1. Dado el Modelo Y t =β 1+ β2 X 2 t +U t, con los siguientes datos .

Y 2 3 7 6 15 8 22
X -3 -2 -1 0 1 2 3

a) Estudiar el problema de la heterocedasticidad.

1°

2°
 3°

-CONTRASTE DE HETEROCEDASTICIDAD.

A)METODOS INFORMALES.

A.1)GRÁFICO

4° Crear los residuos:

* predict e,resid

* predict yf  (Valores estimados y residuos)

 * Rvfplot, yline(0) * avplots

rvpplot x

5° gen ec=e^2
6° twoway scatter x  ( x es una variable predeterminada, asi que solo sera una grafica).

B)METODOS FORMALES:

B.1) PRUEBA DE GLEISSER:

7° corr x  (La unica variable que puede explicar que no sea constante la varianza, ademas,

es la unica variable que esta mas correlacionada a los residuos).

8° gen ea= abs(e)  (Crear nueva variable ea= residuos absolutos).

9° reg ea x

10° gen ve= 1/x

11° reg ea ve
B.2) CONTRASTE DE BREUSCH –PAGAN – GODFREY

SE EJECUTA EL DO.FILE

POR LO TANTO :

EL CHI CALCULADO < EL CHI TABULADO

 2.7905465<3.8414588  SE ACEPTA LA Ho: No existe problem de Heterocedasticidad.

B.3) CONTRASTE DE GOLDFRED QUANT

SE EJECUTA EL DO FILE: goldfred_quant.do

POR LO TANTO :

CHI CALCULADO < CHI TABULADO

49 < 161.44764 Por lo tanto se acepta la Ho : NO EXISTE PROBLEMA DE

HETEROCEDASTICIDAD.

B.4) CONTRASTE DE WHITE

Comandos:
POR LO TANTO:

W (CHI CALCULADO) < CHI TABULADO

4.277 < 5.9914645  POR LO TANTO SE ACEPTA LA Ho

RESPUESTA FINAL: NO EXISTE PROBLEMA DE HETEROCEDASTICIDAD

VAYASE A LA VERGA PROFE XDDD.

B) Que propiedad pierden los estimadores ante la presencia de heterocedasticidad.

Propiedad:

- Linealidad
- Insesgamiento
- Varianza minima. ( Si es heterocedasticidad, este es la propiedad que se perderia).

RESPUESTA:

AL NO EXISTIR PROBLEMA DE HETEROCEDASTICIDAD, NO ATENTA CONTRA UNA DE

LAS PROPIEDADES DEL ESTIMADOR DE MCO, QUE ES LA VARIANZA MINIMA, LO
CUAL SIGNIFICA QUE LAS VARIANZAS POR CADA UNA DE LAS OBSERVACIONES ES
CONSTANTE.

C) Como solucionar este problema

NO EXISTE PROBLEMA, POR LO TANTO NO HAY NADA QUE SOLUCIONAR.

 2. Se tiene los 25 datos, variable Xt –> salario nominal , Yt Empleo

Ademas se ha realizado las regresionales sobre los 10 primeros datos y sobre los 10 ultimos
obteniendose, SCR1= 75,43 Y SRC2=91,4.

A) Contrastar la existencia de autocorrelacion y heterocedasticidad.

HETEROCEDASTICIDAD:

1) CONTRASTE DE GOLDFRED - QUANT

- C = 5 observaciones centrales omitidas.

SRC 2/GL n−c

- Diseñar probador sigma= GL= −k
SRC 1/GL 2

n = 25 observaciones

SRC1=75,43

SRC2=91,4

c = 5 observaciones centrales omitidas

k = 2 parametros

Reemplazando

25−5 SRC 2/GL

GL=
2
−2 LAMBDA= SRC 1/GL

91,4/8
GL= 8 = 75,43/8

LAMBDA = 1.211719475
Y el F 10
10 = 2.98  Observando la Tabla distribucion -F 0.05

Por lo tanto LAMBDA < F 10

10  Por lo tanto no existe heterocedasticidad

No se rechaza la hipotesis nula que la perturbacion aleatoria sea homocedastica.

AUTOCORRELACION

2) CONTRASTE DE DURBIN- WATSON

- n: Existen 25 observaciones

- k: 1 parametros.

Verificando la Tabla de Durbin Watson

d L : Limite inferior = 1.288

d u: Limite superior = 1.454

d = 186.9201/151.0168 = 1,2377

Entonces existe una autocorrelacion positiva.

3. Usar archivo LOANAPP.dta

Approve ( 1: Si existe prestamo , 0= no existe prestamo).

White ( 1: blanco , 0: no es blanco)

A) Estime un modelo Probit de approve sobre white. Calcule la probabilidad estimada de que se apruebe
un credito a personas blancas y a personas no blancas. Compare dichas probabilidades estimadas con las
del modelo lineal.

1°) probit approve white

2°) mfx  la probabilidad promedio de que apruben el credito es de 0.8867641

3°)