Periodo de tiempo desde el segundo trimestre de 2017 hasta tercer trimestre de 2019, donde se verificó la estacionariedad.
La regresión agrupada se realiza especificando la opción agrupada en la instrucción MODEL. La regresión agrupada es una regresión estándar de mínimos cuadrados ordinarios (OLS) sin ningún efecto transversal o de tiempo.
## Pooling Model
##
## Call:
## plm(formula = FORMULAR_MCO, data = BANCOS_EST, model = "pooling",
## index = c("BANCO", "DATE"))
##
## Balanced Panel: n = 3, T = 10, N = 30
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -0.48545 -0.16042 0.04258 0.14349 0.48049
##
## Coefficients:
## Estimate Std. Error t-value Pr(>|t|)
## (Intercept) 2.2552e+01 2.8308e+01 0.7967 0.4345540
## SOLVENCIA -1.3860e+01 4.4424e+00 -3.1199 0.0051798 **
## INTERME_FIN -1.0317e+00 2.5707e-01 -4.0132 0.0006296 ***
## MARG_INTER_EST_PAT -1.2204e+01 2.1611e+00 -5.6471 1.324e-05 ***
## PORC_ENCAJE 1.2885e+01 2.5022e+00 5.1495 4.214e-05 ***
## IPC -7.2901e-01 2.3741e-01 -3.0707 0.0058015 **
## ICC 1.2830e-01 3.7931e-02 3.3825 0.0028112 **
## IDEAC -1.5032e-01 2.6420e-02 -5.6898 1.200e-05 ***
## VALOR_REAL_PIB 4.3421e-03 5.3274e-04 8.1504 6.102e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 11.885
## Residual Sum of Squares: 1.6213
## R-Squared: 0.86358
## Adj. R-Squared: 0.8116
## F-statistic: 16.6165 on 8 and 21 DF, p-value: 1.7907e-07## Oneway (individual) effect Random Effect Model
## (Swamy-Arora's transformation)
##
## Call:
## plm(formula = LGD ~ PROP_ACT_IMPRD + PROP_ACT_PROD + FI + IND_COBER +
## IPC + IDEAC + VALOR_REAL_PIB, data = BANCOS_EST, model = "random",
## index = c("DATE", "BANCO"))
##
## Balanced Panel: n = 10, T = 3, N = 30
##
## Effects:
## var std.dev share
## idiosyncratic 0.1768 0.4204 1
## individual 0.0000 0.0000 0
## theta: 0
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -0.564164 -0.218461 -0.078518 0.122362 1.490255
