You are on page 1of 98

UNIVERSIDAD NACIONAL “HERMILIO VALDIZAN”

ESCUELA PROFESIONAL DE CIENCIAS ECONÓMICAS

TEMA:

EJERCICIOS DEL CAPITULO (7,8); FICHA DE LECTURA DEL CAPILO (7,8)

ASIGNATURA : ECONOMETRIA II

DOCENTE : JULIO CASTRO

INTEGRANTES : Aquino Duran, Judith Celina

AÑO : 2016

SIGLO : IX

HUÁNUCO-PERÚ
2016
UNIVERSIDAD NACIONAL HERMILO VALDIZAN

Facultad de Ciencias Económicas

CURSO “ECONOMETRIA II”

Profesor: Julio C. Castro

FICHA DE LECTURA
Alumna: Aquino Duran, Judith Celina

Fecha: 19 de setiembre del 2016

Autor: DAMODAR N. GUJARATI – DAWN C. PORTER

Título de la lectura: ANALISIS DE REGRECION MULTIPLE: EL PROBLEMA DE


ESTIMACION CAPITULO 07
Ideas centrales del autor: (Afirmaciones que dan lógica al conjunto de la lectura por
parte del autor, redactadas en forma concisa y exacta).
1. El autor al autor le interesa conocer el modelo de regresión lineal en su modelo más
simple de la regresión respecto a las tres variables.
2. Si r2 son ajustadas y medidas globales que indican que el modelo escogido se deben
ajustar a un conjunto de datos, por lo tanto esto no debe exagerar su importancia.
3. El análisis de regresión múltiple proporciona interpretaciones ceteris paribus
incluso si los datos no se han recogido de forma ceteris paribus
Palabras claves de la lectura: (Términos que sirven para clasificar los temas centrales
tratados; las publicaciones no suelen aceptar más de 5 palabras claves; cada "palabra
clave” puede sin embargo ser integrada por un máximo de tres palabras):

1. COEFICIENTE DE CORRELACION MULTIPLE


2. COEFICIENTES DE REGRECION PARCIAL
3. REGRECION LINIAL MULTIPLE
4. MODELO DE REGRECION MULTIPLE
5. MODELO DE REGRECION POLINOMIAL
Resumen breve de la lectura: (No exceder el límite de renglones)

En este capítulo el modelo más sencillo posible de regresión lineal múltiple, a saber,
el modelo de regresión con tres variables. Se entiende que el término lineal se
refiere a linealidad en los parámetros y no necesariamente en las variables.

Aunque un modelo de regresión con tres variables es, en muchas formas, una
extensión del modelo con dos variables, hay algunos conceptos nuevos, como
coeficientes de regresión parcial, coeficientes de correlación parcial, coeficiente de
correlación múltiple, R2 ajustada y no ajustada (por grados de libertad),
multicolinealidad y sesgo de especificación.

Si bien R2 y R2 ajustada son medidas globales que indican la forma en que el


modelo escogido se ajusta a un conjunto dado de datos, no debe exagerarse su
importancia. Los aspectos críticos son las expectativas teóricas en que se basa el
modelo en términos de los signos a priori de los coeficientes de las variables
incluidas en él y, como se muestra en el siguiente capítulo, su significancia
estadística.

Los resultados presentados en este capítulo se generalizan fácilmente a un modelo


de regresión lineal múltiple que implique cualquier número de regresoras. Pero el
álgebra se vuelve tediosa. Este tedio se evita al recurrir al álgebra matricial. Para el
lector interesado, la extensión al modelo de regresión de k variables mediante
álgebra matricial se presenta en el apéndice C, opcional. Pero el lector general
puede leer el resto del texto sin conocer mucho de álgebra matricial.

En este capítulo se consideró también la forma funcional del modelo de regresión


múltiple, como la función de producción Cobb-Douglas y el modelo de regresión
polinomial.

Comentario crítico de la lectura: (No exceder el límite de renglones)

Viendo el texto leído, el autor realiza buenos temas para aprender la econometría,
porque nos da las formular de cada modelo, me parece muy bien que menciona
esos temas que más adelante a nosotros nos sirva como economistas y podamos
aplicar en la práctica, lo que si puedo agregar que el autos debe profundizar más
temas que a un economista le sirva, en este capítulo nos enseña cada paso para
hallar la varianza, t- Student, media, R2.
UNIVERSIDAD NACIONAL HERMILO VALDIZAN

Facultad de Ciencias Económicas

CURSO “ECONOMETRIA II”

Profesor: Julio C. Castro

FICHA DE LECTURA
Alumna: Aquino Duran, Judith Celina

Fecha: 19 de setiembre del 2016

Autor: DAMODAR N. GUJARATI – DAWN C. PORTER

Título de la lectura: ANALISIS DE REGRECION MULTIPLE: EL PROBLEMA DE


INFERENCIA CAPITULO 08
Ideas centrales del autor: (Afirmaciones que dan lógica al conjunto de la lectura por
parte del autor, redactadas en forma concisa y exacta).
1. El modelo de regresión requiere que todas las variables, dependiente e
independientes, estén medidas con escala métricas
2. Estimar el valor esperado de la respuesta y predecir un valor futuro de ´esta
para unos valores prefijados de las variables explicativas. Determinar la
precisión de la estimación y la predicción.
3. Construir un modelo que represente la dependencia lineal de una variable
respuesta cuantitativa Y simultáneamente respecto de varias variables
explicativas cuantitativas.
Palabras claves de la lectura: (Términos que sirven para clasificar los temas centrales
tratados; las publicaciones no suelen aceptar más de 5 palabras claves; cada "palabra
clave” puede sin embargo ser integrada por un máximo de tres palabras):

1. MODELO DE REGRECION MULTIPLE


2. IDENTIFICACION DE LA VARIABLE EXPLICATIVA
3. COEFICIENTE DE DETERMINACION
4. IDENTIFICACION DE VARIABLES CONFUSAS
5. SIGNIFICACION DE MODELO DE REGRECION
Resumen breve de la lectura: (No exceder el límite de renglones)

El análisis de regresión múltiple es una técnica de análisis multivariable en el que se


establece una relación funcional entre una variable dependiente o a explicar y una
serie de variables independientes o explicativas, en la que se estiman los
coeficientes de regresión que determinan el efecto que las variaciones de las
variables independientes tienen sobre el comportamiento de la variable dependiente.

En este capítulo se extendieron y refinaron las ideas sobre estimación por intervalos
y pruebas de hipótesis presentadas en el capítulo 5 en el contexto del modelo de
regresión lineal con dos variables.

En la regresión múltiple, la prueba de significancia individual de un coeficiente de


regresión parcial (con la prueba t) y la prueba de la significancia general de la
regresión (es decir, H0: todos los coeficientes de pendiente parcial son cero o R2 =
0) no son la misma cosa.

En particular, encontrar que uno o más coeficientes de regresión parcial no son


estadísticamente significativos con base en la prueba t individual no significa que
todos los coeficientes de regresión parcial (colectivamente) tampoco sean
significativos. Esta última hipótesis sólo se prueba mediante la prueba F.

La prueba F tiene gran versatilidad, pues con ella se pueden probar diversas
hipótesis, como 1) si un coeficiente de regresión individual es estadísticamente
significativo, 2) si todos los coeficientes de pendiente parciales son cero, 3) si dos o
más coeficientes son estadísticamente iguales, 4) si los coeficientes satisfacen
algunas restricciones lineales y 5) si el modelo de regresión posee estabilidad
estructural.

Como en el caso de dos variables, el modelo de regresión múltiple sirve para fines
de predicción de media y/o individual

Comentario crítico de la lectura: (No exceder el límite de renglones)

En este capítulo el autor está profundizando sus temas para la aplicación de la


econometría , bueno eso me parece bien porque a nosotros nos sirva en vida diario
del trabajo además podemos analizar las hipótesis y poder usas los modelos de dos
o más variables que se hallan en la inferencia estadística, en este caso usa la
prueba F, para poder hallar muchas hipótesis

EJERCICIOS RESUELTOS DEL CAPITULO 7 Y 8


EJERCICIOS RESUELTOS CAPITULO N°7

PREGUNTA 7.1. Considere los datos de la 7.5.


Y X2 X3
1 1 2
3 2 1
8 3 -3
Con base a estos datos, estime las siguientes regresiones:

Yt = α1 + α2 X 2t + u1t (1)
Yt = λ1 + λ3 X 3t + u2t (2)
Yt = β1 + β2 X2t + β3 X3t + ut (3)

Nota: Estime sólo los coeficientes y no los errores estándar.


a) ¿Es α2= β2? ¿Por qué?
b) ¿Es λ3 = β3? ¿Por qué?
¿Qué conclusión importante obtiene de este ejercicio?

SOLUCIÓN:

 Los resultados de la regresión son:

a) No es α2= β2, porque el modelo (3) es el modelo verdadero, es un


estimador sesgado de β2.
b) No es λ3 = β3, porque es un estimador sesgado de β3, por la misma
razón como en (a).

La lección aquí es que una ecuación puede conducir a la estimación


sesgada de los parámetros del modelo.

Pregunta 7.2. De los siguientes datos estime los coeficientes de regresión


parcial, sus errores estándar y los valores R2 ajustada y sin ajustar:

Ȳ = 367. 693 ẋ2 = 402. 760 ẋ3 = 8.0


∑(𝑦𝑖 − Ȳ) = 6 6042. 269 ∑(𝑋2¡ − ẋ2 )2 = 84 855. 096

∑(𝑋3¡ − ẋ3 )2 = 280. 00 ∑(𝑦𝑖 − Ȳ)(𝑋2¡ − ẋ2 )2 = 74 778, 346

∑(𝑦𝑖 − Ȳ)(𝑋3¡ − ẋ3 ) = 4 250. 900 ∑(𝑋2¡ − ẋ2 )(𝑋3¡ − ẋ3 ) = 4796. 000

𝑛 = 15

SOLUCION

Utilizando las fórmulas indicadas en el texto, los resultados de la


regresión son los siguientes:

Yt = 53,1612 + 0.727X2i + 2.736X3, se (0,049) (0,849)


R2= 0,9988; R2= 0,9986

Pregunta 7.3. Demuestre que la ecuación (7.4.7) se expresa también


como:

∑ 𝑦𝑖( 𝑥2𝑖 − 𝑏23 𝑥3𝑖 )


𝛽2 =
∑(𝑥2𝑖 − 𝑏23 𝑥3𝑖 )2

𝑐𝑜𝑣𝑎𝑟𝑖𝑎𝑐𝑖𝑜𝑛 𝑛𝑒𝑡𝑎 (𝑑𝑒 𝑥3 )𝑒𝑛𝑡𝑟𝑒 𝑦 𝑦 𝑥2


𝛽2 =
𝑣𝑎𝑟𝑖𝑎𝑐𝑖𝑜𝑛 𝑛𝑒𝑡𝑎 (𝑑𝑒 𝑥3 ) 𝑒𝑛 𝑥2
Donde 𝑏23 es el coeficiente de la pendiente en la regresión de X2 sobre X3.
2
(Sugerencia: Recuerde que 𝑏23 = (∑ 𝑥2𝑖 𝑥3𝑖 / ∑ 𝑥3𝑖 ).)

SOLUCION:

La omisión de la observación y subíndice para mayor comodidad es:

(∑ 𝑦 𝑥2 )(∑ 𝑥32 ) − (∑ 𝑦 𝑥3 ) (∑ 𝑥2 𝑥3 )
𝛽2 =
(∑ 𝑥22 )(∑ 𝑥32 ) − (∑ 𝑥2 𝑥3 )2

(∑ 𝑦 𝑥2 ) − (∑ 𝑦 𝑥3 ) (∑ 𝑥2 𝑥3 )/(∑ 𝑥32 )
𝛽2 =
(∑ 𝑥22 ) − (∑ 𝑥2 𝑥3 )2 /(∑ 𝑥32 )
(∑ 𝑦𝑥2 )−(∑ 𝑦𝑥3 ) 𝑏23 (∑ 𝑥2 𝑥3 )
𝛽2 =
(∑ 𝑥22 )−𝑏23 (∑ 𝑥2 𝑥3 )
, Se usa: 𝑏23 = (∑ 𝑥32 )

∑ 𝑦( 𝑥2 − 𝑏23 𝑥3 )
𝛽2 =
∑ 𝑥2 (𝑥2 − 𝑏23 𝑥3 )
Pregunta 7.4. En un modelo de regresión múltiple se le indica que el término
de error Ui tiene la siguiente distribución de probabilidades: Ui ∼ N (0, 4).
¿Cómo llevaría a cabo un experimento Monte Carlo para verificar que la
verdadera varianza es de hecho 4?

SOLUCION
Ya que se nos dice que es Ui ∼ N (0, 4) generar por ejemplo 25
observaciones de una distribución normal con estos parámetros. La
mayoría de los paquetes de computadoras hacen de manera rutinaria. A
partir de estas 25 observaciones, calcular la varianza de la muestra cómo
∑(𝑥1 −𝑥)2
𝑠2 = , donde 𝑋𝐼= el valor observado de la muestra de 25
24

observaciones. Repetir este ejercicio, decir, 99 veces más, para un total


de 100 experimentos. En total habrá 100 valores de 𝑆 2 . Tomar la media
de estos 100 𝑆 2 valores. Este valor medio debe estar cerca a 𝑜2 = 4. . A
veces es posible que necesite más de100 muestras para la aproximación
a ser bueno.

Pregunta 7.5. Demuestre que 𝑟122 3 = (𝑅 2 − 𝑟123 )/(1 − 𝑟123 ) he interprete la


ecuación.

SOLUCION:

2 2 2
Del texto lo que tenemos 𝑅 2 = 𝑟13 + (1 − 𝑟13 )𝑟12.3 ; por lo tanto

2
𝑅 2 −𝑟13
2
𝑟12.3 = 2 :
1−𝑟13

Este es el coeficiente de determinación parcial y se puede interpretar


como la descripción de la proporción de la variación en la variable
dependiente no explicado por 𝑋3 variable explicativa, pero ha sido
explicado por la adición de la 𝑋2 variable explicativa al modelo.

Pregunta 7.6. Si la relación α1 X1 + α2 X2 + α3 X3 = 0 se cumple para todos los


valores de X1, X2 y X3, encuentre los valores de los tres coeficientes de
correlación parcial.

SOLUCION

α1 X1 + α2 X2 + α3 X3 = 0

La ecuación dada se puede describir como:

α1 α3
X1 = (− ) 𝑋2 + (− ) 𝑋3 ; 0
α2 α1
α1 α3
X2 = (− ) 𝑋1 + (− ) 𝑋3 ; 0
α2 α1
α1 α2
X3 = (− ) 𝑋1 + (− ) 𝑋2 ; 0
α3 α3
Por lo tanto el parcial coeficiente de regresión lineal seria como sigue:

α2 α3
𝛽12,3 = − ( ) ; 𝛽13,2 = − ( )
α1 α1
α1 α2
𝛽21,3 = − ( ) ; 𝛽23.1 = − ( )
α2 α3
α1 α2
𝛽31,2 = − ( ) ; 𝛽32.1 = − ( )
α3 α3
Recordando la pregunta 3.6 es la siguiente:

(−α2 )( α1)
𝑟12.3 = √(𝛽12.3)(𝛽21.3) = √
(α1)(α1)

𝑅12.3 = √1 = ±1

Pregunta 7.7. ¿Es posible obtener los siguientes resultados de un conjunto de


datos?
a) 𝑟2 3 = 0.9, 𝑟1 3 = − 0.2, 𝑟1 2 = 0.8
b) 𝑟1 2 = 0.9, 𝑟2 3 = −0.9, 𝑟3 1 = −0.5
c) 𝑟2 1 = 0.01, 𝑟1 3 = 0.66, 𝑟2 3 = −0.7
SOLUCION

a) FALSO

Un valor r no puede ser superior a 1 en valor absoluto. Ajustar los datos


dados en la ecuación (7.11.2), el lector puede debe verificar que: r =
2.295, que es lógicamente imposible.

b) VERDADERO

Siguiendo el mismo procedimiento que en (a), el lector encontrará que

r = 0,397, que es posible.

c) VEDADERO

Otra vez se puede demostrar que r = 0,880, que es posible.

Pregunta 7.8. Considere e siguiente modelo:

𝑌𝑖 = 𝛽1 + 𝛽2 𝐸𝑑𝑢𝑐𝑎𝑐𝑖ó𝑛 + 𝛽2 𝐴ñ𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑒𝑟𝑖𝑒𝑛𝑐𝑖𝑎 + 𝜇𝑖

Suponga que hace caso omiso de la variable correspondiente a los años


de experiencia. ¿Qué tipos de problemas o de sesgos esperaría que
surgieran? Explique de manera verbal.

SOLUCION

Si dejar de lado los años de experiencia (𝑋3 ) del modelo, el coeficiente

de la educación (𝑋2 ) se hará con preferencia, la naturaleza del sesgo

en función de la correlación entre (𝑋2 ) y (𝑋3 ). El error estándar, la


suma residual de cuadrados, y 𝑅 2 todos serán afectados como
consecuencia de esta omisión. Este es un ejemplo del sesgo de la
variable omitida
Pregunta 7.9. Demuestre que 𝛽2 𝑦 𝛽3 𝑒𝑛 (7.9.2) dan en realidad las
elasticidades producción del trabajo y del capital. (esta pregunta puede
resolverse sin utilizar calculo; solo recuerde la definición del coeficiente de
elasticidad y que un cambio en el logaritmo de una variable es relativo,
suponiendo que los cambios sean pequeños).

SOLUCION

Los coeficientes de las pendientes en los modelos de doble registro dan


estimaciones directas de la elasticidad (constante) de la variable lado
izquierdo con respecto a la variable lado derecho. Aquí:

𝜕 ln 𝑌 𝜕𝑌/ 𝑌
= = 𝛽2
𝜕 ln 𝑋2 𝜕𝑋2 / 𝑋2

𝜕 ln 𝑌 𝜕𝑌/𝑌
= = 𝛽3
𝜕 ln 𝑋3 𝜕𝑋3 /𝑋3

Pregunta 7.10. Considere el modelo de regresión lineal de tres variables


analizando en este capítulo.

a) Suponga que se multiplican todos los valores 𝑋2 por 2. ¿cuál será el


efecto de este escalamiento, si es que produce algún, sobre las
estimaciones de los parámetros y sus errores estándar?
b) Ahora, en lugar de a) suponga que se multiplican todos los valores y
por 2¿Cuál sería el efecto de este, si es que hay alguno, sobre los
parámetros estimados y sus errores estándar?

SOLUCION

(A) y (6) si se multiplica 𝑋 2 por 2, se puede comprobar en las ecuaciones


(7.4.7) y (7.8.8), que las pistas no se verán afectados. Por otra parte, si se
multiplica por 2, la pendiente, así como la intersección coeficiente y sus
errores estándar son multiplicados por 2. Tener siempre en cuenta las
unidades en la que el regresor y los regresores son medidos.
Pregunta 7.11. En general, 𝑅 2 ≠ 𝑟 212 + 𝑟 213 , pero esto sólo se cumple si r23 =
0. Comente y resalte la importancia de este hallazgo. [Sugerencia: Consulte la
ecuación (7.11.5)].

SOLUCIÓN:

Según (7.11.5.) nosotros sabemos para qué;

2 2
𝑟12 + 𝑟13 − 2𝑟12 𝑟13 𝑟3
𝑅2 = 2
1 − 𝑟23

Por lo tanto, cuando 𝑟23 = 0, es decir, hay una correlación entre las
2 2
variables 𝑋2 y 𝑋3 donde 𝑅 2 = 𝑟12 + 𝑟13 , es decir, el coeficiente múltiple
de determinación es la suma de los coeficientes de determinación de la
regresión de Y en 𝑋2 y es ese Y en ese 𝑋3

Pregunta 7.12. Considere los siguientes modelos.


Modelo A: 𝑌𝑡 = 𝛼1 + 𝛼2 𝑋2𝑡 + 𝛼3 𝑋3𝑡 + 𝜇1𝑡
Modelo B: (𝑌𝑡 − 𝑋2𝑡 ) = 𝛽1 + 𝛽2 𝑋2𝑡 + 𝛽3 𝑋3𝑡 + 𝜇2𝑡
a) ¿Serán iguales las estimaciones de MCO de 𝛼1 𝑦 𝛽1 ?¿Porqué?
b) ¿Serán iguales las estimaciones de MCO de 𝛼3 𝑦 𝛽3?¿Porqué?
c) ¿Cuál es la relación entre 𝛼2 𝑦 𝛽2 ?
d) ¿Es posible comparar los términos 𝑅 2 de los dos modelos? ¿Por
qué?
SOLUCION:

A y B son iguales (𝑌𝑡 − 𝑋2𝑡 ) = 𝛽1 + 𝛽2 𝑋2𝑡 + 𝛽3 𝑋3𝑡 + 𝜇2𝑡

𝑃
𝑌 = 𝑃𝑖 + 0 + 𝑃𝑖 𝑋2𝑡 + 𝑃𝑖𝑛 + 𝜇2 = + 3𝑃3𝑋 + 𝜇
𝑃𝑋2𝑡

Donde l=1 + 𝑓𝑖2

Por lo tanto, los dos modelos son similares. Si, las intercepciones en los
modelos son los mismos.

