ECONOMETRA I

Licenciatura ADE. Curso 2004 - 2005

Profesor Ra!n Ma"#a
E$ERCICIO% & C'E%TIONE% DE APO&O
%ECCI(N )* CONTRA%TE% DE %I+NI,ICACI(N & AN-LI%I% DE .ONDAD
DEL MODELO .-%ICO DE RE+RE%I(N LINEAL
C'E%TIONE% .-%ICA%
- /Cu01 es 1a uti1i2a2 e3#rica 2e 2eterinar un inter4a1o 2e confian5a
a1re2e2or 2e un 3ar0etro estia2o6.
La determinacin de los parmetros permite calcular SIEMPRE un valor central del
estimador supuestas unas determinadas propiedades estadsticas relativas a la
distribucin del valor terico de los mismos. Sin embargo, esta estimacin puntual no
ofrece informacin sobre la precisin del parmetro, esto es, sobre su rango de
variabilidad alrededor del valor central. Sin esa informacin, ue se obtiene
precisamente de la construccin del intervalo de confian!a los resultados seran
difciles de interpretar " el modelo difcil de mane#ar como instrumento de anlisis,
simulacin o prediccin, "a ue desconocemos la fiabilidad estadstica del valor del
parmetro obtenido.
- %i e1 3ar0etro 7 estia2o se 2istri8u9e coo una nora1: /Por;u<
uti1i5aos una 2istri8uci!n =t> en 1u?ar 2e una =Nora1> 3ara e1a8orar 1a
e@3resi!n 2e1 inter4a1o 2e confian5a 2e 1os 3ar0etros estia2os6
La ra!n estriba en ue, si bien es cierto ue el estimador de los parmetros $ se
distribu"e conforme a una normal, esto es%
Para la matri! de parmetros estimados% ( ) ( )
1 2
' ,

& & '
o para un parmetro especfico $
#
%
( )
## # #
a '
2
,

donde (
)
representa la varian!a constante de la perturbacin aleatoria *+, " a
##
los
valores de la diagonal principal de *&-&,
./
, nosotros utili!aremos un estimador para la
varian!a (
)
de +0 es decir, utili!aremos

en lugar del valor real (

)
. Por tanto, la
distribucin estandari!ada del parmetro, ue en t1rminos reales se distribuira como
una normal *2,/,%
( ) 1 , 0

'
a
##
# #

es a3ora reempla!ada por%
?

##
# #
a


Puede demostrarse ue esta nueva distribucin es una 4t5 de Student. Recordemos,
para ello, ue una 4t5 se define como%
( )
6 n
6 n
'
t

=
2
1 , 0

7 esta es precisamente la combinacin de distribuciones ue tenemos con la e8presin

anterior. Efectivamente, podemos desarrollar%
6 n
a
e e
a
6 n
e e a
##
# #
##
# #
##
# #

2
'

'

" a3ora, puede demostrarse ue
2 2 2 2
' ' '

+
M
+ M+ + e e
= =
es una suma de 4n.65 normales *2,/, al cuadrado, es decir, una 9
)
con 4n.65 grados de
libertad, de modo ue%
6 n
6 n ##
# #
##
# #
##
# #
t
'
6 n
a
e e
a
6 n
e e a

= =

2
2
) 1 , 0 (
'

'

:s pues, la e8presin general del intervalo ue, para una 'ormal sera%
( ) ( ) [ ]

= + 1

Pr
2 / 2 /
;< ' ;< '
ueda a3ora%
( ) ( ) [ ]