##
## Coefficients: (2 dropped because of singularities)
## Estimate Std. Error z-value Pr(>|z|)
## (Intercept) 36.76266826 40.89729391 0.8989 0.3687047
## PROP_ACT_IMPRD 15.52840937 4.39511687 3.5331 0.0004107 ***
## IND_COBER 0.31252310 0.15973235 1.9565 0.0504013 .
## IPC -0.77693052 0.34619619 -2.2442 0.0248201 *
## IDEAC -0.14357849 0.03836878 -3.7421 0.0001825 ***
## VALOR_REAL_PIB 0.00373383 0.00077032 4.8471 1.253e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 11.885
## Residual Sum of Squares: 4.0015
## R-Squared: 0.66331
## Adj. R-Squared: 0.59316
## Chisq: 47.2814 on 5 DF, p-value: 4.9783e-09## Oneway (individual) effect Within Model
##
## Call:
## plm(formula = FORMULAR_LGD, data = BANCOS_EST, model = "within",
## index = c("BANCO", "DATE"))
##
## Balanced Panel: n = 3, T = 10, N = 30
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -0.21390784 -0.03884282 0.00035285 0.06725020 0.14293783
##
## Coefficients:
## Estimate Std. Error t-value Pr(>|t|)
## SOLVENCIA 1.0427e+02 1.1903e+01 8.7594 1.065e-05 ***
## COB_PATRI_ACT_INM 4.6639e-01 1.0380e-01 4.4929 0.0015042 **
## IND_MOROSIDAD 5.6634e+01 1.7693e+01 3.2009 0.0108161 *
## EFICI_OPE -3.6267e+02 5.2115e+01 -6.9590 6.618e-05 ***
## GRADO_ABS_MARG_FINAN -8.9859e+00 2.0609e+00 -4.3603 0.0018227 **
## EFIC_ADM_PERS 6.3215e+02 9.4819e+01 6.6668 9.195e-05 ***
## ROE 5.5981e+01 9.1343e+00 6.1287 0.0001731 ***
## ROA -5.5734e+01 9.0097e+00 -6.1860 0.0001616 ***
## MARG_INTER_EST_PAT -7.3790e+01 7.2866e+00 -10.1267 3.222e-06 ***
## MARG_INTER_EST_ACT 1.6338e+02 2.7292e+01 5.9861 0.0002060 ***
## IND_LIQUI 1.5111e+01 2.8603e+00 5.2830 0.0005051 ***
## IND_CAP 1.0038e+01 2.7764e+00 3.6155 0.0056112 **
## IND_APALANCAMIENTO -3.6124e+01 1.2974e+01 -2.7845 0.0212452 *
## IND_COBER -1.2413e+00 4.0545e-01 -3.0616 0.0135367 *
## IPC -1.0138e+00 1.8719e-01 -5.4159 0.0004241 ***
## ICC 2.2131e-01 3.3038e-02 6.6987 8.867e-05 ***
## IDEAC -2.2235e-01 3.0676e-02 -7.2481 4.826e-05 ***
## VALOR_REAL_PIB 8.7867e-03 7.0237e-04 12.5102 5.397e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 10.968
## Residual Sum of Squares: 0.19292
## R-Squared: 0.98241
## Adj. R-Squared: 0.94332
## F-statistic: 27.926 on 18 and 9 DF, p-value: 9.1648e-06## Oneway (individual) effect Within Model
##
## Call:
## plm(formula = FORMULAR_LGD_1, data = BANCOS_EST, model = "within",
## index = c("BANCO", "DATE"))
##
## Balanced Panel: n = 3, T = 10, N = 30
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -0.480518 -0.184801 0.035248 0.154813 0.478913
##
## Coefficients:
## Estimate Std. Error t-value Pr(>|t|)
## MARG_INTER_EST_PAT -1.4842e+01 3.2036e+00 -4.6328 0.0001432 ***
## PORC_ENCAJE 1.2414e+01 2.7378e+00 4.5341 0.0001813 ***
## IPC -7.3132e-01 2.3227e-01 -3.1485 0.0048483 **
## ICC 1.2672e-01 3.6883e-02 3.4358 0.0024807 **
## IDEAC -1.3746e-01 2.5718e-02 -5.3447 2.668e-05 ***
## VALOR_REAL_PIB 4.4466e-03 5.5489e-04 8.0134 8.017e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 10.968
## Residual Sum of Squares: 1.5651
## R-Squared: 0.8573
## Adj. R-Squared: 0.80294
## F-statistic: 21.0273 on 6 and 21 DF, p-value: 7.191e-08Akaike Information Criterion
## [1] 9.25593## [1] 3.349358Realizamos las pruebas al final correspondientes para ver si el modelo integra efectos de tiempo.