Las estimaciones de la pendiente del coeficiente 𝑋3 en los dos modelos


será el mismo.
C) 𝛼2 𝑦 𝛽2 = (1 + 𝐴) = 2

D) no porque el regresando en los dos modelos son diferentes.

Pregunta 7.13. Suponga que estima la función de consumo

Yi _ α1 + α2Xi + u1i

Y la función de ahorro

Zi _ β1 + β2Xi + u2i

Donde Y = consumo, Z = ahorro, X = ingreso y X = Y + Z, es decir, el


ingreso es igual al consumo más el ahorro.

a) ¿Cuál es la relación, si existe, entre α2 y β2? Muestre sus


cálculos.
Utilizando LA OPERACIÓN, obtenemos:

SOLUCION
∑ 𝒀𝒊 𝑿𝒊 ∑(𝑿𝒊 − 𝒁𝒊)(𝑿𝒊)
∝2= =
∑ 𝒀𝒊 𝑿𝒊 ∑ 𝑿𝒊𝟐
∑ 𝑋𝑖 2 ∑ 𝑍𝑖 𝑋𝑖
= − = 1 − 𝛽2
∑ 𝑋𝑖 2 ∑ 𝑋𝑖 2

Es decir, la pendiente en la regresión de las economías de los ingresos


(es decir, la propensión marginal al ahorro) es uno menos la pendiente
en la regresión de consumo sobre la renta, (es decir, la propensión
marginal a consumir). Dicho de otro modo, la suma de las dos
propensiones marginales es de 1, como debe ser en vista de la
identidad que los ingresos totales son igual
Total, de los gastos de consumo y ahorro total. Por cierto, Tenga en
cuenta que a = ∝ 1 = −𝛽2

b) ¿Será la suma de los residuos al cuadrado, SCR, la misma para


los dos modelos? Explique.

SOLUCION
∑(𝑌𝑡−∝ 1−∝ 2𝑋𝑡)2

(𝑋𝑖 − 𝑌𝑖)𝑝𝑎𝑟𝑎 𝑍𝑖, ∝= −𝛽 𝑦 ∝ 2 = (1 − 𝛽2)


c) ¿Se pueden comparar los términos R2 de los dos modelos? ¿Por
qué?

No, ya que los dos regresiones no son lo mismo.

Pregunta 7.14. En un modelo de regresión múltiple se le indica que el termino


de error ui tiene la siguiente distribución de probabilidades: ui = ~ N (0.4).
¿Cómo llevaría a cabo un experimento monte Carlos para verificar que la
verdadera varianza es de hecho 4?

SOLUCIÓN

a. Como se discutió en segundos. 6.9, Para utilizar el clásico lineal


normal Modelo de regresión (CNLRM), debemos asumir que En U\ ~
N(0, cr2)
Después de estimar el modelo Cobb-Douglas, obtener Los residuos y
los someten a prueba de normalidad, como el Jarque-Bera.

b. No. Como se discutió en segundos. 6.9,

U, □ de lognormal[ea "2,eal {e°2 -1 )]

Pregunta 7.15. Regresión a través del origen. Considere la siguiente regresión


a través del origen:

Yi _ ˆ β2X2i + ˆ β3X3i + ˆui

a) ¿Qué pasos seguiría al estimar las incógnitas?

b) ¿Será ˆu i cero para este modelo? ¿Por qué?

c) ¿Será ˆu i X2i_ ˆui X3i _ 0 para este modelo?

d) ¿Cuándo utilizaría un modelo de este tipo?


e) ¿Puede generalizar los resultados para el modelo de k variables?

SOLUCIÓN:
Considere la siguiente regresión a través del origen:

𝑌𝑖 = 𝛽̂2 𝑋2𝑖 + 𝛽̂3𝑖 𝑋3𝑖 + 𝜇̂ 𝑖

a).

 Expresando en forma de desviaciones

 Elevando al cuadrado

 Sumatoria o matrices

Diferenciando respecto a 𝛽2 e igualando a cero.

𝜇̂ 𝑖 = (𝑦𝑖 − 𝛽̂2 𝑋2𝑖 + 𝛽̂3𝑖 𝑋3𝑖 )

𝜇𝑖 2 = (𝑦𝑖 − 𝛽̂2 𝑋2𝑖 + 𝛽̂3𝑖 𝑋3𝑖 )2

∑ 𝜇𝑖 2 = ∑(𝑦𝑖 − 𝛽̂2 𝑋2𝑖 + 𝛽̂3𝑖 𝑋3𝑖 )2

𝜕 ∑ 𝜇𝑖 2
= ∑ 2(𝑦𝑖 − 𝛽̂2 𝑋2𝑖 + 𝛽̂3𝑖 𝑋3𝑖 )(−𝑋2𝑖 )
𝜕𝛽2

= −2 ∑(𝑦𝑖 − 𝛽̂2 𝑋2𝑖 + 𝛽̂3𝑖 𝑋3𝑖 )(𝑋2𝑖 ) = 0

= ∑(𝜇𝑖 )(𝑋2𝑖 ) = 0 , ↔ ∑(𝜇𝑖 ) ≠ 0

2 ∑ 𝑋2𝑖 𝑦𝑖 + 2𝛽̂2 ∑ 𝑋2𝑖 2 + 2𝛽̂3𝑖 ∑ 𝑋3𝑖 𝑋2𝑖 = 0

2𝛽̂2 ∑ 𝑋2𝑖 2 = 2 ∑ 𝑋2𝑖 𝑦𝑖 −2𝛽̂3𝑖 ∑ 𝑋3𝑖 𝑋2𝑖

̂
∑ 𝑋 𝑦 −𝛽 ∑ 𝑋 𝑋
𝛽̂2 = 2𝑖 𝑖∑ 3 2 3𝑖 2𝑖 ; ↔ 𝑋3𝑖 𝑋2 = 0
𝑋2𝑖

∑ 𝑋2𝑖 𝑦𝑖
𝛽̂2 =
∑ 𝑋2𝑖 2

Análogamente
∑ 𝑋3𝐼 𝑦𝑖
Si ∑(𝜇𝑖 )(𝑋3𝑖 ) = 0 , ↔ 𝑋3𝑖 𝑋2𝑖 = 0 → 𝛽̂2 = ∑ 𝑋3𝑖 2

a) Falso ∑(𝜇𝑖 ) ≠ 0 , para que se regresión respecto al origen.


b) (v) ∑ 𝜇𝑖 𝑋3𝑖 = ∑ 𝜇𝑖 𝑋2𝑖 = 0
c) Cuando regresiones o especificas modelos sin intercepto
∑𝑋 𝑦
d) Si 𝛽̂𝑗 = ∑ 𝑋𝑗 2𝑖 ; = {1, 2, 3, 4, 5 … . 𝑛 𝑟𝑒𝑔𝑟𝑒𝑠𝑒𝑟𝑎𝑠 }
𝑗

Pregunta 7.16. La demanda de rosas.* En la tabla 7.6 se presentan datos


trimestrales sobre estas variables:

Y = cantidad de rosas vendidas, docenas


X2= precio promedio al mayoreo de las rosas, $/docena
X3= precio promedio al mayoreo de los claveles, $/docena
X4= ingreso familiar disponible promedio semanal, $/semana
X5= variable de tendencia que toma valores de 1, 2, y así
sucesivamente, durante el periodo
1971-III a 1975-II en el área metropolitana de Detroit.

Se le pide considerar las siguientes funciones de demanda:

Yt =α1 + α2X2t + α3X3t + α4X4t + α5X5t + ut


lnYt =β1 + β2 lnX2t + β3 lnX3t + β4 lnX4t + β5X5t + ut

TABLA 7.6
DEMANDA TRIMESTRAL DE
ROSAS EN EL ÁREA METROPOLITANA
DE DETROIT, DE
1971-III A 1975-II

a) Estime los parámetros del modelo lineal e interprete los resultados:

𝑌̂𝑡 = 10816.04 − 2227.704𝑋2𝑖 + 1251.141𝑋3𝑖 + 6.283𝑋4𝑖 − 197.399𝑋5𝑖


𝑠𝑒 (5988.384) (1157021) (29.9199) (29.9199) (101.156)
𝑅 2 = 0.835
En este modelo los coeficientes de pendiente miden la velocidad de
cambio de y con respecto a la variable relevante.

b) Estime los parámetros del modelo log-lineal e interprete los resultados:


𝑙𝑛𝑌̂𝑡 = 0.627 − 1.274𝑙𝑛𝑋2𝑖 + 0.937𝑙𝑛𝑋3𝑖 + 1.713𝑙𝑛𝑋4𝑖 − 0.182𝑙𝑛𝑋5𝑖
𝑠𝑒 (6.148) (0,527) (0,659) (1.201) (0,128)
𝑅 2 = 0.778
En este modelo todos los coeficientes de pendiente parciales son
elasticidades parciales de Y con respecto a la variable relevante.

c) β2, β3 y β4 dan respectivamente las elasticidades de la demanda


respecto del precio propio, precio cruzado e ingreso. ¿Cuáles son, a
priori, los signos de estas elasticidades?
¿Concuerdan estos resultados con las expectativas a priori?:

La elasticidad precio propia se pensábamos que ser negativo, se espera


que la elasticidad precio cruzada a ser positivo para los bienes sustitutivos
y negativa para los bienes gratuitos, y se espera que la elasticidad ingreso
de ser positivo, ya que las rosas son un bien normal.

d) ¿Cómo calcularía las elasticidades precio propio, precio cruzado e


ingreso en el modelo lineal?

La fórmula general de la elasticidad de la ecuación lineal es:

𝜕𝑌 𝑥̅̅̅𝐼
Elasticidad = 𝜕𝑋 ̅
, donde Xi es el regresor relevante.
𝐼 𝑌

Es decir, para un modelo lineal, la elasticidad se puede calcular el valor


medio.

e) Con base en el análisis, ¿cuál modelo, si existe, escogería y por


qué?

Ambos modelos dan resultados similares. Una de las ventajas del modelo
lineal de registro es que los coeficientes de pendiente dan estimaciones
directas de la elasticidad de la variable relevante con respecto a la
regresor en consideración. Pero hay que tener en cuenta que el cuadrado
r de los dos modelos no es directamente comparable.

Pregunta 7.17. Actividad de exploración. Reciben el nombre de “pozos de


exploración” los que se perforan para encontrar y producir petróleo o gas
natural en una zona mejorada, o para encontrar una nueva reserva en un
yacimiento donde antes se encontró petróleo o gas natural, o para extender el
límite de una reserva de petróleo o gas conocida. La tabla 7.7 contiene datos
sobre estas variables:*
Y = número de pozos de exploración perforados
X2 = precio en la cabeza del pozo en el periodo anterior (en dólares
constantes, 1972 = 100)
X3 = producción interna
X4 = PNB en dólares constantes (1972 = 100)
X5 = variable de tendencia, 1948 = 1, 1949 = 2,…, 1978 = 31
Vea si el siguiente modelo se ajusta a los datos:
Yt _ β1 + β2X2t + β3 ln X3t + β4X4t + β5X5t + ut
a) ¿Puede ofrecer una justificación a priori para este modelo?
A priori, todas las variables son relevantes para explicar la actividad
salvaje. Con la excepción de la variable de tendencia, se espera que
todos los coeficientes de la pendiente de ser positivo, tendencia puede
ser positivo o negativo.
b) Si el modelo es aceptable, estime los parámetros del modelo y sus
errores estándar, y obtenga 𝑅 2 y ̅𝑅̅̅2̅.
El modelo estimado es:
̂𝑖 = −37.186 + 2.775 𝑋2𝑖 − 24.152 𝑋3𝑖 + 0.011 𝑋4𝑖 + 0.213𝑋5𝑖
𝑌
Se = (12.877) (0.57) (5.587) (0.008) (0.259)
𝑅 2 = 0.656 ; ̅𝑅̅̅2̅ = 0.603

c) Comente sus resultados desde el punto de vista de sus expectativas a


priori.
Precio por barril y variables de salida domésticos son estadísticamente
significativas al nivel del 5 % y tienen los signos esperados. Las otras
variables no son estadísticamente diferentes de cero.
d) ¿Qué otra especificación sugeriría para explicar la actividad de
exploración? ¿Por qué?
El modelo log- lineal puede ser otra especificación. Además de dar
estimaciones directas de las elasticidades, puede capturar linealidades
(en las variables), si los hubiese.
Pregunta 7.18. Desembolsos del presupuesto de defensa de Estados Unidos,
1962-1981. Para explicar el presupuesto de defensa de Estados Unidos,
considere el siguiente modelo:

𝑌𝑡 = 𝛽1 + 𝛽2 𝑋2𝑡 + 𝛽3 𝑋3𝑡 + 𝛽4 𝑋4𝑡 + 𝛽5 𝑋5𝑡 + 𝜇𝑡

Dónde:

𝑌𝑡 = desembolsos del presupuesto de defensa durante el año t, $ miles de


millones.

𝑋2𝑡 = PNB durante el año t, $ miles de millones.

𝑋3𝑡 = ventas militares de Estados Unidos /ayuda en el año t, $ miles de


millones.

𝑋4𝑡 = ventas de la industria aeroespacial, $ miles de millones.

𝑋5𝑡 = conflictos militares que implican a más de 100000 soldados. Esta


variable adquiere el valor de 1 cuando participan 100000 soldados o más,
y es igual a cero cuando el número de soldados no llega a 100000.

Para probar este modelo, se proporcionan datos en la siguiente tabla:

Año Yt X2 X3 X4 X5

1962 51,1 560,3 0,6 16 0


1963 52,3 590,5 0,9 16,4 0
1964 53,6 632,4 1,1 16,7 0
1965 49,6 684,9 1,4 17 1
1966 56,8 749,9 1,6 20,2 1
1967 70,1 793,9 1 23,4 1
1968 80,5 865 0,8 25,6 1
1969 81,2 931,4 1,5 24,6 1
1970 80,3 992,7 1 24,8 1
1971 77,7 1077,6 1,5 21,7 1
1972 78,3 1185,9 2,95 21,5 1
1973 74,5 1326,4 4,8 24,3 0
1974 77,8 1434,2 10,3 26,8 0
1975 85,6 1549,2 16 29,5 0
1976 89,4 1718 14,7 30,4 0
1977 97,5 1918,3 8,3 33,3 0
1978 105,2 2163,9 11 38 0
1979 117,7 2417,8 13 46,2 0
1980 135,9 2633,1 15,3 57,6 0
1981 162,1 2937,7 18 68,9 0
A continuación, nos piden:

a) Estime los parámetros de este modelo y sus errores estándar, y


obtenga 𝑅 2 , 𝑅 2 modificada y Ṝ2 .
b) Comente los resultados, considerando cualquier expectativa a priori
que tenga sobre la relación entre Y y las diversas variables X.
c) ¿Qué otra(s) variable(s) incluiría en el modelo y por qué?

SOLUCIÓN:

a) Estime los parámetros de este modelo y sus errores estándar, y


obtenga 𝑹𝟐 , 𝑹𝟐 modificada y Ṝ𝟐 .

Modelo: 𝑌𝑡 = 𝛽1 + 𝛽2 𝑋2𝑡 + 𝛽3 𝑋3𝑡 + 𝛽4 𝑋4𝑡 + 𝛽5 𝑋5𝑡 + 𝜇𝑡

Tabla de datos:

T Año Yt x2 x3 x4 x5

1 1962 51,1 560,3 0,6 16 0


2 1963 52,3 590,5 0,9 16,4 0
3 1964 53,6 632,4 1,1 16,7 0
4 1965 49,6 684,9 1,4 17 1
5 1966 56,8 749,9 1,6 20,2 1
6 1967 70,1 793,9 1 23,4 1
7 1968 80,5 865 0,8 25,6 1
8 1969 81,2 931,4 1,5 24,6 1
9 1970 80,3 992,7 1 24,8 1
10 1971 77,7 1077,6 1,5 21,7 1
11 1972 78,3 1185,9 2,95 21,5 1
12 1973 74,5 1326,4 4,8 24,3 0
13 1974 77,8 1434,2 10,3 26,8 0
14 1975 85,6 1549,2 16 29,5 0
15 1976 89,4 1718 14,7 30,4 0
16 1977 97,5 1918,3 8,3 33,3 0
17 1978 105,2 2163,9 11 38 0
18 1979 117,7 2417,8 13 46,2 0
19 1980 135,9 2633,1 15,3 57,6 0
20 1981 162,1 2937,7 18 68,9 0
Suma 1677,2 27163,1 125,75 582,9 8
Media 83,86 1358,155 6,2875 29,145 0,4
Entonces:
51,1
52,3
53,6
49,6
56,8
70,1
80,5
81,2
80,3
77,7
78,3
Y= 74,5
77,8
85,6
89,4
97,5
105,2
117,7
135,9
162,1

1 560,3 0,6 16 0
1 590,5 0,9 16,4 0
1 632,4 1,1 16,7 0
1 684,9 1,4 17 1
1 749,9 1,6 20,2 1
1 793,9 1 23,4 1
1 865 0,8 25,6 1
1 931,4 1,5 24,6 1
1 992,7 1 24,8 1
1 1077,6 1,5 21,7 1
X = 1 1185,9 2,95 21,5 1
1 1326,4 4,8 24,3 0
1 1434,2 10,3 26,8 0
1 1549,2 16 29,5 0
1 1718 14,7 30,4 0
1 1918,3 8,3 33,3 0
1 2163,9 11 38 0
1 2417,8 13 46,2 0
1 2633,1 15,3 57,6 0
1 2937,7 18 68,9 0
20 27163,1000 125,7500 582,9000 8
X'Y = 1677,2

27163,1000 46832239,2300 248214,4750 973615,5100 7281,3000


X'X = 125,7500 248214,4750 1540,9425 5028,4350 11,7500
582,9000 973615,5100 5028,4350 20712,5900 178,8000
8 7281,3000 11,7500 178,8000 8

0,487114 -0,000253 0,013302 -0,003283 -0,202777


-0,000253 0,000002 -0,000068 -0,000058 0,000082
(X'X)-1 = 0,013302 -0,000068 0,008780 0,000482 0,025073
-0,003283 -0,000058 0,000482 0,002822 -0,007580
-0,202777 0,000082 0,025073 -0,007580 0,385372

Hallamos:

1677,2
2657079,68
X'Y = 13317,485
56437,61
574,5

Hallamos Y'Y:

Y'Y = 156604,44

Estimador de mínimos cuadrados ordinarios del vector β:

β^ = (X'X)-1X'Y

(X'X)-1 = 0,487114 -0,000253 0,013302 -0,003283 -0,202777


-0,000253 0,000002 -0,000068 -0,000058 0,000082
0,013302 -0,000068 0,008780 0,000482 0,025073
-0,003283 -0,000058 0,000482 0,002822 -0,007580
-0,202777 0,000082 0,025073 -0,007580 0,385372
2657079,7 Operando
13317,485
56437,61
574,5
β^ = 0,487114 -0,000253 0,013302 -0,003283 -0,202777 1677,2
-0,000253 0,000002 -0,000068 -0,000058 0,000082 2657079,68
0,013302 -0,000068 0,008780 0,000482 0,025073 13317,485
-0,003283 -0,000058 0,000482 0,002822 -0,007580 56437,61
-0,202777 0,000082 0,025073 -0,007580 0,385372 574,5

Resultado:

β^ = 19,443464
0,018056
-0,284209
1,343196
6,331823

Modelo:

𝑌𝑡 = 𝛽1 + 𝛽2 𝑋2𝑡 + 𝛽3 𝑋3𝑡 + 𝛽4 𝑋4𝑡 + 𝛽5 𝑋5𝑡 + 𝜇𝑡

Obtenemos:

𝑌𝑡 ^ =19.4434635044165+0.0180563400404556X2t-0.2842088498X3t+1.3431964994181X4t+6.33182288971807X5t+ut
Calculamos los residuos:

u^t =Yt-19.4434635044165-0.0180563400404556X2t+0.284208849867881X3t-1.3431964994181X4t-6.33182288971807X5t

u^t = yt - 19,4434635 - 0,01805634 . x2t + 0,28420885 . x3t - 1,343196499 . x4t - 6,33182289 . x5t
u^1 = 51,1 - 19,4434635 - 0,01805634 . 560,3 + 0,28420885 . 0,6 - 1,343196499 . 16 - 6,33182289 . 0 = 0,21895049
u^2 = 52,3 - 19,4434635 - 0,01805634 . 590,5 + 0,28420885 . 0,9 - 1,343196499 . 16,4 - 6,33182289 . 0 = 0,421633076
u^ 3 = 53,6 - 19,4434635 - 0,01805634 . 632,4 + 0,28420885 . 1,1 - 1,343196499 . 16,7 - 6,33182289 . 0 = 0,618955249
u^ 4 = 49,6 - 19,4434635 - 0,01805634 . 684,9 + 0,28420885 . 1,4 - 1,343196499 . 17 - 6,33182289 . 1 = -10,97852179
u^5 = 56,8 - 19,4434635 - 0,01805634 . 749,9 + 0,28420885 . 1,6 - 1,343196499 . 20,2 - 6,33182289 . 1 = -9,193570919
u^ 6 = 70,1 - 19,4434635 - 0,01805634 . 793,9 + 0,28420885 . 1 - 1,343196499 . 23,4 - 6,33182289 . 1 = -1,156803989
u^ 7 = 80,5 - 19,4434635 - 0,01805634 . 865 + 0,28420885 . 0,8 - 1,343196499 . 25,6 - 6,33182289 . 1 = 4,947516166
u^8 = 81,2 - 19,4434635 - 0,01805634 . 931,4 + 0,28420885 . 1,5 - 1,343196499 . 24,6 - 6,33182289 . 1 = 5,990717881
u^ 9 = 80,3 - 19,4434635 - 0,01805634 . 992,7 + 0,28420885 . 1 - 1,343196499 . 24,8 - 6,33182289 . 1 = 3,573120512
u^ 10 = 77,7 - 19,4434635 - 0,01805634 . 1077,6 + 0,28420885 . 1,5 - 1,343196499 . 21,7 - 6,33182289 . 1 = 3,746150816
u^11 = 78,3 - 19,4434635 - 0,01805634 . 1185,9 + 0,28420885 . 2,95 - 1,343196499 . 21,5 - 6,33182289 . 1 = 3,071391322
u^ 12 = 74,5 - 19,4434635 - 0,01805634 . 1326,4 + 0,28420885 . 4,8 - 1,343196499 . 24,3 - 6,33182289 . 0 = -0,168865391
u^ 13 = 77,8 - 19,4434635 - 0,01805634 . 1434,2 + 0,28420885 . 10,3 - 1,343196499 . 26,8 - 6,33182289 . 0 = -0,610181421
u^14 = 85,6 - 19,4434635 - 0,01805634 . 1549,2 + 0,28420885 . 16 - 1,343196499 . 29,5 - 6,33182289 . 0 = 3,10669937
u^ 15 = 89,4 - 19,4434635 - 0,01805634 . 1718 + 0,28420885 . 14,7 - 1,343196499 . 30,4 - 6,33182289 . 0 = 2,280440817
u^ 16 = 97,5 - 19,4434635 - 0,01805634 . 1918,3 + 0,28420885 . 8,3 - 1,343196499 . 33,3 - 6,33182289 . 0 = 1,049549419
u^17 = 105,2 - 19,4434635 - 0,01805634 . 2163,9 + 0,28420885 . 11 - 1,343196499 . 38 - 6,33182289 . 0 = -1,230747347
u^18 = 117,7 - 19,4434635 - 0,01805634 . 2417,8 + 0,28420885 . 13 - 1,343196499 . 46,2 - 6,33182289 . 0 = -3,761045679
u^ 19 = 135,9 - 19,4434635 - 0,01805634 . 2633,1 + 0,28420885 . 15,3 - 1,343196499 . 57,6 - 6,33182289 . 0 = -4,107335428
u^ 20 = 162,1 - 19,4434635 - 0,01805634 . 2937,7 + 0,28420885 . 18 - 1,343196499 . 68,9 - 6,33182289 . 0 = 2,181946846
Por lo tanto:

u^1 = 0,219
^
u 2 = 0,422
^
u 3 = 0,619
^
u 4 = -11
^
u 5 = -9,19
u^6 = -1,16
^
u 7 = 4,948
^
u 8 = 5,991
^
u 9 = 3,573
^
u 10 = 3,746
u^11 = 3,071
^
u 12 = -0,17
^
u 13 = -0,61
^
u 14 = 3,107
^
u 15 = 2,28
u^16 = 1,05
^
u 17 = -1,23
^
u 18 = -3,76
^
u 19 = -4,11
^
u 20 = 2,182

Hallando la varianza estimada del error:

σ^2 = S^2 = Y'Y-β^'(X'Y)


n-k

Sabemos que:

Y'Y = 156604,44

β^ = 19,44
0,02
-0,28
1,34
6,33

Entonces:
β^' = 19,44 0,02 -0,28 1,34 6,33
X'Y = 1677,2
2657079,68
13317,485
56437,61
574,5

De: X'X = 20 27163,1000 125,7500 582,9000 8


27163,1000 46832239,2300 248214,4750 973615,5100 7281,3000
125,7500 248214,4750 1540,9425 5028,4350 11,7500
582,9000 973615,5100 5028,4350 20712,5900 178,8000
8 7281,3000 11,7500 178,8000 8

Entonces: n = 20

De: Yt=β1+β2X2t+β3X3t+β4X4t+β5X5t+ut

Entonces: k = 5

Operando:

1677,2

2657080
19,44 0,02 -0,28 1,34 6,33 13317,49

56437,61
σ^2 = 156604,4400 -
574,5
20 - 5

σ^2 = 156604,44 - 156247,1965 σ^2 = 23,8162


20 - 5

Entonces:

Var(β^) = 23,8162 0,487114 -0,000253 0,013302 -0,003283 -0,202777


-0,000253 0,000002 -0,000068 -0,000058 0,000082
0,013302 -0,000068 0,008780 0,000482 0,025073
-0,003283 -0,000058 0,000482 0,002822 -0,007580
-0,202777 0,000082 0,025073 -0,007580 0,385372
Var(β^) = 11,601202 -0,006032 0,316795 -0,078180 -4,829378
-0,006032 0,000041 -0,001624 -0,001385 0,001962
0,316795 -0,001624 0,209104 0,011489 0,597138
-0,078180 -0,001385 0,011489 0,067215 -0,180517
-4,829378 0,001962 0,597138 -0,180517 9,178105
Por lo tanto:

Var(β^1) = 11,601202
Var(β^2) = 0,000041
Var(β^3) = 0,209104
Var(β^4) = 0,067215
Var(β^5) = 9,178105

Modelo:

Yt = β1+β2X2t+β3X3t+β4X4t+β5X5t+ut

β^ = 19,443464
0,018056
σ^2 = 23,8162
-0,284209
1,343196
6,331823

Obtenemos:
Yt = 19.4434635044165+0.0180563400404556X2t-
S^2 = 23,8162 0.284208849867881X3t+1.3431964994181X4t+6.33182288971807X5t+ut

S^ = 4,880184423

Además:

S^(β^) = S^2(X'X)-1

Operando:

0,487114 -0,000253 0,013302 -0,003283 -0,202777


^ ^
S (β ) = 23,8162 -0,000253 0,000002 -0,000068 -0,000058 0,000082
0,013302 -0,000068 0,008780 0,000482 0,025073
-0,003283 -0,000058 0,000482 0,002822 -0,007580
-0,202777 0,000082 0,025073 -0,007580 0,385372
S^(β^) = 11,6012 -0,0060 0,3168 -0,0782 -4,8294
-0,0060 0,0000 -0,0016 -0,0014 0,0020
0,3168 -0,0016 0,2091 0,0115 0,5971
-0,0782 -0,0014 0,0115 0,0672 -0,1805
-4,8294 0,0020 0,5971 -0,1805 9,1781
Además:

R2 = β^'X'Y-nȲ2
Y'Y-nȲ2

Tenemos:

β^' = 19,44 0,02 -0,28 1,34 6,33

X'y = 1677,2
2657080
13317,49
56437,61
574,5

n = 20

Yp = 83,86

Yp2 = 7032,5

Y'Y = 156604,4
Operando:

19,44 0,02 -0,28 1,34 6,33 1677,2


2657079,68
13317,485
56437,61
R2 = 574,5 - 20 . 7032,4996
156604 - 20 . 7032,4996

R2 = 156247 - 20 . 7032,5
156604 - 20 . 7032,5

R2 = 0,97761
Análisis:
Este resultado nos indica que es una buena explicación de los
parámetros y de las variables del modelo con un 97%.
Los residuos están desapareciendo.

ADEMÁS: R2 ajustado

R2a = 1 - (n-1) (1-R2)


(n-k)

R2a = 1 - 19 0,022391
15

R2a = 0,97164

ADEMÁS: R2 modificado

R2m = 1 - k R2
n

R2m = 1 - 5 0,977609
20

R2m = 0,7556

b) Comente los resultados, considerando cualquier expectativa a


priori que tenga sobre la relación entre Y y las diversas variables X.

1) TEMA: Desembolsos del presupuesto de defensa de EE.UU

Yt = β1 + β2X2 + β3X3 + β4X4 + β5X5 + µ


Modelo Dado

Sabemos: Y = F(X2, X3, X4. X5)


DESEMBOLSOS DEL PRESUPUESTO DE DEFENSA = F (PNB,
VENTAS/ASISTENCIAS MILITARES DE EE.UU, VENTAS DE LA
INDUSTRIA AEROESPACIAL, CONFLICTOS)

Para responder a la pregunta dada, primeramente, definimos algunos


conceptos sobre lo que hemos estado trabajando con anterioridad, para
que de allí pasemos a responder a la pregunta que nos es dado.

2) DESARROLLO:

El papel de los modelos econométricos en la investigación económica


aplicada

Por ejemplo, sea el modelo estimado: Yt  b0  b1 X t  b2 Zt

El conocimiento de los coeficientes b0, b1 y b2 nos permite realizar

 Un análisis estructural: Se usa el modelo estimado para medir la


relación entre variables económicas. Nos permite evaluar el impacto en
Yt de las variaciones ocurridas en Xt y Zt.
 La predicción: Se usa para predecir el valor futuro de una
variable de interés, por ejemplo, predecimos Yt dados unos hipotéticos
valores futuros para Xt y Zt.

R2 , R2 modificada y Ṝ2

𝑅 2 : Es un indicador del poder explicativo del modelo, indica en qué


proporción la variación de Y es explicado por el modelo de regresión.

𝑅 2 Modificado: Como sabemos, al considerar 𝑅 2 como un indicador del


poder explicativo del modelo, debemos tomar en cuenta que al comparar
2 modelos con diferentes números de variables explicativas, el modelo
con más variables siempre tendrá un 𝑅 2 mayor.

Ṝ2 : Para determinar que tanto mejora el poder explicativo del modelo al


adicionar nuevas variables se propone una modificación en el cálculo del
𝑅 2 al que se denomina Ṝ2 . Este coeficiente es sensible al número de
variables adicionales, de manera que si las variables adicionales no
incrementan de manera significativa el poder explicativo el Ṝ2 se
reducirá.

3) RESPUESTA:

Como podemos a ver visto las diferentes definiciones de los puntos


tocados con anterioridad, pasamos a responder que los resultados que
se llegará a obtener dado cualquier expectativa a priori que tenga sobre
la relación entre Y y las diversas variables de X, es que se modificaran y
ocurrirán un impacto en Y, dado que unos hipotéticos valores en X
varíen.

Pregunta 7.19. Demanda de carne de pollo en Estados Unidos, 1960-1982.


Para estudiar el consumo per cápita de carne de pollo en Estados Unidos se
presentan los datos de la tabla 7.9.
Donde Y = consumo per cápita de carne de pollo, lbs
X2 = ingreso per cápita real disponible, $
X3 = precio real al menudeo del pollo por lb, ¢
X4 = precio real al menudeo del cerdo por lb, ¢
X5 = precio real al menudeo de la carne de res por lb, ¢
X6 = Precio real compuesto de los sustitutos de pollo por lb, ¢, el cual es
un promedio ponderado de los precios reales al menudeo por libra de
carne de cerdo y de res; las ponderaciones son los consumos relativos
de la carne de res y de cerdo en el consumo total de estos productos.
Año Desembolsos PNB Ventas/ Ventas de Conflictos
del (X2) asistencias la industria 100 000+
presupuesto de militares de aeroespacial (X5)
defensa Estados (X4)
(Y ) Unidos
(X3)

1962 51.1 560.3 0.6 16.0 0


1963 52.3 590.5 0.9 16.4 0
1964 53.6 632.4 1.1 16.7 0
1965 49.6 684.9 1.4 17.0 1
1966 56.8 749.9 1.6 20.2 1
1967 70.1 793.9 1.0 23.4 1
1968 80.5 865.0 0.8 25.6 1
1969 81.2 931.4 1.5 24.6 1
1970 80.3 992.7 1.0 24.8 1
1971 77.7 1077.6 1.5 21.7 1
1972 78.3 1185.9 2.95 21.5 1
1973 74.5 1326.4 4.8 24.3 0
1974 77.8 1434.2 10.3 26.8 0
1975 85.6 1549.2 16.0 29.5 0
1976 89.4 1718.0 14.7 30.4 0
1977 97.5 1918.3 8.3 33.3 0
1978 105.2 2163.9 11.0 38.0 0
1979 117.7 2417.8 13.0 46.2 0
1980 135.9 2633.1 15.3 57.6 0
1981 162.1 2937.7 18.0 68.9 0

Y X2 X3 X4 X5 X6
Año

1960 27.8 397.5 42.2 50.7 78.3 65.8


1961 29.9 413.3 38.1 52.0 79.2 66.9
1962 29.8 439.2 40.3 54.0 79.2 67.8
1963 30.8 459.7 39.5 55.3 79.2 69.6
1964 31.2 492.9 37.3 54.7 77.4 68.7
1965 33.3 528.6 38.1 63.7 80.2 73.6
1966 35.6 560.3 39.3 69.8 80.4 76.3
1967 36.4 624.6 37.8 65.9 83.9 77.2
1968 36.7 666.4 38.4 64.5 85.5 78.1
1969 38.4 717.8 40.1 70.0 93.7 84.7
1970 40.4 768.2 38.6 73.2 106.1 93.3
1971 40.3 843.3 39.8 67.8 104.8 89.7
1972 41.8 911.6 39.7 79.1 114.0 100.7
1973 40.4 931.1 52.1 95.4 124.1 113.5
1974 40.7 1 021.5 48.9 94.2 127.6 115.3
1975 40.1 1 165.9 58.3 123.5 142.9 136.7
1976 42.7 1 349.6 57.9 129.9 143.6 139.2
1977 44.1 1 449.4 56.5 117.6 139.2 132.0
1978 46.7 1 575.5 63.7 130.9 165.5 132.1
1979 50.6 1759.1 61.6 129.8 203.3 154.4
1980 50.1 1994.2 58.9 128.0 219.6 174.9
1981 51.7 2258.1 66.4 141.0 221.6 180.8
1982 52.9 70.4 168.2 232.6 189.4
2478.7
Nota: Los precios reales se obtuvieron al dividir los precios nominales entre el
Índice de Precios al Consumidor correspondiente a alimentos.

Ahora considere las siguientes funciones de demanda:

ln Yt = α1 + α2 ln X 2t + α3 ln X 3t + u t (1)

ln Yt = γ1 + γ2 ln X 2t + γ3 ln X 3t + γ4 ln X 4t + u t (2)

ln Yt = λ1 + λ2 ln X 2t + λ3 ln X 3t + λ4 ln X 5t + u t (3)

ln Yt = θ1 + θ2 ln X 2t + θ3 ln X 3t + θ4 ln X 4t + θ5 ln X 5t + u t (4)

ln Yt = β1 + β2 ln X 2t + β3 ln X 3t + β4 ln X 6t + u t (5)

De la teoría microeconómica, se sabe que la demanda de un bien suele


depender del ingreso real del consumidor, del precio real del bien y de
los precios reales de los bienes complementarios o que compiten con él.
Ante estas consideraciones, responda las siguientes preguntas.

SOLUCIÓN:

(1)

Coeffi Std. t- Prob


Variable cient Error Statistic .

2.032 0.1162 16.834 0.00


C 8 13 43 00
0.451 0.0247 16.998 0.00
LNX2 582 95 48 00
- 0.0635 - 0.00
LNX3 0.377 30 5.4043 00
273 77

0.978 Mean dependent 3.66


R-squared 214 var 4043
Adjusted R- 0.980 0.18
squared 135 S.D. dependent var 7366
-
0.029 4.12
S.E. of regression 005 Akaike info criterion 1556
-
Sum squared 0.016 3.97
resid 826 Schwarz criterion 3448
-
50.39 Hannan-Quinn 4.08
Log likelihood 790 criter. 4308
449.0 1.62
F-statistic 012 Durbin-Watson stat 6911
0.000
Prob(F-statistic) 000

Ln Yt = α1 + α2 ln X 2t + α3 ln X 3t + u t

∝1 = 2,0328 𝑅 2 = 0,9782

∝2 = 0,4515 ̅𝑅̅̅2̅ = 0,9801

∝3 = −0,3772 𝑛 = 23

𝐾=3

a) Entre las funciones de demanda que aquí se dan, ¿cuál


escogería y por qué?
a. 1) Tomando logaritmos a los parámetros pasamos los
indicadores precio de pollo, X 3; ingreso real X 1, X y precio del
cerdo y X 5 precio de carne de res en términos relativos que se
presta para la interpretación en términos de elasticidad de los
coeficientes.

Si 𝑒(𝑦 − 𝑦) > 0 → bien normal


Elasticidad
ingreso
𝑒(𝑦 − 𝑦) > 0 → Bien inferior
𝑒(𝑦 − 𝑦) > 0 → ∅

Yt = β1 + β2X 2t + β3X 3t + β4X 4t + β5X 5t + β6X 6t+ u t

Ln Yt = β1 + β2 ln X 2t + β3 ln X 3t + β4 ln X 4t + β5 ln X 5t + β6 ln X 6t
+ ut

𝑒 𝑝𝑜𝑙𝑙𝑜 − 𝑟𝑒𝑠 > 0 𝑐𝑜𝑚𝑝𝑖𝑡𝑎𝑛 𝐸𝑙𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑

𝑒 𝑝𝑜𝑙𝑙𝑜 − 𝑟𝑒𝑠 < 0 𝑠𝑜𝑛 𝑐𝑜𝑚𝑝𝑙𝑒𝑚𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠 𝑝𝑟𝑒𝑐𝑖𝑜 𝑐𝑟𝑢𝑧𝑎𝑑𝑎

𝑒 𝑝𝑜𝑙𝑙𝑜 − 𝑟𝑒𝑠 = 0 𝑛𝑜 𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑑𝑜𝑠 𝑑𝑒 𝑝𝑜𝑙𝑙𝑜 − 𝑟𝑒𝑠

𝑒 𝑝𝑜𝑙𝑙𝑜 − 𝑐𝑒𝑟𝑑𝑜 < 0 Compitan 𝐸𝑙𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑

𝑒 𝑝𝑜𝑙𝑙𝑜 − 𝑐𝑒𝑟𝑑𝑜 > 0 𝑠𝑜𝑛 𝑐𝑜𝑚𝑝𝑙𝑒𝑚𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠 𝑝𝑟𝑒𝑐𝑖𝑜 𝑐𝑟𝑢𝑧𝑎𝑑𝑎

𝑒 𝑝𝑜𝑙𝑙𝑜 − 𝑐𝑒𝑟𝑑𝑜 = 0 𝑛𝑜 𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑑𝑜𝑠 𝑑𝑒 𝑝𝑜𝑙𝑙𝑜 − 𝑐𝑒𝑟𝑑𝑜

(2)

Coeffi Std. t- Prob


Variable cient Error Statistic .

2.075 0.1422 14.590 0.00


C 943 81 40 00
0.411 0.0471 8.7139 0.00
LNX2 085 75 62 00
- -
0.420 0.0892 4.7142 0.00
LNX3 743 48 98 02
0.093 0.0932 1.0066 0.32
LNX4 889 72 22 68

0.979 Mean dependent 3.66


R-squared 317 var 4043
Adjusted R- 0.976 0.18
squared 051 S.D. dependent var 7366
0.028 -
S.E. of regression 996 Akaike info criterion 4.08
6557
-
Sum squared 0.015 3.88
resid 974 Schwarz criterion 9080
-
50.99 Hannan-Quinn 4.03
Log likelihood 541 criter. 6892
299.8 1.55
F-statistic 707 Durbin-Watson stat 6665
0.000
Prob(F-statistic) 000

Ln Yt = γ1 + γ2 ln X 2t + γ3 ln X 3t + γ4 ln X 4t + u t

𝑦1 = 2,0759 𝑅 2 = 0,9782

𝑦2 = 0,4110 ̅𝑅̅̅2̅ = 0,9801

𝑦3 = −0,4207 𝑛 = 23

𝑦4 = 0,0938 𝐾=4

a. 2) Elegiría el modelo restringido (1)

ln Yt = α1 + α2 ln X 2t + α3 ln X 3t + u t por qué tienen en alto 𝑅 2 =

0, 9782 = 97.82%

̅̅̅̅
y 𝑅 2 = 98.01 , que menciona que casi un 98% la de manda de pollos es

explicativa solo por los precios relativos de pollo y cerdo, con


elasticidades significativas

∝2 = 0,4515

∝3 = −0,3772

Son variables significativas


(3)

Coeffi Std. t- Prob


Variable cient Error Statistic .

