Universidad Central del Ecuador

Facultad de Ciencias Económicas

Carrera de Estadística
Modelos Estocásticos II

Integrantes:
Grupo: #7

 Mangui Karen
 González Jonathan
 Tuza Alexis
 Sepa Richard
 Zambrano Henry

Profesora:
Nancy Medina C.

15-10-2016
Ejercicio I
Los siguientes son datos que corresponden a un estudio de naranjas.

N = Cantidad demandada de naranjas por familia (en unidades)

PN = Precio de la naranja (US$ por 25 naranjas)
PM = Precio de la mandarina (US$ por 25 mandarinas)
PA = Precio del azúcar (US$ por libra)
ING = Ingreso (US$)
MF = Número de miembros por familia

1. Determinar la tasa anual de crecimiento de la demanda de naranjas.

Año N PN PM PA ING MF Cr_Nara
1991 100 1.4 2.8 0.24 500 5 0
1992 50 1.3 2.73 0.25 450 4 -7,14
1993 25 1.5 3,00 0.3 300 2 15,38
1994 10 1.5 3.17 0.24 100 3 0,00
1995 100 1.3 2.99 0.23 750 4 -13,33
1996 200 1.2 2.88 0.26 800 6 -7,69
1997 250 1.3 2.59 0.3 1500 8 8,33
1998 120 1.25 2.36 0.27 600 4 -3,85
1999 70 1.3 2.8 0.28 700 3 4,00
2000 80 1.25 2.81 0.24 820 3 -3,85
2001 30 1.35 3.35 0.25 500 2 8,00
2002 45 1.2 2.82 0.26 1000 2 -11,11
2003 32 1.36 2.72 0.27 350 3 13,33
2004 28 1.38 2.88 0.27 300 2 1,47
2005 40 1.28 2.62 0.24 420 3 -7,25

2. Pruebe la hipótesis de que la tasa anual de crecimiento de la demanda de naranjas es

superior al 10%. (Utilice α= 5%)
Y^ =−77.40−188.737 PN +36.50 PM +669.35 PA+0.017 ING +32.82 MF −0.3748 CrNara
Ho: β 6 ≥ 0.10
Ha: β 6<0.10
 ∝=5 %
β 6−θ −0.374786−0.10
tc = = =−0.4053
Sβ 6 1.171374
t 1 cola ,15 gl ,0,05=1.753
Tc<Tt Acepto la Ho
 Decisión:
La tasa de crecimiento anual de la naranja es superior al 10%

3. Determine la tasa anual de crecimiento de la demanda de naranjas. Construya un intervalo

de confianza al 90%.

Pr ^
β6 −t α ee ( ^
β 6) ≤ β 6 ≤ β^6 +t α ee ( ^
[ 2 2 ]
β 6 ) =1−α

Pr [−0.374786−1.753 ( 0.6122 ) ≤ β 6 ≤−0.374786+1.753 ( 0.6122 ) ]=90 %

Pr [−1.448 ≤ β 6 ≤ 0.6984 ] =90 %
Se acepta Ho

4. Pruebe la hipótesis de que el modelo postulado es “bueno”.

 Hipótesis
A mayor demanda de naranjas mayor crecimiento anual de naranjas.
Pruebas estadísticas de las distribuciones de la t de Student y F Fisher
 t Student
 t ^a=0.39 ≤|1,96|
Si el valor de la t Student del intercepto es 0.39. Este valor es menor al valor crítico de la t Student
que es igual a 1,96 en valores absolutos. Por lo tanto, el intercepto no es estadísticamente
significativa.
  t ^b=1.63 ≤|1,96|
Si el valor de la t Student de la pendiente es 1.63. Este valor es menor al valor crítico de la t Student
que es igual a 1,96 en valores absolutos. Por lo tanto, la pendiente PNno es estadísticamente
significativa.
 t ^c =1.16 ≤|1,96|
Si el valor de la t Student de la pendiente es 1.16. Este valor es menor al valor crítico de la t Student
que es igual a 1,96 en valores absolutos. Por lo tanto, la pendiente PM no es estadísticamente
significativa.
 t ^d=1.51 ≤|1,96|
Si el valor de la t Student de la pendiente es 1.51. Este valor es menor al valor crítico de la t Student
que es igual a 1,96 en valores absolutos. Por lo tanto, la pendiente PA no es estadísticamente
significativa.
 t ^e =0.55 ≤|1,96|
Si el valor de la t Student de la pendiente es 0.54. Este valor es menor al valor crítico de la t Student
que es igual a 1,96 en valores absolutos. Por lo tanto, la pendiente ING no es estadísticamente
significativa.
 t ^f =6.97 ≥|1,96|
Si el valor de la t Student de la pendiente es 6,16. Este valor es mayor al crítico de la t Student que
es igual a 1,96 en valores absolutos. Por lo tanto, la pendiente MF es estadísticamente significativa.
 t ^g=0.32 ≤|1,96|
Si el valor de la t Student de la pendiente es 0.24. Este valor es menor al valor crítico de la t Student
que es igual a 1,96 en valores absolutos. Por lo tanto, la pendiente CrNara no es estadísticamente
significativa.
 F Fisher
 F Modelo =26.22 ≥|4|

Si el valor de F Modelo es 26.22. Este valor es mayor al valor crítico de F Fisher que es igual a 4 en
valores absolutos. Por lo tanto, el modelo de regresión en su conjunto es estadísticamente
significativo.

Ejercicio II
Utilizando los datos de Producto Interno Bruto (PIB), de la Oferta Monetaria (M1), e
Inversión (I -> Formación Bruta de Capital), durante el período de 1980 a 2012, del Ecuador;
y, el modelo:
PNBt = 0 + 1 Mt +2 It + Ut
 Se pide:
1. Estime dos modelos: una para el período 1980 a 1999 y otro para el período 2000 a 2012,
interprete y compare los dos modelos. Encuentre el valor de las elasticidades promedio e
interprételas. Con la prueba de Chow determine si hay un cambio estructural. Luego
evidencie si hay diferencias en las pendientes o intercepto utilizando variables dummy.
  Modelo 2 con 13 observaciones (2000-2012)

 PRUEBA DE CHOW
Ho: existe estabilidad – no hay cambio estructural
H1: existe estabilidad – hay cambio estructural
Si tchowc > tchowi – rechazo Ho

 DATOS
Suma de cuadrados del modelo completo essc = 1.8675e+13
Suma de cuadrado del modelo 1 ess1= 1.6044e+12
Suma de cuadrado del modelo 2 ess2= 1.0959e+13
Parámetros a estimar k= 3
Numero de observaciones del modelo 1 N1=20
Numero de observaciones del modelo 2 N2=13

essc−(ess 1+ess 2)
k
ess1+ ess2
TCHOWc=
N 1+ N 2−2∗K

TCHOWc=( 1.8675 e+13 )−¿ ¿ ¿

TCHOW = 26,96
TCHOWt = F(k,N1+N2-2K)
TCHOWt = F(3,20 + 13 – 2*3) = F(3,27) = 2,92

 Decisión:
SI TCHOWc > TCHOWt – RECHAZO Ho
26,96 > 2,92 Rechazo Ho
No existe estabilidad – Hay cambio estructural
2. Pruebe la hipótesis que el modelo estimado con toda la serie es “bueno”. (Utilice  = 5%)
Ho: El modelo estimado con toda la serie es “BUENO”
H1: El modelo estimado con toda la serie es “MALO”

Ejercicio III.