## Oneway (individual) effect Within Model
##
## Call:
## plm(formula = LGD ~ SOLVENCIA + COB_PATRI_ACT_INM + IND_MOROSIDAD +
## EFICI_OPE + GRADO_ABS_MARG_FINAN + EFIC_ADM_PERS + ROE +
## ROA + MARG_INTER_EST_PAT + MARG_INTER_EST_ACT + IND_LIQUI +
## IND_CAP + IND_COBER + IPC + ICC + IDEAC + VALOR_REAL_PIB +
## factor(DATE), data = BANCOS_EST, model = "within", index = c("BANCO",
## "DATE"))
##
## Balanced Panel: n = 3, T = 10, N = 30
##
## Residuals:
## 2 3 4 5 6 7 8
## 0.0388174 -0.2168749 0.1751813 0.1179193 -0.0138295 -0.1678098 0.0215850
## 9 10 11 21 31 41 51
## 0.0252126 0.0589378 -0.0391393 -0.0529169 0.2464343 -0.2359263 -0.1350644
## 61 71 81 91 101 111 22
## 0.0287778 0.1878577 -0.0305043 -0.0091810 -0.0495429 0.0500661 0.0140995
## 32 42 52 62 72 82 92
## -0.0295594 0.0607449 0.0171451 -0.0149483 -0.0200479 0.0089193 -0.0160316
## 102 112
## -0.0093950 -0.0109268
##
## Coefficients: (4 dropped because of singularities)
## Estimate Std. Error t-value Pr(>|t|)
## SOLVENCIA 9.2733e+01 5.9801e+01 1.5507 0.18167
## COB_PATRI_ACT_INM 4.1635e-01 3.6699e-01 1.1345 0.30802
## IND_MOROSIDAD 4.3658e+01 3.3788e+01 1.2921 0.25281
## EFICI_OPE -3.1145e+02 1.9503e+02 -1.5970 0.17116
## GRADO_ABS_MARG_FINAN -7.9687e+00 8.2811e+00 -0.9623 0.38011
## EFIC_ADM_PERS 5.4229e+02 3.8523e+02 1.4077 0.21824
## ROE 5.1082e+01 2.3878e+01 2.1393 0.08539 .
## ROA -5.0918e+01 2.3877e+01 -2.1325 0.08613 .
## MARG_INTER_EST_PAT -6.8825e+01 2.9530e+01 -2.3307 0.06716 .
## MARG_INTER_EST_ACT 1.5823e+02 7.3584e+01 2.1503 0.08421 .
## IND_LIQUI 1.4221e+01 1.5066e+01 0.9439 0.38856
## IND_CAP 7.5276e+00 8.3912e+00 0.8971 0.41078
## IND_COBER -1.4508e+00 2.1340e+00 -0.6799 0.52679
## IPC 1.4496e-01 4.0143e+00 0.0361 0.97259
## ICC 2.1846e-01 1.8736e-01 1.1660 0.29620
## IDEAC -2.2641e-01 1.2874e-01 -1.7587 0.13895
## VALOR_REAL_PIB 8.6415e-03 4.0687e-03 2.1239 0.08708 .
## factor(DATE)2017-09-30 1.2211e-01 9.1626e-01 0.1333 0.89918
## factor(DATE)2017-12-31 3.6202e-01 1.4572e+00 0.2484 0.81368
## factor(DATE)2018-03-31 1.0312e-01 6.4901e-01 0.1589 0.87997
## factor(DATE)2018-06-30 7.0651e-01 2.5345e+00 0.2788 0.79160
## factor(DATE)2018-09-30 -9.6646e-02 1.2127e+00 -0.0797 0.93957
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 10.968
## Residual Sum of Squares: 0.31335
## R-Squared: 0.97143
## Adj. R-Squared: 0.8343
## F-statistic: 7.72798 on 22 and 5 DF, p-value: 0.01595Si el p valor < 0.05 utilizamos efectos de tiempo
pFtest(fixed.time, reg.plm.f)##
## F test for individual effects
##
## data: LGD ~ SOLVENCIA + COB_PATRI_ACT_INM + IND_MOROSIDAD + EFICI_OPE + ...
## F = -0.48039, df1 = 4, df2 = 5, p-value = 1
## alternative hypothesis: significant effects#multiplicadores de Lagrange
plmtest(reg.plm.f, c("time"), type=("bp"))##
## Lagrange Multiplier Test - time effects (Breusch-Pagan) for balanced
## panels
##
## data: FORMULAR_LGD
## chisq = 0.53831, df = 1, p-value = 0.4631
## alternative hypothesis: significant effects# en este caso no se usan efectos de tiempono es <0.05 en este caso no se usan efectos de tiempo.
