Exámenes, Ejercicios, Prácticas Econometría II

ECONOMETRÍA LE
Ejercicios Recomendados
Exámenes de LE
cursos 2006/2007 a 2009/2010
Tareas del CC
Edición revisada
Febrero 2011
Queda terminantemente prohibida la reproducción no autorizada de esta recopilación, y la dis-
tribución no autorizada de copias de la misma, ası́ como cualquier otra infracción de los derechos
que sobre esta recopilación corresponden al departamento de Econometrı́a y Estadı́stica de la
Facultad de Ciencias Económicas y Empresariales de la UPV/EHU.
c
°UPV/EHU c
2000. Edición revisada °2011.
Autores:
Departamento de Economı́a Aplicada III
Índice
EJERCICIOS RECOMENDADOS 5
Tema 1. Mı́nimos Cuadrados Generalizados . . . . . . . . . . . . . . . . . . . . . . . 5
Tema 2. Heterocedasticidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
Tema 3. Autocorrelación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Tema 4. Regresores Estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Tema 5. Modelos Dinámicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
EXÁMENES de los cursos 2006/2007 a 2009/2010 61
PROBLEMA LE-2006. 1 (Jun-2006) 61
PROBLEMA LE-2006. 2 (Jun-2006) 63
PROBLEMA LE-2006. 3 (Sep-2006) 65
PROBLEMA LE-2006. 4 (Sep-2006) 67
PROBLEMA LE 2007. 1 (Jun-2007) 70
PROBLEMA LE 2007. 2 (Jun-2007) 73
PROBLEMA LE 2007. 3 (Sep-2007) 74
PROBLEMA LE 2007. 4 (Sep-2007) 76
PROBLEMA LE 2008. 1 (Jun-2008. Evaluación Continua.) 79
PROBLEMA LE 2008. 2 (Jun-2008. Evaluación No Continua. Prueba escrita.) 84
PROBLEMA LE 2008. 3 (Jun-2008. Evaluación No Continua. Prueba práctica.) 88
PROBLEMA LE 2008. 4 (Sep-2008. Prueba escrita.) 91
PROBLEMA LE 2008. 6 (Sep-2008. Prueba práctica.) 96
3
PROBLEMA LE 2009. 5 (Jun-2009. Evaluación No Continua. Prueba práctica.) 105
PROBLEMA LE 2009. 7 (Sep-2009. Prueba práctica.) 114
PROBLEMA LE 2010. 3 (Jun/Sep-2010. Evaluación No Continua. Prueba escrita.) 121
PROBLEMA LE 2010. 4 (Jun/Sep-2010. Evaluación No Continua. Prueba escrita.) 123
PROBLEMA LE 2010. 5 (Jun/Sep-2010. Evaluación No Continua. Prueba práctica.) 124
PROBLEMA LE 2010. 6 (Jun/Sep-2010. Evaluación No Continua. Prueba práctica.) 127
TAREAS del CC 129
TAREA 1 129
TAREA 2 130
TAREA 3 131
TAREA 4 133
TAREA 5 135
TAREA 6 136
TAREA 7 138
TAREA 8 139
TAREA 9 140
TAREA 10 141
TAREA 11 142
4
EJERCICIOS RECOMENDADOS
Tema 1. Mı́nimos Cuadrados Generalizados
PROBLEMA 1 (PV.G28)
Dos municipios vecinos, A y B, pretenden realizar un estudio sobre el comportamiento del

consumo en ambos municipios. Para ello, especifican las siguientes ecuaciones:
CtA = α1 RtA + α2 PtA + uA

t t = 1, .., T uA 2
t ∼ N ID(0, σA )
CtB = β1 RtB + β2 PtB + uB

t t = 1, .., T uB 2
t ∼ N ID(0, σB )
donde Ctj denota el consumo del municipio j en t, Rtj la renta media de las familias del municipio
j en t y Ptj la población del municipio j en t, donde j = A, B.
½
σAB si t = s
E(uA B
t , us ) =
0 en otro caso
Indica separadamente para cada uno de los siguientes casos, cómo contrastarı́as las siguientes
hipótesis nulas. Explica razonadamente en cada caso, el método de estimación que eliges, el
estadı́stico del contraste y los supuestos bajo los cuales el contraste es válido.
2 = 2, σ 2 = 2. Contrastar H : α + α = 0
1. Si σAB = 1, σA B 0 1 2
2 = 2, σ 2 = 1. Contrastar H : α = β
2. Si σAB = 0, σA B 0 2 2
PROBLEMA 2 (PV.E8)
Sea el modelo Yt = α + βXt + ut donde E(u2t ) = tXt2
1. Conociendo tres observaciones de Yt y Xt obtén por M.C.O. y en forma matricial, las

estimaciones de α y β del modelo anterior.
t 1 2 3
Yt 1 1 0
Xt 1 -1 1
2. Ahora ademas se conoce:
E(u1 u3 ) = E(u3 u1 ) = 1
E(u1 u2 ) = E(u2 u1 ) = E(u2 u3 ) = E(u3 u2 ) = 0
Dadas las observaciones de Yt e Xt y la información sobre E(ut us ), calcula la matriz de

varianzas y covarianzas del estimador M.C.O.
5
3. Dada la información anterior, ¿qué propiedades tiene el estimador Mı́nimo-Cuadrático
Ordinario?
4. ¿Conoces un estimador con mejores propiedades? ¿Cuál es? ¿Qué propiedades tiene? Es-
cribe su matriz de varianzas y covarianzas. (No la estimes, escribe solo su fórmula y dı́ que
son cada uno de sus elementos.)
5. Si en el modelo Yt = α + βXt + ut se cumple:

E(u2t ) = tXt2 y E(ut us ) = 0 ∀t, s t 6= s
Escribe el modelo transformado que corrija este problema y demuestra que sus perturba-
ciones tienen varianza constante.
6. Estima, por el método de M.C.O. y utilizando cálculo matricial, los parámetros del modelo
transformado.
PROBLEMA 3 (PV.E15)
Un investigador A quiere explicar los gastos de los estudiantes con el siguiente modelo:
(1) Yi = α + βXi + ui i : 1, . . . , N
siendo Yi : gastos del estudiante i
Xi : ingresos del estudiante i
En el modelo (1) se cumplen todas las hipótesis básicas, especialmente
E(ui ) = 0
V ar(ui ) = σu2 ∀i
E(ui us ) = 0 ∀i 6= s
Otro investigador B dice que es mejor agrupar los datos de cada clase, para simplificar los
cálculos, y estimar los parámetros con los datos agrupados. En total los alumnos están divididos
en 8 clases y el número de alumnos en cada clase es n1 , n2 , . . . , n8 . El investigador B utilizará por
tanto 8 observaciones de cada variable, cada una correspondiente a una clase:
Pnj Pnj
Yk Xk
Yj = k=1
nj Xj = k=1
nj j : 1, 2, . . . , 8
El modelo que plantea es el siguiente:
Y j = α + βX j + vj j : 1, 2, . . . , 8
1. ¿Cuáles son la media y varianza de la perturbación vj ?
2. Los dos investigadores desean estimar sus modelos por mı́nimos cuadrados. ¿Qué métodos
te parecen adecuados a cada caso? ¿Por qué?
3. ¿Cómo cambiarı́an tus conclusiones del apartado anterior si el número de alumnos fuera
el mismo en todas las clases?
6
PROBLEMA 4 (PV. E40)
Para analizar el efecto del stock de capital (K) sobre el valor añadido bruto por ocupado (VAB)
en la Comunidad Autónoma Vasca (CAV) se dispone de los siguientes datos:
t 1987 1988 1989 1990 1991 1992

VAB-PV 30 36 38 42 49 50
K-PV 60 60 61 62 65 66
Con ellos se trata de estimar la relación:
V ABP Vt = α1 + α2 KP Vt + ut donde ut ∼ N ID (0, σu2 )
1. Estima por MCO los parámetros del modelo y contrasta la significatividad de la variable
stock de capital.
Para la Comunidad Autonoma de Navarra se supone un modelo análogo:
V ABNt = β1 + β2 KNt + vt donde vt ∼ N ID (0, σv2 ) y t : 1987, . . . , 1992.

2. Si se sabe que E(ut vt ) 6= 0, ¿Cómo estimarı́as α2 y β2 teniendo en cuenta este hecho?
(Describe con detalle el modelo y el estimador que utilizarı́as).
3. Si E (ut vt ) = σuv , σu2 y σv2 fuesen conocidos, ¿Cómo estimarı́as α2 y β2 ? Comenta las
diferencias entre este estimador y el que utilizas en el apartado anterior.
PROBLEMA 5 (LADE 1997.1)
Considera el siguiente modelo de regresión general:

Yt = β1 + β2 X2t + β3 X3t + ut t = 1, . . . , 100
donde X2 y X3 son fijas y ut ∼ N ID(0, σt2 = a + bt2 ).
1. Supón que se sabe que a = 2b, siendo b un parámetro desconocido.

a) Obtener la matriz de varianzas y covarianzas de Y .
b) Indicar el método adecuado de estimación del modelo, razonando la respuesta.
2. Supón ahora que a = 0 y b es un parámetro desconocido. Se ha estimado el modelo por
mı́nimos cuadrados generalizados, obteniéndose las siguientes estimaciones:
   
2 3 −2 1
β̂M CG =  3  Vb (β̂M CG ) =  −2 4 0 
−1 1 0 3
Realiza los contrastes de las siguientes hipótesis:

a) β3 = 0
b) β3 = 0 y β1 + 2β2 = 5
7
Tema 2. Heterocedasticidad
PROBLEMA 6 (PV.E6)
Supongamos el modelo:
Yt = β1 + β2 X2t + β3 X3t + ut t = 1, 2, · · · , T
donde:
E(ut ) = 0 ∀t
1
E(u2t ) = 2 ∀t
X3t
E(ut , us ) = 0 ∀t 6= s
1. Escribe el modelo transformado en el que las perturbaciones sean homocedásticas. Busca

la distribución de estas perturbaciones transformadas.
2. En el caso de que T=4, escribe la matriz de regresores, X, del modelo transformado sa-
biendo que:
t 1 2 3 4
X2t 0 1 1 2
X3t 3 0.5 1 1
PROBLEMA 7 (PV.E20)
Sea el modelo
Yi = α + βXi + ui i = 1, . . . , N
con Var(ui )=Pi2 σ 2 .
Decide cuál de los siguientes modelos está correctamente transformado para corregir este pro-
blema de heterocedasticidad y explica por qué.
(1) Pi Yi = α + βPi Xi + Pi ui
Yi α Xi ui
(2) = +β +
Pi Pi Pi Pi
(3) Pi Yi = αPi + βPi Xi + Pi ui
Yi Xi ui
(4) =α+β +
Pi Pi Pi
8
PROBLEMA 8 (PV.E38)
El modelo de consumo:
Ct = β1 + β2 Rt + ut (1)
se ha estimado con datos anuales de la CAV desde 1965 hasta 1994. Se han realizado dos
estimaciones MCO por separado, con los diez primeros datos y con los diez últimos:
1965 − 1974 : Ĉt = 22699, 0 + 0, 336Rt

SCT1 = 9703500, 0 R12 = 0, 85
1985 − 1994 : Ĉt = 38767, 0 + 0, 6542Rt

SCT2 = 457036363, 0 R22 = 0, 78
1. Utiliza el contraste de Goldfeld y Quandt para comprobar la existencia de homocedastici-

dad entre los dos perı́odos.
2. Al estimar por MCO con todos los datos (1965-1994) se ha obtenido:
Ct = 35205, 0 + 0, 586Rt + ût R2 = 0, 82 (2)
y la regresión sobre Rt :
û2t û0 û
= 64519, 0 + 0, 52Rt + v̂t R2 = 0, 71 σ̂ 2 = SCR = 1500 (3)
σ̂ 2 30
Utiliza la información que te proporcionan estas dos últimas regresiones para contrastar
la misma hipótesis nula que en el apartado a).
3. Teniendo en cuenta lo obtenido en los apartados anteriores, ¿qué método de estimación

utilizarı́as para el modelo de consumo?, ¿Por qué?. Explı́calo detalladamente.
PROBLEMA 9 (LE 2000.2)
Sea el siguiente modelo:

Yi = β1 + β2 Xi + ui i = 1, . . . , N (4)
donde Xi es no estocástica, E(ui ) = 0, E(u2i ) = σ 2 [1 + 0, 5Xi ]2 ∀i y E(ui uj ) = 0 ∀i 6= j
1. Escribe la matriz de varianzas y covarianzas del vector de perturbaciones.
2. Escribe el modelo transformado correspondiente al estimador MCG y demuestra las pro-

piedades de la perturbación del modelo que propongas.
3. Explica cómo estimarı́as los parámetros del modelo transformado. ¿Qué propiedades tienen
tus estimadores?
4. Utilizando el estimador MCG y suponiendo normalidad de ui , explica cómo realizarı́as el

contraste Ho : β2 = 1. (No olvides explicar claramente qué son cada uno de los elementos
del estadı́stico de contraste.)
9
5. El estimador MCO de los parámetros de la ecuación (4) es ineficiente. Muestra cómo
utilizarı́as este estimador para contrastar la Ho : β2 = 1 de forma tal que tu contraste sea
válido. (No olvides explicar claramente qué son cada uno de los elementos del estadı́stico
de contraste.)
6. ¿Son ambos contrastes equivalentes o preferirı́as alguno de los dos? Razona tú respuesta.
Una entidad comercial en proceso de expansión desea realizar un estudio sobre la relación entre
el sector industrial y el número de oficinas por provincia. Para ello dispone de una muestra de 50
observaciones de las variables S (número de sucursales por provincia) y L (número de licencias
comerciales, indicador de la importancia del sector comercial). Su gabinete de estudios estima
por MCO la siguiente ecuación:
Si = β1 + β2 Li + ui (5)
Los resultados de dicha estimación con las 50 observaciones son:
Ŝi = 22, 2 + 0, 5 Li , R2 = 0, 3 (6)

(t − ratio) (3, 9) (5, 05)
La representación gráfica de la variable endógena Si y de los residuos MCO del ajuste (6) sobre
la variable explicativa Li es la siguiente:
Variables del modelo Residuos MCO
a) El responsable del gabinete de estudios se muestra insatisfecho con estos resultados. ¿Qué pro-
blemas crees que reflejan los gráficos anteriores?
El mismo responsable propone dos posibles vı́as para mejorar la estimación. La primera consiste
en estimar por MCO la siguiente ecuación:
S 1 p ui
√i = β1 √ + β2 Li + √ (7)
Li Li Li
10
b) ¿Cuál es la hipótesis básica que se debe incumplir en el modelo (5) para utilizar el modelo
(7)? ¿Cuál es la solución que está proponiendo? ¿En qué espera mejorar respecto a la
estimación MCO primera (6)?
c) A la vista de la representación gráfica de la variable √SLi y de los residuos del ajuste MCO
√ i
del modelo (7) sobre Li , ¿crees que está resolviendo correctamente el problema?
La segunda posibilidad es que la relación entre Si y Li no sea lineal, sino exponencial

Si = exp{γ1 + γ2 Li + vi }, por lo que se estima por MCO el siguiente modelo:
ln S i = γ1 + γ2 Li + vi (8)
dando lugar a los siguientes resultados para toda la muestra de 50 observaciones:

d
ln Si = 3, 31 + 0, 02 Li , R2 = 0, 33 SCR = 10, 54 (9)
(t − ratio) (31, 0) (5, 3)
v̂i2
= 0, 053 + 0, 017 Li + êi , R2 = 0, 014 SCR = 89, 72 (10)
0, 21 (0, 09) (1, 6)
Además, tras ordenar la muestra en función de los valores de la variable L, se han estimado dos
regresiones (8) con las primeras y últimas 12 observaciones. Las sumas de cuadrados de residuos
obtenidas son SCR1 = 0, 77 y SCR2 = 0,992 respectivamente.
d) ¿Crees que el modelo (8) presenta el mismo problema de incumplimiento de hipótesis que
el modelo (5)? Justifica tu respuesta mediante un contraste. Explica detalladamente lo que
haces y por qué lo haces.
e) ¿Alguna de las dos soluciones propuestas te parece mejor que la otra? Razona tu respuesta.
PROBLEMA 11 (LADE 2001.1) Para modelizar la relación entre consumo familiar (Y ) y

renta del cabeza de familia (X) se propone la siguiente ecuación:
Yi = α + βXi + ui (11)
11
donde se supone que ui tiene distribución normal y se conocen los datos de 10 familias:
i 1 2 3 4 5 6 7 8 9 10 Suma
Y 8 91 191 22 55 32 81 176 138 31 825
X 4 49 100 9 25 16 36 81 64 16 400
Se ha estimado por MCO obteniendo:

µ ¶ µ P ¶−1 µ P ¶ µ ¶−1 µ ¶ µ ¶
α̂
= PN P X2i P Yi =
10 400 825
=
2, 5
β̂ Xi Xi Xi Yi 400 25588 52176 2
Además, se ha realizado la regresión auxiliar:
û2i X
= −0, 245 + 0, 0311Xi + ŵi ŵi2 = 1, 1473 R2 = 0, 89 (12)
48, 65
donde ûi son los residuos MCO del modelo (11).
a) Usa algún método gráfico para ver si existen indicios de heterocedasticidad. Comenta los
resultados.
b) Contrasta la existencia de heterocedasticidad causada por la variable Xi mediante el es-

tadı́stico de Breusch-Pagan. Plantea claramente la hipótesis nula, la alternativa, el es-
tadı́stico de contraste y su distribución. Comenta la fiabilidad del contraste anterior
para este caso concreto.
c) Estima el modelo (11) por MCG suponiendo que V ar(ui ) = σi2 = σ 2 Xi
d) ¿Es la variable renta del cabeza de familia, X, relevante para explicar el consumo familiar,
Y?
12
Con una muestra de 15 paı́ses se desea estimar el efecto que un aumento en las cotizaciones de
la Seguridad Social tendrı́a sobre la parte de las cotizaciones a cargo de los trabajadores. La
información, correspondiente al año 1982, de las cotizaciones a la Seguridad Social (CSS) y la
parte correspondiente a los trabajadores (CSST), en ambos casos como porcentaje del total de
ingresos fiscales se presenta en las dos primeras columnas de la siguiente tabla:
CSS CSST û
Austria 31,9 13,5
Bélgica 29,8 10,1 -0,08327
Dinamarca 2,8 1,5 -2,97434
Francia 43,2 11,5
Alemania 36,2 16,1
Irlanda 15,0 5,4 -1,65393
Italia 47,2 7,1
Japón 30,4 10,7 0,38986
Luxemburgo 28,0 11,2 1,39732
Paı́ses Bajos 41,6 18,0
Portugal 28,5 10,8 0,89160
España 46,5 10,3
Suiza 31,0 10,2 -0,23700
Reino Unido 16,9 7,6 0,14433
EE.UU. 27,7 10,8 1,06076
Consideramos el siguiente modelo:
CSSTi = β1 + β2 CSSi + ui i = 1, . . . , 15
Los resultados de la estimación del modelo anterior por MCO con la muestra de los 15 paı́ses
son los siguientes:
d i
CSST = 3, 8823 + 0, 211442 CSSi (13)
(t − estad.) (1, 69) (3, 01)
R̄2 = 0, 365 SCR = 132, 7767
1. Fijate en la tabla, en la tercera columna se muestran los residuos MCO, ûi . Indica la
forma general de obtener ûi . A continuación completa los que faltan en la misma tabla y
en el siguiente gráfico:
2. Una vez completado el gráfico comenta si crees que puede existir algún problema razonando
tu respuesta.
3. Con la siguiente información lleva a cabo el contraste de Goldfeld y Quandt. Debes de

completar la información que falta y señalar claramente todos los elementos del contraste
incluidas la hipótesis nula y la alternativa.
13
Primera submuestra
d i = 0, 463351 + 0, 374431CSSi
CSST (14)
CSSTi 1,5
CSSi 2,8
û1 -0,011759 0,808758 0,25257

