CII2752-ECONOMETRÍA

SOLEMNE 1
Profesora: Laura Ramaciotti Morales
1 de Octubre de 2018

INSTRUCCIONES:

• Respuestas ilegibles no serán corregidas.

• Los alumnos involucrados en copia serán calificados con nota 1, 0 en el
curso.

• No se permite el uso de calculadoras TI. Deben tener celulares apagados.

1 Estimación por Mínimos Cuadrados Ordinar-

ios
Considere los datos de la siguiente tabla, que ilustra la relación entre la variable
"Cientos de litros de vino producido en el valle del Maule en un día t" (Yt ) y
"Grados Co de Temperatura en un día t" (Xt ). Sabemos que bajo los 20 grados
Co existe una relación positiva entre la temperatura y la producción de vino en
el Valle del Maule.

1
 S1 - 1.png

S1 - 2.png

1. (1 punto) Explique por qué nunca podremos acceder, en este caso, a los
datos del universo.

RESPUESTA: Para acceder a los datos del universo, deberíamos

tener acceso a todos los días y sus correspondientes temperat-
uras en el valle del Maule. Dado que los días son infinitos ha-
cia el futuro, nunca los tendremos todos. La cantidad de días
disponibles que tenemos siempre es una muestra del total.
2. (2 puntos) Estime ˆ1 y ˆ2 con el método de MCO. Interprete los signos
de cada estimador y el intercepto de la Línea de Regresión Muestral.

RESPUESTA: Usando la fórmula se obtiene:

2
 ˆ1 = 0.01445
, lo que significa que el intercepto es negativo. Esto quiere decir
que a partir de cierta temperatura hacia arriba la producción de
vino comienza a ser mayor que cero.
ˆ2 = 0.7240976

, lo que quiere decir que, tal como dice el enunciado, existe una
relación positiva entre la temperatura y la producción de vino.
3. (1 punto) Haga un gráfico de cada uno de los puntos (X, Y ) y de la Línea
de Regresión Muestral.

RESPUESTA:

Eje 1.png

4. (2 puntos) ¿Cuál es la diferencia entre ˆ2 y 2 ? ¿Y entre ûi y ui ?

RESPUESTA: 2 es la relación que existe entre X e Y a nivel

de población. Es una característica de la población, mientras
que ˆ2 es la estimación que se hace de ese valor con los datos
disponibles en la muestra.

3
 ui es la diferencia que existe en la población entre la producción
de vino Yi y su valor esperado (dada la temperatura). Es decir,
el valor verdadero de producción de vino en un día t en relación
al promedio de producción para todos los días en que hacía la
misma temperatura. ûi es en cambio un valor que se crea una
vez que se construye la línea de regresión muestral, e indica la
diferencia entre el valor que se predijo de Ŷi y el valor realmente
obtenido Yi , dada la temperatura Xi .

2 Propiedades de los estimadores de MCO

Suponga los estimadores ˆ1 y ˆ2 obtenidos a través del método de MCO con
una Muestra Aleatoria Simple (MAS). Suponga que se cumplen los supuestos
del modelo clásico de regresión lineal. Además, se sabe que la varianza de los
estimadores es la siguiente:

P 2
X
V ar( ˆ1 ) = P i 2
n x2i

2
V ar( ˆ2 ) = P
x2i

1. (1 punto) Explique por qué las estimaciones puntuales de ˆ1 y ˆ2 no

necesariamente son iguales a 1 y 2 , respectivamente. Luego, comente
la frase "El estimador de un parámetro es una variable aleatoria, sin em-
bargo el parámetro es un valor fijo".

RESPUESTA: Cuando estimamos ˆ1 y ˆ2 a partir de una mues-

tra, los valores puntuales que obtengamos van a depender de la
muestra que tengamos a nuestra disposición. Por esto, es muy
poco probable que obtengamos justo un valor estimado igual a
los valores poblacionales.

La frase entre comillas se refiere a que el parámetro es un valor

que no es aleatorio, que describe la función poblacional y que
por lo general es desconocido. En cambio, el estimador de ese
parámetro es aleatorio, por cuanto depende de la muestra que
obtenemos y podría cambiar en cada estimación que hacemos.
También se puede decir que el estimador es una variable aleato-
ria porque es una funcion de las variables aleatorias X e Y .

4
2. (0.5 puntos) Explique qué significa cada expresión V ar( ˆ1 ) y V ar( ˆ2 ).

