STATA – EVALUACIÓN FINAL

Cargamos la base de datos correspondiente con el comando:

use "C:\Users\Usuario\Desktop\stata\Cursos de Stata\icip\Avanzado\sesion 07\01-ARCHIVOS

UTILIZADOS-DATA\DATA-STATA-AVA-EVALUACION FINAL I-1", clear

Pregunta 1:

Indicamos que se esta trabajando con una base de series de tiempo.

tsset date, quarterly

Graficamos la variable gnp96.

tsline gnp96

Gráfica del PNB de Estados Unidos

10000
Real Gross National Product

8000
6000
4000

1970q1 1980q1 1990q1 2000q1

Date

Como vemos la variable tiene una clara tendencia, la variable no regresa a su media al pasar el
tiempo, gráficamente podemos concluir que la serie es no estacionaria.

Pregunta 2:

dfuller gnp96, trend regress

Dickey-Fuller test for unit root Number of obs = 141

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) 0.294 -4.026 -3.445 -3.145

MacKinnon approximate p-value for Z(t) = 0.9962

D.gnp96 Coef. Std. Err. t P>|t| [95% Conf. Interval]

gnp96
L1. .0035769 .0121584 0.29 0.769 -.020464 .0276177
_trend .2167221 .499471 0.43 0.665 -.7708836 1.204328
_cons 5.908978 39.38283 0.15 0.881 -71.96284 83.78079

Como vemos la p-value es mayor al 5%, la serie es No Estacionaria

dfuller gnp96

. dfuller gnp96

Dickey-Fuller test for unit root Number of obs = 141

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) 3.746 -3.496 -2.887 -2.577

MacKinnon approximate p-value for Z(t) = 1.0000

Como vemos la p-value es mayor al 5%, la serie es No Estacionaria

pperron gnp96, trend regress

. pperron gnp96, trend regress

Phillips-Perron test for unit root Number of obs = 141

Newey-West lags = 4

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(rho) -0.727 -27.673 -20.864 -17.637

Z(t) -0.317 -4.026 -3.445 -3.145

MacKinnon approximate p-value for Z(t) = 0.9891

gnp96 Coef. Std. Err. t P>|t| [95% Conf. Interval]

gnp96
L1. 1.003577 .0121584 82.54 0.000 .979536 1.027618
_trend .2167221 .499471 0.43 0.665 -.7708836 1.204328
_cons 5.908978 39.38283 0.15 0.881 -71.96284 83.78079

Como vemos la p-value es mayor al 5%, la serie es No Estacionaria

Pregunta 3:

Realizamos un modelo ARIMA, AR(2) MA(2)

arima gnp96, ar(2) ma(2) nolog

. arima gnp96, ar(2) ma(2) nolog

ARIMA regression

Sample: 1967q1 - 2002q2 Number of obs = 142

Wald chi2(2) = 18376.05
Log likelihood = -853.2541 Prob > chi2 = 0.0000

OPG
gnp96 Coef. Std. Err. z P>|z| [95% Conf. Interval]

gnp96
_cons 6677.85 2082.105 3.21 0.001 2596.998 10758.7

ARMA
ar
L2. .998742 .0074493 134.07 0.000 .9841417 1.013342

ma
L2. .6008736 .0889558 6.75 0.000 .4265233 .7752238

/sigma 93.48816 5.866054 15.94 0.000 81.99091 104.9854

Note: The test of the variance against zero is one sided, and the two-sided
confidence interval is truncated at zero.

Como vemos el proceso ar(2) y el proceso ma(2) son significativos ya que la prueba de
significancia individual es mayor a 1.96, a su vez, la constante también es significativa y por
último la prueba de significancia conjunta la probabilidad chi2 es menor al 5%, el modelo es
significativo conjuntamente.

Pregunta 5:

Cargamos la nueva base de datos, y manejamos los datos

use "C:\Users\Usuario\Desktop\stata\Cursos de Stata\icip\Avanzado\sesion 07\01-ARCHIVOS

UTILIZADOS-DATA\DATA-STATA-AVA-EVALUACION FINAL I-2", clear

xtset code year

replace degrees = "" if degrees == "n/a" | degrees == ".."

split degrees

destring degrees1, replace

destring degrees3, replace

drop degrees2

egen degrees_m =rowmean(degrees1 degrees3)

reg co2 degrees_m gdp gnppcap pop

. do "C:\Users\Usuario\AppData\Local\Temp\STD00000000.tmp"