1.996 0.1240 16.092 0.00


C 699 78 24 00
LNX2 0.450545 0.054646 8.244857 0.0000
LNX3 -0.361037 0.079167 -4.560458 0.0002
LNX5 -0.000324 0.094601 -0.003427 0.9973

R-squared 0.978214 Mean dependent var 3.664043


Adjusted R-squared 0.974774 S.D. dependent var 0.187366
S.E. of regression 0.029759 Akaike info criterion -4.034600
Sum squared resid 0.016826 Schwarz criterion -3.837123
Log likelihood 50.39790 Hannan-Quinn criter. -3.984935
F-statistic 284.3676 Durbin-Watson stat 1.627085
Prob(F-statistic) 0.000000

ln Yt = λ1 + λ2 ln X 2t + λ3 ln X 3t + λ4 ln X 5t + u t

𝜆1 = 1,9966 𝑅 2 = 0,9782

𝜆2 = 0,4505 ̅𝑅̅̅2̅ = 0,9801

𝜆3 = −0,3610 𝑛 = 23

𝜆4 = 0,0003 𝐾=4

b) ¿Cómo interpretaría los coeficientes de ln X2t y ln X3t en estos


modelos?

Coeficiente Ln X2t Coeficiente Ln X3t

Modelo (1) ∝2 = 0,4515 ∝3 = −0,3772

Modelo (1) ∝2 = 0,4110 ∝3 = −0,4207

Modelo (2) 𝜆2 = 0,4505 𝜆3 = −0,3610

Modelo (3) 𝜃2 = 0,3462 𝜃3 = −0,5046


Modelo (4) 𝛽2 = 0,4928 𝛽3 = −0,3308

Los coeficientes se interpretarían como elasticidades precio de pollo –


demanda (ed pollo) y elasticidad precio de carne de cerdo demanda (ed
cerdo), en este caso se ve que el pollo es (+) y cerdo (-).

c) ¿Cuál es la diferencia entre las especificaciones (2) y (4)?


Coeficiente (2) = Ln Yt = γ1 + γ2 ln X 2t + γ3 ln X 3t + γ4 ln X 4t + u t

𝑅 2 = 0,9793 = 97.93%

Coeficiente (4) Ln Yt = θ1 + θ2 ln X 2t + θ3 ln X 3t + θ4 ln X 4t + θ5 ln X 5t
+ ut

𝑅 2 = 98.2%

En la especificación omite la variable X 5 (precio real de la carne de res)


y sustituto X 6 haciendo que el modelo (demanda de pollos) n este en
función 2X 2, X 3 y X 4.

La especialización (4) adapta la demanda de X 4xy X5 haciendo

u=𝑅 2 = 98.23%

Respectivamente.

(4)

Variable Coefficient Std. Error t-Statistic Prob.

C 2.1898 0.155750 13.20874 0.0000


LNX2 0.3462539 0.083368 4.351917 0.0004
LNX3 -0.504643 0.110944 -3.897116 0.0011
LNX4 0.148586 0.099767 1.095489 0.2877
LNX5 0.091103 0.100722 0.477486 0.6388

R-squared 0.982375 Mean dependent var 3.664043


Adjusted R-squared 0.975037 S.D. dependent var 0.187366
S.E. of regression 0.029604 Akaike info criterion -4.012187
Sum squared resid 0.015775 Schwarz criterion -3.765341
Log likelihood 51.14015 Hannan-Quinn criter. -3.950106
F-statistic 215.8218 Durbin-Watson stat 1.562520
Prob(F-statistic) 0.000000

Ln Yt = θ1 + θ2 ln X 2t + θ3 ln X 3t + θ4 ln X 4t + θ5 ln X 5t + u t

𝜃1 = 2,1898 𝑅 2 = 0,9823
𝜃2 = 0,3462 ̅𝑅̅̅2̅ = 0,9750
𝜃3 = −0,5046
𝑛 = 23
𝜃4 = 0,1485
𝐾=4
𝜃5 = 0,0911

d) ¿Qué problemas prevé si adopta la especificación (4)? (Sugerencia:


Los precios de la carne de cerdo y de res se incluyen con el del pollo.)

Con la eficiencia (4), los precios reales de la carne de cerdo y res puedan ser
sustitutos o complementarios efecto al precio real del pollo, el promedio (𝑋6)
seria la variable que mejor explique a (𝑋4 , 𝑋5 ).

e) Como la especificación (5) incluye el precio compuesto de la carne de


res y de cerdo, ¿preferiría la función de demanda (5) a la función (4)?
¿Por qué?
Si la especificación (5) permite calcular claramente la elasticidad precio
cesada del precio real del pollo con respecto a las otras carnes.

f) ¿La carne de cerdo y la de res son productos que compiten con el pollo
o que lo sustituyen? ¿Cómo sabe?
g) Suponga que la función (5) es la de demanda “correcta”. Estime los
parámetros de este modelo obtenga sus errores estándar así como R2,
R¯ 2 y R2 modificada. Interprete sus resultados.

h) Ahora suponga que corre el modelo “incorrecto” (2). Evalúe las


consecuencias de esta mala especificación considerando los valores
de γ2 y γ3 en relación con β2 y β3, respectivamente. (Sugerencia:
Preste atención al análisis de la sección 7.7.)
(5)

Variable Coefficient Std. Error t-Statistic Prob.

C 1.995201 0.120369 16.57567 0.0000


LNX2 0.492846 0.070223 7.018271 0.0000
LNX3 -0.330805 0.082159 -4.026425 0.0007
LNX6 -0.087278 0.133339 -0.654557 0.5206

R-squared 0.978694 Mean dependent var 3.664043


Adjusted R-squared 0.975330 S.D. dependent var 0.187366
S.E. of regression 0.029429 Akaike info criterion -4.056899
Sum squared resid 0.016455 Schwarz criterion -3.859422
Log likelihood 50.65434 Hannan-Quinn criter. -4.007234
F-statistic 290.9226 Durbin-Watson stat 1.673438
Prob(F-statistic) 0.000000

Ln Yt = β1 + β2 ln X 2t + β3 ln X 3t + β4 ln X 6t + u t

𝛽1 = 1,9952 𝑅 2 = 0,9786

𝛽2 = 0,4928 ̅𝑅̅̅2̅ = 0,9753

𝛽3 = −0,3308 𝑛 = 23

𝛽4 = 0,0873 𝐾=4
Pregunta 7.20. En un estudio de rotación de empleados en el mercado
laboral, James F. Ragan, Jr., obtuvo los siguientes resultados para la
economía de Estados Unidos de 1950-I a 1979-IV.* (Las cifras entre
paréntesis son los estadísticos t estimados.)

𝑙𝑛𝑌𝑡 = 4.47 − 0.34𝑙𝑛𝑋2𝑡 + 1.22𝑙𝑛𝑋3𝑡 + 1.22𝑙𝑛𝑋4𝑡 + 0.80𝑙𝑛𝑋5𝑡 − 0.0055𝑋6𝑡

(4.28) (-5.31) (3.64) (3.10) (1.10) (-3.09)

𝑅 2 = 0.5370

Nota: Estudiaremos los estadísticos t en el próximo capítulo. Donde:


Y = tasa de renuncias laborales en el sector manufacturero, definida
como el número de personas que deja su trabajo voluntariamente por
cada 100 empleados
X2 = variable instrumental o “representante” de la tasa de desempleo de
hombres adultos
X3 = porcentaje de empleados menores de 25 años
X4 = Nt−1/Nt−4 = tasa de empleo en el sector manufacturero, en el
trimestre
(t − 1), respecto de la del trimestre (t − 4)
X5 = porcentaje de mujeres empleadas
X6 = tendencia de tiempo (1950-I = 1)

a) Interprete los resultados anteriores.


b) ¿Puede justificarse a priori la relación negativa observada entre los
logaritmos de Y y X2?
c) ¿Por qué es positivo el coeficiente de lnX3?
d) ¿Cómo el coeficiente de tendencia es negativo?, ¿de qué porcentaje
es el descenso temporal en la tasa de retiro laboral, y por qué se
presenta dicho descenso?
e) ¿Es la? ¿R² “muy” baja?
f) ¿Puede estimar los errores estándar de los coeficientes de regresión
a partir de los datos dados? ¿Por qué?
SOLUCIÓN.
a) Interprete los resultados anteriores
Ceteris paribus, en promedio , un aumento de 1% la tasa de
desempleo conduce a un aumento del 0,34 % en la tasa total, un
aumento del 1 % en el porcentaje de empleados menores de 25
conduce a un aumento de 1.22 % en la tasa total, y el aumento del 1
% en el empleo industrial en relación conduce a un aumento de 1.22
% en la tasa total, un aumento del 1 % en el porcentaje de mujeres
empleadas conduce a un aumento de 0.80 % en la tasa total, y que
durante el período de tiempo de estudio , la tasa total declinó a razón
de 0,54 % por año.
b) ¿Puede justificarse a priori la relación negativa observada entre los
logaritmos de Y y X2?
Si, se espera que se relacionen negativamente la tasa total de
renuncias y la tasa de desempleo.
c) ¿Por qué es positivo el coeficiente de lnX3?
A medida que se contratan personas de menos de 25 años de edad,
la expectativa que incrementarse la tasa total es alta debido a la
rotación entre los trabajadores más jóvenes.
d) ¿Cómo el coeficiente de tendencia es negativo?, ¿de qué porcentaje
es el descenso temporal en la tasa de retiro laboral, y por qué se
presenta dicho descenso?

La disminución de la tasa es de 0,54 %. Dado que las condiciones


de trabajo y las pensiones de beneficios han aumentado con el
tiempo, la tasa total probablemente va a disminuir.
e) ¿Es la? ¿R² “muy” baja?
No es bajo, solo es relativamente bajo.
f) ¿Puede estimar los errores estándar de los coeficientes de regresión
a partir de los datos dados? ¿Por qué?
Puesto que se dan los valores de T, podemos calcular fácilmente los
errores estándar. Bajo la Hipótesis nula de que el verdadero B es
cero, tenemos la relación:

𝐵̂𝑖 𝐵̂𝑖
𝑡= − −→ 𝑠𝑒(𝐵̂𝑖 ) =
𝑠𝑒(𝐵̂𝑖 ) 𝑡

Pregunta 7.21. En un estudio de rotación de empleados en el mercado laboral,


James F. Ragan, Jr., obtuvo los siguientes resultados para la economía de
Estados Unidos de 1950-I a 1979-IV.* (Las cifras entre paréntesis son los
estadísticos t estimados.)

ln̂
𝑌𝑡 = 4.47 −0.34 ln X2t + 1.22 ln X3t + 1.22 ln X4t
(4.28) (−5.31) (3.64) (3.10)

+ 0.80 ln X5t − 0.0055 X6t R̄ 2 = 0.5370


(1.10) (−3.09)

Nota: Estudiaremos los estadísticos t en el próximo capítulo.

Donde Y = tasa de renuncias laborales en el sector manufacturero,


definida como el número de personas que deja su trabajo
voluntariamente por cada 100 empleados
X2 = variable instrumental o “representante” de la tasa de desempleo
de hombres adultos
X3 = porcentaje de empleados menores de 25 años
X4 = Nt−1/Nt−4 = tasa de empleo en el sector manufacturero, en el
trimestre (t − 1), respecto de la del trimestre (t − 4)
X5 = porcentaje de mujeres empleadas
X6 = tendencia de tiempo (1950-I = 1)

a) Interprete los resultados anteriores.


SOLUCION
A priori, teniendo en cuenta una muestra con datos de series
de:

𝑡 = 5% 𝑛 − 𝑘 𝑔𝑙 Tiempo con 𝑛 = 1979 − 1950 + 1 𝑛 − 𝑘 = 30 − 6 =


24

𝑘 = # 𝑟𝑒𝑔𝑟𝑒𝑠𝑖𝑜𝑛𝑒𝑠 𝑛 = 30 , 𝑘 = 30, 𝑘 = 4 + 2 = 6

K = X2t + X3t + X 4t = 3+3=6

Se estudia los signos a prevenir de los coeficientes de las regresiones


Xit

∀𝑖{1,2,3 … .6}

̂
𝐿𝑛 𝑌𝑡 = f( LnX1t ; LnX2t ; LnX3t ; LnX4t), se toma logaritmos para ajustar
cumplir la condición de una MCO, linealidad en los parámetros.

̂
𝐿𝑛 𝑌𝑡 = 4,47 – 0,34 LnX2t + 1,22 LnX3t + 1,22 LnX4t + 8 LnX5t +- 0,005
LnX6t

̂1 , 𝛽
{𝛽 ̂2, 𝛽̂ ̂ ̂ ̂
3 , 𝛽4 , 𝛽5 , 𝛽6 } Miden los cambios marginales de Xit con respecto a

Yt manteniendo las demás regresiones, tenemos:

A priori:

̂
𝐿𝑛 𝑌𝑡 = f (LnX2t; LnX3t; LnX4t; LnX5t, LnX6t),

Rotación = f (tasa de desempleo; tasa de empleados; tasa de empleo; ect)

𝑦̂𝑡 = 𝑓(𝑥2 𝑡) → 𝑠𝑒 𝑒𝑠𝑝𝑒𝑟𝑎 𝑞𝑢𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑥2 𝑡 𝑡𝑒𝑛𝑔𝑎 𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛 𝑑𝑖𝑟𝑎𝑐𝑡𝑎 𝑐𝑜𝑛 𝑌𝑡

𝑦̂𝑡 = 𝑓(𝑥3 𝑡) → 𝑎𝑙 𝑡𝑒𝑛𝑒𝑟 𝑢𝑛𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜𝑠 𝑚𝑒𝑛𝑜𝑟𝑒𝑠 𝑑𝑒 25 𝑎ñ𝑜𝑠

𝑦̂𝑡 = 𝑓(𝑥4 𝑡) → 𝑚𝑎𝑠 𝑡𝑎𝑠𝑎 𝑑𝑒 𝑒𝑚𝑝𝑙𝑒𝑜 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎 𝑒𝑠𝑡𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑙𝑎𝑏𝑜𝑟𝑎𝑙.

𝑦̂𝑡 = 𝑓(𝑥5 𝑡) → 𝑎 𝑝𝑟𝑖𝑜𝑟𝑖 𝑑𝑒𝑏𝑒 𝑡𝑒𝑛𝑒𝑟 𝑢𝑛𝑎 𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛 𝑑𝑖𝑟𝑒𝑐𝑡𝑎.


𝑦̂𝑡 = 𝑓(𝑥6 𝑡)
→ 𝑙𝑎 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝑑𝑒𝑝𝑒𝑛𝑑𝑒𝑟𝑎 𝑑𝑒𝑙 𝑝𝑎𝑛𝑜𝑟𝑎𝑚𝑎 𝑒𝑐𝑜𝑛𝑜𝑚𝑖𝑐𝑜 𝑒𝑛 𝑒𝑠𝑒 𝑝𝑒𝑟𝑖𝑜𝑑𝑜

b) ¿Puede justificarse a priori la relación negativa observada entre los


logaritmos de Y y X2?

SOLUCION
Tomando logaritmos a los parámetros pasamos los indicadores
precio de pollo, X 3; ingreso real X 1, X y precio del cerdo y X 5
precio de carne de res en términos relativos que se presta para la
interpretación en términos de elasticidad de las coeficientes.

Si 𝑒(𝑦 − 𝑦) > 0 → bien normal


Elasticidad
𝑒(𝑦 − 𝑦) > 0 → Bien inferior ingreso

𝑒(𝑦 − 𝑦) > 0 → ∅

c) ¿Por qué es positivo el coeficiente de ln X3?

𝛽̂
3 , 1,22 ln 𝑋3𝑡

𝛽̂
3 = + 1,22

Porque es posible que a posterior, la variable 𝑋3𝑡 este influye


̂
positivamente en 𝑌𝑡 contradiciendo la teoría Económica hay que

validarlo usando pruebas de significancias de los coeficientes.

d) Como el coeficiente de tendencia es negativo, ¿de qué porcentaje es


el descenso temporal en la tasa de retiro laboral, y por qué se
presenta dicho descenso?
SOLUCION
̂6
𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 = 𝛽

𝛽̂
3 = −0,0055

−0,5% = 𝑇𝐴𝑀

𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑟𝑒𝑡𝑖𝑟𝑜 𝑙𝑎𝑏𝑜𝑟𝑎𝑙 𝑞𝑢𝑒 𝑑𝑒𝑝𝑒𝑛𝑑𝑒 𝑑𝑒𝑙 𝑝𝑎𝑛𝑜𝑟𝑎𝑚𝑎 𝑚𝑎𝑐𝑟𝑜𝑒𝑐𝑜𝑛𝑜𝑚𝑖𝑐𝑜 𝑑𝑒 𝑈𝑆𝐴 𝑒𝑛 𝑒𝑙 𝑡.

e) ¿Es la R̄ 2 “muy” baja?

𝑅 2 𝑒𝑠 𝑚𝑢𝑦 𝑙𝑎𝑗𝑎

𝑅 2 𝑒𝑠 𝑙𝑎 𝑅 2 𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑎, 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎 𝑞𝑢𝑒 𝑒𝑠 𝑙𝑎 𝑝𝑒𝑢𝑒𝑏𝑎 𝑑𝑒 𝑏𝑜𝑛𝑑𝑎𝑑

𝑑𝑒 𝑎𝑗𝑢𝑠𝑡𝑒 𝑑𝑒 𝑝𝑟𝑢𝑒𝑏𝑎 𝑦 𝑎𝑢𝑛 𝑎𝑠𝑖 𝑒𝑠 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑎𝑚𝑒𝑛𝑡𝑒 𝑏𝑎𝑗𝑎.

𝑅 2 = 0, 5370, significa solo el 53.70% de la regresión es explicativa las


variables.

- El resultado baja se debe a que el signo de las coeficientes no son las


esperadas, (no son significativas).
- n → 30 demasiados años.

f) ¿Puede estimar los errores estándar de los coeficientes de regresión a


partir de los datos dados? ¿Por qué?

SOLUCION
Si recuerda que t calculado o estimado se da por

̂𝑖 − 𝛽𝑖
𝛽
𝑡= ̂𝑖 ) , 𝛽𝑖 = 0
𝑒𝑒 (𝛽

̂
𝛽 𝑖
𝑡=
̂)
𝑒𝑒 (𝛽 𝑖

̂
𝛽
𝑒𝑒(𝛽𝑖 ) = 𝑖
𝑡𝑖
𝛽̂𝑖 = -0,37

𝑡̂𝑖 = (-5,37)
Ejm:

̂)= −0,37
𝑒𝑒(𝛽 2 −5,31

̂ ) = 𝛿 = 0,0696
𝑒𝑒(𝛽 2

Pregunta 7.22. La tabla 7.11 suministra datos sobre el sector manufacturero


de la economía griega de 1961 a 1987.
a) Vea si la función producción de Cobb-Douglas se ajusta a los datos
de la tabla e interprete los resultados. ¿A qué conclusión general llega?
b) Ahora considere el siguiente modelo:
Producción/trabajo _ A(K)L)βeu
Donde la variable regresada representa la productividad del trabajo, y
la regresora, la razón capital-trabajo. ¿Cuál es la importancia
económica de dicha relación, si existe alguna? Estime los parámetros
de este modelo e interprete los resultados.
SOLUCIÓN:
Los resultados de colocación de la función de producción Cobb-
Douglas, obtenida de decisivo3 son los siguientes:
Variable dependiente: LOG(SALIDA)

Muestra: 1961 1987 observaciones incluidas: 27

Variable Coeficiente Ets. Error T-Statistic Prob.

C -11.93660 3,211064 -3.717335 0,0011

LOG(TRABAJO) 2,328402 0,599490 3,883972 0,0007

LOG(CAPITAL) 0,971395
0,139810 0,165391 4,493912
R-cuadrado ajustado r- Significa S. D. 0,845330 0,4063
squared S. E. de suma dependentvar dependiente
0,969011 0,461432
de regresión squared var Akaike info criterion
resid Log probabilidad 0,081229 Schwarz criterion F- -2.078645
Durbin-Watson stat statistic Prob(F-statistic)
0,158356 -1.934663

31,06171
Variable dependiente: LOG(PRODUCTIVIDAD) 407,5017

0,373792 0,000000

Fecha: 07/29/00 Hora: 18:11 Muestra: 1961 1987 observaciones incluidas:


27

Variable Coeficiente Ets. Error t-statistic Prob.