= + 1

Pr
2 / 2 /
;< t ;< t
- /Au< se entien2e 3or =3rue8a t>
B
en e1 conte@to 2e 1a estiaci!n 2e 1os
3ar0etros 2e un M.RC6
La 4prueba t5 o clculo de la 4t de Student5 es un contraste de significacin por el
cual se utili!an los resultados muestrales de la estimacin para verificar la verdad o
falsedad de una determinada 3iptesis. En el caso de la estimacin param1trica, esa
1
Utilizando la terminologa de Gujarati, !"! (200#) $%onometra &%!Gra'(ill!
4prueba t5 se utili!a para verificar la verdad o falsedad de la 3iptesis nula de ue el
verdadero valor de cada uno de los parmetros del modelo es nulo. En caso de
demostrarse ue esta 3iptesis es cierta, la variable relativa a ese parmetro no
debera incluirse en la especificacin al entenderse ue su relacin con la endgena
*medida precisamente por el valor del parmetro, es nula.
- /Au< incon4enientes 3resenta 1a ratio =,> coo contraste 2e si?nificaci!n
conDunta6
El inconveniente principal tiene ue ver con la 3iptesis nula ue se contrasta. La
3iptesis nula postula ue el valor de <=;=S los parmetros reales del modelo
planteado es simultneamente nulo. Esta 3iptesis tiene poca verosimilitud dado ue es
de suponer ue, tras un cuidado proceso de especificacin, el analista 3abra
euivocado el /22> de la seleccin del con#unto de variables ue considera de inter1s
para anali!ar la endgena.
- /Au< 4entaDa se 2eri4a 2e 1a estiaci!n 2e un M.RC u1ti4ariante
uti1i5an2o 4aria81es estan2ari5a2as6
:l estandari!ar las variables antes de la estimacin de los parmetros eliminamos el
efecto de las unidades de medida de cada una de ellas sobre el valor de los parmetros.
:s pues, los parmetros obtenidos de la regresin con variables estandari!adas
pueden compararse unos con otros a fin de determinar la variable con ms 4peso5, las
4ms importante5 cuantitativamente 3ablando sobre los movimientos de la variable
endgena.
- /C!o se inter3reta e1 4a1or 2e 1a 3ro8a8i1i2a2 ;ue: a 1a 2erec"a 2e 1a ratio
=t> Een 1a F1tia co1una 2e1 3ane1 2e resu1ta2osG a3arece coo resu1ta2o
80sico en cua1;uier estiaci!n 2e un o2e1o rea1i5a2o 3or E-CieHs6
Esa probabilidad se denomina t1cnicamente p.value " es el nivel e8acto de
significacin ms ba#o al ue puede rec3a!arse la 3iptesis nula *parmetro?2,. Es
decir, para un nivel de significacin ma"or, la 3iptesis nula debe aceptarse. +na
interpretacin ms sencilla es considerar ese valor como la probabilidad e8acta de
cometer un error de tipo I, es decir, de rec3a!ar la 3iptesis nula *aceptando por tanto
el parmetro como significativo, siendo cierta. :s pues, si observamos un valor de, por
e#emplo, 2,2@ *en tantos por uno,, diramos ue, al aceptar el parmetro como
significativo, 4arriesgamos5 un @> o, lo contrario, tomamos una decisin correcta con
un nivel de confian!a del A@>.
- /C!o se inter3reta e1 4a1or 2e 1a R
2
6
El valor de la R
)
es el porcenta#e de la varian!a de la variable endgena real ue es
capa! de reproducir el modelo. Si observamos ue analticamente la varian!a de la
endgena real puede descomponerse en la suma de la varian!a de la endgena
estimada ms la del error " damos por supuesto ue el ob#etivo del anlisis de
regresin es precisamente e8plicar las variaciones de la variable endgena, parece
ra!onable pensar ue a ma"or valor de la R
)
me#or a#uste 3abremos logrado.
- Deuestre ;ue 1a 4arian5a 2e 1a en2!?ena rea1 3ue2e 2esco3onerse en 1a
sua 2e 1a 4arian5a 2e 1a en2!?ena estia2a 9 1a 4arian5a 2e1 resi2uo 2e 1a
estiaci!n.
La demostracin puede encontrarse en la pgina )BB del libro 4Modelos
Econom1tricos5 de :ntonio Pulido " Culin P1re!, edicin )22/, editorial Pirmide.
- /Cu01 es 1a 3rinci3a1 uti1i2a2 2e1 3orcentaDe e2io 2e error a8so1uto frente
a 1a sua cua2r0tica resi2ua1 e2ia6
La principal venta#a est relacionada con la medicin del error en t1rminos relativos
del porcenta#e medio de error absoluto. La medicin del error cometido en cada
observacin en porcenta#e del valor de la variable endgena para esa misma
observacin permite conocer en u1 medida el error es grande o peueDo dado el
tamaDo de la variable ue estamos anali!ando0 de otra manera, los modelos estimados
sobre variables endgenas medidas en unidades grandes tenderan a presentar errores
grandes " viceversa.
- /%i "a9 un 0@io en 1a serie en2!?ena rea1 9 un #nio en en2!?ena
estia2a ;u< error se coete en t<rinos 2e aDuste 2e ten2encia Ti3o I o
Ti3o II6
+na divergencia de este tipo se considera al mismo tiempo de tipo I " II dado ue un
m8imo es un cambio de tendencia radicalmente distinto a un mnimo.
- /Cu01 es 1a uti1i2a2 2e 1a ' 2e T"ei16
La + de <3ei compara los crecimientos de la endgena real con los de la endgena
estimada utili!ando una e8presin ue fluctEa entre 2 *m8ima coincidencia, " /
*m8ima divergencia,. La ratio permite, por tanto, conocer en u1 medida es capa! de
reproducir el modelo estimado los movimientos del fenmeno anali!ado.
E$ERCICIO% N'MIRICO%
- O8ser4e 1a si?uiente sa1i2a 2e E-CieHs en 1a ;ue se re1aciona e1 E31eo
Tota1 2e un 3a#s EEETOTG con e1 PI. en uni2a2es onetarias constantes
.ase JK E+DPMJKG 9 1a Masa %a1aria1 Tota1 Perci8i2a 3or 1os Tra8aDa2ores
E%ALEG: ta8i<n en uni2a2es constantes. Ca1cu1e 1os 4a1ores ;ue fa1tan en
1os es3acios arca2os con un interro?ante.
Dependent Variable: EETOT
Method: Least Squares
Date: 11/26/03 Tie: 23:!3
Siple: 1"#0 1""$
%n&luded obser'ations: 2"
Variable (oe))i&ient Std* Error t+Statisti& ,rob*
( !331*-33 "6$*2!6- ? ?
.D,M$6 0*26#60# ? 6*-626!- ?
S/LE ? 22$*332" +!*-#!#36 ?
0+squared ? Mean dependent 'ar 11$$3*1!
/d1usted 0+squared ? S*D* dependent 'ar !$#*1"$$
S*E* o) re2ression 3-3*33-" /3ai3e in)o &riterion 1-*612""
Su squared resid 306-$!0* S&h4ar5 &riterion 1-*#!--3
Lo2 li3elihood +20$*$$$3 6+statisti& 2#*"!0$0
Durbin+7atson stat 0*3"02-$ ,rob86+statisti&9 ?
Los valores de la ratios 4t5 para el t1rmino independiente, la desviacin tpica del
parmetro de F;PMGH o el coeficiente de S:LE pueden obtenerse todos ellos a partir
de la e8presin general de la ratio 4t5%
)

