Tarea: MICO Estimación e inferencia

1. La siguiente tabla proporciona datos sobre una muestra de doce individuos:

Considere ahora una relación lineal entre ganancias (yi) y educación (xi):

Primer paso sacar la información relevante :

 a) Use el método de OLS para estimar los parámetros interprete sus resultados.

Beta es el valor de da las ganancias adicionales promedio obtenidas de un extra

año en educación; Alpha da el nivel (hipotético) de ganancias asociadas a
personas sin educación

b) Estime la varianza asociada con su estimación del parámetro

c) Probar si existe una relación significativa entre los ingresos y la educación al

nivel de significación del 5%.

El t asociado a 10 grados de libertad es 2.22. Se concluye entonces que existe una

relación significativa entre ganancias y educación al nivel de significación del 5%.
2. Considerando las observaciones de inversión (Y) y beneficios (X) de 100 empresas,
donde sabemos que Yi=β1+β2Xi+ui y se propone estimar β1 y β2 por MICO.

a) Suponga que cada una de las 100 empresas de la muestra tienen los mismos
beneficios. ¿Qué problema tendríamos, si es que existe?
El problema es que no podríamos estimar los parámetros porque al no haber
variabilidad en la variable explicativa, 𝛴𝑥 2 = 0 (como todos los datos son
iguales, cuando restamos la media lo que obtenemos es cero). Entonces 𝛽̂2 =
𝛴𝑥𝑦 𝛴𝑥𝑦 2
= ̂2) = 𝜎 =
similar para la varianza de los parámetros tendríamos 𝑣𝑎𝑟(𝛽
𝛴𝑥 2 0 𝛴𝑥 2
𝜎2
0

Se podía enfocar la respuesta a álgebra matricial, entonces veríamos que el

determinante de la matriz X'X es cero, por lo que dicha matriz no tiene inversa y
no se pueden calcular los estimadores ni sus varianzas.

b) Si la distribución de beneficios de las firmas no se distribuyera normal, ¿entonces

no podríamos aplicar el modelo clásico de regresión lineal? ¿Verdadero, falso ó
incierto? Explique.
Falso, puesto que la normalidad de la variable explicativa no es un supuesto del
MCRL, por tanto, si podemos aplicar el MCRL.

c) Si la varianza condicional de la inversión (dado los beneficios) no fuera la misma

para todas las firmas, no podríamos confiar en el modelo clásico de regresión
lineal para justificar nuestros estimados. ¿Verdadero, falso ó incierto? Explique.
Verdadero. El MCRL supone homocedasticidad o varianza constante, por lo que
en este caso no se cumple dicho su puesto, o sea 𝑉𝑎𝑟(𝑌𝑖 /𝑋𝑖 ) = 𝑉𝑎𝑟(𝑢𝑖 ) = 𝜎𝑖2 , por
lo tanto, no podríamos confiar en el MCRL.

3. El gerente de Recursos Humanos de una empresa está preocupado por determinar

los salarios del nuevo personal que debe contratar. Para ello desea averiguar qué
factores determinan el salario que perciben cierto grupo de profesionales en el
mercado. Para ello un colaborador le sugiere un sencillo modelo que podría
ayudarlo:

Donde Y es logaritmo natural del salario del empleado i durante el año pasado y X es la
experiencia laboral del mismo empleado i hasta el año pasado. Se posee la siguiente
información sobre el modelo estimado.
a) Calcule los estimadores de los parámetros y en base a la información
proporcionada.

b) Calcule el coeficiente de determinación R2 y verifique que es igual al coeficiente

de correlación entre X e Y al cuadrado.

En este ejercicio no se necesitaba tener información de la sumatoria de y al

cuadrado por que el R2 se podía obtener también de la siguiente manera:

De igual forma para la demostración se hacía lo siguiente:

c) Estime las varianzas de los estimadores

 Primero se procede a estimar la varianza de los errores para la cual se necesita
la SCR :

Con esta información completa se procede a obtener las varianza de los

parámetros :

4. Un profesor desea pronosticar las notas del Examen Final de sus alumnos, a partir
de las notas de las Pruebas Parciales. Para ello él ha buscado en sus archivos las
notas de semestres anteriores y desea estimar el siguiente modelo:

Donde Y representa las notas del Examen Final (EF) y X las notas del Primera Prueba
Parcial (P1). Todas las notas están en la misma escala que va de 0 a 100.

a) ¿Cuál es la interpretación de los coeficientes de la regresión?

El β1 indica la nota del EF que obtendrán los alumnos, cuando la nota del P1 es
cero; de otra forma, es la nota promedio del Examen Final, a causa de las
variables excluidas del modelo. Por otra parte, β2, nos dice que de cada punto
obtenido en P1 se obtiene β2 en el EF.

b) ¿Cuáles son los signos esperados “a priori” de los coeficientes?