C -1.155956 0,074217 0,044535 0,0000
LOG(CLRATIO) 0,680756 15,28571 -15.57533 0,0000
R-cuadrado ajustado 0,903345 Significa S. D. -2.254332
r-squared S. E. de 0,899479 dependentvar 0,304336
suma de regresión 0,096490 dependiente var Akaike -1.767569
squared resid Log 0,232758 info criterion Schwarz -1.671581
probabilidad Durbin- 25,86218 criterion F-statistic 233,6528
Watson stat 0,263803 Prob(F-statistic) 0,000000
a) La producción estimada/trabajo y producción/capital las
elasticidades son positivas, lo que uno puede esperar. Pero,
como veremos en el capítulo siguiente, los resultados no tienen
sentido desde un punto de vista económico en el sentido de que
el capital no tiene entrada en la salida, lo que, de ser cierto, sería
muy sorprendente. Como veremos, quizás puede ser el
problema con los datos.

b) Los resultados de la regresión son los siguientes:


La elasticidad de la producción/relación laboral (es decir,
productividad de la mano de obra) con respecto a relación capital-
trabajo es de 0,68, lo que significa que, si el segundo aumenta en
un 1 %, la productividad de la mano de obra, en promedio,
alrededor de 0,68 %. Una de las principales características de los
países desarrollados.

Pregunta 7.23. Experimento Montecarlo considere el siguiente modelo:

𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 + 𝑈𝑖

Los resultados de la regresión son los siguientes: en cuenta que hemos


utilizado todas las 528 observaciones en la estimación de la regresión
variable dependiente: log (salario) muestra: 1528 observaciones
incluidas: 528.

VARIABLE COEFICIENTE STD. ERROR T-ESTADISTICO PROB.


C 4.661661 1.954190 2.385470 0.0174

Log(educación) -3.165721 1.566685 -2.020650 0.0438

[log(educación)]2 0.836412 0.313436 2.668524 0.0079


Signicado de var dependientes 2.063647
R-cuadrado 0.157696
S.D variables dependientes
R-cuadrado 0.154488 0.521224
ajustado Criterio de información akaike
0.479275
S.E de regresión Criterio de schwarz 1.372579
120.5946
Suma al cuadrado F-estadística
-359.3609 1.396835
Logaritmo de Prob(f- estadísticos)
verosimilitud 49.14535
1.909008
Durbin- Watson
stat 0.000000

Ya que este es un modelo de registro doble de los coeficientes de las


pendientes miden la elasticidad. los resultados sugieren que el cambio
de porcentaje considerable de los salarios por hora disminuye a medida
que aumenta el nivel de educación, pero disminuye a un ritmo más
rápido, es decir, se hace menos negativo.

 aquí esto no será capaz de estimar el modelo debido a la linealidad


perfecta. esto es fácil de ver log(educacion2) = 2 log(educación).
Debido a las propiedades de los logaritmos.

Pregunta 7.24. La tabla 7.12 presenta datos del gasto de consumo real,
ingreso real, riqueza real y tasas de interés real de estados unidos de
1947 a 2000. Estos datos de volverán a usar en el ejercicio 8.35.
a) Con los datos de la tabla, estime la función del consumo usando los
datos de ingreso, riqueza y tasa de interés. ¿Cuál es la ecuación
ajustada?

SOLUCIÓN.
La ecuación ajustada es
Función Consumo Privado:
Ct = α0 + α1Yt + α2Ct-1 + u1t α1>0 ; 0< α2
b) ¿que indican los coeficientes estimados sobre las relaciones entre
las variables y el gasto de consumo?
GASTO DE CONSUMO REAL, INGRESO REAL, RIQUEZA REAL Y TASAS DE INTERÉS
REALES DE ESTADOS UNIDOS, 1947-2000
año c Yd riqueza tasa de interés
1947 976.4 1035.2 5166.8 -10.351
1948 998.1 1090.0 5280.9 -4.720
1949 1025.3 1095.6 5607.4 1.044
1950 1090.9 1192.7 5759.5 0.407
1951 1107.1 1227.0 6086.1 -5.283
1952 1142.4 1266.8 6243.9 -0.277
1953 1197.2 1327.5 6355.6 0.561
1954 1221.9 1344.0 6797.0 -0.138
1955 1310.4 1433.8 7172.2 0.262
1956 1348.8 1502.3 7375.2 -0.736
1957 1381.8 1539.5 7315.3 -0.261
1958 1393.0 1553.7 7870.0 -0.575
1959 1470.7 1623.8 8188.1 2.296
1960 1510.8 1664.8 8351.8 1.511
1961 1541.2 1720.0 8971.9 1.296
1962 1617.3 1803.5 9091.5 1.396
1963 1684.0 1871.5 9436.1 2.058
1964 1784.8 2006.9 10003.4 2.027
1965 1897.6 2131.0 10562.8 2.112
1966 2006.1 2244.6 10522.0 2.020
1967 2066.2 2340.5 11312.1 1.213
1968 2184.2 2448.2 12145.4 1.055
1969 2264.8 2524.3 11672.3 1.732
1970 2314.5 2630.0 11650.0 1.166
1971 2405.2 2745.3 12312.9 -0.712
1972 2550.5 2874.3 13499.9 -0.156
1973 2675.9 3072.3 13081.0 1.414
1974 2653.7 3051.9 11868.8 -1.043
1975 2710.9 3108.5 12634.4 -3.534
1976 2868.9 3243.5 13456.8 -0.657
1977 2992.1 3360.7 13786.3 -1.190
1978 3124.7 3527.5 14450.5 0.113
1979 3203.2 3628.6 15340.0 1.704
1980 3193.0 3658.0 15965.0 2.298
1981 3236.0 3741.1 15965.0 4.704
1982 3275.5 3791.7 16312.5 4.449
1983 3454.3 3906.9 16944.8 4.691
1984 3640.6 4207.6 17526.7 5.848
1985 3820.9 4347.8 19068.3 4.331
1986 3981.2 4486.6 20530.0 3.768
1987 4113.4 4582.5 21235.7 2.819
1988 4279.5 4784.1 22332.0 3.287
1989 4393.7 4906.5 23659.8 4.318
1990 4474.5 5014.2 23105.1 3.595
1991 4466.6 5033.0 24050.2 1.803
1992 4594.5 5189.3 2441.82 1.007
1993 4748.9 5261.3 24092.3 0.625
1994 4928.1 5397.2 25218.6 2.206
1995 5075.6 5539.1 27439.7 3.333
1996 5237.5 5677.7 29448.2 3.083
1997 5423.9 5854.5 32664.1 3.120
1998 5683.7 6168.6 35587.0 3.584
1999 5968.4 6320.0 39591.3 3.245
2000 6257.8 6539.2 38167.7 3.576
nota: año= año calendario

C= gasto de consumo real en miles de millones de dólares de 1996


ajustados por la inflación.
Yd= ingreso disponible personal real en miles de millones de dólares
de 1996 ajustada por la inflación.
Riqueza= riqueza real en miles de millones de dólares de 1996
ajustada por la inflación.
Interés= rendimiento nominal anual de bonos de tesoro a 3 meses,
ajustado por la tasa de inflación (medido por el cambio porcentual anual
en el índice anual de precios, ajustado por la inflación).

SOLUCIÓN:

Según la recta de mínimos cuadrados, al incrementarse en un millón


de euros los gastos en publicidad, la cantidad de facturación
obtenida se incrementará en 28,3 millones de euros. Y cuando no se
haga ningún esfuerzo publicitario, las ventas según la recta serán
negativas. Esto se puede entender como que no se vende nada o
que si no se hace ningún esfuerzo publicitario se obtienen unas
ventas negativas, en el sentido de que hay otros gastos a la hora de
vender que provocan que al final haya ventas negativas. La
correlación entre ambas variables es muy alta, ya que el coeficiente de
correlación r = 0.87 está muy próximo a 1.

Pregunta 7.25. Estimación de los precios de las acciones de Qualcomm.


Como ejemplo de la regresión polinomio considere los datos sobre los precios
semanales de las acciones de Qualcomm, diseñador y fabricante de aparatos
inalámbricos digitales para telecomunicaciones, de 1995 a 2000. Los datos
completos se encuentran en el sitio Web del libro, en la tabla 7.13.A finales de
la década de 1990, las acciones de las empresas tecnológicas fueron
especialmente redituables, pero, ¿qué tipo de modelo de regresión se ajusta
mejor a estos datos? La fi gura 7.4 muestra una gráfica elemental de los datos
correspondiente a esos años. Esta gráfica no se parece a la curva en forma
de S alargada; parece haber un ligero aumento en el precio promedio de las
acciones, pero luego la tasa se incrementa de manera drástica hacia el
extremo derecho. A medida que la demanda de teléfonos más especializados
aumentaba a pasos agigantados y el auge tecnológico seguía su curso, el
precio de las acciones siguió la tendencia y aumentó a un ritmo mucho más
rápido.

a) Estime un modelo lineal para pronosticar el precio de cierre de las


acciones con base en el tiempo. ¿Le parece que este modelo se
ajusta bien a los datos?
SOLUCION:
Si el índice de precios de combustible es negativa y estadísticamente
significativo en el nivel de 1%.
b) Ahora estime un modelo cuadrático y use tanto el tiempo como el
tiempo elevado al cuadrado. ¿Obtuvo un mejor ajuste que en a)?
SOLUCION:
La pérdida de producción seria 6.48% ( -0.1081) (60%).

c) Por último, ajuste el siguiente polinomio de tercer grado o cúbico: Yi


β0 + β1Xi + β2X2 i + β3X3 i + ui donde Y = precio de las acciones y X
= tiempo. ¿Qué modelo parece el mejor estimador de los precios de
las acciones?
SOLUCION:
El índice de tendencia de crecimiento fue 0.45%
EJERCICIOS RESUELTOS DEL CAPITULO N° 8

Pregunta 8.1. Suponga que desea estudiar el comportamiento de las ventas


de un producto, por ejemplo, automóviles, sobre un número de años, y
suponga que alguien sugiere ensayar los siguientes modelos:
𝑌𝑡 = 𝛽0 + 𝛽1 𝑡
𝑌𝑡 = 𝛼0 + 𝛼1 𝑡+𝛼2 𝑡 2
Donde Yt = ventas en el tiempo t y t = tiempo, medido en años. El
primer modelo postula que la variable ventas es una función lineal del
tiempo, mientras que el segundo plantea que es función cuadrática del
tiempo.
a) Analice las propiedades de estos modelos.
b) ¿Cómo decidiría entre los dos modelos?
c) ¿En qué situaciones sería útil el modelo cuadrático?
d) Obtenga información sobre ventas de automóviles en Estados
Unidos durante los pasados 20 años y vea qué modelo se ajusta mejor
a los datos.
SOLUCIÓN:
a) Analizando las propiedades de estos modelos
Para la ecuación 1

𝑌𝑡 = 𝛽0 + 𝛽1 𝑡 − −−→ 𝑑𝑒𝑟𝑖𝑣𝑎𝑛𝑑𝑜 𝑐𝑜𝑛 𝑟𝑒𝑠𝑝𝑒𝑐𝑡𝑜 𝑎𝑙 𝑡𝑖𝑒𝑚𝑝𝑜


𝑑𝑦
= 𝛽1
𝑑𝑡

Para la ecuación 2

𝑌𝑡 = 𝛼0 + 𝛼1 𝑡 + 𝛼2 𝑡 2 − −−→ 𝑑𝑒𝑟𝑖𝑣𝑎𝑛𝑑𝑜 𝑟𝑒𝑠𝑝𝑒𝑐𝑡𝑜 𝑎𝑙 𝑡𝑖𝑒𝑚𝑝𝑜


𝑑𝑦
= 𝛼1 + 2𝛼2 𝑡
𝑑𝑡

En el primer modelo, donde las ventas es una función lineal del tiempo,
la velocidad de cambio de las ventas, (dY / dT) se postula a ser una
constante, igual a 𝛽1, independientemente del tiempo t. en el segundo
modelo de la velocidad de cambio no es constante debido a que (dY /
dT) = 𝛼1 + 2𝛼2 𝑡 que depende del tiempo t.
b) se decidiría de la cosa más sencilla de las derivadas parciales de Y con
respecto al tiempo. si el gráfico resultante es parabólico, tal vez el
modelo cuadrático es apropiado.
c) este modelo podría ser útil para representar el perfil de ingresos de una
persona. Por lo general, cuando entra en el mercado de trabajo, las
ganancias de nivel de entrada son bajos. con el tiempo, debido a la
experiencia acumulada, los ingresos aumentan, pero después de cierto
tiempo también empieza a disminuir.
d) Al consultar las páginas web de varios fabricantes de automóviles, o la
revista del motor, o la asociación americana del automóvil para los
datos.
Durante mucho tiempo, Estados Unidos ha sido el mercado más
importante del mundo, hasta verse superado por el dragón chino.
Otro hecho destacable es que desde 1991 el modelo más vendido ha
sido el pick-up Ford F-150, pero esa realidad ya ha cambiado poco a
poco, al menos en la mayoría de los estados con salida al mar la cual
se asemeja mucho al modelo.

Pregunta 8.2. Demuestre que la razón F DE (8.4.16) es igual a la razón F de


(8.4.18). (Sugerencia: SCE/SCT = R2 .)

SOLUCIÓN:

(𝐸𝑆𝑆 − 𝐸𝑆𝑆)/𝑁𝑅 (8.5.16)


𝐹=
𝑅𝑆𝑆/(𝑛 − 𝑘)

Donde NR = número de nuevos regresores. Divide el numerador y el


denominador entre TSS y recuerdan que R3 y R2 sustituyendo estas
expresiones en (85.86), se obtendrá (65)

Pregunta 8.3. Demuestre que las pruebas F de (8.4.18) y (8.6.10) son


equivalentes.
SOLUCION:

Se da por medio de definición. Como se aprecia en el capítulo, la


regresión sin restricciones se conoce como la regresión de largo
(contribución incremental o marginal), o una nueva, y la regresión
restringida se conoce como el corto de regresión (mínimos cuadrados
restringidos). Estos dos difieren en el número de represores incluidos en
los modelos.

Pregunta 8.4. Justifique los supuestos en (8.6.11) y (8.6.12).

SOLUCION

Supuesto (8.6.11):

2
𝑅𝑁𝑅 ≥ 𝑅𝑅2

Supuesto (8.6.12):

2
∑ 𝜇𝑁𝑅 ≤ ∑ 𝜇𝑅2

Por lo tanto:

En la estimación de MCO minimizamos los RSS sin poner ninguna


restricción a los estimadores. Por lo tanto, el RSS en este caso,
representa el mínimo verdadero RSS o RSSUR mínimo verdadero.
Cuando las restricciones se ponen en uno o más parámetros. Uno
no puede obtener el flujo mínimo RSS absoluto debido a las
restricciones impuestas. (Recordemos los procedimientos de
optimización con restricciones y sin restricciones). Así, RSSR >
RSSUR, a menos que las restricciones sean válidas, en cuyo caso
los dos términos RSS serán lo mismo.

Recordando que:

𝑅𝑆𝑆 2 𝑅𝑆𝑆𝑈𝑅 𝑅𝑆𝑆𝑅


𝑅 2 = 1 − 𝑇𝑆𝑆, resulta que: 𝑅𝑈𝑅 = 1− ≥ 𝑅𝑅2 = 1 −
𝑇𝑆𝑆 𝑇𝑆𝑆

Teniendo en cuenta que si se utiliza la regresión restringida o no


restringida, el TSS sigue siendo el mismo, ya que es simplemente igual
a:

∑(𝑌𝑖 − 𝑌)2
1

Pregunta 8.5. Considere la función de producción Cobb-Douglas:

Donde Y = producción, L = insumo trabajo y K = insumo capital. Al dividir


(1) entre K, obtenemos:

Al tomar el logaritmo natural de (2) tenemos:

Dónde:
a) Suponga que tenía información para hacer la regresión (3). ¿Cómo probaría
la hipótesis de que hay rendimientos constantes a escala, es decir, (β2 + β3) =
1?

b) De existir rendimientos constantes a escala, ¿cómo interpretaría la


regresión (3)?

c) ¿Hay alguna diferencia si divide (1) entre L en lugar de hacerlo entre K?

SOLUCIÓN:

a) Dejar que el coeficiente de log K sea. Probar la hipótesis nula de 0, mediante


la prueba t de costumbre. si hay rendimientos constantes a
escala, el valor de t será pequeño.

b) Si definimos la relación (Y / K) como la relación producto / capital, una medida


de la productividad del capital, y la relación (L / K) como el índice de capital de
trabajo, entonces el coeficiente de la pendiente de esta regresión da el cambio
medio por ciento en la productividad del capital para un porcentaje de cambio
en la relación capital / trabajo.

c) Aunque el análisis es simétrica, suponiendo rendimientos constantes a escala,


en este caso el coeficiente de la pendiente da el cambio porcentual medio en la
productividad del trabajo (Y / L) para un porcentaje de cambio en la relación
capital-trabajo (K / L). Lo que distingue a los países desarrollados de los países
en desarrollo es la relación capital / trabajo en general más altos en estas
economías.

Pregunta 8.6. Valores críticos de R2 cuando la verdadera R2 = 0. La


ecuación (8.4.11) da la relación entre F y R2 según la hipótesis de que todos
los coeficientes de pendiente parciales son simultáneamente iguales a cero
(es decir, R2 = 0). De la misma manera en que podemos encontrar el valor F
crítico en el nivel de significancia α de la tabla F, es posible encontrar el valor
R2 crítico a partir de la siguiente relación:

(𝐾 − 1)𝐹
𝑅2 =
(𝐾 − 1)𝐹 + (𝑛 − 𝑘)
Donde k es el número de parámetros en el modelo de regresión,
inclusive el intercepto, y donde F es el valor F crítico en el nivel de
significancia α. Si el R2 observado excede el R2 crítico obtenido de la
fórmula anterior rechazamos la hipótesis de que el verdadero R 2 es cero.

Establezca la fórmula anterior y encuentre el valor R2 crítico (para α =


5%) para la regresión (8.1.4).

SOLUCIÓN

Iniciamos con la ecuación 8.4.11 como:

(𝑛−𝑘)𝑅 2
𝐹= (𝑘−1)(1−𝑅 2 )
, que se puede reescribir como:

(𝑘−1) 𝑅2
𝐹= = , obteniendo de la siguiente manera
(𝑛−𝑘) (1−𝑅 2 )

𝐹(𝑘−1)
𝑅2 = , siendo este el resultado.
𝐹(𝑘−1)+(𝑛−𝑘)

Por la regresión (8.1.4), n = 64, k=3 por lo tanto

𝐹0.05(2,62)=3.15 ,

Por lo tanto, poniendo estos valores en la formula anterior R 2,


obtenemos:

2(3.15) 6.30
𝑅2 = = = 0.0936
2(3.15) + 61 67.3

Esta es la crítica R2 valor en el 5% nivel de significancia.

Desde lo observado de R2 de 0.7077 en (8.1.4) ahora excedes el valor


crítico, rechazando la hipótesis nula que el verdadero R2 valor es cero.
Pregunta 8.7. Con base en información anual de los años 1968-1987 se
obtuvieron los siguientes resultados de regresión:

Yˆt _ −859.92 + 0.6470X2T − 23.195X3T R2 _ 0.9776 (1)


Yˆt _ −261.09 + 0.2452X2T R2 _ 0.9388 (2)

Donde Y = gasto de Estados Unidos en bienes importados, miles de


millones de dólares de 1982,
X2 = ingreso personal disponible, miles de millones de dólares de 1982
y
X3 =Variable de tendencia. Cierto o falso: El error estándar de X3 en
(1) es 4.2750.
Muestre sus Cálculos. (Sugerencia: Utilice la relación entre R2, F y t.)

SOLUCION:

Desde la regresión 2 es una forma restringida de 1, podemos calcular


el primer f proporción mencionada anteriormente
2 2
(𝑅𝑛𝑢𝑒𝑣 − 𝑅𝑎𝑛𝑡𝑖𝑔 ) (0.9776 − 0.9388)
𝐹= 2
= = 27.033
(1 − 𝑅𝑛𝑢𝑒𝑣 )(𝑛 − 𝐾) (1 − 0.9776)/17

2 2
Ahora recordar que 𝐹1.17 = 𝑇17 es 27.033=𝑡17 lo que da 𝑡 = √27.033 =
5.1993
bajo la hipótesis nula de que el coeficiente verdadero de variable de
tendencia es cero, obtenemos:
𝛽̂3
𝑡=
𝑠𝑒(𝛽̂3

Desde el cual obtenemos:


̂3
𝛽 23.195
̂3 )=
Se (𝛽 = 5.1993 = 4.461 que es aproximadamente igual a
𝑡

4,461 debido a errores de redondeo


Pregunta 8.8.