Para el modelo 2 tampoco se usaran efectos de tiempo.
Usamos modelos de efectos fijos y aleatorios cuando N es grande y T es pequeño. Un modelo de efectos fijos es mejor si tenemos datos de todos los miembros de la población. Si la población es demasiado grande y tenemos una muestra entonces un modelo de efectos aleatorios es mejor y nos ahorra grados de libertad porque algunos de los parámetros son variables aleatorias.
El Test de Hausman suele utilizarse para decidir si es preferible estimar el modelo con efectos fijos o con modelos aleatorios. En este test se asume que el modelo de efectos fijos es consistente para los parámetros verdaderos, y el modelo de efectos aleatorios es una especificación eficiente de los efectos individuales bajo el supuesto de que son aleatorios y siguen una distribución normal. Se supone que el modelo de efectos fijos calcula siempre el estimador consistente, mientras que el modelo de efectos aleatorios calculará el estimador que es consistente y eficiente bajo \(H_0\).
La hipótesis nula es que el modelo preferido es el de efectos aleatorios;
La hipótesis alternativa es que el modelo es de efectos fijos.
test1 <- phtest(reg.plm.f,reg.plm)
test1##
## Hausman Test
##
## data: FORMULAR_LGD
## chisq = 242.78, df = 4, p-value < 2.2e-16
## alternative hypothesis: one model is inconsistentPara el modelo 2 vs el modelo de efectos fijos
test2 <- phtest(reg.plm.f_1,reg.plm)
test2##
## Hausman Test
##
## data: FORMULAR_LGD_1
## chisq = 2.913, df = 3, p-value = 0.4052
## alternative hypothesis: one model is inconsistentSi el valor p es pequeño (menos de 0,05), rechace la hipótesis nula.
En el primer caso el modelo de efectos fijos es el adecuado, minetras que para el modelo 2 el modelo de efectos aleatorios es el adecuado
H_0:Usamos MCO
H_1:Usamos EF
pooltest(reg.mco,reg.plm.f)##
## F statistic
##
## data: FORMULAR_MCO
## F = 5.5531, df1 = 12, df2 = 9, p-value = 0.007507
## alternative hypothesis: unstabilityp−value ≤ 0.05, la hipótesis H0 es rechazada. Por tanto, el modelo de efectos fijos sigue siendo el más eficiente realizando la prueba de Hausman y de Chow.
################## modelo 2 de efectos fijos
#test de Hausman
#La hipótesis nula es que el modelo preferido es el de efectos aleatorios;
#La hipótesis alternativa es que el modelo es de efectos fijos.
