Ordinario Mno

Modelos Estadísticos no Lineal
Maestría en Análisis de Información
Unidad Académica de Matemáticas
Jesús Alejandro Montes Longoria
Segunda parte examen ordinario.
1. Modelo precio demanda
Primero se realiza un modelo de regresión lineal simple, para visualizar y comparar el posible
ajuste por logaritmo a la variable precio.
Coefficients:
Estimate Std. Error t value Pr(>|t|)
demanda 0.677666 0.005347 126.7 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 15.14 on 46 degrees of freedom

Multiple R-squared: 0.9971, Adjusted R-squared: 0.9971
F-statistic: 1.606e+04 on 1 and 46 DF, p-value: < 2.2e-16
El modelo elasticidad precio de la demanda, presenta un R-squared : de 0.99, un coeficiente muy

elevado además que la variable demanda es significativa para explicar el modelo. Esto para un
modelo de regresión simple.
Gráfico 1.
Regresión lineal simple para modelo precio demanda.
Se puede observar un buen ajuste para el modelo simple, pero ahora vamos a realizar el análisis y
ajuste con un modelo logarítmico.
Logaritmo del modelo precio demanda.
Se crean dos columnas nuevas con los valores en logaritmos
Tabla1.
Logaritmos del precio y demanda
Resumen del modelo logarítmico

Coefficients:
ldem 0.944767 0.001765 535.2 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.06845 on 46 degrees of freedom

F-statistic: 2.865e+05 on 1 and 46 DF, p-value: < 2.2e-16
El resumen del modelo logarítmico definitivamente mejora el coeficiente de determinación,

además que la variable explicativa es significativa, es decir, por cada unidad adicional en la
demanda, el precio aumenta en 0.94.
Gráfico 2.
Regresión logarítmica.
Se puede visualizar un mejor ajuste del modelo precio demanda gracias al uso del logaritmo de la
función. Por lo que, al derivar el modelo, se obtiene el factor K = 0.0025176.
1. Estime el modelo siguiente por Mínimos Cuadrados Generalizados, utilice
dos de las variables como variables independientes.
𝑦=𝛽0+𝛽1𝑥1+𝛽2𝑥1𝑥2+𝛽3𝑥22+𝛽4𝑥2
Tabla 2.
AGRIPO
Resumen del modelo por mínimos cuadrados generalizados

Coefficients:
cap -6.9130 30.3147 -0.228 0.82023
tierra 3.3970 0.2168 15.670 < 2e-16 ***
trab -2.0792 0.7378 -2.818 0.00616 **
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 12850000 on 76 degrees of freedom
F-statistic: 480.7 on 3 and 76 DF, p-value: < 2.2e-16
El resumen nos proporciona información sobre el aporte de las variables explicativas hacia la
producción, de las cuales, el factor tierra resulta ser la de mayor significancia, seguida por el factor
trabajo. Con un coeficiente de determinación alto de casi los 95%.
Gráfico 3.
Ajuste de modelo factores de la producción.

2. Utilice la misma base, y haga lo pertinente para considerar el planteamiento y
estimación de este, considerando datos agrupados.
Tabla.4
Datos agrupados por países.
Resumen para datos agrupados
Coefficients:
capital 8.655 140.549 0.062 0.961
tierra 3.161 1.069 2.958 0.208
trabajo -1.527 3.609 -0.423 0.745

F-statistic: 21.45 on 3 and 1 DF, p-value: 0.1571
El modelo presenta un coeficiente de determinación un poco menor al modelo por mínimos

cuadrados ordinarios, a diferencia que las variables dejan de ser significativas para el modelo. Quizá
probando con otro tipo de agrupamiento de datos y variables dicotómicas.
5. elija la variable que más explique la variable determine un modelo lineal
simple, pero truncado AGRIPRO, explique qué supuesto haría sobre esta base
para poder considerar que es truncado y resuelva con un modelo TOBIT.
La variable que mas explica el modelo AGRIPO, es la variable de AGRITIERRA, y se

trabajara un modelo truncado tipo TOBIT, para datos de producción menores a
Resumen truncando los datos.
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept):1 1.068e+07 1.113e+05 95.97 <2e-16 ***
(Intercept):2 1.659e+01 8.684e-02 191.06 <2e-16 ***
tierra 2.486e+00 5.804e-03 428.40 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Names of linear predictors: mu, loglink(sd)
Log-likelihood: -1081.731 on 155 degrees of freedom
Number of Fisher scoring iterations: 30
El resumen nos indica que la variable tierra, sigue siendo significativa aun con el truncamiento de
datos, con un coeficiente de determinación de .86

F-statistic: 123.8 on 1 and 19 DF, p-value: 9.164e-10
7. Con los siguientes datos, determine un modelo y estímelo mediante efectos
fijos, mínimos cuadrados generalizados.
Coefficients:
Estimate Std. Error t-value Pr(>|t|)
tierra 2.594233 0.087132 29.773 < 2.2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Total Sum of Squares: 1.1583e+17

Residual Sum of Squares: 7.1132e+15
R-Squared: 0.93859
Adj. R-Squared: 0.91741
F-statistic: 886.463 on 1 and 58 DF, p-value: < 2.22e-16
Utilizando el modelo de efectos fijos para explicar la producción, mediante el factor tierra, se logra
un mejor ajuste para el modelo, ya que tenemos un R-squared de 93% y el factor tierra es
significante.
8. En todos los casos explique ampliamente sus conclusiones.

Gracias al uso, aplicación de modelos no lineales y a sus ajustes correspondientes,
se puede logara una mejor explicación de las variables predictivas, con ello, dar
una mejor interpretación de la realidad y con ello la mejora de las tomas de
decisiones.

Ordinario Mno

Cargado por

Copyright:

Formatos disponibles

Ordinario Mno

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ordinario Mno

Cargado por

Copyright:

Formatos disponibles

Modelos Estadísticos no Lineal

Maestría en Análisis de Información

Unidad Académica de Matemáticas

Jesús Alejandro Montes Longoria

Segunda parte examen ordinario.

1. Modelo precio demanda

Residual standard error: 15.14 on 46 degrees of freedom

El modelo elasticidad precio de la demanda, presenta un R-squared : de 0.99, un coeficiente muy

Regresión lineal simple para modelo precio demanda.

Se crean dos columnas nuevas con los valores en logaritmos

Logaritmos del precio y demanda

Resumen del modelo logarítmico

Residual standard error: 0.06845 on 46 degrees of freedom

El resumen del modelo logarítmico definitivamente mejora el coeficiente de determinación,

Resumen del modelo por mínimos cuadrados generalizados

Ajuste de modelo factores de la producción.

Resumen para datos agrupados

Residual standard error: 264400000 on 1 degrees of freedom

El modelo presenta un coeficiente de determinación un poco menor al modelo por mínimos

La variable que mas explica el modelo AGRIPO, es la variable de AGRITIERRA, y se

Resumen truncando los datos.

Names of linear predictors: mu, loglink(sd)

Log-likelihood: -1081.731 on 155 degrees of freedom

Number of Fisher scoring iterations: 30

Residual standard error: 1095 on 19 degrees of freedom

Total Sum of Squares: 1.1583e+17

8. En todos los casos explique ampliamente sus conclusiones.

También podría gustarte