Está en la página 1de 44

Solucionario de problemas de Econometra I

Ec. Gonzalo Villa Cox M.Sc.


Sr. Freddy Garca Albn

Mayo 2014

1.

Para estimar el modelo

yi = xi + ui se propone el estimador:
n
P

xi yi

i=1

2
2

n
P

x2i

i=1

a ) Pruebe que el estimador esta sesgado hacia 0.


b ) Pruebe que:
2
E( )2 =
n
P
2
x2i
2 +
i=1

c ) Pruebe que su varianza es inferior a la del estimador MCO.


Respuesta:

) = E()
. Por lo tanto el problema consiste
a ) El sesgo del estimador se dene como: b(,
est entre 0 y , o lo que es lo mismo, que b(,
) sea de signo contrario
en demostrar que E()
a

Se empieza calculando

n
P

xi (xi + ui ) !

i=1

=E
E()

2
2
n
P
i=1

=E
E()

i=1

n
P
i=1

=E
E()

2
2

i=1

=
E()
2
2

* Cualquier

1
n
P

1
n
P
i=1

i=1

x2i +

x2i

n
P

i=1

E[
x2i

x2i
xi ui !

i=1
n
P

n
X

duda o comentario escribir a gvilla@espol.edu.ec.

n
P

2
2

=
E()

x2i

(x2i + xi ui ) !

2
2

n
P

x2i

x2i +

n
X

i=1

i=1

n
X

n
X

x2i + E[

i=1

xi ui ]

xi ui ]]

i=1

{z
0

Esto ltimo debido a que E[xi ui ] = 0.


Entonces

n
P

x2i

i=1
n
P

=
E()
2
2

i=1

x2i

Hasta aqu ya es posible observar que el valor esperado del estimador est entre 0 y , sin
embargo se calcular el sesgo:
n
P

i=1
n
P

) =
b(,
2
2

x2i

i=1

n
P

"

i=1

=
2
2

x2i

x2i

n
P

i=1

#
1
x2i

Lo que est dentro del parntesis es negativo, por lo tanto el sesgo es de signo contrario a ,
por lo que est sesgado hacia 0.
b)

n
P

"

xi yi

2
2

n
P

x2i

i=1

" P xi yi
i=1

E( )2 = E

#2

i=1

E( )2 = E

2
2

E( ) = E

i=1

n
P

x2i

i=1

i=1

2
2


E
E( )2 =

E( )2 =

n
P

n
P

2
2

n
P

x2i #2

i=1

x2i

i=1

xi ui

i=1

x2i #2

i=1

n
n
" P x2 + P xi ui
i
2

n
P

n
P

x2i
i=1

2

2


 n
n
P
2 P
2
xi ui + [ ]2
E [ xi ui ]2 2
i=1

i=1

2
2

n
P
i=1

x2i

2

Obteniendo el valor esperado de cada trmino del numerador y teniendo en cuenta que E[xi ui ] =
0, E[ui uj ] = 0 la ecuacin anterior se reduce a:
2

n
P

x2i + [ ]2

P
n

x2i +

2
2

i=1
E( )2 =  i=1
2 = 
2
n
n
P
P
2
2

2
2
xi
xi
2 +
2 +
i=1

i=1

E( )2 =
2
2

2
n
P
+
x2i
i=1

c)

= E[ E()]
2
V ar()
n
n
" P x2 + P xi ui
i
i=1
n
P

i=1

=E
V ar()

2
2

x2i #2

i=1
n
P

2
2

x2i

i=1

n
P

x2i

i=1

n
n
n
" P x2 + P xi ui P x2 #2
i
i
i=1

=E
V ar()

i=1

2
2
n
P

"

i=1

2
2

x2i

xi ui #2

i=1

=E
V ar()

i=1

n
P

n
P

=h

x2i

i=1

n
P

2
=h
V ar()

xi ui ]2

i=1
2
2

n
P

i=1

x2i

i2

x2i

i=1
n
P

2
2

n
P

E[

i=1

x2i

i2

Para probar que la varianza del estimador MCO es mayor basta con probar que la diferencia
entre la varianza del estimador MCO y la varianza del estimador propuesto es positiva.
=
V ar(M CO ) V ar()
n
P
i=1

=
V ar(M CO ) V ar()

2
2

h
"

=
V ar(M CO ) V ar()

"

2
2

i2

=
V ar(M CO ) V ar()

h
"
2

=
V ar(M CO ) V ar()

2
2

n
P

i=1
2
2

x2i

i=1

2
2

i=1

2
2

i2

i2

hP
n

n
P

i2

hP
n
i=1

x2i

i2

i2 P
n
x2i
x2i
i=1

hP
n

n
P

i2 P
n
x2i
x2i

i=1

hP
n
i=1

x2i

i2

i=1

+ 2 2
x2i

x2i

i2

i=1

i2

i=1

x2i

n
P

x2i

i2 P
n
x2i
x2i

x2i

i=1

i=1

x2i

i=1

i=1
n
P

i2

n
P

n
P

x2i

i=1
n
P

2
2

i=1

2
2 2

x2i

2
2

n
P

n
P
i=1

i2 P
n
i=1

#
x2i
>0
x2i

Como se puede apreciar en la expresin anterior, el numerador y denominador sern positivos,


por lo tanto el ratio es positivo, con lo que queda demostrado que la varianza del estimador
propuesto es menor a la varianza del estimador MCO.
2.

Con objeto de estimar el modelo de regresin lineal simple


propuesto los siguientes estimadores de :

Yt = + Xt + ut se han

P
Y
Pt t
t Xt

4 =

P
y
Pt t
t xt

Yt
t Xt

5 =

1
T

P
X Y
Pt t 2 t
t Xt

6 =

P
x y
Pt t 2 t
t xt

1 =
2 =

1
T

3 =

yt
i xt

donde letras minsculas indican diferencias entre los valores representados por las
maysculas y sus respectivos promedios muestrales. Todas las sumas anteriores son
desde t = 1 hasta t = T , donde T es el tamao muestral. Calcular la esperanza y la
varianza de cada estimador y sugerir cul de ellos debera utilizarse.

Respuesta:

E(1 ):

hP Y i
t
E(1 ) = E P t
X
t t
E(1 ) = E

P
h T
i
h P ( + X + u ) i
t
t ut
t
P t
P
P
=E
++
t Xt
t Xt
t Xt
P

E(ut )
| {z }
P 0
t Xt
t

h P ( + X + u ) i
T
t
t
P t
E(1 ) = E
=P
++
X
t
t
t Xt
V ar(1 ):

P
P
h T
ut i
t V ar(ut )
+ + Pt
= hP
V ar(1 ) = V ar P
i2
t Xt
t Xt
X
t t
T 2
V ar(1 ) = hP
i2
t Xt

E(2 ):
E(2 ) =

1 hX Yt i
1 hX
ut i
E
(
= E
++
)
T
Xt
T
Xt
Xt
t
t

E(2 ) =

X ut i
1 h X 1
E
+ T +
T
Xt
Xt
t
t

E(ut )
| {z }
X
X

1
1
0
E(2 ) =
++
T t Xt
T t
Xt
V ar(2 ):

hX Y i
1
t
V ar(2 ) = 2 V ar
T
X
t
t
V ar(2 ) =

h X 1
X ut i
1
V
ar

+
T

+
T2
Xt
Xt
t
t

1 X V ar(ut )
V ar(2 ) = 2
T t
Xt2
V ar(2 ) =

2 X 1
T 2 t Xt2

E(3 ):
E(3 ) = E

P
P
hP X Y i
h P X
t Xt2
Xu i
t t
t
t
t
P 2 = E P 2 + P 2 + Pt t 2 t
t Xt
t Xt
t Xt
t Xt
P

Xt E(ut )
| {z }
P 20
t Xt

Xt
E(3 ) = P t 2 + +
X
t t
V ar(3 ):

P
P
h P X
t Xt2
Xt ut i
t t

P
P
V ar(3 ) = V ar
+
+ Pt 2
2
2
t Xt
t Xt
t Xt
V ar(3 ) =

Xt2 V
tP

ar(ut )
2
P
=
2 2
2
t Xt )
t Xt

E(4 ): No se puede obtener los momentos debido a que es una indeterminacin.


E(5 ):
1 hX yt i
E(5 ) = E
T
xt
t
E(5 ) =

u
i
1 hX + Xt + ut X
E
T
xt
t

E(5 ) =

u
i
1 hX + Xt + ut X
E
T
xt
t

E(5 ) =

E(5 ) =

1 hX
E
T
t

1
E T +
T
h

+ut u
(Xt X)

| {z }
i

X ut u
i
t

xt

xt

xt
E(ut u
)
| {z } i
h
X
1
0
T +
=
T
x
t
t

E(5 ) =
V ar(5 ):

h
X ut u
1
i
V ar(5 ) = 2 V ar T +
T
xt
t
V ar(5 )

hu u
i
XX 1 1
i
1 hX
t
(V
ar
)
+
2
Cov(u

,
u

)
i
t
{z
}
T2 t
xt
xi xt |
t
i
2

i<t

1 hXh V ar(ut u
) i 2 2 X X 1 1 i

2
2
T
xt
T i t xi xt
t
i<t

1 hXh V ar(ut ) + V ar(


u) 2Cov(ut , u
) i 2 2 X X 1 1 i
V ar(5 ) = 2

T
x2t
T i t xi xt
t
i<t

V ar(5 ) =

2
2
1 hXh 2 + T 2 T i 2 2 X X 1 1 i

T2 t
x2t
T i t xi xt

i<t

V ar(5 ) =

1 h 2 2 Xh 1 i 2 2 X X 1 1 i
(

)
T2
T
x2t
T i t xi xt
t
i<t

Los momentos de 6 son conocidos, debido a que es el estimador de mnimos cuadrados ordinarios.
E(6 ) =

V ar(6 ) =

2
P 2
t xt

Una propiedad deseable de un estimador es que sea insesgado, as que se seleccionar entre los
estimadores insesgados. Si se comparan las varianzas de los dos estimadores insesgados 6 y 5 se
puede observar que la varianza de 6 es menor que la de 5 . Esto tambin se sabe gracias al teorema
de Gauss-Markov.
3.

Considere los siguientes modelos:

yi = 1 + 2 xi + ui
yi = 1 + 2 xi + ui
 
y y x son variables estandarizadas. Demuestre que 2 = 2 SSxy , donde Sx y Sy
son las desviaciones estndar muestrales de x y y respectivamente.
donde

Respuesta:

P
y x
2 = P i i2 =
(xi )

P
(yi
y )(xi
x)
Sy Sx
P
(xi
x)2
2
Sx

P
S 
(yi y)(xi x
) Sx
x
P
= 2
2
(xi x
)
Sy
Sy

2 =

Este resultado muestra que a pesar de que los coecientes de pendiente son independientes de un
cambio en el origen, no lo son de un cambio de escala.
4.

yx y xy las pendientes de la regresin de


Sean
mente. Demuestre que:

y sobre x y de x sobre y , respectiva-

yx xy = R2
donde R2 es el coeciente de determinacin de la regresin de
del coeciente de correlacin muestral entre y y x.

y sobre x, o el cuadrado

Respuesta:

Se sabe que el R2 puede ser escrito como:


P
P
i y)2
(
yi y)2
(
+ x
P
R =P
=
(yi y)2
(yi y)2
2

P
i y)2
(
y x
+ x
P
R =
(yi y)2
2

R2 =

P
P
((x x
))2
(x x
)2
P i
P i
=
2
(yi y)
(yi y)2
P
)2
2 P(xi x

R = yx
(yi y)2
2

Haciendo algunas manipulaciones algebricas se llega a la expresin yx xy :


6

P
P
P
)(xi x
)
(x x
)2
(xi x
)2
iy
yx (yP
P i
=

R2 = yx yx P
2
2
(yi y)
(xi x
)
(yi y)2
R2 = yx

5.

(yi y)(xi x
)
P
= yx xy
(yi y)2

Probar que la estimacin MCO del coeciente en el modelo yi = + x + ui es el


inverso del estimador MCO del coeciente del modelo xi = + yi + vi slo si el
coeciente de determinacin del primer modelo(y del segundo) es igual a 1.

