Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Mayo 2014
n
P
xi yi
i=1
= n
2
x2i
P
2 +
i=1
a ) El sesgo del estimador se dene como: b(, ) = E() . Por lo tanto el problema consiste
en demostrar que E() est entre 0 y , o lo que es lo mismo, que b(, ) sea de signo contrario
a
Se empieza calculando
n
P
xi (xi + ui ) !
i=1
E() = E n
2
x2i
P
2 +
i=1
n
(x2i + xi ui ) !
P
i=1
E() = E n
2
x2i
P
2 +
i=1
n n
x2i +
P P
xi ui !
i=1 i=1
E() = E n
2
x2i
P
2 +
i=1
n n
1 X X
E() = n E[ x2i + xi ui ]
2
x2i
P
2 + i=1 i=1
i=1
n n
1 X X
E() = n [ x2i + E[ xi ui ]]
2
x2i
P
2 + i=1 i=1
i=1
| {z }
0
* Cualquier duda o comentario escribir a gvilla@espol.edu.ec.
1
Esto ltimo debido a que E[xi ui ] = 0.
Entonces n
x2i
P
i=1
E() = n
2
x2i
P
2 +
i=1
Hasta aqu ya es posible observar que el valor esperado del estimador est entre 0 y , sin
embargo se calcular el sesgo:
n n
x2i x2i
P P
" #
i=1 i=1
b(, ) = n = n 1
2 2
x2i x2i
P P
2 + 2 +
i=1 i=1
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 i=1
E( ) = E n
2
x2i
P
2 +
i=1
n n
2
" P xi yi x2i #2
P
i=1 i=1
E( )2 = E n
2
x2i
P
2 +
i=1
n n n
" P x2 + P xi ui 2
x2i #2
P
i
2 i=1 i=1 i=1
E( ) = E n
2
x2i
P
2 +
i=1
n
2
2
P
E xi ui
i=1
E( )2 = 2
n
2
x2i
P
2 +
i=1
n n
2 P 2
E [ xi ui ]2 2 xi ui + [ ]2
P
i=1 i=1
E( )2 = 2
n
2
x2i
P
2 +
i=1
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:
n 2
n
P
2
2 x2i + [ ]2 2 x2i +
P
2
E( )2 = i=1 2 =
i=1
2
n n
2 P 2 2 P 2
2 + xi 2 + xi
i=1 i=1
2
E( )2 = n
2
x2i
P
2 +
i=1
2
c)
V ar() = E[ E()]2
n n n
" P x2 + P xi ui
P
x2i #2
i
i=1 i=1 i=1
V ar() = E n n
2 2
x2i x2i
P P
2 + 2 +
i=1 i=1
n n n
" P x2 + P xi ui P x2 #2
i i
i=1 i=1 i=1
V ar() = E n
2
x2i
P
2 +
i=1
n n
xi ui ]2
P P
" xi ui #2 E[
i=1 i=1
V ar() = E n =h n i2
2 2
x2i x2i
P P
2 + 2 +
i=1 i=1
n
2 x2i
P
i=1
V ar() = h n i2
2
x2i
P
2 +
i=1
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.
