Prof. Paula Fariña.

Virna Gutiérrez.

CII2752- ECONOMETRÍA- SOLEMNE N◦ 2.

24 de noviembre de 2015.
Tiempo 100 minutos.

1. PARTE I (28 puntos)

a) (7 ptos) Los estimadores que surgen de Mínimos Cuadrados Ordinarios en

presencia de heterocedasticidad cuando el resto de los supuestos clásicos se
cumplen son insesgados y eficientes (se cumple Teorema de Gauss Markov).
Indique si la frase previa es verdadera o falsa. Comente.

b) (7 ptos) El test t de significancia individual de los coeficientes requiere que la

distribuciones de β̂1 , ..., β̂K sigan una distribución normal. Comente

c) (7 ptos) El estadístico F del test de restricciones de exclusión es siempre mayor

o igual a cero. Comente. Recuerde que:

(SCRR − SCRC )/q

F =
SCRC /(n − K)

donde SCRR es la suma de cuadrados del modelo restrigido y SCRC es la

suma de cuadrados del modelo no restrigido o completo.

d ) (7 ptos) Los supuestos clásicos del modelo lineal múltiple imponen ciertas
características al vector de errores. Sin embargo, a la hora de verificar si estos
supuestos se cumplen se emplean los residuos en lugar de los errores. Explique
por qué se hace eso.

1
2. PARTE II (30 puntos)

a) (10 ptos) Suponga un modelo lineal:

Y = Xβ + , donde  ∼ Nn (0, Σ), con Σ una matriz heterocedástica

Considere el estimador: β̂ = (X 0 Σ−1 X)−1 X 0 Σ−1 Y . Demuestre que su varianza

es:

V β̂) = (X 0 Σ−1 X)−1

Nota: V (Az) = AV (z)A0 donde A es una matriz de (a × b) y z es un vector

aleatorio de (b × 1)

b) (10 ptos) Considere un modelo lineal:

Y = Xβ + , donde  ∼ Nn (0, σ 2 I)

Calcule la varianza de los residuos de este modelo e indique si los residuos son
homocedásticos.

c) (10 ptos) Suponga el modelo lineal:

Yi = β0 + β1 X1i + β2 X2i + β3 (5X1i ) + β4 X4i + i

Indique si hay algún problema para estimar este modelo. De una posible solu-
ción al problema.

2
3. PARTE III (42 puntos)

Desde 2005 la Universidad Diego Portales desarrolla un programa de encuestas de

opinión pública con el propósito de contribuir a la comprensión de los cambios en las
percepciones de los ciudadanos en diversas áreas. Utilizando la encuesta del año 2014
ubicada en www.encuesta.udp.cl, nos interesa determinar cuáles son los factores que
influyen en la evaluación de los encuestados hacia el Gobierno en cuanto a generar
crecimiento económico. Para esto se ha propuesto el siguiente modelo:

EvalGob = β1 + β2 OpinionP res + β3 Indigena + i (Modelo 1)

donde:

EvalGob : evaluación al gobierno en cuanto a generar crecimiento (variable es-

calar que va de 1 muy mal a 7 Muy bien).

Opinionpres : evaluación sobre la capacidad de la Presidenta para resolver los

problemas de la gente en una escala de 7 puntos, donde 1 es muy mala a 7 muy
bueno.

Indgena: Porcentaje de población indígena en Chile que el encuestado cree que

existe.

3
 Cuadro 1: Tabla de coeficientes Modelo 1

Coeficientes Estimador Puntual Error Estándar

β1 1.405 0.107
β2 0.608 0.021
β3 -0.004 0.002

Cuadro 2: Tabla ANOVA Modelo 1

Suma de Cuadrados Grados de Libertad Suma de Cuadrados Medios

Explicados 995.719 2 497.859
Residuales 1299.808 1097 1.185
Totales 2295.527 1099

Cuadro 3: Matriz de Varianza-Covarianza de los coeficientes Modelo 1

β1 β2 β3
β1 0,01105 -0,00185 -7,06766E-5
β2 -0,00185 0,00042 -2,64379E-7
β3 -7,06766E-5 -2,64379E-7 2,70492E-6

4
 a) (7 ptos) Interprete cuidadosamente los coeficientes.

b) (7 ptos) Pruebe con un 95 % de confianza que la opinión respecto a la capa-

cidad de la presidenta para resolver problemas de la gente es seis veces mayor
que el efecto de la variable Indígena sobre la evaluación promedio al Gobierno.