Respuesta:

Utilizando el resultado del ejercicio anterior se sabe que el coeciente de determinacin R2 puede
ser escrito como:
R2 =

por lo tanto si es el inverso de , necesariamente el R2 debe ser 1.


R2 = =

6.

1
=1

Considere los siguientes modelos:

ln yi = 1 + 2 ln xi + ui

ln yi = 1 + 2 ln xi + ui
donde

yi = w1 yi y xi = w2 xi , con las w constantes.

a ) Establezca las relaciones entre los dos conjuntos de coecientes de regresin y sus
errores estndar.

b ) Es diferente el R2 en los dos modelos?


Respuesta:

a ) Se dene zi y zi como:
zi = ln xi
zi = ln xi

Al simplicar la siguiente expresin zi z se obtiene un resultado importante:


zi

z = ln w2 + zi

 P ln w


+ zi = zi zi

Se puede hacer el mismo ejercicio para la variable dependiente y se llegar a un resultado


similar. Por lo tanto los coecientes de pendiente para ambos modelos sern los mismos y sus
errores estndar tambin.
El coeciente de intercepto del primer modelo ser:1
1 = ln w1 + lnyi (ln w2 + lnxi )2
1 lny

ln yi
n

1 = ln w1 + lnyi 2 ln w2 2 lnxi

Como los coecientes de pendiente son los mismos, entonces:


1 = lnyi 2 lnx + ln w1 2 ln w2
{z
}
|
1

Al obtener la varianza:
V ar(1 ) = V ar(1 ) + (ln w2 )2 V ar(2 ) 2 ln w2 Cov(1 , 2 )
V ar(1 ) = V ar(1 ) + (ln w2 )2 V ar(2 ) + 2lnx ln w2 V ar(2 )
V ar(1 ) = V ar(1 ) + ((ln w2 )2 + 2lnx ln w2 )V ar(2 )

Se puede observar que el estimador del coeciente de intercepto no ser igual, adems su
error estndar tambin sera distinto como se aprecia en la ecuacin anterior. La varianza del
estimador 1 ser igual a la varianza del estimador 1 mas una constante multiplicada por la
varianza de 2 .
b ) El R2 en ambos modelos sern los mismos. Esto puede comprobarse mostrando que lnyi
lnyi = lnyi lnyi o simplemente usando el resultado del ejercicio 5. Dado que los estimadores
de las pendientes son iguales en ambos modelos, el R2 ser el mismo.
7.

Suponga que las variables explicativas de un modelo de regresin lineal y = X +


pueden dividirse en dos sub-matrices X 1 y X 2 con la propiedad que ambas son ortogonales entre s. Demuestre que los estimadores MCO para los sub-vectores 1 y 2
para los modelos parciales:

(
y = X1 1 + 1
y = X2 2 + 2
coinciden con los estimadores MCO para el modelo

y = X + .

Respuesta:

El estimador MCO del modelo y = X1 1 + 1 es 1 = (X 01 X 1 )1 X 01 y .


Se puede escribir y como:
+ X 2
+ MX y
y = PX y + MX y = X 1
1
2

(1)

donde PX es la matriz que proyecta sobre el espacio columna de X y MX es la matriz que proyecta
sobre el complemento ortogonal del espacio columna de X .
Si se multiplica (1) por X 01 se obtiene:
+ X 0 X 2
+ X 0 MX y
X 01 y = X 01 X 1
1
2
1
1
+ X 0 MX y
+ X0 X2
X 01 y = X 01 X 1
1
1
} 2 | 1{z }
| {z
O

(2)

donde O es una matriz de ceros. La primera se debe a que X 1 es ortogonal a X 2 , y la segunda


matriz O se debe a que MX X 1 = O , por lo tanto debido a la simetra de MX , se tiene que
X 01 MX = (MX X 1 )0 = (O)0 = O .
Premultiplicando (2) por (X 01 X 1 )1 se obtiene:

1
(X 01 X 1 )1 X10 y =

el cual es el estimador MCO del modelo de regresin de y 1 sobre X 1 .


es el mismo en ambos modelos se sigue el mismo
Para demostrar que el estimador MCO de
2
procedimiento.

8.

Suponga el siguiente modelo de regresin:

33
X 0X = 0
0

0
40
20

yt = + 1 xt1 + 2 xt2 + ut , donde se tiene

0
132
20 X 0 y = 24 u
0 u
= 150
60
92

Se pide:

a ) El tamao de la muestra, la media aritmtica de x1 , x2 e y .


b ) Los estimadores de , 1 y 2 .
c ) La varianza estimada del estimador 2 y plantee un estadstico de prueba para
testear la hiptesis que 2 = 0.
Respuesta:

a ) El tamao de la muestra es 33. Las medias aritmticas de x1 y x2 son iguales a 0, mientras


que la media de y es igual a 132/33 = 4.

P
P
n
x1
x2
P y
P
P
P
X 0 y = x1 y
x
x
X 0 X = P x1 P x21
1
2
P
P 2
x2 y
x2
x1 x2
x2
b ) Usando la frmula del estimador MCO se obtienen los resultados:

4
= (X 0 X)1 X 0 Y = 0,2

1,6

c ) La varianza estimada del estimador es:


0 u

= 2 (X 0 X)1 = u
(X 0 X)1
V ar()
n3

V ar(
)
Cov(
, 1 ) Cov(
, 2 )
= Cov(
V ar()
, 1 )
V ar(1 )
Cov(1 , 2 )

Cov(
, 2 ) Cov(1 , 2 )
V ar(2 )

0,03030303
0
0
150
0
0,03 0,01
=
30
0
0,01 0,02

Para realizar el test de hiptesis es necesario calcular el estadstico t:


2
1,6
t= q
=
= 16
0,1
V ar(2 )

9.

es el estimador MCO para el modelo de regresin entre un vector y y


Suponga que
una matriz X y c es un vector conformable cualquiera. Pruebe que la diferencia entre
las sumas de cuadrados:
0 (y X )
= (c )
0 X 0 X(c )

(y Xc)0 (y Xc) (y X )

Respuesta:

Resolviendo el lado izquierdo de la ecuacin obtenemos:


0 X 0 )(y X )

= (y 0 c0 X 0 )(y Xc) (y 0
+ 0 X 0 y 0 X 0 X

= y 0 y y 0 Xc c0 X 0 y + c0 X 0 Xc y 0 y + y 0 X
+ 0 X 0 y 0 X 0 X

= y 0 Xc c0 X 0 y + c0 X 0 Xc + y 0 X
= (X 0 X)1 X 0 Y entonces:
Si usamos el hecho de que
+ 0 X 0 y 0 X 0 X(X 0 X)1 X 0 y
= y 0 Xc c0 X 0 y + c0 X 0 Xc + y 0 X
|
{z
}
I

= y 0 Xc c0 X 0 y +c0 X 0 Xc + y 0 X
|{z}

X0X

= (c0 X 0 X y 0 X)c (c0 X 0 X y 0 X)

= (c0 X 0 X y 0 X )(c )
|{z}
0 X 0 X

= (c0 0 )X 0 X(c )
0 X 0 X(c )

= (c )

10.

Para estudiar la relacin entre 2 variables se han estimado los siguientes modelos:

a)
b)
c)
d)

yi = + xi + i
ln yi = + xi + i
yi = + ln xi + i
ln yi = + ln xi + i

Discutir la interpretacin que tendria, en cada caso, el valor estimado para el coeciente
.

Respuesta:

a ) El coeciente es el cambio que se produce en y cuando x aumenta en una unidad.


b ) Si se multiplica el coeciente por 100, entonces 100 representa el cambio porcentual en y
ocasionada por un cambio absoluto en x.
c ) Si se divide para 100, entonces 0,01 representa el cambio absoluto en y debido a un cambio
relativo en x.
d ) El coeciente mide el cambio porcentual en y ante pequeos cambios porcentuales en x, es
decir mide la elasticidad de y con respecto a x.

11.

Utilice la siguiente regresin simple para contestar los literales justicando su respuesta:

yt = 0 + 1 Xt + ut
Para el cual se conocen los siguientes resultados:

Xt = 0

Yt = 0

Xt2 = B

10

Yt2 = E

Xt Yt = F

a ) Las estimaciones de MCO para los parmetros 0 y 1 son (en ese orden):
1) E/F y B
2) 0 y F/B
3) E y B/F
4) F/B y 0
b ) La suma de los cuadrados de los residuos es igual a:
1) B + E 2
2) 0
3) (B 2 /E) F
4) E (F 2 /B)
Respuesta:

a ) ii) 0 y F/B
1 = 0 0(1 ) = 0
0 = Y X
1 =

P
t Y )
X)(Y
Xt Yt
F
P
= Pt
2 = B
2

X
(X

X)
t
t t
t

t (Xt

b ) iv) E (F 2 /B)
Yt = 0 + (F/B)Xt
X

u2t =

(Yt (F/B)Xt )2 =

u2t

(Yt2 2(F/B)Xt Yt + (F 2 /B 2 )Xt2 )

12.

Yt2 2(F/B)

Xt Yt + (F 2 /B 2 )

t
2

Xt2

E 2F /B + F /B

E (F 2 /B)

Sea el modelo y = X + u. Se estima por MCO y se obtienen los residuos de la


. Considere ahora la siguiente regresin: y = X + u
regresin u
= y X
+ v.

a ) Derive los estimadores MCO de y .


b ) Qu valores tendrn los residuos v de la regresin anterior?
c ) Calcule el R2 de la regresin.
Respuesta:

a ) Dado que los regresores X y u


son ortogonales, los estimadores de y sern los mismos de

las regresiones:

y = X + v1

y
y = u
+ v2

Por lo tanto:

= (X 0 X)1 X 0 y

y
=

(
u0 u
)1 u
0 y = (
u0 u
)1 (MX y)0 y

(
u0 u
)1 y 0 MX y

(
u0 u
)1 u
0 u

11

b ) Los residuos sern cero porque hemos incluido en los regresores la parte de y que no es explicada
por X de la regresin original.
u
v
= y X
u
= y X
=u
u
=0

c ) Por obvias razones el R2 ser 1, debido a que el modelo se ajusta perfectamente, es decir la
variabilidad de y est explicada completamente por la variabilidad de los regresores.
R2 = 1

13.

v
0 v

=10=1
0
(y y
) (y y
)

Considere el modelo de regresin

Yi = + Xi + ui , i : ui (0, 2 ) y i, j : cov(ui , uj ) = 0
P
a ) Demuestre que el estimador de MCO
= i i Yi , en donde i =
Pxi 2 .
i xi

1
n

y wi =
wi X

.
xi es la variable Xi en desviaciones con respecto a su media muestral xi = Xi X
P
P
b ) Muestre que i i = 1 y i i Xi = 0.

c ) Pruebe
(de la forma
P que cualquier otro estimador
P lineal para
P(de la forma

= i bi Yi ) debe satisfacer tanto que i bi = 1 como i bi Xi = 0 para ser insesgado.


P
P
d ) Si bi = i + fi , muestre que i fi = 0 y i fi Xi = 0.
e ) Demuestre que V ar(
) V ar(
).
Respuesta:

a)

i Yi =

X 1
X 1
xi
i=
( P 2 X)Y
( wi X)Y
i
n
n
i xi
i
i

b)
X
i

P
xi Yi

X Pi 2 = Y X
n
i xi

X yi

P
X 1
X
xi
n

P0 = 1

P
i =
( wi X) = X
wi = 1 X i 2 = 1 X
2
n
n
x
i i
i xi
i
i
X
i

X
i

i Xi =

X 1
X
i=X
X

( wi X)X
wi Xi
n
i
i

P
P 2
xi Xi
x
i

X
=0
i Xi = X X P 2 = X X Pi i2 = X
i xi
i xi

c)
= i bi Yi
P
P
E(
) = E( i bi Yi ) = E[ i bi ( + Xi + ui )]
P
P
P
E(
) = E( i bi ) + E( i bi Xi ) + E( i bi ui )
P
P
P
E(
) = i bi + i bi Xi + bi i E(ui )
| {z }
P

Para que sea insesgado


se tiene
) = . Dado que es distinto de 0, entonces
P
P que cumplir E(
se debe cumplir i bi = 1 y i bi Xi = 0.
d)

P
P
P
P
fi = i (bi i ) = i bi i i = 1 1 = 0
Pi
P
P
i fi Xi =
i bi Xi
i i Xi = 0 0 = 0

12

e)
V ar(
) = V ar(

bi Yi ) =

V ar(
) = 2

b2i 2

X
X
X
(i + fi )2 = 2 [ (i )2 + 2
i fi +
fi2 ]

| {z }
0

V ar(
) = 2

2i + 2

{z

V ar()

fi2

El primer trmino es la varianza del estimador MCO y el segundo trmino es algn nmero
positivo. Por lo tanto:
V ar(
) V ar(
)

14.