. reg co2 gdp gnppcap pop

Source SS df MS Number of obs = 1,524

F(3, 1520) = 13896.64
Model 2.0265e+16 3 6.7551e+15 Prob > F = 0.0000
Residual 7.3886e+14 1,520 4.8609e+11 R-squared = 0.9648
Adj R-squared = 0.9648
Total 2.1004e+16 1,523 1.3791e+13 Root MSE = 7.0e+05

co2 Coef. Std. Err. t P>|t| [95% Conf. Interval]

gdp 3.77e-07 4.76e-09 79.18 0.000 3.67e-07 3.86e-07

gnppcap -2.078804 1.526518 -1.36 0.173 -5.073109 .9155015
pop .0020338 .0000239 84.99 0.000 .0019869 .0020808
_cons -21934.55 24576.83 -0.89 0.372 -70142.65 26273.54

Como vemos el R2 es muy alto 96%, y la prueba de significancia conjunta nos dice que el modelo
es significativo, las variable gdp y pop son significativas siendo sus probabilidades t menores al
5%, como vemos la variable gnppcap y la constante son no significativas siendo su probabilidad
mayor al 5%

Pregunta 6:

xtreg co2 gdp gnppcap pop, fe

. xtreg co2 gdp gnppcap pop, fe

Fixed-effects (within) regression Number of obs = 1,524

Group variable: code Number of groups = 85

R-sq: Obs per group:

within = 0.7420 min = 1
between = 0.8925 avg = 17.9
overall = 0.8857 max = 19

F(3,1436) = 1376.90
corr(u_i, Xb) = -0.5988 Prob > F = 0.0000

co2 Coef. Std. Err. t P>|t| [95% Conf. Interval]

gdp 1.53e-07 6.80e-09 22.47 0.000 1.39e-07 1.66e-07

gnppcap -5.820946 1.766235 -3.30 0.001 -9.285624 -2.356269
pop .0037519 .0001254 29.92 0.000 .0035059 .0039978
_cons -297495.5 47527.41 -6.26 0.000 -390726.1 -204264.9

sigma_u 1495846.3
sigma_e 292955.2
rho .96306123 (fraction of variance due to u_i)

F test that all u_i=0: F(84, 1436) = 85.39 Prob > F = 0.0000

Vemos que la prueba F, su probabilidad es mucho menor al 5%, siendo el modelo significativo,
pudiendo expresar que el modelo de efectos fijos es mejor que la regresión agrupada

Usamos la prueba para verificar que es mejor efectos aleatorios que regresiona grupada

xtreg co2 gdp gnppcap pop, re

xttest0
 . xttest0

Breusch and Pagan Lagrangian multiplier test for random effects

co2[code,t] = Xb + u[code] + e[code,t]

Estimated results:
Var sd = sqrt(Var)

co2 1.38e+13 3713658

e 8.58e+10 292955.2
u 3.16e+11 561807.9

Test: Var(u) = 0
chibar2(01) = 5873.59
Prob > chibar2 = 0.0000

Como vemos la probabilidad de la prueba es menor al 5%, rechazamos la Ho siendo así la

estimación mejor por efectos aleatorios que regresión agrupada.

Pregunta 7:

Usamos el test de Hausman para comparar los modelos de efectos fijos y efectos aleatorios.

xtreg co2 gdp gnppcap pop, fe

estimates store fe

xtreg co2 gdp gnppcap pop, re

estimates store re

hausman fe re, sigmamore

. hausman fe re, sigmamore

Note: the rank of the differenced variance matrix (2) does not equal the number of coefficients being tested (3); be
sure this is what you expect, or there may be problems computing the test. Examine the output of your
estimators for anything unexpected and possibly consider scaling your variables so that the coefficients are
on a similar scale.

Coefficients
(b) (B) (b-B) sqrt(diag(V_b-V_B))
fe re Difference S.E.

gdp 1.53e-07 2.02e-07 -4.92e-08 4.03e-09

gnppcap -5.820946 -5.867178 .0462316 .5709664
pop .0037519 .0027515 .0010004 .0001174

b = consistent under Ho and Ha; obtained from xtreg

B = inconsistent under Ha, efficient under Ho; obtained from xtreg

Test: Ho: difference in coefficients not systematic

chi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 76.14
Prob>chi2 = 0.0000

Como vemos la probabilidad es menor al 5%, rechazamos la H0, por tanto, el modelo de efectos
fijos es mejor para nuestra estimación.