#modelo2 EF VS RE
test2 <- phtest(reg.plm.f_1,reg.plm)
test2##
## Hausman Test
##
## data: FORMULAR_LGD_1
## chisq = 2.913, df = 3, p-value = 0.4052
## alternative hypothesis: one model is inconsistent#Para el modelo 2 el mejor modelo es el de efectos aleatorios
#por tanto el comparamos con el modelo MCO
# MCO VS RE
#H_0: usamos MCO
#H_1: usamos UN MODELO DE PANEL DATA
plmtest(reg.mco, effect="individual")##
## Lagrange Multiplier Test - (Honda) for balanced panels
##
## data: FORMULAR_MCO
## normal = -1.2841, p-value = 0.9004
## alternative hypothesis: significant effects#como p-value es mayor a 0.05 no se rechaza H_0
#para el modelo 2, el mejor modelo es el de MCO.# AKAIKE
# AIC = log(RSS/n) + 2K/n for panel models
Sum1 <- summary(reg.plm.f)
RSS1 <- sum(Sum1$residuals^2)
K1 <- max(reg.plm.f$assign)
N1 <- length(reg.plm.f$residuals)
n1 <- N1 - K1 - reg.plm.f$df.residual
AIC_reg.plm.f = log(RSS1/n1) + (2*K1)/n1
AIC_reg.plm.f## [1] 9.25593Sum2 <- summary(reg.mco)
RSS2 <- sum(Sum2$residuals^2)
K2 <- max(reg.mco$assign)
N2 <- length(reg.mco$residuals)
n2 <- N2 - K2 - reg.mco$df.residual
AIC_reg.mco = log(RSS2/n2) + (2*K2)/n2
AIC_reg.mco## [1] 16.48326# el AIC más bajo es el de FE#La prueba de Wald, la prueba de la razón de verosimilitud y la prueba del multiplicador de Lagrange son asintóticamente equivalentes
coeftest(reg.plm.f, vcov = vcovHC)##
## t test of coefficients:
##
## Estimate Std. Error t value Pr(>|t|)
## SOLVENCIA 1.0427e+02 1.7677e+00 58.9858 5.828e-13 ***
## COB_PATRI_ACT_INM 4.6639e-01 2.1585e-02 21.6070 4.588e-09 ***
## IND_MOROSIDAD 5.6634e+01 4.4584e+00 12.7027 4.735e-07 ***
## EFICI_OPE -3.6267e+02 4.9409e+00 -73.4022 8.176e-14 ***
## GRADO_ABS_MARG_FINAN -8.9859e+00 5.9005e-01 -15.2290 9.889e-08 ***
## EFIC_ADM_PERS 6.3215e+02 1.2635e+01 50.0301 2.555e-12 ***
## ROE 5.5981e+01 2.3815e+00 23.5064 2.175e-09 ***
## ROA -5.5734e+01 2.3501e+00 -23.7156 2.011e-09 ***
## MARG_INTER_EST_PAT -7.3790e+01 9.2189e-01 -80.0415 3.754e-14 ***
## MARG_INTER_EST_ACT 1.6338e+02 5.5418e+00 29.4804 2.902e-10 ***
## IND_LIQUI 1.5111e+01 1.6453e+00 9.1839 7.234e-06 ***
## IND_CAP 1.0038e+01 9.8457e-01 10.1953 3.045e-06 ***
## IND_APALANCAMIENTO -3.6124e+01 5.7672e+00 -6.2637 0.0001472 ***
## IND_COBER -1.2413e+00 9.0227e-02 -13.7578 2.384e-07 ***
## IPC -1.0138e+00 3.9784e-02 -25.4831 1.062e-09 ***
## ICC 2.2131e-01 5.9854e-03 36.9754 3.837e-11 ***
## IDEAC -2.2235e-01 4.1059e-04 -541.5237 < 2.2e-16 ***
## VALOR_REAL_PIB 8.7867e-03 1.1601e-04 75.7433 6.166e-14 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1linearHypothesis(reg.plm.f, c("SOLVENCIA", "IPC"), vcov = vcovHC)## Linear hypothesis test