Segunda submuestra
d i = 28, 9928 − 0, 395203CSSi
CSST (15)
CSSTi 13,5
CSSi 31,9
û2 1,413507 -0,420075 -3,239264
14
4. Dada la evidencia obtenida en los apartados anteriores y con la siguiente información,
estima eficientemente los coeficientes del modelo. Explica cómo se obtiene este estimador
y qué supuestos se están haciendo para que este estimador sea eficiente.
CSSTi /CSSi 1/CSSi Constantei = 1

CSSTi /CSSi 2,12814 0,3672255 5,47296
1/CSSi 0,1463262 0,8374455
Constantei = 1 15
P
donde por ejemplo CSSTi /CSSi = 5, 47296.
5. Con el estimador que has propuesto en el apartado anterior contrasta la hipótesis nula
de que un aumento en las cotizaciones de la Seguridad Social recaerı́a totalmente sobre
los trabajadores, esto es Ho : β2 = 1. Indica todos los supuestos necesarios para que sea
válido el contraste.
En el modelo
Yt = β1 + β2 X2t + β3 X3t + ut t = 1, . . . , T
donde
X2t y X3t son variables fijas
E(ut ) = 0 ∀t
E(u2t ) = σt2 t = 1, . . . , T
E(ut us ) = 0 ∀t, s t 6= s
1. Si σt2 no es conocida: Escribe el estadı́stico y todos sus elementos ası́ como la regla de
decisión para realizar el contraste H0 : β2 = 0 basándote en el estimador MCO de β2 .
2. Si σt2 = σ 2 X12 Explica cómo obtendrı́as el estimador de β1 , β2 , β3 lineal, insesgado y efi-

3t
ciente. Razona tu respuesta.
Considera el siguiente modelo de regresión:
Yi = β1 + β2 Xi + ui i = 1, . . . , N
donde Xi es no estocástica, ui ∼ N (0, σi2 ), E(ui uj ) = 0 para i 6= j y σi2 es una función creciente
con Xi .
a) ¿Qué problema existe en el modelo anterior? ¿Cómo podrı́a detectarse? Explica en detalle
el contraste que propones.
15
b) ¿Qué consecuencias tiene en P los contrastes de hipótesis sobre β1 y β2 utilizar en los es-
û2
tadı́sticos t o F el estimador Ni−2i (X 0 X)−1 ? Razona tu respuesta.
Se dispone de una muestra de 800 observaciones con la siguiente información:

P P 2
P 1 P 1
i Xi = 330 i Xi = 144 i Xi = 2058 i Xi2 = 5683
P 1 P P 2
i Xi = 1273 i Yi = 2672 i Yi = 9576
√
P P Yi P Yi P
√Yi
i Xi Yi = 1108 i Xi = 6835 i Xi2 = 18755 i Xi
= 4239
P 2
P 2 2 P 2
i ûi = 660 i ûi Xi = 160 i ûi Xi = 309
donde ûi = Yi − β̂1 − β̂2 Xi son los residuos resultantes de estimar los parámetros β1 y β2
por mı́nimos cuadrados ordinarios.
c) Obtener las estimaciones de β1 y β2 por MCO.
d) Si se ha utilizado el estimador de White, ¿cómo se ha obtenido la siguiente estimación de

la matriz de varianzas y covarianzas del estimador MCO de β1 y β2 ? Indica explı́citamente
todos los pasos que se han realizado hasta llegar a este resultado.
· ¸
0, 04 −0, 11
V ard
W HIT E (β̂M CO ) =
−0, 11 0, 28
e) Utilizando las estimaciones obtenidas en el apartado c) y d), contrasta H0 : β2 = 0 frente

a Ha : β2 6= 0.
f) Suponiendo que σi2 = 4Xi2 , ¿cómo obtendrı́as un estimador eficiente de β1 y β2 ? Explica

en detalle el procedimiento de estimación.
g) Calcula las estimaciones de β1 y β2 con el estimador eficiente y su matriz de varianzas y

covarianzas.
h) Contrasta H0 : β2 = 0 frente a Ha : β2 6= 0 utilizando el estimador eficiente de β2 .
i) ¿Podrı́an dar conclusiones distintas los contrastes realizados en d) y g)? ¿Por qué?
16
Se dispone de una base de datos sobre el precio de venta y distintas caracterı́sticas de 224
viviendas pertenecientes a dos áreas residenciales del condado de Orange en California (USA),
Dove Canyon y Coto de Caza 1 . Dove Canyon es una zona de viviendas relativamente pequeñas
construidas alrededor de un campo de golf. Coto de Caza es un área de mayor nivel de vida
aunque más rural con viviendas más grandes. Las variables que se consideran son
salepric = precio de venta de la vivienda en miles de dólares

sqft = tama~
no de la vivienda en pies cuadrados
age = edad de la vivienda en a~nos
city = 1 si está en Coto de Caza, 0 si está en Dove Canyon
A continuación se muestran los resultados de la estimación por Mı́nimos Cuadrados Ordinarios

(MCO) de un modelo para el precio de venta de la vivienda utilizando esa base de datos:
RESULTADOS A Variable dependiente: salepric
VARIABLE COEFICIENTE DESV.TÍP. ESTAD.T

const -440,312 35,3203 -12,466
sqft 0,252069 0,00815634 30,905
age 3,69805 3,02416 1,223
city 91,8038 21,7494 4,221
Media de la var. dependiente = 642,929

D.T. de la var. dependiente = 371,376
Suma de cuadrados de los residuos (SCR_A) = 4,27804e+006
R-cuadrado = 0,860905
R-cuadrado corregido = 0,859008
Estadı́stico F (3, 220) = 453,884
a) Escribe el modelo teórico que se ha estimado y comenta los resultados obtenidos en térmi-
nos de bondad de ajuste, significatividad y signos de los coeficientes estimados.
b) Analiza de forma razonada la información que te proporcionan los siguientes gráficos y la

regresión auxiliar. Si realizas algún contraste, indica todos los elementos del mismo. ¿Cuál
de los gráficos es más informativo y por qué?
d
ûi 2
= − 5, 94184 + 0, 00172457 sqfti
SCRA /224 (-10,387) (12,727)
2
N = 224 R = 0, 421826 SCR = 1478, 52
1
Fuente: Ramanathan, Ramu (2002) Introductory econometrics with applications. Fichero data7-24.gdt.
17
Figura 1: Gráfico de residuos MCO sobre la variable sqft
Residuos de la regresión (= salepric observada − ajustada)
800
600
400
200
residuo
−200
−400
−600
−800
0 50 100 150 200
index
Figura 2: Gráfico de residuos MCO sobre la variable sqft

Residuos de la regresión (= salepric observada − ajustada)
800
600
400
200
residuo
−200
−400
−600
−800
3000 4000 5000 6000 7000 8000 9000 10000 11000
sqft
A continuación se muestran los resultados de la estimación por MCO utilizando un esti-

mador de la matriz de varianzas y covarianzas de los coeficientes consistente aunque exista
heterocedasticidad.
18
RESULTADOS B Variable dependiente: salepric

const -440,312 110,631 -3,980
sqft 0,252069 0,0279076 9,032
age 3,69805 5,15553 0,717
city 91,8038 26,3404 3,485

Suma de cuadrados de los residuos = 4,27804e+006
c) ¿En que varı́an los resultados mostrados ahora (RESULTADOS B) con los primeros (RE-
SULTADOS A)? ¿Por qué? ¿Cuáles son fiables y para qué? Explica razonadamente.
Por último se muestran los resultados de la estimación por Mı́nimos Cuadrados Generali-
zados o Ponderados utilizando como variable de ponderación el inverso del cuadrado del
tamaño de la vivienda esto es, sqf1 t2 .
RESULTADOS C Estimaciones MC.Ponderados utilizando las 224

observaciones 1-224
Variable utilizada como ponderación: 1/sqft^2
Variable dependiente: salepric

const -285,205 37,2121 -7,664
sqft 0,215569 0,00959143 22,475
age -0,549288 2,28001 -0,241
city 110,780 15,6896 7,061
Estadı́sticos basados en los datos ponderados:

Suma de cuadrados de los residuos = 0,150742
Desviación tı́pica de los residuos = 0,0261762
Estadı́stico F (3, 220) = 291,177
Estadı́sticos basados en los datos originales:

Suma de cuadrados de los residuos = 4,73514e+006
d) ¿Qué se quiere decir con datos ponderados y datos originales? ¿Por qué se utiliza como
variable de ponderación el inverso de sqf t2 ? Explica razonadamente.
19
e) ¿Qué resultados de los tres A,B, ó C te parecen mejores? ¿Por qué?
Se desea analizar la siguiente la relación entre los gastos agregados en sanidad, Yi y la renta
agregada, Xi , ambos en billones de dólares, para 51 estados norteamericanos2 :
Yi = β1 + β2 Xi + ui (16)
Los resultados de la estimación por Mı́nimos Cuadrados Ordinarios son los siguientes:
Ŷi = 0, 3256 + 0, 1420 Xi R2 = 0, 999 (17)
d β̂i ))
(desv( (0,3197) (0,0019)
d β̂i )W hite )
(desv( (0, 2577) (0, 0031)
û2i
û0 û
= 0, 113 + 0, 008Xi + ²̂i R2 = 0, 3269 SCE = 55, 89 (18)
T
Posteriormente, se dibujan los residuos frente a la renta agregada (Figura 3).
Figura 3: Residuos MCO frenta a la Renta (16)
1
residuo
-1
-2
-3
-4
-5
0 100 200 300 400 500 600 700
Renta
1. Explica cómo crees que se han calculado los residuos y para qué crees que se ha dibujado
la Figura 3. Interprétala.
2
Ramanathan, R. (2002), Introductory econometrics with applications, fichero data3-2.gdt.
20
2. Teniendo en cuenta la Figura 3 realiza el contraste que consideres oportuno.
3. Explica, razonando tu respuesta, qué estadı́stico utilizarı́as para contrastar la significati-

vidad de la variable renta. Realiza el contraste detallando todos sus elementos.
4. A la vista de los resultados de la estimación del modelo (16) el investigador estima de

nuevo el modelo suponiendo la siguiente estructura para la varianza de la perturbación:
V ar(ui ) = σ 2 Xi . Se obtienen los siguientes resultados:
Modelo 2: estimaciones M C.Ponderados

utilizando las 51 observaciones 1-51 Variable dependiente: Gasto
Variable utilizada como ponderación: 1/renta
VARIABLE COEFICIENTE DESV.TÍP. ESTAD.T 2Prob(t > |T|)

const 0,104510 0,162476 0,643 0,523069
renta 0,144202 0,00259765 55,513 < 0,00001 ***
Suma de cuadrados de los residuos = 1,14534 R-cuadrado = 0,984348
Desviación tı́pica de los residuos = 0,152887 R-cuadrado corregido = 0,984029
4.a) Razona la forma funcional escogida para la varianza de la perturbación. Explica cómo
crees que se han obtenido las estimaciones.
4.b) Suponiendo normalidad en la perturbación, contrasta la significatividad de la variable

renta.
5. El investigador no se siente conforme con la forma funcional escogida para V ar(ui ) y se

propone reestimar el modelo (16) suponiendo que V ar(ui ) = a + bXi , donde a y b son
desconocidos.
5.a) Explica detalladamente cómo estimarı́as los coeficientes del modelo (16) bajo este
supuesto.
5.b) Suponiendo σ̂i2 = â + b̂Xi . Realiza dicha estimación con la siguiente información
muestral:
P 2 P 2 P P
P ûi = 148, 699 P ûi X i = 34945, 67 P(X i /σ̂i )2 = 196420, 998
P(Xi /σ̂i 2 ) = 1608, 337
(1/σ̂i )2 = 34, 738 (Yi /σ̂i 2 ) = 236, 139 (Yi Xi /σ̂i 2 ) = 28484, 578 (Yi2 /σ̂i 2 ) = 4168, 919
5.c) Contrasta la significatividad de la variable explicativa.
6. ¿Qué comentarı́as sobre la validez de los contrastes realizados en los apartados 3), 4.b) y
5.c)?
21
En el modelo
Yi = β1 + β2 Xi + ui ui ∼ N ID(0, σi2 ) (19)
donde σi2 = a + bXi2 .
1. Obtén la estimación por Mı́nimos Cuadrados Generalizados Factibles utilizando la siguien-

te información muestral donde σ̂i2 = â + b̂Xi2 es un estimador consistente de la varianza
de ui :
P 2 P 2 P P
P ûi = 148, 699 P ûi Xi = 34945, 67 P(Xi /σ̂i )2 = 196420, 99 P(Xi /σ̂i 2 ) = 1608, 34
(1/σ̂i )2 = 34, 74 (Yi /σ̂i 2 ) = 236, 14 (Yi Xi /σ̂i 2 ) = 28484, 58 (Yi2 /σ̂i 2 ) = 4168, 92
2. Explica qué ventajas presenta este estimador frente al de Mı́nimos Cuadrados Ordinarios.
Razona tu respuesta.
3. Contrasta la significatividad de la variable explicativa. Explica todos los elementos del

contraste.
Se dispone de datos anuales del consumo (Ct ) y renta (Rt ) de USA desde 1950 hasta 1985. Para
analizar la proporción de renta que se dedica al consumo se propone el modelo Ct = α+βRt +ut ,
donde ut sigue una distribución normal. Al estimar el modelo por MCO se obtienen los siguientes
resultados:
b t = 11, 374 + 0, 898 Rt
C
(1,181) (153,603)
P 2
T = 36 R̄2 = 0, 998 ût = 12044, 2
(entre paréntesis, los estadı́sticos t)
1. Para analizar si se ha mantenido constante la dispersión de las perturbaciones a lo largo

del tiempo se han realizado dos regresiones :
X
b t = 6, 719 + 0, 909Rt
C û2t = 405, 369 t = 1950, ..., 1963
X
b t = −187, 162 + 0, 99Rt
C û2t = 3709, 55 t = 1972, ..., 1985
Utiliza estos resultados para contrastar si las perturbaciones del modelo considerado han
mantenido constante su dispersión. Explica claramente todos los pasos del contraste.
22
2. Asimismo, se desea contrastar la posibilidad de que la dispersión de las perturbaciones
dependa de Rt . Utiliza una de las siguientes regresiones para realizar dicho contraste.
Explica claramente todos los elementos del contraste realizado.
û2t P
(1) = 1, 345 + 0, 345Rt + 0, 581Ct + ŵt ; R2 = 0, 890; ŵt2 = 4, 515
334, 561
P
(2) ût = 7, 205 + 0, 014Rt + 0, 546ût−1 + ŵt ; R2 = 0, 329; ŵt2 = 19, 455
P
(3) û2t = −3, 305 + 0, 953Rt + ŵt ; R2 = 0, 129; ŵt2 = 9, 315
û2t P
(4) = −1, 272 + 0, 001Rt + ŵt ; R2 = 0, 189; ŵt2 = 94, 651
334, 561
3. Teniendo en cuenta que la renta ha mantenido una tendencia creciente durante los años
considerados en la muestra y los resultados obtenidos en los dos apartados anteriores, di-
buja en un gráfico el comportamiento que esperas que tengan los residuos MCO frente a Rt .
4. Suponiendo que V ar(ut ) = σ 2 Rt4 explica detalladamente cómo estimarı́as de la mejor for-
ma posible los parámetros α y β. Razona qué propiedades tiene el estimador propuesto.
5. Supón ahora que V ar(ut ) = γ0 + γ1 Rt , donde γ0 y γ1 son constantes desconocidas. Explica

detalladamente cómo contrastarı́as la hipótesis de que de cada dolar en que se incrementa
la renta se espera que 90 céntimos se dediquen al consumo.
Se propone el siguiente modelo de regresión para estudiar el efecto de los gastos en publicidad,
Xi , en los ingresos, Yi , de los restaurantes de una determinada ciudad:
Yi = α + βXi + ui ui ∼ N ID(0, σu2 ) (20)
De una muestra de 166 restaurantes, se dispone del promedio de los ingresos (en miles de euros)
y del gasto en publicidad mensual (en cientos de euros) de los restaurantes agrupados según al
barrio al que pertenecen.
Barrio 1 2 3 4 5 6 7
Yj 10 12 14 18 17 18 20
Xj 3 5 9 12 15 17 19
nj 9 4 36 16 81 4 16
23
P P
donde X j = n1j i∈Bj Xi , Y j = 1
nj i∈Bj Yi y nj indica el número de restaurantes en el barrio
Bj , j = 1, 2, . . . , 7.
Además, se dispone de la siguiente información:

7
X 7
X 7
X 7
X 7
X
√ √ √ 2 √ 2 √
nj X j = 366; nj Y j = 479; nj X j = 5186; nj Y j = 7909; nj X j Y j = 6257
j=1 j=1 j=1 j=1 j=1
7 7 7 2 7 2 7
X Xj X Yj X Xj X Y j
X XjY j
= 8, 21; = 11, 59; = 116, 09; = 182, 37; = 138, 73
nj nj nj nj nj
j=1 j=1 j=1 j=1 j=1
7
X 7
X 7
X 7
X 7
X
2 2
nj X j = 2150; nj Y j = 2699; nj X j = 30558; nj Y j = 44821; nj X j Y j = 36461
j=1 j=1 j=1 j=1 j=1
1. Dado que sólo tienes la información de los promedios, ¿en qué modelo podrı́as estimar los
parámetros α y β? Indica la propiedades de las perturbaciones de dicho modelo.
2. Estima eficientemente los parámetros del modelo y describe en detalle el estimador utili-
zado y sus propiedades.
3. Contrasta si el gasto en publicidad tiene un efecto marginal positivo sobre los ingresos.
4. Sin hacer los cálculos, ¿cómo estimarı́as el modelo que has propuesto en el apartado 1
si la varianza de las perturbaciones del modelo original (20) aumenta con los gastos en
publicidad tal que Var(ui ) = σu2 Xi ?
Para analizar el precio de las viviendas (en miles de dólares) de San Diego en 1990 (Yi ) en
función del área de la vivienda (pies al cuadrado) (Ai ) y el número de habitaciones (Hi ), se
dispone de una muestra de 14 viviendas Se especifica el siguiente modelo de regresión lineal:
Yi = β1 + β2 Ai + β3 Hi + ui i = 1, . . . , 14
Se ha estimado el modelo por MCO, obteniéndose:
Ŷi = 146,730 + 0,138 Ai − 25,957 Hi R2 = 0,7749 SCR = 21000,44

d
(desv) (89,564) (0,024) (27,527)
Las regresiones auxiliares:
û2i
= −2,106 + 0,002Ai + ω̂i R2 = 0,3727 SCR = 19,294
1500,03
24
x
500
x x
50
Residuos MCO
x x
x x x x
Precio
x
300
x xx x
0
x x
x
x
x x xx xx
x x
−50
0 100
0 500 1500 2500 1000 1500 2000 2500 3000
Area Area
û2i
= −0,150 + 0,001Ai + ω̂i R2 = 0,3727 SCR = 0,098
21000,44
y los gráficos:
a) Interpreta β̂2 .
b) ¿Hay evidencia de incumplimiento de alguna hipótesis básica sobre la perturbación? Básate

en los gráficos y la información proporcionada en las regresiones auxiliares.
c) ¿Qué puedes decir sobre la fiabilidad de las desviaciones estimadas mostradas?
d) Supón que V (ui ) = σ 2 Ai y el resultado de la estimación del modelo por MCG es:
Ŷi = 104,029 + 0,141 Ai − 15,625 Hi

(estad. t) (1,414) (6,000) (−0,634)
Detalla cómo se ha obtenido β̃M CG .
e) ¿Es la variable explicativa área de la vivienda significativa? ¿Y el número de habitaciones?

