Paula Fariña.

Virna Gutiérrez.
Matías Cabello.

CII2752- ECONOMETRÍA- SOLEMNE N◦ 1.

3 de mayo de 2016.
Tiempo 100 minutos.

PARTE I (18 puntos)

1. Un estudio busca entender la relación entre el puntaje promedio obtenido en el co-

legio y el tiempo dedicado a distintas actividades. Para ello se aplica una encuesta
a una muestra de estudiantes preguntando cuántas horas semanales dedican a las
siguientes 4 actividades: estudio, sueño, trabajo, y ocio. Toda actividad es consi-
derada dentro de alguna de estas categorías de manera que para cada estudiante
encuestado, la suma de las cuatro actividades debe ser 168. En el modelo:

P JE.P ROMi = β0 + β1 EST Ui + β2 SU ENi + β3 T RABi + β4 OCIOi + i

a) (2 ptos) Explique qué supuesto/s del modelo clásico de regresión múltiple se

está violando. Las columnas de la matriz de diseño no son linealmente inde-
pendientes.

b) (2 ptos) Reformule el modelo de manera que sea posible interpretar los pará-
metro y que se cumpla el supuesto violado. Explique cómo debe ser interpretado
el parámetro en el nuevo modelo. Aquí se puede eliminar una de las variables
(por ejemplo OCIO). El modelo quedaría como:

P JE.P ROMi = β0 + β1 EST Ui + β2 SU ENi + β3 T RABi + i

1
 En este caso el parámetros β1 debe interpretarse como el cambio en el puntaje
ante un aumento del tiempo de estudio en detrimento del ocio, dejando los
restantes tiempos constantes; β2 refleja el cambio en el puntaje ante un aumento
del tiempo de sueño en detrimento del ocio, ceteris paribus; y β3 es el cambio
en el puntaje ante un aumento del tiempo de trabajo en detrimento del ocio,
dejando los restantes tiempos constantes.

2. Comente las siguientes afirmaciones:

a) (2 ptos) El Teorema de Gauss-Markov en ningún momento niega la existencia

de estimadores lineales sesgados que tengan una varianza menor que la del
estimador de MCO. Verdadero. Efectivamente el Teorema de Gauss Markov
indica que el estimador MCO es el de mínima varianza, pero sólo dentro de los
estimadores lineales insesgados.

b) (4 ptos) El estimador de mínimos cuadrados ordinarios es insesgado siempre

y cuando se cumplan todos los supuestos del modelo clásico. Falso. Para que
el estimador de MCO sea insesgado sólo se requiere el supuesto de E() = 0.

3. Indique si las siguientes afirmaciones son verdaderas o falsas. El valor p del coefi-
ciente β̂j entregado por un software econométrico:

a) (2 ptos) es la probabilidad de error de tipo uno (decir que el coeficiente es

distinto de cero cuando en realidad no lo es) que deberíamos estar dispuestos a
cometer para rechazar la hipótesis nula. Verdadero. Esto es así porque el valor
p es el mínimo nivel de significancia a partir del cual se rechaza la hipótesis
nula.

b) (2 ptos) se emplea como una forma alternativa a la región de rechazo para

decidir si rechazar o aceptar la hipótesis nula del test. Si se rechaza un test
t con nivel de significancia α a través del p valor, el estadístico t observado
caerá fuera de la región de rechazo construida a nivel α. Falso. El estadístico
observado del test caerá dentro de la región de rechazo.

2
 c) (2 ptos) si el p valor es mayor a 0.05, indica que con una significancia de
5 % podemos afirmar que β̂j es distinto de cero. Falso. Si el valor p es mayor
a 0.05 NO se rechaza la hipótesis nula al 5 % de significancia.

d ) (2 ptos) si el p valor es menor a 0.05, indica que podemos estar completamen-

te seguros que β̂j es distinto de cero. Falso. Nunca estaremos completamente
seguros que β̂j es distinto de cero. El p valor indica precisamente el nivel que
cometeríamos afirmando que β̂j 6= 0 cuando en realidad no lo es.

PARTE II (18 puntos)

Suponga el siguiente modelo de regresión Y = Xβ +  Donde X es un vector aleatorio
no estocástico (matriz de n × 1) y  distribuye normal con media 0 y varianza σ 2 In . Se
definen dos estimadores para el parámetro desconocido β.

β̂1 = (110 X)−1 110 Y , β̂2 = (X 0 X)−1 X 0 Y

donde 11 es un vector de largo n con todos sus elementos iguales a uno.

1. (9 puntos) Demuestre que ambos estimadores son insesgados.

E(β̂1 ) = E((110 X)−1 110 Y ) = (110 X)−1 110 E(Y ) = (110 X)−1 110 Xβ = β

E(β̂2 ) = E((X 0 X)−1 X 0 Y ) = (X 0 X)−1 X 0 E(Y ) = (X 0 X)−1 X 0 Xβ = β

2. (9 puntos) ¿Cuál de los dos estimadores elegirías? ¿Por qué?

V (β̂1 ) = V ((110 X)−1 110 Y ) = (110 X)−1 110 V (Y )11(110 X)−1 = σ 2 n(110 X)−1 (110 X)−1

V (β̂2 ) = σ 2 (X 0 X)−1

Se puede demostrar que:

(X 0 11)2 < n(X 0 X)

Luego β̂2 es preferible pues es más eficiente. De hecho es el EMCO

3
 PARTE III (24 puntos)
Desde hace 12 meses que usted ingresó el mercado de las cervezas artesanales como
pequeño productor y vendedor. La venta ha sido exitosa, con un alto crecimiento. Aho-
ra usted desea saber cómo han respondido las ventas al precio, el cual usted ha hecho
fluctuar de forma aleatoria en torno al precio de mercado. Para ello utiliza la informa-
ción disponible en la tabla 1 y estima las regresiones presentadas en la tabla 2. El precio
de la competencia corresponde al promedio de 50 marcas de cerveza de calidad similar,
nacionales e internacionales. Las variables son

PrecioProd: precio del producto durante el mes.

