Pauta Examen - Econometría Aplicada ENMES-310

Profesor: Víctor Medina. Ayudantes: Jorge Neira y Pablo Silva.

Junio 25, 2016

Consideraciones generales:

• Cada sección debe ser respondida en hojas separadas.

• Anote su nombre y RUT en cada hoja.
• El total de la prueba son 180 puntos.
• Dispone de 3 horas para responder

Sección 1: Preguntas cortas (60 puntos)

1. (9 puntos) En un experimento de n observaciones, la variable dependiente Yi tiene una esperanza dada
por
E(Yi ) = βxi
donde cov(Yi , Yj ) = 0 si i 6= j y var(Yi ) = σ 2 para i = 1, ..., n. El investigador define el estimador de β
como
Xn
β̃ = a Yi
i=1

donde a es una constante ¿Qué valor debiera tomar a para que el estimador β̃ sea insesgado?

Pn
Respuesta: Para que el estimador sea insesgado se debe cumplir que E(β̃) = β, es decir, a = 1/ i=1 xi

2. (9 puntos) Explique qué quiere decir que dos series cointegren y cómo se puede verificar la existencia de
cointegración.

Respuesta: Que dos series cointegren quiere decir que si ambas series son I(1), luego una combinación lineal
de ellas genera una serie estacionaria. Para verificar la cointegración vimos el test Engle-Granger que analiza
la estacionariedad de los residuos.

3. (9 puntos) La serie xt = 3 + 0.5xt−1 + ut ¿es estacionaria? Justifique.

Respuesta: Efectivamente, como vimos en clases la serie es AR(1) con constante y tiene un coeficiente
menor a 1.

4. (9 puntos) Un banco quiere determinar qué variables influyen en el desempeño de pago de sus clientes.
Para ello identificó en su base histórica los clientes que han pagado y los que no. Además considera,
para cada cliente, variables explicativas como carga financiera, edad, profesión, entre otras. Y estima su
modelo a través de MCO ¿Qué le sugeriría? ¿Por qué?

Respuesta: Le sugeriría que utilice un modelo de variable dependiente categórica como regresión logit o
probit porque se hace cargo de la heteroscedasticidad de los errores y los resultados son consistentes en
términos probabilísticos sin la necesidad de hacer transformaciones complejas.

1
 5. (9 puntos) Se estima el siguiente modelo

ln(salario) = β0 + β1 (nivel de educación) + e

Sin embargo se olvida incluir la variable relevante años de experiencia. Para este caso ¿se sobre o
sub estima el efecto del nivel de educación? ¿de qué dependendería?

Respuesta: En clases vimos que el sesgo dependía de la correlación existente entre la variable omitida y la
no omitida, junto con el signo del coeficiente de la variable omitida. En este caso, esperaríamos que los años
de experiencia tuvieran un efecto positivo en el salario, sin embargo no es tan clara la correlación entre años
de experiencia y nivel de educación, por lo tanto, dependería de esta última relación para saber si existe una
sobre estimación (caso correlación positiva) o una sub estimación (caso correlación negativa).

6. (9 puntos) Determine el orden de integración de la serie xt = α + 2xt−1 − xt−2 + ut

Respuesta: Como vimos en clases ∆2 xt = xt −2xt−1 +xt−2 , por lo tanto, es claro que el orden de integración
es 2.

7. (6 puntos) En la construcción de un modelo usted quiere poder controlar por las estaciones del año,
para lo cual está pensando incorporar variables dummys, ¿cuántas necesitaría para rescatar este efecto?

Respuesta: Para rescatar el efecto necesitariamos 3 variables dummys para que no exista colinealidad, ya
que la constante rescata el efecto base.