RESPUESTA: Se refiere a la varianza de cada estimador. Si tu-

viéramos muchas muestras y para cada una de ellas calculáramos
los estimadores V ar( ˆ1 ) y V ar( ˆ2 ), tendríamos muchos valores
para estos parámetros. Si hiciéramos un histograma de cada es-
timador, podríamos ver la distribución. Esta distribución tiene
una varianza, la cual viene dada por la fórmula descrita en el
enunciado.
3. (2 puntos) Explique cada uno de los elementos que conforman la varianza
de V ar( ˆ2 ) y cómo éstos influyen en la varianza de ˆ2 .(NOTA: Recuerde
que xi = Xi X)

RESPUESTA:
• 2
es la varianza del error para un nivel de X. Se refiere a
qué tan dispersos son los datos de Y dado un X cualquiera.
Mientras más dispersión de los Y se observe a cualquier
nivel de X, menos preciso va a ser el estimador de 2 (mayor
varianza).
P 2
• xi es la suma de todas las desviaciones de Xi respecto
de el promedio (X) al cuadrado. Es decir, una suma de qué
tanto varían los Xi (la expresión está al cuadrado para evitar
que las desviaciones positivas se anulen con las negativas).
Mientras mayor variación exista entre las Xi , menor será la
varianza del estimador de 2 , por lo que más precisa será la
estimación.
4. (0.5 puntos) Explique en qué consiste el teorema de Gauss Markov y qué
aseveración podríamos hacer respecto de V ar( ˆ1 ) y V ar( ˆ1 ) a partir de
este teorema.

RESPUESTA: El teorema de Gauss-Markov indica que, cuando

se cumplen los supuestos del modelo clásico de regresión lineal,
los estimadores ˆ1 y ˆ2 son MELI, es decir, Mejores Estimadores
Lineales Insesgados.
Esto significa que son insesgados (E( ˆ1 ) = 1 y E( ˆ2 ) = 2 ), y que
la varianza de ˆ1 y de ˆ2 es más chica que la que se obtendría
con cualquier otro método de estimación.
5. Para que se cumpla el teorema de Gauss Markov es clave que se cum-
plan los supuestos del modelo clásico de regresión lineal. En particular,
se le pide que explique con palabras e ilustraciones los siguientes supuestos:

(a) (0.5 puntos) Supuesto de linealidad en los parámetros

5
 RESPUESTA: La linealidad en los parámetros dice que es-
tamos suponiendo una relación lineal entre X e Y . Esto
significa que la relación entre ambas variables es constante,
y no depende de la magnitud ni de X ni de Y .
(b) (0.5 puntos) Supuesto de heteroscedasticidad

RESPUESTA: La heteroscedasticidad se refiere a la vari-

anza del error dado un valor de Xi . Para un nivel de Xi , los
valores de Yi son tales que su dispersión de 2 . Dicha disper-
sión es igual para todos los valores de Xi . Esto significa que
la varianza del error es igual para todas las observaciones.
O bien, que el componente aleatorio en el comportamiento
de cada observación es idéntico.

3 Interpretación de parámetros de MCO

A partir de las observaciones para 20 personas mayores de 18 años, elegidas
al azar en Chile, se obtuvieron los siguientes resultados de regresión, donde
Y =Ingreso mensual en cientos de miles de pesos (por ejemplo, Y = 1 significa
un ingreso de $100.000), y X = años de educación:

Ŷi = ˆ1 + ˆ2 Xi
Ŷi = 0.912 + 2.250Xi
r2 = 0.44
ee( ˆ2 ) = 0.096
1. (1 punto) De acuerdo a su intuición, ¿Qué signos esperaría a priori que
tuviesen ˆ1 y ˆ2 ? ¿Por qué?

Respecto de ˆ1 , se espera un signo positivo. Esto significa que

el intercepto de la recta es positivo, lo que significa que una
persona con cero años de educación tiene un nivel de ingresos
positivo. (NOTA: si un alumno dice otra respuesta, pero esta
tiene correcta la intuición, igual merece el puntaje)
Respecto de ˆ2 , esperamos un signo positivo, indicación de que
existe una relación positiva entre los años de escolaridad y el
ingreso mensual.
2. (2 puntos) Interprete cada uno de los estimadores de esta regresión, tanto
su signo como su valor numérico.

RESPUESTA:
ˆ1 = 0.912, significa que una persona con 0 años de educación
tiene un ingreso mensual de $91, 200.

6
 ˆ2 = 2.250, significa que si una persona aumenta su escolaridad
en un año adicional, su ingreso mensual aumenta en $225, 000.
3. (2 puntos) Interprete r2 con palabras.

RESPUESTA: r2 es un número que indica qué porcentaje de

la variación de Y viene explicada por la variacion en X. Así, en
este caso diríamos que el 44% de la variación de Y está explicada
por la variación de X, lo que significa que más de la mitad de la
variación en el ingreso se debe a otros elementos diferentes de
X.

4. (1 punto) ¿Por qué ee( ˆ2 ) nos da una medida de la precisión del esti-
mador ˆ2 ?

RESPUESTA: Porque ee( ˆ2 ) es una medida de la dispersión de

la distribución de ˆ2 . Mientras más dispersa sea la distribución,
menos preciso es el estimador de 2 .

4 Formulario
xi = Xi X
yi = Y i Y
Estimadores MCO en modelo de dos variables:
P
ˆ2 = Pyi xi
x2i

ˆ1 = Y ˆ2 X