Dado el modelo de regresin

y = X + u con u (0, 2 I) y K regresores, pruebe que


0 )
= 0 + 2
E(

K
X
1
k

k=1

donde

k es una raz caracterstica de X 0 X .

Respuesta:

0 )
= E[( + (X 0 X)1 X 0 u)0 ( + (X 0 X)1 X 0 u)]
E(
0 )
= E[ 0 + u0 X(X 0 X)1 + 0 (X 0 X)1 X 0 u + u0 X(X 0 X)1 (X 0 X)1 X 0 u]
E(

0 )
= E[ 0 ] + E[u0 ] X(X 0 X)1 + 0 (X 0 X)1 X 0 E[u] +E[u0 X(X 0 X)1 (X 0 X)1 X 0 u]
E(
| {z }
| {z }
0

0 )
= 0 + E[u0 X(X 0 X)1 (X 0 X)1 X 0 u]
E(

La segunda parte del lado derecho de la ecuacin anterior es una matriz de 1 1, por lo tanto es
igual a su traza.
E[u0 X(X 0 X)1 (X 0 X)1 X 0 u] = E[tr(u0 X(X 0 X)1 (X 0 X)1 X 0 u)]

Usando las propiedades de la traza se llega facilmente a la solucin.


E[u0 X(X 0 X)1 (X 0 X)1 X 0 u] = E[tr(X(X 0 X)1 (X 0 X)1 X 0 uu0 )]
E[u0 X(X 0 X)1 (X 0 X)1 X 0 u] = tr(X(X 0 X)1 (X 0 X)1 X 0 E[uu0 ])
| {z }
2 I

E[u0 X(X 0 X)1 (X 0 X)1 X 0 u] = 2 tr(X(X 0 X)1 (X 0 X)1 X 0 )


E[u0 X(X 0 X)1 (X 0 X)1 X 0 u] = 2 tr((X 0 X)1 (X 0 X)1 X 0 X )
|
{z
}
I

13

Dado que X 0 X es una matrz simtrica, esta se puede descomponer espectralmente como CC 0
donde C es la matriz con los vectores caractersticos correspondientes a las raices caractersticas de
X 0 X y es una matriz diagonal con las races caractersticas de X 0 X . Usando este hecho y las
propiedades de la inversa de una matriz se obtiene:
(X 0 X)1 = (CC 0 )1
(X 0 X)1 = (C 0 )1 1 C 1 = C1 C 1

donde

1 =

1
1

..
.

1
2

..
.

..

0
0

..
.

1
K

Otra vez, usando las propiedades de la traza,


1
1
tr(C1 C 1 ) = tr(1 C
| {z C}) = tr( )
I

En consecuencia la traza de

es

1
k k

y por lo tanto:

0 )
= 0 + 2 tr(1 ) = 0 + 2
E(

K
X
1
k

k=1

15.

Conteste Verdadero o Falso y justique su respuesta.

a ) Las ecuaciones normales del modelo de regresin lineal mltiple implican que el
vector de residuos MCO es ortogonal al vector de valores estimados y
.
b ) Si las variables que intervienen en un modelo de regresin simple estn en desviaciones con respecto a su propia media, entonces la lnea de regresin estimada
debe pasar a travs del origen.

Respuesta:

a ) Verdadero. Las ecuaciones normales del modelo de regresin lineal mltiple pueden escribirse

como:

=0
2X 0 y + 2X 0 X
=0
X 0y X 0X
=0
X 0 (y X )
| {z }
u

Se puede observar que las ecuaciones normales implican que la matriz de informacin X sea
ortogonal al vector de residuos u
, y esto implica que el vector de residuos sea ortogonal al
vector de valores estomados y.
0u
(X )
=0
0 X 0 u

| {z} = 0
0

Esto ltimo se da porque se asume que el vector no puede ser 0.


14

b ) Verdadero. El modelo de regresin simple con variables en desviaciones con respecto a su propia

media puede ser escrito como:

i : yi = + xi + ui ,

donde yi y xi son las variables en desviaciones con respecto a su media.


Teniendo en cuenta que la media muestral de x y y son 0. Los estimadores MCO del modelo
son simplemente:
P
P
(xi x
)(yi y)
xi yi
i

= P 2 = i P
x
(x
)2
i i
i ix

= y x = 0 0 = 0

Como el trmino de intercepto estimado es 0, entonces la recta de regresin estimada debe


pasar a travs del origen.
16.

Suponga que un amigo que ignora sobre econometra bsica le pide que estime un
modelo de regresin de la forma yi = + xi + ui armando que los errores no estn
correlacionados y que adems se distribuyen exponencialemente. Este le dice que an
cuando los errores no siguen una distribucin normal, usted puede hacer las pruebas
de hiptesis necesarias debido a que el tamao de la muestra es 100000.

a ) Qu supuesto no cumple para poder estimar el modelo por MCO?


b ) Muestre las consecuencias de estimar dicho modelo. (Compruebe si los estimadores
son insesgados)

Respuesta:

a ) No se puede estimar porque si los errores siguen una distribucin exponencial, entonces los

errores estn restringidos a tomar valores positivos. Si todos los errores toman valores positivos
entonces no se cumple el supuesto E(u) = 0. Formalmente, la distribucin exponencial es:
f (ui ) =

1 ui
e

donde E(ui ) = y no puede ser 0. De lo contrario no sera una funcin de probabilidad


vlida.
b ) Los estimadores MCO son:

= y x

P
(xi x
)ui
= + Pi
(x

x
)2
i
i

Tomando el valor esperado de :


P
)
i (xi x

P
E() = +
E(ui )
(x

)2 | {z }
i i

Dado que i (xi x) = 0, el estimador es insesgado.


Al tomar el valor esperado del estimador :
P

P
E(
) = + E[

ui

P
]=+

E(ui )
n
=+
n
n

E(
) = +

A pesar de que el estimador MCO de es insesgado, el estimador del intercepto es sesgado.


15

17.

Para el modelo de regresin sin trmino constante yi = xi + ui pruebe que el estimador


y
x
es insesgado, y demuestre que la varianza es mayor que la del estimador MCO.

Respuesta:

1 
= E
E
x

 y 

 y 
x

1 
E
x

xi + ui 
n

i (xi

+ ui ) 

 y 

1 X xi
E
= [
+E
x

n
i
| {z }

P

ui

 y 
x

E(ui )
| {z }
0

=+

x
n

La varianza del estimador es:


V ar

 y 

V ar

P

ui
x
n
i

= V ar

 y 
x

1
x
2 n2


=

V ar(

x
2 n2

ui )

X
2 n
2
V ar(
ui ) = 2 2 = 2
x
n
x
n
i

La varianza del estimador MCO es:


2
V ar(M CO ) = P 2
i xi

Al restar la varianza del estimador MCO de la varianza de


V ar

 y 
x

V ar(M CO ) =

V ar

Se sabe que

i (xi

x
)2 =

 y 
x

y
x

2
2
1
1
P 2 = 2 ( 2 P 2 )
2
x
n
x
x

n
i i
i xi

V ar(M CO ) = 2 (

x2i n
x2
P
)
n
x2 i x2i

x2i n
x2 . En consecuencia:

V ar

 y 
x

V ar(M CO ) = 2 (

)2
ix
i (xP
)
n
x2 i x2i

La expresin dentro del parntesis siempres er positiva, por lo tanto la varianza del estimador
es mayor que la del estimador MCO.
18.

y
x

Reproduzca un razonamiento similar usado en la demostracin del teorema de GaussMarkov para probar el siguiente resultado:

es el estimador del MCO del parmetro , es el


, donde
La combinacin lineal c0
estimador insesgado de mmima varianza para la combinacin lineal c0 .
Respuesta:

Basta con demostrar que la diferencia entre la covarianza de c0 y c0 es mayor o igual a 0, donde
es cualquier estimador lineal insesgado de , distinto del estimador MCO.

16

V ar(c0 )
= c0 V ar()c
c0 V ar()c

V ar(c0 )
V ar(c0 )
= c0 (V ar()c
V ar()c)

V ar(c0 )
V ar(c0 )
= c0 [V ar()
V ar()]c

V ar(c0 )

Por el teorema de Gauss-Markov sabemos que el estimador MCO de es el de mnima varianza


y por lo tanto la diferencia de las matrices de covarianzas es semidenida positiva. Llamemos a la
V ar()
, Z . Entonces:
diferencia V ar()
V ar(c0 )
= c0 [Z]c
V ar(c0 )

Dado que Z es semidenida positiva, existe una matriz no-singular B tal que:
V ar(c0 )
= c0 [B 0 B]c
V ar(c0 )
V ar(c0 )
= (Bc)0 (Bc) = w0 w = kwk2
V ar(c0 )

La norma de cualquier vector es mayor o igual a 0, por lo tanto la varianza de c0 es menor o a lo


mucho igual que la varianza de c0 .
19.

Demuestre que el estimador MCO del vector es independiente del estimador MCO
del parmetro 2 , sabiendo que el vector de errores se distribuye N (0, 2 I).

Respuesta:

Podemos escribir como:


= + (X 0 X)1 X 0 u

y 2 como:
u0 M X u
2 =
nk
solo depende de la parte aleatoria u a travs de (X 0 X)1 X 0 u, y 2 solo depende de la parte

{z
}
|

aleatoria a travs de u0 MX u = (MX u)0 MX u.

Cov(Lu, MX u) = E(Luu0 MX ) = LE(uu0 )MX


Cov(Lu, MX u) = L 2 IMX = 2 LMX
| {z }
O

El producto matricial LMX da como resultado la matriz nula debido a que la matriz MX proyecta
al complemento ortogonal del espacio columna de X . Dado que los dos vectores son independientes,
entonces se puede concluir que los dos estimadores son independientes.
20.

Considere el modelo de regresin mltiple


determinstica.

y = X + u, en donde u N (0, 2 I) y X es

a ) Muestre que la condicin X 0 u


= 0 es una condicin necesaria para obtener el
estimador MCO para .

17

b ) Dada la distribucin del vector u demuestre que el estimador maximo verosmil


solo si la condicin X 0 u
coincide con
= 0 se cumple.
Respuesta:

a ) Las ecuaciones normales en forma matricial se pueden escribir como:


=0
2X 0 y + 2X 0 X
=0
X 0y X 0X
=0
X 0 (y X )
| {z }
u

Por lo tanto, X u
= 0 es una condicin necesaria para obtener el estimador MCO.
b ) Dado que u N (0, 2 I), se puede escribir la funcin de mxima verosimilitud en forma
matricial de la siguiente manera:
0

L=

f (ui ; ) = (2 2 )(n/2) exp(u0 u/(2 2 ))

ln L =

ln L =

n
1
ln 2 2 2 u0 u
2
2

n
1
n
1
ln 2 2 2 (yX)0 (yX) = ln 2 2 2 (y 0 y 0 X 0 yy 0 X+ 0 X 0 X)
2
2
2
2

ln L
X 0y X 0X
= 2
=0

2
=0
X 0y X 0X
=0
X 0 (y X )
| {z }
u

Por lo tanto, el estimador mximo verosimil y MCO de solo coinciden cuando la condicin
X 0u
se cumplen.
21.

En el modelo yi = +xi +ui con ui N (0, 2 ), use las condiciones de segundo orden para
demostrar que los estimadores mximo verosmiles de , y 2 en realidad maximizan
la funcin de mxima verosimilitud.

