You are on page 1of 13

PREGUNTAS DE DOMINICK SALVATORE

FORMA FUNCIONAL 1. ¿Qué forma tiene la relación funcional elegida? La curva de coste medio (a corto plazo) tiene la forma de U y que la curva de coste fijo medio disminuye de forma constante y se aproxima al eje de la cantidad asintóticamente a medida que los costes fijos totales se reparten entre cada vez más unidades. 2. ¿Cuáles son algunas de las transformaciones en funciones lineales más útiles? Una de las ventajas de la forma doble log es que los parámetros de la pendiente representan elasticidades. La función semi log adecuada cuando la variable dependiente crece a una tasa aproximadamente constante a los largo del tiempo, como el caso de la mano de obra o de la producción. La función recíproca y polinómica son adecuadas para estimar costes medios y totales. 3. ¿Se obtienen estimadores insesgados de los auténticos valores de los parámetros mediante la aplicación del método MCO a las funciones lineales transformadas? Las estimaciones de una función doble logarítmica transformada mediante el método de MCO dan lugar a estimadores insesgados de la pendiente. Sin embargo, estimador sesgado pero consiste de bo. El modelo lineal doble logaritmo resulta adecuado cuando la gráfica de Ln Y respecto a Ln X se encuentra aproximadamente una línea recta. = antilog es un

VARIABLES DUMMY 1. Escriba una ecuación para tiempos de paz y guerra para las ecuaciones a . Si C=consumo, Yd=renta disponible, D=1 en tiempos de guerra y D=0 en tiempos de paz.

1

En tipos de guerra. de forma que las ecuaciones para los años de guerra tienen un menor punto de corte con el eje vertical o una menor pendiente que la ecuación tiempos de paz. 2 . 2. Por lo tanto se espera que b2 y b3 (los coeficientes de D) sean negativos en tiempos de guerra. el consumo se menor que en tiempos de paz debido a los controles y a la menor disponibilidad de bienes y servicios.Siendo las estimaciones a las que hacen referencia a los años de paz y las ecuaciones b las que hacen referencia a los años de guerra obtenemos: Si D=0 ( ) Si D=0 ( ) Si D=0 ( ) ( ) Observe que todas las ecuaciones en tipos de paz son iguales porque D=0. Dibuje un gráfico para las ecuaciones.

¿Cuáles son las ventajas de estimar las ecuaciones en vez de estimarlos regresiones. Xt-1. ¿Qué se quiere decir por modelos retardos distribuidos? Un modelo de retardos distribuidos es un modelo en el que el valor actual de la variable dependiente Yt depende de la suma ponderada de valores actuales anteriores de las variables independientes (X1.3. asignándose.  Se ahorra tiempo de cálculo. Xt-2. MODELOS DE RETARDOS DISTRIBUIDOS 1. distintas ponderaciones a los diversos periodos de tiempo (que suele disminuir sucesivamente para los periodos más lejos) 2. son:  Hay más grados de libertad. una para la paz y otra para la guerra.etc) y del termino de error. y otra para los años de guerra? Las ventajas de estimar las ecuaciones. 3 . generalmente. Escriba la ecuación del modelo general de retardos distribuidos. frente a las estimaciones de una regresión independiente en cada caso. para los años de paz.  Se puede contrastar diversas hipótesis con facilidad para ver si las distintas constantes o pendientes son estadísticamente significativas.

dado el valor real o estimado de las variables independientes. el modelo se puede estimar mediante MCO. Por lo tanto la previsión hace referencia a la estimación del valor futuro de la variable dependiente. 3.  Errores de la previsión de las variables independientes  Una incorrecta especificación del modelo. ¿Qué se quiere decir por previsión? ¿Y por previsión condicional? ¿Y por predicción? La previsión hace referencia a la estimación del valor de una variable dependiente. 2. la inclusión de cada término retardado utiliza un grado de libertad. se utiliza como sinónimo de la previsión. ¿Cuáles son las dificultades prácticas a la hora de estimar un modelo de retardos distribuidos con k retardos? Cuando se estima un modelo de retardos. cuando k es elevado (respecto a la duración de series de tiempo). Cuando la previsión se realiza en función de los valores estimados (en vez de reales) de la variable independiente. 4 . es reducido.Observe que en las ecuaciones a es una contante mientras b0 es el coeficiente de Xt. Sin embargo. La predicción es un término que. k. Cuando el número de términos independientes retardados. ¿Cuáles son las principales fuentes de error en la previsión? Los errores de previsión se producen debido a:  La naturaleza aleatoria del termino de error  Los parámetros estimados insesgados solo son iguales a la media del auténtico valor de los parámetros. a menudo. Esto es asi para simplificar la manipulación algebraica. es posible que quede un numero de grados de libertad inadecuando para estimar el modelo o para tener confianza sobre los parámetros estimados. por predicción se quiere decir la estimación de una variable intramuestral dependiente. PREVISION 1. tenemos una previsión condicional. En otras ocasiones.