Se espera que ambos coeficientes sean mayores o iguales que cero.

c) Estime los parámetros a partir de los siguientes datos

El primer paso es buscar las medias de las variables, dado la definición de los
parametros:
Luego se substituye:

d) Calcule la varianza estimada de los estimadores, sabiendo que

e) Calcule el R2 y de su interpretación
 f) El profesor sostiene que sostiene que “los buenos estudiantes siempre obtienen
buenas notas y los malos estudiantes siempre obtienen malas notas, según mi
experiencia no hay sorpresas en las notas del EF respecto de P1”. Plantee la
hipótesis nula y alterna del pensamiento de profesor y haga la prueba de
hipótesis. Utilice la regla “2-t”.

g) Haga la una prueba de normalidad de los residuos para un nivel de significancia

de 5%, sabiendo usted que el sesgo es -0.01396 y la curtosis es 3.1092. No olvide
plantear la hipótesis nula. ¿Tiene usted algo que decir acerca de este test? ¿Cuál
es el resultado del test (Suponga que n=43 es grande)? ¿Tienen alguna
implicancia en el literal anterior?

Como no rechazamos que los errores se distribuyan Normal, el test de hipótesis

realizado en el
literal anterior, sigue siendo valido. En caso de que los errores no se distribuyen
Normal, el test de
inferencia del modelo es inválido.

h) Supongamos que luego el profesor estima por MICO:

,
con un de 0.4466. ¿Cuál modelo usted elegiría?
R2
No son comparables ambos R2, pues la variable dependiente está medida de forma
diferente. No es
posible elegir cual de estos modelos es superior, ya que ambos maximizan la suma
explicada al
cuadrado y poseen estimadores MELI ya que se estimó utilizando MICO.
5. No lleva solucionario

6. Supongamos que se plantea la siguiente función de producción Cobb-Douglas para

el sector manufacturero:

donde Y = índice de producción real, K = índice del insumo capital real, L = índice de
insumo trabajo real, t = tendencia o tiempo ( esta variable toma los números de 1, 2,
...,T), ‘e’ representa la función exponencial.

a) En base a información anual de los Estados Unidos durante 1899-1922, se

obtuvo los siguientes resultados:

Interprete las magnitudes de los coeficientes estimados. ¿Tienen estos datos los signos
esperados? ¿Qué problema econométrico se vislumbra de la ecuación (1)? Justifique.

Los coeficientes estimados (-0.53) y (0.91) corresponden a elasticidades producto-

capital y producto-trabajo, respectivamente. El signo de la elasticidad producto-capital
no es el esperado. En efecto, esperaríamos que incrementos en el factor capital se
tradujeran en aumentos en el nivel de producción, todo lo demás constante.

El coeficiente asociado a la tendencia, t , indica que le producto crece un 0.047% por

año, todo lo demás constante.

El coeficiente de la constante corresponde refleja el estado de la tecnología.

Esperaríamos que este coeficiente fuera positivo. Podríamos pensar también que
corresponde al nivel de producción esperado cuando L = K = 1, t = 0.

Si calculamos los test ‘ t ’ para cada coeficiente tenemos:

Constante = 2.81/1.38 = 2.036,
Ln (k) = -0.53/0.34 = -1.559,
Ln(L)=0.91/0.14 = 6.5
Tendencia (t)= 0.047/0.021 = 2.238.

Vemos que el coeficiente del Ln(k) resulta no significativo, además que tiene el signo
equivocado. Por esta razón, a pesar que no se presenta el patrón de los test t pequeños
para todos los regresores unido a un R2 alto, lo que está pasando con el coeficiente del
Ln(k) indicaría la posible existencia de multicolinealidad.

b) Utilizando la misma información, se estimó la siguiente regresión:

R2 = 0.65, Test F de significancia global = 19.5

¿ Qué supuesto está detrás de esta forma funcional? ¿Cuenta usted con la información
necesaria para contrastar la validez de dicha restricción? Si no es así, indique
claramente qué información requeriría y que test utilizaría. En todo caso, ¿se vio
reducido el problema detectado en a) con la regresión (2)?

Detrás de esta forma funcional esta el supuesto de que existen rendimientos

constantes a escala. (Teoría de Macro)

c) Desarrolle una Prueba Anova para la regresión (1) donde se testeen los retornos
constantes a escala (mostrar derivación matemática). Como se construye el
estimador F?

Tres Respuestas Esperadas:

1. Derivar el Caso 2 visto en la clase y decir faltaba información para estimar el

resultado numérico
2. Darse cuenta de que como es solo una restricción en esencia se podía hacer
una prueba t. Argumentar que utilizar ANOVA llevaba una complejidad no
necesaria y al final el estadístico es el cuadrado del t. Entonces ambos son
comparables y mi restricción me permitía estimar un t-test. No tenían info de
cov entonces queda explicito solo la derivación
 3. (Esta no era esperada) pero se puede aplicar mínimo cuadrados restringidos

d) Uno de sus colegas le señala: “ El problema de fondo es que las series de capital
y de trabajo presentan tendencias crecientes en el tiempo, por lo que ambas
están altamente correlacionadas con la variable ‘t’. La solución al problema
detectado en a), por lo tanto, consistiría en eliminar la variable ‘t’ del modelo
original”. Haga una evaluación crítica de la propuesta de su colega.

Si la variable que está causando la multicolinealidad en verdad es ‘t’ y la

eliminamos, podríamos resolver el problema. Sin embargo, si esta variable era
relevante para el modelo, su eliminación provocaría un sesgo de especificación.
Este problema podría ser peor que la multicolinealidad.