Sección 2: Ejercicios de desarrollo (60 puntos)

1. (30 puntos) Considere el modelo
y = β1 + β2 x 2 + β3 x 3 + e
y suponga que se estimaron los coeficientes por MC utilizando 50 observaciones, obteniendo los siguientes
resultados (Σ
b es la matriz de covarianzas estimada)

   
1.874 0.681 0.119 −0.095
β̂ = 0.994 , b =  0.119
Σ 0.456 −0.113
7.794 −0.095 −0.113 1.210

σ̂ 2 = 10.139, R2 = 0.867

Considere que t0.05,46 = −1.67866, t0.05,47 = −1.67793, t0.05,48 = −1.67722, t0.975,46 = 2.01290, t0.975,47 =
2.01174, t0.975,48 = 2.01064 y F0.95,2,47 = 3.19506.

a. (12 puntos) Encuentre la variación total, variación no explicada y variación explicada de este modelo.

Respuesta: SSE = σ̂ 2 (n − k) = 10.139 · (50 − 3) = 476.533, por otra parte, R2 = 1 − SSE/SST , luego
SST = SSE/(1 − R2 ) = 3582.955 y por último SSR = SST − SSE = 3106.422

b. (6 puntos) Encuentre un intervalo al 95% para β2 y β3

Respuesta: Los intervalos de confianza al 95% vienen dados por (β̂ − t0.975,47 se(β̂), β̂ + t0.975,47 se(β̂)), luego
para β2 tenemos (−0.3645, 2.3525) y para β3 el IC es (5.5811, 10.0069)

2
 c. (6 puntos) Use el test-t para testear la hipotesis H0 : β1 ≥ 2 contra H1 : β1 < 2

Respuesta: Calculamos el estadístico t = (β̂1 − 2)/se(β̂1 ) = −0.1527 y comparamos con el valor crítico
t0.05,47 = −1.67793. Es decir, no rechazamos la hipótesis nula.

d. (6 puntos) Testee la hipotesis H0 : β1 = 0, β2 = 0

Respuesta: Para esta pregunta existió un error de enunciado, debiera haber dicho H0 : β2 = 0, β3 = 0, ya
que con la información disponible no se puede testear el modelo restringido sin constante. Por lo tanto, si el
estudiante se dió cuenta de la falta de información, tiene el total del puntaje. Si por otro lado, calcularon el
−SSE)/(3−1)
estadístico F = (SSTSSE/(50−3) = 153.192 y lo compararon con F0.95,2,47 = 3.19506 sin hacer la observación
antes descrita, entonces tienen 5 puntos.

2. (30 puntos) Considerando la siguiente serie de tiempo

xt = 0.1t + 0.8xt−1 + 0.5ut−1 + ut

a. (6 puntos) Determine si es estacionaria, si no lo es, haga la transformación necesaria para estacionarizarla

(Hint: puede definir una nueva variable de la forma xt − µ(t)).

Respuesta: Podemos notar que tiene tendencia temporal y por lo tanto, la serie no es estacionaria. Sin
embargo, podemos estacionarizarla definiendo una serie de la forma yt = xt − µ(t) con µ(t) = c1 + c2 t ya que la
tendencia es lineal. Luego, imponiendo que la transformación deje la serie de la forma yt = 0.8yt−1 +0.5ut−1 +ut
tenemos que xt = c1 + c2 t + 0.8(xt−1 − c1 − c2 (t − 1)) + 0.5ut−1 + ut . Reordenando los términos, notamos que

xt = 0.2c1 + 0.8c2 + 0.2c2 t + 0.8xt−1 + 0.5ut−1 + ut

= 0 + 0.1t + 0.8xt−1 + 0.5ut−1 + ut

por lo tanto, tenemos que 0.2c1 + 0.8c2 = 0 y 0.2c2 t = 0.1t y resolviendo el sistema llegamos a c1 = −2 y
c2 = 0.5, con lo que la transformación que estacionariza es yt = xt + 2 − 0.5t = 0.8yt−1 + 0.5ut−1 + ut

b. (8 puntos) Para la serie estacionaria calcule su esperanza y varianza.