existe una multicolinealidad perfecta entre X1 y X2 si X1 =2X2 o X1 = 5 – (1/3) X2. σ2F viene dada por: [ ( ∑( ̅) ] ̅) Donde n es el número de observaciones y σ 2ues la varianza de u. 5 . ¿Cuál es la varianza del error de la previsión? ¿Qué es un estimador insesgado de la varianza del error de la previsión? ¿De qué depende? La varianza del error de previsión.3. ¿Qué se quiere decir por multicolinealidad perfecta? ¿Cuál es su efecto? Dos o más variables son perfectamente colineales si una o más variables puede expresarse como una combinación lineal de las otras variables. σ2u(o s2) y la diferencia entre XF y ̅ . MULTICOLINEALIDAD 1. 4. Un estimador insesgado de la varianza del error de previsión s2F viene dada por: [ ( ∑( ̅) ] ̅) S2 es un estimador insesgado de σ2F (o s2F ). ¿Cómo se calcula el valor de El valor de ? ¿Y el intervalo de confianza del 95% de la previsión YF? se calcula sustituyendo el valor actual o estimado de XF en la ecuación de la regresión estimada: ̂ ̂ ̂ El intervalo de confianza del 95% de la previsión Y F viene dado por: ̂ Donde t hace referencia a la distribución t con n-2 grados de libertad. Por ejemplo.

Sin embargo.  Utilizando información a priori (es decir. 2. incluso. será imposible calcular los estimadores MCO de los parámetros porque el sistema de ecuaciones normales incluirá dos o más ecuaciones que son independientes. ¿Qué se quiere decir por multicolinealidad elevada pero no perfecta? ¿Qué problemas podrá producirse? La multicolinealidad elevada. Además. tener el mismo signo equivocado). 6 . Esto puede dificultar o hacer imposible aislar el efecto que cada una de las variables explicativas muy correlacionada tiene sobre la variable dependiente. 3.Si dos o más variables explicativas están perfectamente correlacionadas linealmente. ¿Cómo se puede detectar la multicolinealidad? El clásico caso de multicolinealidad se produce cuando ninguna de la variables explicativas de la regresión MCO es estadísticamente significativa (y algunas pueden. de un estudio anterior. En los casos menos evidentes.  Suprimiendo una de variables muy correlacionadas (sin embargo. entre 0. a pesar de que el R 2 puede ser elevado (por ejemplo. que b2 = 0.7 y 1. es posible que existe una importante multicolinealidad a pesar de que los coeficientes de correlación parcial o simple sean relativamente reducidos (es decir. Sin embargo. los coeficientes MCO estimadores siguen siendo insesgados (si el modelo está especificado correctamente). pero no perfecta. de la multicolinealidad no presenta problema si persiste el mismo patrón de multicolinealidad durante el periodo de previsión. ¿Qué se puede hacer para superar o reducir los problemas derivados de la multicolinealidad? A veces se puede corregir un problema grave de multicolinealidad:  Ampliando el tamaño de la muestra de datos.0). inferiores a 0. resulta más difícil detectar la multicolnealidad. hace referencia al caso en el que dos o más variables independientes del modelo de regresión están muy correlacionadas. es posible que conozcamos. A veces se utilizan elevados coeficientes de correlación parcial o simple entre variables explicativas como una medida de la multicolinealidad.25 b1)  Transformando la relación funcional. esto puede dar lugar a errores o sesgos de especificación si la teoría nos dices que la variable suprimida debería estar incluida en el modelo).5) 4. si el objetivo principal de la regresión es la predicción.

Por ejemplo. dejando menos margen para la discrecionalidad. E(Xi ui) ≠ 0. Dibuje un gráfico que muestre perturbaciones homoscedásticas y diversas formas de perturbaciones heteroscedásticas. la varianza del error asociada con los gastos de la familias de rentas bajas suele ser inferior a la de las familias de rentas elevadas porque la mayoría de los gastos de las familias de rentas bajas se destina a pagar bines de primera necesidad.HETEROSCEDASTICIDAD 1. ¿Qué quiere decir por heteroscedasticidad? La heteroscedasticidad hace referencia al caso en el que la varianza del término de error no es constante para todos los valores de la variable independiente. Se produce fundamentalmente con datos de sección cruzada. por lo que E(ui)2 ≠ σ2u Esto viola el tercer supuesto del modelo de regresión MCO. es decir. 7 . 2.