Suponga que la regresión;


𝑌
ln (𝑋 𝑖 ) = 𝑎1 + 𝑎2 𝑙𝑛𝑋2𝑖 + 𝑎3 𝑙𝑛𝑋3𝑖 + 𝑢𝑖
2𝑖

Se conocen los valores de los coeficientes de regresión y sus errores


estándar.*así ¿Cómo estimaría los parámetros y los errores estándar del
siguiente modelo de regresión?

ln 𝑌𝑖 = 𝛽1 + 𝛽2 𝑙𝑛𝑋2𝑖 + 𝛽3 𝑙𝑛𝑋3𝑖 + 𝑢𝑖

SOLUCION:

El primer modelo se puede escribir como:

En 𝑋2𝑖 = 𝑋1 + 𝑋2 𝑙𝑛𝑋2𝑖 + 𝑋3 𝑙𝑛𝑋3𝑖 + 𝑢𝑖 que después de la recolección, se


puede escribir como: ln. = 𝑎𝑋 + (𝑙𝑛 + 𝑎2 )𝑙𝑛𝑋2𝑖 + 𝑎3 + 𝑢𝑖 𝑙𝑛𝑋 ahora, el
modelo anterior y el segundo modelo con p coeficientes son
observacional mente la misma, con las siguientes relaciones entre a y 𝛽
coeficientes.
. 𝑃2 = (𝐼 + 𝑎2 ); = 3 * fijar =aX

Por lo tanto los errores estándar de los coeficientes estimados pueden ser
fácilmente obtenidos a partir de los errores estándar de la estimación de
los coeficientes reductores que ya se conocen.

Pregunta 8.9. Suponga lo siguiente:

𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 + 𝛽4 𝑋2𝑖 𝑋3𝑖 + 𝑢𝑖

Donde Y es el gasto de consumo personal, X2 es el ingreso personal y


X3 es la riqueza personal. El término (X2i X3i) se conoce como termino
de interacción. ¿Qué significa esta expresión? ¿Cómo probaría la
hipótesis de que la propensión marginal a consumir (PMC) (es decir,
β2) es independiente de la riqueza del consumidor?

SOLUCIÓN:
Uno de las mejores maneras de entender este término es averiguar la
razón de cambio de Y (gasto de consumo) con respecto a X2 y X3, que
es:
𝛿𝑌
= 𝛽2 + 𝛽4 𝑋3
𝛿𝑋2

𝛿𝑌
= 𝛽3 + 𝛽4 𝑋2
𝛿𝑋3

Como se puede ver el cambio medio es el gasto de consumo personal


con respecto al ingreso personal no sólo depende de los ingresos, sino
también en el nivel de riqueza. Del mismo modo, el cambio medio en el
gasto de consumo con respecto a la riqueza depende no sólo de la
riqueza en interactúan. Esto es capturado por la introducción de
ingreso y la riqueza en interactivo, o multiplicativa, desde en la
regresión, además de las dos variables en la forma aditivo. Es sólo
cuando 𝛽4 es cero que el propensión marginal a consumir (PMC) será
independiente de la riqueza.

Pregunta 8.10. Se le dan los siguientes resultados de regresión

ŷ𝑡 = 16 899 − 2 978.5𝑋2𝑡 𝑅 2 = 0.6149


𝑡 = (8. 5152) (−4.7280)
Ŷ𝑡 = 9 734.2 − 3 782.2𝑋2𝑡 + 2 815𝑋3𝑡 𝑅 2 = 0.7706
𝑡 = (3. 3705) (−6.6070) (2.9712)
¿Puede encontrar el tamaño de la muestra en la cual se basan estos
resultados? (sugerencia: recuerde la relación entre los valores de R 2, F y
t)
SOLUCION
Recordando la relación entre la t y distribuciones F, sabemos que a
partir de la primera ecuación: F1, (n-k) = t2n-k, Por lo tanto,

F = (-4.728)2 = 22.3540

Ahora usando (8.5.11): tenemos:


(𝑛−𝑘)𝑅 2 (𝑛−2)(0.6149)
𝐹= = = 22.3540
(𝑘−1)(1− 𝑅 2 ) (1)(0.3851)

Resolviendo esta ecuación para n, obtenemos n ≈ 16. Nota: En la


primera ecuación, k = 2 y R2 = 0.6149.

Pregunta 8.11. Con base en el análisis de pruebas de hipótesis individuales y


conjuntas a partir de las pruebas t y F, respectivamente, ¿cuáles de las
siguientes situaciones son probables?
a. Rechazar la nula conjunta con base en el estadístico F, pero no
rechazar cada nula por separado con base en las pruebas t
individual.
b. Rechazar la nula conjunta con base en el estadístico F, rechazar
una hipótesis individual con base en la prueba t y no rechazar otras
hipótesis individuales con base en la prueba t.
Rechazar la nula conjunta con base en el estadístico F, y rechazar
cada hipótesis nula por separado con base en pruebas t individual.
c. No rechazar la nula conjunta con base en el estadístico F, y no
rechazar cada nula por separado con base en las pruebas t
individual.
d. No rechazar la nula conjunta con base en el estadístico F, rechazar
una hipótesis individual con base en una prueba t y no rechazar
otras hipótesis individuales con base en la prueba t.
No rechazar la nula conjunta con base en el estadístico F, pero
rechazar cada nula por separado con base en pruebas t
individuales.*
SOLUCIÓN:
e. Poco probable, salvo en el caso de muy alta Multicolinealidad.
f. Probable. Estos casos ocurren con frecuencia en trabajos
aplicados.
g. Probablemente, en realidad, esta sería la situación ideal.
h. Probable. En esta situación, el modelo de regresión es inútil.
i. Puede ocurrir si el significado de uno de los coeficientes es
insuficiente para compensar la insignificancia de los demás.1
j. Poco probable.

Pregunta 8.12. Consulte el ejercicio 7.21.

SOLUCION
a) ¿Cuáles son las elasticidades del ingreso real y de la tasa de
interés de los balances reales de efectivo?

Utilizar las tasas de las letras del dinero, como el tipo de interés y la
tasa de interés, las elasticidades son respectivamente:

0,5243 y 0,0255

Utilizando la tasa de interés de largo plazo las elasticidades son:

0,4946 y 0,0516

b) ¿Son las elasticidades anteriores, consideradas en forma


individual, estadísticamente significativas?

Individualmente, la elasticidad ingreso es importante en ambos casos,


pero no el tipo de interés.

c) Pruebe la significancia general de la regresión estimada.

Con la versión R² de las aditivas, la F valores 21,5429 (de corto plazo a


tasa de interés) y 21,3078 (utilizando la tasa de interés de largo plazo).
El valor de “P” de dichos valores son casi cero en ambos casos, lo que
lleva al rechazo que los ingresos y la tasa de interés colectivo no tienen
impacto en la demanda de dinero.

d) ¿Es la elasticidad del ingreso de la demanda por balances


reales de efectivo significativamente diferente de la unidad?

Aquí la hipótesis nula es que la elasticidad del ingreso coeficiente es la


unidad. Para probar la hipótesis nula que se utiliza la prueba “t” de la
siguiente:

1
Para una discusión más amplia de este punto, véase Adrian C. Darnell, un diccionario de
Econometría, Edward Elgar, REINO UNIDO., 1994, págs. 394-395.
 Con tasa de interés a corto plazo
0,5243
t= = −3,2920
0,1445

 Con largo termino de interés, la tasa de interés variable


(0,4946−1)
t= = −1,8816
0,2686

Finalmente, con 19 observaciones y 2 regresiones tenemos:

 La elasticidad ingreso coeficiente se espera que sea positivo, con un


nivel de 5% de significación. Podemos rechazar la hipótesis nula de
que la elasticidad con respecto al ingreso es de 1 (en realidad menor
que uno)
Pregunta 8.13. De los datos de 46 estados de Estados Unidos para 1992,
Baltagi obtuvo los siguientes resultados de regresión: †

logC  4.30 − 1.34 log P + 0.17 log Y

e  (0.91) (0.32) (0.20) ˉR 2  0.27

Dónde:

C = consumo de cigarrillos, paquetes al año

P = precio real por paquete

Y = ingreso disponible real per cápita

a) ¿Cuál es la elasticidad de la demanda para los cigarrillos respecto del


precio? ¿Es estadísticamente significativa? Si ése es el caso, ¿es
estadísticamente diferente de 1?

b) ¿Cuál es la elasticidad del ingreso de la demanda de cigarrillos? ¿Es


estadísticamente significativa? Si no es así, ¿cuáles serían las razones?

c) ¿Cómo obtendría R2 de la R2 ajustada dada antes?


SOLUCION:

{A) La elasticidad es de -1,34. Es significativamente diferente de


cero, para El valor de t en la hipótesis nula de que la verdadera
elasticidad coeficiente es cero es:

-143 T = - ᶺ -
=0.32 -4.468
El valor de p de obtener el valor de t es extremadamente bajo. Sin
embargo, la elasticidad coeficiente no es diferente de uno porque en la
hipótesis nula de que la verdadera elasticidad es 1, el valor de t es

0,32

Este valor de t no es estadísticamente significativo.

(b) La elasticidad de ingresos, aunque positivo, no es estadísticamente


diferente de cero, como el valor cero en virtud de la hipótesis nula es
inferior a 1.

(c) Utilizando la fórmula (7.8.4), obtenemos:

/ ? 2 =l- (l-tf2) -n-k

Ya que en este ejemplo R2 = 0,27," = 46, y k = 3, por la sustitución el


lector puede comprobar que R2 = 0,3026, aproximadamente.

Pregunta 8.14. Mediante la ecuación (3.5.8), el lector puede comprobar


que: rn = 0,9989; rn = 0,9885, y r23 = 0,9839 utilizando las fórmulas
indicadas en la Sección 7.11, el lector debe verificar

Ri2.3 = 0,9705; r, 3 2 = 0,678; r231 =-0.4930

Mediante la prueba exacta de Fisher en el ejercicio, el lector debe


verificar que:
Siguiendo exactamente el mismo procedimiento, compruebe que: tj3
2 =3,20 y fo.i = 1,963 cada uno de estos valores es
estadísticamente significativo al nivel del 5 por ciento.

Pregunta 8.15. Si se supone que Y y 𝑋2 , 𝑋3 , … , 𝑋𝑘 siguen una distribución


normal conjunta y que la hipótesis nula plantea que las correlaciones
parciales poblacionales son individualmente iguales a cero, R,A. Fisher
demostró que:

𝑟12.34….𝑘 √n − k − 2
𝑡= 2
√1 − 𝑟12,34…𝑘

Sigue la distribución t con n – k – 2 gl, donde k es el coeficiente de


correlación parcial de grado k y n es el número total de observaciones.
(Nota: 𝑟12.3 es un coeficiente de correlación parcial de primer orden, 𝑟12.34
es un coeficiente de correlación parcial de segundo orden y así
sucesivamente.) Consulte el ejercicio 7.2. Si se supone que 𝑌 𝑦 𝑋2 𝑦 𝑋3
siguen una distribución normal conjunta, calcule las tres correlaciones
parciales𝑟12.3 , 𝑟13.2 , 𝑟23.1, y pruebe su significancia según la hipótesis de
que las correlaciones poblacionales correspondientes son
individualmente iguales a cero.

SOLUCIÓN:

Usando la ecuación (3.5.8), el lector puede comprobar que:

r12 = 0.9989 ; 𝑟13 = 0.9885, 𝑦 𝑟23 = 0.9839 Utilizando las formulas


recogen en el apartado 7.11, el lector debe verificar 𝑟12.3 = 0.9705; 𝑟13.2 =
0.678; 𝑟23.1 = −0.4930 mediante la prueba de fissher dada en el
ejercicio, el lector debe mera esto
𝑟12.3 √15 − 1 − 2
𝑡12.3 = = 13.590
2
√1 − 𝑟12.3

Siguiendo exactamente el mismo procedimiento, prueba eso:

𝑡13.2 = 3.20 𝑦 𝑡23.1 = 1.963

Cada uno de esta t los valores estadísticos significativos en el 5% nivel.

Pregunta 8.16. Al estudiar la demanda de tractores agrícolas en Estados


Unidos durante los periodos 1921-1941 y 1948-1957, Griliches obtuvo los
siguientes resultados:

logYt = constante − 0.519 log X2t − 4.933 log X3t R2 = 0.793

(0.231) (0.477)

Donde Yt = valor de las existencias de tractores en las granjas el 1 de


enero, en dólares de 1935-1939, X2 = índice de precios pagado por los
tractores dividido entre un índice de precios recibidos por todas las
cosechas en el tiempo t − 1, X3 = tasa de interés prevalente en el año t −
1, y los errores estándar están dados entre paréntesis.

a) Interprete la regresión anterior.


b) ¿Son los coeficientes de pendiente estimados estadísticamente
significativos de manera individual? ¿Son significativamente diferentes
de la unidad?
c) Utilice la técnica de análisis de varianza para probar la significancia de la
regresión en general. Sugerencia: Utilice la variante R2 de la técnica
ANOVA.
d) ¿Cómo calcularía la elasticidad tasa de interés de la demanda de
tractores agrícolas?
e) ¿Cómo probaría la significancia del R2 estimado?
SOLUCIÓN:
a) Los registros de índice de precios reales y la tasa de interés en el año
anterior explica aproximadamente el 79% de la variación en el registro
de las existencias de tractores, una forma de capital. Ya que se trata de
una doble modelo de registro, la pendiente los coeficientes (parcial)
elasticidad cruzada de la demanda. Estas dos elasticidades precio tienen
signos esperados a priori.
b) Cada coeficiente parcial pendiente es individualmente significativo al
nivel del 5 por ciento y cada uno es también significativamente diferentes
de la unidad.
c) Mediante la ecuación (8.5.12), obtenemos:
R2/ (k-1) _ 0,793 /2 63
(1 -R2) / (n-k) 0,207 /28
Con n = 31, k = 3, el lector puede comprobar que este F valor es
altamente significativa.

Pregunta 8.17. Considere la siguiente ecuación de determinación de salarios


para la economía británica* durante el periodo 1950-1969:

ˆW =t _ 8.582 + 0.364(PF)t + 0.004(PF)t−1 − 2.560Ut


(1.129) (0.080) (0.072) (0.658)
R2 _ 0.873 gl _ 15
Donde W = sueldos y salarios por empleado

PF = precios del producto final al factor de costo


U = desempleo en Gran Bretaña como porcentaje del número total de
empleados de Gran Bretaña
t = tiempo
(Las cifras en paréntesis son los errores estándar estimados.)
a) Interprete la ecuación anterior.
b) ¿Son los coeficientes estimados individualmente significativos?
c) ¿Cuál es el razonamiento para introducir (PF)t−1?
d) ¿Debe eliminarse del modelo la variable (PF)t−1? ¿Por qué?
e) ¿Cómo calcularía la elasticidad de sueldos y salarios por empleado
respecto de la tasa de desempleo U?
SOLUCION
a. Ceteris paribus, un 1 (Gran Bretaña) libra aumento de los precios de
final
Salida en el año en curso en un promedio de 0,34 libras (o 34 peniques)
aumento de sueldos y salarios por empleado. De manera similar, un
aumento de 1 libras los precios del producto final en el año anterior,
en promedio un aumento de sueldos y salarios por empleado de
0.004 libras. Con todo lo demás constante, el aumento de la tasa de
desempleo de 1 puntos porcentuales, en promedio, alrededor de
2,56 libras disminución de sueldos y salarios por empleado. Los tres
regresores explican aproximadamente el 87 por ciento de la
variación en los sueldos y salarios por empleado.

b. Si usted divide los coeficientes estimados por sus errores estándar,


se obtiene los valores t bajo la hipótesis nula que el correspondiente
coeficiente de población real los valores son cero. El estimado de
t los valores de los coeficientes son tres pendiente 4,55 , 0,055 , y -
3,89 , respectivamente. De estos, la primera y la tercera son
estadísticamente significativos pero el segundo no.

c. Como estudiaremos en el capítulo sobre modelos de los rezagos


distribuidos, esta variable se incluye para medir el efecto de rezago,
si los hubiere, de los precios del producto final un año antes.

d. Dado que el valor de este coeficiente no es significativo, esta variable


puede ser lanzada desde el modelo, siempre y cuando no cometan
el error de especificación de omitir una variable importante del
modelo. Pero más sobre esto en el capítulo sobre especificaciones
del modelo.

e. Utilice la siguiente (estándar) elasticidad fórmula:


Du W W
En el bar sobre las variables denota sus valores promedio de los
datos de la muestra.
Pregunta 8.18. Una variación de la ecuación de determinación de salarios
del ejercicio es la siguiente:

Wˆ = 1.073 + 5.288Vt - 0.116Xt + 0.054Mt + 0.046Mt-1

(0.797) (0.812) (0.111) (0.022) (0.019)

R2 = 0.934 gl = 14

Donde W = sueldos y salarios por empleado

V = empleos vacantes como porcentaje del número total de


empleados en Gran Bretaña

X = producto interno bruto por persona empleada

M = precios de importaciones

Mt-1 = precios de importaciones en el año anterior (o rezagado)

(Los errores estándar estimados están dados entre paréntesis.)

a) Interprete la ecuación anterior.


SOLUCION
En el mercado de Ceteris Paribus, un aumento de 1 punto porcentual
en la tasa de un puesto de trabajo vacante en promedio al aumento de
aproximadamente 5,29 libras en los sueldos y salarios por empleado;
un aumento del PIB aproximadamente 1 Libra de plomo por persona en
promedio a alrededor de 12 peniques disminución de los sueldos y
salarios por empleado; un aumento en los precios de importación en el
año actual y el plomo año anterior, en promedio, a un aumento de los
sueldos y salarios por empleado de aproximadamente 5 peniques.
b) ¿Cuáles de los coeficientes estimados son estadísticamente signifi
cativos individualmente?
SOLUCION
Al igual que en el ejercicio anterior, bajo la hipótesis nula de cero los
valores de t estimadas para las cuatro variables explicativas son,
respectivamente, 6.51, -1.04, 2.45 y 2.42. Todos menos el segundo de
estos valores t son estadísticamente significativas.
c) ¿Cuál es el razonamiento para la introducción de la variable X? A priori,
¿se espera que el signo de X sea negativo?
SOLUCION
A priori, se podría esperar una mayor productividad per cápita para
conducir a los salarios más altos y salarios. Este no es el caso en el
presente ejemplo, debido a que el coeficiente estimado no es
estadísticamente significativamente diferente de cero, ya que el valor t
es de sólo – 1.
d) ¿Cuál es el propósito de incluir Mt y Mt−1 en el modelo?
SOLUCION
Estos están diseñados para capturar el efecto de retardo distribuido de
los precios actuales y anteriores del año de importación sobre los
sueldos y salarios. Si los precios de importación suben, se espera que
el coste de la vida para subir, y por lo tanto los sueldos y salarios.
e) ¿Cuáles variables pueden sacarse del modelo? ¿Por qué?
SOLUCION
La variable X puede ser dado de baja del modelo, ya que tiene el signo
equivocado y porque su valor t es baja, asumiendo por supuesto que
no hay error de especificación.
f) Pruebe la significancia general de la regresión observada.
SOLUCION
Utilizando la prueba F de la siguiente manera:
𝑅 2 /(𝑘 − 1) 0.934/4
𝐹= 2
= = 49.53
(1 − 𝑅 )/(𝑛 − 𝑘) 0.66/14
Este valor de F es altamente significativo; para 4 y 14 grados
numerador y denominador de la libertad, el nivel de significación del 1%
valor F es 5,04.

Pregunta 8.19. De la elasticidad-ingreso, la estadística de prueba es:


0.4515 − 1
𝑡= = −22.2065
0.0247
Este valor t es altamente significativo, refutar la hipótesis de que la
verdadera elasticidad es 1.

Para la elasticidad de los precios, el resultado es:

−0.3772 − (−1)
𝑡= = 9.808
0.0635
Este valor de t es también significativo, lo que lleva a la conclusión de
que la verdadera elasticidad de precios es diferente de -1.

Pregunta 8.20. La hipótesis nula es que β2 = - β3, es decir, β2 + β3 = 0.

Utilizando la estadística t dada en (8.6.5), obtenemos:

0.4515 + (−0.3772)
𝑡= = 0.859
√(0.0247)2 + (0.0635)2 − 2(−0.0014)

Este valor de t no es significativo, por ejemplo, al nivel del 5 %. Por lo


tanto, no hay ninguna razón para rechazar la hipótesis nula.