##
## Hypothesis:
## SOLVENCIA = 0
## IPC = 0
##
## Model 1: restricted model
## Model 2: LGD ~ SOLVENCIA + COB_PATRI_ACT_INM + IND_MOROSIDAD + EFICI_OPE +
## GRADO_ABS_MARG_FINAN + EFIC_ADM_PERS + ROE + ROA + MARG_INTER_EST_PAT +
## MARG_INTER_EST_ACT + IND_LIQUI + IND_CAP + IND_APALANCAMIENTO +
## IND_COBER + IPC + ICC + IDEAC + VALOR_REAL_PIB
##
## Note: Coefficient covariance matrix supplied.
##
## Res.Df Df Chisq Pr(>Chisq)
## 1 11
## 2 9 2 4250.6 < 2.2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1coeftest(reg.mco, vcov = vcovHC)##
## t test of coefficients:
##
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.2552e+01 3.4971e+01 0.6449 0.5259885
## SOLVENCIA -1.3860e+01 4.3137e+00 -3.2130 0.0041758 **
## INTERME_FIN -1.0317e+00 1.5234e-01 -6.7720 1.067e-06 ***
## MARG_INTER_EST_PAT -1.2204e+01 2.2281e+00 -5.4774 1.959e-05 ***
## PORC_ENCAJE 1.2885e+01 1.8143e+00 7.1021 5.255e-07 ***
## IPC -7.2901e-01 3.4790e-01 -2.0954 0.0484327 *
## ICC 1.2830e-01 1.6511e-02 7.7708 1.308e-07 ***
## IDEAC -1.5032e-01 3.1655e-02 -4.7487 0.0001087 ***
## VALOR_REAL_PIB 4.3421e-03 3.9584e-04 10.9692 3.744e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1linearHypothesis(reg.mco, c("SOLVENCIA", "IPC"), vcov = vcovHC)## Linear hypothesis test
##
## Hypothesis:
## SOLVENCIA = 0
## IPC = 0
##
## Model 1: restricted model
## Model 2: LGD ~ SOLVENCIA + INTERME_FIN + MARG_INTER_EST_PAT + PORC_ENCAJE +
## IPC + ICC + IDEAC + VALOR_REAL_PIB
##
## Note: Coefficient covariance matrix supplied.
##
## Res.Df Df Chisq Pr(>Chisq)
## 1 23
## 2 21 2 11.419 0.003314 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1#Esto prueba la hipótesis nula de que todos los β son iguales a cero contra la alternativa que les permite
#tomar cualquier valor. Si rechazamos esta hipótesis nula (lo cual hacemos porque el valor p es pequeño),
#entonces esto es lo mismo que decir que hay evidencia suficiente para concluir que al menos una de las
#covariables tiene poder predictivo en nuestro modelo lineal, es decir,que usar una regresión es
#predictivamente 'mejor' que simplemente adivinar el promedio.POR TANTO EL MODELO SELECCIONADO ES EL MODELO DE EFECTOS FIJOS
| CRITERIO | MODELO EFECTOS FIJOS | MODELO DE EFECTOS COMUNES |
|---|---|---|
| \(R^2\) | 0.98241 | 0.86358 |
| \(R^2\) - ajustado | 0.94332 | 0.8116 |
| CHOW TEST | x | |
| AIC | 9.25593 | 16.48326 |
| WALD TEST | p<2.2e-16 *** | p<0.003314 ** |
H_0: existe homocedasticidad
H_1: heterocedasticidad
library(lmtest)
bptest(FORMULAR_LGD, data = BANCOS_EST, studentize = F)##
## Breusch-Pagan test
##
## data: FORMULAR_LGD
## BP = 37.285, df = 18, p-value = 0.004811si el valor p es pequeño (menos de 0,05), rechace la hipótesis nula, por tanto, existe heterocedasticidad.