n
2 x2i
P
2
i=1
V ar(M CO ) V ar() = P
n h n i2
2
x2i x2i
P
2 +
i=1 i=1
h n i2 n
hP i2
2
2 x2i 2 x2i
P
2 +
i=1 i=1
V ar(M CO ) V ar() = h n n
i2 P
2
x2i x2i
P
2 +
i=1 i=1
" #
h n i2 n
hP i2
2 2
x2i x2i
P
2 +
i=1 i=1
V ar(M CO ) V ar() = h n n
i2 P
2
x2i x2i
P
2 +
i=1 i=1
" #
h i2 n n
hP i2 n
hP i2
2 2
2
2 2 x2i x2i x2i
P
2 + +
i=1 i=1 i=1
V ar(M CO ) V ar() = h n n
i2 P
2
x2i x2i
P
2 +
i=1 i=1
" #
h 2
i2 2
n
2 + 2 2 x2i
P
2
i=1
V ar(M CO ) V ar() = h n n
i2 P >0
2
x2i x2i
P
2 +
i=1 i=1
3
P P
Y y
1 = Pt t 4 = Pt t
t Xt t xt
2 = 1 Yt
5 = 1 yt
P P
T t Xt T i xt
P P
X Y x y
3 = Pt t 2 t 6 = Pt t 2 t
t Xt t 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
t tX
h P ( + X + u ) i P
t ut
h T i
E(1 ) = E t P t t
=E P ++ P
t Xt t Xt t Xt
P
tE(ut )
h P ( + X + u ) i T
| {z }
E(1 ) = E t P t t
=P ++ P 0
t Xt t Xt t Xt
V ar(1 ): P P
h T ut i t V ar(ut )
V ar(1 ) = V ar P + + Pt = hP i2
t Xt t Xt X
t t
T 2
V ar(1 ) = hP i2
t Xt
E(2 ):
1 hX Yt i 1 hX ut i
E(2 ) = E = E ( ++ )
T t
Xt T t
Xt Xt
1 h X 1 X ut i
E(2 ) = E + T +
T t
Xt t
Xt
E(ut )
| {z }
X 1 1 X 0
E(2 ) = ++
T t Xt T t Xt
V ar(2 ):
1 hX Y i
t
V ar(2 ) = 2 V ar
T t
Xt
1 h X 1 X ut i
V ar(2 ) = V ar + T +
T2 t
Xt t
Xt
1 X V ar(ut )
V ar(2 ) = 2
T t Xt2
2 X 1
V ar(2 ) =
T 2 t Xt2
4
E(3 ):
hP X Y i h P X t Xt2
P P
Xu i
E(3 ) = E 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
t Xt E(ut )
P | {z }
Xt
E(3 ) = P t 2 + + P 20
X
t t t Xt
V ar(3 ):
h P X t Xt2
P P
t t Xt ut i
V ar(3 ) = V ar P 2 + P 2 + Pt 2
t Xt t Xt t Xt
Xt2 V 2
P
ar(ut )
V ar(3 ) = tP
2 2 = P 2
( t Xt ) t Xt
1 hX + Xt + ut X u i
E(5 ) = E
T t
xt
1 hX + Xt + ut X u i
E(5 ) = E
T t
xt
(Xt X) +ut u
| {z }
1 hX
xt
i
E(5 ) = E
T t
xt
E(ut u)
X ut u i | {z } i
1 h 1 h X 0
E(5 ) = E T + = T +
T t
xt T t
x t
E(5 ) =
V ar(5 ):
1 h X ut u i
V ar(5 ) = 2 V ar T +
T t
xt
1 hX h u u i XX 1 1 i
t
V ar(5 ) = (V ar ) + 2 Cov(ui u, u t u)
T2 t xt i t
xi xt | {z }
2
i<t T
1 hXh V ar(ut u) i 2 2 X X 1 1 i
=
T2 t x2t T i t xi xt
i<t
2 2
1 hXh 2 + T 2 T i 2 2 X X 1 1 i
V ar(5 ) =
T2 t x2t T i t xi xt
i<t
5
1 h 2 2 Xh 1 i 2 2 X X 1 1 i
V ar(5 ) = ( )
T2 T t
x2t T i t xi xt
i<t
Los momentos de 6 son conocidos, debido a que es el estimador de mnimos cuadrados ordinarios.
2
E(6 ) = V ar(6 ) = 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
donde 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.
