ECONOMETRÍA 1

GRUPO DADE
Profesor Rafael de Arce
26 de enero de 2008

NOMBRE: _______________________________________
DNI: _________________

La Dirección General de Tráfico se plantea hacer un modelo econométrico para medir

el efecto de las medidas de seguridad pasiva sobre el número de víctimas mortales en
accidentes de tráfico. Realiza dos especificaciones distintas:

a) MUERTOS/PARQUE = C(1) + C(2)*SEG_PASIVA + C(3)*KM_CARRETERA + U1

b) MUERTOS = C(1) + C(2)*PARQUE + C(3)*SEG_PASIVA + C(4)*KM_CARRETERA

+ U2

Obteniendo los siguientes resultados:

Regresión 1:

Dependent Variable: MUERTOS

Method: Least Squares
Sample(adjusted): 1981 2006
Included observations: 26
Variable Coefficient Std. Error t-Statistic Prob.
C 38275.05 14503.38 2.639043 0.0150
PARQUE -0.000795 0.000326 -2.442657 0.0231
SEG_PASIVA -38238.45 22217.16 -1.721122 0.0993
KM_CARRETERA 574.1572 258.5272 2.220877 0.0370
R-squared 0.501707 Mean dependent var 6336.538
Adjusted R-squared 0.433758 S.D. dependent var 1378.286
S.E. of regresión 1037.148 Akaike info criterion 16.86697
Sum squared resid 23664863 Schwarz criterion 17.06053
Log likelihood -215.2707 F-statistic 7.383566
Durbin-Watson stat 0.404549 Prob(F-statistic) 0.001340

Regresión 2:

Dependent Variable: MUERTOS/PARQUE

Method: Least Squares
Sample(adjusted): 1981 2006
Included observations: 26
Variable Coefficient Std. Error t-Statistic Prob.
C 0.002477 0.000719 3.446664 0.0022
SEG_PASIVA -0.003008 0.001179 -2.551813 0.0178
KM_CARRETERA -1.31E-05 3.18E-06 -4.121390 0.0004
R-squared 0.895188 Mean dependent var 0.000390
Adjusted R-squared 0.886074 S.D. dependent var 0.000167
S.E. of regresión 5.64E-05 Akaike info criterion -16.62043
Sum squared resid 7.31E-08 Schwarz criterion -16.47526
Log likelihood 219.0655 F-statistic 98.22062
Durbin-Watson stat 0.330086 Prob(F-statistic) 0.000000
Donde:

MUERTOS Fallecidos en accidente de tráfico

PARQUE Parque de vehículos de automóviles en España
SEG_PASIVA Mejoras en seguridad pasiva en el automóvil
KM_CARRETERA Km nuevos de carretera en España

Matriz de correlaciones entre las variables

MUERTOS PARQUE SEG_PASIVA

MUERTOS 1.000000 -0.609954 -0.596239
PARQUE -0.609954 1.000000 0.868732
SEG_PASIVA -0.596239 0.868732 1.000000

REGRESIÓN 1 REGRESIÓN 2
10000 0.0008

0.0006
8000

3000 0.0004
6000 0.00015
2000 0.00010 0.0002
4000
0.00005
1000 0.0000
0.00000
2000
0
-0.00005
-1000 -0.00010
-0.00015
-2000 82 84 86 88 90 92 94 96 98 00 02 04 06
82 84 86 88 90 92 94 96 98 00 02 04 06
Residual Actual Fitted
Residual Actual Fitted

Real Estimada
Obs MUERTOS MUERTOSF Reg. 2 Reg. 2
1981 6409 6728.8 0.601 0.663
1982 5832 6727.3 0.522 0.636
1983 6066 6369.2 0.522 0.579
1984 6275 7550.0 0.561 0.586
1985 6374 7666.6 0.544 0.570
1986 7045 7850.9 0.574 0.561
1987 7615 7748.8 0.583 0.544
1988 8252 7510.6 0.594 0.518
1989 9344 7264.1 0.628 0.502
1990 9032 7059.5 0.575 0.479
1991 8836 6699.6 0.535 0.445
1992 7818 6241.6 0.451 0.402
1993 6378 6265.7 0.358 0.374
1994 5615 6100.7 0.308 0.329
1995 5751 6190.6 0.305 0.317
1996 5483 6097.8 0.281 0.295
1997 5604 6173.6 0.276 0.289
1998 5957 5764.7 0.280 0.262
1999 5738 5619.3 0.256 0.262
2000 5776 5656.1 0.248 0.261
2001 5517 5720.4 0.228 0.268
2002 5347 5674.2 0.213 0.257
2003 5399 6382.3 0.215 0.261
2004 4741 5338.6 0.179 0.200
2005 4442 4650.1 0.161 0.164
2006 4104 3698.8 0.142 0.115
 Valor t-Student
Grados Lib. 95% confianza
20 2.4231
21 2.4138
22 2.4054
23 2.3979
24 2.3909

1. Conteste a las siguientes preguntas:

a) Valore cada una de las especificaciones realizadas.

b) Sabiendo que el parque de automóviles en 2007 es de 30.160.000, ¿cuántos

fallecidos como máximo, y con una probabilidad del 95%, estima que podrían
producirse durante ese año?

2. ¿Qué implicaciones tiene la función de distribución de las perturbaciones aleatorias

sobre la estimación de los parámetros?

3. Apoyándose en cuantas hipótesis básicas sean necesarias, calcule la esperanza de

los parámetros MCO del MBRL y determine las consecuencias del resultado obtenido.
4. Demuestre la fórmula de cálculo del estimador máximo verosímil de la varianza de
las perturbaciones aleatorias. ¿Por qué no se utiliza éste estimador? Razone la
respuesta.

5. En los contrastes “F” ¿qué dos modelos se comparan? ¿Podría poner algún ejemplo
de aplicación de dicho contraste distinto al de la nulidad de todos los parámetros?

6. ¿Por qué y para qué se emplean estimaciones de regresiones recursivas en la

validación del modelo?

7. ¿Qué se pretende contrastar con el método de Janus? ¿Por qué se llama medida
de bondad a posteriori?
8. ¿Qué implicaciones tiene la muestra pequeña sobre la validación del modelo?

9. ¿Qué problemas produciría la presencia de un cambio de estructura no corregido en

el modelo?

10. ¿Cuál es la relación existente entre el contraste F de significación conjunta y la R

cuadrado del modelo? Demuestre su expresión.

11. ¿Qué información adicional al mero coeficiente de correlación lineal de Pearson

produce las R’s cuadrado de las regresiones parciales – cada exógena en función de
las demás -?