Haz los contrastes, detallando sus elementos. (Supuesto: ui ∼ N )
25
Tema 3. Autocorrelación
PROBLEMA 21 (PV.E44)
En la siguiente tabla se recogen los datos de salarios (Y ) y horas trabajadas (X) para los
empleados de una empresa. Además se conoce si el empleado es hombre (H) o mujer (M ):
P 2 P
Y 170 180 165 165 105 95 100 90 P Yi = 153900 P Yi 2= 1070
X 40 50 30 40 50 35 40 35 P Xi = 320 Xi = 13150
Sexo H H H H M M M M Xi Yi = 43075
Para explicar los salarios de los trabajadores de la empresa, un investigador propone el siguiente
modelo: Yi = α + βXi + ui donde ui ∼ N ID(0, σu2 )
1. Estima por MCO los parámetros del modelo y contrasta la significatividad de la variable
X.
2. ¿Hay evidencia de autocorrelación de tipo AR(1) en las perturbaciones del modelo?
3. Otro investigador piensa que el sexo es una variable relevante para la determinación del
salario. Propón y estima un modelo que tenga en cuenta esta hipótesis y contrástala.
4. Teniendo en cuenta que en este modelo el estadı́stico de Durbin y Watson toma el valor
d = 2, 2 ¿hay evidencia de autocorrelación de tipo AR(1) en las perturbaciones de este
modelo? ¿Cómo se relaciona este resultado con lo obtenido en el apartado b)?
5. ¿Es la variable X significativa?, ¿cómo se explica este resultado teniendo en cuenta lo

encontrado en el apartado a)?
Se analiza la relación entre las ventas de un producto, (Y ) y su precio, (X) para lo cual se ha
especificado el siguiente modelo:
Yt = α + β Xt + ut (21)
Disponemos de los siguientes datos:
t 1 2 3 4 5 6
Y 27 32 25 31 30 32
X 9 12 8 10 12 11
û -0,5 0 -1 2 -2 1,5
û = Y − X β̂M CO β̂M CO = (X 0 X)−1 X 0 Y
26
1. ¿Hay evidencia de autocorrelación de primer orden en el modelo (21)? Básate en algún
estadı́stico de contraste.
Se ha estimado el siguiente modelo:
Yt − ρ∗ Yt−1 = α(1 − ρ∗ ) + β(Xt − ρ∗ Xt−1 ) + εt εt ∼ N (0, σε2 ) (22)
para distintos valores de ρ∗ obteniendo las siguientes Sumas de Cuadrados Residuales (SCR):
ρ∗ 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0

SCR 34,2 30,9 27,8 24,9 22,2 19,6 17,2 15,1 13,0 11,1
ρ∗ -0,1 -0,2 -0,3 -0,4 -0,5 -0,6 -0,7 -0,8 -0,9 -0,99
SCR 9,4 7,8 6,5 5,3 4,2 3,3 2,6 2,1 1,7 2,1
2. Dada la información anterior, calcula las estimaciones de ρ, α y β por el método de

Hildreth-Lu.
3. ¿Cúales son las propiedades de los estimadores del apartado anterior?
Sea el modelo Yt = α + βXt + ut con ut = ρut−1 + εt εt ∼ N ID(0, σε2 ) Con los siguientes
datos:
Yt 3 3 4 3 2 2
Xt 1 2 3 4 5 6
a) Sabiendo que el valor poblacional de ρ es 0,7, estima los parámetros α y β por el método
de Mı́nimos Cuadrados Generalizados (MCG). Muestra explı́citamente los cálculos.
b) Contrasta al nivel de significación del 5 % la H0 : β = 1.
c) Suponiendo que tu tamaño muestral es suficientemente grande, ¿cómo estimarı́as si el valor

poblacional de ρ fuera desconocido? Explica detalladamente todo el proceso.
Una empresa ha encargado a dos técnicos, (técnico A y técnico B), el análisis de la relación entre
los ingresos de la empresa, Y (medidos en miles de millones de pesetas), el precio de la gasolina,
X (en pesetas/litro), y el precio del transporte público, Z (en pesetas). Para ello disponen de
27
90 observaciones.
El técnico A estima por MCO y obtiene los siguientes resultados:
Ŷt = 12 + 1, 5 Xt + 0, 8 Zt DW = 1, 64 (23)
d
(desv) (0,4) (0,5)
Dados sus resultados, el técnico A concluye que no hay autocorrelación y afirma:
(A1) Un aumento del precio de la gasolina de una peseta hace aumentar los ingresos de la
empresa en 1500 millones de pesetas.
(A2) Los cambios en el precio del transporte público no afectan a los ingresos de la empresa.
1. Dado el valor del DW ¿es prudente la conclusión de A de que no existe autocorrelación?

Explı́cate, relaciona tu respuesta con sus afirmaciones (A1) y (A2).
El técnico B sospecha que existe un proceso AR(2) en las perturbaciones y estima por
Mı́nimos Cuadrados Generalizados Factibles obteniendo los siguientes resultados:
Ŷt = 12, 8 + 1, 2 Xt + 1, 0 Zt (24)

d
(desv) (0,5) (0,52)
2. Describe detalladamente un procedimiento por el cual el técnico B podrı́a haber llegado

a la conclusión de que existe un proceso AR(2) en las perturbaciones.
3. Supongamos que efectivamente hay un AR(2). A la vista de la ecuación (24), modifica

las afirmaciones (A1) y (A2) como creas necesario. Realiza los contrastes que necesites
para llevar a cabo las modificaciones. Cita las propiedades de los estimadores utilizadas
para realizar tus afirmaciones.
Para analizar la estructura de ventas de un determinado automóvil se especifica el siguiente

modelo,
Yt = β1 + β2 Pt + β3 Qt + β4 Xt + ut (25)
donde Yt =ingresos por ventas del automóvil en cuestión, Pt =precio del automóvil, Qt =precio
medio del resto de automóviles con similares caracterı́sticas, Xt = renta per cápita. Con una
muestra de 100 observaciones se ha estimado el modelo por MCO obteniéndose los siguientes
resultados:
Ŷt = 1, 5 + 0, 1 Pt − 0, 5 Qt + 0, 7 Xt (26)
d
(desv) (0, 2) (0, 3) (0, 15) (0, 05)
R2 = 0, 87 SCR = 215
iid
a) Contrasta la significatividad de Pt , asumiendo que ut ∼ (0, σu2 ). Comenta el resultado
obtenido.
28
b) Utilizando uno de los siguientes resultados contrasta la existencia de autocorrelación de
primer orden en las perturbaciones:
ût = 0, 2 + 0, 3ût−1 + 0, 15Pt + 0, 12Qt + 0, 01Xt + v̂1t R2 = 0, 15 SCE = 75

ût = 0, 35ût−1 + 0, 22ût−2 + 0, 1Pt + 0, 16Qt + 0, 04Xt + v̂2t R2 = 0, 18 SCE = 74
ût = 0, 3 + 0, 24ût−1 + v̂3t R2 = 0, 05 SCE = 56
ût ût−1
2
= 0, 13 + 0, 2 2 + 0, 19Pt + 0, 02Qt + 0, 09Xt + v̂4t R2 = 0, 35 SCE = 98
σ̂ σ̂
¿Afecta el resultado del contraste de alguna forma al contraste realizado en a)?
iid
c) Si ut = ρut−1 + εt donde εt ∼ (0, σε2 ) y |ρ| < 1 es desconocido, explica detalladamente
como estimarı́as de la mejor forma posible los parámetros del modelo (25).
d) En el marco descrito en c), ¿cómo realizarı́as el contraste de significatividad de Pt ? Ex-

plı́calo.
Sea el modelo Yt = α + β Xt + ut del que se conocen los siguientes datos:
t Y X
1 2 -3
2 10,2 5
3 17,9 13
4 2,3 -3
5 10 5
6 18,2 13
7 -5,7 -11
8 -14,1 -19
Sumas 40,8 0
Se ha estimado por MCO obteniendo:

µ ¶ µ P ¶−1 µ P ¶ µ ¶−1 µ ¶ µ ¶
αb T P Xt Y t 8 0 40, 8 5, 1
= P = =
βb − Xt2 Xt Yt 0 888 888 1
a) Usa algún método gráfico para ver si existen indicios de autocorrelación. Comenta los
resultados.
b) Contrasta si la perturbación ut sigue un proceso autorregresivo de primer orden. Plantea

claramente la hipótesis nula, la alternativa, el estadı́stico de contraste y la regla de decisión.
c) Estima el parámetro ρ si suponemos que la perturbación sigue un proceso autorregresivo

iid
de orden 1, ut = ρ ut−1 + εt donde εt ∼ (0, σε2 ) y |ρ| < 1.
29
d) Utilizando el resultado anterior estima los parámetros del modelo, α y β, por MCGF.
e) ¿Es la variable X relevante para explicar Y ? Contrástalo, especificando claramente la

hipótesis nula, la alternativa y la distribución del estadı́stico de contraste.
Se dispone de observaciones anuales de las variables Consumo (Ct ) y Renta (Rt ) para un paı́s.
Los datos se muestran en las primeras columnas de la siguiente tabla:
Obs. C R Cb û
1 8,547 11,0 8,0483680 0,498632
2 8,942 13,5 9,7986580 -0,856658
3 10,497 14,0 10,148716 0,348284
4 10,173 14,9 10,778820 -0,605820
5 11,997 15,1 10,918843 1,078157
6 10,729 18,0 12,949180 -2,220180
7 12,750 18,8 13,509273 -0,759273
8 15,611 19,1 13,719307 1,891693
9 13,545 21,0 15,049528 -1,504528
10 17,843 21,2 15,189551
11 21,610 34,0 24,151036
12 25,473 34,3 24,361070
13 24,434 35,0 24,851152
14 28,274 38,0 26,951500
Los resultados de la estimación por el método de Mı́nimos Cuadrados Ordinarios (MCO) de la

función de consumo
Ct = β1 + β2 Rt + ut
se muestran a continuación:
Ĉt = 0, 347092 + 0, 700116 Rt (27)

(t − estad.) (0, 31) (14, 61)
R̄2 = 0, 942 SCR = 30, 6381
1. La última columna de la tabla anterior muestra los residuos de la estimación anterior,

complétala y haz lo mismo con la serie temporal del gráfico de residuos que se muestra a
continuación. A la vista del gráfico comenta razonadamente si existe algún problema.
2. Obtén el valor del estadı́stico de Durbin y Watson y realiza el contraste para el cuál
está diseñado. Indica todos los elementos del contraste incluyendo la hipótesis nula y la
alternativa.
30
3. Utilizando la siguiente información realiza el contraste de Breusch y Godfrey. Indica
todos los elementos del contraste incluyendo la hipótesis nula y la alternativa.
ût = −0, 5679 + 0, 0198 Rt + −0, 75 ût−1 + ω̂t R2 = 0, 433 (28)

(t − estad.) (−0, 603) (0, 0385) (−3, 338)
4. Dada la evidencia obtenida en los apartados anteriores, qué consecuencias tiene en:
a) Las propiedades para muestras finitas del estimador de los coeficientes del modelo.
Razona y demuestra tu respuesta.
b) La inferencia utilizando los estadı́sticos t mostrados en la ecuación (27). Razona tu
respuesta.
5. ¿Cambiarı́a tu respuesta al apartado anterior si el problema detectado fuera consecuencia

de omitir alguna variable relevante? Razona tu respuesta.
6. Considera la siguiente información y completa lo que falta, (está indicado con puntos).
ρ̂ -0,99 -0,9 -0,8 -0,7 -0,6 -0,5 -0,4 -0,3 -0,2 -0,1 0,0 0,1
SCR∗ 15,9 14,8 14,2 14,1 14,7 15,8 17,5 19,9 22,8 26,2 30,3 34,9
31
siendo
t=....
X
SCR∗ = {(Yt∗ − βˆ1 X1t
∗
− βˆ2 X2t
∗ 2
} (29)
t=....
Yt∗ = Ct − ρ̂Ct−1 ; ∗
X1t = ....................; ∗
X2t = ....................
 −1  
 
βˆ1    .................. 
  =  .................. ..................   
   
βˆ2
.................. .................. ..................
a) ¿qué método de estimación se está utilizando?

b) ¿Cómo obtendrı́as las estimaciones finales de β1 y β2 por este método? Indica el valor
elegido de ρ̂ razonando tu elección y la fórmula para obtener el estimador de β1 y β2
¿Qué propiedades tienen los estimadores obtenidos de estos parámetros?
c) ¿Cómo contrastarı́as H0 : β2 = 1? Indica todos los elementos del estadı́stico de
contraste, ası́ como la regla de decisión.
Se propone el siguiente modelo para la oferta de caña de azúcar en Bangladesh:

ln(At ) = α + β ln(Pt ) + ut (30)
donde A es el área dedicada a la plantación de caña y P es el precio del producto en el mercado.
Se dispone de 34 observaciones anuales de A y P . La estimación MCO es:
dt ) = 6, 11 + 0, 97 ln(Pt )
ln(A R2 = 0, 706 (2)
d
(desv) (0, 17) (0, 11)
Además, se han realizado los siguientes gráficos:
y las siguientes regresiones basadas en los residuos MCO, û:
ût = −0, 02 + 0, 012 ln(Pt ) + 0, 34ût−1 R2 = 0, 116 SCR = 2, 7

ût = −0, 38 + 0, 01t − 0, 18 ln(Pt ) + 0, 32ût−1 R2 = 0, 13 SCR = 2, 61
ê2t = 1, 32 − 0, 02t R2 = 0, 023 SCR = 46, 48
ê2t = 5, 20 − 0, 1t + 1, 74 ln(Pt ) R2 = 0, 10 SCR = 42, 76
ê2t = 5, 74 − 0, 11t + 1, 87 ln(Pt ) − 0, 18vt−1 R2 = 0, 13 SCR = 41, 21
êt = −0, 22 + 0, 01t R2 = 0, 001 SCR = 378, 62
êt = −3, 59 + 0, 08t − 1, 51 ln(Pt ) R2 = 0, 009 SCR = 375, 82
êt = 0, 51 − 0, 009t + 0, 17 ln(Pt ) − 0, 18et−1 R2 = 0, 13 SCR = 0, 33
P
con êt = ût /σ̃ y σ̃ 2 = 2
t ût /34.
32
(a) Datos
5.6 .8 (b) Residuos MCO
.6
5.2
.4
4.8
.2
residuos
log(A)
4.4 .0
-.2
4.0
-.4
3.6
-.6
3.2 -.8
-2.8 -2.4 -2.0 -1.6 -1.2 -0.8 -0.4 5 10 15 20 25 30
Año
log(P)
a) ¿Qué información proporciona el gráfico a) de los datos?
b) ¿Qué información proporciona el gráfico b) de los residuos?
c) Se quiere analizar si la varianza ha cambiado a lo largo del tiempo. Realiza el contraste,

detallando todos los elementos, a partir de la información dada en el enunciado.
d) Contrasta si existe autocorrelación en el modelo.
Posteriormente se han obtenido las siguientes estimaciones por MCGF:

√
dt ) = 6, 12 + 0, 97 ln(Pt )
ln(A SCR = 3, 052 σ̂t = 0, 30/ t (3)
d
(desv) (0, 18) (0, 14)
dt ) = 6, 82 + 1, 31 ln(Pt )
ln(A SCR = 5, 620 σ̂t = 5, 066 × t (4)
d
(desv) (0, 29) (0, 12)
dt ) = 6, 09 + 0, 94 ln(Pt )
ln(A SCR = 2, 642 ût = 0, 34ût−1 + et (5)
d
(desv) (0, 24) (0, 16)
dt ) = 6, 13 + 0, 98 ln(Pt )
ln(A SCR = 2, 532 ût = 0, 36ût−1 + 0, 002ût−2 + et (6)
d
(desv) (0, 25) (0, 17)
e) Interesa saber si la elasticidad-precio es cero. Explica cómo lo contrastarı́as indicando cla-

ramente el estimador que utilizas y cómo se ha obtenido. Utiliza la información anterior
para realizar el contraste.
33
Se desea estimar una función de producción tipo Cobb-Douglas para el sector agrı́cola y ganadero
en los Estados Unidos. Para ello se dispone de una base3 de datos anuales para el periodo de
1948 a 1993 sobre los siguientes ı́ndices con base en el año 1982:
Yt = Índice de la producción agrı́cola y ganadera (en logaritmos)
Lt = Índice de utilización del factor trabajo (en logaritmos)
EXt = Índice del tamaño de la explotación (en logaritmos)
Kt = Índice del gasto en maquinaria (en logaritmos)
Se especifica el siguiente modelo:
Yt = β1 + β2 Lt + β3 EXt + β4 Kt + ut (31)
Los resultados de la estimación por Mı́nimos Cuadrados Ordinarios son los siguientes:
Ŷt = 4, 112 − 0, 739 Lt + 1, 063 EXt − 0, 233 Kt (32)

d β̂i ))
(desv( (1,286) (0,039) (0,377) (0,077)
R2 = 0, 974 DW = 1, 304
ût = −0, 3215 − 0, 0068Lt + 0, 084EXt − 0, 007Kt + 0, 349ût−1 + ŵt (33)
2
R = 0, 1225
Se obtiene la serie temporal de los residuos (ver Figura 1).
1. Explica cómo crees que se han calculado los residuos y para qué se ha dibujado la Figura
4. Interpreta el gráfico y comenta si hay evidencia de algún problema.
2. Realiza los contrastes de autocorrelación que consideres oportunos utilizando toda la in-
formación ofrecida. Explica detalladamente.
3. Explica, razonando tu respuesta, si es fiable contrastar la significatividad del factor trabajo

utilizando la información proporcionada en (32). ¿Cómo se deberı́a modificar el estadı́stico
si se sigue utilizando el estimador MCO para estimar el coeficiente β2 ?
3
Rammanathan, R. (2002), Introductory econometrics with applications, data 9-5.gdt
34
Figura 4: Residuos MCO Modelo 1
Residuos de la regresin (= l_output observada - ajustada)

