MULTICOLINEALIDAD

10.3
A) aunque los valores numricos de la interceptacin y los coeficientes de pendiente de PGNP y FLR han cambiado, sus signos no
tienen. Tambin, estas variables son todava estadsticamente.
estos cambios se deben a la adicin de la variable TGF, lo que sugiere que puede haber algo de colinealidad entre las variables.
B) DESDE LA T valor del coeficiente tfr es muy significativa (valor p es slo 0,0032), parece tfr pertenece en el modelo. el signo positivo
de este coeficiente tambin tiene sentido en que cuanto mayor sea el nmero de hijos que tiene una mujer, mayores sern las
posibilidades de aumento de la mortalidad infantil.
C) en Es una de esas ocurrencias felices donde a pesar de posible colinealidad, los coeficientes individuales siguen siendo
estadsticamente significativa
10.4 la relacin puede ser reescrita como

Por lo tanto

Del mismo modo,

El grado de multi. Es perfecto

10.5
A) S. datos de series de tiempo econmicas tienden a moverse en la misma direccin. aqu, las variables rezagadas de ingresos
generalmente se mueven en la misma direccin.
B) como se discute brevemente en el captulo 10 y se analiza en el captulo 17, la primera transformacin diferencia puede aliviar el
problema
10.8
A) S. esto es debido a que el coeficiente de correlacin es cero entre x2 y x3. como resultado, los trminos de productos cruzados
desaparecen en las frmulas para los coeficientes b (7.4.7 y 7.4.8) y las frmulas se convierten en las mismas que las de los coeficientes
alfa e y (3.1.8)
B) ser una combinacin, como se muestra a continuacin

Por lo tanto.

C) No, por las siguientes razones

Tenga en cuenta que :

10.10
A) No. multicolinealidad se refiere a la asociacin lineal entre las variables. aqu tuhe asociacin es no lineal.
B) no hay ninguna razn para que caigan. que son tericamente, as como estadsticamente significativa en el presente ejemplo
C) si una de las variables de es cado, no habr sesgo de especificacin que se mostrar en el coeficiente de la variable restante
10.18
A) habr elementos de la diagonal principal slo
B) obtener el X X) de la matriz (, y su inverso (X Y)
C) no habr elementos fuera de la diagonal, es decir, los elementos de covarianza.
D) no. ya que todos los regresores son ortogonales, todas las covarianzas (es decir, productos cruzados) trminos sern cero.
10.19
A) desde el tercer regresor (MT-MT-1) es una combinacin lineal de Mt, Mt-1, puede haber un problema de colinealidad.
B) si nos re-especificar el modelo como

podemos estimar B1, alfa1 y alfa2 nica, pero no podemos estimar

B2, B3 y B4 nica
C) todos los parmetros se pueden estimar de forma nica, como ya no hay colinealidad perfecta.
D) la respuesta es la misma que en "C"

10.23
A) ceteris paribus, a medida que aumenta, la varianza del coeficiente estimado Bk disminuir. esto permitir que el
estimador para estimar con mayor precisin.
B) cuando colinealidad es perfecta, la varianza es indefinido.
C) cierto. como los generales R al 2 aumenta, (1-r al 2) disminuir. esto reducir la varianza del coeficiente estimado.
10.24
A) dado el relativamente alto de 0,97, el valor F significativo y el (econmicamente hablando) que haya sido firmado insignificante
coefficientof log K, puede ser que hay colinealidad en el modelo.
B) a priori, se espera que el capital para tener un impacto positivo sobre el producto. no es en el presente caso, probablemente debido a
la colinealidad en los regresores
C) es una funcin de produccin tipo Cobb-Douglas, ya que el modelo dado puede ser escrito como:

D) en promedio, durante el perodo de la muestra, un aumento del 1% en el ndice de la

mano de obra utilizada reales result en aproximadamente 0,91% de aumento en el
ndice de la produccin real. la variable t en el modelo representa el tiempo. muy a menudo, el tiempo se toma como un proxy para el
cambio tcnico. el coeficiente de 0,47 sugiere que durante el perodo de la muestra, en avergae, la tasa de crecimiento de la produccin
real (medida por el ndice de produccin) fue aproximadamente 4,7%
E) esta ecuacin asume implcitamente que existen rendimientos constantes a escala, es decir, (B2 + B3) = 1. una ventaja incidental de la
tranformacin puede ser reducir el problema colinealidad.
F) dado que el ratiocoefficient capital-trabajo es estadsticamente insignificante, parece que el problema de colinealidad no se ha
resuelto.
G) como se menciona en (e), los autores es que tratan de averiguar si hay rendimientos constantes a escala. uno podra usar la prueba F
se discuti en el captulo 8 para averiguar si la restriccion es vlida. pero como las variables dependientes en los dos modelos son
diferentes, no podemos nosotros, la versin R al 2 de la prueba F. necesitamos los restrcited y sin restricciones sumas de cuadrados
residuales de utilizar la prueba F.
H) como se indica en (g) los dos RAL2 no son comparables. uno podra Siga el procedimiento descrito en el captulo 7 para hacer que los
dos valores 2 Ral comparable.

10.26
A) los resultados de la regresin del modelo modificado son
B) Z puede ser interpretado como una media ponderada de los tipos de Varios de ingreso.

10.27
A)

B) a juzgar por el alto valor RAL2 y valor insignificante t del coeficiente IPC registro, probablemente existe multicolinealidad en los datos

C) R-r_square = r al cuadrado

Least square: minimos cuadrados

la

regresin auxiliar de LGPD en LCPI muestra que las dos variables

estn muy correlacionadas, tal vez lo que sugiere que los datos tienen
el problema de colinealidad

D) la mejor solucin en este caso sera expresar las importaciones y el

PIB en trminos reales, dividiendo cada uno por el IPC (recordar el
mtodo de la razn se discuti en el captulo). los resultados son los
siguientes:

10.29
A) A y C el examen de los coeficientes de
correlacin entre las variables explicativas posisible,
se observa una correlacin muy alta entre el nuevo IPC
coche y el IPC general (0,997) y entre el PDI y el nuevo IPC coche (0.991). otros son relativamente altos, pero deben permanecer en el
modelo de las razones tericas. PDI tambin est estrechamente relacionado con el nivel de empleo, la correlacin entre los dos es
0.972, por lo tanto, uno podra caer IPC general y PDI y estimare el siguiente modelo( VARIABLE LY)

NOTA: la letra l representa el logaritmo de.

parece que este modelo no sufre el problema de colinealidad.
B) si se incluyen todas las variables X, se obtienen los siguientes resultados: este modelo tiene colinearidad

HETEROCEDASTICIDAD
11.2
A) como la ecuacin (1) muestra, como N aumenta en una unidad, en promedio, los salarios aumentan en alrededor de 0.009 dlares. si
se multiplica la segunda ecuacin a travs de N, se ver que los resultados son muy similares a la ecuacin. (1).
B) al parecer, el autor estaba preocupado por heterocedasticidad, ya que divide la equiation original de N. esto equivale a suponer que
la varianza del error es proporcional al cuadrado de N. tanto, el autor est utilizando mnimos cuadrados ponderados en la estimacin
de la ecuacin. (2).
C) el coeficiente de intercepcin en la ecuacin. (1) es el coeficiente de la pendiente de la ecuacin. (2) y el coeficiente de la pendiente
en la ecuacin (1). es el intercepto de la ecuacin (2).
D) no. las variables dependientes en los dos modelos no son los mismos.
11.3
A) No, estos modelos no son lineales en los parmetros y no se pueden estimar por MCO.
B) existen procedimientos de estimacin no lineal especializados. hablamos de este tema en el captulo sobre los modelos de regresin
no lineal.
de manera informal, se puede estimar los parmetros de un proceso de ensayo y error
11.6
A) se ha asumido que la varianza del error es proporcional al cuadrado del PIB, como se describe en la postulacin. los autores hacen
esta suposicin al mirar los datos en el tiempo y la observacin de esta relacin.
B) los resultados son esencialmente los mismos, aunque los errores estndar para dos de los coeficientes son ms bajos en el segundo
modelo; esto puede ser tomado como justificaction emprica de la transformacin para la heterocedasticidad.
C) no. los trminos RAL2 no pueden compararse directamente, ya que las variables dependientes en los dos modelos no son lo mismo
11.11
los resultados regressio ya se dan en (11.5.3). si el promedio aumentos de productividad por un dlar, promedio ao, comprensation
aumenta en cerca de 23 centavos de dlar.
A) el residual de esta regresin son los siguientes:
-775.6579; -205.0481,165.8512,183.9656,199.3785,546657,112.8410,150.6239,113.4100
B) la cuestin de la verificacin directa
C) los resultados de la regresin son:

ya que estos resultados muestran, hay poca evidencia de Oh heterocedasticidad sobre la base de la prueba de Glejser.
D) si clasifica los residuos absolutos de menor a mayor valor y de manera similar alinea cifras promedio de productividad de bajo a alto
valor y calcular el coeficiente de correlacin de rango de Spearman como se da se dar cuenta de que este coeficiente se trata.
-0.5167 Utilizando la frmula t dado, el valor t it sobre.
-0.8562 Este valor t it no estadsticamente significativo; el valor t crtico 5% para 7 df es 2,447 en valor absoluto. por lo tanto, sobre la
base de la prueba de correlacin, no tenemos ninguna razn para esperar heterosccdasticity
en suma, todo el seggest prueba precedente de que no tenemos el problema de herecedasticidad
11.12
A y B)
C) los resultados de la regresin son:

ya que el coeficiente de la pendiente no es estadsticamente diferente de cero, no existe una relacin sistemtica entre las dos variables,
que se puede ver a partir de la figura en (a)
D) no hay necesidad de ninguna transformacin, ya que no existe una relacin sistemtica entre las ventas promedio / ratio de efectivo
y estndar.
11.14 utilizando la frmula (11.3.8) para mnimos cuadrados ponderados, se puede demostrar que

. si utilizamos OLS, a continuacin, de la ecuacin (6.1.6), obtenemos:

y usando (6.1.7), obtenemos:

la comparacin de las dos estimaciones, vemos que los mnimos cuadrados ponderados da un peso de Y1 yo 2/3 y 1/3 a Y2 mientras
que OLS da igual.
peso a las dos observaciones Y. la varianza del estimador de la pendiente es mayor en los mnimos cuadrados ponderados que en los
OLS
11.15
A) los resultados de la regresin son los siguientes:

como se esperaba, MPG se relaciona positivamente con HP y negativamente con la Spedd y peso.
B) ya que esta es una dara transversal que incluy una diversidad de vehculos, una priori esperara heterocedasticidad.
C) reduce los residuos Esquare obtenidos a partir del modelo se muestra en (a) en los tres regresores, sus trminos al cuadrado, y sus
trminos de productos cruzados, se obtiene un valor de 0,3094 RAL2. multiplicando este valor y el nmero de observaciones (= 81),
obtenemos 25.0646, cosa que bajo la hiptesis nula de que no hay heterocesastico, tiene la distribucin de chi-cuadrado con 9 df (3
regresores, 3 .... regresores cuadrados, y 3 tres trminos de productos cruzados). el valor p de la obtencin de un valor de chi-cuadrado
de como mucj 25.0646 o ms (bajo la hiptesis nula) es 0,0029, cosa que est muy pequeo. hencem debemos rechazar la hiptesis
nula. es decir, no es heterocedasticidad.
D) los resultados basados en el procedimiento blanco son los siguientes:
cuando se compara este resultado con los resultados de MCO, usted encontrar que los valores de los coeficientes estimados son los
mismos, pero sus varianzas y errores estndar son diferentes. como se puede ver, los errores estndar de los coeficientes de la
pendiente estimada es mayor con arreglo al procedimiento blanca, por lo tanto, (T) son ms bajos, lo que sugiere que OLS haba
subestimado los errores estndar. esto podra ser debido a Ann hetercedasticidad.
E) no existe una frmula simple para determinar la naturaleza exacta de heterocedasticidad en el presente caso. quiz se podra hacer
algunas suposiciones simples y tratar diversos transformTION. para examplem si se cree que la variable "culpable" es HP, y si creemos
que la varianza del error es proporcional al cuadrado de HP, que podra dividir a travs de HP y ver qu pasa. por supuesto, cualquier
otro regresor es un candidato probable para la transformacin
11.16
los resultados de regresin utilizados son los siguientes:

los residuos obtenidos de esta regresin se ve de la siguiente manera:

B) el trazado de residuos (R!) agains expedinture total, se observa

parece que a medida que el total de los aumentos del gasto, el valor absoluto de los residuales tambin aumentan, tal vez de manera no
lineal
c) Prueba de parque
si se multiplica el valor R cuadrado en un 55, y la hiptesis nula se converta no hay hetercedastico, el producto resultante de 7,3745
sigue la distribucin de chi-cuadrado con 2 df y el valor p de dicho valor de chi-cuadrado es de unos 0.025 , cosa que est pequea. por
lo tanto, al igual que la prueba de parque Glejser, la prueba de blanco tambin sugiere heterocedasticidad.
D) los resultados heterocedasticidad-corregido blancos son los siguientes:

en comparacin con los resultados de la regresin MCO dadas en (a), no hay mucha diferencia en el error estndar del coeficiente de
pendiente.
Aunque el error estndar de la interseccin ha disminuido.
si esta diferencia es vale la pena preocuparse, es difcil de decir. pero a menos que vayamos a travs de este exervise, no sabremos qu
tan grande o pequeo sea el differemce es entre la OLS y procedimientos blancas.
11.20

ya que esta figura se muestra, la mediana de los aumentos salariales con ao en fila, pero no linealmente.
B) a partir de la cifra dada en (a), parecera que el modelo (2) puede ser ms apropiado, wichk tambin encaja en la teora econmica de
la pizca del capital humano.
C) los resultados de ajuste tanto los modelos lineales y cuadrticos son los siguientes:
prueba heterocesasticidad blanco aplicado a Moel (1) mostr que no haba pruebas de heterocedasticidad. el valor de n. RAL2 de la
regresin auxiliar de los residuos al cuadrado fue de 11.4108 con un valor p de 0,0033, lo que sugiere una fuerte hetrocedasticudad al
nivel del 5%. pero este valor es tan clse al nivel de 5% taht se podra sospechar ligera heterocedasticidad en el modelo, aunque la
posibilidad de error de especificacin no se puede descartar.
D) el supuesto de que la varianza del error de es porportional al cuadrado de la experiencia, hemos dividido el modelo (1) a travs de X,
obteniendo los siguientes resultados:

cuando este modelo se someti a prueba heterocedasticidad blanco, no haba pruebas de heterocedaticidad
11.21
la statisc prueba calculada

el F crtico 5% para 25 gl en el numerador y el denominador es de 1.97. ya que la ptima relacin estimado de 2.5454 supera este valor
crtico, rechazar la hiptesis nula de homocedasticidad
11.22

uno residual, que belinging a Chile, domina los otros residuos.

C) excluyendo el observarion de Chile, los resultados de la regresin fueron los siguientes:
como se puede ver, en (a) el coeficiente de la pendiente era muy importante, pero en esta regresin no lo es. ver cmo un solo punto
extremo, una de las dems, puede distorsionar los resultados de la regresin. los cuadrados de los residuos de esta regresin cuando se
representa frente a X mostraron el siguiente grfico.

AUTOCORRELACION