t(sapply(c("HC0", "HC1", "HC2", "HC3", "HC4"),
function(x) sqrt(diag(vcovHC(reg.plm.f, type = x)))))## SOLVENCIA COB_PATRI_ACT_INM IND_MOROSIDAD EFICI_OPE GRADO_ABS_MARG_FINAN
## HC0 1.767668 0.02158504 4.458389 4.940872 0.5900539
## HC1 2.794928 0.03412895 7.049331 7.812205 0.9329571
## HC2 3.228407 0.03844085 7.775675 14.984632 1.1536661
## HC3 6.881882 0.07006478 14.804733 40.744527 2.4196114
## HC4 4.173119 0.04263397 8.953767 22.885875 1.4450719
## EFIC_ADM_PERS ROE ROA MARG_INTER_EST_PAT MARG_INTER_EST_ACT
## HC0 12.63530 2.381533 2.350108 0.921890 5.541827
## HC1 19.97816 3.765535 3.715846 1.457636 8.762399
## HC2 34.27267 4.661904 4.603617 3.125694 14.651250
## HC3 87.89637 9.412825 9.304100 8.636133 36.730863
## HC4 50.35528 5.627016 5.562869 4.838146 20.931819
## IND_LIQUI IND_CAP IND_APALANCAMIENTO IND_COBER IPC ICC
## HC0 1.645334 0.9845654 5.767233 0.0902269 0.03978351 0.005985407
## HC1 2.601501 1.5567346 9.118796 0.1426613 0.06290325 0.009463760
## HC2 2.536215 1.3578126 9.059916 0.1618937 0.07510897 0.007508356
## HC3 4.115559 2.1457876 14.503010 0.2962837 0.17801735 0.011159503
## HC4 2.647750 1.3947538 9.079543 0.1800851 0.10378224 0.007036914
## IDEAC VALOR_REAL_PIB
## HC0 0.0004105916 0.0001160066
## HC1 0.0006492024 0.0001834226
## HC2 0.0042259634 0.0001002254
## HC3 0.0138901284 0.0002875151
## HC4 0.0071496316 0.0001426778lmtest::coeftest(reg.plm.f, vcovHC(reg.plm.f, type = "HC0"))##
## t test of coefficients:
##
## Estimate Std. Error t value Pr(>|t|)
## SOLVENCIA 1.0427e+02 1.7677e+00 58.9858 5.828e-13 ***
## COB_PATRI_ACT_INM 4.6639e-01 2.1585e-02 21.6070 4.588e-09 ***
## IND_MOROSIDAD 5.6634e+01 4.4584e+00 12.7027 4.735e-07 ***
## EFICI_OPE -3.6267e+02 4.9409e+00 -73.4022 8.176e-14 ***
## GRADO_ABS_MARG_FINAN -8.9859e+00 5.9005e-01 -15.2290 9.889e-08 ***
## EFIC_ADM_PERS 6.3215e+02 1.2635e+01 50.0301 2.555e-12 ***
## ROE 5.5981e+01 2.3815e+00 23.5064 2.175e-09 ***
## ROA -5.5734e+01 2.3501e+00 -23.7156 2.011e-09 ***
## MARG_INTER_EST_PAT -7.3790e+01 9.2189e-01 -80.0415 3.754e-14 ***
## MARG_INTER_EST_ACT 1.6338e+02 5.5418e+00 29.4804 2.902e-10 ***
## IND_LIQUI 1.5111e+01 1.6453e+00 9.1839 7.234e-06 ***
## IND_CAP 1.0038e+01 9.8457e-01 10.1953 3.045e-06 ***
## IND_APALANCAMIENTO -3.6124e+01 5.7672e+00 -6.2637 0.0001472 ***
## IND_COBER -1.2413e+00 9.0227e-02 -13.7578 2.384e-07 ***
## IPC -1.0138e+00 3.9784e-02 -25.4831 1.062e-09 ***
## ICC 2.2131e-01 5.9854e-03 36.9754 3.837e-11 ***
## IDEAC -2.2235e-01 4.1059e-04 -541.5237 < 2.2e-16 ***
## VALOR_REAL_PIB 8.7867e-03 1.1601e-04 75.7433 6.166e-14 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1lmtest::coeftest(reg.plm.f, vcovHC(reg.plm.f, method = "arellano",type = "HC0"))##
## t test of coefficients:
##
## Estimate Std. Error t value Pr(>|t|)
## SOLVENCIA 1.0427e+02 1.7677e+00 58.9858 