Respuesta:
P
P (yi y)(xi x)
y x Sy Sx
2 = P i i2 = P
(xi x)2
(xi ) 2
Sx
P
(yi y)(xi x) Sx S
x
2 = P 2
= 2
(xi x) Sy Sy
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. Sean yx y xy las pendientes de la regresin de y sobre x y de x sobre y , respectiva-
mente. Demuestre que:
yx xy = R2
(y x + xi y)2
P
2
R = P
(yi y)2
(x x)2
P
2
R = 2
yx P i
(yi y)2
6
(xi x)2 (x x)2
P P P
(yi y)(xi x)
R2 = yx yx P 2
= yx P 2
P i
(yi y) (xi x) (yi y)2
P
(yi y)(xi x)
R2 = yx P = yx xy
(yi y)2
R2 =
1
R2 = = =1
6. Considere los siguientes modelos:
ln yi = 1 + 2 ln xi + ui
ln yi = 1 + 2 ln xi + ui
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:
P ln w
2
zi
z = ln w2 + zi + zi = zi zi
n
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
7
1 = ln w1 + lnyi 2 ln w2 2 lnxi
1 = lnyi 2 lnx + ln w1 2 ln w2
| {z }
1
Al obtener la varianza:
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 orto-
gonales 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
y = PX y + MX y = X 1 1 + X 2 2 + MX y (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 01 y = X 01 X 1 1 + X 01 X 2 2 + X 01 MX y
X 01 y = X 01 X 1 1 + X 01 X 2 2 + X 01 MX y (2)
| {z } | {z }
O O
8
(X 01 X 1 )1 X10 y = 1
Se pide:
Respuesta:
u0 u
V ar() = 2 (X 0 X)1 = (X 0 X)1
n3
Cov(, 1 ) Cov(, 2 )
V ar()
V ar() = Cov(, 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
2 1,6
t= q = = 16
0,1
V ar(2 )
9
Respuesta:
Resolviendo el lado izquierdo de la ecuacin obtenemos:
= 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 + 0 X 0 y 0 X 0 X
Si usamos el hecho de que = (X 0 X)1 X 0 Y entonces:
= y 0 Xc c0 X 0 y + c0 X 0 Xc + y 0 X + 0 X 0 y 0 X 0 X(X 0 X)1 X 0 y
| {z }
I
= y 0 Xc c0 X 0 y +c0 X 0 Xc + y 0 X
|{z}
X 0 X
= (c0 X 0 X y 0 X )(c )
|{z}
0 X 0 X
= (c0 0 )X 0 X(c )
= (c )0 X 0 X(c )
10. Para estudiar la relacin entre 2 variables se han estimado los siguientes modelos:
a) yi = + xi + i
b) ln yi = + xi + i
c) yi = + ln xi + i
d) ln yi = + ln xi + i
Discutir la interpretacin que tendria, en cada caso, el valor estimado para el coeciente
.
Respuesta:
yt = 0 + 1 Xt + ut
10
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
0 = Y X 1 = 0 0(1 ) = 0
P P
t (Xt X)(Yt Y ) Xt Yt F
1 = P 2
= Pt 2 = B
t (Xt X) X
t t
b ) iv) E (F 2 /B)
Yt = 0 + (F/B)Xt
u2t =
X X X
(Yt (F/B)Xt )2 = (Yt2 2(F/B)Xt Yt + (F 2 /B 2 )Xt2 )
t t t
u2t
X X X X
= Yt2 2(F/B) Xt Yt + (F 2 /B 2 ) Xt2
t t t t
2 2
= E 2F /B + F /B
= E (F 2 /B)
12. Sea el modelo y = X + u. Se estima por MCO y se obtienen los residuos de la
regresin u = y X . Considere ahora la siguiente regresin: y = X + u + v .
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 + v 2
Por lo tanto:
= (X 0 X)1 X 0 y
y
= (u0 u)1 u0 y = (u0 u)1 (MX y)0 y
= (u0 u)1 y 0 MX y
= (u0 u)1 u0 u
= 1
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.
v = y X u = y X u = 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.
v 0 v
R2 = 1 =10=1
(y y)0 (y y)
13. Considere el modelo de regresin
Yi = + Xi + ui , i : ui (0, 2 ) y i, j : cov(ui , uj ) = 0
c ) Pruebe
P que cualquier otro estimador P lineal para
P(de la forma (de la forma
= i bi Yi ) debe satisfacer tanto que i bi = 1 como i bi Xi = 0 para ser insesgado.
d ) Si bi = i + fi , muestre que i fi = 0 y i fi Xi = 0.
P P
Respuesta:
a)
X X 1 X 1 xi
= i Yi = ( wi X)Yi = ( P 2 X)Yi
i i
n i
n i xi
P
X yi xi Yi
= X Pi 2 = Y X
i
n i xi
b) P
X X 1 n X xi 0
i = ( wi X) = X wi = 1 X i 2 = 1 X P 2 = 1
P
i i
n n i
x
i i i xi
X X 1 X
i Xi = ( wi X)Xi = X X wi Xi
i i
n i
P P 2
X xi Xi x
i Xi = X X P 2 = X X Pi i2 = X X = 0
i
i i xi i xi
c ) = i bi Yi
P
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 }
0
Para que sea insesgado se tiene
P que cumplir E() = . Dado que es distinto de 0, entonces
se debe cumplir i bi = 1 y i bi Xi = 0.
