UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE CIENCIAS ECONOMICAS

Curso: Econometría I
Profesora: Mg. Beatriz Castañeda S.

Práctica 3

1. En el modelo de regresión múltiple

; se Y i= β1 + β2 X 2i + β3 X 3 i + β 4 X 4 i +ui cumple que X2i =3X4i

Indique qué parámetros son estimables

a) Cuando no se dispone de información a priori sobre ningún coeficiente
b) Cuando se sabe que 4 = 2

2. Comente la siguiente proposición;

En el modelo de regresión múltiple log(Y i )=β 1+β 2 log( X i )+β 3 log( X 2i )+ui
existe multicolinealidad exacta porque la segunda variable es el cuadrado de la primera.
Este problema puede corregirse aplicando la transformación logarítmica y estimando la
ecuación

log(Y i )=β 1 + β 2 log( X i )+β 3 log( X 2i )+ui

3. La siguiente tabla proporciona información sobre los automóviles nuevos vendidos en USA
como función de diversas variables
a) Desarrolle un modelo lineal o log-lineal apropiado para estimar una función de
demanda de automóviles en Estados Unidos.
b) Si decide incluir todas las variables como regresoras en el modelo ¿esperaría
encontrar el problema de multicolinealidad? ¿porqué?
c) Si espera lo anterior ¿cómo resolvería el problema?. Plantee los supuestos claramente
y muestre todos los cálculos de manera explícita.

Y: Automóviles nuevos vendidos (miles)

X2: automóviles nuevos
X3: IPC, 1967=100
X4: Ingreso personal disponible (IPD) (miles de millones de dólares)
X5: Tasa de interés (porcentaje)
X6: fuerza laboral civil empleada (miles)

Año Y X2 X3 X4 X5 X6
1971 10227 112 121.3 776.8 4.89 79367
1972 10872 111 125.3 839.6 4.55 82153
1973 11350 111.1 133.1 949.8 7.38 85064
1974 8775 117.5 147.7 1038.4 8.61 86794
1975 8539 127.6 161.2 1142.8 6.16 85846
1976 9994 135.7 170.5 1252.6 5.22 88752
1977 11046 142.9 181.5 1379.3 5.5 92017
1978 11164 153.8 195.3 1551.2 7.78 96048
1979 10559 166 217.7 1729.3 10.25 98824
1980 8979 179.3 247 1918 11.28 99303
1981 8535 190.2 272.3 2127.6 13.73 100397
1982 7980 197.6 286.6 2261.4 11.2 99526
1983 9179 202.6 297.4 2428.1 8.69 100834
 1984 10394 208.5 307.6 2670.6 9.65 105005
1985 11039 215.2 318.5 2841.1 7.75 10750
1986 11450 224.4 323.4 3022.1 6.31 109597

4. Dada la función de consumo Keynesiana, en la que el consumo es función lineal de la renta

disponible, se pretende contrastar para datos referidos a una muestra de familias peruanas,
si el consumo autónomo difiere según la familia reside en las ciudades de Lima, Trujillo o
Arequipa.(unidades en cientos de S/.)

Famili Ciudad de Residencia Consumo Renta disponible

a
1 Lima 9 10
2 Lima 16 20
3 Lima 62 100
4 Lima 20 25
5 Lima 6.8 8
6 Trujillo 19 30
7 Trujillo 12 20
8 Trujillo 30 50
9 Trujillo 10 18
10 Arequipa 6 10
11 Arequipa 25 40
12 Arequipa 15 25
13 Arequipa 22 34

Por MCO obtenemos:

Dependent Variable: CONSUMO

Method: Least Squares
Date: 12/07/01 Time: 00:09
Sample: 1 13
Included observations: 13
Variable Coefficient Std. Error t-Statistic Prob.
C 0.794799 0.631800 1.257992 0.2401
RENTAD 0.594686 0.012637 47.06096 0.0000
LIMA 2.578428 0.713896 3.611772 0.0056
TRUJILLO -0.588044 0.749670 -0.784404 0.4530

R-squared 0.996094 Mean dependent var 19.44615

Adjusted R-squared 0.994792 S.D. dependent var 14.68063
S.E. of regression 1.059430 Akaike info criterion 3.200999
Sum squared resid 10.10153 Schwarz criterion 3.374830
Log likelihood -16.80650 F-statistic 765.0773
Durbin-Watson stat 3.212438 Prob(F-statistic) 0.000000

Matriz de covarianzas de los coeficientes estimados.