) (

;<
t =
)0*2 ! )
2)*+ ! ,*-
+## ! )##1
) ( = =
I
t
0+1+0- ! 0
+*2*)+ ! *
2*.*0. ! 0
) (
-*
= =
F;PM
;<
2,0 ! 12)0 +.).#* ! ) ##2, ! 22- = =
S:LE

Los valores de la probabilidad asociada al contraste no pueden calcularse e8actamente

pero al menos podemos e8aminar las tablas de una 4t
)A.J
5 para determinar si el valor
obtenido en las ratios 4t5 supera o no a los valores crticos de tablas. Ionsultando
estas tablas, podemos observar ue en todos los casos la ratio 4t5 supera el valor
crtico de tablas incluso con un AA> de confian!a. Ioncretamente, para el A@> de
confian!a *2,2@> de nivel de significacin, el valor crtico de la 4t5 con )H grados de
libertad es ),2@@0 con un AA> de confian!a ese valor pasa a ser ),KG, le#os, en
cualuier caso de los valores obtenidos en nuestra estimacin. Para el caso de la 4L5
ocurre algo similar *los valores obtenidos superan con muc3o los valores crticos de
tablas, dado ue los valores de referencia son, para el A@> de confian!a ),AK " para el
AA> de confian!a B,HJ. :s pues, el valor de las probabilidades ue el E.MieNs
mostrara sera, en todos los casos, mu" cercano a cero dado ue la probabilidad de
rec3a!ar la 3iptesis nula *nulidad de coeficientes individuales o del con#unto, siendo
cierta es prcticamente cero.
Para calcular la R
)
debemos observar ue el E.MieNs ofrece informacin sobre la
;esviacin <pica de la Mariable Endgena *@GK./AGG, ", por otro lado, nos ofrece
tambi1n la suma cuadrtica residual *J2HBG@2, de modo ue%
*, ! 0
) 1,-- ! )-. (
2,
#0*+-)0
1 1
2

2
= = = =
"
+
"
"
S
S
S
S
R
Para calcular la R
)
corregida aplicamos la e8presin%
*. ! 0
2*
2-
) *, ! 0 1 ( 1
1
) 1 ( 1
2 2
= =

=
6 n
n
R R
- En e1 eDe31o anterior: ca1cu1e 1os 3ar0etros estan2ari5a2os conocien2o
;ue 1a Des4iaci!n T#3ica 2e +DPMJK es LBB):542 9 1a 2e %ALE B:2M.
;ado ue la desviacin tpica de la variable endgena es @GK,/AGG, podemos calcular
los parmetros estandari!ados sencillamente a partir de la e8presin%
) (
) (