c) (7 ptos)Luego de realizar el análisis anterior, usted piensa que la evaluación al

gobierno depende de la opinión que tienen los encuestados sobre la cantidad de
recursos que se destinan a la seguridad ciudadana. Esta última variable toma
los siguientes valores (1 = muchos recursos; 2 = adecuados recursos y 3= pocos
recursos). A continuación se estima una nueva regresión lineal incorporando la
variable seguridad ciudadana mediante dummys. El nuevo modelo es:

EvalGob = β1 +β2 OpinionP res +β3 Indigena+β4 recursospoco +β5 recursosadec +i (Modelo 2)

Cuadro 4: Tabla de coeficientes Modelo 2

Coeficientes Estimador Puntual Error Estándar

β1 1.172 0.155
β2 0.609 0.021
β3 -0.003 0.002
β4 0,240 0.120
β5 0,270 0.133

Cuadro 5: Tabla ANOVA Modelo 2

Suma de Cuadrados Grados de Libertad Suma de Cuadrados Medios

Explicados 1001.033 4 250.258
Residuales 1294.494 1095 1.182
Totales 2295.527 1099

5
 ¿Cuál es la diferencia esperada en la evaluación promedio al Gobierno de dos
encuestados iguales en todo, pero que uno encuentra que se destinan adecuados
recursos a la seguridad ciudadana y el otro que considera son muchos recursos?

d ) (7 pts) ¿Cuál es la diferencia esperada en la evaluación promedio al Gobierno

de dos encuestados iguales en todo, pero que uno encuentra que se destinan
pocos recursos a la seguridad ciudadana y el otro adecuados recursos?

e) (7 pts) Otro compañero le dice que dada su experiencia, los recursos des-
tinados a la seguridad ciudadana no tienen efecto sobre la evaluación de la
gente al Gobierno, podría darle una respuesta con fundamento estadístico a su
compañero?.

f ) (7 pts) Analice los siguientes test de diagnóstico de residuos del modelo 2.

Para ello explique claramente para cada test: las hipótesis nula y alternativa;
la región de rechazo y concluya acerca de cada test.

Cuadro 6: Test de Diagnóstico

Test Grados de Libertad Estadístico Observado

Kolmogorov-Smirnov 0.037
Durbin-Watson 1.890
Breusch-Pagan 1 2.192

6
RESPUESTAS

1. PARTE I (28 puntos)

a) (7 ptos) FALSO: los estimadores que surgen de Mínimos Cuadrados Ordina-

rios en presencia de heterocedasticidad cuando el resto de los supuestos clásicos
se cumplen son insesgados pero ineficientes (NO se cumple Teorema de Gauss
Markov). Son insesgado porque se cumple el supuesto de esperanza igual a cero
de los errores. Sin embargo el estimdor deje de ser el de mínima varianza dentro
de los estimadores lineales insesgados. En particular el estimador de mínimos
cuadrados generalizados tiene una varianza menor.

b) (7 ptos) En efecto, el estadístico t surge porque los coeficientes estimados son

normales y la varianza de los coeficientes son aproximadamente χ2(n−K) . Sin
embargo, cuando la muestra es grande los coeficientes son aproximadamente
normales y las varianzas son consistentes por lo que el test es válido para
muestras grandes.

c) (7 ptos) en efecto, esto es así porque SCRR es mayor o igual a SCRC . El

modelo completo posee más variables explicativas por los que tendrá una suma
de cuadrados residuales menor que el modelo restringido.

d ) (7 ptos) SE hace esto porque los errores son no observados. En su lugar se

emplean los residuos que son especies de estimadores de los errores.

7
2. PARTE II (30 puntos)

a) (10 ptos) Suponga un modelo lineal:

Y = Xβ + , donde  ∼ Nn (0, Σ), con Σ una matriz heterocedástica

Considere el estimador: β̂ = (X 0 Σ−1 X)−1 X 0 Σ−1 Y . Demuestre que su varianza

es:

V β̂) = (X 0 Σ−1 X)−1

Nota: V (Az) = AV (z)A0 donde A es una matriz de (a × b) y z es un vector

aleatorio de (b × 1)

V (β̂) = V ((X 0 Σ−1 X)−1 X 0 Σ−1 Y ) = (X 0 Σ−1 X)−1 X 0 Σ−1 V (Y )Σ−1 X(X 0 Σ−1 X)−1

= (X 0 Σ−1 X)−1 X 0 Σ−1 ΣΣ−1 X(X 0 Σ−1 X)−1 = (X 0 Σ−1 X)−1 (X 0 Σ−1 X)(X 0 Σ−1 X)−1

(X 0 Σ−1 X)−1

b) (10 ptos) Considere un modelo lineal:

Y = Xβ + , donde  ∼ Nn (0, σ 2 I)

Calcule la varianza de los residuos de este modelo e indique si los residuos son
homocedásticos.