P
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) X X
V ar() = V ar( bi Yi ) = b2i 2
i i
X X X X
V ar() = 2 (i + fi )2 = 2 [ (i )2 + 2 i fi + fi2 ]
i i i i
| {z }
0
X X
V ar() = 2 2i + 2 fi2
i i
| {z }
V ar()
El primer trmino es la varianza del estimador MCO y el segundo trmino es algn nmero
positivo. Por lo tanto:
V ar() V ar()
La segunda parte del lado derecho de la ecuacin anterior es una matriz de 1 1, por lo tanto es
igual a su traza.
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
0 0
1
1
0 2 0
1 = .. .. .. ..
. . . .
1
0 0 K
tr(C1 C 1 ) = tr(1 C 1 1
| {z C}) = tr( )
I
En consecuencia la traza de 1
es 1
y por lo tanto:
P
k k
K
X 1
E( 0 ) = 0 + 2 tr(1 ) = 0 + 2
k
k=1
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 des-
viaciones 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:
2X 0 y + 2X 0 X = 0
X 0 y X 0 X = 0
X 0 (y X ) = 0
| {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 .
(X )0 u = 0
0 X 0
| {zu} = 0
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 yi (xi x)(yi y)
= P 2 = i P
i
2
x
i i i (xi x)
= 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.
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:
1 ui
f (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 2
i (xi x)
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:
P
1
y
i xi + ui
E = E
x x n
P
i (xi + ui )
y 1
E = E
x x n
P
y
1 X xi i ui
E = [ +E ]
x x i
n n
| {z }
x
P
i E(ui )
y | {z }
0
E =+ =
x xn
La varianza del estimador es:
P
y
i ui 1 X
V ar = V ar = V ar( ui )
x xn x2 n2 i
y 1 X 2 n 2
V ar = V ar( ui ) = 2 2 = 2
x x2 n2 i
x n x n
2
V ar(M CO ) = P 2
i xi
x2i nx2
y P
2 i
V ar V ar(M CO ) = ( )
nx2 i x2i
P
x
2
P
i x)
i (xP
y
2
V ar V ar(M CO ) = ( )
x nx2 i x2i
La expresin dentro del parntesis siempres er positiva, por lo tanto la varianza del estimador y
x
es mayor que la del estimador MCO.
18. Reproduzca un razonamiento similar usado en la demostracin del teorema de Gauss-
Markov para probar el siguiente resultado:
La combinacin lineal c0 , donde es el estimador del MCO del parmetro , es el
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 ) V ar(c0 ) = c0 V ar()c c0 V ar()c
Dado que Z es semidenida positiva, existe una matriz no-singular B tal que:
= + (X 0 X)1 X 0 u
y 2 como:
u0 M X u
2 =
nk
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 y = X + u, en donde u N (0, 2 I) y X es
determinstica.
17
b ) Dada la distribucin del vector u demuestre que el estimador maximo verosmil
coincide con solo si la condicin X 0 u = 0 se cumple.
Respuesta:
2X 0 y + 2X 0 X = 0
X 0 y X 0 X = 0
X 0 (y X ) = 0
| {z }
u
b ) Dado que u N (0, 2 I), se puede escribir la funcin de mxima verosimilitud en forma
matricial de la siguiente manera:
Y
L= f (ui ; ) = (2 2 )(n/2) exp(u0 u/(2 2 ))
i
n 1
ln L = ln 2 2 2 u0 u
2 2
n 1 n 1
ln L = 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 0 y X 0 X
= 2 =0
2
X 0 y X 0 X = 0
X 0 (y X ) = 0
| {z }
u
Por lo tanto, el estimador mximo verosimil y MCO de solo coinciden cuando la condicin
X 0 u 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:
ln L 1 X
= 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 nece-
sitamos obtener las segundas derivadas parciales:
18
2 ln L n
= 2
2
P 2
2 ln L x
= i2 i
2
2 ln L n 1 X
2
= 2 2
2 3 (yi xi )2
2( ) ( ) i
2 ln L
P
xi
= i2
2 ln L 1 X
2
= 2 2 (yi xi )xi
( ) i
2 ln L 1 X
2
= 2 (yi xi )
i
Planteando la matriz hessiana y reemplazando el valor de los estimadores, se observa que el deter-
minante del primer menor es negativo, ya que el estimador de la varianza siempre ser positivo..