Quandt. ¿Cómo se contrasta la existencia de heteroscedasticidad? La existencia de heteroscedasticidad se puede contrastar ordenando los datos de la variable independiente Xi de menor a mayor y después haciendo dos regresiones separadas. lo que da lugar a contrataciones incorrectas de los parámetros y a intervalos de confianza sesgados. esta es la contrastación de la heteroscedasticidad de Goldfeld. 4. Para hacer esta contrastación se utiliza la distribución F con (nd-2k)/2 grados de libertad n es el número total de observaciones. la contrastación sigue siendo correcta pero tendrá un menor poder para detectar la heteroscedasticidad. 5. A continuación se contrasta el cociente entre la suma de los cuadrados de los errores de la segunda regresión respecto a la suma de los cuadrados de los errores de la primera regresión (es decir. SR 2 / SR1) para ver si es significativamente distinto de 0. En este caso de dos variables tenemos Ecuación 1 El término de error transformado es ahora un término homoscedasticos: 8 . la quinta parte). y después volviendo a estimar la regresión utilizando las variables transformadas. ¿Cómo se puede corregir la heteroscedasticidad? Si se supone (como suele ser el caso) que var u i = CXi2 donde C es una constante de 0. y es más adecuada para muestras de gran tamaño (es decir.3. Además. ¿Por qué constituye un problema de heteroscedasticidad? Con heteroscedasticidad los estimadores MCO delos parámetros siguen siendo estimadores insesgados y consistentes. Si se omiten las observaciones intermedias. d es el número de observaciones omitidas y k es el número de parámetros estimados. una para los valores inferiores de Xi y otra para los valores superiores de Xi y omitiendo algunas de las observaciones intermedias (por ejemplo. tiene varianzas mayores que la varianza mínima). para n≥30). pero no ineficientes (es decir. podemos corregir la heteroscedasticidad dividiendo (es decir. ponderando) cada término de la regresión por Xi. las varianzas estimadas de los parámetros están sesgadas.

se a convertido en una variable. cada término de la regresión está dividido (es decir. los estimadores MCO no sólo son insesgados y consistentes. el punto de corte inicial. ¿Qué se quiere decir por autocorrelación? La autocorrelación o correlación serial hace referencia al caso en el que el termino de error de un periodo esta correlacionado con el termino de error cualquiera otro periodo. La autocorrelación positiva de primer orden significa que Eutut-1 > 0. por lo que tenemos  Ecuación 2 En la ecuación 2. ei AUTOCORRELACION 1. Si el termino de error de un periodo esta correlacionado con el termino de error del periodo anterior. En el caso de una regresión múltiple. ecuación 1. estamos ante un casi de autocorrelación de primer orden. Puesto que la ecuación 1 los errores son homoscedasticos. mientras que el parámetro de la pendiente inicial. b1. b 0.Observe que el punto de corte inicial se ha convertido en una variable. ponderado) por la variable independiente (por ejemplo. X 2) que se cree que está asociada con el termino del error. mientras que b 2 se ha convertido en nuevo punto de corte. violando así el cuarto supuesto del modelo MCO. es ahora el nuevo punto de corte con el eje. sino que también son eficientes. Podemos determinar visual mente si es X2i o si es X1i la variable que está relacionada con u i dibujando X2i o X1i frente a los residuos. Este problema es frecuente en el análisis de series temporales. 9 . hay que tener cuidado para interpretar correctamente los resultados de la regresión transformada o ponderada. Sin embargo.

las estimaciones MCO de los parámetros siguen siendo sesgadas y consistentes. 4.2. Los valores de d indican la presencia o ausencia de autocorrelación positiva o negativa de primer orden y los valores para los que la contrastación no es concluyente. 10 . ¿Por qué es un problema la autocorrelación? En presencia de autocorrelación. no habiendo autocorrelación cuando d esta en torno a 2. Dibuje un gráfico que muestre una autocorrelación positiva y negativa de primer orden. 3. pero los errores estándar de los parámetros estimados de la regresión son sesgadas. exagerando así la precisión y la significatividad estadística de los parámetros estimados de la regresión. lo que da lugar a la contrastaciones estadísticas incorrectas y a intervalos de confianza sesgados. Los errores estándar de los parámetros estimados de la regresión están sesgados hacia abajo. ¿Cómo se contrasta la existencia de autocorrelación positiva o negativa de primer orden? ∑ ( ∑ ) El valor calculado de d oscila entre 0 y 4. La figurada A muestra una autocorrelación positiva de primer orden cuando variaos residuos consecutivos tiene el mismo signo y la B muestra una autocorrelación de negativa de primer orden cuando los signos de los residuos consecutivos cambia el signo frecuentemente.