Respuesta:

Las primeras derivadas de la funcin de mxima verosimilitud son:


1 X
ln L
= 2
(yi xi )

i
ln L
1 X
= 2
(yi xi )xi

i
ln L
n
1 X
=

+
(yi xi )2
2
2 2
2( 2 )2 i

Para probar la existencia de un mximo, es necesario plantear la matriz hessiana. Para esto necesitamos obtener las segundas derivadas parciales:
18

n
2 ln L
= 2
2

P 2
x
2 ln L
= i2 i
2

n
1 X
2 ln L
=
2 3
(yi xi )2
2
2
2

2( )
( ) i
P
xi
2 ln L
= i2

1 X
2 ln L
= 2 2
(yi xi )xi
2

( ) i
1 X
2 ln L
= 2
(yi xi )
2

Planteando la matriz hessiana y reemplazando el valor de los estimadores, se observa que el determinante del primer menor es negativo, ya que el estimador de la varianza siempre ser positivo..
2 ln L
H

2 ln L

2 ln L
2
2 ln L
2

2
2 ln L

2 ln L
2

2 ln L
2
2 ln L
2
2 ln L
2

1
2

i (yi

i xi
P2 2
x
i2 i

n
P2
x
i2 i

i)

1
(2 )2

i (yi

1
i)
x
i (yi
2

P
i )xi
12 2 i (yi
x

( )
P
1
n
i )2

(y

x
i
i
2(2 )2
(2 )3

i )xi

Note que una vez evaluados los estimadores en la matriz hessiana

H=

i xi
P2 2
x
i2 i

n
P2x
i i
2

2 ln L
2

1
(2 )3

2 ln L
2

= 0.

0
n
2(2 )2

i )2
i (u

El determinante del segundo menor es:



n
P2

i xi
2

i xi
P2 2
x
i2 i


n
P2

i xi
2


=
P

2
i xi
(2 )2

i xi
P2 2
x
i2 i

n
1 X 2
[
xi ] =

2
2
( )

P
x2i [ i xi ]2
(2 )2

P
P
n( i x2i n
x2 )
n i (xi x
)2
=
(2 )2
(2 )2

Ya que el numerador siempre ser positivo y el estimador de la varianza tambin, entonces el


determinante del segundo menor es positivo.
Solo falta probar que el determinante de la matriz hessiana es negativo.
" P

x2
n
H =
i i
2
2

n
1 X

(ui )2

2
2
2
3
2( )
( ) i

!#

19

P
+

i xi

" P
xi
i

n
1 X

(ui )2

2
2
2
3
2( )
( ) i

!#


H =

n
1 X

(ui )2
2(2 )3
(2 )4 i

!"
n

#
X

x2i

xi ] ) =

n2

i (xi
2(2 )3

x
)2

Facilmente se puede observar que este ltimo trmino es negativo. Por lo tanto, la matriz hessiana
es denida negativa y en consecuencia los estimadores de , y 2 maximizan la funcin de
verosimilitud.
22.

Probar que en el modelo de regresin yt = + xt + ut el contraste de hiptesis nula


Ho : = 0 puede llevarse a cabo mediante un estadstico F.

Respuesta:

Un estadstico t con n grados de libetad, elevado al cuadrado sigue una distribucin chi-cuadrado
con 1 grado de libertad en el numerador y n grados de libertad en el denominador.
"

t20

t20

0
= p
pP
(xi x
)2
2 /

( 0 )2

#2

P
P
(xi x
)2
( 0 )2 (xi x
)2
=
P
2
[ u2 ]/(n 2)
i

Si se multiplica la ecuacin por 2 / 2 entonces podemos observar que el numerador se distribuye


chi-cuadrado con 1 grado de libertad.
( 0 )2

P
(xi x
)2
2(1)
2

porque es simplemente una normal estandar elevada al cuadrado. Y


X
[
u2i ]/ 2 = (n 2)2 / 2 2(n2) 2

Por lo tanto se tiene en el numerador una funcin de variable aleatoria que se distribuye 2(1) y en el
denominador una funcin de variable aleatoria que se distribuye 2(n2) dividida para n 2. Dado
esto, se tiene la forma del estadstico F . Esta sobreentendido que el numerador esta dividido para
1, es decir los grados de libertad.
t20

P
( 0 )2 (xi x
)2
= F(1,n2)
=
P
[ u2 ]/(n 2)
i

23.

Conteste brevemente:

a ) Suponga el siguiente modelo de regresin


yi =

e1 +2 xi
1 + e1 +2 xi

Tal como se presenta es un modelo de regresin lineal? Si no es as, Qu truco


usara para convertirlo en un modelo de regresin lineal? Imponga restricciones
en la variable dependiente para que el modelo sea estimable.

b ) Suponga que los ingresos anuales y el consumo de alcohol estn determinados por
el sistema de ecuaciones simultneas:

log(earnings) = 0 + 1 alcohol + 2 educ + u1


2 La

demostracin se presentar ms adelante en otro ejercicio.

20

alcohol = 0 + 1 log(earnings) + 2 educ + 3 log(price) + u2


donde price es un ndice local de precios del alcohol, que incluye los impuestos
estatales y locales. Suponga que educ y price son exgenos. Si 1 , 2 , 1 , 2 y 3
dieren todos de cero, Qu ecuacin est identicada?Cmo se podra estimar
la ecuacin?

Respuesta:

a ) Multiplicando ambos lados de la ecuacin por 1 + e1 +2 xi y resolviendo se obtiene:


yi + yi e1 +2 xi = e1 +2 xi
yi = e1 +2 xi yi e1 +2 xi
yi = e1 +2 xi (1 yi )
yi
= e1 +2 xi
(1 yi )

Aplicando logaritmo natural a ambos lados:


"

#
yi
ln
= 1 + 2 x i
(1 yi )

Por lo que el modelo sera de la forma:


ln zi = 1 + 2 xi + ui
yi
donde zi = (1y
.
i)
La variable dependiente est restringida a ciertos valores.

i : 0 < yi < 1

Si yi = 1, entonces zi tiende a innito. Si 1 < yi 0 entonces ln zi no est denido.


b ) La ecuacin identicada es
log(earnings) = 0 + 1 alcohol + 2 educ + u1

puesto que log(price) est excluida y aparece en la otra ecuacin. log(price) sirve como instrumento para alcohol. La ecuacin se estima usando mnimos cuadrados en dos estapas. Primero

regresando alcohol sobre educ y log(price), y luego regresando log(earnings) sobre alcohol
y
educ.
24.

Demuestre que bajo los supuestos clsicos, en el modelo


P

ui

yi = 0 + 1 xi + ui ,

(n2)2
2

(n2) .

Respuesta:

Se puede escribir i ui 2 como u0 MX u, donde MX = I PX = I X(X 0 X)1 X 0 . Dada la


idempotencia de MX ,
P

u0 MX u
= 0 MX  = (MX )0 (MX )
2

donde  =

N (0, I).

21

xu
Por lo tanto u M
se distribuye chi-cuadrado con grados de libertad igual al rango de MX . Para
2
calcular el rango de la matriz MX se usa la propiedad de la traza y las propiedades de las matrices
idempotentes. El rango de una matriz simtrica e idempotente es igual a su traza.

rank(MX ) = tr(MX ) = tr(I X(X 0 X)1 X 0 ) = tr(I) tr(X(X 0 X)1 X 0 )


| {z }
n

Si se usa la propiedad de la traza entonces tr(X(X 0 X)1 X 0 ) = tr((X 0 X)1 X 0 X) = tr(I), donde
esta nueva matriz identidad es de tamao k k.
rank(MX ) = n tr(I) = n k

Para este caso el nmero de regresores es 2, por lo tanto el rango de MX es 2.


25.

Escoja una respuesta para cada uno de los siguientes literales (justicando su respuesta):

a ) Cul de las siguientes opciones contiene solamente condiciones necesarias para que
sea un estimador insesgado para el parmetro en el modelo
el estimador MCO
de regresin mltiple y = X + u con k regresores:

1) E[u0 u] = 2 I y rank(X) = k
2) u N (0, 2 I)
3) E[u] = 0 y rank(X) = k
4) Ninguna de las anteriores.
b ) Cul de las siguientes condiciones debe cumplir el estimador MCO en el modelo
de regresin mltiple y = X + u para garantizar que sea MELI(Mejor Estimador
Linealmente Insesgado):

1)
2)
3)
4)

= y V ar[]
= 2 (X 0 X)1
E[]
u
Cov(,
) = 0

debe ser consistente.


Ninguna de las anteriores.

Respuesta:

a ) iii. E[u] = 0 y rank(X) = k

En el momento de obtener el valor esperado de la nica condicin necesaria para la insesgadez


es que el valor esperado de u sea 0. La condicin de rango completo asegura que solo haya un
estimador que minimice la suma de los cuadrados de los errores.
= + (X 0 X)1 X 0 E[u]
E[]
| {z }
0

= y V ar[]
= 2 (X 0 X)1
b ) i. E[]

La primera condicin asegura que el estimador sea insesgado. La segunda condicin asegura
que el estimador sea el de mnima varianza, como se prueba con el teorema de Gauss-Markov.

26.

Conteste Verdadero o Falso y justique su respuesta.

a ) El R2 ajustado no puede disminuir si se aumenta una variable en la regresin.


b ) Para testear la presencia de un cambio estructural en el modelo lineal, la nica
alternativa es recurrir al test de Chow.

Respuesta:

a ) Falso. Si el poder explicativo del modelo es muy bajo al incluir un regresor ms, entonces el R2

ajustado disminuir, incluso puede llegar a ser negativo. Precisamente por esto, se lo considera
ms able que el R2 sin ajustar.
22

b ) Falso. Hay varias alternativas para testear la presencia de un cambio estructural por ejemplo

el test de Hansen. Un inconveniente del test de Chow es la arbitrariedad al escoger el punto


donde se sospecha que hubo un cambio estructural.

27.

Una regresin usando datos trimestrales desde 1958 hasta 1976 inclusive, di la siguiente ecuacin estimada:

y = 2,20 + 0,10x2 3,48x3 + 0,34x4


La suma explicada de los cuadrados fu 109.6, y la suma de residuos al cuadrado,
18.48. Cuando la ecuacin fu reestimada con tres dummies estacionales aadidas a la
especicacin, la suma explicada al cuadrado aument a 114.8.
Dos regresiones adicionales basadas en la especicacin original se corrieron para los
subperiodos 1958:1 a 1968:4 y 1969:1 a 1976:4, dando las sumas de los residuos al
cuadrado 9.32 y 7.46, respectivamente. Se pide:

a ) Hallar el valor del estadstico de prueba para testear la presencia de estacionalidad.


b ) Hallar el valor del estadsico de prueba para testear la constancia en la relacin
estimada sobre los dos subperiodos.

Respuesta:

a ) Para testear la presencia de estacionalidad es necesario plantear la siguiente prueba de hip-

tesis:

H0 : y = 1 + 2 x 2 + 3 x 3 + 4 x 4 + u

(3)

H1 : y = 1 + 2 x2 + 3 x3 + 4 x4 + 5 x5 + 6 x6 + 7 x7 + u,

(4)

donde x5 , x6 y x7 representan las variables dummies estacionales.


Tal y como se vi en clases para relaizar una prueba de hiptesis sobre varias restricciones(en
este caso, 3) en los parmetros se plantea el estadstico F :
F =

(RSSR U SSR)/r
,
U SSR/(n k)

donde RSSR es la suma de los residuos al cuadrado del modelo restringido (3), y U SSR es la
suma de los residuos al cuadrado del modelo sin restringir (4). r es el nmero de restriciones
y n k son los grados de libertad del modelo sin restringir.
La suma de los cuadrados totales es la misma en ambas ecuaciones puesto que y no ha cambiado. A partir de esto podemos hallar la suma de los residuos al cuadrado del modelo sin
restringir que es el dato que falta para calcular F .
RT SS = RESS + RSSR = 109,6 + 18,48 = 128,08
U SSR = U
| T{zSS} U ESS = 128,08 114,8 = 13,28
RT SS

El nmero de restricciones es 3 y los grados de libertad son 76 7 = 69, por lo tanto el


estadstico F es:
F =

(18,48 13,28)/3
= 9,006
13,28/69

23

b ) Para testear la presencia de un quiebre estructural se usa el test de Chow para lo cul se
calcula el estadstico F como sigue:
F =

(RSSR SSR1 SSR2 )/k


,
(SSR1 + SSR2 )/(n 2k)

donde RSSR es la suma de los residuos al cuadrado del modelo original, SSR1 es la suma
de los residuos al cuadrados de la regresin para el primer periodo y SSR2 es la suma de los
residuos al cuadrado de la regresin para el segundo periodo.
F =

28.