Respuesta: Sabiendo que la series es estacionaria podemos calcular su esperanza directamente E(yt ) =
µ = 0.8µ + 0, por lo tanto, µ = 0. Para la varianza tenemos γ(0) = E(yt2 ) = 0.64γ(0) + 0.25σ 2 + σ 2 + 0.5σ 2 .
Haciendo un poco de algebra llegamos a que var(yt ) = γ(0) = 4.861111σ 2

c. (8 puntos) Para la serie estacionaria calcule la autocovarianza para el primer y segundo rezago.

Respuesta: Para el caso k = 1 es directo calcular γ(1) = 0.8γ(0) + 0.5σ 2 = 4.388889σ 2 y para el caso k = 2
tenemos que γ(2) = 0.8γ(1) = 3.511111σ 2

d. (8 puntos) Para la serie estacionaria calcule la autocorrelación para el primer y segundo rezago.

Respuesta: Sabemos que r(1) = γ(1)/γ(0) = 0.9028572 y r(2) = γ(2)/γ(0) = 0.7222857

3
Sección 3: Ejercicios aplicados (60 puntos)
1. (16 puntos) Para cada una de las siguientes series, identifique cuál proceso utilizaría. Explique los
criterios utilizados y cómo verificaría que su elección es apropiada.

Respuesta: En clases vimos que el ACF sirve para analizar el grado de los procesos MA (junto con un
decaimiento en el PACF) y el PACF para los procesos AR (junto con un decaimiento en el ACF). Luego,
para este primer el proceso detrás podría seguir un AR(3), o más preciso un ARIMA(3,0,0). Para verificar si
nuestra elección es adecuada deberíamos analizar los residuos y ver si efectivamente corresponden a ruido
blanco.

Respuesta: Análogamente al análisis anterior podemos notar que el ACF nos entrega 3 valores distintos de
cero y un decaimiento en el PACF, luego el proceso podría ser un ARIMA(0,0,3) (o MA(3)).

4
Respuesta: El proceso detrás es claramente un AR(1) con su coeficiente negativo y cercano a -0.8.

Respuesta: Para esta caso vemos que el ACF tiene el segundo valor distinto de cero y un decaimiento del
PACF, por lo tanto el proceso corresponde a un MA(2) con su primer coeficiente igual a cero.

2. (21 puntos) Considere la siguiente serie de tiempo del precio de una acción para los últimos 500 días de
transacción.

5
La idea es hacer un análisis de esta serie y para ello se han realizado tres regresiones

• Regresión 1

a. (7 puntos) Interprete la regresión 1 y determine si con este resultado puede asegurar que la serie es
estacionaria (valores críticos de DF al final).

Respuesta: La regresión conrresponde a la que realiza el test DF (con constante y con tendencia) para la
serie sin diferencias. Como se aprecia la serie no es estacionaria, algo que podíamos deducir claramente del
gráfico y por lo tanto esta regresión no es concluyente.

• Regresión 2

6
 b. (7 puntos) Interprete la regresión 2 y determine si con este resultado puede asegurar que la serie es
estacionaria (valores críticos de DF al final).

Respuesta: Esta regresión analiza la estacionariedad de la primera diferencia entorno a una tendencia
temporal con constante. Como se aprecia la serie no rechaza la hipótesis nula y por lo tanto podemos decir
que la serie es estacionaria alrededor de su tendencia temporal, es decir, es de orden de integración 2.

• Regresión 3

c. (7 puntos) Interprete la regresión 3 y determine si con este resultado puede asegurar que la serie es
estacionaria (valores críticos de DF al final).

Respuesta: Esta regresión afirma lo comentado anteriormente, ya que calcula la estacionariedad de la

segunda diferencia con constante y sin tendencia. Lo que concluye que efectivamente la serie es estacionaria
de orden 2.

3. (23 puntos) Considere la siguiente información de la inflación promedio anual de un pais.

