Documentos de Académico
Documentos de Profesional
Documentos de Cultura
APUNTES COMPLEMENTARIOS
ECONOMETRÍA I
2
Bl modelo básico
de regresión lineal múltiple:
Contrastación y predicción
EJERCICIO 2 .1
Tabla 2.1
(1 - R2 )j (N-k)
((R/J - r)' (R(xxt R'f (R/J -r) J/q
e'e/( N - k)
SO 1 EJERCICIOS RESUELTOS DE ECONOMETRÍA: EL MODELO DE REGRESIÓN MÚLTIPLE
Solución
Denotando el modelo de regresión lineal múltiple como
Y¡ = /}¡ + j}2X 2i + j}3X 3i + ... + j}kX ki +U¡
en la Tabla 2.2 se muestran los contrastes que se asocian con cada uno de los
estadísticos.
Tabla 2.2
EJERCICIO 2.2
Se ha estimado el siguiente modelo con N = 100 :
Y¡ = /}¡ + j}2X 2i + fJ3X 3i + j}4X 4i +U¡
obteniendo un coeficiente de determinación de 0.95. Este mismo modelo se ha
vuelto a estimar eliminando en esta ocasión la variable X 4 , obteniéndose un
coeficiente de determinación de 0.94.
Con los datos suministrados y sabiendo que la varianza de Y es igual a
50000, ¿es el coeficiente de la variable X 4 significativamente distinto de cero
en el primer modelo estimado? Justifique la respuesta mediante la realización
de un contraste.
Solución
El ejercicio nos pide un contraste cuya hipótesis nula es
H a: /}4 =O
EL MODELO BÁSICO DE RLM: CONTRASTACIÓN Y PREDICCIÓN 1 51
Con los datos del enunciado es posible calcular el estadístico F siguiente, que,
bajo la hipótesis nula como cierta, se distribuye como una F de Fisher-Snedecor
con 1 y 96 grados de libertad.
R 2 = 1- e eR => e e
1
= (1 - R
2
)(Y'Y - NY 2 )
R Y'Y - NY 2 R R
e eR
1
= (1- 0.94) · 5000000 = 300000
Partiendo de la información calculada, obtenemos el valor del estadístico de
prueba:
F = (300000 -250000) = .
19 2
250000/ 96
El valor de la F de Fisher-Snedecor de 1 y 96 grados de libertad que deja a su
derecha una probabilidad igual a 0.05, F;~9~5 , es 3.94. En consecuencia se re-
chaza la hipótesis nula, es decir, se rechaza que /3 4 = O y que, por tanto, la es-
pecificación del modelo sea la restringida.
52 1 EJERCICIOS RESUELTOS DE ECONOMETRÍA: EL MODELO DE REGRESIÓN MÚLTIPLE
EJERCICIO 2.3
Con los datos del ejercicio 1.30 y sabiendo que el primer elemento de la di-
agonal principal de la matriz (XXf' toma el valor a11 = 26.87798, ¿cree
que es necesario introducir el término constante en el modelo? Demuéstrelo.
Solución
Para comprobar la necesidad de introducir el término independiente en e l mo-
delo, necesitamos realizar un contraste de significación individual en el que
contrastemos si el mismo puede tomar valor cero.
El contraste a realizar, por tanto, es el siguiente:
En el ejercicio 1.30 obtuvimos el valor de /31 , por lo que sólo tenemos que
calcular el valor de S ( /3
1) •
Sabemos que
y ' y- fJ'x' y
.:........:=---...:...._-=-· a
N-k tt
~
s.v = 1- L....
2
Y;
2
= 2.28906891 .
2
N j; t
30-3
= -0.5013415
Comparando el valor del estadístico con el valor crítico de una distribución
t-Student con 27 grados de libertad ( ~~~¡ = 1~7° 25 = ±2.056 ), para un nivel de
significación del 5% bilateral, no podemos rechazar la hipótesis nula, o lo que
es lo mismo, no podemos rechazar que /31 = O , por lo que hablamos de la falta
de significatividad estadística de la constante en el modelo.