/
i
i#
# #
7 ;<
& ;<
=
.) , 2
1,-- , )-.
2, , 1
2,0 , 12)0

/
= =
S:LE

2+ , #
1,-- , )-.
)+2 , .11#
2*.*0. , 0

/
-*
= =
F;PM

;e modo ue la diferencia entre ambos parmetros no parece, una ve! estandari!ados,

tan evidente como al utili!ar las variables originales *medidas en unidades O tamaDos
mu" diferentes,.
- Coente 1a a2ecuaci!n conce3tua1 2e 1os si?nos 2e 1os 3ar0etros
o8teni2os en 1a re?resi!n anterior.
:parentemente los signos responden a la lgica de la teora econmica ms elemental.
La relacin entre empleo " PIP debe ser positiva *la actividad econmica genera
empleo, " la relacin entre el salario " el empleo debe ser negativa si entendemos ue
el salario es el coste del factor traba#o.
- Ca1cu1e e1 inter4a1o 2e 4ariaci!n 3ara e1 3ar0etro estia2o 3ara e1 PI.
E+DPMJKG con un ni4e1 2e confian5a 2e1 MMN: M5N 9 L0N.
;ado ue el valor del parmetro estimado es 2,)HH2K *ue redondeamos a 2,)K, " el
valor de su desviacin tpica es 2,2B/B2G *ue redondeamos a 2,2B,, el intervalo de
confian!a para un determinado nivel de significacin Q *o lo ue es igual, un nivel de
confian!a de /. Q , es%
( ) ( ) [ ]

= + 1

Pr
-* 2 / -* -* -* 2 / -* F;PM F;PM F;PM F;PM F;PM
;< t ;< t
Los grados de libertad de la estimacin son *n.6, )A.J?)H. Para esos grados de
libertad, los valores de la 4t5 de Student *t
QR)
, para los distintos niveles de significacin
son%
:l AA>, el valor de t
2,2/R)
?),KKA
:l A@>, t
2,2@R)
?),2@@
:l K2>, t
2,JR)
?/,2@K
:s pues, los intervalos uedan, num1ricamente as para cada caso%
[ ] [ ] 0 ,, #-1 , 0 1), , 0 Pr 0 ,, 0+ , 0 .., , 2 2. , 0 0+ , 0 .., , 2 2. , 0 Pr
-* -*
= = +
F;PM F;PM

[ ] [ ] 0 ,) #)2 , 0 1-- , 0 Pr 0 ,, 0+ , 0 0)) , 2 2. , 0 0+ , 0 0)) , 2 2. , 0 Pr
-* -*
= = +
F;PM F;PM

[ ] [ ] 0 .0 #12 , 0 22- , 0 Pr 0 .0 0+ , 0 0). , 1 2. , 0 0+ , 0 0). , 1 2. , 0 Pr
-* -*
= = +
F;PM F;PM