Los siguientes son datos que corresponden a un estudio sobre la producción de brócoli en la
sierra centro sur del país en el 2000. Se ha postulado un modelo de regresión lineal múltiple a
fin de estimar la función de producción de brócoli.

producción de brócoli (miles de

Y= plántulas)
M= mano de obra (jornales)
K= capital (miles de $)
T= tierra (hectáreas sembradas)

Finca Y M K T
1 262.5 85.5 71.4 7.9
2 264.6 87.1 96.6 8.7
3 270.8 95.0 130.2 13.4
4 281.3 96.6 180.6 18.2
5 291.7 99.8 197.4 21.3
6 293.8 106.1 214.2 24.5
7 297.9 117.2 226.8 26.8
8 312.5 133.0 231 30.0
9 312.5 136.2 252 30.0
10 320.8 148.8 256.2 30.8
11 329.2 161.5 260.4 30.8
12 331.3 180.5 260.4 33.2
13 337.5 199.5 262.92 33.9
14 339.6 216.9 264.6 36.3
15 354.2 216.9 267.12 36.6

 Se pide:
1. Encuentre los estimadores (0, 1, 2 y 3) y sus varianzas, utilizando '  ( X'X ) '1 X 'Y y
Mat Var Cov  2 () ( X' X) ' 1 (sabiendo que el estimador de  2 es S2 ). Es decir,
haciendo las operaciones en EXCEL a través de matrices.
Y M K T
262.5 85.5 71.4 7.9 1
264.6 87.1 96.6 8.7 1
270.8 95 130.2 13.4 1
281.3 96.6 180.6 18.2 1
291.7 99.8 197.4 21.3 1
293.8 106.1 214.2 24.5 1
297.9 117.2 226.8 26.8 1
312.5 133 231 30 1
312.5 136.2 252 30 1
320.8 148.8 256.2 30.8 1
329.2 161.5 260.4 30.8 1
331.3 180.5 260.4 33.2 1
337.5 199.5 262.92 33.9 1
339.6 216.9 264.6 36.3 1
354.2 216.9 267.12 36.6 1
= 306.68 138.71 211.46 25.49
σ2= 786.24 2036.54 3879.53 85.23
σ= 28.04 45.13 62.29 9.23
2.0950257 0.6870036 6.1103478
β= 0.2664211
9 7 8

 Matriz Concentrada

306.68 -44.18 -
138.71 211.46 25.49 -53.21 -17.59
140.06
-
306.68 138.71 211.46 25.49 -42.08 -51.61 -16.79
114.86
306.68 138.71 211.46 25.49 -35.88 -43.71 -81.26 -12.09
306.68 138.71 211.46 25.49 -25.38 -42.11 -30.86 -7.29
306.68 138.71 211.46 25.49 -14.98 -38.91 -14.06 -4.19
X= 306.68 138.71 211.46 25.49 -12.88 -32.61 2.74 -0.99
XC=
306.68 138.71 211.46 25.49 -8.78 -21.51 15.34 1.31
306.68 138.71 211.46 25.49 5.82 -5.71 19.54 4.51
306.68 138.71 211.46 25.49 5.82 -2.51 40.54 4.51
306.68 138.71 211.46 25.49 14.12 10.09 44.74 5.31
306.68 138.71 211.46 25.49 22.52 22.79 48.94 5.31
306.68 138.71 211.46 25.49 24.62 41.79 48.94 7.71
 306.68 138.71 211.46 25.49 30.82 60.79 51.46 8.41
306.68 138.71 211.46 25.49 32.92 78.19 53.14 10.81
306.68 138.71 211.46 25.49 47.52 78.19 55.66 11.11

- - - - - 14.1 22.5 24.6 30.8 32.9 47.5

-42.08 -8.78 5.82 5.82
44.2 35.88 25.38 14.98 12.88 2 2 2 2 2 2
- - - - - 10.0 22.7 41.7 60.7 78.1 78.1
X'c= -51.61 -21.51 -5.71 -2.51
53.2 43.71 42.11 38.91 32.61 9 9 9 9 9 9
- - - 40.5 44.7 48.9 48.9 51.4 53.1 55.6
-140 -114.86 2.74 15.34 19.54
81.26 30.86 14.06 4 4 4 4 6 4 6
- - 10.8 11.1
-16.79 -7.29 -4.19 -0.99 1.31 4.51 4.51 5.31 5.31 7.71 8.41
17.6 12.09 1 1

 Matriz de Varianza y Covarianza

1399.1 1033.5
1647.2 520.77
1 9

2. Encuentre las elasticidades promedio de cada factor de producción. Interprete los

resultados.

Interpretación:
𝜷̂1 = 0.20: si la mano de obra tiene una disminución del 1%, la elasticidad de la producción de
brócoli tiene un incremento de 0.20 %.
𝜷̂2 = 0.002: si el capital disminuye en 1%, la elasticidad de la producción del brócoli incrementara
en un 0.002 %.
𝜷̂3 = 0.07: si por cada hectáreas sembradas disminuye en 1%, la producción del brócoli
incrementa en un 0.07 %.

3. Pruebe la hipótesis de que el factor mano de obra contribuye en la producción de brócoli

más que el factor capital. Utilice el enfoque matricial. (Utilice  = 5%).
Ho= el factor mano de obra contribuye en la producción de brócoli (Y) más que el factor capital.
Ha= el factor mano de obra no contribuye en la producción de brócoli (Y) más que el factor capital.

 Interpretación:
Utilizando una regresión, se acepta la hipótesis Ho de que el factor mano de obra contribuye en la
producción de brócoli más que el factor capital se comprueba esta hipótesis con la t-student ya que
el factor mano de obra (4.82) influye significativamente más que el factor capital (0.89).

4. Construya un intervalo de confianza para la producción de brócoli al 90%, cuando los

jornales utilizados sean de 100, la extensión de terreno sea de 20 hectáreas y el capital
financiado para dicha producción sea de 110 miles de dólares.
 Fórmula intervalo de confianza

( p−Z α /2∗√ p∗qn , p+ Z α /2∗√ p∗qn )

(0,18−1,64∗√ 0,18∗20
110
, 0,18+ 1.64∗
0,18∗20
√ 110 )
R=−0,08 ; 0,28

 Interpretación:
Se tiene una confianza del 90 % de que la proporción de producción de brocoli para dicha
producción está comprendida entre 0,08 y 0,28.