(18,48 9,32 7,46)/4


= 1,722
(9,32 + 7,46)/(76 8)

Escribiendo las sumas residuales del modelo restringido y = X1 1 + u y sin restringir


y = X1 1 + X2 2 + u como y 0 M1 y y y 0 M y respectivamente, probar que y 0 (M1 M )y =
0
(M1 M )y/J
u
R 0 u
R u
0 u
y que en consecuencia, el estadstico yy0 M
sigue la distribucin
y/(nk1)
J
Fnk1
.

Respuesta:

y 0 (M1 M )y = y 0 (M1 y M y) = y 0 M1 y y 0 M y
y 0 (M1 M )y = (M1 y)0 M1 y (M y)0 M y = u
0R u
R u
0 u

Se sabe que:
r)0 [D(X 0 X)1 D 0 ]1 (D
r)
u
0R u
R u
0 u
= (D
0

Por lo tanto si se divide para 2 , el estadstico uR uR2u u se distribuye 2J .


El estimador de la varianza del error dividido para 2 se distribuye 2nk1 . Como consecuencia de
esto:
y 0 (M1 M )y/J
J
Fnk1
y 0 M y/(n k 1)

29.

Para el modelo y = X + u, donde la matriz E[u0 u]


estadstico de prueba para la hiptesis conjunta:

= 2 I es conocida, derive un

H0 : 1 = 2 = ... = k = 0
Respuesta:

En general, si un vector aleatorio z de tamao n 1 est normalmente distribuido con media 0 y


matriz de covarianzas , entonces la forma cuadrtica z 0 1 z se distribute 2n .
Dados los supuestos, clsicos el vector N (0, 2 (X 0 X)1 ) y por lo tanto la forma cuadrtica
)0 [ 2 (X 0 X)1 ]1 (
) = (
)0 (X 0 X)(
)/ 2 2k
(

es un buen estadstico de prueba para testear H0 : 1 = 2 = ... = k = 0.


30.

Suponga que el proceso generador de datos en un modelo de regresin es:

yt = + xt + ut
donde el trmino de error cumple los supuestos clsicos y
embargo se estim por error el modelo:

yt = + ut

24

(5)
t : xt es determinstica. Sin

(6)

a ) Cul es el estimador MCO de ?


b ) Es el estimador MCO de insesgado para ? Explique.
c ) La suma de los residuos de la regresin (6) ser igual a 0?
d ) Suponga que se quiere predecir yT +1 , y para esto se usa la estimacin por MCO
de (6):

yT +1 =

Es esta prediccin insesgada? (Es decir

E(
yT +1 yT +1 ) = 0)

e ) Es posible que la varianza de la prediccin usando los estimadores MCO del


verdadero modelo (5) sea mayor que la varianza de la prediccin usando el(los)
estimador(es) del modelo mal especicado (6)? (Recuerde que se asume que en
las dos situaciones el verdadero proceso generador de datos es (5))

Respuesta:

a ) Si se usa la forma general del estimador MCO = (X 0 X)1 X 0 y , donde en este caso X es
un vector de 1s, se tiene que el estimador de es:
P
X
X
yt
1

=(
1)
yt = t = y
n
t
t
b ) Para saber si es insesgado para , se reemplaza yt por el verdadero proceso generador de datos.
P
P
( + xt + ut )
t yt

=
= t
n
n
P
P
n + t xt + t ut )
= + x
+u

=
n

Al tomar el valor esperado:


E(
) = E( + x
+u
) = + x
+ E(
u)
| {z }
0

E(
) = + x

En consecuencia el estimador no es insesgado para .


c ) Si. Esto siempre se cumple para cualquier regresin lineal que incluya una constante, sin
importar que el modelo este mal especicado.
X
X
(yt
) =
(yt y) = n
y n
y=0
t

d ) Se sabe que
= + x
+u
. Por otro lado la realizacin yT +1 es igual a + xT +1 + uT +1 .

El error de prediccin est dado por:

yT +1 yT +1 = + x
+u
( + xT +1 + uT +1 )
yT +1 yT +1 = (
x xT +1 ) + u
uT +1

Al tomar el valor esperado se obtiene:


E(
yT +1 yT +1 ) = E((
x xT +1 ) + u
uT +1 ) = (
x xT +1 ) + E(
u) E(uT +1 )
| {z } | {z }
0

Como se puede observar, la prediccin es insesgada si y solo si = 0 o x = xT +1 , pero en


general la prediccin es sesgada. Note que si = 0 entonces el modelo (6) est bien especicado.
25

e ) Suponga que primero se ajusta el modelo usando (5). La prediccin de yT +1 ser:


T +1
yT +1 =
+ x

mientras que el verdadero valor de yT +1 ser:


yT +1 = + xT +1 + uT +1

La varianza del error de prediccin es:


T +1 xT +1 uT +1 )
V ar(
yT +1 yT +1 ) = V ar(
+ x
h
1
xT +1 x
i
V ar(
yT +1 yT +1 ) = 2 1 + + P
T
)2
t (xt x

(7)

Ahora considere el caso en el que el modelo est mal especicado. Como se demostr anteriormente el error de prediccin viene dado por:
yT +1 yT +1 = (
x xT +1 ) + u
uT +1

mientras que su varianza est dada por:


V ar[
yT +1 yT +1 ] = V ar[(
x xT +1 ) + u
uT +1 ]

Dado que los errores no estn correlacionados la expresin anterior se simplica a:


V ar[
yT +1 yT +1 ] = V ar[
u] + V ar[uT +1 ]
V ar[
yT +1 yT +1 ] =

2
1
+ 2 = 2 (1 + )
T
T

(8)

Comparando (7) y (8) se puede ver que mientras xT +1 > x, la varianza de la prediccin del
modelo mal especicado ser menor que la del verdadero modelo.3
31.

Considere la regresin por mnimos cuadrados de y sobre k variables (una constante)


X . Considere otro conjunto de regresores Z = XA, donde A es una matriz no singular.
Entonces cada columna de Z es una combinacin lineal de las columnas de X . Pruebe
que el vector de residuos de la regresin de y sobre Z y y sobre X , coinciden. Qu
relevancia tiene esto al momento de cambiar las unidades de medida en las variables
independientes?

Respuesta:

Se sabe que la matriz de proyeccin al espacio columna de X es PX = X(X 0 X)1 X 0 . La matriz


de proyeccin al espacio columna de Z es:
PZ = Z(Z 0 Z)1 Z 0 = XA(A0 X 0 XA)1 A0 X 0

Usando las propiedades de la inversa de una matriz:


0
1
0 1 0
0
1
PZ = X AA
| {z }(X X) |(A ){z A} X
I

PZ = X(X 0 X)1 X 0 = PX

Esto se debe a que el subespacio generado por las columnas de X es idntico al subespacio generado
por las columnas de Z . Esto resulta bastante obvio, ya que cada columna de Z es una combinacin
3 El hecho de que a veces la varianza de la prediccin usando estimadores de un modelo subespecicado, sea menor que
la varianza de la prediccin usando los estimadores del verdadero proceso generador de datos, se conoce en la literatura
como paradoja de Stein.

26

lineal de las columnas de X . Si PZ = PX entonces MZ = MX , as el vector de residuos MZ y


ser igual a MX y .
La importancia de esto es que al cambiar la unidad de medida de las variables explicativas no se
altera la prediccin ni los residuos,a pesar de que el estimador si cambia.
32.

En el modelo yt = +xt +t , con E(ut ) = 0, E(u2t ) = t2 , E(t s ) = 0, obtener la expresin


analtica de los estimadores
M CG y M CG , y particularizarlas a los casos:

a ) t2 = 2 para todo t
b ) t2 = kxt , k dado.
Respuesta:

min s =
,

X 1
2
2 (yt xt )

t
t

Las condiciones de primer orden son:


X 2
s
=0
=
2 (yt
xt )

t
t
X 2xt
s
=0
=
2 (yt
xt )

t
t

Despejando de la primera ecuacin se obtiene:


P
t
P 1

yt
t t2

xt
t2

t t2

Reemplazando en la segunda ecuacin y despejando se obtiene:


P
=

1
t t2

xt yt
t t2

x2t
t t2

1
t t2

yt
t t2

xt
t t2
2

P

xt
t t2

a ) Si se reemplaza t2 por 2 , se obtiene el estimador MCO.


n
4

P
P
xt yt 14 t yt t xt
P 2
P 2
1
t xt 4
t xt

n
4

P
P
xt yt n
xy
x
)(yt y)
t (x
Pt
= Pt 2
=
2
x

n
x
(x
x
)2
t
t t
t

El estimador una vez que se rremplaza y 2 es el estimador MCO:

1
2

yt

1
2

xt

1
2 n

P
=

yt

= y x

b ) Si t2 = kxt , entonces:
=

1
k2

P
1
k2

1
t xt

x2t
t xt

27

xt yt
xt

1
t xt

1
k2
1
k2

yt
t xt

P

xt
t xt
2

xt
t xt

xt

P
yt n t xytt
P
P 1
2
t xt
t xt n
P
P
n
y t x1t n t xytt

P
=
n
x t x1t n2
P
P
y t x1t t xytt
P
=
x
t x1t n
P

1
t xt

Al reemplazar en , y kxt en t2 se obtiene:




yt
t kxt

1
t xt

P


yt
t xt

1
t xt
P

yt
xt

P
t

1
t xt


n

1
t xt

1
t xt

n)

yt
t xt
P

n
y

1
t xt

1
t xt

+n

yt
t xt

1
t xt

P
P

1
t xt

yt
t xt

P
yt
y t x1
xt n
t
1
t xt n

Pt

+n

yt
t xt

1
t xt

yt
y)
t xt n
1
n
t xt

1
x
t xt (
P

33.

xt
t kxt

(
x

yt
t xt

1
t kxt

1
t xt
P

1
t xt

yt
y
t xt n
1
t xt n

Cul de los siguientes casos puede provocar sesgo en los estimadores MCO? Justique
su respuesta (Si o no, y por qu).

a ) Heteroscedasticidad.
b ) Omitir una variable relevante.
c ) Un coeciente de correlacin muestral de 0.95 entre 2 variables independientes
incluidas en el modelo.

Respuesta:

a ) No.
= + (X 0 X)1 X 0 E(u)
E()

Dado que u (0, 2 I), entonces es insesgado:


=
E()

b ) Si. Suponga que el verdadero proceso generador de datos es:


y = X1 1 + x2 2 + u

y en su lugar se estima el modelo:


y = X1 1 + u

El valor esperado del estimador MCO ser:


28

E(1 ) = E[(X10 X1 )1 X10 y]


E(1 ) = E[(X10 X1 )1 X10 X1 1 ] +E[(X10 X1 )1 X10 x2 2 ] + E[(X10 X1 )1 X10 u]
|
|
{z
}
{z
}
0

E(1 ) = 1 + (X10 X1 )1 X10 x2 2

Por lo tanto el estimador MCO es sesgado.


c ) No. Un coeciente de correlacin muestral alto entre las variables explicativas solo eleva la
varianza del estimador MCO.
34.

Sea el modelo

yt = xt + ut , con ut N ID(0, t2 ), donde t2 = 2 t, y t = 1, 2, ...., T .

a ) Demuestre que el estimador MCO es insesgado y que su varianza est dada por:
P 2
x t
V ar(M CO ) = 2 P t 2t 2
( t xt )

b ) Obtenga el estimador de MCG.


c ) Muestre que la varianza del estimador de MCG es:
2
V ar(M CG ) = P x2
t
t t

Respuesta:

a ) El estimador MCO cuando no hay intercepto es:


P
P
P
P
t x2t + t ut xt
ut xt
yt xt
t

P 2
= + Pt 2
= P 2 =
t xt
t xt
t xt

Y su valor esperado:
= + P1
E()

2
t xt

xt E(ut )

{z
0

En consecuencia el estimador MCO es insesgado.