2 ln L 2 ln L 2 ln L
2 2
2 ln L 2 ln L 2 ln L
H = 2 2
2 ln L 2 ln L 2 ln L
2 2 2
P
i xi
n 1
P
i (yi xi )
P2 P2 2 2
x x 1
P
= i2 i i2 i 2 2 i (yi xi )xi
( )
1 1 n 1 2
P P P
i (yi xi ) i (yi xi )xi (y i xi )
2 (2 )2 2(2 )2 (2 )3 i
" P !# " P !#
x2
P
n n 1 X i xi xi n 1 X
i i (ui )2 (ui )2
H = + i
2 2 2
2( )2 2 3
( ) i
2
2 2
2( ) 2 2 3
( ) i
19
!" #
n2 x)2
P
n 1 X i (xi
X X
(ui )2 x2i 2
H = n [ xi ] ) =
2(2 )3 (2 )4 i i i 2(2 )3
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.
" #2
0
t20 = p
pP
2
/ (xi x)2
( 0 )2 (xi x)2
P
2(1)
2
porque es simplemente una normal estandar elevada al cuadrado. Y
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.
( 0 )2 (xi x)2
P
t20 = = F(1,n2)
[ u2 ]/(n 2)
P
i
e1 +2 xi
yi =
1 + e1 +2 xi
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:
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 )
ln zi = 1 + 2 xi + ui
donde zi = (1y
yi
i)
.
La variable dependiente est restringida a ciertos valores.
i : 0 < yi < 1
puesto que log(price) est excluida y aparece en la otra ecuacin. log(price) sirve como instru-
mento 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.
(n2)2
24. Demuestre que bajo los supuestos clsicos, en el modelo yi = 0 + 1 xi + ui , 2 =
P 2
ui
2
i
(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
P
idempotencia de MX ,
u0 MX u
= 0 MX = (MX )0 (MX )
2
donde = u
N (0, I).
21
0
Por lo tanto u M2
xu
se distribuye chi-cuadrado con grados de libertad igual al rango de MX . Para
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.
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
a ) Cul de las siguientes opciones contiene solamente condiciones necesarias para que
el estimador MCO sea un estimador insesgado para el parmetro en el modelo
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) E[] = y V ar[] = 2 (X 0 X)1
2) Cov(, u) = 0
3) debe ser consistente.
4) Ninguna de las anteriores.
Respuesta:
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 si-
guiente ecuacin estimada:
Respuesta:
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 :
(RSSR U SSR)/r
F = ,
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 cam-
biado. 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 .
(18,48 13,28)/3
F = = 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:
(RSSR SSR1 SSR2 )/k
F = ,
(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.
(18,48 9,32 7,46)/4
F = = 1,722
(9,32 + 7,46)/(76 8)
28. 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
uR 0 uR u0 u y que en consecuencia, el estadstico yy0 M y/(nk1)
sigue la distribucin
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/J J
Fnk1
y 0 M y/(n k 1)
29. Para el modelo y = X + u, donde la matriz E[u0 u] = 2 I es conocida, derive un
estadstico de prueba para la hiptesis conjunta:
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
yt = + xt + ut (5)
yt = + ut (6)
24
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 =
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
1
X yt
= ( 1) yt = t = y
t t
n
b ) Para saber si es insesgado para , se reemplaza yt por el verdadero proceso generador de datos.