0.08
0.06
0.04
0.02
0
residuo
-0.02
-0.04
-0.06
-0.08
-0.1
1950 1955 1960 1965 1970 1975 1980 1985 1990
A la vista de los resultados de la estimación del modelo (3) el investigador estima de nuevo
la función de producción por el método de Hildreth y Lu. Los resultados utilizando el
programa GRETL son los siguientes:
Estimaciones Hildreth-Lu utilizando las 45 observaciones 1949-1993

Variable dependiente: Y VARIABLE COEFICIENTE DESV.TÍP.
ESTAD.T 2Prob(t > |T|)
const 3,70258 1,30555 2,836 0,007064 ***
L -0,741430 0,0434648 -17,058 0,00001 ***
EX 1,14724 0,378590 3,030 0,004219 ***
K -0,224659 0,0906423 -2,479 0,017399 **
4. Explica razonadamente qué muestra la Figura 5. ¿Qué quiere decir que la SCR sea mı́nima
para rho = 0,35?
5. Explica cómo se han obtenido las estimaciones de los coeficientes.
6. Utilizando los resultados de la estimación por Hildreth y Lu y sabiendo que la estimación

de la matriz de covarianzas de los coeficientes es:
 
1, 70446 0, 03642 −0, 47824 0, 07057
 0, 03642 0, 00189 −0, 012883 0, 00307 
Vdar(β̂HL ) = 
 −0, 47824 −0, 01283 0, 143331 −0, 02647 

0, 07057 0, 00307 −0, 02647 0, 00827
35
Figura 5: Hildreth-Lu. La SCR es mı́nima para rho = 0,35
0.2
0.18
0.16
0.14
SCR
0.12
0.1
0.08
0.06
-1 -0.5 0 0.5 1
rho
Contrasta la hipótesis nula H0 : β3 = 2β4 . Explica todos los elementos del contraste.
36
Tema 4. Regresores Estocásticos
PROBLEMA 30 (PV.G18)
Se propone la siguiente especificación para la función de demanda de vino de un paı́s:
Qt = βPt + ut
donde ut ∼ iid(0, 0,0921). Dado que el precio Pt se determina simultáneamente con la cantidad
Qt , se sospecha que Pt pueda estar correlacionada con ut . Se dispone de datos de un ı́ndice de
costes de almacenamiento, St , que se determina exógenamente, por lo que se considera indepen-
diente de ut .
Dados los siguientes datos trimestrales para los años 1955-1975:

P
P 2
P Pt2Qt = 1,78
P St = 2,1417
P Pt = 0,507 Pt St = 0,50
St Qt = 2,754
1. Utiliza el contraste de Hausman para contrastar esa sospecha, explicando el funcionamiento

del contraste.
2. Dado el resultado del contraste, ¿qué estimador de β eligirı́as? ¿Por qué?
PROBLEMA 31 (PV.G22)
Dado el siguiente modelo:

Yt = βXt + ut
donde ut ∼ iid(0, σu2 ) y Xt no es estocástica. El económetra no observa la variable Xt .
Se dispone de observaciones de otra variable, Xt∗ que puede aproximarse a Xt , esto es:
Xt∗ = Xt + εt εt ∼ iid(0, σε2 )
donde E(εt ut ) = 0 ∀t.
1. Demostrar que si se utiliza Xt∗ en lugar de Xt , para estimar β por MCO en el modelo:
Yt = βXt∗ + vt t = 1, ..., T
el estimador MCO de β no será consistente.
2. ¿Qué método de estimación puedes utilizar para obtener un estimador de β consisten-

te? Escribe la fórmula del estimador que propones y las condiciones bajo las cuales este
estimador es consistente.
37
Un investigador quiere analizar el comportamiento del mercado de perfumes en un pais, en

función de los precios, (P ), y de los gastos realizados en publicidad, (A).
Vt = β1 + β2 Pt + β3 A∗t + ut ut ∼ iid(0, σ 2 ) t = 1, . . . , 100 (34)
donde Vt es la cantidad vendida de perfume en el trimestre t.
1. Como consecuencia de la ocultación de datos por parte de las empresas, se observa que
la variable “gastos en publicidad” utilizada en (35), es solamente una aproximación de
los verdaderos gastos de publicidad, A∗ esto es, At = A∗t + ²t ²t ∼ iid(0, σ²2 ), ²t y ut
independientes. Por esta razón, la estimación Mı́nimo Cuadrática del modelo viene dado
por:
Vbt = 25727 − 0, 96 Pt + 1, 36 At (35)
(9871) (0, 33) (0, 4)
¿qué podemos decir sobre los resultados presentados en (35)?

2. Supongamos que lo anterior es cierto. Sin embargo, se tiene la certeza de que los gastos
de publicidad reales no observables, A∗t , son una función creciente en el tiempo del tipo:
A∗t = 0, 05 t + ηt ηt ∼ iid(0, ση2 )
donde ηt y ut son independientes. Si se tiene en cuenta esta información, ¿cuál serı́a tu
modelo a estimar?, ¿qué propiedades tiene el estimador M CO en este nuevo modelo?

Yt = β1 X1t + β2 X2t + ut t = 1, 2, . . . , T (36)
donde ut ∼ iid(0, σu2 )
X2t y Zt son variables fijas.
X1t = γZt + ηt ηt ∼ iid(0, ση2 )
1. ¿Cuándo estimarı́as el modelo por el método de variables instrumentales utilizando la

variable Zt como instrumento para la variable X1t ? ¿Por qué? ¿Crea problemas la variable
X2t ? ¿Por qué?
A partir de una muestra de 52 observaciones se han obtenido los siguientes productos cruzados:
Yt X1t X2t Zt
Yt 100 80 -60 60
X1t 100 -40 -10
X2t 80 50
Zt 40
38
P
por ejemplo X1t X2t = −40
2. Siendo Zt el instrumento para X1t , estima los parámetros β1 y β2 del modelo utilizando
el método de variables instrumentales.
Los resultados de estimar por MCO el modelo han sido:
Ybt = 0, 625 X1t − 0, 4375 X2t (37)

ˆ β̂i ))
(des( (0, 077) (0, 086)
3. Contrasta la H0 : E(X1t ut ) = 0 sabiendo que:

µ ¶
2, 1166 1, 0583
Vd
ar(β̂V I ) =
1, 0583 1, 2254
Como conclusión del resultado del contraste ¿cuál es el método adecuado para estimar el
modelo (7)? ¿Qué propiedades tienen dichos estimadores?
Se quiere estimar el modelo
Yt = βX1t + ut ut ∼ iid(0, σ 2 ) (38)
y se sabe que X1t se determina con Yt ya que X1t = Yt + X2t donde E(X2t ut ) = 0 ∀t.
a) Demuestra que E(X1t ut ) = (1 − β)−1 σ 2 . Se supone que β 6= 1.
b) ¿Qué implicaciones tiene este hecho en el estimador de β aplicando el método de Mı́nimos

Cuadrados Ordinarios (MCO) a (38)? Razona la respuesta.
c) Escribe explı́citamente la fórmula de un estimador de β alternativo para este modelo

concreto razonando por qué lo escogerı́as.
Si se dispone de una muestra de 60 observaciones donde se han obtenido los siguientes productos
cruzados:
Yt X1t X2t
Yt 100 40 -60
X1t 80 40
X2t 100
P
por ejemplo Yt X2t = −60.
d) Obtén la estimación de β por el método propuesto en c) y por el método de MCO.
e) Contrasta al nivel de significación del 5 % la H0 : β = 0. Suponer que σ 2 = 1.
39
f) Si el investigador ignorara que X1t = Yt + X2t , ¿Cómo podrı́a darse cuenta de que
E(X1t ut ) 6= 0? Explica y realiza el contraste. Suponer que σ 2 = 1.
Un agrónomo desea estimar la relación entre el rendimiento de trigo (Y ) y la cantidad utilizada de

abono (X ∗ ). Para ello dispone de datos sobre el rendimiento y la cantidad de abono (X) declarada
por el productor que puede no coincidir con la cantidad utilizada (X ∗ ). Al mismo tiempo, conoce
la variable de gasto efectivo en la compra de abono (Zi ), que cree es exógena, independiente
del error de medida en la cantidad de abono declarada y está, al tiempo, correlacionada con
la cantidad de abono que se utiliza. Se dispone de 20 observaciones, de las que se obtienen los
siguientes valores:
P20 P20 P20

Xi = 492, 78 i=1 Zi = 284, 4 i=1 Zi Xi = 7369, 5
Pi=1
20 P20
Y
i=1 i = 434, 94 i=1 Zi Yi = 6472, 8
1. Escribe el modelo adecuado y explica con claridad el método de estimación a utilizar y las
razones que te llevan a elegirlo.
2. Estima por un procedimiento consistente la relación entre Y y X ∗ .
Se quiere estimar el modelo Yt = βXt + ut y se sospecha que puede haber factores no observables
recogidos en ut que estén correlacionados con Xt .
1. Si esta sospecha fuese cierta, ¿qué implicaciones tendrı́a en las propiedades del estimador
de β por MCO? Razona formalmente la respuesta.
2. ¿Bajo qué condiciones Xt−1 serı́a un buen instrumento para Xt a la hora de obtener un
estimador de β por variables instrumentales? Razona formalmente la respuesta.
Se dispone de una muestra de 60 observaciones donde se han obtenido los siguientes pro-
ductos cruzados:
Yt Xt Xt−1
Yt 50 20 -30
Xt 40 20
Xt−1 50
P
por ejemplo Yt Xt−1 = −30.
3. Usando la variable Xt−1 como instrumento de Xt , obtén la estimación de β por el método

de variables instrumentales.
40
P
4. ¿Qué hubiera ocurrido si Xt Xt−1 = 0?
5. Suponiendo que ut ∼ iid(0, 1), contrasta la Ho : E(Xt ut ) = 0 explicando detalladamente

el procedimiento de contraste utilizado.
Yt = β1 + β2 Xt + ut t = 1, 2, . . . , T (39)
donde ut ∼ iid(0, σu2 )

Xt = γZt + ηt ηt ∼ iid(0, ση2 )
1. ¿Cuándo estimarı́as el modelo por el método de variables instrumentales utilizando la

variable Zt como instrumento para la variable Xt ? ¿Por qué?
A partir de una muestra de 52 observaciones se han obtenido los siguientes datos:
P P P 2
P Xt = 20 P Xt Yt = 70 P X2t = 1300
P Yt = 50 P Zt Yt = 90 Zt = 1000
Zt = 30 Xt Zt = 40
2. Siendo Zt el instrumento para Xt , estima los parámetros β1 y β2 del modelo utilizando el

método de variables instrumentales.
Los resultados de estimar por MCO el modelo han sido:
Ybt = 0, 946 + 0, 039 Xt (40)

ˆ β̂i ))
(des( (0, 43) (0, 027)
3. Contrasta la H0 : E(Xt ut ) = 0 sabiendo que:

µ ¶
ˆ 0, 018 −0, 44
V ar(β̂V I ) =
−0, 44 1, 20
Como conclusión del resultado del contraste ¿cuál es el método adecuado para estimar el
modelo (39)? ¿Qué propiedades tienen dichos estimadores?
En el modelo:
Yt = β1 + β2 X2t + β3 X3t + ut t = 1, 2, . . . , T (41)
X2t es una variable no estocástica

donde: X3t es una variable estocástica independiente de ut
ut ∼ iid(0, σu2 )
41
1. Enuncia el teorema de Mann y Wald aplicándolo a la ecuación (41). Recuerda que tienes
que incluir las condiciones para que sea aplicable e indica claramente qué resultados
produce. Demuestra las implicaciones que tiene este teorema para el estimador de MCO
de los parámetros del modelo.
2. En la ecuación (41) indica cómo contrastarı́as la hipótesis de significatividad conjunta de
los regresores. Escribe la hipótesis nula, la alternativa, el estadı́stico de contraste y su
distribución, ası́ como la regla de decisión. Indica claramente cómo se obtienen cada uno
de los elementos del estadı́stico de contraste.

iid 1
En Yt = β1 + β2 Xt∗ + ut t = 1, 2, . . . , T , donde ut ∼ (0, 20 ) y tenemos los datos siguientes:
t 1 2 3 4 5 6 Suma
Yt 5,0 4,0 3,5 4,0 4,5 5,0 26,0
Xt∗ 6,0 7,0 6,0 7,0 8,0 8,0 42,0
a) ¿Qué ocurre si la variable Xt∗ es una variable medida con error, donde Xt∗ = Xt + εt ?
(Ayuda: partiendo del modelo Yt = β1 + β2 Xt + wt , Xt serı́a una variable no observable y
wt y εt son perturbaciones independientes).
b) Si sólo se sospecha que Xt∗ está medida con error, ¿cómo contrastarı́as si el estimador
MCO es consistente? Realiza el contraste sabiendo que la correlación entre Xt∗ y Xt−1
∗ es
∗
0,429 y que Xt−1 no está correlacionada con ut .
c) Suponiendo que de b) deduces que el estimador MCO es inconsistente, contrasta (no tengas
en cuenta que T es pequeño) si la variable Xt∗ es significativa.
En el modelo
Yt = β1 + β2 X2t + β3 X3t + ut ut ∼ iid(0, σ 2 )
donde X2t es una variable fija y X3t es una variable estocástica .
Denotamos por β al vector de parámetros desconocidos.
1. ¿Por qué el estimador de β MCO no es lineal?

2. ¿Qué supuesto te garantiza que el estimador de β por el método de Mı́nimos Cuadrados
Ordinarios (MCO) sea insesgado? Demuestralo.
3. Si X3t es estocástica y no independiente de ut pero E(X3t ut ) = 0, ∀t, ¿es el estimador
de β por MCO consistente? Demuestralo e indica los supuestos adicionales que te sean
necesarios.
42
4. Si X3t es estocástica pero se satisface el Teorema de Mann y Wald ¿podemos hacer infe-
rencia sobre β a pesar de no conocer la distribución de ut ? Razona tu respuesta.
Considera la siguiente relación

Y1t = β1 Y2t + β2 X1t + ut (42)
donde X1t es una variable fija y se cree que la variable Y2t puede estar correlacionada con el
término de perturbación ut que se supone ruido blanco, es decir, ut ∼ iid(0, σu2 ). Por otro lado
se sabe que
Y2t = γX2t + εt (43)
donde X2t es un regresor fijo y εt ∼ iid(0, σε2 ).
Una muestra de 25 observaciones da lugar a las siguientes sumas de cuadrados y de pro-

ductos cruzados:
Y1t Y2t X1t X2t

Y1t 100 80 -60 60
Y2t 80 100 -40 -10
X1t -60 -40 80 50
X2t 60 -10 50 40
P P
donde por ejemplo Y1t X1t = −60 y Y1t2 = 100
1. Obtén la estimación de β1 y β2 en la ecuación (42) por Mı́nimos Cuadrados Ordinarios.
2. Bajo el supuesto de que E(Y2t ut ) 6= 0, define un estimador consistente de β1 y β2 . Escribe

formalmente las condiciones que te aseguran esta propiedad y razona si se darı́an en este
caso.
3. Obtén la estimación de β1 y β2 con el estimador propuesto en el apartado anterior.
4. Bajo el supuesto de σu2 = 1, utiliza el contraste de Hausman para comprobar si hay

evidencia de que Y2t y ut están correlacionadas. Explica el procedimiento de contraste,
incluyendo la hipótesis nula y alternativa.
5. Dado el resultado del contraste del apartado anterior, ¿qué estimador es preferible en este
caso? ¿ Por qué?
Supón que el ahorro de una persona depende de su renta permanente mediante la relación:
Yi = α + βRi + vi (44)
43
donde Yi es el ahorro anual y Ri es la renta permanente anual de un trabajador. No es posible
observar la renta permanente R, por lo que el modelo de regresión a estimar es:
Yi = α + βXi + ui (45)
siendo Xi la renta anual de un trabajador, que se utiliza como aproximación a R. Los resultados
de la estimación MCO con datos de 50 individuos en el año 1999 son:
µ ¶ µ ¶ µ ¶
α̂ 4, 34 2 0 −1 0, 7165 −0, 009
= σ̂M CO (X X) = 1, 023 ×
β̂ M CO −0, 856 0, 0001
i) La teorı́a económica mantiene que la relación renta permanente-ahorro es positiva. Sin em-
bargo, la estimación MCO de la pendiente β es negativa. ¿Crees que pueda existir algún
problema que dé lugar a esta aparente contradicción? Razona tu respuesta.
Posteriormente se re-estima el modelo (45) mediante variables instrumentales. La variable ins-

trumental utilizada es el promedio de la ingresos obtenidos en los 10 años previos (1989-98) que
obviamente, está muy relacionada con la renta permanente y también con la renta anual actual.
Los resultados son:
µ ¶ µ ¶ µ ¶
α̃ 0, 988 1, 7088 −0, 0223
= σ̃V2 I (Z 0 X)−1 Z 0 Z(X 0 Z)−1 = 1, 3595 ×
β̃ VI
0, 039 0, 0003
ii) ¿Cuál es la fórmula de β̃V I ? ¿Y de σ̃V2 I ?
iii) Realiza el contraste de Hausman. Relaciona estos nuevos resultados con tu respuesta del
apartado i).
Se quiere evaluar el rendimiento de la educación en términos del siguiente modelo
Yi = β1 + β2 EDUi + wi i = 1, ..., N
donde Yi y EDUi son las ganancias salariales anuales (en decenas de miles de euros) y el nivel
de educación de un individuo respectivamente. Además E(EDUi wi ) = 0 para todo i y wi es un
ruido blanco.
Se dispone de una muestra de 1000 individuos. Sin embargo, se mide el nivel de educación a través
de la variable observada, años de estudio, Si , que está medida con error, tal que Si = EDUi + εi
donde εi es un ruido blanco independiente de EDUi y de wi .
44
Utilizando el método de Mı́nimos Cuadrados Ordinarios (MCO) en base a la información mues-
tral disponible, se han obtenido los siguientes resultados:
Ŷi = 2, 431 + 0, 03332 Si

d
(desv.) (0,078) (0,0046)
a) Interpreta qué indica la estimación obtenida para el parámetro β2 .
b) Explica en detalle qué propiedades tendrá el estimador MCO de β1 y β2 si se ha utilizado

