Paula Fariña.

Virna Gutierrez.

CII2752- ECONOMETRÍA- EXAMEN.

13 de julio de 2016.
Tiempo 100 minutos.

1. Se dispone de datos del procesamiento de mineral de cobre en un mes calendario. La

variable dependiente es Copper (porcentaje de cobre recuperado en un cierto proceso
de producción). Las variables explicativas son Date (fecha de producción), Solid
(porcentaje de sólidos en el mineral), Mesh (una medida del tamaño de la malla), y
Retention (tiempo de retención). Se proponen los siguientes modelo alternativos:

a) (2 ptos) Selección de Modelos. Realice un test de restricciones de exclusión

que permita comparar los modelo (2) y (4). Establezca la hipótesis nula y
concluya. Indique qué modelo es preferible según el test. Liste todos los pares
de modelos que pueden ser comparados mediante un test de restricciones de
exclusión. Justifique todas sus respuestas.

b) Utilice un indicador que conozca que permita escoger entre los 5 modelos pro-
puestos.

c) (2 ptos) Análisis de Residuos. Realice un análisis de residuos lo más exhaus-

tivo que pueda para el modelo escogido en la parte (b). Justifique todas sus
afirmaciones. Suponga que los gráficos presentados corresponden al modelo
escogido.

d ) (2 ptos) Predicción Se desea predecir porcentaje de cobre recuperado em-

pleando este mismo método de producción en un escenario donde el porcentaje

1
de sólidos en el mineral es de 38, el tamaño de la malla es 35.52 y el tiempo de
retención es de 22. Proponga un estimador puntual.

Cuadro 1: Estimaciones de MCO

(1) (2) (3) (4) (5)
Date 0,061 0,057
(0,064) (0,063)
Solids 0,191 0.145
(0,375) (0.371)
Mesh -0,537 -0,500 -0.517 -0.489 -0.453
(0,149) (0,128) (0.147) (0.127) (0.120)
Retention -0,410 0,340 -0.307 -0.259
(0,330) (0,295) (0.311) (0.279)
Constante 106,654 111,402 106.471 110.155 103.324
(12,787) (8,587) (12.753) (8.442) (4.076)
N 24 24 24 24 24
R2 0.447 0.439 0.420 0.416 0.392
F 3.835 5.220 4.837 7.480 14.198
Kolmogorov 0.125 0.158 0.176 0.183 0.176
Durbin − W atson 1.399 1.328 1.352 1.298 1.403
BreuschP agan 2.040 1.608 1.752 1.488 2.520
Variable dependiente Copper. Desviaciones típicas en paréntesis.

2
(a) p-p plot de residuos estandarizados (b) Residuos estandarizados versus valores predichos

(c) Residuos estandarizados en el momento t versus

residuos estandarizados en el momento t+1

3
2. Demostración

a) (2 ptos) Se dispone de una matriz de diseño X = (z, v), con z y v dos vectores
columna de largo n = 10. Deduzca la forma que tendrá la matriz (X 0 X)−1
sabiendo que z̄ = v̄ = 0 y z 0 z = v 0 v = 1.

b) (2 ptos) Bajo los supuestos de la parte (a), considere el modelo de regresión

lineal múltiple:
Y = Xβ + 

Se sabe además que la correlación entre z y v es

z0v
Cor(z, v) = p = 0.999 y que SCR = 15
(z 0 z)(v 0 v)

Obtenga la varianza de β̂1 .

c) (2 ptos) Bajo los supuestos de la parte (a) y (b), suponga ahora que el tamaño
de la muestra n se duplica. ¿Qué ocurre con la varianza de β̂1 ?

d ) (2 ptos) Explique cuál es el problema de esta regresión.

3. Responda 2 de los siguientes enunciados:

a) ( ptos) Los estimadores que surgen de Mínimos Cuadrados Ordinarios en pre-

sencia de autocorrelación cuando el resto de los supuestos clásicos se cumplen,
son insesgados y eficientes. Comente.

b) ( pts) La amplitud del intervalo de confianza de la predicción fuera de muestra

está determinada exclusivamente por la desviación estándar de la regresión.
Comente.

c) ( pts) El R2 de un modelo lin-log puede compararse con el de un modelo log-lin,

pero no con el de un modelo lin-lin.

d ) ( pts) Usando álgebra matricial, muestre que X 0  = 0

4. Se quiere estudiar los factores que influyen en el salario de una persona. Para esto se
utiliza la encuesta de marzo del 2009 del Censo de los Estados Unidos. La muestra
esta compuesta por 50.742 individuos que están empleados tiempo completo (es

4
decir al menos 36 horas por semana y 48 semanas al año). Para esto, se propone
un modelo en el que el salario (medido en miles de dólares por año) dependa de los
años de educación (educ), de las horas trabajadas semanalmente (htrab), de una
variable dicotómica mujer (que vale 1 si se es mujer y 0 si se es hombre) y de otra
variable dicotómica hispano (que vale 1 si es hispano y 0 si es otro).

Salarioi = β1 + β2 educi + β3 htrabi + β4 mujeri + β5 hispanoi + i

El modelo estimado es el siguiente:

Coeficientesa
Modelo Coeficientes no Coef. t Sig.
estandarizados tipificados
B Error típ. Beta
(Const) -87730,717 1578,578
educacion 6915,853 78,985 ,363
hrstrab 1236,767 27,284 ,182
mujer -17451,254 421,484 -,165
hispano -1700,845 603,655 -,012
a. Variable dependiente: Salario. R2 0.218

a) ( ptos) Interprete los coeficientes del modelo y comente sobre la bondad de

ajuste del mismo

b) Ahora se piensa que también hay un efecto entre la raza del encuestado y el
sexo y por lo tanto se estima un segundo modelo:

Salarioi = β1 +β2 educi +β3 htrabi +β4 mujeri +β5 hispanoi +β6 mujeri ×hispanoi +i

( ptos) ¿Cuál es la diferencia estimada en el salario entre mujeres hispanas y

hombres hispanos, ceteris paribus? ¿Es esta diferencia estadísticamente signi-
ficativa?

c) ( ptos) Pruebe la hipótesis nula de que no hay ninguna diferencia, ceteris

paribus, entre hombres hispanos y mujeres hispanas.

INSERTAR TABLAS 2

5
d ) Ahora se cree además que existe un efecto diferente en las horas trabajadas
dependiendo de si es hispano o no. Para probar esto se estima el siguiente
modelo.

Salarioi = β1 +β2 educi +β3 htrabi +β4 mujeri +β5 hispanoi +β6 mujeri ×hispanoi +

β7 mujeri htrabi + i

e) ( ptos) ¿Tiene justificativo estadístico incorporar el término de interacción entre

el sexo y las horas trabajadas?

f ) ( ptos) Encuentre el valor de las horas trabajadas para el cual el valor esperado
del salario es el mismo para hombres no hispanos y mujeres no hispanas.

INSERTAR TABLAS3