Ejercicio IV.
Con los datos el ejercicio I, a fin de estimar una función demanda de naranjas se ha postulado
un modelo de regresión lineal múltiple.
cantidad demandada de naranjas por familia (en
N= unidades)
PN= precio de la naranja (US$ por 25 naranjas)
PM= precio de la mandarina (US$ por 25 mandarinas)
PA= precio del azúcar (US$ por libra)
 ING= ingreso (US$)
MF= número de miembros por familia

Se pide:
1. Estime la función de demanda e interprete los coeficientes (incluya todas las variables).
Encuentre las elasticidades promedio de cada variable que sea posible. Interprete los resultados.

 Interpretación de coeficientes:
n=−26.89−204.32 pn+34.83 pm+572.09 pa+ 0.02ing+32.81 mf + u^ i

 𝜷̂0= -26.89
Si el precio de la naranja, el precio de la mandarina, el precio del azúcar, el ingreso y el número de
miembros por familia son cero la cantidad demandada de naranjas por familia en unidades será de
-26,89.
 𝜷1 = -204.32
Si el precio de la naranja incrementa en 1 dólar en promedio por 25 naranjas la cantidad demandada
de naranjas por familia decrecerá en 204.32 unidades, manteniendo constante la influencia del
precio de la mandarina, el precio del azúcar, el ingreso y el número de miembros por familiar.

 𝜷2 = 34.83
Si el precio de la mandarina incrementa en 1 dólar en promedio por 25 mandarinas, la cantidad
demandada de naranjas por familia aumentará en 34.83 unidades, manteniendo constante la
influencia del precio de la naranja, el precio del azúcar, el ingreso y el número de miembros por
familiar.
 𝜷3 = 572.09
Si el precio del azúcar incrementa en 1 dólar en promedio por libra de azúcar, la cantidad
demandada de naranjas por familia aumentará en 572.09 unidades, manteniendo constante la
influencia del precio de la naranja, el precio de la mandarina, el ingreso y el número de miembros
por familiar.
 𝜷4 = 0.02
Si el ingreso incrementa en 1 dólar en promedio, la cantidad demandada de naranjas por familia
aumentará en 0.02 unidades, manteniendo constante la influencia del precio de la naranja, el precio
de la mandarina, el precio del azúcar y el número de miembros por familiar.
 𝜷5 = 32.81
Si se incrementa en una persona en la familia en promedio, la cantidad demandada de naranjas por
familia aumentará en 32.81 unidades, manteniendo constante la influencia del precio de la naranja,
el precio de la mandarina, el precio del azúcar y el ingreso.
 Elasticidades

Según [ CITATION Guj10 \l 12298 ] “una característica atractiva del modelo log-log, que lo ha hecho
muy popular en el trabajo empírico, es que el coeficiente de la pendiente β2 mide la elasticidad de
Y respecto de X, es decir, el cambio porcentual en Y ante un pequeño cambio porcentual en X”,
mencionado eso las elasticidades son:

 𝜷̂1 = -0.27: La elasticidad de la demanda de naranjas resultó ser igual a -0.27, de tal
manera que, si el precio de las naranjas se incrementara en 1%, las cantidades vendidas
de tal producto disminuirían en 0.27%. Por el contrario, una disminución de un 1% en el
precio de las naranjas traería consigo un aumento de las cantidades demandadas de
dichas naranjas en un 0.27%.

 𝜷̂4 = 0.80: La elasticidad ingreso de la demanda de naranjas fue 0.80 indicando que un
1% de incremento en el ingreso disponible de los consumidores, resultaría en un
incremento promedio del 0.80% en el consumo de dichas naranjas.

2. Con base en el modelo anterior calcule el excedente del consumidor, la disposición total a
pagar y la disposición marginal a pagar cuando PN = 1.25.

 Excedente del consumidor=1,22

Excedente del
Pn Pn Nuevo
consumidor
 1,4 1,25 0,15
1,3 1,25 0,05
1,5 1,25 0,25
1,5 1,25 0,25
1,3 1,25 0,05
1,2 1,25 0
1,3 1,25 0,05
1,25 1,25 0
1,3 1,25 0,05
1,25 1,25 0
1,35 1,25 0,1
1,2 1,25 0
1,36 1,25 0,11
1,38 1,25 0,13
1,28 1,25 0,03
  EC. Total 1,22

 Disposición total a pagar =1,25

 Disposición marginal a pagar=1,25

3. Estime la curva de demanda y obtenga el excedente del consumidor, la disposición total a

pagar y la disposición marginal a pagar cuando PN = 1.25. Compare los resultados con el
modelo anterior y haga un análisis

Existen años en los que el excedente del consumidor es cero debido a que el nuevo precio
excede el precio que el consumidor estaba dispuesto a pagar. Al ser constante el precio de las
naranjas el consumidor seguirá estando dispuesto a pagar por una unidad más 1,25.

4. Pruebe la hipótesis de que el modelo es bueno. (utilice  = 5%).

Ho: β 1=β 2=…=β k =0
Ha: β 1 ≠ β 2 ≠ … ≠ β k ≠ 0
 Fisher
Fc = 34.93

Si Fc > Fα (k − 1, n − k), rechace Ho; de lo contrario, no la rechace, donde Fα(k−1, n−k) es el valor
F crítico en el nivel de significancia α, y (k − 1) gl en el numerador y (n−k) gl en el denominador

Fα (k − 1, n − k) = F0.05 (5, 9) = 3.48

(34.93 > 3.48) Rechazo Ho. La regresión globalmente considerada explica las variaciones
intramuestrales de la variable endógena. El modelo de regresión en su conjunto es estadísticamente
significativo.
5. En el modelo completo pruebe la hipótesis de que cada una de las variables es relevante.
(Utilice  = 10%).
  𝒕𝜷0 = |−0.24| < 1.64, No es estadísticamente significativo porque es menor al valor crítico
de la t-student.
 𝒕𝜷1 = |-2.04| < 1.64, Es estadísticamente significativo porque es menor al valor crítico de la
t-student.
 𝒕𝜷2 = |1.19| < 1.64, No es estadísticamente significativo porque es menor al valor crítico de
la t-student.
 𝒕𝜷3 = |1.87| < 1.64, No es estadísticamente significativo porque es menor al valor crítico de
la t-student.
 𝒕𝜷4 = |0.59| < 1.64, No es estadísticamente significativo porque es menor al valor crítico de
la t-student.
 𝒕𝜷5 = |7.34| < 1.64, Es estadísticamente significativo porque es menor al valor crítico de la
t-student.

5. Construya un intervalo de confianza para la demanda de naranjas al 95%, cuando PN

= 1.3, PM = 3.0 y la demás variable permanecen constantes.

 Interpretación:

Al colocar un precio para las naranjas y mandarinas (pn_2= 1.3 pm_2=3.0) constante se incurre en
la colinealidad por lo que no es posible determinar una demanda de naranjas al 95%.