la medida de educación disponible Si en lugar de EDUi en el modelo. Razona tu respuesta.
Disponemos de una variable adicional Pi , que mide los años de educación del padre de ese
individuo i. Para la muestra de 1000 individuos se tiene la siguiente información:
P P P P 2
i Yi = 2988, 232 i Si = 16707 i Yi Si = 50071, 6 i Si = 283539
P P P P 2
i Pi = 14343 i Yi Pi = 42914, 7 i Pi Si = 240466 i Pi = 206469
P 2
i Yi = 9028, 9
c) Propón un estimador consistente alternativo al de MCO razonando bajo qué condiciones

serı́a consistente y cuál será su distribución asintótica. Razona tu respuesta.
d) Calcula la estimación de β1 y β2 en base al estimador propuesto en el apartado anterior.
e) Si se ha utilizado un estimador consistente, ¿cómo se ha obtenido la siguiente estimación

de la matriz de varianzas y covarianzas asintótica del estimador propuesto en c)? Indica
todos los pasos que se han realizado hasta llegar a este resultado.
· ¸
98, 88 0, 2984084 −0, 0178
Vd
ar(β̂) =
998 −0, 0178 0, 001065
f) Utilizando el estimador propuesto en el apartado c), contrasta la hipótesis de que un año

adicional de educación supone un incremento medio en las ganancias salariales anuales de
720 euros. Escribe la hipótesis nula, la alternativa y todos los elementos del contraste.
g) Lleva a cabo el contraste de Hausman para analizar si es o no importante el problema de

error de medida. Escribe la hipótesis nula, la alternativa y todos los elementos del contraste.
h) Indica de manera razonada cuál de los dos estimadores elegirı́as teniendo en cuenta el
resultado del contraste de Hausman.
45
Considera estimar el parámetro β en la siguiente ecuación
y1t = βy2t + u1t u1t ∼ N ID(0, σ12 ) (46)
Se sabe que y1t e y2t se determinan simultáneamente ya que
y2t = α1 y1t + α2 Xt + u2t u2t ∼ N ID(0, σ22 ) (47)
donde Xt es una variable exógena, independiente de u1s y de u2s para todo t y s.
a) Obtén la expresión del estimador de β por el método de variables instrumentales (VI)

utilizando como instrumento Xt .
b) ¿Es este estimador lineal? ¿Es insesgado? ¿Por qué?
c) ¿Es consistente? ¿Por qué?
d) ¿Conoces su distribución? ¿Y la asintótica? ¿Por qué?
e) ¿Cambiarı́a alguna de tus respuestas a los apartados anteriores si α2 = 0 ? Razona tu

respuesta.
Para una muestra de tamaño T = 1000 se obtiene la siguiente información muestral:
P 2
P P P 2
P P 2
t y2t = 42 t y1t y2t =5 t y2t Xt = 12 t Xt = 10 t Xt y1t =3 t y1t = 11
f) Además se dispone de un estimador consistente de σ12 cuya estimación es σ̂12 = 0, 01.

Utiliza el contraste de Hausman para determinar si hay evidencia o no de que y2t sea una
variable endógena. Explica en detalle todo el proceso.
Para analizar el consumo de un paı́s se especifica el siguiente modelo:
Yt = β0 + β1 X1t + β2 X2t + ut , t = 1, 2, ..., 100
donde Yt , X1t y X2t representan la tasa de crecimiento del consumo, el tipo de interés y la
inflación en el periodo t respectivamente. Se supone que ut ∼ iid(0, σ 2 ). La variable X1t se
supone no estocástica, pero la inflación, al estar determinada por la demanda de consumo, se
46
considera estocástica. Se dispone a su vez de información sobre la tasa de crecimiento de los
costes de producción, Pt , que se considera no estocástica.
Se ha estimado el modelo por MCO, obteniéndose los siguientes resultados:

Ŷt = 0,046 − 0,021X1t − 0,055X2t (48)
1. ¿Cuándo es el estimador de la ecuación (48) inconsistente?
2. Se dispone de la siguiente información muestral:

   
0,010 0,012 0,000 0,011 0,000 0,003
(X 0 X)−1 =  0,012 0,011 -0,033  (Z 0 X)−1 =  -0,034 -0,012 0,000 
0,000 -0,033 0,022 -0,023 0,000 -0,032
     
0,012 -0,033 -0,033 1,0 1,0
(Z 0 X)−1 Z 0 Z[(Z 0 X)−1 ]0 =  -0,033 0,118 0,051  Z 0 Y =  3,0  X 0 Y =  3,0 
-0,033 0,051 0,188 1,8 2,0
   
100 -14 -16 0,012 -0,030 0,059
0
ZZ=  -14 95 -15  0 −1 0 0 −1 0
(X Z) Z Z[(X Z) ] =  0,002 0,008 -0,010 
-16 -15 155 -0,006 -0,033 0,142
Si Z es la matriz de instrumentos, estima el modelo por variables instrumentales. Escribe
la matriz Z y el instrumento que se utiliza, argumentando por qué se elige dicho instru-
mento. ¿Qué propiedades tiene este estimador?
P 2
3. Si además ût,V I = 2,037, ¿cómo podrı́as contrastar si el estimador MCO es consistente?
Explica y realiza el contraste. De acuerdo con este contraste, ¿qué método de estimación
elegirı́as?¿Por qué?
Se quiere analizar si la volatilidad de las acciones del BBVA (X1t ) afecta a su rendimiento (Yt ).
Para ello se propone el siguiente modelo:
Yt = β0 + β1 X1t + β2 X2t + ut t = 1, 2, ..., 100
donde ut ∼ iid(0, σ 2 ) y X2t es el tipo de interés de las letras del tesoro a un año. Un investigador
estima el modelo por MCO obteniéndose el siguiente resultado:
Ŷt = 0, 7 − 0, 3X1t − 0, 1X2t (49)
con  
0, 31 0, 12 −0, 15
Vd
ar(β̂) = σ̂ 2 (X 0 X)−1 = 0, 17  0, 12 0, 31 0, 07 
−0, 15 0, 07 0, 13
47
1. Contrasta si la volatilidad afecta al rendimiento de las acciones del BBVA.
2. Otro investigador considera que, aunque X2t puede considerarse una variable no estocásti-
ca, la volatilidad está determinada por los mismos factores que afectan al rendimiento y,
por lo tanto, ut y X1t estarán correlacionados. ¿Qué implicaciones tendrı́a este hecho en
la estimación por MCO del modelo en la ecuación (49)?
3. Este segundo investigador decide estimar el modelo por VI utilizando como instrumento
la volatilidad del Ibex35, obteniendo los siguientes resultados:
Ŷt = 1, 3 − 0, 7X1t − 0, 2X2t (50)
con  
0, 41 0, 23 −0, 25
Vd
ar(β̂V I ) = 0, 21  0, 23 0, 33 0, 09 
−0, 25 0, 09 0, 16
Explica detalladamente cómo se han obtenido las estimaciones de β0 , β1 y β2 y comenta
las propiedades de estos estimadores. ¿Qué condiciones tiene que cumplir la volatilidad del
Ibex35 para que sirva como instrumento?
4. Explica cómo se ha obtenido Vd

ar(β̂V I ).
5. Contrasta, utilizando los resultados obtenidos mediante VI, si la volatilidad afecta al ren-
dimiento de las acciones del BBVA.
6. Realiza algún contraste para comprobar cuál de los investigadores está actuando mejor a
la hora de estimar y contrastar la hipótesis de interés. Explica detalladamente tus conclu-
siones.
48
Tema 5. Modelos Dinámicos
PROBLEMA 47 (PV.E42)
Se quiere estudiar la dependencia de la bolsa de Madrid de las bolsas de Nueva York y Londres.
Para ello se define el siguiente modelo
M ADt = β0 + β1 LONt−1 + β2 N Yt−1 + ut con t : 2, . . . , 30.
Su estimación por MCO proporciona el siguiente resultado:
Md
ADt = 0, 0095 + 0, 4990 LONt−1 + 0, 1800 N Yt−1 DW = 0, 82 R2 = 0, 88 (51)
(Desv. tipicas →) (0, 0032) (0, 1200) (0, 1900)
1. Contrasta la significatividad individual de las variables explicativas.
2. Contrasta la existencia de autocorrelación de tipo AR(1) en las perturbaciones.(Especifica

claramente la hipótesis nula, alternativa, estadı́stico de contraste y regla de decisión)
Posteriormente se añade la variable explicativa M ADt−1 al modelo y se estima con los mismos
datos obteniendo:
M ADt = 0, 0031 + 0, 1910 M ADt−1 + 0, 8400 LONt−1 + 0, 0600 N Yt−1 + v̂t (52)
(0, 0012) (0, 0800) (0, 2460) (0, 0120)
con DW = 1, 9 y
v̂t = 0, 0001 + 0, 03 v̂t−1 + 0, 009 M ADt−1 + 0, 04 LONt−1 + 0, 006 N Yt−1 + êt R2 = 0, 09

(0, 002) (0, 09) (0, 3) (0, 1) (0, 03)
3. Contrasta la hipótesis de existencia de autocorrelación de tipo AR(1) en vt .
4. A la vista de los resultados de 2) y 3) ¿qué puedes afirmar sobre la validez de los modelos
(51) y (52)?
Tres investigadores deben estimar el siguiente modelo:
Yt = β1 Yt−1 + β2 Xt + ut (53)
donde: Yt es el precio de venta de un piso de nueva construcción en t.

Sobre el modelo se
Xt es el tipo de interés en t.
tiene la siguiente información:
El modelo está correctamente especificado.
La perturbación ut sigue una distribución normal con E(ut ) = 0 ∀t
49
Los tres investigadores no se ponen de acuerdo sobre el método de estimación adecuado, por lo
que deciden presentar tres estimaciones alternativas:
Investigador 1: Presenta los siguientes resultados obtenidos con t = 2, . . . , 101
µ ¶ µ P 2 P ¶−1 µ P ¶
β̂1 P Yt−1 PYt−1 Xt P Yt−1 Yt
= (54)
β̂2 Yt−1 Xt Xt2 Xt Yt
µ ¶ µ ¶µ ¶
0, 831371 0, 00046 −0, 00134 4442, 139
= (55)
0, 882068 −0, 00134 0, 0076 903, 487
donde además BG = 23, 24 SCR = 157, 43
1. ¿Qué método de estimación está utilizando? Razónalo.

2. ¿Qué propiedades tienen sus estimadores? Realiza algún contraste si lo crees necesario.
Investigador 2: Presenta los siguientes resultados obtenidos con t = 2, . . . , 101
µ ¶ µ P P ¶−1 µ P ¶
β̂1 P Xt−1 Yt−1 Xt−1
P 2 Xt P Xt−1 Y t
= (56)
β̂2 Xt Yt−1 Xt Xt Yt
µ ¶ µ ¶µ ¶
0, 770343 0, 003809 −0, 00291 0, 770343
= (57)
1, 060368 −0, 01112 0, 012178 903, 0487
donde además BG = 27, 66 SCR = 165, 5112

4. ¿Qué propiedades tienen sus estimadores? Realiza algún contraste si lo crees necesario.
Investigador 3: Presenta los siguientes resultados con t = 3, . . . , 101
Sean Yt∗ = (Yt − ρ∗ Yt−1 ), Xt∗ = (Xt − ρ∗ Xt−1 ),
µ ¶ µ P ∗2 P ∗ ∗
¶−1 µ P ∗ ∗
¶
β̂1 P ∗Y t−1 Y
P ∗2
t−1 Xt Y
P ∗ ∗
t−1 Y t
= (58)
β̂2 Yt−1 Xt∗ Xt Xt Y t
µ ¶ µ ¶µ ¶
0, 775642 0, 001035 −0, 00117 1014, 806
= (59)
1, 090742 −0, 00117 0, 00938 245, 7676
P
∗ ût ût−1
ρ = P 2 = 0, 5387823 (60)
ût−1
donde además ût = Y − X β̂V I BG = 0, 27 SCR = 118, 0408
50
6. A la vista de lo comentado en los apartados anteriores, ¿qué investigador ha utilizado el
mejor estimador? Razona tu respuesta.
En un trabajo se proponen dos posibles modelos para explicar la evolución de la demanda de

gasolina. Se dispone de datos trimestrales desde 1959 a 1990 (ambos años incluidos) de las
siguientes variables:
Y = Gasto real per cápita en gasolina (en logaritmos).

X2 = Precio real de la gasolina (en logaritmos). Variable no estocástica.
X3 = Renta real disponible per cápita (en logaritmos). Variable no estocástica.
X4 = Millas por galón de gasolina (en logaritmos). Variable no estocástica.
El primer modelo es:

Yt = β1 + β2 X2t + β3 X3t + β4 X4t + ut (61)
Los resultados de la estimación MCO son:
Ŷt = − 1, 51 − 0, 14 X2t + 0, 998 X3t − 0, 52 X4t
d
(desv) (0, 12) (0, 01) (0, 015) (0, 02)
2
R = 0, 97 DW = 0, 74
ût = − 0, 01 − 0, 003 X2t − 0, 004 X3t + 0, 004 X4t + 0, 62 ût−1 − 0, 007 ût−2
d
(desv) (0, 09) (0, 008) (0, 012) (0, 004) (0, 09) (0, 107)
+ 0, 005 ût−3 + 0, 087 ût−4 + ê1t

(0, 107) (0, 09)
2
R = 0, 42 DW = 2, 03
El segundo modelo es:

Yt = γ1 + γ2 X2t + γ3 X3t + γ4 X4t + +γ5 Yt−1 + vt (62)
Los resultados de la estimación MCO son:
Ŷt = − 0, 65 − 0, 06 X2t + 0, 47 X3t − 0, 24 X4t + 0, 54 Yt−1
d
(desv) (0, 13) (0, 01) (0, 06) (0, 03) (0, 09)
2
R = 0, 98 DW = 1, 76
v̂t = − 0, 24 − 0, 02 X2t + 0, 13 X3t − 0, 072 X4t − 0, 14 Yt−1 + 0, 22 v̂t−1 + 0, 128 v̂t−2

d
(desv) (0, 17) (0, 02) (0, 09) (0, 047) (0, 09) (0, 12) (0, 101)
+ 0, 105 v̂t−3 + 0, 118 v̂t−4 + ê2t

(0, 091) (0, 09)
2
R = 0, 067 DW = 2, 01
51
1. En base a los resultados del modelo (61), ¿crees que en dicho modelo se verifican las
hipótesis básicas? Realiza los contrastes que creas necesarios para justificar tu respuesta.
2. Razona cuáles son las propiedades del estimador MCO en el modelo (61).
3. En base a los resultados del modelo (62), ¿crees que en dicho modelo se verifican las
hipótesis básicas? Realiza los contrastes que creas necesarios para justificar tu respuesta.
Razona tú respuesta.
4. Razona cuáles son las propiedades del estimador MCO en el modelo (62).
5. ¿Cómo contrastarı́as la hipótesis de que la elasticidad renta es 1? Explica claramente todos

los elementos que intervienen: el modelo que utilizas, las hipótesis nula y alternativa, el
estimador que utilizas, el estadı́stico, su distribución y la regla de decisión. Si dispones de
datos, realiza el contraste.
Se quiere analizar la relación entre inflación (Yt ) y tipos de interés (Xt ) para lo que se dispone
de 100 observaciones mensuales. Para ello se especifica el siguiente modelo
Yt = β0 + β1 Xt + ut
donde se considera que Xt es una variable no estocástica. Se estima por MCO y se obtiene
Ŷt = 11, 59 − 0, 58 Xt t = 1, 2, ..., 100. (63)

d
(desv) (0, 86) (0, 14)
con los residuos representados en la figura 1.
Figura 6: Residuos MCO
-5
-10
10 30 50 70 90 t
52
a) Comenta el gráfico de los residuos, señalando si encuentras alguna evidencia contra el
cumplimiento de alguna hipótesis básica.
b) Con los siguientes resultados sobre los residuos contrasta la existencia de autocorrelación
de tipo AR(1) en las perturbaciones.
100
X 100
X 100
X
û2t = 739, 3073 , (ût − ût−1 )2 = 194, 3556 , ût ût−1 = 632, 2639
t=1 t=2 t=2
c) Se piensa que la dispersión en la inflación es menor en los últimos años. Contrasta dicha
hipótesis utilizando las dos regresiones siguientes que se han realizado separadamente con
los 32 primeros y con los 32 últimos datos:
Ŷt = 12, 83 − 0, 58 Xt SCR = 126, 62, t = 1, 2, ..., 32,

d
(desv) (1, 05) (0, 17)
Ŷt = 9, 85 − 0, 35 Xt SCR = 96, 22, t = 69, 70, ..., 100,

d
(desv) (1, 20) (0, 19)
d) De acuerdo con tus resultados en b) y c) comenta las propiedades del estimador MCO de
los coeficientes en (63).
e) Otro investigador opina que un modelo adecuado para explicar la relación entre tipos de
interés e inflación deberı́a tener en cuenta el dinamismo existente en esta última, por lo
que decide incluir la inflación en el mes anterior como regresor, obteniendo por MCO el
siguiente modelo estimado,
Ŷt = 4, 84 − 0, 66 Xt + 0, 88 Yt−1 t = 2, 3, ..., 100, (64)

d
(desv) (0, 36) (0, 04) (0, 03)
R2 = 0, 91 , DW = 1, 70
y las siguientes regresiones auxiliares:
i) ût = 0, 09 + 0, 16ût−1 + 0, 004Xt − 0, 01Yt−1 + v̂1t R2 = 0, 024, SCT = 738, 3

ii) ût = 0, 35ût−1 + 0, 1Xt + 0, 06Yt−1 + v̂2t R2 = 0, 018, SCT = 738, 3
iii) ût = 0, 3 + 0, 24ût−1 + v̂3t R2 = 0, 005, SCT = 738, 3
iv) σ̂û2t = 0, 13 + 0, 2 ûσ̂t−1
2 + 0, 19Xt + 0, 02Yt−1 + v̂4t R2 = 0, 354, SCT = 98, 7
Contrasta de manera adecuada la existencia de autocorrelación de primer orden en las

perturbaciones.
f) De acuerdo con lo obtenido en el apartado e), comenta las propiedades de los estimadores
por MCO en la ecuación (64). ¿Cambian en algo tus conclusiones del apartado d)?
53
De la macroeconomı́a básica se sabe que los cambios en la oferta monetaria inducen cambios
en los tipos de interés. Sin embargo, uno esperarı́a que los cambios se produjeran a lo largo de
varios periodos de tiempo. Supongamos que otras variables, como el gasto público, no afectan
significativamente a los tipos de interés. En el siguiente modelo, para datos trimestrales, se
supone un efecto distribuido a lo largo de cinco periodos:
Rt = α + β0 Mt + β1 Mt−1 + β2 Mt−2 + β3 Mt−3 + β4 Mt−4 + ut
donde Rt es el tipo de interés y Mt es la oferta monetaria (que se supone no estocástica).
a) Se ha estimado el modelo mediante MCO con 100 datos, obteniendo unos residuos cuyo
coeficiente de autocorrelación muestral de primer orden ha tomado el valor ρ̂ = 0, 75. Te-
niendo en cuenta este valor, contrasta la existencia de autocorrelación de tipo AR(1) en
las perturbaciones del modelo.
b) ¿Qué propiedades tiene el estimador de MCO en este modelo?
c) Si te piden que contrastes la hipótesis de que los cambios en la oferta monetaria no afectan
al tipo de interés, ¿cómo lo harı́as?
Con datos anuales desde 1948 hasta 1989 se ha estimado la siguiente función de consumo para
el Reino Unido:
Ct = β1 + β2 RDt + ut (65)
donde C es el consumo per cápita y RD es la renta disponible per cápita (en libras). Ambas
variables están medidas en términos reales. Los resultados de la estimación han sido:
Modelo 3: MCO utilizando las 42 observaciones 1948-1989
Variable dependiente: C

const 168,315 43,2796 3,889
RD 0,864323 0,0133004 64,985
Media de la var. dependiente = 2876,55 R-cuadrado = 0,990617