Si se supone que los errores no estn correlacionados entonces la varianza del estimador MCO
esta dada por:
= P1
V ar()
( t x2t )2

X
t

X
1
x2t V ar(ut ) = P 2 2
x2 2 t
( t xt ) t t

2
X
= P
V ar()
x2 t
2
2
( t xt ) t t

b ) Para obetener el estimador de MCG se minimiza la suma de los residuos al cuadrado, pero
esta vez ponderada por la inversa de la parte variable de la varianza de ut .
min s =

X1
t

La condicin de primer orden es:

29

(yt xt )2

X yt xt
X x2
s
t
= 2
+ 2
=0
t
t

t

Resolviendo se obtiene el estimador MCG de .


X x2

X yt xt
t

P yt xt

M CG = Pt xt2
t
t t

c ) El estimador M CG puede escribirse como:


P

M CG =

M CG =

(xt +ut )xt


t
P x2t
t t

x2t
t t

P
+ t
P x2t

P
=

ut xt
t

t t

x2t +ut xt
t
P x2t
t t

P ut xt
= + Pt xt2
t
t t

Como los errores no estn correlacionados la varianza del estimador puede escribirse como:
1
V ar(M CG ) = P x2 2
t

X x2
t

t t

t
t2

X x2 t
2
t
V ar(ut ) = P x2 2
2
t
t
t
t t

2
V ar(M CG ) = P x2
t
t t

35.

Considere el siguiente modelo de regresin simple:

y = + x + u
y sea

z una variable instrumental binaria para x. Utilizar =

P
(y
y )(zi
z)
Pi i
x)(zi
z ) para dei (xi

mostrar que el estimador de variables instrumentales(IV) puede escribirse como:

y1 y0
IV =
x1 x0
donde y0 y x0 son las medias muestrales de yi y xi para aquellas observaciones con zi = 0,
y donde y1 y x1 son las medias muestrales de yi y xi para aquellas observaciones con
zi = 1. Este estimador, conocido como estimador de grupo fue propuesto por primera
vez por Wald(1940).

Respuesta:

Suponga que existen k observaciones con zi = 1, por lo tanto el nmero de observaciones


conPzi = 0
P
x z
i yi zi
es n k. La medias muestrales para
las
observaciones
con
z
=
1
son
y

=
y
x

= ik i i ,
i
1
1
k
P
P
y
(1z
)
x
(1z
)
i
i
i
i
mientras que para zi = 0 son y0 = i nk
y x0 = i nk
. Entonces el estimador por grupos
sugerido por Wald es:
P

IV =

yi zi
k
P
i xi zi
k
i

IV =

yi (1zi )
nk
i xi (1zi )
nk
i

P
yi zi k i yi (1zi )
k(nk)
P
P
(nk) i xi zi k i xi (1zi )
k(nk)
(nk)

30

IV

Multiplicando por

n
n

P
P
(n k) i yi zi k i yi (1 zi )

P
P
IV =
(n k) i xi zi k i xi (1 zi )
P
P
P
P
n i yi zi k i yi zi k i yi + k i yi zi
P
P
P
P
=
n i xi zi k i xi zi k i xi + k i xi zi
P
P
n
yi zi k i yi
P
IV = P i
n i xi zi k i xi

se obtiene:
P
P
P
yi zi k y
yi zi y i zi
i
i

P
IV = P
=P
x
i zi
i xi zi k
i xi zi x
P
P
(yi y)(zi z)
(yi y)zi
= Pi
IV = P i
(x

)z
(x
)(zi z)
i
i i
i ix

36.

Dado el modelo de regresin

yt = + t , donde E(t ) = 0, V ar(t ) = 2 xt , con xt > 0:

a ) Cul es el estimador lineal ms eciente del parmetro ? Cul es su varianza?


b ) Cul es el estimador MCO de y cul es su varianza?
Respuesta:

a ) El estimador lineal ms eciente es el estimador de mnimos cuadrados generalizados MCG:


min s =

X 1
(yt )2
x
t
t

Al derivar y obtener la condicin d eprimer orden se tiene que:


X yt
X 1
s
= 2
+ 2

=0

xt
xt
t
t

Despejando se obtiene:

X 1
X yt
=
xt
xt
t
t
P yt
t xt
1
t xt

= P

La varianza del estimador MCG de es:


+t
P x1t
t xt

P
V ar(
) = V ar(

t
ar( P x1t
t xt

V ar(
) = V

V ar(
) = V ar(

t xt

P
) = V ar(

P
+ t
P 1

t
xt

P
t
t x1t
t xt
+ P 1 ) = V ar( P 1 +
t xt
t xt
P t
X
1
t
+ P x1t ) = P 1 2 V ar(
[ t xt ]
t xt
t
P

t xt

t
t xt
1
t xt

P
P

t
)
xt

Bajo el supuesto de independencia de los errores, las covarianza entre los errores de todas las
observaciones son 0.
X
X 2 xt
1
1
t
V ar(
) = P 1 2
V ar[ ] = P 1 2
xt
[ t xt ] t
[ t xt ] t x2t
P
2 t x1t
2
V ar(
) = P 1 2 = P 1
[ t xt ]
t xt

31

b ) Tal y como se ha visto en clase, el estimador MCO de es:


P
yt

= y = t
n
P
P
P
P
t
t+
t t
t

=
=
+ t
n
n
n
P
t

=+ t
n

Y su varianza es:
V ar(
) =

37.

1 X
2 X
V
ar(
)
=
xt
t
n2 t
n2 t

Dado el modelo lineal sin trmino constante y un solo regresor:

yi = xi + ui
E(ui ) = 0, E(u2i ) = i2 suponiendo que las varianzas cambian con el esquema
= zi donde zi es una variable conocida.

Donde

i2

a ) Obtenga la expresin analtica para el estimador MCG, as como su varianza.


b ) Utilice la desigualdad de Cauchy-Scwarthz para comparar la varianza del estimador obtenido en el literal anterior con el estimador MCO.

c ) Qu ocurrira si a pesar de la heteroscedasticidad se utilizase 2 (X 0 X)1 como


matriz de varianza-covarianza para el estimador MCO.
Nota: La desigualdad de Cauchy-Schwarz garantiza que para dos variables cualquiera
P
P
P
se cumple la expresin: [ i vi wi ]2 [ i vi2 ][ i wi2 ].

Respuesta:

a ) Si la matriz de varianzas-covarianzas de u es , entonces el estimador MCG de expresado

en forma matricial es:

M CG = (x0 1 x)1 x0 1 y

y su varianza:
V ar(M CG ) = 2 (x0 1 x)1

Teniendo en cuenta que

z1
0

=
0
.
..
0

0
z2

0
0

..

..
.

..
.

zn1
0

el estimador MCG es:


P

i
M CG = P

xi yi
zi
x2i
i zi

y su varianza:
2
V ar(M CG ) = P x2
i
i zi

32

0
0

..
.
zn

P
P
P
b ) Usando la desigualdad de Cauchy-Schwarz [ i vi wi ]2 [ i vi2 ][ i wi2 ], donde vi =

wi = xi zi .
[

xi

zi

X xi
X x2 X
i
][
x2i zi ]
xi zi ]2 [
z
z
i
i
i
i
i
X
X x2 X
i
[
x2i ]2 [
][
x2i zi ]
z
i
i
i
i

Al manipular la desigualdad se obtiene:


1
x2i
i zi

P 2
x zi
Pi i2 2
[ i xi ]

Si se multiplica ambos lados de la inecuacin por 2 entonces:


P
2 i x2i zi
2
P x2i [P x2 ]2
i i
i zi

var(M CG ) V ar(M CO )

38.

Considere un modelo simple para estimar el efecto de tener un computador personal


(PC) sobre el promedio de calicaciones de los estudiantes de una universidad pblica:

GP A = 0 + 1 P C + u
Responda lo siguiente:

a ) Por qu debera estar correlacionada P C con el error u?


b ) Explicar por qu P C debe de estar correlacionada con el nivel de renta de los
padres. Es suciente esto para concluir que el nivel de renta de los padres es una
buena variable instrumental para P C ? Justique su respuesta.

c ) Supongamos que hace 4 aos, la universidad concedi becas para comprar computadoras a aproximadamente la mitad de sus estudiantes que recin ingresan y
que, adems los alumnos que las recibieron fueron elegidos al azar. Explique como
podra utilizar esta informacin para construir una variable instraumental para
P C.

Respuesta:

a ) Porque hay otros factores en el error que posiblemente inuyan sobre el promedio de calicaciones y esten correlacionados con P C . Un ejemplo es el gasto en educacin de los estudiantes
que realizan sus padres. Esta variable est claramente correlacionada con P C .
b ) P C est correlacionada con el nivel de renta de los padres porque es ms probable que los

estudiantes con padres de mayores ingresos tengan computadoras y los de menos ingresos no.
Esto no es suciente para concluir que el nivel de renta de los padres es una buena variable
instrumental ya que el nivel de ingresos de los padres puede estar correlacionado con el error.
Por ejemplo est correlacionado con el gasto en educacin.
c ) Se puede usar una variable dummy que indique 1 si el estudiante recibi beca y 0 en caso
contrario. Esta variable est claramente correlacionada con P C y dado que los estudiantes que
recibieron las becas fueron escogidos al azar(la variable es exgena en el modelo), entonces no
est correlacionada con el error.

33

39.

Supongamos que queremos contrastar si las chicas que asisten a institutos femeninos
de educacin secundaria son mejores en matemticas que las chicas que van a institutos
mixtos. Se dispone de una muestra aleatoria de adolescentes femeninas que estudian los
ltimos aos de la secundaria en un estado de Estados Unidos, y score es la calicacin
en un determinado examen de matemticas. Sea girlhs una variable cticia que indica
si una estudiante asiste a instituto femenino, conteste:

a ) Qu otras variables se podran incluir en la ecuacin? (Debe ser posible recopilar


datos sobre estas variables.)

b ) Escribir una ecuacin que relacione score con girlhs y las otras variables indicadas
en el apartado (a).

c ) Supongamos que el apoyo y la motivacin que ofrecen los padres son factores
no observables que se encuentran en el trmino de error del apartado (b). Es
probable que stos estn correlacionados con girlhs? Explicar por qu.

d ) Discutir los supuestos necesarios para que el nmero de institutos femeninos en un


radio de veinte millas de la casa de las estudiantes sea una variable instrumental
vlida para girlhs.

Respuesta:

a ) Se puede incluir el ingreso familiar, ya que se esperara que quienes tienen padres con me-

jores ingresos rindan mejor en los estudios. Se puede incluir una variable proxy del nivel de
inteligencia como el IQ. Otra variable importante que se debera incluir son las horas que la
estudiante dedica a estudiar matemticas.

b)
score = + 1 girlhs + 2 ing + 3 IQ + 4 time + u

donde:

girlhs =variable cticia que indica si una estudiante asiste a instituto femenino.
ing =ingreso familiar.
IQ =nivel de IQ.
time =tiempo que la estudiante dedica a estudiar matemticas medido en horas promedio

semanales.
score =calicacin en el examen de matemticas.
c ) Si es probable que est correlacionado porque los padres que ofrecen menos apoyo y motivacin
tienden a enviar a sus hijas a instututos femeninos. Note que tambin se puede argumentar
lo contrario. Ms alla de la justicacin lo que se busca es encontrar un sustento terico que
permita hacer suspuestos sobre un modelo de regresin, en especial aquellos supuestos que no
se pueden testear.
d ) Para que sea una variable instrumental vlida debe estar correlacionada con la variable girlhs.
Obviamente las dos variables estn correlacionadas. Mientras haya ms institutos femeninos
en un radio de veinte millas de la casa, es ms probable que los padres decidas que sus hijas
deben estudiar en institutos femeninos.
La otra condicin necesaria es que esta variable no debe estar correlacionada con el error. En el
error se encuentran factores no observables como el apoyo y motivacin que los padres ofrecen
a sus hijas. Estos factores no tienen relacin alguna con el nmero de institutos femeninos que
hay cerca de la casa. En resumen, dicha variable cumple con las dos condiciones que hacen que
sea una variable instrumemntal vlida.
Sea num el nmero de institutos femeninos en un radio de veinte millas de las casas de los
estudiantes. Entonces:
Cov(num, girhs) 6= 0
Cov(num, u) = 0

34

40.