ERCICIO 2.4
Se desea estudiar el efecto que, sobre las pernoctaciones hoteleras por habi-
tante en diferentes provincias ( P ), tiene la renta per capita ( R ), así como tres
variables dicotómicas relativas a si la provincia está ubicada en la costa ( ZC ),
si pertenece a un archipiélago ( ZA) o si la provincia pertenece al interior
( ZI ). Esta última variable queda como modalidad de referencia. Si se obtie-
nen los siguientes resultados de la estimación:
Solución
(a) La significación estadística de los coeficientes del modelo se corresponde
con los siguientes contrastes:
"'
4-/34
f3 1.60 - o
=2.06
s(í34) -'N-k ~ .Jo.6o
El valor crítico en las tablas de la t de Student es t~¡~~s = 2.01 y podemos
concluir que las variables Renta ( R) y Zona Archipiélago ( ZA) son esta-
dísticamente significativas a nivel individual y no lo es la variable Zona
Costa (ZC).
Como el valor de t~¡~~ = 1.68 , la respuesta sería la misma que la aportada
si utilizamos como nivel de significación el 10%.
EL MODELO BÁSICO DE RLM: CONTRASTACIÓN Y PREDICCIÓN 1 55
JERCICIO 2.5
Cuadro 2.1
Dependen! Variable: IMPORT
Method: Leas! Squares
Sample: 1969 1986
lncluded observations: 18
Variable Coefficient Std. Error t-Statistic Prob.
P/8 0.032204 0.186884 A 0.8656
eONS 0.242747 0.285361 0.850667 0.4093
FBe 0.414199 0.322260 1.285296 0.2195
e - 19.72511 4.125253 -4.781551 8 '
R-squared 0.973043 Sum squared resid 71.390
e F-statistic E
-
Adjusted R-squared
S.E. of regression D Prob(F-statistic)
t F
56 1 EJERCICIOS RESUELTOS DE ECONOMETRÍA: EL MODELO DE REGRESIÓN MÚLTIPLE
Solución
El estadístico t-Student (A) lo calculamos como
...,..-----R--'-/+(k_,_---'1)~ =
2
0.973/ ( 4-1) =
2
168 17
(l - R )j (N-k) (1-0.973)/ (18 - 4) .
EJERCICIO 2.6
H a: fJ2 = /33 y y
H 1:NoH0
Solución
La matriz de restricciones es la siguiente, colocando cada restricción por filas:
1 -1o o o]
R= O O O 1 1
[o 2 oo -1
Y la hipótesis nula se escribiría de la siguiente manera:
o 1
H 0 : Rj3 = r ~ O O
[o 2
EJERCICIO 2.