D.T. de la var. dependiente= 771,61 R-cuadrado corregido
= 0,990382 Suma de cuadrados de los residuos = 229045 Grados de
libertad = 40 Desviación tı́pica de los residuos = 75,6711
Estadı́stico de Durbin-Watson = 0,247444 Coef. de autocorr. de
primer orden = 0,927294
54
Figura 7: Gráfico de residuos del modelo (65)
250
200
150
100
50
residuo
−50
−100
−150
−200
1950 1955 1960 1965 1970 1975 1980 1985 1990
a) ¿Qué significa que las variables están medidas en términos reales?
b) Después de analizar los resultados el investigador cree que este modelo puede estar incorrectamente
especificado. ¿Cuál puede ser la razón de esta afirmación? Utilizando los resultados de la estimación
y el gráfico, repite los pasos que ha realizado para llegar a esta conclusión.
A continuación, considera dos re-especificaciones para la función de consumo. La primera propuesta junto
con los resultados de la estimación son:
Ct = β1 + β2 RDt + β3 RDt−1 + β4 Ct−1 + ut (66)
Modelo 4: MCO utilizando 41 observaciones 1949-1989
VARIABLE COEFICIENTE DESV. TIP. ESTADISTICO t
const -56,094 29,936 -1,874

RD{t} 0,684 0,085 8,048
RD{t-1} -0,723 0,080 -9,002
C{t-1} 1,068 0,097 10,980
Suma Cuadrados Residual= 45682,2 Desv. tı́pica de residuos=35,1376

R-cuadrado= 0,998043 R-cuadrado corregido=0,997885
Estadı́stico Durbin-Watson = 1,59545
Estadı́stico F(3, 37)= 6291,16
Coef. de autocorr. de primer orden= 0,166491
Estad. BG para AR(2)= 2,97

Estad. de Breusch-Pagan para varianza
en función de RD y tiempo=17,9
c) ¿Qué mide el parámetro β2 del modelo (66)?
55
Figura 8: Gráficos de residuos del modelo (66)
80 80
60 60
40 40
20 20
residuo
residuo
0
0
−20
−20
−40
−40
−60
−60
−80
−80 2000 2500 3000 3500 4000 4500 5000
1950 1955 1960 1965 1970 1975 1980 1985 1990
Renta Disponible
d) Analiza los resultados de la estimación del modelo (66). Dada la evidencia encontrada, explica
cuáles son las consecuencias sobre el estimador MCO de los coeficientes y si son fiables las desvia-
ciones tı́picas mostradas.
A continuación se muestran la segunda propuesta y su estimación:
ln(Ct ) = α1 + α2 ln(RDt ) + α3 ln(RDt−1 ) + α4 ln(Ct−1 ) + vt (67)
Modelo 5: Estimaciones MCO utilizando 41 observaciones 1949-1989

Variable dependiente: ln(C)
VARIABLE COEFICIENTE DESV. TIP. ESTADISTICO t
const 0,116 0,080 -1,453

ln(RD{t}) 0,741 0,083 8,968
ln(RD{t-1}) -0,744 0,087 -8,531
ln(C{t-1}) 1,018 0,090 11,355
Media var. dependiente = 7,94001 R-cuadrado = 0,998389

D.T. var. dependiente = 0,258946 R-cuadrado corregido = 0,998259
Suma cuadrados residuos= 0,004320 Estadı́stico F(3, 37) = 7644,56
Desv. tı́pica residuos = 0,0108057 Estad. de DW = 1,65215
Coef. de autocorr. de primer orden = 0,158247
Estad. BG para AR(2) = 3,2

Estad. Breusch-Pagan para
heterocedasticidad en función de RD y tiempo = 1,5
ESTIMACION DE MATRIZ DE COVARIANZAS DE LOS COEFICIENTES

const ln(RD{t}) ln(RD{t-1}) ln(C{t-1})
0,00641 0,0023 0,0024 -0,0056
0,0068 -0,0039 -0,0032
0,0076 -0,0040
0,0080
56
Figura 9: Gráficos de residuos del modelo (67)
0.02 0.02
0.015 0.015
0.01 0.01
0.005 0.005
residuo
residuo
0
0
−0.005
−0.005
−0.01
−0.01
−0.015
−0.015
−0.02
−0.02 7.6 7.8 8 8.2 8.4
1950 1955 1960 1965 1970 1975 1980 1985 1990
ln(Renta disponible)
e) ¿Qué mide el parámetro α2 del modelo (67)?
f) Analiza los resultados de la estimación del modelo (67). ¿Re-estimarı́as los parámetros del modelo?
Justifica tu respuesta.
g) ¿Qué modelo te parece mejor para explicar el comportamiento del consumo? ¿Por qué? Justifica
tu respuesta.
Finalmente, tras analizar el modelo (67), el investigador propone el siguiente modelo:
ln(Ct ) = δ1 + δ2 [ln(RDt ) − ln(RDt−1 )] + δ3 ln(Ct−1 ) + vt (68)
h) ¿Qué contraste ha realizado para llegar a esta conclusión? Utilizando los resultados de la esti-
mación del modelo 5, repite los pasos que ha realizado para llegar a esta conclusión. Supón que
vt ∼ N ID(0, σv2 ).
Sea el siguiente modelo: Yt = β1 + β2 Xt + β3 Yt−1 + ut t = 1, . . . , T (1)
donde Xt es un regresor no estocástico. Se ha estimado el modelo por MCO, obteniéndose:
Ŷt = 17,86 + 0,27Xt − 0,79Yt−1 t = 2, . . . , 51
En la siguiente tabla se recogen las 8 primeras observaciones de las variables Yt , Xt y ût,M CO
57
t Yt Xt ût,M CO
1 8,5 11
2 8,9 13
3 16 14
4 7,8 14,9
5 16,4 15,1 0,625
6 7,9 18 -1,864
7 18 18,8 1,304
8 8 19,1 -0,797
.. .. .. ..
. . . .
1. Utilizando las observaciones muestrales de la tabla anterior obtén los residuos de MCO iniciales.
Analiza gráficamente la posible presencia de autocorrelación de primer orden en las perturbaciones.
Explica detalladamente cómo contrastarı́as formalmente este supuesto.
Figura 10: Residuos del modelo
-1
residuos
-2
-3
-4
-5
-6
1980
2. En el caso de rechazar la hipótesis nula del apartado anterior y suponiendo que las perturbaciones
siguen un AR(1), es decir, ut = ρut−1 +²t ²t ∼ iid(0, σ²2 ), demuestra las propiedades del estimador
MCO de los parámetros de la relación (1).
Se dispone de la siguiente información muestral:

P51 P51 P51
Xt = 3323, 4 Yt = 1022 Yt−1 = 998, 5
Pt=2
51 Pt=2
51 Pt=2
51
t=2 X t Y t = 77268, 38 t=2 Yt Yt−1 = 14146, 83 Xt Yt−1 = 75652, 8
P51 2
P51 Pt=2
51 2
(X t ) = 281168, 2 t=2 Xt Xt−1 = 272614, 67 t=2 t−1 ) = 31068, 07
(Y
Pt=2
51 P51 P51
X
t=2 t−1 = 3205, 4 t=2 Xt−1 Yt−1 = 73233, 88 t=2 Xt−1 Yt = 74499, 05
58
 
0,103060 -0,000948 -0,001003
(X 0 X)−1 =  -0,000948 0,000019 -0,000015 
-0,001003 -0,000015 0,000103
   
-0,233 0,203 -0,207 -0,233 -0,0062 0,033
0
(Z X) −1
=  -0,0062 0,0032 -0,0032  0
(X Z) −1
=  0,203 0,0032 -0,021 
0,033 -0,021 0,021 -0,207 -0,0032 0,021
3. Si Z es la matriz de instrumentos, estima el modelo por Variables Instrumentales donde Xt−1 es

el instrumento para Yt−1 . Razona las propiedades de dicho estimador.
4. ¿Crees que con la estimación anterior se ha corregido el problema de autocorrelación? Razona tu

respuesta.
Además de la información anterior se dispone de la siguiente:

P 2 P ∗ P ∗ ∗
û = 3353, 54 X = 4627, 25 X Y = 148191, 84
P t−1,M CO P ∗t P t∗ t−1∗
P ût,M CO ût−1,M CO = 1331, 60 P Yt∗ = 1421, 21 P X∗t Yt∗ = 151394, 54
û2t−1,V I = 477634, 63 Y = 1388, 42 Y Y = 41014, 33
P P t−1∗ 2
P t ∗ t−12
ût,V I ût−1,V I = −196899, 12 (Xt ) = 550599, 31 (Yt−1 ) = 46920, 97
donde Yt∗ = Yt − ρ̂Yt−1 , Xt∗ = Xt − ρ̂Xt−1 , Yt−1 ∗

= Yt−1 − ρ̂Yt−2 y ρ̂ es un estimador
consistente del parámetro del proceso autorregresivo de primer orden.
∗
5. ¿Cuál es la estimación consistente del parámetro ρ utilizada para construir Yt∗ , Xt∗ y Yt−1 en las
expresiones superiores?
6. Con la información anterior, ¿se puede estimar los parámetros de la relación (1) mejorando las
propiedades del estimador de VI? Describe el método que propones y sustituye los sumatorios an-
teriores en la fórmula del estimador correspondiente. (No debes calcular las estimaciones.)
7. ¿Cómo contrastarı́as la hipótesis nula H0 : β2 = 1? Detalla explı́citamente todos los elementos que
intervienen en dicho contraste.
El dueño de una editorial propone explicar sus ventas de libros a través del modelo:
Vt = β1 + β2 Pt + β3 Gt + β4 Vt−1 + ut t = 1992 : 1, . . . , 2001 : 4 (69)
donde Vt denota las ventas, Pt , el precio medio de los libros y Gt , los gastos realizados en publicidad. Las
variables Pt y Gt se consideran no estocásticas. Estimado el modelo por MCO se obtiene:
Vˆt = 259, 42 − 2, 14 Pt + 0, 097 Gt + 0, 091 Vt−1 (70)

(44,64) (0,40) (0,005) (0,04)
R2 = 0, 9366 DW = 1, 8998 SCR = 9608, 8056
59
Su hijo piensa que la estimación del modelo anterior por MCO no es la más adecuada. Por tanto, decide
realizar la siguiente regresión auxiliar:
V̂t−1 = 313, 53 − 2, 09Pt−1 + 0, 10Gt−1 (71)
y utilizar sus resultados para estimar el modelo (69) mediante el método de Variables Instrumentales. El
resultado de dicha estimación aparece a continuación:
V̂t = 260, 54 − 2, 15 Pt + 0, 097 Gt + 0, 086 Vt−1 (72)

(45,21) (0,40) (0,005) (0,05)
R2 = 0, 9354 DW = 1, 7101 SCR = 9790, 8944
1. Explica por qué se ha utilizado la regresión auxiliar (71) para obtener los estimadores de Varia-
bles Instrumentales del modelo estimado (72). Escribe las expresiones del estimador de variables
instrumentales y del estimador de su matriz de varianzas y covarianzas para este modelo concreto,
detallando cada matriz utilizada.
2. Realiza el contraste de Hausman y decide, basándote en el resultado obtenido, si es válido el méto-

do de estimación utilizado por el padre. Razona tu respuesta.
3. Dado el resultado del apartado anterior, ¿puedes hacer algún comentario sobre el cumplimiento de
las hipótesis básicas de las perturbaciones del modelo? Razona la respuesta.
60
EXÁMENES de los cursos 2006/2007 a 2009/2010
PROBLEMA LE-2006. 1 (Jun-2006)
Una empresa familiar dedicada al arreglo de coches siniestrados, encarga a una gestorı́a un estudio sobre
la relación existente entre el número de trabajadores, L, y los beneficios anuales obtenidos (medidos en
miles de euros), M , durante los últimos 46 años. El gestor le propone la siguiente relación:
Mt = α1 + α2 Lt + ut t = 1, . . . , T (1)
donde supone que la variable Lt es no estocástica y la perturbación sigue una distribución normal de
media cero. Los resultados de la estimación MCO son los siguientes:
ct
M = 7, 4408 − 0, 6310 Lt R2 = 0, 968 DW = 1, 333 t = 1, . . . , 46 (2)
d β̂i ))
(desv( (0,0843) (0,0170)
M observada y estimada Residuos de la regresin (= M observada - estimada)

4.8 0.1
estimada
actual
4.7 0.08
4.6 0.06
4.5 0.04
4.4 0.02
residuo
M
4.3 0
4.2 -0.02
4.1 -0.04
4 -0.06
3.9 -0.08
3.8 -0.1
0 5 10 15 20 25 30 35 40 45 0 5 10 15 20 25 30 35 40 45
Además se dispone de las siguientes regresiones auxiliares:

û2t
û0 û = 0, 7734 + 0, 1225Lt + ξˆ1t SCR = 45, 8741 R2 = 0, 1209 (A)
û2t
(û0 û/46) = 0, 1740 + 0, 0351 t + ξˆ2t SCR = 60, 5979 R2 = 0, 1418 (B)
ût
(û0 û/46) = 0, 2232 − 0, 3517 t + 2, 4571Lt + ξˆ3t SCR = 36, 3244 R2 = 0, 2187 (C)
ût = 0, 2992ût−1 + 0, 0464ût−2 + ξˆ4t SCR = 0, 0733 R2 = 0, 1010 (D)
1. Interpreta el coeficiente α2 , ¿cuál es el signo que esperas?
2. Comenta los gráficos. ¿Crees que el modelo (1) cumple todas las hipótesis básicas?
61
3. Basándote en la información proporcionada, ¿qué supuestos sobre la perturbación podrı́as contras-
tar? Realiza los posibles contrastes indicando todos los elementos necesarios.
No satisfecho con los resultados el gestor procede a estimar el siguiente modelo alternativo:
Mt = β1 + β2 Lt + β3 L2t + vt t = 1, . . . , T (3)
cuyos resultados aparecen en la siguiente tabla:
Modelo 3: estimaciones MCO utilizando las 46 observaciones 1948–1993

Variable dependiente: M
Variable Coeficiente Desv. tı́pica Estadı́stico t valor p

const 421,905 21,0849 20,0098 0,0000
L -72,228 4,71511 -15,3185 0,0000
L2 0,000484685 8,99453e-05 5,3887 0,0000
Media de la var. dependiente 78,0652 R2 0,962685

D.T. de la variable dependiente 18,9975 R̄2 corregido 0,960949
Suma de cuadrados de los residuos 606,028 F (2, 43) 554,674
4. ¿Qué pretende recoger el nuevo término?
Además se dispone de los siguientes resultados:
Modelo A: estimaciones MCO utilizando las 46 observaciones 1–46

v̂ 2
Variable dependiente: 0 t
(v̂ v̂)/46

const -0,132741 0,391608 -0,3390 0,7362
t 0,0482018 0,0145090 3,3222 0,0018
Media de la var. dependiente 1,00000 R2 0,200538

D.T. de la variable dependiente 1,44478 R̄2 corregido 0,182368
Suma de cuadrados de los residuos 75,0956 Grados de libertad 44
Desviación tı́pica de los residuos (σ̂) 1,30641 Estadı́stico de Durbin–Watson 2,08620
Modelo B: estimaciones MCO utilizando las 45 observaciones 2–46

Variable dependiente: v̂t

const -0,144956 1,26964 -0,1142 0,9097
L 0,0583956 0,513785 0,1137 0,9101
L2 -0,00585360 0,0517415 -0,1131 0,9105
v̂t−1 0,194001 0,153777 1,2616 0,2142
62
Media de la var. dependiente -8,41529e-05 R2 0,0374139
D.T. de la variable dependiente 0,0400752 R̄2 corregido -0,0330193
Suma de cuadrados de los residuos 0,0680212 F(3,41) 0,531197
Desviación tı́pica de los residuos (σ̂) 0,0407315 Estadı́stico de Durbin–Watson 1,97476
5. Basándote en la información contenida en las dos tablas anteriores:

i. ¿Qué concluyes sobre las caracterı́sticas de la perturbación?
ii. ¿A qué se debe la contradicción que se obtiene entre los Apartados 3 y 5.i?
6. A la vista de los resultados obtenidos en la estimación del modelo (3), ¿cuáles son las consecuencias
sobre el estimador de MCO y las desviaciones estimadas mostradas?
Otro de los socios de la gestorı́a presenta los siguientes resultados obtenidos empleando otro estimador
alternativo.
Modelo C: estimaciones MC.Ponderados utilizando las 46 observaciones 1948–1993

Variable dependiente: M
1
Variable utilizada como ponderación: 2
t

const 147,113 4,21100 34,9355 0,0000
L -0,666136 0,0404821 -16,4551 0,0000
L2 0,00115263 9,35801e-05 12,3170 0,0000
7. Escribe la función de regresión poblacional que se está estimando e indica cuáles son los supuestos
sobre la perturbación que se han asumido. ¿Cuál es el método de estimación que se está empleando?
Escribe la fórmula matricial del estimador y cada uno de sus componentes.
8. Dado el supuesto realizado sobre la varianza de ut , ¿cuál es el correspondiente modelo transformado

con perturbaciones esféricas? Demuéstralo. Para este modelo, indica cuáles son los pasos necesarios
para obtener dichas estimaciones y el valor de éstas.
9. ¿Cómo contrastarı́as si el número de trabajadores de la empresa es relevante para determinar el

beneficio medio anual?
PROBLEMA LE-2006. 2 (Jun-2006)
Se dispone de 62 observaciones sobre las siguientes caracterı́sticas de los terremotos registrados en Alaska
durante el periodo 1969-19784 :
4
Fuente: Fuller, W.A. (1987). Measurement Error Models. Wiley, New York.
63
Yt El logaritmo de la amplitud de onda en metros por segundo, (m/sg).
Xt∗ El logaritmo de la amplitud del cuerpo longitudinal de la onda en m/sg.
Wt El logaritmo de la traza máxima de amplitud de onda a corta distancia en m/sg.
Se quiere estimar cuál es el efecto sobre Yt de la velocidad de amplitud del cuerpo de la onda de un
terremoto, Xt , mediante el modelo:
Yt = β1 + β2 Xt + vt vt ∼ N ID(0, σv2 ) (4)
La tecnologı́a existente no permite obtener directamente el valor de la variable no estocástica Xt por lo

que se aproxima mediante Xt∗ = Xt + et , donde Xt∗ es la variable observada y et ∼ NID(0, σe2 ) es el error
de medida. Además, la perturbación del modelo, v, y el error de medida, e, son independientes. Se han
obtenido los siguientes resultados a partir del estimador de Mı́nimos Cuadrados ordinarios (MCO).
Yt = −1,491 + 1,261 Xt∗ + ût , SCR = 17,242.