=bs1rvese como el intervalo de posible variacin del parmetro poblacional es tanto
ms amplio cuanto ma"or certe!a se desea asumir en la 3iptesis0 a sensu contrario,
puedo arriesgar un valor algo ms preciso para el parmetro real a partir de la
estimacin pero el nivel de confian!a en esa 3iptesis ser menor *por eso digo,
e8plcitamente, ue 4puedo arriesgar un valor ms preciso5,.
- O8ser4e e1 ?r0fico 2e 4a1ores rea1es E1#nea con 3untea2o 0s finoG:
estia2os E1#nea con 3untea2o 0s ?ruesoG 9 resi2uos E1#nea re3resenta2a
en 1a 3arte inferior so8re 4a1ores 2e1 eDe i5;uier2oG 2e 1a anterior re?resi!n.
Coente 1os 3rinci3a1es ras?os ?r0ficos 2e1 iso.
+1000
+!00
0
!00
1000
10000
11000
12000
13000
1-000
#0 #2 #- #6 #$ $0 $2 $- $6 $$ "0 "2 "- "6 "$
0esidual /&tual 6itted
/.. La regresin ofrece un a#uste de dudosa calidad dado ue puede observarse cierto
comportamiento regular en la evolucin temporal de los residuos. Es decir, el error no
simula una evolucin aleatoria, no alterna con regularidad valores positivos "
negativos, no 4cru!a5 la media con regularidad. Este 3ec3o, ue ser interpretado ms
adelante como un claro sntoma de autocorrelacin, indica problemas de
subespecificacin.
).. El modelo presenta perodos notables de subestimacin o sobreestimacin,
impropios de un modelo debidamente especificado.
J.. Especialmente preocupante resulta la subestimacin persistente al final de la
muestra lo ue limitar la capacidad predictiva del modelo.
B.. El a#uste presenta varios perodos de error atpico *las lneas 3ori!ontales delgadas
por encima " deba#o de los residuos marcan el intervalo de confian!a para los errores,.
Especialmente 4desa#ustado5 parece el perodo entre /AG) " /AGA.
- Da2a 1a si?uiente uestra EL0-J4G 2e 4a1ores rea1es 9 estia2os Ea8os en
ni4e1esG 2e 1a anterior re?resi!n*
o B.-2i8uDe e1 2ia?raa 3re2icci!n rea1i5aci!n
o 2.-ca1cu1e 1os errores 2e ti3o I 9 II en t<rinos a8so1utos 9 re1ati4os
o ).-co3ute ta8i<n e1 4a1or 2e 1a ' 2e T"ei1.
o 4.-ca1cu1e e1 3orcentaDe e2io 2e error a8so1uto
Y Real Y Estimada
1"#0 11240,0 10628,9
1"#1 11326,7 10868,3
1"#2 11583,4 11292,0
1"#3 11967,1 11725,2
1"#- 12096,0 12038,7
1"#! 11840,4 11995,8
1"#6 11748,6 12129,0
1"## 12594,8 12189,7
1"#$ 12375,8 12127,3
1"#" 12166,8 11965,4
1"$0 11796,7 11887,7
1"$1 11443,3 11685,7
1"$2 11294,2 11614,1
1"$3 11170,0 11558,8
1"$- 10966,3 11468,7
/.. Para representar el diagrama 3emos de calcular las tasas de los anteriores valores%
Y Real Y Estimada
1970 - -
1971 0,77% 2,25%
1972 2,27% 3,90%
1973 3,31% 3,84%
1974 1,08% 2,67%
1975 -2,11% -0,36%
1976 -0,78% 1,11%
1977 7,20% 0,50%
1978 -1,74% -0,51%
1979 -1,69% -1,34%
1980 -3,04% -0,65%
1981 -3,00% -1,70%
1982 -1,30% -0,61%
1983 -1,10% -0,48%
1984 -1,82% -0,78%
+10:00;
+!:00;
0:00;
!:00;
10:00;
+10:00; +!:00; 0:00; !:00; 10:00;
Real
E
s
t
i
m
a
d
a
En todos los aDos salvo en uno, el a#uste de las variaciones es correcto, es decir,
cuando la realidad crece tambi1n lo 3ace la estimacin " viceversa *los puntos estn en
los cuadrantes ue son cru!ados por la bisectri! de prediccin perfecta,. Sin embargo,
el modelo tiende a sobreestimar los crecimientos positivos " subestimar los negativos.
).. Para el clculo de los errores de tipo I " II locali!amos los m8imos " mnimos en la
serie real " estimada " buscamos las divergencias%
Y Real Y Estimada
1970 11240,0 10628,9
1971 11326,7 10868,3
1972 11583,4 11292,0
1973 11967,1 11725,2
1974 12096,0 Max 12038,7 Max
1975 11840,4 11995,8 Min
1976 11748,6 Min 12129,0
1977 12594,8 Max 12189,7 Max
1978 12375,8 12127,3
1979 12166,8 11965,4
1980 11796,7 11887,7
1981 11443,3 11685,7
1982 11294,2 11614,1
1983 11170,0 11558,8
1984 10966,3 11468,7
Se locali!a, por tanto, un error de tipo II en el aDo /AKH " un error de tipo I en /AK@.
En t1rminos porcentuales, esto supone%
0 ## , 0
#
1
Pr
! !
! ! 0 = = =
edic3os Iambios
I < Err
I < Err
0 ## , 0
#
1
1e
! !
! ! 0 = = =
ales Iambios
II < Err
II < Err
J.. El clculo de la + de <3eil total se obtiene fcilmente con la siguiente e8presin%
( )
+) , 0
000.)102 , 0 000#),#. , 0
000)01** , 0
1