es un ejemplo de mínimos cuadrados generalizados. 5. ¿Qué se quiere decir por errores en las variables? Los errores en las variables hacen referencia al caso en el que las variables del modelo de regresión incluyen errores de medición. Ecuación 1  ( ) El segundo paso implica utilizar el valor de ρ calculado en la ecuación 1 para transformar todas las variables del modelo inicial MCO. conocido como el Método de dos etapas de Durbin. a una forma funcional incorrecta. habrá que suprimir primer estos problemas. y sobre la variable explicativa retardada un periodo.Cuando la variable dependiente retardada aparece como variable explicativa de la regresión. ¿Cómo se puede corregir la autocorrelación? Un método para corregir la autocorrelación positiva de primer orden implica hacer primer una regresión de Y sobre sus valores retardados un periodo. d esta sesgado hacia 2 y su poder de detección de la autocorrelación se ve limitado. Ecuación 2  ̂ ( ̂) ( ̂ ) Este procedimiento. 11 . ERRORES EN LAS VARIABLES 1. Si la autocorrelación se debe a la omisión de una variable importante. sobre la variable explicativa del modelo. antes de aplicar el procedimiento correctivo de la autocorrelación. o a una inadecuada especificación del modelo.

cuando existen errores de medición en la variables explicativas se incumple el quinto supuesto del modelo MCO sobre la independiente de las variables explicativas de error. 12 . a pesar de que también aparezcan como variables explicativas en alguna otra ecuación del sistema. 4. son estimadores consistentes del punto de corte y de la pendiente de la regresión de Yt sobre Xt MODELO DE ECUACIONES SIMULTÁNEAS 1. ¿Cómo se puede corregir los problemas generados por la existencia de errores en las variables? Un método de obtener estimaciones consistentes MCO está en sustituir la variable explicativa sujeta a los errores de medición con otra variable explicativa que está muy correlacionada.2. ¿Qué se quiere decir por variables endógenas? Las variables endógenas son variables dependientes en el sistema de ecuaciones simultáneas. Se trata de variables que están determinadas por el sistema. a su vez. Los parámetros inconsistentes y sesgadas en una regresión simple ̂ tiene un sesgo hacia abajo mientras que ̂ tendrá sesgo hacia arriba. por lo que se obtienen estimaciones de los parámetros MCO que son insesgados y consistentes (aunque ineficientes o con una varianza superior a la varianza mínima). no solo las Y están determinadas por las X. ¿Qué problemas crean los errores en las variables? Los errores de medición de las variables dependientes se incorporan al termino de perturbaciones. 2. ¿Qué se quiere decir por modelo o sistema de ecuaciones simultáneas? Un modelo o sistema de ecuaciones simultáneas hace referencia al caso en el que la variable dependiente en una o más ecuaciones también es una variable explicativa en alguna otra ecuación del sistema. determinadas por la Y. 3. Concretamente. sino que algunas X están. ¿Hay alguna contrastación para detectar la presencia de errores en las variables? No hay una contrastación formal para detectar la presencia de errores en las variables. La variable instrumental más popular es el valor retardado de la variable explicativa en cuestión. de forma que las Y y las X están determinadas conjunta o simultáneamente.

Puesto que las variables exógenas del sistema no están correlacionadas con los términos de error. Existe una ecuación estructural por cada variable endógena. ¿Qué se quiere decir por ecuaciones en forma reducida? Se obtienen resolviendo el sistema de ecuaciones estructurales de forma que se exprese cada variable endógena del sistema como una función únicamente de las variables exógenas o predeterminadas del sistema. el método MCO ofrece estimadores consistentes de la parámetros en forma reducida. incumpliendo así el quinto supuesto del método MCO 6. ¿Qué se quiere decir por sesgo de ecuaciones simultáneas? Hace referencia a las sobreestimación o subestimación de los parámetros estructurales obtenidos mediante la aplicación de MCO a las ecuaciones estructurales del modelo de ecuaciones simultáneas. Las variables exógenas y las variables endógenas retardadas se conocen a veces como variables predeterminadas 4. este sesgo se produce porque aquellas variables endógenas del sistema que también son variables explicativas están correlacionadas con los términos de error. Los coeficientes de las ecuaciones estructurales se conocen como parámetros estructurales y reflejan el efecto directo de cada variable explicativa sobre la variable dependiente.3. ¿Qué se quiere decir por variables exógenas? Son aquellas variables que se determinan fuera del modelo. También incluyen variables endógenas retardadas. puesto que sus valores ya son conocidos en un determinado periodo. ¿Qué se quiere decir por ecuaciones estructurales? Ecuaciones estructurales o comportamentales describen la estructura de una economía o el comportamiento de algunos agentes económicos como los consumidores o los productores. 13 . Estos estimadores miden los efectos totales directos e indirectos de un cambio de variables exógenas sobre las variables endógenas y pueden utilizarse para obtener parámetros estructurales consistentes. 5.