Ejercicio V
Un empresario debe tomar la decisión de invertir o no en el sector agrícola, para que su
decisión sea sustentada técnicamente pretende estimar la función de producción de dicho
sector, para lo cual dispone de información de la producción (P), el trabajo (T) y el capital
(K). Los datos disponibles están en miles de US$.
Y = producción
T = Trabajo
K = capital
 AÑO P T K
1989 1283.20 58.66 1148.03
1990 1359.52 57.47 1164.17
1991 1406.16 56.07 1151.84
1992 1382.20 52.00 1406.16
1993 1435.48 50.54 1753.43
1994 1481.32 47.88 2079.42
1995 1533.36 45.33 2391.99
1996 1595.48 42.10 2560.83
1997 1573.68 39.79 2782.79
1998 1553.12 38.05 3009.06
1999 1470.84 34.32 2944.66
2000 1536.44 44.16 3135.91
2001 1576.20 46.16 3323.21

Se pide:
1. Encuentre las funciones de producto físico marginal y producto medio de cada factor, con un
modelo lineal múltiple.
Q=f ( X a , X b , X c , … … .., X n)
 Producto físico marginal

PMg=−1131.85+0.49 ( Producción ) +8.91 (Trabajo ) + 0.006 ( Capital )

 Producto medio
PMe=58.10+0.0084 ( Producción )−0.811 (Trabajo ) +0.000005 ( Capital )

2. Estime e interprete la elasticidad media de cada factor de producción.

 Interpretación:
En promedio la elasticidad de la producción es de 0.4538052 US$ en el sector agrícola.

3. Como probaría la hipótesis de que el factor capital contribuye en la producción más que el
factor mano de obra. Utilice el enfoque matricial. (Utilice α = 5%).

 Interpretación:
Utilizando una regresión, se acepta la hipótesis de que el factor capital contribuye en la producción
más que el factor mano de obra, se comprueba esta hipótesis con la t-student ya que el factor capital
influye significativamente a la producción más que la mano de obra.

4. Pruebe la hipótesis de que la utilización del factor mano de obra no se encuentra en la

tercera etapa de producción (utilice  = 5%)
Se rechaza la hipótesis de que la utilización del factor mano de obra, no se encuentra en la tercera
etapa de producción, podemos corroborar esta hipótesis con el t-student (-0,36<1,96) lo cual
obtenemos que no es estadísticamente significativa.

Ejercicio VI.
Para los mismos datos del punto anterior, dado un modelo de producción Cobb-Dougals se
pide:

1. Pruebe la hipótesis de que el modelo postulado es bueno (utilice  = 5%)

 Interpretación:
Se acepta la hipótesis de que el modelo postulado es bueno, podemos corroborar esta hipótesis con
el f-fisher (20,60>4) por lo tanto, el modelo de regresión en su conjunto es estadísticamente
significativo.

2. Pruebe la hipótesis de que la utilización del factor capital no se encuentra en el límite de la

primera y segunda etapa de producción. (Utilice α = 10%)

 Interpretación:
Se acepta la hipótesis de que la utilización del factor capital, se encuentra en el límite de la primera
y segunda etapa de producción, podemos corroborar esta hipótesis con el t-student (3,54>1,96) lo
cual obtenemos que es estadísticamente significativa.

3. Pruebe la hipótesis de que la utilización del factor mano de obra se encuentra en la primera
etapa de producción. (Utilice α = 5%)
  Interpretación:
Se rechaza la hipótesis de que la utilización del factor mano de obra se encuentra en la primera
etapa de la producción, podemos corroborar esta hipótesis con el t-student (0,44>1,96) lo cual
obtenemos que es estadísticamente significativa.

4. Para el factor tierra pruebe la hipótesis de que el producto marginal es menor que el
producto medio. (Utilice α = 20%)

Producto Producto
AÑOS T marginal medio
1 58,66  
2 57,47 1,19 0,59
3 56,07 1,40 0,47
4 52 4,07 1,02
5 50,54 1,46 0,29
6 47,88 2,66 0,44
7 45,33 2,55 0,36
8 42,1 3,23 0,40
9 39,79 2,31 0,26
10 38,05 1,74 0,17
11 34,32 3,73 0,34
12 44,16 -9,84 -0,82
13 46,16 -2,00 -0,15

 Interpretación:
Es menor el producto marginal ya que tiene sus marginal en decrecientes lo cual genera un
desequilibrio tanto en los productos marginales como en el producto medio, siendo este afectado en
un menor porcentaje
5. Pruebe las siguientes hipótesis que se le presentan al investigador (utilice α = 5%):

i) Rendimientos crecientes a escala

La productividad del factor capital sumada a la productividad del factor trabajo nos dé un
coeficiente superior a uno, en cuyo caso lo que tendríamos es que esta empresa se caracteriza por
tener rendimientos crecientes a escala, eso significa que, a un esfuerzo en las dotaciones en capital
y trabajo, el rendimiento en la producción será más que proporcional a ese esfuerzo. Por ejemplo, si
duplicamos el esfuerzo en capital y trabajo, el resultado será más del cien por ciento, en este caso
existen rendimientos crecientes a escala.

ii) Rendimientos decrecientes a escala

La suma de coeficientes de productividad del capital sumada a la productividad del trabajo, el
resultado será un valor menor que la unidad, entonces nos acercaremos a los rendimientos
decrecientes a escala, lo que significa que, si duplicamos los esfuerzos productivos en capital y
trabajo, la producción se incrementa en una proporción inferior a los esfuerzos realizados en capital
y trabajo.

iii) Rendimientos constantes a escala.

El valor del 5% coeficiente alfa que define la productividad del factor capital más el coeficiente
beta que define la productividad del factor trabajo y esa suma será igual a uno, entonces podríamos
decir que las empresas tienen rendimientos constantes a escala, eso significa que si duplicamos el
esfuerzo en capital y trabajo, la producción también se duplica, es decir todo esfuerzo en capital y
trabajo será un esfuerzo recompensado en la capacidad productiva de la empresa, esa situación
implica que la firma tiene rendimientos constantes a escala.
6. Pruebe la hipótesis de que la elasticidad de producción del capital es mayor que la
elasticidad de producción de la mano de obra.
Ho: EPC > EPMO
Ha: EPC < EPMO
  Interpretación:
Se acepta la hipótesis nula donde se dice que la elasticidad de producción del capital $241 es mayor
a la elasticidad de producción de la mano de obra o trabajo 83,13.
Esto quiere decir que cuando la mano de obra es 83 personas el capital incrementara en $ 241.

Ejercicio IX.

Dada la siguiente información sobre la respuesta del café (Y en toneladas por+ hectárea) a la
aplicación de nitrógeno (N en Kg. por hectárea) y fósforo (P en Kg. por hectáreas), para 1995
Se postula el modelo:

Y = β0 + β 1 N + β2 P+ β 3 N 2 + β 4 P2 + β 5 NP +U
  Se pide:

1. Grafique la curva de producto total, marginal y medio para el nitrógeno. Indique

cuantas etapas de producción presenta esta función de producción.