5.828e-13 ***
## COB_PATRI_ACT_INM 4.6639e-01 2.1585e-02 21.6070 4.588e-09 ***
## IND_MOROSIDAD 5.6634e+01 4.4584e+00 12.7027 4.735e-07 ***
## EFICI_OPE -3.6267e+02 4.9409e+00 -73.4022 8.176e-14 ***
## GRADO_ABS_MARG_FINAN -8.9859e+00 5.9005e-01 -15.2290 9.889e-08 ***
## EFIC_ADM_PERS 6.3215e+02 1.2635e+01 50.0301 2.555e-12 ***
## ROE 5.5981e+01 2.3815e+00 23.5064 2.175e-09 ***
## ROA -5.5734e+01 2.3501e+00 -23.7156 2.011e-09 ***
## MARG_INTER_EST_PAT -7.3790e+01 9.2189e-01 -80.0415 3.754e-14 ***
## MARG_INTER_EST_ACT 1.6338e+02 5.5418e+00 29.4804 2.902e-10 ***
## IND_LIQUI 1.5111e+01 1.6453e+00 9.1839 7.234e-06 ***
## IND_CAP 1.0038e+01 9.8457e-01 10.1953 3.045e-06 ***
## IND_APALANCAMIENTO -3.6124e+01 5.7672e+00 -6.2637 0.0001472 ***
## IND_COBER -1.2413e+00 9.0227e-02 -13.7578 2.384e-07 ***
## IPC -1.0138e+00 3.9784e-02 -25.4831 1.062e-09 ***
## ICC 2.2131e-01 5.9854e-03 36.9754 3.837e-11 ***
## IDEAC -2.2235e-01 4.1059e-04 -541.5237 < 2.2e-16 ***
## VALOR_REAL_PIB 8.7867e-03 1.1601e-04 75.7433 6.166e-14 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1#Arellano, tanto heteroscedasticidad como correlación serial. Recomendado para efectos fijos.
## con la heterocedasticidad corregida se comprueba el test
bptest(reg.plm.f)##
## studentized Breusch-Pagan test
##
## data: reg.plm.f
## BP = 23.931, df = 18, p-value = 0.1573como el p-valor es > 0.05 no se rechaza H_0.
H_0: la no presencia de autocorrelación serial.
pwartest(reg.plm.f)##
## Wooldridge's test for serial correlation in FE panels
##
## data: reg.plm.f
## F = 16.269, df1 = 1, df2 = 25, p-value = 0.0004547
## alternative hypothesis: serial correlationNO existe autocorrelación serial.
H_0: los residuos siguen una distribución normal
jarque.bera.test(residuals(reg.plm.f)) ##
## Jarque Bera Test
##
## data: residuals(reg.plm.f)
## X-squared = 2.2061, df = 2, p-value = 0.3319como el p-valor es > 0.05 no se rechaza H_0.
Predicciones en la misma base Modelo seleccionado modelo de efectos fijos.
## [1] 0.8263557 1.7335217 3.5934871 0.4278998 0.8130794 1.3017557 1.5000925
## [8] 0.4114582 0.9465428 1.0858145 0.8249481 1.1677820 1.6620531 0.4559416
## [15] 0.6690830 0.8437034 1.3006837 0.2648266 0.4940089 0.6955742 0.6910672
## [22] 1.2741169 1.5170096 0.5825702 1.2325239 1.1729902 1.5333139 0.3525168
## [29] 0.7309364 1.0648207CON LO QUE PODEMOS COMPARAR CON LOS DATOS DE LA LGD.
## [1] 0.9254135 1.5701315 3.6660776 0.4975754 0.8251392 1.1690508 1.6430304
## [8] 0.3932147 0.8390169 1.1113575 0.7896026 1.2859234 1.4481453 0.4147467
## [15] 0.6977086 0.9257948 1.2519178 0.2720901 0.5095258 0.7831496 0.6834145
## [22] 1.2810510 1.5984239 0.5751217 1.2186448 1.1667617 1.5932880 0.3087000
## [29] 0.7016479 1.0248121BASE ANTES DE PANDEMIA PERIODOS DESDE 2019-12 HASTA 2020-03
BASE EN PANDEMIA, PERIODOS DESDE 2020-06 HASTA 2020-12