Registro Año Inflación

1 1995 3.27
2 1996 4.12
3 1997 3.35
4 1998 3.62
5 1999 3.07
6 2000 3.69
7 2001 3.63
8 2002 3.11
9 2003 3.13
10 2004 2.77
11 2005 3.03
12 2006 3.16
13 2007 3.27
14 2008 2.72
15 2009 3.46
16 2010 3.52
17 2011 3.28
18 2012 3.75
19 2013 3.56
20 2014 3.26
21 2015 3.10
22 2016 -
23 2017 -

7
Por otra parte, se sabe que el proceso que sigue la inflación anual es AR(2) con esperanza igual a 3, β1 = 0.4
y β2 = 0.3.

a. (7 puntos) Plantee la ecuación del proceso.

Respuesta: Nos dicen que la serie sigue un proceso AR(2), es decir, xt = c + β1 xt−1 + β2 xt−2 + ut . Por
otra parte, sabemos que la esperanza es µ = c/(1 − β1 − β2 ), es decir el proceso es

xt = 0.9 + 0.4xt−1 + 0.3xt−2 + ut

b. (8 puntos) Estime la inflación anual promedio para el cierre de este año.

Respueta: Utilizando el método de B-J tenemos que el pronóstico para fin de año viene dado por x2015
2016 =
0.9 + 0.4 · 3.10 + 0.3 · 3.26 = 3.118

c. (8 puntos) Estime la inflación anual promedio para el 2017.

Respuesta: Ya teniendo el pronóstico para fin de año podemo hacer uso de esta estimación para calcular el
pronóstico para el 2017 de la siguiente manera x2017
2015 = 0.9 + 0.4 · 3.118 + 0.3 · 3.10 = 3.0772

8
Formulas
• β̂ = (Xt X)−1 Xt y
• var(β̂)P= σ 2 (Xt X)−1
N
ê2
• σ̂ 2 = N −K
i i

x
• x (y) = pendiente · y
β̂ −β
• z= √j j
var(β̂j )
β̂ −β
• t = pj j
v ar(β̂j )
Pb P
cj βˆj −
• t= P cj βj
se( cj β̂j )
(SSER −SSEU )/(K−R)
• F = SSEU /(N −K)
β̂1 = (X1 t M2 X1 )−1 X1 t M2 y
•
β̂2 = (X2 t M1 X2 )−1 X2 t M1 y
• M1 = I − X1 (X1 t X1 )−1 X1 t
• M2 = I − X2 (X2 t X2 )−1 X2 t
var(β̂1 ) = σ 2 (X1 t M2 X1 )−1
•
var(β̂2 ) = σ 2 (X2 t M1 X2 )−1
• R2 = 1 − SSE/SST
−K)
• R̄2 = 1 − SSE/(N
SST /(N −1)
• AIC = ln SSE 2K


N
+ N
• BIC = ln N + K ln(N
SSE
N
)
2
• var(β̂2 ) = 2
PσN 2
(1−r23 ) (xi2 −x̄2 )
i=1
• var(u0 ) = σ + σ x0 (Xt X)−1 x0
2 2 t

• var(u∗0 ) = σ 2 x0t (Xt X)−1 x0

Rz 2
• Φ(z) = P (Z ≤ z) = −∞ √12π e−0.5u du
• Λ(l) = 1+e1 −l
h  2 i−1
• var(θ̂) = − E d ln L(θ)
dθ 2
• LR = 2[ln L(θ̂) − ln L(c)]
2
 d2 ln L(θ) 
• W = (θ̂ − c)
 − dθ 2
d2 ln L(θ)
• I(θ) = −E dθ 2
2
• W = (θ̂ − c) I(θ)
• vbar(θ̂) = [I(θ̂)]−1
• s(θ) = d lndθL(θ)
s(c)2
• LM = I(θ)
s(c)2
• LM = I(c)

Table 1: Valores críticos Dickey-Fuller

Modelo 1% 5% 10%
∆yt = βyt−1 + vt -2.56 -1.94 -1.62
∆yt = α + βyt−1 + vt -3.43 -2.86 -2.57
∆yt = α + λt + βyt−1 + vt -3.96 -3.41 -3.13
Normal estándar -2.33 -1.65 -1.28