Econometria

Al realizar la regresión lineal entre el año 1960 y 2014, podemos observar que el R^2 es alto, ya[pic 1] que se debe a un estudio con datos de identidad; relativo a datos históricos de ciclos económicos del país.

Nuestra función es la siguiente:

EXP CU= ß0 + ß1PIB + ß2Tipo cambio + ß3Precio exportaciones + µ

Donde:

ß0= -7969396512

Este valor corresponde al intercepto del modelo. El signo tiene una perturbación. Es recomendable calcular la regresión sin el coeficiente “a”.

ß1PIB= 0,010428288

Esta variable tiene un efecto lineal (positivo), que dice que a mayor PIB vamos a tener mayor exportación de Cu. Según nuestro análisis este resultado no es significativo, siendo nuestro P-value =0,069351152 menor a nuestro alfa de 0.5%. Es probable que al revisar nuestro análisis de correlación debamos verificar si se explica por si sola o esta ligada a otras variables.

ß2Tipo cambio= 2525846634,23

Según su signo, el efecto del tipo de cambio es positivo para las exportaciones de cobre, ya que un alza sostenida en el precio del dólar, será beneficioso para el bienestar de nuestra economía. Sin embargo, la dependencia de la demanda internacional del cobre define la oferta del commodity dejando inestable nuestra curva de confort. Se rechaza a hipótesis nula con un P Value 0,220375896, lo que resulta estadísticamente poco significativo ya que probablemente en su análisis de correlación sea relacionada con otra variable en estudio. Probablemente haya que evaluar si el tipo de cambio o el PIB sean descartados del modelo para maximizar la reducción.

ß3 Precio exportación= 13228043677,89

El efecto del precio de las exportaciones tiene una relación positiva con la exportación de cobre, lo que es significativo con un P Value= 2,95295E-30, mucho menor a nuestro 0.5%, lo que nos permite aseverar o pronosticar que en el análisis de correlación esta variable se explique por si sola y tenga un efecto positivo en nuestro pronóstico de regresión lineal.

Analizando las variables en estudio encontramos que los signos satisfacen nuestro modelo en estudio, pero al realizar la correlación de las variables independientes, observamos que el PIB no se explica por si solo, debido a que está demasiado correlacionada con el tipo de cambio de la divisa y el precio relativo en las exportaciones de cobre.[pic 2]

Por lo mismo, decidimos omitir del modelo la variable PIB, con el objetivo de reducir nuestro modelo de regresión lineal y maximizar esta reducción, valga la redundancia, para hacer más robusto nuestro modelo de estudio. Y es de esperarse que el PIB se encuentre relacionado con todas las variables, ya que es una medida de bienestar donde se incluye todo lo producido y los ingresos generados del país.

Al eliminar el PIB de nuestro análisis, podemos observar que el R^2 continua alto, al ser un estudio de identidad, y al trabajar en dos dimensiones nos permite una respuesta que satisface la interpretación de datos.[pic 3]

...