Pregunta 8.21. Consulte la función de demanda de rosas del ejercicio 7.16.


Centre su atención en la especificación logarítmica.
a) ¿Cuál es la elasticidad precio-propio de la demanda estimada (es decir,
la elasticidad respecto del precio de las rosas)?
b) ¿Es estadísticamente significativa?
c) De ser así, ¿es significativamente diferente de la unidad?
d) A priori, ¿cuáles son los signos esperados de X3 (precio de los claveles)
y X4 (ingreso)? ¿Corresponden los resultados empíricos a estas
expectativas?
e) Si los coeficientes de X3 y X4 no son estadísticamente significativos,
¿cuáles pueden ser las razones?
SOLUCIÓN.
a) ¿Cuál es la elasticidad precio-propio de la demanda estimada (es decir,
la elasticidad respecto del precio de las rosas)?
La elasticidad del precio es -1.274.
b) ¿Es estadísticamente significativa?
Por la prueba t, obtenemos lo siguiente:

1.274 − 0
𝑡= = 2.4174
0.527

El valor p de obtener una estadística t tales bajo la hipótesis nula es de


aproximadamente 0.034. Que es pequeño, por lo tanto, se rechaza la
hipótesis de que la elasticidad precio real es cero.
c) De ser así, ¿es significativamente diferente de la unidad?

Otra vez utilizamos la formula estándar y obtenemos:

−1.274 − (−1)
𝑡= = −0.5199
0.527

Ya que el valor de t es no significativo, no rechazamos la hipótesis nula


de que el precio de la elasticidad es 1.

d) A priori, ¿cuáles son los signos esperados de X3 (precio de los claveles)


y X4 (ingreso)? ¿Corresponden los resultados empíricos a estas
expectativas?

Tanto los signos son buscados para ser positivo, aunque incluya ninguna
de estas variables es estadísticamente significativa.

e) Si los coeficientes de X3 y X4 no son estadísticamente significativos,


¿cuáles pueden ser las razones?

Quizá nuestro tamaño de la muestra es demasiado pequeño para


detectar la significación estadística de los precios de clavel en la
demanda de rosas o la de ingreso en la demanda de rosas, por otra
parte, los gastos de rosas puede ser una parte tan pequeña del total de
ingresos que no se puede notar el impacto del ingreso en la demanda de
rosas.
Pregunta 8.22. Consulte el ejercicio 7.17, relacionado con la actividad de
exploración de pozos.

En el ejercicio 7.17:
Perforan para encontrar y producir petróleo o gas natural en una zona
mejorada, o para encontrar una nueva reserva en un yacimiento donde
antes se encontró petróleo o gas natural, o para extender el límite de
una reserva de petróleo o gas conocida.
Y = número de pozos de exploración perforados
X2 = precio en la cabeza del pozo en el periodo anterior (en
dólares constantes, 1972 = 100)
X3 = producción interna
X4 = PNB en dólares constantes (1972 = 100)
X5 = variable de tendencia, 1948 = 1, 1949 = 2,…, 1978 = 31
Vea si el siguiente modelo se ajusta a los datos:

Yt = β1 + β2X2t + β3 ln X3t + β4X4t + β5X5t + ut

a) Es cada uno de los coeficientes de pendiente estimados


estadísticamente significativo individualmente en el nivel de
5%?
Los coeficientes X2 y X3 son estadísticamente significativos, pero
los de X4 y X5 no lo son

b) ¿Rechazaría la hipótesis R2 = 0?
Si usando la prueba de F, obtenemos:

0.656
𝐹= 4 = 12.392
(1 − 0.656)
26
El 5% de valor de 4 y 26 df, es 2.74 para rechazar la H0.

c) ¿Cuál es la tasa de crecimiento instantánea de la actividad de


exploración durante el periodo 1948 – 1978? ¿Cuál es a tasa de
crecimiento compuesto correspondiente?

Utilizando el modelo semi. Log, obtenemos:

log(𝑤𝑖𝑙𝑑𝑐𝑎𝑡𝑠) = 2.53203 − 0.0127 𝑡𝑖𝑚𝑒

𝑡 𝑣𝑎𝑙𝑒𝑢 = (38.3766)(−3.3514): 𝑟2 =
0.2792

Por lo tanto la tasa de crecimiento instantáneo es -1.27 por ciento. La


correspondiente tasa compuesta de crecimiento también es de – 1.27%.
(Tome el antilogaritmo de – 0,0127 ( = 0.9873), restar 1 de ella y múltiplo
por 100). Para pequeños r. (I + r) * r.

Pregunta 8.23. Consulte los resultados de la regresión de los gastos de


presupuesto de defensa de Estados Unidos estimada en el ejercicio 7.18.

a) Comente, en términos generales, los resultados de regresión


estimados.

b) Prepare la tabla ANOVA y pruebe la hipótesis de que todos los


coeficientes de pendiente parciales son iguales a cero.

Solución:

a) se refieren a los resultados de la regresión en ejercicio 7.18. A priori,


todos los coeficientes se espera que sean positivos, lo que es el caso,
a excepción de la variable militar de EE.UU. las ventas. El R2 es muy
alto. En general, el modelo parece satisfactoria.
b) Podemos utilizar la versión R de la tabla ANOVA en la tabla del
texto:
Fuente de D MSS
variación SS f

N
>
Debido a la 4 Zyf 0,978 4


©

V
regresión

0
Debido a los 0,022 1 (0,022 )1^
residuos (Z^) 5 15
Bajo la hipótesis nula habitual, la relación F es:

F= - =166,33 0,022 /15

Este F valor es evidente que es muy importante, lo que conduce al


rechazo de la hipótesis nula de que todos los coeficientes son
simultáneamente iguales a cero. En otras palabras, las cuatro variables
en conjunto tienen un impacto significativo en la defensa.

Pregunta 8.24. La siguiente función se conoce como la función de producción


trascendental (FPT) generalización de la conocida función de producción cobb
–Douglas. Yi = B1LB2KB3eB4L+B5k

Donde Y= producción, L= insumo trabajo y K= insumo capital después


de tomar logaritmos y de sumar el termino de perturbación estocástico,
obtenemos la FPT estocástica como
lnYi = B0 +B2lnLi +B3lnKi +B4Li +B5Ki + ui

Donde β0 = ln β1.
a) ¿Cuáles son las propiedades de esta función?
b) Para reducir la FPT a la función de producción Cobb-Douglas,
¿cuáles deben ser los Valores de β4 y β5?
c) Si tuviera la información, ¿cómo haría para encontrar la forma en
la que la FPT se reduce a la función de producción Cobb-Douglas?
¿Qué procedimiento de prueba utilizaría?
d) Verifique si la FPT se ajusta a los datos de la tabla 8.8. Muestre
sus cálculos.
SOLUCION:

a) Esta función permite que el producto marginal de la mano de


obra y el capital. A subir antes de que caiga. estándar de la función
de producción de cobb Douglas los productos marginales caen
desde el principio, esta función permite además de la variable
elasticidad de sustitución. A diferencia del modelo de cobb Douglas.
b) Si 4 =5 = 0, entonces 𝑒 0 = 1, este el modelo estándar
c) Uno podría utilizar la prueba F d la restricción de los mínimos
cuadrados.
d) Los resultados son los siguientes:
Muestra, observaciones incluidas: 20

coeficiente Ets error t- stati prob


C -11.70601 2,876300 - 0,0010
LOG(trabajo)
1,410377 0,590731 4,069814 0,0306
LOG( capital)
Trabajo 0,942699 0,194542 2,387512 0,0002
capital -9,06 E-05 4,35 E-05 4,845735 0,0549

-3.54E-07 4,15 E-07 2,082179 0,4071


0.8530320

R-squa red 0,999042 Significancia de 12,22605


R-cuadro ponderación 0,381497
0,998787
S; E de la D.E.dependentvar
-
regresión suma 0,013289 Información
de squa red akaike -
0,002649
probabilidad de Criterio f – 3011,007
registro 60,91475 estadística 0,000000
Durbin-wuatson 1,065992 Prob(estadística)

 Estos cálculos demuestran los resultados son mixtos. Mientras que el


coeficiente de la mano de obra es estadísticamente significativa a la
del capital no lo es comparar.
Pregunta 8.25. Precios de energía y formación de capital: Estados Unidos,
1948-1978. Para probar la hipótesis de que un aumento en el precio de la
energía relativo a la producción provoca un descenso en la productividad del
capital existente y de los recursos laborales, John A. Tatom estimó la
siguiente función de producción para Estados Unidos, durante el periodo
trimestral 1948-I a 1978-II:*

ln(y/k) = 1.5492 + 0.7135 ln (h/k) − 0.1081 ln ( Pe/P) (16.33)


(21.69) (−6.42) + 0.0045t R2 0.98 (15.86)

Donde y = producción real en el sector de negocios privado


k = una medida del flujo de servicios de capital
h = horas por persona en el sector de negocios privado
Pe = índice de precios al productor para combustible y productos
relacionados
P = de factor de precios del sector de negocios privado
t = tiempo Los números en paréntesis son los estadísticos t.

a) ¿Apoyan los resultados la hipótesis del autor?


b) Entre 1972 y 1977, el precio relativo de la energía (Pe/P)
aumentó 60%. A partir de la regresión estimada, ¿cuál es la
pérdida en productividad?
c) Después de permitir los cambios en (h/k) y (Pe/P), ¿cuál fue la
tendencia de la tasa de crecimiento de la productividad durante
el periodo muestral?
d) ¿Cómo interpreta el valor del coeficiente de 0?7135?
e) ¿El hecho de que cada coeficiente de pendiente parcial
estimado sea estadísticamente significativo en el nivel individual
(¿por qué?) significa que podemos rechazar la hipótesis de que
R2 = 0? ¿Por qué?
SOLUCION:
a) Si el índice de precios de combustible es negativa y
estadísticamente significativo en el nivel de 1%.
b) La pérdida de producción seria 6.48% ( -0.1081) (60%).
c) El índice de tendencia de crecimiento fue 0.45%
d) El promedio para a la muestra, un aumento de 1% en la mano
de obra/ ratio de capital de 0,71% de incremento de la producción.
e) ¿Es poco probable de cada coeficiente dependiente parcial
estimado estadísticamente significativos de R2 = 0? ¿Por qué?
Veamos el presente caso. F= (1-0,98) / 118= 1928,37.
Este F valor es altamente significativa. Por lo que se puede rechazar la
hipótesis de que R2 es igual a cero.

Pregunta 8.26. La demanda de cable. La tabla 8.10 presenta los datos de un


fabricante de cable telefónico para pronosticar las ventas a uno de sus
principales clientes durante el periodo 1968- 1983

Las variables en la tabla se definen de la siguiente forma:

Y = ventas anuales en millones de pies de cables pareados (MPC)

X2 = Producto Interno Bruto (PIB), $, miles de millones

X3 = construcción de nuevas viviendas, miles de unidades

X4 = tasa de desempleo, %

VARIABLE COEFICIENTE STD. T-ESTADISTICO PROB.


ERROR
C 5962.656 2507.724 2.377716 0.0388

X2 4.883663 2.512542 1.943714 0.0806

X3 2.363956 0.843559 2.802361 0.0187

X4 -819.1287 187.7072 -4.363863 0.0014

X5 12.01048 147.0496 0.081676 0.9365


X6 -851.3927 292.1447 -2.914284 0.0155

Signicado de var 7543.125


R-cuadrado 0.822750 dependientes

R-cuadrado 0.734125 S.D variables dependientes 1217.152


ajustado
Criterio de información
S.E de 627.6005 akaike 16.00168
regresión
Criterio de schwarz 16.29140
Suma al 3938824
cuadrado F-estadistica 9.283507

Logaritmo de -122.0134 Prob(f- esttadisticos) 0.001615


verosimilitud

Durbin- 2.484497
Watson stat

X5 = tasa preferencial rezagada 6 meses

X6 = ganancias de línea para el cliente, %

Considere el siguiente modelo:

𝑌𝑖 𝛽1 + 𝛽2 𝑋2𝑡 + 𝛽3 𝑋3𝑡 + 𝛽4 𝑋4𝑡 + 𝛽5 𝑋5𝑡 + 𝛽6 𝑋6𝑡 + 𝑈𝑡

a) Estime la regresión anterior = la salida es el siguiente eviews

Variable dependiente: Y

Muestra: 19681983

Observaciones incluidas: 16

b) ¿Cuáles son los signos esperados para los coeficientes de este


modelo?

Los signos esperados para los coeficientes de este modelo, uno


esperaría que β2, β3 y β6 ser positivo β4 y β5 ser negativo.
c) ¿Corresponden los resultados empíricos a las expectativas a priori?

Los que corresponden a los resultados empíricos son β 2, β 3 y β4 que


responden a las expectativas, los otros no lo hacen

d) ¿Son los coeficientes de regresión parcial estimados estadísticamente


significativos considerados en forma individual en el nivel de 5% de
significancia?

Como los resultados de la regresión muestran X3 X4 y X6 son


significativas al nivel de 5%, X2 es significativo al nivel del 10% X5, pero
no es estadísticamente significativa

e) Suponga que efectúa la regresión de Y sobre X2, X3 y X4 solamente y


luego decide agregar las variables X5 y X6. ¿Cómo averiguará si se
justifica agregar las variables X5 y X6? ¿Qué prueba utiliza?

Utilizamos la metodología de mínimos cuadrados restringidos discutidos


en el capítulo. Retrocedían Y sobre x3 x2 y x4 Solamente obtenemos
𝑅𝑅2 =0.6012 Incluyendo todos los regresores como puede verse a partir
2
de los resultados de la regresión dadas en (a), tenemos 𝑅𝑈𝑅 = 0.8227

Por lo tanto, el uso, Eq (8, 7,10) obtenemos

(0.8287 − 0.6012)/2
𝐹= = 6,25
(1 − 0.8287)/10

Para 2 y 10 en el numerador y el denominador, respectivamente, el valor


crítico F 5% es de 4,10, por lo tanto, se rechaza la hipótesis de que las
variables de X5 y X6 no tienen cabida en el modelo

Pregunta 8.27. Marc Nerlove estimó la siguiente función de costo para la


generación de electricidad:* Y AXβ Pα1 Pα2 Pα3 u (1) donde Y = costo total
de producción X = producción en horas kilowatt P1 = precio del insumo
trabajo P2 = precio del insumo capital P3 = precio del combustible u = término
de perturbación En teoría, se espera que la suma de las elasticidades del
precio sea igual a la unidad, es decir, (α1 + α2 + α3) = 1. Pero al imponer esta
restricción, la función de costos anterior se escribe como (Y/P3) AXβ (P1/P3)
α1 (P2/P3) α2 u (2) En otras palabras, (1) es una función de costo no
restringida y (2) es una función de costo restringida. Con base en una muestra
de 29 empresas de tamaño mediano y después de realizar la transformación
logarítmica, Nerlove obtuvo los siguientes resultados de la regresión:

En teoría, se espera que la suma de las elasticidades del precio sea


igual a la unidad, es decir, (α1 + α2 + α3) = 1. Pero al imponer esta
restricción, la función de costos anterior se escribe como (Y/P3) AXβ
(P1/P3) α1 (P2/P3) α2 u (2) En otras palabras, (1) es una función de
costo no restringida y (2) es una función de costo restringida. Con base
en una muestra de 29 empresas de tamaño mediano y después de
realizar la transformación logarítmica, Nerlove obtuvo los siguientes
resultados de la regresión: ln Yi −4.93 + 0.94 ln Xi + 0.31 ln P1 ee (1.96)
(0.11) (0.23) −0.26 ln P2 + 0.44 ln P3 (0.29)
(0.07) SCR 0.336 (3) ln (Y/P3) −6.55 + 0.91 ln X + 0.51 ln (P1/P3)+ 0.09
ln (P2/P3) ee (0.16) (0.11) (0.19) (0.16) SCR 0.364 (4)
a) Interprete las ecuaciones (3) y (4).

SOLUCION:
Dados que ambos modelos son log-lineal la pendiente estimada
eficientes representan la parcial (elasticidad) de la variable dependiente
con respecto al regresor bajo consideración. Por ejemplo el coeficiente
0.94 en Eq (3) significa que si la salida en kw-h aumenta en un 1% en
promedio. El costo total de producción se incrementa en 0.94%.
De manera similar, en Eq (4) si el precio de la mano de obra en relación
con el precio del combustible aumenta en un 1% en promedio, el costo
relativo de la producción se incrementa en 0.51%.
c) ¿Cómo averiguaría si la restricción (α1 + α2 + α3) = 1 es válida? Muestre
sus cálculos. 8.28.
SOLUCION:
Utilice la F de la sgte manera:
F(RSSR-RSSUR)NR(0.364-0.336)71
(/-RSSUR)/n-k(1-0.336)/24 donde:
NR=número de restricciones.
Este F no es, importante: el 5% valor critico de F 1 Y 24 numerador y
denominador df, respectivamente, es 4,26.por lo tanto, no rechazamos la
hipótesis nula de que la suma de las elasticidades de precios es 1.

Pregunta 8.28. Estimación del modelo de asignación de precios de activos de


capital (CAPM). En la sección 6.1 consideramos brevemente el conocido
modelo de asignación de precios de activos de capital de la teoría moderna
de portafolios. En el análisis empírico, el CAPM se estima en dos etapas.

Etapa I (Regresión de serie de tiempo). Para cada uno de los N títulos


incluidos en la muestra efectuamos la siguiente regresión a través del
tiempo:

Rit = άi + βi Rmt + eit (1)

Donde Rit y Rmt son las tasas de rendimiento del i-ésimo título y el
portafolios del mercado (por ejemplo, el S&P 500) en el año t; βi, como
ya vimos, es el coeficiente beta o coeficiente de volatilidad del mercado
del i-ésimo título y eit son los residuos. En total hay N regresiones, una
para cada título, y se producen, por consiguiente, N valores estimados
para βi.

Etapa II (Regresión transversal). En esta etapa efectuamos la


siguiente regresión para los N títulos:

| Ri | = γ1 + γ2 βi + ui (2)

Donde Ri es el promedio o tasa media de rendimiento para el título i,


calculado sobre el periodo muestra cubierto por la etapa I, βi es el
coeficiente beta estimado de la regresión de la primera etapa y ui es el
término residual. Al comparar la regresión (2) de la segunda etapa con el
CAPM, ecuación (6.1.2), escrita como

ERi = rf + βi ( ERm - rf ) (3)


Donde rf es la tasa de rendimiento libre de riesgo, vemos que γˆ1 es una
estimación de rf y es γˆ2 una estimación de (ERm − rf), la prima del riesgo
del mercado.

Así, en la prueba empírica de CAPM, Ri y βi se utilizan como


estimadores de ERi y βi respectivamente. Ahora, si se mantiene CAPM,
estadísticamente,

γ1 = rf

γ2 = Rm - rf , el estimador de ( ERm - rf )

Considere ahora otro modelo:

Ri = γ1 + γ2 βi + γ3 s2e1 + ui (4)

Donde s2e1 es la varianza residual del i-ésimo título de la regresión de la

primera etapa. Entonces, si CAPM es válido, γˆ3 no debe ser


significativamente diferente de cero. Para probar el CAPM, Levy efectuó
las regresiones (2) y (4) sobre una muestra de 101 acciones durante el
periodo 1948-1968 y obtuvo los siguientes resultados: *

Ri = 0.109 + 0.037 βi

(0.009) (0.008)

t = (12.0) (5.1) R2 = 0.21

Ri = 0.106 + 0.0021 βi + 0.201 s2e1

(0.008) (0.007) (0.038)

t = (13.2) (3.3) (5.3) R2 = 0.39

a) ¿Apoyan estos resultados el CAPM?


b) ¿Se justifica agregar la variable s2e1 al modelo? ¿Cómo sabe?
c) Si el CAPM se mantiene, γˆ1 en (2) debe aproximar el valor promedio
de la tasa libre de riesgo rf. El valor estimado es 10.9%. ¿Parece una
estimación razonable de la tasa de rendimiento libre de riesgo durante
el periodo de observación, 1948-1968? (Se puede considerar la tasa
de rendimiento de los bonos del Tesoro o de un activo libre de riesgo
relativamente parecido.)
d) Si el CAPM se mantiene, la prima de riesgo del mercado (Rm − rf ) de
(2) es cerca de 3.7%. Si se supone que rf es 10.9%, esto implica que
R¯ m para el periodo de la muestra fue aproximadamente 14.6%.
¿Parece una estimación razonable?
e) ¿Qué puede decir sobre el CAPM en general?