Comente las siguientes armaciones:

a ) Si los errores en una regresin simple no se distribuyen de forma normal, los


estimadores MCO dejan de ser los Mejores Estimadores Lineales (MELI), pero
siguen siendo insesgados.

b ) Se desea realizar un estudio que tenga como variable dependiente al ahorro agregado para explicarlo por medio de las tasas de inters, en una economa. Un
investigador an no dene los aos de anlisis para el estudio. Para procurar que
las estimaciones de mnimos cuadrados ordinarias sean ms precisas, el investigador debe escoger un periodo en el cual las tasas de inters hayan uctuado mucho
o es preferible poca uctuacin?

c ) Un investigador plantea una regresin con datos anuales, desde 1981 hasta 1999,
sobre los niveles de consumo agregados explicados por los ingresos, en cierta economa. Analiza la siguiente relacin:

consumo = + ingreso + ut
Adicionalmente conoce que el coeciente de correlacin entre las variables consumo
e ingreso es igual a 0,7. Al 95 % de conanza es signicativo el coeciente de la
pendiente que se estima?

Respuesta:

a ) Falso. An cuando los errores no se distribuyan normal, los estimadores MCO siguen siendo

los mejores estimadores linealmente insesgados. El teorema de Gauss-Markov solo requiere que
E(ui |xi ) = 0 , V ar(ui ) = 2 y Cov(ui , uj ) = 0.
b ) El investigador debe escoger un perodo en el que las tasas de inters hayan uctuado poco.
Si utiliza el resto de perodos es probable que el modelo presente heterocedasticidad.
c ) Falso. Hace falta ms informacin para concluir algo as. Una correlacin lineal fuerte entre
dos variables no necesariamente implica que los coecientes de la regresin entre los dos sean
signicativos.

41.

Considere el modelo microeconmico de demanda y oferta:


Demanda: Q
Oferta: Q

= 1 P + 1 Z1 + u1

= 2 P + 2 Z2 + u2

donde Q(= cantidad demandada u of ertada) y P (= precio). Las variables exgenas, Z1 (=


ingreso) y Z2 (= precio de las materias primas), son independientes de las perturbaciones
estructurales u1 y u2 . Estas perturbaciones tienen esperanza 0. En lo siguiente, respecto
a la estimacin, supondremos que disponemos de una muestra de observaciones de Q,
P , Z1 y Z2 .

a ) Muestre que si 1 6= 0 o 2 6= 0, existe al menos una forma reducida para Q.


b ) Si 1 6= 0 y 2 = 0, obtener la forma reducida de P .
c ) Si 1 6= 0, 2 6= 0 y 1 6= 2 , encuentre las formas reducidas para P y Q.
Respuesta:

a ) Despejando P de la ecuacin de oferta:


P =

2
u2
Q

Z2
2
2
2

(9)

Como se puede apreciar hasta ahora, es necesario que 2 6= 0 para poder despejar P , y por
lo tanto que la forma reducida de Q exista. Reemplazando (9) en la ecuacin de demanda se
obtiene:
35

Q = 1 (
Q(1

Q=

Q
2
u2

Z2
) + 1 Z1 + u1
2
2
2

1 2
1 u2
1
) = 1 Z 1
Z2
+ u1
2
2
2

1
1 2
1 u2
u1
Z2 +
+
1 Z1
1
1
1
)
(1 )
(1 2 )2
(1 2 )2
(1
2
| {z 2 }
|
|
{z
}
{z
}
1

v1

Si al principio se despeja P de la ecuacin de demanda, entonces la condicin 1 6= 0 ser


necesaria.
b ) Como 2 = 0 al momento de igualar las dos ecuaciones se obtiene:
1 P + 1 Z1 + u1 = 2 Z2 + u2
P =

1
u2
u1
2
Z2
Z1 +

1
1
1
1
|{z}
|{z}
| {z }
3

v2

c ) La forma reducida para Q es la misma que la del literal (a). La forma reducida para P
ser distinta. La condicin 1 6= 2 garantiza que la forma reducida exista como se ver a

continuacin. Se pueden escribir las dos ecuaciones en forma matricial.



  
1 1 Q

= 1
1 2 P
0
| {z }

0
2

   
Z1
u
+ 1
Z2
u2

(10)

Para que la forma reducida exista, la inversa de la matriz B tiene que existir. Si 1 = 2 ,
entonces el determinante de la matriz es 0 y por lo tanto no tiene inversa. Usando la condicin
del ejercicio la matriz inversa existe y es igual a:
B 1 =


1
2
1 2 1

1
1

Premultiplicando (10) por B 1 se obtiene la forma reducida:


  " 2 1
1 2
Q
=
P
1
|{z} | 1 2{z
y

42.

1 2
1 2
2
1 2

#  
1 u2
2 u1 
Z1
1 2 1 2
+
u2
u1
Z2
1 2 1 2
{z
}
|
|
{z
}
}
z

Construya el estimador VI y su varianza para el vector de parmetros


modelo:

a partir del

y = X + u

X = Z + 
Respuesta:

Primero se regresa X sobre Z para obtener el mejor instrumento para X . Luego en la primera
ecuacin se sustituye X por la prediccin de la segunda. Es decir:
y = PZ X + u

36

Se obtiene el estimador de de la forma comn:


V I = (X 0 PZ X)1 X 0 PZ y

La varianza del estimador es


= V ar((X 0 PZ X)1 X 0 PZ u)
V ar()
= (X 0 PZ X)1 X 0 PZ V ar(u) PZ X(X 0 PZ X)1
V ar()
| {z }
2 I

= 2 (X 0 PZ X)1 X 0 PZ X(X 0 PZ X)1 = 2 (X 0 PZ X)1


V ar()
{z
}
|
I

43.

Suponga que se quiere determinar la relacin entre la cantidad que contribuye un


empleado a su plan de pensiones en funcin de la generosidad del plan. Para ello se
plantea el siguiente modelo:

yi,e = 0 + 1 xi,e,1 + 2 xi,e,2 + 3 xi,3 + ui,e


donde yi,e es la contribucin anual del empleado e que trabaja en la empresa i, xi,e,1 es
el ingreso anual de esta persona y xi,e,2 es su edad. xi,3 es la cantidad que la empresa
aporta a la cuenta de un empleado por cada dlar con que ste contribuye.
Suponga que para este modelo se cumplen los supuestos de Gauss-Markov. Sin embargo
usted no cuenta con datos para cada empleado, pero en su lugar cuenta con datos
promedio por empresa, asi como con el nmero de empleados por empresa. Se plantea
el siguiente modelo para las empresas usando datos promedio:

yi = 0 + 1 x
i,1 + 2 x
i,2 + 3 xi,k + ui
1

donde u
i = mi
Si para todo e,
conteste:

(11)

Pmi

e ui,e es el error promedio de todos los empleados de la empresa i.


V ar(ui,e ) = 2 y los errores no estn correlacionados entre empleados,

a ) Calcular V ar(
ui ) . Es correcto usar el estimador MCO? Por qu?
b ) Qu ponderador de la suma residual, usara para estimar el modelo por mnimos
cuadrados ponderados y por qu? (No solo de una explicacin matemtica, sino
tambin una breve explicacin intuitiva).

Respuesta:

a)
V ar(
ui ) = V ar(m1
i

mi
X

ui,e )

V ar(
ui ) =

mi
mi
1 X
1 X
V
ar(u
)
=
2
i,e
m2i e
m2i e

V ar(
ui ) =

mi 2
2

=
m2i
mi

No es correcto usar MCO debido a que la varianza del error ser ms pequea a medida que el
nmero de empleados aumente y por lo tanto el supuesto de homocedasticidad no se cumple.
37

b ) El ponderador de la suma residual que hace cumplir el supuesto de homocedasticidad es el

nmero de empleados de la empresa. Es decir, si se multiplica el modelo (11) por mi , el

modelo cumple todos los supuestos necesarios para estimar por MCO.

2
V ar(
ui m1 ) =
mi = 2
mi

Al hacer esto, se le est asignando ms peso a las empresas con mayor nmero de empleados.
De esta manera se compensa la reduccin de la varianza de ui a medida que el nmero de
empleados es mayor.4
44.

Considere un modelo para los empleados de varias empresas.

yi,e = 0 + 1 xi,e,1 + 2 xi,e,2 + .. + k xi,e,k + fi + vi,e


donde la variable inobservada fi es un efecto de la empresa para cada empleado en
una empresa dada i. El trmino de error vi,e es especco para cada empleado e de la
empresa i. El error compuesto es ui,e = fi + vi,e .

a ) Suponga que V ar(fi ) = f2 , V ar(vi,e ) = v2 , y que fi y vi,e no estn correlacionadas.


Muestre que V ar(ui,e ) = f2 + v2 ; llame a esto 2 .
b ) Ahora suponga que para e 6= g , vi,e y vi,g no estn correlacionadas. Muestre que
Cov(ui,e , ui,g ) = f2 .
Pmi
c ) Sea ui = m1
i
e ui,e , el promedio de errores compuestos dentro de una empresa.
2

mi es el nmero total de empleados de la empresa i. Muestre que V ar(


ui ) = f2 + mvi .

d ) Analice la relevancia del inciso (c) para la estimacin por mnimos cuadrados

ponderados empleando datos promediados a nivel de las empresas, donde el ponderador empleado para la observacin i es el tamao de la rma.

Respuesta:

a)
V ar(ui,e ) = V ar(fi + vi,e ) = V ar(fi ) + V ar(vi,e )
V ar(ui,e ) = f2 + v2 = 2

La varianza de ui,e es simplemente la suma de las varianzas de fi y vi,e porque estas variables
no estan correlacionadas y por ende tienen covarianza 0.
b)
Cov(ui,e , ui,g ) = E[ui,e ui,g ] E[ui,e ]E[ui,g ]
Cov(ui,e , ui,g ) = E[(fi + vi,e )(fi + vi,g )] E[fi + vi,e ]E[fi + vi,g ]

Cov(ui,e , ui,g )

Cov(ui,e , ui,g )


= E[fi2 + fi vi,g + fi vi,e + vi,e vi,g ] E[fi ]E[fi ] + E[fi ]E[vi,g ]

+E[vi,e ]E[vi,g ] + E[fi ]E[vi,e ]

= E[fi2 ] E[fi ]E[fi ] + E[fi vi,g ] E[fi ]E[vi,g ] + E[fi vi,e ] E[fi ]E[vi,e ]
|
{z
} |
{z
} |
{z
}
V ar(fi )

Cov(fi ,vi,g )

Cov(fi ,vi,e )

+ E[vi,e vi,g ] E[vi,e ]E[vi,g ]


|
{z
}
Cov(vi,e ,vi,g )

4 Como se vi en clase, los ponderadores muchas veces se escogen arbitrariamente. Este ejercicio ilustra como algunas
veces pueden surgir de forma natural.

38

Dado es supuesto de correlacin 0 entre fi y vi,g , y correlacin 0 entre vi,e y vi,g , los ltimos
tres trminos del lado derecho de la ecuacin anterior son 0.
Cov(ui,e , ui,g ) = E[fi2 ] E[fi ]E[fi ] = f2
|
{z
}
V ar(fi )

c)
V ar(ui ) = V ar(m1
i

mi
X

ui,e )

V ar(ui ) =

mi
mi
i
X
XX
1 hX
1
V
ar(
u
)
=
V ar(ui,e ) + 2
Cov(ui,e , ui,g )
i,e
2
2
mi
mi e
e
e
g

V ar(ui ) =

i
i
X
1 h
mi
1 h
mi 2 + 2
(mi 1)f2 = 2 mi 2 + 2 (mi 1)f2
2
mi
mi
2
e

V ar(ui ) =

i
f2
f2
1 h
v2
2
2
2 2
2
2
=
m

+
m

+
m

+
+

i f
i v
i f
i f
f
m2i
mi
mi
mi
V ar(
ui ) = f2 +

v2
mi

d ) El problema de usar el tamao de la rma como ponderador es que aun as la varianza del

nuevo error depender del tamao de la rma. La varianza del nuevo modelo ser:
V ar(
ui ) = mi f2 + v2

45.

