝑦 = 𝛽̂

Volvemos al sistema

̂ 𝟎 − ∑ 𝑿𝟏 𝜷
𝒏𝜷 ̂ 𝟏 = ∑ 𝒀𝒕
{
̂ 𝟎 + ∑ 𝑿𝟐𝟏 𝜷
∑ 𝑿𝟏 𝜷 ̂ 𝟏 = ∑ 𝑿𝟏 𝒀𝒕

̂ 𝟎 = ∑ 𝒀𝒕 − ∑ 𝑿𝟏 𝜷
𝒏𝜷 ̂𝟏

̂𝟏
∑ 𝒀𝒕 ∑ 𝑿𝟏 𝜷
̂𝟎 =
𝜷 −
𝒏 𝒏

̂𝟎 = 𝒚
𝜷 ̅−𝒙
̅𝜷̂𝟏

𝐴ℎ𝑜𝑟𝑎 𝑠𝑢𝑠𝑡𝑖𝑡𝑢𝑖𝑚𝑜𝑠 𝛽̂0 𝑒𝑛 (2)

̅−𝒙
∑ 𝑿𝟏 [𝒚 ̅𝜷̂ 𝟏 ] + ∑ 𝑿𝟐𝟏 𝜷
̂ 𝟏 = ∑ 𝑿𝟏 𝒀𝒕

̅−𝒙
∑ 𝑿𝟏 𝒚 ̅𝜷̂ 𝟏 ∑ 𝑿𝟏 + ∑ 𝑿𝟐𝟏 𝜷
̂ 𝟏 = ∑ 𝑿𝟏 𝒀𝒕

̂𝟏 − 𝒙
∑ 𝑿𝟐𝟏 𝜷 ̅𝜷̂ 𝟏 ∑ 𝑿𝟏 = ∑ 𝑿𝟏 𝒀𝒕 − ∑ 𝑿𝟏 𝒚
̅

̂ 𝟏 (∑ 𝑿𝟐𝟏 − 𝒙
𝜷 ̅ ∑ 𝑿𝟏 ) = ∑ 𝑿𝟏 𝒀𝒕 − ∑ 𝑿𝟏 𝒚
̅

∑ 𝑿𝟏 𝒀𝒕 − ∑ 𝑿𝟏 𝒚
̅
̂𝟏 =
𝜷
(∑ 𝑿𝟐𝟏 − 𝒙
̅ ∑ 𝑿𝟏 )
 ∑ 𝑿𝟏 𝒀𝒕 − 𝒏𝒙
̅𝒚̅ 𝑪𝒐𝒗(𝒙, 𝒚)
̂𝟏 =
𝜷 =
(∑ 𝑿𝟐𝟏 − 𝒏𝒙
̅𝟐 ) 𝑽𝒂𝒓(𝒙)

MODELO 2:
̅ ) + 𝝁𝒕
𝒀𝒕 = 𝜶𝟎 + 𝜶𝟏 (𝑿 − 𝑿

𝝏 ∑ 𝝁𝟐
=𝟎
𝝏 ∑ 𝜶𝟎

𝝏 ∑ 𝝁𝟐
=0
𝝏 ∑ 𝜶𝟏

Despejamos μ
̅ ))
𝝁𝒕 = 𝒚𝒕 − (𝜶𝟎 + 𝜶𝟏 (𝑿 − 𝑿
∑ 𝝁𝒕 = ∑(𝒚𝒕 − 𝜶𝟎 − 𝜶𝟏 𝑿𝟏 )
𝟐 𝟐
̅ ))
∑ 𝝁𝒕 = ∑(𝒚𝒕 − 𝜶𝟎 − 𝜶𝟏 (𝑿 − 𝑿

