Está en la página 1de 5

# I EXAMEN

## 1. Considérese los datos contenidos en el archivo:

Data1_Examen. Supóngase además que se desea ajustar
el modelo:

## a) Estímese la regresión anterior

Dependent Variable: LY
Method: Least Squares
Date: 01/02/18 Time: 09:04
Sample: 1960 1982
Included observations: 23
Variable Coefficient Std. Error t-Statistic Prob.
C 2.432539 0.161811 15.03316 0.0000
LX2 0.346465 0.071798 4.825530 0.0002
LX3 -0.588074 0.100524 -5.850108 0.0000
LX4 0.365333 0.117870 3.099451 0.0065
LX5 0.340339 0.127057 2.678642 0.0159
LX6 -0.453193 0.168669 -2.686874 0.0156
R-squared 0.987585 Mean dependent var 3.663887
Adjusted R-squared 0.983934 S.D. dependent var 0.187659
S.E. of regression 0.023786 Akaike info criterion -4.419967
Sum squared resid 0.009618 Schwarz criterion -4.123751
Log likelihood 56.82962 F-statistic 270.4698
Durbin-Watson stat 2.173348 Prob(F-statistic) 0.000000

## b) Pruebe las siguientes hipótesis:

 H o : 2  5
H o : 2  5

ˆ2  ˆ5
t ˆ2 ˆ5 
S ˆ2 ˆ5

Siendo:

Var ( ˆ2  ˆ5 )  Var ( ˆ2 )  Var ( ˆ5 )  2Cov( ˆ2 , ˆ5 )

C LX2 LX3 LX4 LX5 LX6

## C 0.026183 -0.004743 -0.014078 0.014767 0.013701 -0.015238

LX2 -0.004743 0.005155 0.004244 -0.004769 -0.005109 -0.000245
LX3 -0.014078 0.004244 0.010105 -0.008625 -0.008324 0.005241
LX4 0.014767 -0.004769 -0.008625 0.013893 0.010951 -0.013609
LX5 0.013701 -0.005109 -0.008324 0.010951 0.016143 -0.015646
LX6 -0.015238 -0.000245 0.005241 -0.013609 -0.015646 0.028449

## Var ( ˆ2  ˆ5 )  0.005155  0.016143  2( 0.005109)

Var ( ˆ2  ˆ5 )  0.031516
S ( ˆ2  ˆ5 )  0.17752746
Entonces:

0.346465  0.340339
t ˆ2  ˆ5 
0.17752746

## t ˆ2  ˆ5  0.03450734

P  Valor  0.97287453

 H o :  3   6  1
H o : 6 4  1

## ˆ3  ˆ6  (1)

t ˆ3  ˆ6 
S ˆ3  ˆ6

ˆ3  ˆ6  1
t ˆ3 ˆ6 
S ˆ3  ˆ6
Siendo:

Var ( ˆ3  ˆ6 )  Var ( ˆ3 )  Var ( ˆ6 )  2Cov( ˆ3 , ˆ6 )

## C 0.026183 -0.004743 -0.014078 0.014767 0.013701 -0.015238

LX2 -0.004743 0.005155 0.004244 -0.004769 -0.005109 -0.000245
LX3 -0.014078 0.004244 0.010105 -0.008625 -0.008324 0.005241
LX4 0.014767 -0.004769 -0.008625 0.013893 0.010951 -0.013609
LX5 0.013701 -0.005109 -0.008324 0.010951 0.016143 -0.015646
LX6 -0.015238 -0.000245 0.005241 -0.013609 -0.015646 0.028449
Var ( ˆ3  ˆ6 )  0.010105  0.028449  2(0.005241)
Var ( ˆ2  ˆ5 )  0.049036
S ( ˆ2 ˆ5 )  0.22144074
Entonces:

 0.588074  0.453193  1
t ˆ3  ˆ6 
0.22144074

## t ˆ3  ˆ6  0.18635686

P Valor  0.85437064

 H o : 6 4  1

6 ˆ4  ˆ1
t6 ˆ4  ˆ1 
S 6 ˆ4 ˆ1

Siendo:

Var (6ˆ4  ˆ1 )  36Var ( ˆ4 )  Var ( ˆ1 )  2(6)Cov( ˆ4 , ˆ1 )

## C 0.026183 -0.004743 -0.014078 0.014767 0.013701 -0.015238

LX2 -0.004743 0.005155 0.004244 -0.004769 -0.005109 -0.000245
LX3 -0.014078 0.004244 0.010105 -0.008625 -0.008324 0.005241
LX4 0.014767 -0.004769 -0.008625 0.013893 0.010951 -0.013609
LX5 0.013701 -0.005109 -0.008324 0.010951 0.016143 -0.015646
LX6 -0.015238 -0.000245 0.005241 -0.013609 -0.015646 0.028449

## Var (6ˆ4  ˆ1 )  6(0.013893)  0.026183  12(0.015238)

Var (6 ˆ4  ˆ1 )  343475
S ( 6 ˆ4  ˆ1 )  0.5860674

 H o : 2  5
Entonces:

6(0.365333)  2.432539
t6 ˆ2  ˆ5 
0.5860674

## t ˆ2  ˆ5  0.41043231

P Valor  0.68661533

## c) Con base a sus resultados anteriores vuelva a estimar

el modelo propuesto utilizando en método de mínimos

Siendo:

 2  5
 3   6  1
6  4  1*
LYt  1*   2 LX 2t   3 LX 3t   4 LX 4t   5 LX 5t   6 LX 6t   t
LYt  6 4   5 LX 2 t  ( 1   6 ) LX 3t   4 LX 4t   5 LX 5t   6 LX 6t  t
LYt   4 (6  LX 4t )   5 ( LX 2t  LX 5t )   6 ( LX 6t  LX 3t )  LX 3t  t
LYt  LX 3t   4 (6  LX 4t )   5 ( LX 2t  LX 5t )   6 ( LX 6t  LX 3t )   t

Dependent Variable: Y1
Method: Least Squares
Date: 01/02/18 Time: 10:16
Sample: 1960 1982
Included observations: 23
Variable Coefficient Std. Error t-Statistic Prob.
X44 0.401125 0.014480 27.70122 0.0000
X25 0.316074 0.016428 19.24003 0.0000
X63 -0.414747 0.062423 -6.644136 0.0000
R-squared 0.996961 Mean dependent var 7.510757
Adjusted R-squared 0.996658 S.D. dependent var 0.389079
S.E. of regression 0.022494 Akaike info criterion -4.630008
Sum squared resid 0.010120 Schwarz criterion -4.481900
Log likelihood 56.24509 F-statistic 3280.980
Durbin-Watson stat 1.928898 Prob(F-statistic) 0.000000

## LYt  2.40675  0.316074LX 2t  0.585253LX 3t  0.401125LX 4t  0.316074LX 5t  0.414747LX 6t

2. Considérese los datos contenidos en el archivo:
Data2_Examen.

## a) Realice la regresión de las horas promedio trabajadas

durante un año sobre las variables suministradas e
b) ¿Existe evidencia de multicolinealidad en los datos?
¿Cómo sabe?
alguna acción correctiva y muestre sus resultados
definitivos.

## 3. Considérese los datos contenidos en el archivo:

Data3_Examen. Supóngase además que se desea ajustar
el modelo:

Yi  1   2 X 2i   3 X 3i  i

## a) Estímese la regresión anterior

b) Según la prueba de correlación de orden Spearman
c) Según la prueba de Breusch-Pagan-Godfrey ¿Existe
d) Si existe heterocedasticidad utilice el método de
propuesto.
e) Obtenga los errores estándar de Newey-West
consistentes con la heterocedasticidad y compárelos
con los errores estándar de MCO. ¿Qué conclusiones
obtiene?