SOLUCIÓN:

a) NO, La estimación γ3 es significativamente diferente de cero, como t


tiene un valor de 5.3.
b) SI, desde que arroja luz sobre la validez de la teoría. También,
estadísticamente es significativo, como se indica en (a).
c) NO, esto parece demasiado alta para volver a las letras del Tesoro de
U.S.
d) NO, nuevamente esto parece relativamente alto.

e) Un estudio de la literatura reciente sobre CAMP sugiere que el modelo


puede no ser apropiado en todas las estaciones.

Pregunta 8.29. Consulte el ejercicio 7.21c. Ahora que ya cuenta con las
herramientas necesarias, ¿cuál(es) prueba(s) utilizaría(n) para elegir entre los
dos modelos? Muestre los cálculos necesarios. Observe que las variables
dependientes en los dos modelos son distintas.

SOLUCIÓN:

Vamos a discutir sólo los resultados en función de la tasa de las letras


del Tesoro; el resultado basado en la tasa a largo plazo son paralelas
EL modelo del ejercicio 7.21 (a) es un modelo no restringido, y que en
(b) es un modelo restringido. Ya que la variable dependiente en los
modelos diferentes, nosotros usamos la prueba F dada en (8.7.9). El
RSS restringido y no restringido son respectivamente, 0.0772 y 0.0463.
Note que nosotros tenemos que poner solo una restricción, es decir, que
el coeficiente de Y en el primer modelo es único.

(0.0772 −0.0463)1
F= = 10.69
(0.0463)(19−3)

Para 1 y 16 nominador y df denominador, respectivamente, el 5% del


valor crítico de F es de 4.49. Por lo tanto rechazamos el modelo
restringido y concluimos que la elasticidad ingreso real es menor que
la unidad.

Para utilizar la prueba de la t dada en (8.7.4), necesitamos saber la


covarianza entre los dos estimadores de pendiente. A partir de los
datos dados, puede que se muestra que cov (𝛽2 , 𝛽3 ) = −0.33319.

La aplicación de (8.7.4) para los datos de México, se obtiene:

(0.3397 + 0.8460 − 1)
𝑡= = 1.94
√0.0345 + 0.0087 + 2(−0.0173)

Pregunta 8.30. Consulte el ejemplo 8.3. Utilice la prueba t, como se muestra


en (8.6.4), para averiguar si hubo rendimientos constantes a escala en la
economía mexicana para el periodo de estudio
SOLUCIÓN:
Vamos a discutir sólo los resultados en función de la tasa de las letras
del Tesoro; los resultados en función de la tasa a largo plazo son
paralelos.

El modelo en el ejercicio 7.21 (a) es el modelo no restringido y que en


(b) es el modelo restringido. Ya que la variable dependiente en los dos
modelos es diferente, utilizamos la prueba dada en (8.7.9). El flujo
restringido y no restringido son, respectivamente, 0,0772 y 0,0463.
Tenga en cuenta que hemos puesto sólo una restricción, es decir, que
el coeficiente de Y en el primer modelo es la unidad.

(0.0772 − 0.0463)/1
𝑓= = 10.69
(0.0463)/(19 − 3)
Para 1 y 16 numerador y denominador df, respectivamente, el valor de
F crítica 5% es 4,49. Por lo tanto rechazamos el modelo restringido y
concluimos que la elasticidad ingreso real es menor que la unidad

Pregunta 8. 32. Consulte el ejercicio 1.7, en el que se dieron datos sobre los
impactos publicitarios que se recuerdan y los gastos publicitarios para una
muestra de 21 empresas. En el ejercicio 5.11 se pidió graficar esos datos y
elaborar un modelo apropiado sobre la relación entre dichas variables. Con Y
como los impactos publicitarios recordados y X el gasto publicitario, se
obtuvieron las siguientes regresiones:

Modelo I: 𝑌̂𝐼 = 22.163 + 0.3631𝑋𝑖

𝑒𝑒 = (7.089)(0.0971) 𝑟 2 = 0.424

Modelo II: 𝑌̂𝐼 = 7.059 + 1.0847𝑋𝑖 − 0.0040𝑋𝑖2

𝑒𝑒 = (9.986)(0.3699)(0.0019) 𝑅 2 = 0.53

a) Interprete ambos modelos


b) ¿Cuál es el mejor modelo y por qué?
c) ¿Qué prueba(s) estadística(s) utilizaría para elegir entre los dos
modelos?
d) ¿Hay “rendimientos decrecientes” del gasto publicitario?, es decir,
¿después de un determinado nivel de gasto publicitario (el nivel de
saturación) ya no conviene gastar en publicidad? ¿Puede descubrir
cuál sería ese nivel de gasto? Muestre los cálculos necesarios.

SOLUCIÓN:

En el modelo de coeficiente de la pendiente nos dice que el aumento


por unidad en el gasto en publicidad, en promedio, conservaron
impresiones suben por 0.363 unidades. En el modelo II de la tasa
(promedio) de aumento de las impresiones retenidas depende del nivel
de los gastos de publicidad. Tomando la derivada de Y con respecto a
X, se obtiene:
𝜕𝑌
= 1.0847 − 0.008𝑋
𝜕𝑋

Esto sugeriría que retienen las impresiones aumentan a una tasa


decreciente a medida que aumenta el gasto de publicidad.

& C) podemos tratar el Modelo I como la abreviada, o restringido,


versión del modelo II y, por tanto, puede utilizar la técnica restringida
por mínimos cuadrados para decidir entre los dos modelos. Dado que
la variable dependiente en los dos modelos es el mismo, podemos usar
la versión R2 de la prueba F. los resultados son los siguientes:
(0.53 − 0.424)/1 0.106
𝐹= = = 4.0613
(1 − 0.53)/18 0.0261

Bajo los supuestos habituales de la prueba F, el valor F anterior sigue


la distribución F con 1 df y 18 f en el numerador y el denominador
respectivamente. Por estas dfs el valor critico F es (5%) y 4.41 (nivel de
10%) 3.01; el valor P es 0.0591 o alrededor del 6% que es cercano al
5%. Parece que hay q retener la variable X al cuadrado en el modelo.

Como se ha indicado en (b), se reducen las utilidades a los gastos de


publicidad; el coeficiente del término al cuadrado fueron positivos, no
habría habido rendimiento creciente de la publicidad al igual la derivada
de (b) a cero, obtenemos:

1.0847 = 0.008𝑋 , lo que da 𝑋 = 135.58

En este valor de X la tasa de aumento de Y con respecto a X es cero.


Dado que X se mide en millones de dólares o, podemos decir que en el
nivel de gasto de cerca de 136 millones de dólares no hay más
ganancias en las impresiones retenidas que midieron en millones de
dólares.
Pregunta 8.33. En la regresión (7.9.4) presentamos los resultados de la
función de producción Cobb-Douglas ajustados al sector manufacturero de los
50 estados de Estados Unidos y Washington, D.C., para 2005. Con base en
esa regresión determine si hay rendimientos constantes a escala en ese
sector, mediante:

a) La prueba t dada en (8.6.4). La covarianza entre los dos


estimadores de pendiente es −0.03843.
b) La prueba F dada en (8.6.9).
c) ¿Existe alguna diferencia en los resultados de estas dos
pruebas? ¿Cuál es su conclusión respecto de los rendimientos a escala
en el sector manufacturero de los 50 estados y Washington, D.C., en el
periodo de muestra?

SOLUCIÓN:

a) Usando los datos de regresión (7.9.4) en (8.7.4), obtenemos:


(1.4988 + 0.4899 − 1) 0.9887
𝑡= = = 2.0849
√(0.5398)2 + (0.1020)2 − 2(0.03843) 0.4742

Dado que el tamaño de la muestra es de 15, tenemos 12 df. El valor


anterior de t es significativa al nivel de 5%, lo que sugiere que los
rendimientos quizá no fueron crecientes a escala en el sector agrícola de
Taiwan.

b) La imposición de los rendimientos constantes a escala de restricción,


los resultados de la regresión son los siguientes:
𝑌 𝑋3
ln ( ) = 1.7086 + 0.6129 ln ( )
𝑋2 𝑋2

𝑠𝑒 = (0.4159)(0.0933)

𝑅 2 = 0.7685 𝑅𝑆𝑆 = 0.0915


El flujo sin restricciones, RSS, de la regresión (7.9.4) es 0.0672 y el flujo
restringido RSS, RSSUR, de la regresión dada en (b) es 0.0915.
Utilizando la F dada en (8.7.9), obtenemos:

(0.0915 − 0.0672)/1 0.106


𝐹= = = 4.3393
(0.0672)/12 0.0261

Bajo los supuestos habituales de la prueba F, el valor de F anterior tiene


la distribución F con 1 gl en el numerador y df 12 en el denominador.
El valor p de obtener un valor F de hasta 4,34 o mayor es de
aproximadamente 0,0593 o aproximadamente 6 por ciento, que cerca
del nivel de 5 % de significancia. De nuevo, parece que hubo cada
vez más los rendimientos de escala en el sector agrícola de Taiwan.

Tenga en cuenta que la ligera diferencia en el nivel F de importancia se


debe a errores de redondeo. También tenga en cuenta que, dado que
las variables dependientes en los modelos con y sin restricciones son
diferentes, no podemos usar el valor de R2 de la prueba F.

Pregunta 8.34. Reconsidere la regresión ahorro-ingreso de la sección 8.7.


Suponga que dividimos la muestra en dos periodos: 1970-1982 y 1983-1995.
Mediante la prueba de Chow determine si existe un cambio estructural en la
regresión ahorro-ingreso para los dos periodos. Al comparar los resultados
con los obtenidos en la sección 8.7, ¿qué conclusiones generales deduce
respecto de la sensibilidad de la prueba de Chow a la elección del punto
crítico que divide la muestra en dos (o más) periodos?

SOLUCIÓN:

Siguiendo exactamente los pasos que se indican en la Sec. 8.8, aquí


están las diversas sumas de cuadrados residuales:

𝑅𝑆𝑆1 = 1953.639 (1970 − 1982)

𝑅𝑆𝑆2 = 9616.213 (1983 − 1995)

𝑅𝑆𝑆 = 23248.3 (1970 − 1995) Que es el restringido RSS

Ahora 𝑅𝑆𝑆𝑈𝐾 = (1953.639 + 9616.213) = 11569.852


Utilizando la prueba F, obtenemos:

(𝑅𝑆𝑆𝑅 − 𝑅𝑆𝑆𝑈𝐾 )/𝑘


𝐹=
𝑅𝑆𝑆𝑈𝐾 /(𝑛1 + 𝑛2 − 2𝑘)

11678/2
𝐹= = 11.1032
11569.852/22

El valor p para obtener un valor F de hasta un 11 o mayor es


aproximadamente 0,0005, una probabilidad muy pequeña de hecho.

Aunque la conclusión general de este ejercicio y el ejemplo discutido en


la sec. 8.8 sigue siendo el mismo, es decir, que hubo un cambio
estadísticamente significativo en la regresión ahorro de recursos. Sin
embargo, como se puede ver a partir de los valores de F, la respuesta
depende del punto de equilibrio elegido para dividir la muestra.

Pregunta 8. 35. Consulte el ejercicio 7.24 y los datos de la tabla 7.12 relativos
a cuatro variables económicas en Estados Unidos durante el periodo 1947-
2000.

a) Con base en la regresión del gasto de consumo sobre el ingreso real,


la riqueza real y la tasa de interés real, averigüe qué coeficientes de
regresión son estadísticamente significativos, en lo individual, en el
nivel de significancia de 5%. ¿Los signos de los coeficientes estimados
concuerdan con la teoría económica?
b) Con base en los resultados de a), ¿cómo estimaría las elasticidades
del ingreso, riqueza y tasa de interés? ¿Qué información adicional, si
acaso, necesita para calcular las elasticidades?
c) ¿Cómo probaría la hipótesis de que las elasticidades del ingreso y la
riqueza son iguales? Muestre los cálculos necesarios.
d) Suponga que en lugar de la función lineal de consumo que estimó en
a), hace la regresión del logaritmo del gasto de consumo sobre los
logaritmos del ingreso y de la riqueza y la tasa de interés. Obtenga los
resultados de la regresión. ¿Cómo interpretaría estos resultados?
e) ¿Cuáles son las elasticidades del ingreso y la riqueza estimadas en d)?
¿Cómo interpreta el coeficiente de la tasa de interés estimado en d)?
f) En la regresión realizada en d), ¿pudo haber usado el logaritmo de la
tasa de interés en lugar de la tasa de interés? ¿Por qué?
g) ¿Cómo compara las elasticidades estimadas en b) y en d)?
h) Entre los modelos de regresión estimados en a) y d), ¿cuál preferiría?
¿Por qué?
i) Suponga que en lugar de estimar el modelo dado en d), sólo hace la
regresión del logaritmo del gasto de consumo sobre el logaritmo del
ingreso. ¿Cómo decidiría si vale la pena agregar el logaritmo de la
riqueza al modelo? ¿Y cómo decidiría si vale la pena agregar tanto el
logaritmo de la riqueza como la tasa de interés al modelo? Muestre los
cálculos necesarios.

SOLUCIÓN:

a) Consumo real = ingreso disponible riqueza real interés nominal


𝑐̂ = −20.63 + 0.73 − 20.63 + 0.73𝑌𝑑 + 0.03𝑅𝑖𝑞𝑢 − 5.52𝑖𝑛𝑡𝑒𝑟é𝑠

Prueba de confianza

𝐻0 : 𝛽2 = 𝛽3 = 𝛽4 = 0 Parámetros no son significativos

𝐻1 : 𝛽2 = 𝛽3 = 𝛽4 ≠ 0 Son significativos

Prueba F

𝑉𝑎𝑟𝑦̂
𝐹𝑖 = 𝑉𝑎𝑟𝑢̂ = 27838.41

F tabla GLN = 4 – 1 = 3

GLD = 54 – 4 = 50

5% = 4.13

Se rechaza Ho

Los signos concuerdan con la teoría económica:


 A mayor ingreso disponible aumenta el consumo.
 Una parte de la riqueza se puede utilizar para consumir.
 La tasa de interés afecta negativamente al consumo real por
ejemplo cuando una familia pide un préstamo las tasas de interés
son activas.
b) Falta especificar las restricciones.
Pero asumamos que el ingreso, la riqueza y los intereses son datos no
relacionados en el sentido que el consumo real no se vea afecta por el
interés.

Elasticidades: 𝐻0 : 𝛽4 = 0

Por consiguiente, la restricción restringida se transforma en:

𝐼𝑛𝑐 = 𝛽1 + 𝛽2 𝑙𝑛𝑥2𝑡 + 𝛽3 𝑙𝑛𝑥3𝑡 + 𝑢𝑡

Se estimaría aplicando logaritmos las elasticidades.

c) Probaría la hipótesis comparando la regresión no restringida con la


regresión restringida.
(𝑅 2 𝑁𝑅−𝑅 2 𝑅)/𝑚
Dónde: 𝐹 = (1−𝑅2 𝑁𝑅)/(𝑛−𝑘)

d) sol.
e) 𝑐̂ = −0.39 + 0.80𝑌𝑑 + 0.19𝑅𝑖𝑞𝑢𝑒𝑧𝑎
Las elasticidades del ingreso y riqueza son positiva (0.997) en la
función del consumo lo que implica que es inelástica y el coeficiente de
la tasa de interés no afecta la función.

(0.99952 − 0.99945)/1
𝐹= = 6.36
(1 − 0.99945)/50

Que tiene una distribución F con 1 y 50 gl.

En el nivel de 5% se aprecia con claridad que este valor F no es


estadísticamente significativo (F5%(1,50) =4.00. La Función del
consumo no depende de la tasa de interés nominal.

f) No se pudo utilizar ambos casos porque en la regresión estimada la


tasa de interés afecta inversamente el consumo real.

g) No se pueden comprobar ya que faltan datos para estimar las


elasticidades en b.

h) Se preferiría la regresión estimado en d ya que reflejan las


elasticidades de los variables analizados y tiene un nivel de explicación
mayor.
La teoría económica nos dice que el gasto de consumo está en función
del ingreso real, pero una parte del ingreso se ahorra, En un
determinado tiempo ese ahorro pasa ser un stock de riqueza, el
individuo va a decidir si guarda su parte de riqueza en un banco a una
tasa de interés y todo dependerá de la atractiva tasa de interés.

Pregunta 8.36. Consulte la sección 8.8 y los datos de la tabla 8.9 relativos al
ingreso personal disponible y el ahorro personal durante el periodo 1970-
1995. En esa sección se introdujo la prueba de Chow para ver si ocurría un
cambio estructural dentro de los datos entre dos periodos. La tabla 8.11
incluye datos actualizados con los valores de 1970-2005. Según el National
Bureau of Economic Research, el ciclo de contracción del sector empresarial
estadounidense más reciente terminó a finales de 2001. Divida los datos en
tres secciones:
1) 1970-1981, 2) 1982-2001 Y 3) 2002-2005.

AÑO AHORRO INGRESO AÑO AHORRO INGRESO AÑO AHORRO INGRESO

1970 735.7 735.7 1982 270.8 2 421.2 2002 184.7 7 830.1


1971 80.6 801.8 1983 233.6 2 608.4 2003 174.9 8 162.5
1972 77.2 869.1 1984 314.8 2 912.0 2004 174.3 8 681.6
1973 102.7 978.3 1985 280.0 3 109.3 2005 34.8 9036.1
1974 113.6 1 071.6 1986 268.4 3 285.1
1975 125.6 1 187.4 1987 241.4 3 458.3
1976 122.3 1 302.5 1988 272.9 3 748.7
1977 125.3 1 435.7 1989 287.1 4 021.7
1978 142.5 1 608.3 1990 299.4 4 285.8
1979 159.1 1 793.5 1991 324.2 4 464.3
1980 201.4 2 009.0 1992 366.0 4 751.4
1981 244.3 2 246.1 1993 284.0 4 911.9
1994 249.5 5 151.8
1995 250.9 5 408.2
1996 5 688.5 5 688.5
1997 218.3 5 988.8
1998 276.8 6 395.9
1999 158.6 6 695.0
2000 168.5 7 194.0
2001 132.3 7 486.8

Periodo 1970-1981: Yt = λ1 + λ2Xt + u1t n1=12


Periodo 1982-2001: Yt = λ1 + λ2Xt + u1t n2=20
Periodo 1982-2001: Yt = λ1 + λ2Xt + u1t n3=4
Periodo 1970-2005: Yt = α1 + α2Xt + ut n = (n1 + n2+n3) = 36

a) Estime tanto el modelo correspondiente al conjunto completo de datos


(años 1970- 2005) como el correspondiente a la tercera sección (a
partir de 2002). Use la prueba de Chow para determinar si existe una
ruptura significativa entre el tercer periodo y el conjunto completo de
datos.

𝑌̂𝑡 = 3006.503 + 4.8410𝑋𝑡


𝑡 = (2.6898) (0.9520)

𝑅 2 = 0.025964 𝑅̅ 2 = −0.002684 𝑆𝐶𝑅 = 2.16 𝑔𝑙 = 36

𝑌̂𝑡 = 9267.898 + (−5.910482)𝑋𝑡


𝑡 = (−1.828488) (18.47895
𝑅 2 = 0.625704 𝑅̅ 2 = −0.438557 𝑆𝐶𝑅 = 322670.0 𝑔𝑙 = 4
Para ello debemos hallamos la SCR para poder ver la prueba de Chow, con
ello comparamos las SCR total con la SCR3.
𝑆𝐶𝑅𝑇𝑂𝑇𝐴𝐿 − (𝑆𝐶𝑅1 + 𝑆𝐶𝑅2 + 𝑆𝐶𝑅3)
𝐹= 𝐾
(𝑆𝐶𝑅1 + 𝑆𝐶𝑅2 + 𝑆𝐶𝑅3)
𝑛1 + 𝑛2 + 𝑛3 − 2 ∗ 𝑘

b) Con los nuevos datos de la tabla 8.11 determine si todavía existe


diferencia significativa entre el primer grupo de años (1970-1981) y el
conjunto completo de datos ahora que dispone de más observaciones.
𝑌̂𝑡 = 126.8835 + 0.280799𝑋𝑡
𝑡 = (13.06807) (1.282069)

𝑅 2 = 0.944682 𝑅̅ 2 = 0.939151 𝑆𝐶𝑅 = 147111.9 𝑔𝑙 = 12


c) Ejecute la prueba de Chow con el periodo intermedio (1982-2001) en
relación con el conjunto completo de datos para ver si los datos de este
periodo muestran diferencias significativas respecto del resto de los
datos.

𝑌̂𝑡 = 8643.450 + (−15.06703)𝑋𝑡


𝑡 = (−2.931039) (6.413542)

𝑅 2 = 0.323079 𝑅̅ 2 = 0.285472 𝑆𝐶𝑅 = 28976276 𝑔𝑙 = 20