III Etapa
II Etapa
I Etapa

2. Determine la cantidad de nitrógeno y fósforo que se debe aplicar por hectárea para
obtener el máximo (derivada máxima) nivel de producción.

Y^ =−36,57+0,666 N +0,647 P−0,00091 N 2−0,00081 P 2

 Nitrógeno
dY
=0,666−0,00182 N
dN
−0,666=−0,00182 N
N=365,93
 Fósforo
dY
=0,6471−0,00162 P
dP
−0,6471=−0,00162 P
P=399,44
 Interpretación:
Según el modelo que se obtuvo tenemos que para tener la máxima producción se va a necesitar 366
kilos de nitrógeno y 399 kilos de fósforo.

3. Pruebe la hipótesis de que el nitrógeno y el fósforo son: (utilice α= 5%)

i) factores técnicamente sustitutos

Y^ =−20,83+0,58 N +0,59 P−0,00093 N 2−0,00088 P 2+ 0,00041 NP
Ho: β 5 ≥0 Ha: β 5<0
 ∝=5 %
β 5−θ 0,00041−0
tc = = =0,157
Sβ 5 0,00026
t 1 cola ,17 gl , 0,05=1,740
Tc<Tt Acepto la Ho

0,15

-1,740
AH0

RH0

 Decisión:
Se acepta Ho, el nitrógeno y el fósforo no son técnicamente sustitutos.
i) factores técnicamente complementarios
Y^ =−20,83+0,58 N +0,59 P−0,00093 N 2−0,00088 P 2+ 0,00041 NP
Ho: β 5 ≤0 Ha: β 5>0
 ∝=5 %
β 5−θ 0,00041−0
tc = = =0,157
Sβ 5 0,00026
t 1 cola ,17 gl , 0,05=1,740
 Tc<Tt Acepto la Ho

0,15 1,740

AH0

RH0

 Decisión:
Se acepta H: que menciona que el nitrógeno y el fósforo no son técnicamente complementarios

4. Encuentre la ecuación de la isocuanta de esta función.

Y^ =−36,57+0,666 N−0,00091 N 2+0,647 P−0,00081 P 2

Y^ +36,57−0,647 P+0,00081 P 2=0,666 N −0,00091 N 2
0,00091 N 2−0,666 N + Y^ −0,647 P+ 0,00081 P 2+36,57=0
0,666 ± √(−0,666)2−4(0,00091)( Y^ −0,647 P+0,00081 P 2+36,57)
N=
2∗(0,00091)
0,666 ± √ 0,44−[ 0,00364( Y^ −0,647 P+0,00081 P 2+36,57) ]
N=
0,00182
 Función Isocuanta:
0,666 ± √ 0,30−0,00364 Y^ + 0,0023 P−0,0000029 P 2−0,133
N=
0,00182

Ejercicio X.
Utilizando los datos del punto I, para el modelo de regresión lineal múltiple
N= β 0+ β 1 PN + β 2 PM + β 3 ING+ U, estime los modelos dados las siguientes restricciones:
i) β 1 + β 2=1
ii) β 2 + β 3=0.5
Pruebe con el 5% la validez de las restricciones.
N=14,93+ 100,79 PN −58,68 PM + 0,15 ING +U

1)
Ho=β 1+ β 2=1
Ha=β 1+ β 2≠ 1

λ ' ^β−θ
t c=
√λ S (X X )
' 2 ' −1
λ
0 14,93
λ=1 '
λ =0 1 1 β= 100,79
1 −58,68

λ ' β ' =42,11

  N PN PM
2
S ¿ N 1.0000 -0.4754 -0.4203
PN -0.4754 1.0000 0.4739
PM -0.4203 0.4739 1.0000
λ ' S 2 ( X ¿¿ ' X)−1 =−0,8957 1,47391,4739 ¿

λ ' S 2 ( X ¿¿ ' X)−1 λ' =2,9478 ¿

42,11−1
tc= =23,94
√ 2,9478
t t=5 % n−k−1 gl
t t=¿1,79
 23,94

 Decisión: 1,79 1,799

Con el 95% de confianza se rechaza la Hipótesis Nula Ho es decir que B1 y B2 son diferentes
de 1.

2) N=14,93+ 100,79 PN −58,68 PM + 0,15 ING+U

Hipótesis:
Ho=β 2+ β 3=0.5
Ha=β 2+ β 3 ≠ 0.5
λ ' ^β−θ
t c=
√ −1
λ ' S2 ( X ' X ) λ
0 14,93
λ=1 '
λ =0 1 1 β= −58,68
1 0,15

λ ' β ' =−58.53

  N PM ING
S2 ¿ N 1 -0,4203 0,7892
PM -0,4203 1 -0,3478
ING 0,7892 -0,3478 1
λ ' S 2 ( X ¿¿ ' X)−1 =0,3689 0,65220,6522 ¿
λ ' S 2 ( X ¿¿ ' X)−1 λ' =¿¿ 1,30
−58,53−0,5
tc= =−51,77
√ 1,30

t t=¿1,79

-58,53

-1,79 1,799
 Decisión:
Con el 95% de confianza rechazamos Ho, es decir que B2 y B3 son diferentes de 0,5.

Ejercicio XI.
Resolver los ejercicios que corresponden a números múltiplos de 5 del capítulo 8 de Gujarati,
edición cuarta
8.5 Considere la función de producción de Cobb-Douglas
Y = β1 Lβ K β (1)
2 3

 Donde:
Y = producción
L = insumo trabajo
K = insumo capital.

Al dividir (1) entre K,

 Obtenemos:
(Y / K )=β 1 ¿ (2)

Al tomar el logaritmo natural de (2) tenemos:

ln (Y / K)=β 0+ β1 ln ¿ (3)

a) Suponga que tenía información para hacer la regresión

ln (Y / K)=β 0+ β1 ln ¿.

¿Cómo probaría la hipótesis de que hay rendimientos constantes a escala, es decir, (β2 +
β3) = 1?

Ho: β0 = β0 = β3
Ha: β0 ≠ β0 ≠ β3
  Decisión:

Para identificar si existe rendimientos constantes se observa los valores de la prueba t para
B_3 =1.59, como el valor de B_3 es menor a 2 se rechaza la Ho, se pude decir que existe
rendimientos constantes.

b) De existir rendimientos constantes a escala, ¿cómo interpretaría la regresión (3)?

La salida de capital (Y/K) y el capital de trabajo (L/K) el coeficiente de la pendiente son

cero, entonces, la productividad del capital será del 0.00365 puntos porcentuales adicional
del capital de trabajo (L/K).

c) ¿Hay alguna diferencia si divide (1) entre L en lugar de hacerlo entre K?

 Interpretación:
Los rendimientos de B_2 y el error dejan de ser constantes debido a que t es mayor a su valor crítico
2. La productividad laboral es menor al capital trabajo, puede ser presencia de una economía de un
país subdesarrollado.

