Modelo econometrico de turismo receptivo..
Enviado por alejandroCASLA • 10 de Febrero de 2016 • Documentos de Investigación • 2.417 Palabras (10 Páginas) • 272 Visitas
Modelo Econométrico de la Demanda Turística en México
A continuación se presenta un modelo econométrico de la demanda turística en México procedente de todo el mundo. Como variables explicativas de la demanda turística se han tomado la variable endógena retardada, para recoger el impacto de consumo producido por los turistas que han viajado en años anteriores; Índice del tipo de cambio real para medir la sensibilidad de los turistas ante las variaciones en el tipo de cambio y, por último, se incluye al PIB de EUA ya que es una variable proxy que representa el poder adquisitivo que posee el turista, considerando también que el mayor ingreso de turistas es proveniente de EUA.
LOG(CONSUMO)=ß0+ß1*LOG(ITCR))+ß2*LOG(PIBEU) + ut
Dónde:
LOG(CONSUMO): Es el logaritmo del índice del consumo turístico de los turistas que visitan México provenientes de todo el mundo en el período anterior.
LOG(ITCR): Es el logaritmo del índice del tipo de cambio real.
LOG(PIBEU): Es el logaritmo del PIB de EUA.
A continuación se presentan los resultados del modelo sin correcciones:
Dependent Variable: CONSUMO | ||||
Method: Least Squares | ||||
Date: 11/26/15 Time: 22:33 | ||||
Sample: 2004Q1 2014Q4 | ||||
Included observations: 44 | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
ITCR | 1.327233 | 0.543644 | 2.441363 | 0.0190 |
PIBEU | -0.580488 | 0.541005 | -1.072982 | 0.2896 |
C | 97.63699 | 1.385011 | 70.49548 | 0.0000 |
R-squared | 0.537180 | Mean dependent var | 96.90909 | |
Adjusted R-squared | 0.541250 | S.D. dependent var | 7.157069 | |
S.E. of regression | 55.025343 | Akaike info criterion | 6.536471 | |
Sum squared resid | -4415.886 | Schwarz criterion | 6.739220 | |
Log likelihood | -138.8024 | Hannan-Quinn criter. | 6.611660 | |
F-statistic | 323.417545 | Durbin-Watson stat | 0.538233 | |
Prob(F-statistic) | 0.001442 | |||
Pruebas de multicolinealidad.
- Correlaciones parciales: La R2 es baja (0.537180) y tan solo se explica el 53% del comportamiento del modelo, esto quiere decir que el ajuste de los datos no es acertado y existen problemas de multicolinelaidad entre ellos, es decir, no están cerca de cumplir con la condición de ser lineales.
- Prueba de Theil: Los resultados de las R fueron: R (0.537180); 1Rx2 (0.141267) 2Rx2 (0.236217); 3Rx2 (0.356530). Theil es la medida entre las variables explicativas del modelo, y es “-0.34” por lo que hay serios problemas de multicolinealidad, ya que tiende menos de 0 que a 1 donde encontraríamos colienalidad entre los datos, lo que nos dice que hay dispersión entre en nuestras variables explicativas.
- Regresiones auxiliares: Los resultados de las regresiones para cada variable, dieron como resultado: X1Rx2 (0.35718); X2Rx2 (0.277268); X3Rx2 (0.195023).
Ya regresionadas las variables, sustituimos en la fórmula para obtener la respectiva “F” de cada una: FX1Rx2 (-2,99368585); FX2Rx2 (-2,99564047); FX3Rx2 (-2,99724691).
El valor crítico a un nivel de significancia del 95% es de 3.74. En los tres casos de F calculada se encuentra muy por debajo del valor crítico, por lo que las variables no son explicativas.
Pruebas de normalidad.
- Jarque-Bera: “0.866053” y como se distribuye por arriba del valor critico (5.99), no hay normalidad en los datos.
- Histograma:
[pic 1]
Pruebas de autocorrelación.
- Método Grafico: Podemos representar el gráfico temporal de los residuos, observando una alternancia en el signo de los mismos. Lo cual nos hace pensar que no hay existencia de autocorrelación positiva.
[pic 2]
- Durbin-Whatson:
Como puede verse el estadístico Durbin-Watson es 0.538233, un valor inferior a 2 y por lo tanto estamos en presencia de autocorrelación positiva.
- Residuos
El gráfico de los residuos nos ayuda a verificar si hay autocorrelación a lo largo del tiempo. Si errores positivos son seguidos de errores positivos y errores negativos por errores de igual signo, entonces estamos en presencia de autocorrelación positiva.
[pic 3]
- Correlograma
La única banda que sale de los rangos es la “1”, es decir, presenta problemas de autocorrelación
Date: 11/27/15 Time: 03:45 | |||||
Sample: 2004Q1 2014Q4 | |||||
Included observations: 44 | |||||
Autocorrelation | Partial Correlation | AC | PAC | Q-Stat | |
. |***** | | . |***** | | 1 | 0.631 | 0.631 | 18.734 |
. |** | | **| . | | 2 | 0.243 | -0.257 | 21.583 |
.*| . | | **| . | | 3 | -0.098 | -0.229 | 22.059 |
**| . | | . | . | | 4 | -0.255 | -0.037 | 25.348 |
**| . | | . | . | | 5 | -0.278 | -0.053 | 29.364 |
.*| . | | . |*. | | 6 | -0.098 | 0.176 | 29.877 |
. |*. | | . |*. | | 7 | 0.103 | 0.081 | 30.462 |
. |*. | | .*| . | | 8 | 0.125 | -0.182 | 31.346 |
. |*. | | . | . | | 9 | 0.098 | 0.046 | 31.900 |
. | . | | . | . | | 10 | 0.035 | 0.024 | 31.972 |
. | . | | . | . | | 11 | -0.036 | -0.021 | 32.053 |
.*| . | | **| . | | 12 | -0.199 | -0.228 | 34.563 |
**| . | | .*| . | | 13 | -0.276 | -0.118 | 39.554 |
***| . | | **| . | | 14 | -0.382 | -0.276 | 49.408 |
***| . | | . | . | | 15 | -0.345 | 0.004 | 57.719 |
**| . | | . | . | | 16 | -0.233 | -0.040 | 61.629 |
. | . | | . | . | | 17 | -0.013 | 0.027 | 61.641 |
. |*. | | . | . | | 18 | 0.165 | 0.035 | 63.757 |
. |** | | . | . | | 19 | 0.243 | 0.030 | 68.540 |
. |*. | | .*| . | | 20 | 0.149 | -0.111 | 70.421 |
Pruebas de multicolinealidad:
...