P P
t yt ( + xt + ut )
= = 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) = ny ny = 0
t t
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:
25
e ) Suponga que primero se ajusta el modelo usando (5). La prediccin de yT +1 ser:
yT +1 = + xT +1
mientras que el verdadero valor de yT +1 ser:
yT +1 = + xT +1 + uT +1
La varianza del error de prediccin es:
V ar(yT +1 yT +1 ) = V ar( + xT +1 xT +1 uT +1 )
h 1 xT +1 x i
V ar(yT +1 yT +1 ) = 2 1 + + P 2
(7)
T t (xt x)
Ahora considere el caso en el que el modelo est mal especicado. Como se demostr anterior-
mente 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:
2 1
V ar[yT +1 yT +1 ] = + 2 = 2 (1 + ) (8)
T T
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:
1 0 1 0 1 0 0
PZ = X AA
| {z }(X X) |(A ){z A} X
I 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:
X 1
2
min s =
, 2 (yt xt )
t t
s X 2
= 2 (yt xt ) = 0
t
t
s X 2xt
= 2 (yt xt ) = 0
t
t
= y x
b ) Si t2 = kxt , entonces:
1
P 1
P xt yt 1
P yt P xt
k2 t xt t xt k2 t xt t xt
= P 2
1
P x2t P 1 1 xt
k2 t xt t xt k2 t xt
27
yt n t xytt
1
P P P
t xt t
= P P 1 2
t xt t xt n
ny t x1t n t xytt
P P
=
nx t x1t n2
P
y t x1t t xytt
P P
=
x t x1t n
P
33. 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.
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]
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 )
2
V ar(M CG ) = P x2
t
t t
Respuesta:
t x2t + t ut xt
P P P P
t yt xt ut xt
= P 2 = P 2 = + Pt 2
t xt t xt t xt
Y su valor esperado:
1 X
E() = + P 2 xt E(ut )
t xt t
| {z }
0
2 X
V ar() = P 2 2 x2 t
( 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 .
X1
min s = (yt xt )2
t
t
29
s X yt xt X x2
t
= 2 + 2 =0
t
t t
t
Como los errores no estn correlacionados la varianza del estimador puede escribirse como:
1 X x2 2 X x2 t
t t
V ar(M CG ) = P x2t 2 V ar(ut ) = P x2 2
t
t2 t
t
t2
t t t t
2
V ar(M CG ) = P x2
t
t t
y = + x + u
P
(y y)(zi z)
y sea z una variable instrumental binaria para x. Utilizar = Pi i para de-
i (xi x)(zi z)
mostrar que el estimador de variables instrumentales(IV) puede escribirse como:
y1 y0
IV =
x1 x0
30
P P
(n k) i yi zi k i yi (1 zi )
IV = P P
(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
IV = 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
IV = P i P
n i xi zi k i xi
Multiplicando por n
n se obtiene:
P P P
i yi zi k y i yi zi y i zi
IV = P =P P
i xi zi kx i xi zi x i zi
P P
(yi y)zi (yi y)(zi z)
IV = P i = Pi
(x
i i x)zi i i x)(zi z)
(x
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:
1 X t 1 X 2 xt
V ar() = P 1 2 V ar[ ] = P 1 2
[ t xt ] t xt [ t xt ] t x2t
2 t x1t
P
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:
1 X 2 X
V ar() = V ar( t ) = xt
n2 t n2 t
yi = xi + ui
Donde E(ui ) = 0, E(u2i ) = i2 suponiendo que las varianzas cambian con el esquema
i2 2
= zi donde zi es una variable conocida.
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 estima-
dor 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.
Respuesta:
M CG = (x0 1 x)1 x0 1 y
y su varianza:
y su varianza:
2
V ar(M CG ) = P x2
i
i zi
32
b ) Usando la desigualdad de Cauchy-Schwarz [ i vi wi ]2 [ i vi2 ][ i wi2 ], donde vi = xi
y
P P P
zi
wi = xi zi .