8.10 Se le dan los siguientes resultados de regresión

Y^ =16899−2978.5 X 2 t R2=0.6149
t=( 8.5152 ) (−4.7280)
Y^ =9 734.2−3 782.2 X 2t + 2815 X 3 t R 2=0.7706
t=( 3.3705 ) (−6.6070 ) ( 2.9712 )
¿Se pueden mostrar el tamaño de la muestra en la cual se basan estos resultados?
Si se puede demostrar utilizando la relación entre los valores R2 , F y f
2
 Y^ =16899−2978.5 X 2 t R =0.6149
 t=( 8.5152 ) (−4.7280)

Para los resultados de esta regresión con dos variables se utilizara la siguiente fórmula:
R2 /(k−1)
F=
(1−R 2)/(n−k )
De la formula se despejara n:
F∗1−R2 R2
=
n−k k−1
( k −1 )∗[ F∗( 1−R2 ) ] =R 2 (n−k )
( k−1 )∗[ F∗( 1−R 2 ) ]
=n−k
R2
( k−1 )∗[ F∗( 1−R 2) ]
n= +k
R2

Se remplaza los resultados de la regresión para poder encontrar el tamaño de muestra.

F=(−4.7280)2=22.3539
k =2
R2=0.6149

( k−1 )∗[ F∗( 1−R 2 ) ]

+ k=n
R2
( 2−1 )∗[ 22.3539∗( 1−0.6149 ) ]
+2=15.99
0.6149
n=16

Para la primera regresión tenemos un tamaño de muestra de 16.

2
 Y^ =9 734.2−3 782.2 X 2t + 2815 X 3 t R =0.7706
 t=( 3.3705 ) (−6.6070 ) ( 2.9712 )

Para los resultados de esta regresión, con tres variables se utilizara la siguiente fórmula:
R2 / 2
F= 2
(1−R )/(n−3)
 De la formula se despejara n:
F∗1−R2 R 2
=
n−3 2
2∗ [ F∗( 1−R2 ) ]=R2 (n−3)
2∗[ F∗( 1−R2 ) ]
=n−3
R2
2∗[ F∗( 1−R 2 ) ]
n= +3
R2
 Remplazando los resultados de la regresión podremos encontrar el tamaño de muestra.
F=( 2.9712)3=26.229
R2=0.7706
2∗[ F∗( 1−R2 ) ]
+ 3=n
R2

2∗[ 26.229∗( 1−0.7706 ) ]

+3=18.616
0.7706
n=19
Para el resultado de la regresión tenemos un tamaño de muestra de 19.

8.15. Continuando con el ejercicio 8.18, considérese la siguiente función de demanda de

dinero:
M nt =λ 0 ¿

Donde, además de las definiciones dadas en el ejercicio 8.18, Y representa el ingreso nacional
neto nominal agregado.
Mediante la ecuación (3.5.8), podemos ver: r n=0,9989; r n=0,9885 y r n23=0,9839

Utilizando las fórmulas indicadas en la sección 7.11, se puede observar Ri2.3=0,9705; r32= 678;
r231= -0,4930.

Mediante la prueba exacta de Fisher se debe verificar que.

r 12.3 √ 15−1−2
t 12.3 =13.590
√1−r 2
Siguiendo exactamente el mismo procedimiento compruebe que tj32=3,20 y .t23.1=1,963, cada uno
de estos valores es estadísticamente significativo al nivel del 5%.

8.20. Para la función de demanda de pollos estimada en (8.7.24), ¿es la elasticidad ingreso
estimada igual a 1? ¿Es la elasticidad precio igual a -1?

(8.7.24) Regresión restringida

^
ln Y t =2.0328+0.4515 ln X 2 t −0.3772 ln X 3 t
( 0.1162 )( 0.0247 )(0.0635)
R2 R=0.9801

H O : β 2=−β 3
H 1 : β 2 + β 3=0
β2 + β 3
t=
√ var ( ^β )+ var ( ^β )−2 cov ( β^ , β^ )
2 3 2 3

( 0.4515)+(−0.3772)
t=
√(0.0247)2 +(0.0635)2−2(−0.0014)
t=0.8613

El valor t no es significativo, digamos al nivel del 5%. Entonces, se acepta la hipótesis nula.

8.25. La siguiente función se conoce como la función de producción trascendental (FPT), una
generalización de la conocida función de producción Cobb-Douglas:

Yi=β 1 Lβ 2 K β 3 e β 4 L+ β 5 K
Donde
Y=producto
L= insumo
K= insumo capital.

Después de tomar logaritmos y de sumar el término de perturbación estocástico, se obtiene la FPT

estocástica como:
ln Yi=β 1+ β2 ln Li+ β3 ln K i + β 4 Li+ β5 K i + μi

Donde β 1=ln B1

a) ¿Cuáles son las propiedades de esta función?

Esta función se basa en que el producto marginal de la mano de obra y el insumo capital suban
antes de que estos recursos decaigan.
En la función estándar de producción de Cobb- Douglas hace referencia a que los productos
marginales caen desde el principio. Esta función permite también de la variable elasticidad de la
sustitución, a diferencia del modelo recursivo de Cobb- Douglas.

b) Para reducir la FPT a la función de producción Cobb-Douglas, ¿Cuáles deben ser los
valores de β 4 y β 5?
Los valores correspondientes a β 4 =1 y β 5=0 entonces = 1. Este es el modelo estándar

c) Si se tuviera la información ¿Cómo se haría para encontrar la forma en la que la FPT

se reduce a la función de producción Cobb-Douglas? ¿Qué procedimiento de prueba se
utilizaría?
Se podría utilizar la prueba F, En muchos casos, el test F puede resolverse mediante un proceso
directo. Se requieren dos modelos de regresión, uno de los cuales restringe uno o más de los
coeficientes de regresión conforme a la hipótesis nula. El test entonces se basa en un cociente
modificado de la suma de cuadrados de residuos de los dos modelos  de la restricción de los
mínimos cuadrados.
d) Verifíquese si la FPT se ajusta a
la información dada en la tabla
8.8. muéstrense los
cálculos.
  Los resultados son los siguientes:

 Interpretación:
Con los cálculos que se realizaron en la regresión se muestra que el coeficiente de mano de obra es
estadísticamente significativo con una valor de 2.08 que es mayor al valor crítico de la prueba t
mientras que el coeficiente del capital fijo tiene un valor de 0.85 que no es estadísticamente
significativo ya que es menor al valor crítico.

8.30 Refiérase al ejercicio 7.21c. Ahora que ya cuentan con las herramientas necesarias, ¿Cuál
es la prueba que se utilizaría para elegir entre los dos modelos? muestre los cálculos
necesarios. Obsérvese que las variables dependientes son distintas en los modelos.