C RENTAD LIMA TRUJILLO
0.399172 -0.004351 -0.257319 -0.270808
-0.004351 0.000160 -0.000854 -0.000359
-0.257319 -0.000854 0.509647 0.282520
-0.270808 -0.000359 0.282520 0.562005
5
Series: Residuals
Sample 1 13
4 Observations 13

Mean 5.12E-16
3 Median -0.100481
Maximum 1.759616
Minimum -1.330718
2 Std. Dev. 0.917494
Skewness 0.370236
Kurtosis 2.102938
1
Jarque-Bera 0.732885
Probability 0.693196
0
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0

a) Interprete los resultados obtenidos, analice el incumplimiento de supuestos para las

perturbaciones del modelo. Contrastar si los consumos autónomos difieren
significativamente.
b) Se estimó un segundo modelo obteniéndose los siguientes resultados:

Dependent Variable: CONSUMO

Method: Least Squares
Date: 12/07/01 Time: 00:21
Sample: 1 13
Included observations: 13
Variable Coefficient Std. Error t-Statistic Prob.
C 0.511444 0.508275 1.006235 0.3380
RENTAD 0.594310 0.012382 47.99738 0.0000
LIMA 2.874039 0.594543 4.834033 0.0007
R-squared 0.995827 Mean dependent var 19.44615
Adjusted R-squared 0.994993 S.D. dependent var 14.68063
S.E. of regression 1.038852 Akaike info criterion 3.113283
Sum squared resid 10.79213 Schwarz criterion 3.243656
Log likelihood -17.23634 F-statistic 1193.212
Durbin-Watson stat 2.934236 Prob(F-statistic) 0.000000

6
Series: Residuals
Sample 1 13
5 Observations 13

4 Mean 1.81E-15
Median -0.328586
Maximum 1.756759
3
Minimum -1.339966
Std. Dev. 0.948338
2 Skewness 0.365802
Kurtosis 2.105622
1
Jarque-Bera 0.723210
Probability 0.696557
0
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0

Matriz de covarianzas para los coeficientes estimados

C RENTAD LIMA
0.258344 -0.004350 -0.116521
-0.004350 0.000153 -0.000648
-0.116521 -0.000648 0.353481
b1) Compare los resultados de este modelo con el modelo anterior. Interprete a los
coeficientes de este modelo.
b2) Obtenga una predicción puntual e interválica para el consumo de una familia residente en la
ciudad de Lima, cuya renta disponible es de S/. 3000 (RENTAD = 30).

5. Dado el modelo lineal general:

Yi = 1 + 2 x2i + 3 x3i + i Con i N(0,2)

Para el que se dispone de la información muestral siguiente:

10 8 11 6

Se pide:
(
X ´ X = 8 598 791 ; X ´ Y = 506
11 791 1128 632 ) ( ) ; Y ´ Y = 444

a) Obtener la estimación MCO del modelo. ¿hay problema de multicolinealidad?

Justifique.
b) Contrastar al nivel del 5% de significancia : H0 : 1 + 32 = 2 y 3 =1
c) Dados los valores postmuestrales X2 11 = 1; X3 11 = 1
c1) Obtener una predicción puntual e interválica para Y 11
c2) Verificar si puede aceptarse que exista permanencia estructural, al nivel de significancia
del 5%

6. En un muestreo de 100 grandes y medianas empresas de la industria química de un país

se ha obtenido la siguiente regresión referida al personal empleado en dicho sector:

E = 2.3 + 0.05 T – 2.4 C + 1.9 F + e

(S =0.037) (S =0.53) (S =0.61)
donde:
E = nº de empleado de una empresa (medido en cientos de personas)
T = 1 si la empresa incorpora los últimos adelantos tecnológicos y 0 en caso contrario.
C = 1 si existen empresas competidoras en un radio de 50 km y 0 en caso contrario.
F = 1 si hay una empresa complementaria (farmacéutica, por ejemplo) en un radio de 50
km y 0 en caso contrario.

a) Justifique si es verdadero o falso y, en caso de que lo sea corregirlo:

a1) Una empresa con tecnología de punta tiene, por término medio, cinco empleados más
que una que no está en la vanguardia de la innovación.
a2) Por cada empresa de la competencia existente en un radio de 50 km, una empresa de
la industria química contrata 240 trabajadores menos.
b) Dar una interpretación del coeficiente de F y analizar su significancia

7. El gerente de ventas de cierta empresa cree que la capacidad de ventas, entre otros
factores podría asociarse con la capacidad de razonamiento verbal de los vendedores, con
su interés vocacional y su nivel de instrucción. Para comprobar esto, se escogen al azar 10
vendedores de su personal y se les dan dos pruebas, una de capacidad de razonamiento
verbal y otra de interés vocacional. Los resultados se dan el cuadro, donde:

Y: ventas medias mensuales de un vendedor en miles de dólares

X2: Puntuación en la prueba de razonamiento verbal
X3: Puntuación en la prueba de interés vocacional
I: Nivel de instrucción (1 = Instrucción superior, 0 = sin instrucción Superior)

a) Plantee el modelo para evaluar el efecto diferencial de la instrucción en las ventas medias.
Proporcione la matriz (X´X), (X´Y).
b) Plantee el modelo para evaluar el efecto total de la instrucción en las ventas, considerando
el efecto interactivo en la puntuación de razonamiento verbal y en la puntuación de interés
vocacional. Proporcione las matrices (X´X), (X´Y).
Agent Y X2 X3 I
e
1 1 1 1 0
2 3 2 5 0
3 4 3 4 0
4 2 4 3 0
5 1 1 2 1
6 2 2 3 1
7 2 3 2 1
8 5 4 5 1
9 3 5 2 1
10 6 5 6 1
Media 2.9 3.0 3.3 0.6
S 1.66 1.49 1.64 0.516

c) Se estimó el siguiente modelo. Analice e interprete a los coeficientes del modelo e indique
la importancia relativa de las variables regresoras. Es válido hacer inferencia con el modelo
¿por qué?

Dependent Variable: Y
Method: Least Squares
Sample: 1 10
Included observations: 10
Variable Coefficient Std. Error t-Statistic Prob.
C -0.849928 0.593732 -1.431501 0.2022
I 0.257129 0.455372 0.564658 0.5928
X2 0.420735 0.177132 2.375255 0.0551
X3 0.707105 0.154547 4.575339 0.0038
R-squared 0.891747 Mean dependent var 2.900000
Adjusted R-squared 0.837620 S.D. dependent var 1.663330
S.E. of regression 0.670262 Akaike info criterion 2.326878
Sum squared resid 2.695505 Schwarz criterion 2.447912
Log likelihood -7.634388 F-statistic 16.47520
Durbin-Watson stat 2.628830 Prob(F-statistic) 0.002660

Matriz de covarianzas de los estimadores de los coeficientes

C 0.352518 -0.077843 -0.036804 -0.045598
I -0.077843 0.207363 -0.025079 0.008685
X2 -0.036804 -0.025079 0.031376 -0.012811
X3 -0.045598 0.008685 -0.012811 0.023885
2.5
Series: Residuals
Sample 1 10
2.0 Observations 10

Mean 4.83E-16
1.5 Median -0.004350
Maximum 0.759304
Minimum -0.954326
1.0 Std. Dev. 0.547266
Skewness -0.142098
Kurtosis 2.142203
0.5
Jarque-Bera 0.340243
Probability 0.843562
0.0
-1.0 -0.5 0.0 0.5 1.0