Demuestre que el estadístico de prueba para el siguiente contraste conjunto:
H 0 :j3j = O }
"dj = 1, 2, ...k
H 1: NoH0
Solución
Partiendo de la expresión
581 EJERCICIOS RESUELTOS DE ECONOMETRÍA: EL MODELO DE REGRESIÓN MÚLTIPLE
[ fi'(XX)P]
~ 2
k a"
EJERCICIO 2 .8
Se ha estimado el modelo
Y¡ = /3¡ + f32X 2i + f33X 3i +U¡
y se ha obtenido el siguiente resultado:
~
Solución
La expresión matricial de la hipótesis nula a contrastar es:
3
o
EL MODELO BÁSICO DE RLM: CONTRASTACIÓN Y PREDICCIÓN 159
F=
1
3.1799 [(~ o ~J[~::~~Hnl[(~ ~ ~)txxrú
3
-0.4898 ~Jr
[(~ 3
o 14400 -G)
~)[-00636J
- 0.4898
VJ2~
(2.256 - 1.4898 l( 0.3048
-0.0491
-0.049Ir ( 2.2564)/ 2
0.0122 - 1.4898
=
3.1799
(2.256 -1.4898 (9.329 37.54)( 2.2564)/2
) 37.54 233.07 - 1.4898 = 49.117
=
3.1799
Bajo la hipótesis nula como cierta, el estadístico F se distribuye como una F
de Fisher-Snedecor de 2 y N- 3 grados de libertad. Para poder obtener dicho
valor crítico necesitamos conocer el valor de N . Para ello sabemos que el
elemento ( l , 1) de la matriz XX es dicho valor N. Por tanto, como conoce-
mos la matriz (XX t , lo que hacemos es invertirla para calcular XX . El
elemento ( 1,1) nos proporciona el valor de N , que, en este caso, es 1O. Por
tanto, buscamos en las tablas el valor F 2°j05 y obtenemos que el valor crítico es
igual a 4.74. Como dicho valor es más pequeño que el estadístico de prueba,
rechazamos la hipótesis nula. Es decir, la evidencia empírica no apoya el
cumplimiento conjunto de las restricciones j31 + 3, j32 =2 y j33 =1 .
EJERCICIO 2.9
A partir de los datos del ejercicio 1.25 realice los siguientes contrastes de hipótesis:
(a) H 0: f33= 6
(b) H o: fl2 = f33= O
601 EJERCICIOS RESUELTOS DE ECONOMETRÍA: El MODELO DE REGRESIÓN MÚLTIPLE
Solución
(a) Se trata de un contraste de significación individual, por lo que el estadísti-
co de contraste es
20-6
t = 3 = 11.372
[zh
Comparando dicho valor con el valor tabulado para una
t~0~~i = rg7° :::::: 1.96 comprobamos que el estadístico cae en la región de re-
25
F = 0.9939 ( 100 - 3) = .
7902 32
( 1- 0.9939) ( 3 -1)
Siendo el valor del estadístico tan alto, al compararlo con el valor tabulado
para una F3~ 1 , 100 _ 3 = F2~9~5 , éste caerá en la región de rechazo, por lo que no
podemos aceptar la hipótesis nula que indica que el modelo no es global-
mente significativo.
El MODELO BÁSICO DE RLM: CONTRASTACIÓN Y PREDICCIÓN 1 61
ERCICIO 2.1 O
A partir de los siguientes modelos estimados, contraste la hipótesis nula de que la
propensión marginal de las ventas respecto del precio de la competencia es igual
a 2 mediante la utilización de tres expresiones diferentes.
Cuadro 2.2
Dependen! Variable: VENTAS
Sample: 117
lncluded observations: 17
Variable Coefficient Std. Error t·Statistic Prob.
PRECIO 1.879350 0.176388 10.65462 0.0000
PUBLICIDAD 7.517483 2.905409 2.587410 0.0215
e 48436.86 1954.543 24.78167 0.0000
R-squared 0.896844 Mean dependen! var 64730.86
Adjusted R-squared 0.882107 S.D. dependentvar 6026.041
S. E. of regresión 2069.074 Akaike info criterion 18.26637
Sum squared resid 59934913 Schwarz criterion 18.41341
Cuadro 2.3
Sample: 117
lncluded observations: 17
VENTAS = 2*PRECIO + C(1)* PUBLICIDAD + C(2)
Variable Coefficient Std. Error t-Statistic Prob.
C(1 ) 7.466297 2.852460 2.617494 0.0194
C(2) 47670.30 1572.672 30.31166 0.0000
R-squared 0.893396 Mean dependen! var 64730.86
Adjusted R-squared 0.886289 S.D. dependen! var 6026.041
S.E. of regression 2032.041 Akaike info criterion 18.18160
Sum squared resid 61937841 Schwarz criterion 18.27962
~e sabe, además, que la inversa de x'x (con datos centrados) del modelo re-
ogido en el Cuadro 2.2 es:
( x'x )
-1
=
( 7.267 ·10-
9
- 3.0830 ·10-
9
J
-3.083 . ¡ o-9 1.97 18 ·10-6
Solución
1. La opción más sencilla es realizar el siguiente contraste individual a partir del
estadístico de contraste t-Student con los datos de la salida del Cuadro 2.2.