d β̂i ))
(desv( (0,780) (0,149)
· ¸−1
2, 118 −0, 403
(X 0 X)−1 =
−0, 403 0, 077
1. Obtén paso a paso cada uno de los siguientes valores:
ut =
E(ut ) =
V ar(ut ) =
Cov(ut , us ) =
E(Xt∗ ut ) =
2. Razona las propiedades en muestras finitas y asintóticas del estimador MCO.
El modelo anterior ha sido reestimado por variables instrumentales (VI). Para ello se ha utilizado como
instrumento para el regresor Xt∗ a la variable Wt , cuya medición se puede realizar con exactitud. Se han
obtenido los siguientes resultados.
Yt = −4,287 + 1,797 Xt∗ + ût , SCR = 20,961.

d β̂i,V I ))
(desv( (1,114) (0,213)
3. Escribe explı́citamente la fórmula del estimador de VI y su expresión en términos de sumatorios.
64
4. Escribe explı́citamente las condiciones necesarias para que el estimador de VI sea consistente.
5. Lleva a cabo el contraste de Hausman para analizar si es o no importante el problema de error de

medida. Escribe la hipótesis nula, la alternativa y todos los elementos del contraste, ası́ como su
conclusión.
6. Contrasta la hipótesis de que, en media, la amplitud del cuerpo longitudinal de la onda recogida
en un sismógrafo no es relevante sobre la amplitud de la onda.
PROBLEMA LE-2006. 3 (Sep-2006)
El Departamento de Sanidad de E.E.U.U. quiere estudiar la relación entre el gasto sanitario agregado
en billones de dólares (exphlth), la renta personal disponible agregada también en billones de dólares
(income), el porcentaje de población que supera los 65 años en el año 2005 (seniors) y la población
en millones (pop). Para ello encarga un estudio a dos becarios de la facultad de Económicas de Harvard
poniendo a su disposición datos de 2005 para dichas variables sobre 51 estados americanos y los siguientes
resultados5 :
Modelo 1: estimaciones MCO utilizando las

51 observaciones 1-51 Variable dependiente: exphlth
0) const -3,55153 1,40710 -2,524 0,014965 **

2) income 0,142035 0,00184017 77,186 < 0,00001 ***
4) seniors 0,305816 0,108449 2,820 0,006962 ***

Estadı́stico F (2, 48) = 2985,94 (valor p < 0,00001)
Estad. de Breusch-Pagan para la varianza en función de POP = 15,13
El becario A supone que las variables income, seniors y pop son no estocásticas, que la perturbación
sigue una distribución normal y concluye que tanto la renta como el porcentaje de población mayor de 65
años son variables individualmente significativas para explicar el gasto sanitario y presenta los siguientes
resultados:
5
Fuente: Ramanathan, Ramu (2002): Introductory Econometrics with Applications, fichero data8-3.gdt.
65
residuos MCO versus pop Residuos de la regresión (= exphlth observada − ajustada)
5 4
4 3
3
2
2
1
1
0
residuo
residuo
0
−1
-1
−2
-2
−3
-3
-4 −4
-5 −5
0 5 10 15 20 25 30 0 10 20 30 40 50
pop index
Modelo becario A: estimaciones MCO utilizando las 51 observaciones

1-51 Variable dependiente: exphlth Desviaciones tı́picas robustas a
heterocedasticidad, variante HC3
const -3,55153 1,57010 -2,262 0,028265 **

income 0,142035 0,00264576 53,684 < 0,00001 ***
seniors 0,305816 0,121408 2,519 0,015157 **

1. ¿Qué modelo está estimando el becario A? Analiza la información proporcionada en los gráficos y
realiza los contrastes que consideres oportunos.
2. ¿Qué supuestos está realizando sobre la media, varianza y covarianzas de la perturbación?, ¿qué méto-
do de estimación está utilizando?
3. ¿Estás de acuerdo con sus conclusiones sobre la significatividad individual de las variables? Realiza
los contrastes que creas oportunos para justificar tus argumentos.
Al mismo tiempo el becario B, que también supone que las variables income, seniors y pop son no
estocásticas y que la perturbación sigue una distribución normal llega a las mismas conclusiones sobre la
significatividad individual de las variables. Presenta los resultados siguientes:
66
Modelo becario B: estimaciones MC.Ponderados utilizando las 51 observaciones 1-51
Variable dependiente: exphlth
1
Variable utilizada como ponderación:
pop2
const -1,12626 0,408314 -2,758 0,008196 ***

income 0,142343 0,00493399 28,849 < 0,00001 ***
seniors 0,106763 0,0330614 3,229 0,002242 ***
Estadı́sticos basados en los datos ponderados::

4. ¿Qué modelo está estimando el becario B?, ¿qué supuesto está realizando sobre la varianza de la
perturbación?, ¿qué método de estimación está utilizando?
5. ¿Estás de acuerdo con sus conclusiones sobre la significatividad individual de las variables? Realiza
los contrastes que creas oportunos para justificar tus argumentos.
6. Valora el comportamiento de ambos investigadores. ¿Cuál te parece más adecuado?
PROBLEMA LE-2006. 4 (Sep-2006)
Un agricultor quiere conocer la relación que existe entre la cantidad de fresas recolectadas en sus tierras,
Q, medida en kilogramos, y el número de jornaleros contratados, L. Para ello encarga un estudio sobre
la relación entre ambas variables a un económetra, quien especifica el siguiente modelo:
Qt = β1 + β2 Lt + ut t = 1970, . . . , 2004 (1)
donde Lt es no estocástica y ut sigue una distribución normal. La estimación MCO presenta los siguientes
resultados:
bt
Q = 1115, 93 − 2, 4462 Lt R2 = 0, 8594 DW = 0, 3210 T = 35 (2)
(estad-t) (36,62) (-14,20)
Además se dispone de las siguientes regresiones, donde ût son los residuos obtenidos de (2):
67
ût = 31, 25 − 0, 1814Lt + 0, 8958ût−1 + ζ̂1t SCR = 26981, 8 R2 = 0, 7041 (A)
ût = 1, 1397 + 0, 8958ût−1 + ζ̂2t SCR = 29807, 6 R2 = 0, 6731 (B)
û2t
(û0 û/35) = 0, 4432 + 2, 2378Lt + ζ̂3t SCR = 70, 4985 R2 = 0, 0427 (C)
û2t
(û0 û/35) = 1, 7899 + 0, 9955ût−1 + ζ̂4t SCR = 55, 2297 R2 = 0, 0577 (D)
Y de los siguientes gráficos:
Q observada y estimada Residuos de la regresin (= Q observada - estimada)

1000 150
estimada
actual
900
100
800
50
residuo
Q
700
600
-50
500
400 -100
1970 1975 1980 1985 1990 1995 2000 1970 1975 1980 1985 1990 1995 2000
1. ¿La muestra se compone de datos de sección cruzada o datos temporales?, ¿por qué?
2. Interpreta el coeficiente β2 , ¿cuál es el signo que esperas?
3. Comenta el gráfico que representa los valores reales y los ajustados de la variable endógena. ¿Crees
que se trata de un buen ajuste? Comenta el gráfico de los residuos. A la vista de ambos gráficos,
¿crees que el modelo cumple todas las hipótesis básicas?
4. Basándote en la información proporcionada verifica si las perturbaciones cumplen las hipótesis

básicas.
5. Dada la evidencia encontrada explica cuáles son las consecuencias sobre el estimador MCO de los
coeficientes y la fiabilidad de los estadı́sticos mostrados.
A la vista de los resultados obtenidos en los contrastes anteriores el económetra estima la relación (1)
empleando otro estimador que cree más adecuado al contexto. Los resultados que obtiene son los siguien-
tes:
Modelo 2: estimaciones Cochrane–Orcutt utilizando las 34 observaciones 1971–2004

Variable dependiente: Q
iteración final ρ̂ = 0,976619
68
const 1456,54 186,561 7,8073 0,0000
L 2,74197 1,13652 2,4126 0,0217
6. ¿Qué método de estimación se está empleando? Especifica detalladamente todos los pasos que se
han de llevar a cabo para obtener todas las estimaciones anteriores. ¿Por qué es más adecuado que
el anterior? Razona tu respuesta basándote en las propiedades del estimador.
En una conversación con el agricultor, éste le comenta que en general a una buena cosecha, le suceden
buenas cosechas y que cuando se obtiene una mala cosecha es muy probable que las siguientes sean malas
también. Esto hace reflexionar al económetra porque pudiera ser que la cantidad de fresas recogidas en
la temporada anterior influyera en la cosecha actual. En base a su sospecha el económetra especifica y
estima el siguiente modelo:
Qt = α1 + α2 Lt + α3 Qt−1 + wt (3)
Resultados de la estimación:


const 90,9866 99,9536 0,9103 0,3697
L -0,230355 0,0115477 -1,9948 0,0470
Qt−1 0,944638 0,0898926 10,5085 0,0000
Estadı́stico de Durbin-Watson = 3,10304
Además se dispone de las siguientes regresiones auxiliares:
ŵt = 21, 32 − 0, 1766Lt + 0, 8788ŵt−1 + η̂1t SCR = 25671, 3 R2 = 0, 4734 (E)
ŵt = 1, 7943 + 0, 2398ŵt−1 + 0, 5647Qt−1 + η̂2t SCR = 23398, 1 R2 = 0, 4767 (F )
ŵt = −255, 47 + 0, 579406Lt + 0, 231059Qt−1 − 0, 804475ŵt−1 + η̂3t SCR = 10958, 4 R2 = 0, 4869 (G)
ŵt2
(ŵ0 ŵ/34) = 0, 4432 + 2, 2378Lt + η̂4t SCR = 77, 8328 R2 = 0, 05665 (H)
ŵt
(ŵ0 ŵ/34) = 3, 9229 + 2, 2552ŵt−1 + 0, 3463Qt−1 + η̂5t SCR = 50, 0805 R2 = 0, 0064 (I)
7. Realiza los contrastes que creas oportunos y calcula o razona las siguientes igualdades:
E(wt ) =
E(wt2 ) =
69
Cov(wt , ws ) =
E(Lt wt ) =
E(Qt−1 wt ) =
E(β̂M CO ) =
8. ¿Qué puedes decir sobre el Teorema de Mann y Wald y la consistencia de estimador MCO?
9. Para poder comprobar que la cosecha de la temporada anterior es un factor que determina la
cosecha actual se ha obtenido la siguiente estimación consistente, asintóticamente eficiente y
válida para hacer inferencia del modelo (3):
Qt − ρ̂Qt−1 = 25, 28 (1 − ρ̂) + 0, 064 (Lt − ρ̂Lt−1 ) + 1, 067 (Qt−1 − ρ̂Qt−2 ) + ²̂t (4)
d α̂i )) | {z } (0,125) | {z } (0,048)
(desv( Xt∗ L∗
| {z } t
Qt∗
R2 = 0, 981 DW = 1, 98
siendo ²t es un ruido blanco tal que ²t = wt − ρwt−1 y wt son las perturbaciones del modelo (3).
Completa y/o realiza lo siguiente:
a) ²t ∼ ( , )
b)
   −1
α̂1   ............ ............ ............  
  25, 28   ............
       
 α̂2     ............ ............ ............   
  = 0, 064     ............ 
   =   
       
 α̂3   ............ ............ ............ 
1, 067 ............
.........
c) ¿Cuál es el estimador consistente de ρ empleado? Describe todos los elementos y las condiciones
que te garantizan la consistencia del parámetro ρ estimado.
d) ¿Es cierto que la cosecha de la temporada anterior es un factor que determina la cosecha actual?
¿Qué implicaciones tiene el resultado?
PROBLEMA LE 2007. 1 (Jun-2007)
Una consultora americana tiene firmado un contrato para realizar un estudio sobre la relación entre el
número de patentes y los gastos en Investigación y Desarrollo (RD) en Estados Unidos. Para ello dispone
70
de datos anuales para los años 1960 a 1993 de las siguientes variables6 :
PATENTS: número de patentes, en miles de unidades, (rango muestral de 84,5 a 189,4).

RD: gastos en investigación y desarrollo, en billones de dólares de 1992, (rango muestral de 57,94
a 166,7)
En primer lugar se considera estimar por MCO el modelo simple:
P AT EN T St = β1 + β2 RDt + ut t = 1, . . . , 34 (1)
Variable dependiente: PATENTS

const 34,5711 6,35787 5,4375 0,0000
RD 0,791935 0,0567036 13,9662 0,0000
Desviación tı́pica de los residuos (σ̂) 11,1724

R-cuadrado 0,859065
Estadı́stico de Durbin–Watson 0,233951
1. Interpreta el coeficiente estimado que acompaña a la variable RD. ¿Tiene el signo esperado?, ¿es
una variable significativa?
2. Comenta detalladamente los tres gráficos proporcionados.
Figura 11: PATENTS sobre RD, PATENTS observada y estimada y Residuos MCO sobre tiempo
PATENTS con respecto a R_D PATENTS observada y estimada Residuos de la regresin (= PATENTS observada - estimada)
200 200 25
Y = 34,6 + 0,792X estimada
actual
20
180
180
15
160
10
160
140 5
PATENTS
PATENTS
residuo
140 0
120
-5
120
100 -10
-15
80 100
-20
60
60 80 100 120 140 160 80 -25
1960 1965 1970 1975 1980 1985 1990 1960 1965 1970 1975 1980 1985 1990
R_D
¿Qué problema parece existir en el modelo anterior? Razónalo con detalle y comenta las posi-
bles consecuencias sobre los resultados mostrados y los obtenidos en el apartado anterior.
Después de probar con diversas especificaciones la consultora decide elegir de entre las siguientes:
P AT EN T St = β1 + β2 RDt + β3 RDt2 + u1t (2)

P AT EN T St = α1 + α2 RDt + α3 RDt−4 + α4 RDt2 + u2t (3)
3. ¿Son estos dos modelos lineales?, ¿por qué? ¿Son ambos modelos dinámicos?, ¿por qué?
6
71
4. Escribe la matriz de datos que corresponde a cada modelo.
Los resultados de la estimación de las dos especificaciones alternativas son:
MODELO A: P ATd EN T S t = 121, 575 − 0, 852 RDt + 0, 00706 RDt2

d
(desv) (23, 243) (0, 429) (0, 00183)
d N −W est
(desv) (27, 615) (0, 503) (0, 002)
R2 = 0, 904 DW = 0, 284 BG(4) = 27, 171
MODELO B: P ATd EN T S t = 135, 887 − 1, 789 RDt + 0, 813 RDt−4 + 0, 00790 RDt2
d
(desv) (22, 493) (0, 356) (0, 097) (0, 00160)
d N −W est
(desv) (30, 555) (0, 475) (0, 120) (0, 002)
R2 = 0, 979 DW = 0, 842 BG(4) = 11, 974
Figura 12: Gráficos de residuos de los Modelos A y B
Residuos del Modelo A Residuos del Modelo B

20 8
15 6
10 4
5 2
residuo
residuo
0 0
-5 -2
-10 -4
-15 -6
-20 -8
1960 1965 1970 1975 1980 1985 1990 1960 1965 1970 1975 1980 1985 1990
5. ¿Crees que los gráficos de los residuos reflejan algún problema? Contrástalo.
6. ¿Por qué crees que han utilizado el estimador de Newey-West para la obtención de las desviaciones
tı́picas? ¿te parece razonable su uso en las dos especificaciones?
7. Utilizando toda la información proporcionada, ¿cuál crees que puede ser la mejor especificación
para determinar el número de patentes? Razona tu respuesta. ¿Es el modelo escogido un modelo
con dinámica?
8. Dado el modelo que has escogido, obtén el incremento medio en el número de patentes inscritas
cuando el gasto en investigación y desarrollo correspondiente a ese año aumenta en un billón de
dólares manteniendo el resto de los factores constantes. Dado el rango muestral, ¿es el incremento
estimado positivo?
72
PROBLEMA LE 2007. 2 (Jun-2007)
Una empresa quiere analizar el precio (P) de las viviendas en un determinado paı́s en función del tipo de
interés (I) y del Producto Interior Bruto (PIB). Para ello se dispone de datos trimestrales correspondientes
al periodo 1963-1985. Los resultados de la estimación son los siguientes:
Pbt = −5, 3174 + 1, 864 P IBt − 0, 890 It (4)

d
(desv) (3,128) (0,469) (0,295)
SCR = 0, 516 R2 = 0, 478
El analista de la empresa, tras observar los residuos, sospecha que la varianza de las perturbaciones al
principio de la muestra son menores que los correspondientes al final de la muestra. Por ello propone dos
posibles especificaciones:
V ar(ut ) = δ t4 δ>0 (5)

V ar(ut ) = γ1 + γ2 Dt γ1 , γ2 > 0 (6)
donde la variable ficticia Dt toma valor uno para las observaciones comprendidas en el periodo 1963-1975
y cero en caso contrario.
1. ¿Qué pretenden recoger las ecuaciones (2) y (3)?, ¿en qué se diferencian? Escribe la matriz de
varianzas y covarianzas de la perturbación asociada a cada una de las propuestas. (Supón que
E(ut us ) = 0 t 6= s.)
2. ¿Podrı́as verificar la sospecha del analista con el contraste de Hausman? Razónalo.
Al final el analista se decide por una de las especificaciones y obtiene los siguientes resultados
Modelo: estimaciones M.C.Ponderados utilizando las observaciones 1976:1–1985:4

Variable dependiente: P
Variable utilizada como ponderación: 1/t4

const −9,3955 3,83947 −2,4471 0,0443
PIB 2,42845 0,511158 4,7509 0,0021
I −1,0789 0,182560 −5,9103 0,0006
Suma de cuadrados de los residuos 0,000142049

R2 0,837967
R̄2 corregido 0,791671
3. Escribe la función de regresión poblacional que ha estimado el analista. Especifica las hipótesis
necesarias sobre la perturbación para que la ponderación empleada sea la adecuada. Demuestra tus
afirmaciones.
73
4. Escribe detalladamente la expresión del estimador empleado.
 −1  
   
   
   
   
   
   
   
βb.......... =







   
   
   
   
   
   