Proponga un estadstico para el contraste de hiptesis nula

H0 : 2 = 0 en el modelo:

V ar(ut ) = t2 = u2 x2t

y t = 1 + 2 x t + u t ,
Respuesta:

Se estima el modelo por MCO asumiendo homocedasticidad, sin embargo la varianza del estimador
cambia. En su lugar se construye la varianza usando el estimador de White.
= (X 0 X)1
V ar()

X


ut 2 (xt x0t ) (X 0 X)1

Para el caso de 2 , se tiene:


P
(xt x
)ut 2
V ar(2 ) = Pt
[ t (xt x
)2 ]2

Luego se usa el estadstico t habitual pero usando la nueva varianza. Es decir:


t = qP
[

46.

2
(xt
x)ut 2
(x

x)2 ]2
t
t

Pt

Considere el modelo yt = xt + ut , con t2 = k(xt )2 , donde las variables se hallan en


diferencias respecto a sus medias muestrales.

a ) Pruebe que el estimador de MCG de es igual al promedio muestral del cociente


yt
xt . Halle su varianza.

b ) Qu tipo de problemas surgiran en esta estimacin si xt = 0 para algn t? Qu


inferencia obtendramos del resultado?

39

Respuesta:

a ) El estimador de MCG puede escribirse como:


= (x0 1 x)1 x0 1 y

donde

1
k(x1 )2

0
1
k(x2 )2

..
.

..
.

..

0
0

..
.

1
k(xT )2

Resolviendo se obtiene:
P yt
 T 1 1 X y
t xt
t
=
=
k 2
k 2 t xt
T

La varianza del estimador MCG es:


= (x0 1 x)1 =
V ar()

 T 1
k 2
=
k 2
T

b ) Si xt = 0 para algn t, entonces se obtendr un innito.

47.

Suponga el modelo:

(12)

y1 = 0 + 1 y2 + 2 z1 + u1

donde y2 es endgena y z1 es exgena. Se cuenta con una variable z2 que sirve como
instrumento para y2 . Al tomar la forma reducida de y2 y sustituirla en el modelo (12)
se obtiene la forma reducida para y1 :

y1 = 0 + 1 z1 + 2 z2 + v1

a ) Obtener los coecientes j en funcin de los coecientes de la forma reducida de


y2 y los j .
b ) Obtener el error de forma reducida , v1 , en funcin de u1 , v2 y los parmetros.
c ) Cmo estimaramos consistentemente los j ?
Respuesta:

a ) La forma reducida de y2 es:

(13)

y2 = 0 + 1 z1 + 2 z2 + v2

Sustituyendo (13) en (12) se obtiene:


y1 = 0 + 1 (0 + 1 z1 + 2 z2 + v2 ) + 2 z1 + u1
y1 = 0 + 1 0 + 1 1 z1 + 1 2 z2 + 1 v2 + 2 z1 + u1
y1 = 0 + 1 0 + (1 1 + 2 ) z1 + 1 2 z2 + 1 v2 + u1
| {z } |
| {z }
| {z }
{z
}
0

Por lo tanto, 0 = 0 + 1 0 , 1 = 1 1 + 2 y 2 = 1 2 .
b ) Del resultado anterior se tiene que v1 = 1 v2 + u1 .
40

v1

c ) Los j pueden estimarse por MCO debido a que las variables z1 y z2 son exgenas en el modelo,
sin embargo no se podr recuperar los coecientes j y j debido a que habrn ms incgnitas

que ecuaciones.

48.

Considere el modelo simple de series temporales donde la variable explicativa tiene un


error de medida clsico:

(14)

yt = 0 + 1 x t +ut

xt = xt + et
donde ut tiene media cero y no est correlacionado con xt y et . Solamente se observan
las variables yt y xt . Suponga que et tiene media cero y no est correlacionado con xt
y que xt tiene tambin media cero (este ltimo supuesto se hace slo para simplicar
el lgebra)

a ) Sustituir xt = xt et y sustituirlo en la ecuacin (14). Demostrar que el trmino


de error en la nueva ecuacin, digamos vt , tiene correlacin con negativa con xt si
1 > 0. Qu implica esto para el estimador MCO de 1 en la regresin de yt sobre
xt ?
b ) Adems de los supuestos anteriores, suponga que ut y et no estn correlacionados
con todos los valores pasados de xt y et ; en particular, con xt1 y et1 . Demostrar
que E(xt1 vt ) = 0, donde vt es el trmino de error en el modelo del apartado (a).
c ) Es probable que las variables xt y xt1 estn correlacionadas? Explicar por qu.
d ) Qu estrategia sugieren los apartados (b) y (c) para estimar consistentemente 0
y 1 ?
Respuesta:

a ) Al sustituir xt = xt et en (14) se obtiene:


y t = 0 + 1 x t + u t 1 e t
| {z }
vt

Dado que xt tiene media cero la covarianza entre xt y vt puede escribirse como:
Cov(xt , vt ) = E(xt vt )
Cov(xt , vt ) = E[(xt + et )(ut 1 et )]
Cov(xt , vt ) = E(xt ut 1 et xt + et ut 1 e2t )
Cov(xt , vt ) = E(xt ut ) 1 E(et xt ) + E(et ut ) 1 E(e2t )
| {z }
| {z } | {z }
0

donde E(e2t ) es la varianza de et , y siempre ser positiva. Si 1 > 0 , entonces la covarianza


y por ende la correlacin ser negativa. En consecuencia el estimador de 1 ser sesgado e
inconsistente.

41

b)

E(xt1 vt ) = E[(xt1 + et1 )(ut 1 et )]


E(xt1 vt ) = E(xt1 ut + et1 ut 1 et xt1 1 et et1 )
E(xt1 vt ) = E(xt1 ut ) + E(et1 ut ) 1 E(et xt1 ) 1 E(et et1 )
| {z }
| {z } | {z }
| {z }
0

E(xt1 vt ) = 0

c ) Al obtener la covarianza
Cov(xt , xt1 ) = E(xt xt1 )
Cov(xt , xt1 ) = E(xt xt1 + et xt1 + xt et1 + et et1 )
Cov(xt , xt1 ) = E(xt xt1 ) + E(et xt1 ) +E(xt et1 ) + E(et et1 )
| {z }
| {z }
0

es probable que si esten correlacionados debido a que no se conocen la correlacin entre xt y


xt1 , y la correlacin entre xt y et1 .
d ) La manera de estimar consistentemente los parmetros del modelo (14) es por el mtodo
de variables instrumentales. Un buen instrumento es xt1 debido a que Cov(xt1 xt ) 6= 0 y
Cov(xt1 vt ) = 0.
49.

Considere este modelo microeconmico de demanda y oferta de trabajo:


Demanda:

y1 = 1 + 2 y2 + 3 x1 + 4 x2 + u1

Oferta:

y1 = 5 + 6 y2 + u2

Aqu, y1 (=horas de trabajo) e y2 (=salario) son las variables endgenas. Las variables
exgenas, x1 (=tipo de inters) y x2 (=precio de las materias primas), son independientes de las perturbaciones estructurales u1 y u2 . Estas perturbaciones tienen esperanza
cero. En lo siguiente, respecto a la estimacin, supondremos que disponemos de una
muestra de observaciones de y1 , y2 , x1 y x2 de tamao moderado, y que las regresiones
lineales a efectuar incluyen una constante.

a ) Derive la forma reducida.


b ) Est identicada la ecuacin de oferta? Debe estimarse a partir de la regresin
lineal mnimo-cuadrtica de y1 sobre y2 ? Explicar.
c ) Est identicada la ecuacin de demanda? Debe estimarse a partir de la regresin lineal mnimo-cuadrtica de y1 sobre y2 , x1 y x2 ? Explicar.
d ) Se le pide que estime la ecuacin de oferta por mnimos cuadrados en dos estapas.
Qu pasos seguira? Sea breve pero explcito.

e ) Se le pide que estime la ecuacin de demanda por mnimos cuadrados en dos


estapas. Qu pasos seguira? Sea breve pero explcito.

Respuesta:

42

a ) Al igualar la oferta y demanda se despeja y2 .


1 + 2 y2 + 3 x1 + 4 x2 + u1 = 5 + 6 y2 + u2
2 y2 6 y2 = 5 1 3 x1 4 x2 + u2 u1
(2 6 )y2 = 5 1 3 x1 4 x2 + u2 u1

Si se asume que 2 6= 6 se puede dividir ambos lados de la ecuacin anterior para 2 6 .


y2 =

3
4
u2 u1
5 1
+
x1 +
x2 +
2 6 2 6
2 6
2 6
| {z } | {z }
| {z }
| {z }
1

v1

Para obtener la forma reducida de y1 , se reemplaza la ecuacin anterior en la ecuacin de


oferta.
y1 = 5 + 6

y1 = 5 +
y1 =


3
4
u2 u1 
5
1
+ u2
+
x1 +
x2 +
2 6
2 6
2 6
2 6

6 (5 1 )
6 3
6 4
6 (u2 u1 )
+
x1 +
x2 +
+ u2
2 6
2 6
2 6
2 6

6 3
6 4
2 u2 6 u1
5 2 1 6
+
x1 +
x2 +
2 6
2 6
2 6

|
| {z }
| 2 {z 6 }
{z
} | {z }
4

v2

b ) La ecuacin de oferta si est identicada, sin embargo no se debe estimar por mnimos cuadrados ordinarios debido a que y2 es endgena y causa un sesgo de simultaneidad en el estimador,

adems de la inconsistencia.
c ) La ecuacin de demanda no est identicada, y tampoco debe estimarse por mnimos cuadrados
ordinarios por la misma razn (el estimador es sesgado e inconsistente).
d ) Primero se regresa y2 sobre x1 y x2 . Mediante una prueba de hitesis se testea si los coecientes
que acompaan estas variables son signicativos. De ser as, el segundo paso es regresar y1
sobre y2 , donde y2 es la prediccin de la regresin de y2 sobre x1 y x2 .
e ) No se puede estimar por mnimos cuadrados en dos etapas debido a que la ecuacin no est
identicada.
50.

En el modelo lineal

yi = x0i + ui

E(ui ) = 0
Suponga que los trminos de error no estn correlacionados, sin embargo no se cumple
el supuesto de homocedasticidad. Suponga que la estructura de la varianza del error
cambia en funcin de xi y adems es conocida. Muestre que el estimador de mnimos
cuadrados generalizados de puede ser escrito como un estimador de variable instrumental usando algn instrumento zi . (Encuentre una expresin para zi en funcin de
xi )
Respuesta:

Expresando la matriz de varianzas-covarianzas de u como , el estimador de mnimos cuadrados


generalizados es:
43

M CG = (X 0 1 X)1 X 0 1 y

Al compararlo con el estimador de variable instrumental


IV = (Z 0 X)1 Z 0 y

se puede notar que es necesario que Z 0 sea igual a X 0 1 . Debido a la simetra de 1 , la matriz
de instrumentos Z puede ser escrita como:
Z = 1 X

1
12

Z=
..
.
0

0
1
22

..
.

..

0 x11
0

x12
.
..

. ..
1
x1n
2

x21
x22

x2n

..
.

..

Por lo tanto, el instrumento zi0 puede ser escrito como


zi0 =

1 0
x
i2 i

Referencias
[1] Novales (1993); Econometra.
[2] Wooldridge (2008); Introductory Econometrics: A Modern Approach.
[3] Greene (2005); Econometric Analysis.
[4] Gujarati & Porter (2010); Econometra.
[5] B. Hansen (2012); Econometrics.
[6] Johnston and Dinardo (1996); Econometric Methods.

44

xk1
xk2

..
.
xkn