𝑆𝑢𝑝𝑜𝑛𝑒𝑚𝑜𝑠 𝑀 = 𝜇 2
𝝏𝝁 𝝏𝑴 𝝏𝑴
× = = −𝟏
𝝏𝜶𝟎 𝝏𝝁 𝝏𝜶𝟎

𝝏𝝁 𝝏𝑴 𝝏𝑴
× = ̅)
= −(𝑿 − 𝑿
𝝏𝜶𝟏 𝝏𝝁 𝝏𝜶𝟏

𝝏𝑴
= 𝟐𝝁
𝝏𝝁
𝐴𝑙 𝑠𝑢𝑠𝑡𝑖𝑡𝑢𝑖𝑟 𝑛𝑜𝑠 𝑞𝑢𝑒𝑑𝑎

𝝏 ∑ 𝝁𝟐
̅ )) = 𝟎
= −𝟐(𝒚𝒕 − 𝜶𝟎 − 𝜶𝟏 (𝑿 − 𝑿
𝝏𝜶𝟎
𝝏 ∑ 𝝁𝟐
̅ ))(𝑿 − 𝑿
= −𝟐(𝒚𝒕 − 𝜶𝟎 − 𝜶𝟏 (𝑿 − 𝑿 ̅) = 𝟎
{ 𝝏𝜶𝟏
 (𝒚𝒕 − 𝜶𝟎 − 𝜶𝟏 (𝑿 − 𝑿̅ )) = 𝟎 (𝟏)
{
̅ ) − 𝜶𝟎 (𝑿 − 𝑿
(𝒚𝒕 (𝑿 − 𝑿 ̅ )𝟐 ) = 𝟎 (𝟐)
̅ ) − 𝜶𝟏 (𝑿 − 𝑿

𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖𝑜𝑛 𝑑𝑒 𝑜𝑝𝑒𝑟𝑎𝑑𝑜𝑟𝑒𝑠 ∑

1) ∑ 𝒀𝒕 = 𝒏𝜶 ̅)
̂ 𝟏 ∑(𝑿 − 𝑿
̂𝟎 − 𝜶
̅) = 𝜶
2) ∑ 𝒀𝒕 (𝑿 − 𝑿 ̅) + 𝜶
̂ 𝟎 ∑(𝑿 − 𝑿 ̅ )𝟐𝟏
̂ 𝟏 ∑(𝑿 − 𝑿

̅) 𝜶
̂ 𝟎 − ∑(𝑿 − 𝑿
𝒏𝜶 ̅)
̂ 𝟏 = ∑ 𝒀𝒕 (𝑿 − 𝑿
{
̅ )𝜶
∑(𝑿 − 𝑿 ̅ )𝟐𝟏 𝜶
̂ 𝟎 + ∑(𝑿 − 𝑿 ̅)
̂ 𝟏 = ∑ 𝒀𝒕 (𝑿 − 𝑿

𝒏𝜶 ̅ )𝜶
̂ 𝟎 = ∑ 𝒀𝒕 − ∑(𝑿 − 𝑿 ̂𝟏

̅ )𝜶
∑ 𝒀𝒕 ∑(𝑿 − 𝑿 ̂𝟏
̂𝟎 =
𝜶 −
𝒏 𝒏

̂𝟎 = 𝒚
𝜶 ̅

𝐴ℎ𝑜𝑟𝑎 𝑠𝑢𝑠𝑡𝑖𝑡𝑢𝑖𝑚𝑜𝑠 𝛼̂0 𝑒𝑛 (2)

