Un ejemplo del uso de gretl y eviews
La construcción y estimación de modelos econométricos ha tenido
avances significativos en las últimas décadas. El uso del software
adecuado es indudablemente uno de los elementos que facilitan en gran
manera la labor de estimación de estos modelos.
En el mercado existen variedad de productos cuyo propósito es
facilitar a los investigadores la estimación de modelos y la
realización de diferentes tipos de contrastes, dejando de lado la
preocupación por realizar en la mayoría de los casos calculos
extensos y tediosos.
Entre los productos a los que se hace referencia están gretl y
eviews, el último posiblemente el más conocido. Básicamente, tienen
las mismas funcionalidades para la estimación de modelos
econométricos y a continuación se muestra una pequeña comparativa
de los resultados obtenidos a un ejercicio usando ambos programas:
El enunciado del ejercicio es el siguiente:
En el archivo datos hay datos de salario hora, educación,
experiencia laboral, referidos a una muestra de 200 individuos.
a) Estimar la regresión entre el logaritmo del salario y los años
de educación del trabajador.
b) Incluir como variables explicativas adicionales la experiencia y
el cuadrado de la experiencia. Volver a estimar la regresión.
c) Obtener la serie de los residuos estimados y representarla
gráficamente.
Los resultados se muestran a
continuación:
a)
Con Gretl:
Modelo
1: MCO, usando las observaciones 1-200
Variable
dependiente: l_Salario___hora
Coeficiente
|
Desv.
Típica
|
Estadístico
t
|
Valor
p
|
||
| const |
0.359117
|
0.100056
|
3.5892
|
0.00042
|
*** |
| Educacion__anos_ |
0.02744
|
0.00790223
|
3.4724
|
0.00063
|
*** |
| Media de la vble. dep. |
0.703214
|
D.T. de la vble. dep. |
0.201124
|
|
| Suma de cuad. residuos |
7.587627
|
D.T. de la regresión |
0.195758
|
|
| R-cuadrado |
0.057402
|
R-cuadrado corregido |
0.052642
|
|
| F(1, 198) |
12.05779
|
Valor p (de F) |
0.000633
|
|
| Log-verosimilitud |
43.39214
|
Criterio de Akaike |
-82.78429
|
|
| Criterio de Schwarz |
-76.18765
|
Crit. de Hannan-Quinn |
-80.11473
|
Con Eviews:
Dependent
Variable: LOG_SAL
|
||||
Method:
LeastSquares
|
||||
Date:
11/10/13 Time: 20:02
|
||||
Sample:
1 200
|
||||
Includedobservations:
200
|
||||
Variable
|
Coefficient
|
Std.
Error
|
t-Statistic
|
Prob.
|
C
|
0.359117
|
0.100056
|
3.589163
|
0.0004
|
EDUCACION
|
0.027440
|
0.007902
|
3.472433
|
0.0006
|
R-squared
|
0.057402
|
Mean dependentvar
|
0.703214
|
|
Adjusted
R-squared
|
0.052642
|
S.D. dependentvar
|
0.201124
|
|
S.E. of
regression
|
0.195758
|
Akaikeinfocriterion
|
-0.413921
|
|
Sum
squaredresid
|
7.587627
|
Schwarzcriterion
|
-0.380938
|
|
Log
likelihood
|
43.39214
|
Hannan-Quinncriter.
|
-0.400574
|
|
F-statistic
|
12.05779
|
Durbin-Watson stat
|
2.037284
|
|
Prob(F-statistic)
|
0.000633
|
|||
b)
Con Gretl:
Modelo
2: MCO, usando las observaciones 1-200
Variable
dependiente: l_Salario___hora
Coeficiente
|
Desv.
Típica
|
Estadístico
t
|
Valor
p
|
||
| const |
0.224364
|
0.102435
|
2.1903
|
0.02968
|
** |
| Educacion__anos_ |
0.0257952
|
0.00770311
|
3.3487
|
0.00097
|
*** |
| Experiencia_en_la_empresa |
0.0775683
|
0.0183192
|
4.2343
|
0.00004
|
*** |
| experiencia_2 |
-0.00631136
|
0.00172565
|
-3.6574
|
0.00033
|
*** |
| Media de la vble. dep. |
0.703214
|
D.T. de la vble. dep. |
0.201124
|
|
| Suma de cuad. residuos |
6.924588
|
D.T. de la regresión |
0.187962
|
|
| R-cuadrado |
0.139770
|
R-cuadrado corregido |
0.126604
|
|
| F(3, 196) |
10.61538
|
Valor p (de F) |
1.69e-06
|
|
| Log-verosimilitud |
52.53617
|
Criterio de Akaike |
-97.07235
|
|
| Criterio de Schwarz |
-83.87908
|
Crit. de Hannan-Quinn |
-91.73323
|
Con Eviews:
Dependent
Variable: LOG_SAL
|
||||
Method:
LeastSquares
|
||||
Date:
11/10/13 Time: 20:12
|
||||
Sample:
1 200
|
||||
Includedobservations:
200
|
||||
Variable
|
Coefficient
|
Std.
Error
|
t-Statistic
|
Prob.
|
C
|
0.224364
|
0.102435
|
2.190314
|
0.0297
|
EDUCACION
|
0.025795
|
0.007703
|
3.348678
|
0.0010
|
EXPERIENCIA
|
0.077568
|
0.018319
|
4.234267
|
0.0000
|
EXPERIENCIA_2
|
-0.006311
|
0.001726
|
-3.657390
|
0.0003
|
R-squared
|
0.139770
|
Mean dependentvar
|
0.703214
|
|
Adjusted
R-squared
|
0.126604
|
S.D. dependentvar
|
0.201124
|
|
S.E. of
regression
|
0.187962
|
Akaikeinfocriterion
|
-0.485362
|
|
Sum
squaredresid
|
6.924588
|
Schwarzcriterion
|
-0.419395
|
|
Log
likelihood
|
52.53617
|
Hannan-Quinncriter.
|
-0.458666
|
|
F-statistic
|
10.61538
|
Durbin-Watson stat
|
2.070622
|
|
Prob(F-statistic)
|
0.000002
|
|||
c)
Con Gretl:
Con Eviews:
Como puede observarse, la salida de datos y los resultados encontrados por ambos programas son muy similares.