1
2 2
2
=
+
=
+

i i
i i
"
'
"
'
" "
'
+


El valor, en el medio del rango 2./ representa una capacidad de a#uste mediocre de los
cambios pese a ue los cambios de tendencia son bien recogidos. Es decir, aunue los
m8imos " mnimos son captados por el modelo, la cuanta de las variaciones no es
adecuadamente medida por el mismo.
B.. Las medida del porcenta#e medio de error absoluto *computando los errores con las
variables en niveles, arro#an un resultado del ),H> sin e8cluir ningEn valor del
clculo%
(1)
Real
(2)
Estimada
(3)=(1)-(2)
Error
(4)=abs((3)/(1))
% Abs(Error/Real)
1970 11240,0 10628,9 611,1 0,0544
1971 11326,7 10868,3 458,4 0,0405
1972 11583,4 11292,0 291,4 0,0252
1973 11967,1 11725,2 241,9 0,0202
1974 12096,0 12038,7 57,3 0,0047
1975 11840,4 11995,8 -155,4 0,0131
1976 11748,6 12129,0 -380,4 0,0324
1977 12594,8 12189,7 405,1 0,0322
1978 12375,8 12127,3 248,5 0,0201
1979 12166,8 11965,4 201,4 0,0166
1980 11796,7 11887,7 -91,0 0,0077
1981 11443,3 11685,7 -242,4 0,0212
1982 11294,2 11614,1 -319,9 0,0283
1983 11170,0 11558,8 -388,8 0,0348
1984 10966,3 11468,7 -502,4 0,0458
Suma 0,3971
romedio 2,!%
Si ueremos e8cluir los atpicos de la serie de valores porcentaules *antes de "
promediarlos,, consideramos un rango de variacin asumible en los errores
porcentuales de la media ST. ) veces la desviacin tpica de los mismos, ue con estos
datos resulta ser *2,2)H@,ST. ) U 2,2/JB, esto es, un lmite inferior de 2,222 " superior
de 2,2@J. 'ingEn valor est fuera de estos lmites.
E$ERCICIO% ACANOADO%
- %u3on?a un o2e1o en e1 ;ue 1as 4aria81es uti1i5a2as son to2as e11as 1os
1o?aritos 2e 1os ni4e1es 2e 1as 4aria81es ori?ina1es. /Au< 4entaDa ofrece
este ti3o 2e o2e1o en 1o?aritos so8re 1a es3ecificaci!n en ni4e1es6
Supuesto un modelo estimado en logaritmos *por e#emplo con una Enica e8gena,%
i i i
u & 7 + + =
1 1 0
log

log
puede observarse ue, matemticamente, el parmetro $
/
es la derivada parcial de
4log*&
/i
,5 respecto a 4log*7
i
,5%
i
i
&
7
log
log

1

=
o lo ue es igual%
i
i
i
i
i
i
&
&
7
7
&
7
1
1
1
log
log

=
Si observamos esta e8presin, podemos decir ue el parmetro es algo similar a la
elasticidad de 7
i
sobre &
/i
. Por tanto, los parmetros de un modelo en logaritmos son
especialmente Etiles dado ue la elasticidad es un concepto de notable utilidad en el
anlisis de la relacin e8istente entre dos variables *porcenta#e de movimiento de la 7
frente a un movimiento del /> en la variable &,.
- /C!o 3ue2e a2a3tarse 1a 3rue8a =t>: 2esarro11a2a en 1a secci!n te!rica
3ara e1 contraste 2e nu1i2a2 in2i4i2ua1 2e 1os 3ar0etros 7
B
9 7
2
a1
contraste 2e 1as "i3!tesis conDuntas EaG 7
B
P 7
2
9 E8G 7
B
Q 7
2
PB6
La 3iptesis de nulidad de un parmetro individual $
#
se reali!aba a partir de la
e8presin de su distribucin 4t5%
6 n
##
# #
t
a

=

Partiendo de la 3iptesis nula V

2
W$
#
?2, la e8presin ueda%
6 n
##
#
t
a

=

de modo ue bastaba comprobar, para un determinado nivel de confian!a, si el

valor de la ratio 4t5 calculada e8ceda en valor absoluto al valor terico de la
distribucin0 si es as, se rec3a!a la 3iptesis nula " se acepta la '= nulidad del
parmetro, esto es, la 3iptesis alternativa V
/
W$
#
X2
;ado ue la ratio 4t5 es un contraste individual, si ueremos utili!ar esta
propuesta de contraste individual 4t5 para contrastar 3iptesis ue involucren a dos o
ms coeficientes $
#
como las mencionadas en el enunciado, debemos generar una Enica
variable aleatoria, combinacin de esos parmetros $
#
, derivar su distribucin "
proponer una 3iptesis nula " alternativa ue refle#e la 3iptesis a contrastar con un
Enico valor para la nueva variable.
:s, si ueremos contrastar la 3iptesis *a, $
/
? $
)
, ue se refiere a dos parmetros ",
por tanto, no es una prueba individual, podemos generar la variable aleatoria
2 1 #

=
" contrastar entonces la nulidad de $
J
. Para ello, necesitaremos derivar
la funcin de distribucin de esa nueva variable " determinar su desviacin tpica.
Para el caso de
2 1 #