 La prueba que se va a utilizar en este ejercicio va hacer la prueba t con la siguiente formula:
t=¿ ¿

 Se necesita saber la covarianza de los estimadores pendiente

cov =−0.3319

(0.3397+0.8460)−1
t=
√ 0.0345+ 0.0087+2(−0.0173)

t=1.94
 Interpretación:
El valor critico de t que se puede ver en la tabla de t, podemos ver que con el 5% valor de t para dos
colas es 2,12. Por lo tanto en este nivel de significancia, no rechazamos la hipótesis de rendimientos
constantes a escala, aunque numéricamente la suma de los coeficientes es igual a 1.19 que es mayor
a 1.

8.35 Reconsidere la regresión ahorro-ingreso de la sección 8.7. Suponga que dividimos la

muestra en dos periodos: 1970-1982 y 1983-1995. Mediante la prueba de Chow determine si
existe un cambio estructural en la regresión ahorro-ingreso para los dos periodos. Al
comparar los resultados con los obtenidos en la sección 8.7, ¿qué conclusiones generales
deduce respecto de la sensibilidad de la prueba de Chow a la elección del punto crítico que
divide la muestra en dos (o más) periodos?

Observació Disponibl
Ahorros
n e
1970 61 727.1
1971 68.6 790.2
1972 63.6 855.3
1973 89.6 965
1974 97.6 1054.2
1975 104.4 1159.2
1976 96.4 1273
1977 92.5 1401.4
1978 112.6 1580.1
1979 130.1 1769.5
1980 161.8 1973.3
1981 199.1 2200.2
1982 205.5 2347.3
1983 167 2522.4
1984 235.7 2810
1985 206.2 3002
1986 196.5 3187.6
1987 168.4 3363.1
 1988 189.1 3640.8
1989 187.8 3894.5
1990 208.7 4166.8
1991 246.4 4343.7
1992 272.6 4613.7
1993 214.4 4790.2
1994 189.4 5021.7
1995 249.3 5320.8
 1970-1982

Ahorrost=−3.74188+ 0.0846298 diponible t

t=(−0.36)(11.95)

R2=0.9284

SCR1 =27299.0326

gl=12

 1983-1995
Ahorrost=141.3988+ 0.0176275 diponiblet

t=( 3.71)(1.85)

R2=0.2368

SCR1 =12599.8377

gl=12

 Modelo Global

Ahorrost=62.42267+0.376791 diponiblet

t=( 4.89)(8.89)

R2=0.7672

SCR1 =99870.0867

gl=25
(SCR R −SCR NR )/k
F=
( SCR NE )/(n1 +n2−2 k )

99870.09−39898.87
2
F=
39898
22
F=16.533857

Ho: Existe cambio estructural.

Ha: No existe cambio estructural
Para 2 y 22 gl el valor crítico F a 1% es de 7.72
F calculado = 16.53

 Decisión:
Se rechaza la Ho por tanto entre los regresores de la primera regresión y de la segunda no hay
diferencia. El modelo se ve afectado significativamente los periodos de análisis.

Ejercicio XII.
Se dispone de 20 observaciones relativas al consumo interno (CONS), rentas salariales
agrarias (WA), rentas no salariales (RNA) y rentas agrarias (RA) para el período 19281941 y
1945-1950 de la economía estadounidense. Con esta información se va a estimar el modelo dde
Klein Goldberger (1955) en el que se explica el consumo en función de las mencionadas
rentas.
Observacion
es CONS RA WA RNA
1 55.2 4.39 39.21 17.73
2 62.2 4.6 42.31 20.29
3 58.6 3.25 40.37 18.83
4 56.6 2.61 39.15 17.44
5 51.1 1.67 34.00 14.76
6 51.1 2.44 33.59 13.39
7 54.0 2.39 36.88 13.93
8 57.2 5.08 39.27 14.67
9 62.8 3.93 45.51 17.2
10 65.0 5.48 46.06 15.92
11 63.9 4.37 44.16 17.57
12 67.5 4.51 47.68 18.49
13 71.3 4.9 50.79 18.49
14 76.6 6.37 57.78 19.18
15 86.3 8.42 78.97 19.12
16 95.7 9.27 73.54 19.76
17 98.3 8.87 71.92 17.55
18 100.3 9.3 74.01 19.17
19 103.2 6.95 75.51 20.2
20 108.9 7.15 80.97 22.12

El objetivo de este ejercicio es el análisis de la presencia de multicolinealidad en el modelo

econométrico señalado, según la siguiente especificación:
Consi=β 0 + β 1 RA i+ β2 WA i+ β 3 RNA i+u i
 1) Estime el anterior modelo con MCO

Consi=7.797+ 0.032 RA i+1.085 WA i +0.409 RNA i +333.414

2) Realice todas las pruebas conocidas para detectar multicolinealidad

Modelo de detección Test de Belsley, Kuck y Welch

λ max
k=√
√ λ min

k= √ 3.41671
√ 0.0226039
 k =12.294542 Colinealidad poco preocupante

 Modelo de detección Durbin Watson

El estadistico calculado de Durbin-Watson es dw=1.381411

Valores tabla= 0.998 y 1.676 / 3.002 y 2.324

El valor calculado se encuentra dentro de los limites entonces está en zona de indecisión.

3) Corrija la multicolinealidad de ser necesario

El modelo no tiene multicolinealidad preocupante por lo que no es necesario una corrección.

Ejercicio XIII.
La tabla siguiente presenta información sobre el promedio de doce meses del precio interno
del cobre en USA (C=ctv/lb); producto nacional bruto (G= US$ miles de millones); índice
promedio de doce meses para la producción industrial (I); precio promedio de doce meses de
cobre en la bolsa de metales de Londres (L = libras esterlinas); número de construcción de
casas por año (H= miles de unidades); y, precio promedio de doce meses de aluminio (ctv/lb).
Año C G I L H A
1969 21.89 330.2 45.1 220.4 1491 19
1970 22.29 347.2 50.9 159.5 1504 19.41
1971 19.63 366.1 53.3 256.3 1438 20.93
1972 22.85 366.3 53.6 249.3 1551 21.78
 1973 33.77 399.3 54.6 325.3 1646 23.68
1974 39.18 420.7 61.1 329.1 1349 26.01
1975 30.58 442 61.9 219.6 1224 27.52
1976 26.3 447 57.9 234.8 1382 26.89
1977 30.7 483 64.8 237.4 1553.7 26.85
1978 32.1 506 66.2 245.8 1296.1 27.23
1979 30 523.3 66.7 229.2 1365 25.46
1980 30.8 563.8 72.2 233.9 1492.5 23.88
1981 30.8 594.7 76.5 234.2 1634.9 22.62
1982 32.6 635.7 81.7 347 1561 23.72
1983 35.4 688.1 89.8 468.1 1509.7 24.5
1984 36.6 753 97.8 555 1195.8 24.5
1985 38.6 796.3 100 418 1321.9 24.98
1986 42.2 868.5 106.3 525.2 1545.4 25.58
1987 47.9 935.5 111.1 620.7 1499.5 27.18
1988 58.2 982.4 107.8 588.6 1469 28.72
1989 52 1063.4 109.6 444.4 2084.5 29
1990 51.2 1171.1 119.7 427.8 2378.5 26.67
1991 59.5 1306.6 129.8 727.1 2057.5 25.3
1992 77.3 1412.9 129.3 877.6 1352.5 34.06
1993 64.2 1528.8 117.8 556.6 1171.4 39.79
1994 69.6 1700.1 129.8 780.6 1547.6 44.49
1995 66.8 1887.2 137.1 750.7 1989.8 51.23
1996 66.5 2127.6 145.2 709.8 2023.3 54.42
1997 98.3 2628.8 152.5 935.7 1749.2 61.01
1998 101.4 2633.1 147.1 940.9 1298.5 70.87