PrecioComp: promedio en el mes del precio de la competencia.

VentasProd: miles de litros vendidos en el mes.

Cuadro 1: Base de datos

Mes PrecioProd (pesos) PrecioComp (pesos) VentasProd (miles de litros)
1 768 1003 6.93
2 1164 1010 12.22
3 955 996 31.28
4 992 996 29.26
5 889 993 50.73
6 1293 989 48.59
7 1251 1001 70.48
8 1275 1004 67.33
9 987 986 85.3
10 1294 995 96.4
11 1198 1015 113.11
12 733 987 163.41

1. (4 ptos) Indique las matrices X, y, ŷ, y e según (4). Basta con que exprese numé-

4
 Cuadro 2: Estimaciones de MCO
(1) (2) (3) (4) (5)
l_VentasProd l_VentasProd l_VentasProd VentasProd VentasProd
l_PrecioProd 0.973 0.538 -0.584∗ -54.80∗∗
(1.403) (0.488) (0.230) (14.46)
l_PrecioComp -18.88 0.830 164.8
(11.06) (5.111) (327.7)
mes 0.227∗∗∗ 12.66∗∗∗ 12.72∗∗∗
(0.0263) (0.781) (0.823)
l_mes 1.258∗∗∗
(0.0605)
PrecioProd -0.0531∗∗
(0.0150)
PrecioComp 0.154
(0.343)
_cons -2.905 129.0 0.102 -774.5 -115.0
(9.758) (75.12) (34.59) (2226.9) (337.5)
N 12 12 12 12 12
R2 0.046 0.925 0.986 0.972 0.970
Desviaciones típicas en paréntesis. La anteposición de l_ en la tabla 2 indica logaritmos.

ricamente la primera y la última fila de cada matriz.

 
1 ln(768) ln(1003) 1
 .. .. .. .. 
 
X = . . . .
 
1 ln(733) ln(987) 12
h i0
y = 6, 93 . . . 163, 41
h i0
ŷ = 1.954538 . . . 5.094524
h i0
e = −0.018678039 . . . 0.001738430

2. (4 ptos) La constante en (4) tiene dos valores asociados, -774,5 y 2226,9. ¿Có-
mo (con qué fórmula, exactamente) se obtuvieron dichos valores? Si se planteó la

5
 matriz X como en la pregunta anterior, -774,5 corresponde al primer elemento de
β̂ = (X 0 X)−1 X 0 y y 2226,9 corresponde al cuadrado del elemento 1,1 de la matriz
e0 e
n−k
(X 0 X)−1 .

3. (2 ptos) El modelo (5) tiene R2 = 0.97. ¿Qué, exactamente, significa eso? Que 97 %
de la varianza de las ventas puede ser explicado mediante el ajuste del modelo.

4. (4 ptos) ¿Qué efecto tiene el precio del producto sobre las ventas según (3) y (5),
respectivamente? En (3): Un aumento de 1 % del precio genera una caída de 0,584 %
en el volumen de ventas. En (5): Un aumento del precio en 1 peso genera una caída
del volumen de ventas en 53,1 litros.

5. (2 ptos) ¿Cómo puede interpretar el coeficiente de mes en (2)? Manteniéndose los

demás regresores inalterados, cada mes las ventas crecen en 22,7 %.

6. (2 ptos) Emplee algún indicador que conoce para seleccionar entre modelos. Indique
si hay modelos anidados y en caso afirmativo construya un test de restricciones
de exclusión para decidir entre ambos modelos. Empleando el R̄2 se tiene que
2 n−1 2 2 2 2
R̄(1) = 1− n−K
(1 − R(1) ) = −0.0494; R̄(2) = 0.8968; R̄(3) = 0.9807; R̄(4) = 0.9615;
2
R̄(5) = 0.9587. En términos de R cuadrado ajustado el modelo (3) es el elegido. El
modelo (1) se enceuntra anidado dentro de los modelos (2) y (3).

7. (2 ptos) Pruebe el ajuste global del modelo (2) mediante un test de hipótesis. El
test F de ajuste global tiene por dócima:

H0 : βlP P = βlP C = βmes = 0

HA : algún βi 6= 0.

El estádístico del test es:

R2 (n − K)
F(2) = = 32.888.
(1 − R2 )(K − 1)
La región de rechazo es:

RR = (F(3,8)0.95 , +∞) = (4.066, +∞).

Se rechaza la hipótesis nula. El modelo (2) es preferible a un modelo nulo con sólo
la constante.

6
8. (4 ptos) Utilizando el modelo (3) pruebe con un 5 % de confianza, si los efectos
sobre las ventas del precio de su producto y el de la competencia se compensan. El
test t de suma de dos coeficientes tiene por dócima:

H0 : βlP P + βlP C = 0

HA : βlP P + βlP C 6= 0.

El estádístico del test es:

β̂lP P + β̂lCC −0.58447 + 0.82997

T(3) = q =p = 0.04906138.
V̂ (β̂lP P + β̂lCC ) 0.053094736 + 26.1213119 + 2(−0.567518451)

La región de rechazo es:

RR = (−∞; t(8)0.025 ) ∪ (−t(8)0.025 , +∞) = (−∞; −2.306004) ∪ (2.306004, +∞).

No se puede rechazar la hipótesis nula. El efecto de precio de producto es igual con

signo cambiado al efecto del precio de la competencia.