=
puede demostrarse ue su funcin de distribucin sigue
siendo una variable 4t5 con 4n.65 grados de libertad, por tanto, utili!aremos el
contraste 4t5 de la forma%
( )
6 n
t
;<

=
#
#

La desviacin tpica de la nueva variable

#

es, utili!ando la e8presin general del

clculo de la varian!a de una resta de variables aleatorias no independientes%
( ) ( ) ( ) ( ) ( )
2 1 2 1 2 1 #

,

2

Iov Mar Mar ;< ;< + = =
;e modo ue la ratio 4t5 ueda entonces%
( ) ( ) ( )
6 n
t
Iov Mar Mar

=
+
2 1 2 1
#

con la ue contrastaremos V
2
W$
J
?2 con sencille! dado ue los programas de
estimacin 3abituales ofrecen, no slo las varian!as de los parmetros, sino sus
covarian!as.

Si ueremos contrastar la segunda 3iptesis mencionada en el enunciado, $
/
S $
)
?/
procederemos de manera similar solo ue, en este caso, la variable instrumental de
inter1s sera
2 1 #

+ =
"a ue, as generada, podramos contrastar la 3iptesis
V
2
W$
J
?/ lo ue es igual V
2
W$
J
./?2
( )
( )
6 n
t
;<

=
+
#
2 1

teniendo en cuenta ue, a3ora, la varian!a de
#

es%
( ) ( ) ( ) ( ) ( )
2 1 2 1 2 1 #

,

2

Iov Mar Mar ;< ;< + + = + =
- %u3on?a ;ue se "an o8teni2o 1os si?uientes resu1ta2os en 1a estiaci!n 2e
una funci!n Co88-Dou?1as 3ara 1a econo#a e@icana en e1 3er#o2o BM55-
BML4. Contraste 1a "i3!tesis 2e ren2iientos constantes a esca1a con un
ni4e1 2e confian5a 2e1 M5N.
Ln PI.P-B:K524 Q 0:))ML 1n Tra8aDo Q0:J4K0 1n Ca3ita1
tE7
1nETra8aDoG
GPB:J2M5
tE7
1nECa3ita1G
GPM:0K25
Co4E7
1nETra8aDoG
: 7
1nECa3ita1G
GP0:B2
La 3iptesis de rendimientos constantes a escala postula ue la suma de las
elasticidades traba#o S capital debe ser igual a la unidad0 si la suma supera la unidad
se 3abla de rendimientos crecientes a escala. +tili!ando la ratio 4t5 podemos
computar la 3iptesis%
( )
( )
6 n
t
;<

=
+
+
2 1
2 1

1



donde $
/
" $
)
son respectivamente las elasticidades capital traba#o obtenidas en la
regresin " la desviacin tpica de la suma ueda%
( ) ( ) ( ) ( ) ( )
2 1 2 1 2 1 #

,

2

Iov Mar Mar ;< ;< + + = + =
Para obtener las desviaciones tpicas de ambos parmetros $
/
" $
)
recordamos ue%
)

;<
t =
de modo ue%
1-). , 0
-2,) , 1
##,. , 0
)

(
1
= = ;<
0,#+ , 0
0*2) , ,
-+* , 0
)

(
2
= = ;<
:s pues%
( ) ( ) ( ) ( ) ( ) )#22 , 0

2

2 1 2 1 2 1 #
= + + = + = Iov Mar Mar ;< ;<
En nuestro caso n.6?)2.J?/, con lo ue el contraste ueda%
( )
( )
#+, , 0
)#22 , 0
1-). , 0

1

2 1
2 1
= =
+
+


;<
Malor ue ueda mu" le#os del valor crtico de tablas para un A@> con /K grados de
libertad *),/2AG,. 'o podemos rec3a!ar, por tanto, la 3iptesis de ue la suma de
elasticidades es igual a la unidad, o lo ue es igual, admitimos, por tanto, la 3iptesis
de rendimientos constantes a escala.
- /E@iste una re1aci!n ana1#tica entre 1a ratio , 9 1a R
2
6
Si. Para ilustrarlo partimos de la e8presin de la L asociada a la 3iptesis nula de ue
todos los parmetros e8cluido el t1rmino independiente son nulos%
6 n R
6 R
6 n
" "
e e
6
" "
e e
6 n e e
6 e e " "
L
6 n 6