Con esta información estimar los modelos:

( 1 ) C t =β 0+ β1 I t + β 2 Lt + β 3 H t + β 4 A t + μ t
( 2 ) InC t =β 0 + β 1∈I t + β 2 ∈Lt + β3 ∈H t + β 4 ∈ At + μ t
 Se pide:

1) Utilizando el modelo lineal, pruebe la hipótesis de que existe auto-correlación en el

modelo utilizando el estadístico Durbin-Watson. (utilice = 5%)
  Interpretación:
Con 30 observaciones y 4 variables explicativas tenemos un dl = 1,143 y du= 1,739 con el 95% de
confianza podemos afirmar que existe auto-correlación positiva.
2) Corrija la auto-correlación utilizando  basado en el estadístico Durbin-Watson.

 No se corrige la auto- correlación

3) Corrija la auto-correlación utilizando el método de Durbin-Watson en dos etapas para

la estimación de .
 Sigue existiendo auto-correlación.
4) Corrija la auto-correlación utilizando el procedimiento Cochrane -Orcutt.

5) Repita lo anterior para el modelo log-log.

 Utilizando el modelo lineal, pruebe la hipótesis de que existe auto-correlación en el

modelo utilizando el estadístico Durbin-Watson. (utilice = 5%)
 Existe auto-correlación
 Corrija la auto-correlación utilizando  basado en el estadístico Durbin-Watson

No se corrige la auto- correlación

 Corrija la auto-correlación utilizando el método de Durbin-Watson en dos etapas para

la estimación de .
La auto-correlación no se corrige.

 Corrija la auto-correlación utilizando el procedimiento Cochrane -Orcutt.

6) Utilizando el modelo log-log identificar si existe auto-correlación positiva o negativa.

Existe correlación positiva

7) Efectúese la prueba de Rachas y vea si su respuesta difiere con la anterior.

2 n1 n 2
μ R= +1
n
 448
μ R= +1
30

μ R=14.93

2 n1 n2 (2 n1 n2 −n)
σ R=
√ n2 (n−1)
187264
σ R=
√
27900

σ R =6.71

[ 14.93± 2.59∗1.96 ]
[ 9.85 ≤14 ≤ 40.35 ]
Existe auto-correlación ya que esta del intervalo propuesto.

8) Utilice la prueba Breush-Godfrey para detectar autocorrelación.

Usando la prueba de Breush-Godfrey existe auto-correlación.

Ejercicio XIV.
Ante las negociaciones Grupo Andino-Mecosur respecto a la concesión de subvenciones para
la explotación agrícola dedicada a verduras y hortalizas, la Comisión Negociadora Agrícola
del Grupo Andino, ha decidido establecer una función lineal que explique la producción en
función de la superficie cultivada. Para ello dispone de información del año 1999 de las
variables: Y = producción de verduras y hortalizas medidas en miles de Qm; X = superficie
cultivada medida en hectáreas.

Observaciones y x
Pimiento 7338 25243
Acelga 702 3283
Ajo 2063 30548
Alcachofa 3341 23556
Batata y boniato 329 1779
Berenjenas 1367 4208
Calabaza y calabacín 2430 6739
Cardo 270 1050
Coliflor 2747 13903
Escarola 535 2504
Guisantes verdes 567 10398
Habas verdes 890 12393
Judías verdes 2473 25526
Lechuga 9535 33797
Melón 8528 50514
Pepino 3357 7083
Sandia 6046 23217

 Se pide:

1) Utilizando el modelo lineal, detecte la presencia de heterocedasticidad con la Prueba de

Park.

β1 – θ
Tc= =¿
S β1

1,298−0
Tc= =2.91
0,446
Gl=n−k−1=15
Este valor se ve traba t trabajando con 15 grados de libertad Tt =¿2,13

 Decisión:

Se rechaza la hipótesis nula, con un 95% de confianza se dice que existe heterocedasticidad.

2) Detecte la presencia de heterocedasticidad con la Prueba de Glejser.

β1 – θ
Tc= =2.37
S β1
Gl=n−k−1=15
Este valor se ve traba t trabajando con 15 grados de libertad Tt =¿2,13

Se rechaza la hipótesis nula, con un 95% de confianza se dice que existe heterocedasticidad.

3) Detecte la presencia de heterocedasticidad con la Prueba de Golfeld-Quandt.

Para esta prueba se necesita realizar dos regresiones auxiliares que tengan los mismos grados de
libertad, así trabajaremos con la suma de los cuadrados residuales. Como el número de
observaciones es desigual se eliminan los valores medios.

 Regresión 1.
  Regresión 2.

SCR 2
gl
λ=
SCR 1
gl

40274746.6
7
λ=
6864410.8
7
λ=5.867182

Existe heterocedasticidad

4) Indique si puede aplicar en este ejercicio la prueba de Bartlett de homogeneidad de

varianzas.

Si su respuesta es afirmativa aplíquela, de lo contrario explique por qué no se pude aplicar.

La prueba de Bartlett se utiliza para probar si k muestras provienen de poblaciones con la misma
varianza, no se puede aplicar la prueba de Bartlett debido a que nuestros datos son lineales y no
podemos comparar la varianza de nuestro modelo con la varianza de otras muestras.

5) Corrija la heterocedasticidad mediante el método de Mínimos Cuadrados Ponderados.

Transformando los mínimos cuadrados ordinarios a mínimos cuadrados ponderados no se corrige el

modelo, ya que al trabajar la probabilidad del modelo se puede observar que 0,05 es igual a la
probabilidad de 0,05 con un 95% de nivel de confianza; por ende se puede decir que no hay
heterocedasticidad.

6) Indique en qué consiste el método de Mínimos Cuadrados Ponderados para corregir

heterocedasticidad.

Los mínimos cuadrados ponderados consisten en usar un ponderador, en este caso utilizamos un α i,
el cual será calculado mediante la suma de los errores estocásticos dividido para un valor n-k; donde
k es el número de variables independiente; este valor se dividirá para todas las variables del modelo,
así se trasformaran los datos, y se tendrá un nuevo modelo auxiliar, se trabaja con mínimos
cuadrados ponderados ya que estos son mucho más eficientes para estimar un modelo.