̅ )[𝒚
∑(𝑿 − 𝑿 ̅ )𝟐𝟏 𝜶
̅] + ∑(𝑿 − 𝑿 ̅ )𝒀𝒕
̂ 𝟏 = ∑(𝑿 − 𝑿

̅ )𝒚
∑(𝑿 − 𝑿 ̅−𝜶 ̅ )𝟐𝟏 = ∑(𝑿 − 𝑿
̂ 𝟏 ∑(𝑿 − 𝑿 ̅ )𝒀𝒕

̅ )𝟐𝟏 = ∑(𝑿 − 𝑿
̂ 𝟏 ∑(𝑿 − 𝑿
𝜶 ̅ )𝒀𝒕 − ∑(𝑿 − 𝑿
̅ )𝒚
̅

̅ )𝒀𝒕 − ∑(𝑿 − 𝑿
∑(𝑿 − 𝑿 ̅ )𝒚
̅
̂𝟏 =
𝜶
∑(𝑿 − 𝑿 ̅ )𝟐𝟏

̅ ) − ∑(𝒀𝒕 − 𝒀
∑(𝑿 − 𝑿 ̅)
̂𝟏 =
𝜶
∑(𝑿 − 𝑿̅ )𝟐𝟏
4.- Lo que se conoce como la línea característica del análisis de inversión moderno es
sencillamente la línea de regresión obtenida del siguiente modelo: rit = αi + βi .rmt + μt .
Conociendo que: rit es la tasa de rendimiento del i-ésimo valor en el tiempo t; rmt es la tasa
de rendimiento del portafolio del mercado en el tiempo t; μt es el término de perturbación
estocástica. En este modelo, βi se conoce como coeficiente beta del i-ésimo valor, una
medida del riesgo del mercado (o sistemático) de un valor. Se dice que un valor cuyo
coeficiente beta es mayor que uno es un valor volátil o agresivo (muy riesgoso).

Con base en 240 tasas de rendimiento mensuales para el periodo 1956-1976, se obtuvo la
siguiente línea característica para las acciones de IBM en relación con el índice de portafolio
del mercado elaborado en la Universidad de Chicago:

rit estimada= 0,7246 + 1,0598 rmt ; ee(α)= 0,3001 ee(β)=0,0728 R2 = 0,4710 g.l.=238
F1, 238; 0,05 = 211,89

a.- ¿Fueron las acciones de IBM valores volátiles en el período que se estudia?

𝐻𝑜 : 𝛽0 ≤ 1 𝐻1 : 𝛽0 > 1

Estadístico de contraste:
̂0 − 𝛽0
𝛽
𝑡𝑐 =
𝑒𝑒(𝛽0 )

1,0598 − 1
𝑡𝑐 = = 0,8214
0,0728

Existen evidencias suficientes para suponer que el coeficiente de 𝛽0 no es significativa las

acciones de IBM no fueron valores volátiles en el periodo.
Según los datos obtenidos se puede afirmar entonces que en el periodo que se estudia las
acciones de IBM no presentaron valores volátiles, puesto que la medida de riego del
mercado es positiva pero no es mayor a 1, lo que define en este caso la volatilidad del
rendimiento de dichas acciones, tomando en cuenta que si la tasa de rendimiento del
portafolio del mercado en el tiempo aumenta en una unidad la tasa de rendimiento del i-
ésimo valor en el tiempo aumenta en promedio 1,0598 unidades, manteniendo constantes
el resto de las variables explicativas.
b.- ¿Es el coeficiente del intercepto significativamente diferente de cero? Si lo es, ¿cuál es
su interpretación práctica?

𝐻𝑜 : 𝛼0 = 0 𝐻1 : 𝛼0 ≠ 0

Estadístico de contraste:
𝛼
̂0 − 𝛼0
𝑡𝑐 =
𝑒𝑒(𝛼0 )
t238; 0.025 = 1,970
si tc es mayor que 1,970 se rechaza H0
0,7246 − 0
𝑡𝑐 = = 2,4145
0,3001
Existen evidencias suficientes para suponer que el coeficiente del intercepto es
significativo, con un nivel de significancia del 5%, incluso si la tasa de rendimiento del
portafolio del mercado es 0, la tasa de rendimiento del i-ésimo valor en el tiempo será
0,7246.

Para el contraste de significancia global se toma en cuenta F que en este caso es igual a,
211,89 entonces si Fc es mayor que 211,8 entonces se rechaza H0
𝐻𝑜 : 𝛼0 = 𝛽0 = 0 𝐻1 : ∃𝛼0 ≠ 0

Estadístico de contraste:
𝑅 2 ⁄(𝑘 − 1)
𝐹𝑐 =
(1 − 𝑅 2 )⁄(𝑛 − 𝑘)

0,4710⁄1
𝐹𝑐 = = 211,95
0,529⁄238

Existen suficientes evidencias para suponer que las variables exógenas logran explicar en
conjunto el comportamiento de la variable endógena, con un nivel de significancia del 5%