=

/ ) 1 (
1 /
/
'
'
1 / )
'
'
1 (
/ '
1 / ) ' ' (
2
2
, 1


;e este modo, puede observarse ue cuando la R
)
es 2, la L toma tambi1n el valor 2 "
ue cuanto ma"or sea el valor de la R
)
, ma"or es tambi1n el de la L.
- %u3on?a e1 si?uiente ?r0fico en e1 ;ue se re3resentan unos "i3ot<ticos
4a1ores 2e una 4aria81e en2!?ena rea1 frente a su estia2a. %i o8ser4a
2eteni2aente 3o2r#a afirar sin teor a e;ui4ocarse ;ue 1a 4arian5a 2e 1a
en2!?ena rea1 9 1a estia2a son i?ua1es. En esas con2iciones: 1a R2 toar#a
e1 4a1or B 9: sin e8ar?o: e1 aDuste es c1araente ina2ecua2o. /Po2r#a
e@31icar esta incon?ruencia6
+$
+6
+-
+2
0
2
-
6
$
1 2 3 - ! 6 # $ " 10 11 12
< real
< estiada
Sencillamente este grfico no responde a una situacin ue realmente pueda obtenerse
aplicando MI= sobre un MPRM. El procedimiento de MI= garanti!a unos valores de
los parmetros ue minimi!an el error0 sobre el 3ipot1tico modelo representado en el
grfico, el simple cambio de los signos de los parmetros estimados generara un error
nulo en todas las observaciones de modo ue el procedimiento de minimi!acin ue
rige MI= encontrara esta solucin como la solucin ptima. Recuerde ue, con MI=,
la varian!a de la endgena real debe descomponerse en varian!a de la estimacin ms
varian!a del error0 es evidente ue en el grfico representado esta situacin no se
cumple.
- Ca1cu1e 9 coente e1 4a1or 2e 1os co3onentes 2e 1a ' 2e T"ei1 3ara 1os
2atos 2e en2!?ena rea1 9 estia2a 2e1 si?uiente eDe31o
En2!?ena Rea1 En2!?ena Estia2a
BMJ0 0:2! 0:22
BMJB 0:26 0:2$
BMJ2 0:30 0:2-
BMJ) 0:-! 0:32
BMJ4 +0:3! +0:1!
BMJ5 +0:12 0:0!
BMJK 0:2! 0:12
BMJL 0:2- 0:21
BMJJ 1:20 0:$"
BMJM +0:"0 +0:$0
BMM0 +1:10 +0:-0
BMMB +2:00 +1:60
BMM2 2:30 1:-0
BMM) 0:2! 0:22
El clculo de la + de <3eil total se obtiene fcilmente con la siguiente e8presin%
( )
20- , 0
0## , 1 +,, , 0
12, , 0
1

1
2 2
2
=
+
=
+

i i
i i
"
'
"
'
" "
'
+


El valor, cercano a cero, ilustra un ra!onable a#uste en t1rminos de tasas de
crecimiento. Para descomponer el valor en los tres componentes de error, sistemtico
*o en media,, de dispersin " de correlacin, necesitamos calcular las medias " las
desviaciones tpicas de las tasas reales " observadas as como, para el error de
correlacin, el coeficiente de correlacin simple entre unas " otras. Los clculos arr#an
los siguientes resultados%
0 , 0
0## , 1 +,, , 0
0* , 0 0* , 0
1

2 2
=
+

=
+

=
i i
M
"
'
"
'
" "
+


Las medias de las tasas reales " estimadas coinciden por lo ue el error sistemtico es
cero. Esto no es una casualidad aritm1tica, la igualdad se deriva del 3ec3o de ue el
modelo estimado utili!aba valores de la endgena e8presados en tasas de crecimiento
de modo ue los valores de las tasas estimadas deben coincidir necesariamente en
media con los valores reales *recordemos ue la suma de errores del modelo debe ser
cero,. Evidentemente, si el modelo estuviera inicialmente estimado en niveles " a
posteriori genersemos las tasas de la endgena real " estimada, no encontraramos
esta igualdad.
1-1 , 0
0## , 1 +,, , 0
01) , 1 .0+ , 0
1

1
2 2

=
+

=
+

=
i i
"
"
S
"
'
"
'
S S
+

10+ , 0
0## , 1 +,, , 0
01) , 1 .0+ , 0 ) ,.- , 0 1 ( 2
1

1
) 1 ( 2
2 2

=
+

=
+

=
i i
"
"
I
"
'
"
'
S S r
+

En t1rminos cuadrticos se cumple la identidad%

010- , 0 0#2* , 0 0000 , 0 0+#+ , 0
2 2 2 2
+ + = + + =
I S M
+ + + +
;e los dos componentes estimados del error no nulos, el ms importante es el de
dispersin, de modo ue, en t1rminos generales puede decirse ue, pese a ue la
realidad " la estimacin presentan un notable grado de covariacin *+c mu" ba#o, las
series se mueven con intensidades *variabilidades, diferentes.