V (e) = V (Y −X β̂) = V ((I−X(X 0 X)−1 X 0 )Y ) = (I−X(X 0 X)−1 X 0 )V (Y )(I−X(X 0 X)−1 X 0 )

= σ 2 (I − X(X 0 X)−1 X 0 )I(I − X(X 0 X)−1 X 0 )

= σ 2 (I−2X(X 0 X)−1 X 0 +X(X 0 X)−1 X 0 X(X 0 X)−1 X 0 ) = σ 2 (I−2X(X 0 X)−1 X 0 +X(X 0 X)−1 X 0 )

= σ 2 (I − X(X 0 X)−1 X 0 ) = σ 2 (I − H)

8
c) (10 ptos) Suponga el modelo lineal:

Yi = β0 + β1 X1i + β2 X2i + β3 (5X1i ) + β4 X4i + i

Indique si hay algún problema para estimar este modelo. De una posible solu-
ción al problema.

Existe un problema de colinealidad perfecta. La variable asociada a β3 es cindo

veces la variable asociada a β1 . Esto hará que la matriz de diseño X no sea
de rango completo y por lo tanto no se podrá invertir X 0 X para obtener el
estimador de MCO.

9
3. PARTE III (42 puntos)

a) (7 ptos)

b) (7 ptos)

H0 : β2 = 6β3

HA : β2 6= 6β3

β̂2 − 6β̂3
Tobs = q = 27.70
V̂ (β̂2 − 6β̂3 )

V̂ (β̂2 − 6β̂3 ) = V̂ ((β̂2 ) + 36V (β̂3 ) − 12Cov(β̂2 , β̂3 ) = 5.2055 × 10−4

RR = (1.96, +∞)

Se rechaza H0

c) (7 ptos)

La diferencia esperada entre dos individuos iguales en todo (ceteris paribus),

pero que uno ent¿cuentra que se destinan adecuados recursos y el otro muchos
recursos son β5 = 0.27 puntos más en la escala de evaluación del 1 al 7. El test
para ver si esta diferencia es significativa es:

H0 : β5 = 0

HA : β5 6= 0

β̂5 0.27
Tobs = q = = 2.1951
0.133
V̂ (β̂5

RR = (1.96, +∞)

Se rechaza H0 . La diferencia es significativa

10
d ) (7 pts)La diferencia esperada en la evaluación promedio al Gobierno de dos
encuestados iguales en todo, pero que uno encuentra que se destinan pocos
recursos a la seguridad ciudadana y el otro adecuados recursos es β4 − β5 =
−0.03.

e) (7 pts) Se puede hacer un test de restricciones de exclusión:

H0 : β4 = 0, β5 = 0

HA : H0 no es cierta.

(1299.808 − 1294.454)/2 2.657

Fobs = = = 2.2478
1294.454/1095 1.182

RR = (F(2,1095)1−α , +∞) ' (3, +∞)

NO se puede rechazar H0 . No existe evidencia suficiente para afirmar que los

recursos destinados a la seguridad ciudadana no afectan a la evaluación del
gobierno.

f ) (7 pts)

El test de Kolmogorov tiene por dócima:

H0 : los residuos son normales

HA : los residuos no son normales

El estadístico del test arroja un valor de KSobs = 0.037.

La región de rechazo está dada por :

RR = (0.041, +∞)

El test de Durbin Watson tiene por dócima:

H0 : los residuos no tienen autocorrelación de grado 1

HA : los residuos tienen autocorrelación de grado 1

11
El estadístico del test arroja un valor de DWobs = 1.890.
La regla de decisión está dada por :
Si DWobs < DWL se rechaza
Si DWl ≤ DWobs ≤ DWU no se puede decidir
Si DWobs > DWU no se rechaza

DWobs = 1.890 > DWU ' 1.809

Luego no se puede rechazar H0 se concluye que no hay autocorrelación de

grado 1.

El test de Breusch Pagan tiene por dócima:

H0 : los residuos son homocedásticos

HA : los residuos no son nhomocedásticos

El estadístico del test arroja un valor de BPobs = 2.192.

La región de rechazo está dada por :

RR = (χ2(1)1−α , +∞) = (3.84, +∞)

Luego no se puede rechazar H0 se concluye que no hay heterocedasticidad.

12