621 EJERCICIOS RESUELTOS DE ECONOMETRÍA: El MODELO DE REGRESIÓN MÚLTIPLE
iii. Por último, siempre podemos utilizar el estadístico general para el contras-
te de combinaciones lineales de parámetros:
= 0.4678
El valor del estadístico coincide con el del apartado (ii), llegando obvia-
mente a la misma conclusión por cualquiera de las tres vías utilizadas.
ERCICIO 2.11
Una función de producción se especifica mediante el siguiente modelo:
r; = {J, + fJ2X 2i + fJ3X 3i +U¡
donde y es el logaritmo de producción, x 2 el logaritmo de trabajo y x 3 es
el logaritmo del capital. Los datos siguientes se refieren a una muestra de 23
empresas y las observaciones se miden en forma de desviaciones con respecto
a sus medias muestrales.
N N N
¿ y¡ = lO L Y;X2=1 0 L Y;X3=8
i=l i=l i=l
Solución
La estimación del modelo centrado es la siguiente:
8
( XX
1
) - '
= 0.15 -O.lOJ ___.
(
- 0.10
__.,._
0.15
=>fJ~ = (xx)
,
xy = ( 0.7 J
- 1 ,
0.2
H o: fJ2 + /]3 = 1}
H ,: /]2 + /]3 :¡:. 1
(
(1 1)(0.7) -1)'((1
0.2
t)(- 0.0105
0.0070
-0.0070)(1))-'( (1 1)( 0.7)- 1)= 1.4286
0.0 l 05 1 0.2
EJERCICIO 2.12
Como resultado de contrastar conjuntamente determinadas restricciones en el
siguiente modelo
Y¡ = /]1 + /]2 X 2¡ + /]3X 3¡ + /]4 X 4 ¡ +u¡ i = 1, ... ,20 SCE = 5758.092
se ha obtenido el siguiente valor para el estadístico F = 2.395 187 .
Conociendo que
Solución
Partiendo de la expresión general del estadístico de prueba
EJERCICIO 2.13
Con información de 70 viviendas a la venta en Las Palmas de Gran Canaria,
e estima la influencia en el precio de las mismas de: la superficie ( X 2 ), el
número de aseos ( X 3 ) y la ubicación de la vivienda según zonas (Puerto ( X 4 )
y Vegueta ( X 5 )) , tomando como referencia la zona de Ciudad Alta ( X 6 ).
Cuadro 2.4
Dependen! Variable: PRECIOS
Method: Leas! Squares
Sample: 1 70
lncluded observations: 70
Variable Coefficient Std. Error t-Statistic Prob.
e - 20382.88
SUPERFICIE_M2 1108.712
ASEOS 28152.82
VEGUETA 43861.50
PUERTO 33634.22
R-squared 0.740432 Mean dependent var 136157.20000
Adjusted R-squared 0.724459 S.D.dependentvar 51621.71000
S.E. of regression 27097.26 Akaike info criterion 23.32100
Sum squared resid 4.77E+10 Schwarz criterion 23.48161
Log likelihood -811.2351 F-statistic 46.35413
Durbin-Watson stat 2.089120 Prob(F-statistic) 0.00000
Solución
La significación estadística de los coeficientes del modelo la realizamos a tra-
vés de la prueba t-Student y para ello calculamos el estadístico de prueba par-
ticularizado bajo la hipótesis nula como sigue:
H j3 =O} Vj=2,3,4,5
0: 1
H 1: j31 -:;:. O
Por tanto,