X xi X x2 X
i
[ xi zi ]2 [ ][ x2i zi ]
i
zi i
zi i
X X x2 X
i
[ x2i ]2 [ ][ x2i zi ]
i i
zi i
2 2 i x2i zi
P
P x2i [P x2 ]2
i zi i i
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 ) Porque hay otros factores en el error que posiblemente inuyan sobre el promedio de calica-
ciones 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:
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:
consumo = + ingreso + ut
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 = 1 P + 1 Z1 + u1
Oferta: Q = 2 P + 2 Z2 + u2
Q 2 u2
P = Z2 (9)
2 2 2
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 2 u2
Q = 1 ( Z2 ) + 1 Z1 + u1
2 2 2
1 1 2 1 u2
Q(1 ) = 1 Z 1 Z2 + u1
2 2 2
1 1 2 1 u2 u1
Q= 1 Z1 1 Z2 + 1 + 1
(1 ) (1 2 )2 (1 2 )2 (1 )
| {z 2 } | {z } | {z 2
}
1 2 v1
1 P + 1 Z1 + u1 = 2 Z2 + u2
2 1 u2 u1
P = Z2 Z1 +
1 1 1 1
|{z} |{z} | {z }
3 4 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 0 Z1 u
= 1 + 1 (10)
1 2 P 0 2 Z2 u2
| {z }
B
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:
1 2 1
B 1 =
1 2 1 1
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
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:
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:
1 Pmi
donde ui = mi e ui,e es el error promedio de todos los empleados de la empresa i.
Si para todo e, V ar(ui,e ) = 2 y los errores no estn correlacionados entre empleados,
conteste:
Respuesta:
a)
mi
X
V ar(ui ) = V ar(m1
i ui,e )
e
mi mi
1 X 1 X
V ar(ui ) = V ar(ui,e ) = 2
m2i e m2i e
mi 2 2
V ar(ui ) = =
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.
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 ) = 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 )
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.
c)
mi
X
V ar(ui ) = V ar(m1
i ui,e )
e
mi mi
1 X 1 hX XX i
V ar(ui ) = 2 V ar( u i,e ) = 2 V ar(ui,e ) + 2 Cov(ui,e , ui,g )
mi e
mi e e g
1 h X i 1 h mi i
V ar(ui ) = 2 mi 2 + 2 (mi 1)f2 = 2 mi 2 + 2 (mi 1)f2
mi e
mi 2
1 h 2 2 2 2 2
i f2 v2 2
f2
V ar(ui ) = m
i f + m
i v + m
i f m
i f = + + f
m2i mi mi mi
v2
V ar(ui ) = f2 +
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:
y t = 1 + 2 x t + u t , V ar(ut ) = t2 = u2 x2t
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
V ar() = (X 0 X)1 ut 2 (xt x0t ) (X 0 X)1
t
(xt x)ut 2
P
V ar(2 ) = Pt
[ t (xt x)2 ]2
2
t = qP
(xt x)ut 2
Pt 2 2
[ t (xt x) ]
39
Respuesta:
= (x0 1 x)1 x0 1 y
donde
1
k(x1 )2 0 0
1
0 k(x2 )2 0
1
= .. .. .. ..
. . . .
1
0 0 0 k(xT )2
Resolviendo se obtiene:
T 1 1 X y P yt
t t xt
= =
k 2 k 2 t xt T
y1 = 0 + 1 y2 + 2 z1 + u1 (12)
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:
y2 = 0 + 1 z1 + 2 z2 + v2 (13)
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 1 2 v1
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
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:
yt = 0 + 1 x t +ut (14)
xt = xt + et
Respuesta:
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 )
41
b)
E(xt1 vt ) = E[(xt1 + et1 )(ut 1 et )]
E(xt1 vt ) = 0
c ) Al obtener la covarianza
Cov(xt , xt1 ) = E(xt xt1 ) + E(et xt1 ) +E(xt et1 ) + E(et et1 )
| {z } | {z }
0 0
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 independien-
tes 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.
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 .
5 1 3 4 u2 u1
y2 = + x1 + x2 +
2 6 2 6 2 6 2 6
| {z } | {z } | {z } | {z }
1 2 3 v1
6 (5 1 ) 6 3 6 4 6 (u2 u1 )
y1 = 5 + + x1 + x2 + + u2
2 6 2 6 2 6 2 6
5 2 1 6 6 3 6 4 2 u2 6 u1
y1 = + x1 + x2 +
2 6 2 6 2 6
| {z } | {z } | {z } | 2 {z 6 }
4 5 6 v2
b ) La ecuacin de oferta si est identicada, sin embargo no se debe estimar por mnimos cuadra-
dos 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 instru-
mental 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
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
0 0 x11 x21 xk1
1
0
22
0 x12 x22 xk2
. .. ..
..
Z= .. .. .. ..
. . . . .. . . .
0 0 1
2
x1n x2n xkn
n
1 0
zi0 = 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