MAY

In this video, we analyze three econometric publications from Ecuador. Regression analysis is important for economic analysis as it helps identify causal relationships between variables and understand economic phenomena. We collected data from academic sources using keywords related to econometrics in Ecuador. We compared three studies using multiple linear regression models. The first study examines the impact of poverty on GDP and unemployment. The model assumes a negative linear relationship between poverty and the variables. The data used is quantitative from 2000 to 2018 from the World Bank. The model supports the null hypothesis that as poverty decreases, GDP increases and unemployment decreases. The coefficients estimated suggest that for every percentage point increase in GDP, poverty decreases by 0.7319. In conclusion, the results show that poverty affects the behavior of GDP and unemployment in Ecuador. Hola, bienvenido. En este video analizaremos tres publicaciones econométricas de Ecuador. Somos del grupo número uno, conformado por Mayra Etano, Brian Borja, Dayana Portilla y Arisson Campagne. La importancia de la regresión econométrica se ha convertido en una herramienta fundamental para el análisis económico, permitiendo identificar relaciones causales entre variables y comprender el comportamiento de diversos fenómenos económicos. La información utilizada fue investigada de portales académicos desde 2020, colocando palabras claves relacionadas a la econometría en Ecuador. Comprobando la procedencia de los datos, veracidad de las fuentes de posgrado y pregrado, se realiza el análisis comparativo de tres estudios con modelos de regresión lineal múltiple. Estudio número uno. Ecuador, incidencia de la pobreza en el Producto Interno Bruto y el desempleo. El modelo de la tasa de la pobreza tiene como supuestos la linealidad con sus variables con relación lineal negativa. Mantienen una distribución normal. Tienen una homosegasticidad en hipótesis nula, por la prueba de residuos Walter 2 con 0.1149 mayor a 0.05. Los errores tienen una varianza constante, por lo cual es aceptada. Se analiza la heterosegasticidad en hipótesis alternativa, la cual los errores no tienen varianza constante, esta es rechazada. El último supuesto analizado es la multicolinearidad en hipótesis nula. Según el factor de la inflación de la varianza, fue de 1.01 menor a 10. Esto indica que las variables independientes no están relacionadas entre sí, por lo tanto es aceptada. La hipótesis de alternativa no es aceptada. Los datos utilizados son cuantitativos del 2000 al 2018, del Banco Mundial. Como variable dependiente tenemos a la tasa de pobreza, como variable independiente al PIB y al desempleo. El modelo tiene dos hipótesis, hipótesis nula, que indica a medida que disminuye la tasa de pobreza, aumenta el PIB y disminuye el desempleo. Hipótesis alternativa, a medida que aumenta la tasa de pobreza, disminuye el PIB y aumenta el desempleo. El modelo acepta la hipótesis nula. Los coeficientes estimados son intercepto menos 5.109184, PIB 0.398565, desempleo 1.806054, el coeficiente de determinación ajustado 0.6319, lo que indica que, por cada punto porcentual que aumente el PIB, la tasa de pobreza disminuye un 0.7319, obteniendo que las variables independientes tengan un buen ajuste respecto a la tasa de pobreza. En conclusión, con los resultados del modelo, se afirma que la pobreza incide en el comportamiento del PIB y el desempleo. A medida que disminuye la tasa de pobreza, el PIB aumenta con una relación inversa. A medida que disminuye la tasa de pobreza, el desempleo disminuye con una relación directa.