5. Si la especificación adecuada para la varianza fuese la recogida en la ecuación (3), ¿qué consecuen-
cias tendrı́a sobre las estimaciones de Mı́nimos Cuadrados Ponderados mostradas? En este caso,
¿cómo estimarı́as los coeficientes del modelo?, ¿por qué?
PROBLEMA LE 2007. 3 (Sep-2007)
El director de una empresa desea estudiar la función de demanda de silicona para la construcción de
equipamientos. Para ello dispone de una muestra de datos mensuales7 desde 1983:1 hasta 1990:5 sobre
los galones producidos de silicona (Q) y el precio por galón en dólares (P ). Con estos datos se estima el
siguiente modelo:
Qt = β1 + β2 Pt + ut (1)
Los resultados que se obtienen son los siguientes:
Modelo 1: estimaciones MCO utilizando las 89 observaciones 1983:01–1990:05


const 5962,05 955,810 6,2377 0,0000
P −381,09 104,766 −3,6376 0,0005
Media de la var. dependiente 2531,49

D.T. de la variable dependiente 1564,67
Suma de cuadrados de los residuos 1,87000e+08
R2 0,132013
Grados de libertad 87
Coef. de autocorr. de primer orden. 0,323783
Estadı́stico de Breusch-Godfrey, BG(1) 9,52
7
74
1. ¿Qué hipótesis se están asumiendo sobre la perturbación del modelo para que los estadı́sticos-t
anteriores tengan validez?, ¿y sobre la variable explicativa? Razónalas.
2. Indica cómo y para qué se ha calculado el valor “Estadı́stico de Durbin-Watson = 1,32875”. Dado
el valor de este estadı́stico, ¿son creı́bles las hipótesis asumidas para la perturbación en el apartado
anterior?
Se dispone además de los siguientes gráficos:
Residuos de la regresin (= Q observada - estimada) Q observada y estimada

5000 8000
estimada
actual
4000 7000
3000 6000
2000 5000
residuo
1000
Q
4000
0 3000
-1000 2000
-2000 1000
-3000 0
1983 1984 1985 1986 1987 1988 1989 1990 1983 1984 1985 1986 1987 1988 1989 1990
El director, tras analizar los resultados de la estimación y los gráficos disponibles decide proponer
este nuevo modelo:
Qt = α1 + α2 Pt + α3 Qt−1 + vt (2)
3. ¿Qué razones crees que han llevado al gerente a proponer el nuevo modelo? Razónalo en base a los
gráficos y todos los resultados disponibles.
Los conocimientos de econometrı́a del gerente son limitados y no confı́a en tomar la decisión
adecuada sobre el método de estimación, por lo que duda entre dos alternativas. Los primeros
resultados de que dispone son los siguientes:
Modelo 2: estimaciones MC2E utilizando las 88 observaciones 1983:02–1990:05

Instrumentos: P 1
const 6056,46 1363,59 4,4415 0,0000
P −375,74 109,814 −3,4216 0,0006
Q1 −0,0470207 0,285300 −0,1648 0,8691

R2 0,101437
Estadı́stico de Hausman 1,7694
4. Dados los resultados de la primera alternativa:

a) ¿Qué método de estimación ha utilizado? ¿Por qué crees que ha propuesto este estimador?
¿Qué propiedades tiene el estimador empleado? Explica con detalle tus afirmaciones.
75
b) Escribe explı́citamente la fórmula del estimador.
La segunda estimación disponible es la siguiente:


const 4971,54 967,433 5,1389 0,0000
P −346,23 100,532 −3,4440 0,0009
Q1 0,276772 0,0956479 2,8937 0,0048

R2 0,206563
F (2, 85) 11,0645
Coef. de autocorr. de primer orden. -0,00538456
Estadı́stico de Breusch-Godfrey, BG(1) 0,04984
5. Dados los resultados de la segunda alternativa:

a) ¿Qué método de estimación ha utilizado? Escribe explı́citamente la fórmula.
b) Enuncia el teorema de Mann y Wald y verifica si se satisfacen sus condiciones en este caso.
Indica las propiedades del estimador. ¿Cuál de los dos métodos de estimación te parece la
más adecuada?, ¿por qué?
6. Contrasta si el modelo que determina la producción de silicona es estático.
PROBLEMA LE 2007. 4 (Sep-2007)
La inmobiliaria BOSHOUSE contrató a un gestor para que le asesore en su polı́tica de fijación de precios.
Para ello le presenta la siguiente información obtenida con 88 observaciones sobre precios de venta y
sus determinantes correspondientes a hogares situados en Boston y su área de influencia. Las variables
disponibles son: precio de la vivienda en miles de dólares (price), tamaño de la parcela en pies cuadrados
(lotsize), tamaño de la vivienda en pies cuadrados (sqrft) y número de dormitorios (bdrms). El analista
propone dos especificaciones alternativas para determinar el precio de la vivienda. Los resultados de la
primera especificación se muestran a continuación:
76
Variable dependiente: price

const −21,770 29,4750 −0,7386 0,4622
lotsize 0,00206771 0,000642126 3,2201 0,0018
sqrft 0,122778 0,0132374 9,2751 0,0000
bdrms 13,8525 9,01015 1,5374 0,1279

Suma de cuadrados de los residuos 300724
R2 0,672362
F (3, 84) 57,4602
Breusch-Pagan: h(γ0 + γ1 lotsize + γ2 sqrft) 27,97
Residuos de la regresin (= price observada - estimada)

250
200
150
100
residuo
50
-50
-100
-150
0 10 20 30 40 50 60 70 80 90
Residuos de la regresin (= price observada - estimada) Residuos de la regresin (= price observada - estimada)
250 250
200 200
150 150
100 100
residuo
residuo
50 50
0 0
-50 -50
-100 -100
-150 -150
0 10000 20000 30000 40000 50000 60000 70000 80000 90000 1500 2000 2500 3000 3500
lotsize sqrft
1. ¿Qué modelo está estimando la empresa? Interpreta los dos primeros coeficientes estimados del
modelo.
2. Interpreta la información contenida en los gráficos y realiza los contrastes que creas oportunos.
¿Cuáles son las propiedades del estimador MCO? Razona tus afirmaciones.
3. Dados los resultados obtenidos, propón una estructura para la matriz de varianzas y covarianzas.
¿Cómo la estimarı́as?
Los resultados de la segunda alternativa se muestran a continuación:
77
Variable dependiente: ln(price)

const −1,2970 0,651284 −1,9915 0,0497
ln(lotsize) 0,167967 0,0382811 4,3877 0,0000
ln(sqrft) 0,700232 0,0928652 7,5403 0,0000
bdrms 0,0369583 0,0275313 1,3424 0,1831

R2 0,642965
F (3, 84) 50,4237
Breusch-Pagan: h(γ0 + γ1 ln(lotsize) + γ2 ln(sqrft)) 4,66
Residuos de la regresin (= lprice observada - estimada)

0.8
0.6
0.4
0.2
residuo
-0.2
-0.4
-0.6
-0.8
Residuos de la regresin (= lprice observada - estimada)0 10 20 30 40 50 60 Residuos
70 de la regresin
80 90 observada - estimada)
(= lprice
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
residuo
residuo
0 0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
7 7.5 8 8.5 9 9.5 10 10.5 11 11.5 7.2 7.4 7.6 7.8 8 8.2
llotsize lsqrft
4. ¿Qué modelo está estimando la empresa? ¿Recogen los coeficientes lo mismo que en la espe-
cificación anterior? Razona tu respuesta.
5. Interpreta la información contenida en los gráficos y realiza los contrastes que creas oportu-
nos. ¿Cuáles son las propiedades del estimador MCO? Razona tus afirmaciones.
6. Dados los resultados obtenidos, propón una estructura para la matriz de varianzas y cova-
rianzas. ¿Cómo la estimarı́as?
78
7. ¿Cuál de las dos especificaciones te parece más adecuada para determinar el precio de la
vivienda?, ¿por qué?
PROBLEMA LE 2008. 1 (Jun-2008. Evaluación Continua.)
Las competencias que se evaluan en esta prueba son:
1. Comprender la importancia de los supuestos empleados en la especificación de un modelo eco-

nométrico básico para poder proponer y emplear supuestos más realistas.
2. Diferenciar distintos métodos de estimación y evaluar su uso de acuerdo a las caracterı́sticas de las
variables económicas de interés para obtener resultados fiables.
4. Valorar adecuadamente los resultados obtenidos para elaborar informes económicos
Un estudiante pretende medir la relación que existe entre el consumo y la renta en Estados Unidos para
el periodo 1947:01-1980:4. Para ello dispone de datos trimestrales8 del consumo per capita (C, medido
en dólares con año base 1982) y de la renta disponible per capita (RD, medido en dólares con año base
1982).
El estudiante comienza estimando un modelo de regresión simple que relaciona estas dos variables de
forma lineal obteniendo los siguientes resultados y gráficos de residuos:


const 325,972 32,8874 9,9117 0,0000
RD 0,861635 0,00454809 189,4498 0,0000

R2 0,996280
PARTE 1
1.a) Escribe el modelo que se ha propuesto y la recta de regresión muestral.
1.b) Interpreta el coeficiente estimado 0,861635.
8
Los datos corresponden al libro: Undergraduate Econometrics de R.C. Hill, W.E. Griffiths y G.G. Judge,
John Wiley and Sons, 2001
79
Residuos de la regresin (= C observada - estimada) Residuos de la regresin (= C observada - estimada)
250 250
200 200
150 150
100 100
50 50
residuo
0
residuo
-50
-50
-100
-100
-150
-150
-200
-200
-250
-250
-300
-300 5000 6000 7000 8000 9000 10000
1950 1955 1960 1965 1970 1975 1980
RD
1.c) Comenta los dos gráficos proporcionados.
En base a los resultados obtenidos el estudiante decide estimar una segunda especificación:


const 1203,56 176,573 6,8162 0,0000
RD 0,609486 0,0501581 12,1513 0,0000
sq RD 1,72209e-05 3,41370e-06 5,0446 0,0000

R2 0,996878
F (2, 133) 21232,5
1.d) Escribe el modelo de regresión lineal general propuesto. ¿Es el modelo dinámico?
1.e) Explica detalladamente cuál es la diferencia entre la especificación del Modelo 2 y la del Modelo
1. ¿Por qué crees que ha estimado este segundo modelo?
1.f) Si la renta disponible per capita aumentara en un dólar, ¿cuál es la variación estimada sobre el
consumo per capita?
1.g) ¿Qué supuestos sobre la perturbación son necesarios para que el estimador MCO sea el de mı́nima
varianza?, ¿se cumplen estos supuestos?
PARTE 2
El estudiante reflexiona sobre la posible relación entre las variables de interés y llega a la conclusión de
que probablemente el consumo esté determinado por el consumo realizado en el periodo anterior:
Ct = β1 + β2 RDt + β3 RDt2 + β4 Ct−1 + ut (1)
80
Los resultados de estimación que obtiene se muestran a continuación:


const 120,419 141,412 0,8515 0,3960
RD 0,211371 0,0442917 4,7723 0,0000
sq RD 7,63071e-07 2,55460e-06 0,2987 0,7656
C1 0,745746 0,0551728 13,5165 0,0000

R2 0,998679
2.a) ¿Es el modelo dinámico?
2.b) ¿Qué supuestos sobre las variables explicativas son necesarios para que el estimador MCO sea in-
sesgado?, ¿se cumplen estos supuestos? Razona tu respuesta.
El estudiante quiere analizar más detenidamente los resultados obtenidos para el Modelo 3 por lo que
decide estimar la siguiente regresión auxiliar:
Regresión Auxiliar: estimaciones MCO utilizando las 131 observaciones 1948:2–1980:4

Variable dependiente: uhat

const 133,639 140,457 0,9515 0,3432
RD 0,0812303 0,0472794 1,7181 0,0883
sq RD 1,92833e-06 2,51581e-06 0,7665 0,4449
C1 −0,126831 0,0581626 −2,1806 0,0311
uhat 1 0,173421 0,0906443 1,9132 0,0580
uhat 2 0,345921 0,0933133 3,7071 0,0003
uhat 3 0,112459 0,0949148 1,1848 0,2384
uhat 4 −0,106228 0,0933740 −1,1377 0,2575
R2 0,161219
2.c) ¿Para qué le sirve al estudiante los resultados de la estimación de esta regresión auxiliar?, ¿qué es
lo que pretende contrastar? ¿Cuál es la conclusión que obtiene? Contrástalo.
2.d) Dados los resultados obtenidos en la regresión auxiliar, ¿cuáles son las propiedades del estimador
empleado en el Modelo 3? Razona tu respuesta.
81
PARTE 3
El estudiante parece estar seguro de la especificación del modelo que quiere estimar es la misma que
analiza en la PARTE 2, es decir
Ct = β1 + β2 RDt + β3 RDt2 + β4 Ct−1 + ut
sin embargo no tiene claro el estimador que deberı́a emplear. A continuación el estudiante presenta los
resultados que obtiene al estimar el modelo de dos formas alternativas:
Alternativa 1: estimaciones Hildreth–Lu utilizando las 134 observaciones 1947:3–1980:4

ρ̂ = 0,3

const 269,668 130,288 2,0698 0,0405
RD 0,289198 0,0600934 4,8125 0,0000
sq RD 2,99853e-06 3,39482e-06 0,8833 0,3787
C1 0,617666 0,0669645 9,2238 0,0000
Estadı́sticos basados en los datos rho-diferenciados:

R2 0,998772
3.a) ¿Qué método de estimación ha utilizado? Escribe explı́citamente la fórmula del estimador en base
al modelo transformado.
X³
t=.... ´2
SCR∗ = Yt∗ − βˆ1 X1t
∗
− βˆ2 X2t
∗
− βˆ3 X3t
∗
− βˆ4 X4t
∗
t=....
Yt∗ = ..........................; ∗
X1t = ..........................; ∗
X2t = ..........................
∗ ∗
X3t = ..........................; X4t = ..........................
 −1  
   
   
   
   
   
   
   
βb.......... =







   
   
   
   
   
   
Escribe el proceso elegido por el estudiante para modelizar la dinámica de la perturbación:
3.b) Dados los resultados de estimación mostrados, ¿cuál es la estructura para la matriz de varianzas y
covarianzas de la perturbación que está proponiendo el estudiante en esta Alternativa 1?
82
 
 
 
 
 
 
E(uu0 ) =  
 
 
 
 
 
3.c) Basándote en el resultado del contraste realizado en el apartado 2.c), ¿te parece adecuada la matriz
de varianzas y covarianzas de la perturbación que ha empleado en la Alternativa 1? En conse-
cuencia, ¿cuáles son las propiedades del estimador empleado?
Alternativa 2: estimaciones MC2E utilizando las 135 observaciones 1947:2–1980:4

Instrumentos: RD 1 sq RD 1
const 710,641 247,667 2,8693 0,0041
RD 0,428764 0,0851963 5,0327 0,0000
sq RD 9,73003e-06 4,10624e-06 2,3696 0,0178
C1 0,338883 0,141450 2,3958 0,0166
Contraste de Hausman – Hipótesis nula: Los estimadores de MCO son consistentes

Estadı́stico de contraste asintótico: χ21 = 17,3525 con valor p = 3,10497e-005
3.d) Explica qué significa la indicación: “Instrumentos: RD 1 sq RD 1”
3.e) Realiza el contraste de Hausman. ¿Te sorprende el resultado que obtienes?, ¿es coherente con los
resultados obtenidos en la PARTE 2?, ¿por qué?
3.f) ¿Qué método de estimación ha utilizado? Escribe explı́citamente la fórmula del estimador y la
Función de Regresión Muestral (FRM).
 −1  
   
   
   
   
   
   
   
βb.......... =







   
   
   
   
   
   
FRM:
83
3.g) ¿Cuáles son las propiedades del estimador empleado? ¿Qué condiciones son necesarias para que
este estimador sea consistente?
3.h) Si tuvieras que escoger entre las alternativas de estimación empleadas para estimar el modelo (1),
¿cuál escogerı́as? Razona tu respuesta.
PROBLEMA LE 2008. 2 (Jun-2008. Evaluación No Continua.

Prueba escrita.)
Las competencias a evaluar a lo largo de esta prueba son:

4. Valorar adecuadamente los resultados obtenidos para elaborar informes económicos.
La cadena de supermercados ALIMENTAX S.A. quiere determinar una polı́tica de expansión dentro de
su comunidad autónoma y para ello ha encargado a su gerente el estudio de la función de consumo en
dicha comunidad. Se dispone de una muestra anual9 de 1959 a 1994 de observaciones sobre las siguientes
variables:
C: Consumo real en billones de dólares.

W: Salario real en billones de dólares.
P: Rentas no salariales, medida en términos reales, en billones de dólares.
El gerente estima por mı́nimos cuadrados ordinarios el siguiente modelo:
Ct = β1 + β2 Wt + β3 Pt + ut t = 1, . . . , T (1)
con los siguientes resultados:

const −222,15 19,5527 −11,3620 0,0000
W 0,693262 0,0326064 21,2615 0,0000
P 0,735916 0,0488218 15,0735 0,0000
Suma de cuadrados de los residuos 38976,5 R2 0,998754

F (2, 33) 13230,3 Estadı́stico de Durbin–Watson 0,969426
Coef. de autocorr. de primer orden. 0,494451 BG(1)=9,621
9
Los datos corresponden al libro: Ramanathan, R. (2002), Introductory Econometrics with applications, ed.
South-Western.
84
PARTE 1:
1. ¿Qué quiere decir que las variables están medidas en términos reales?
2. Interpreta el parámetro β2 :
3. Comenta el gráfico de residuos.
Residuos de la regresión (= C observada − estimada)

60
40
20
0
residuo
−20
−40
−60
−80
−100
1960 1965 1970 1975 1980 1985 1990
4. ¿Se cumplen todas las hipótesis básicas sobre la perturbación? Analiza todos los resultados mostra-
dos y completa las matrices que aparecen a continuación de acuerdo con el contraste o contrastes
realizados:
   
   
   
   
   
E(u) = 


 E(uu ) = . . . . . . 
0



   
   
   
5. Suponiendo que Wt y Pt son no estocásticas, razona las propiedades que tiene el estimador MCO
de los coeficientes del modelo (1).
PARTE 2:
El gerente está preocupado por la especificación de modelo por lo que decide estudiar dos especifi-
caciones alternativas.
• Especificación A:
Ct = β1 + β2 Wt + β3 Wt−1 + β4 Pt + ut t = 1, . . . , T
Para la cual obtiene los siguientes resultados:
85
Especificación A: estimaciones MCO utilizando las 35 observaciones 1960–1994

const −223,32 21,9777 −10,1613 0,0000
W 0,618833 0,113718 5,4418 0,0000
W1 0,0839831 0,108643 0,7730 0,4454
P 0,725303 0,0494033 14,6813 0,0000

R2 0,998754
F (3, 31) 8284,44
6. Comenta las siguientes afirmaciones razonando si son ciertas o falsas y por qué:
a) “El estimador MCO empleado en la Especificación A es no lineal”.
b) “La matriz de varianzas y covarianzas de los coeficientes estimados por MCO en la Especifi-
cación A es V (β̂) = σ 2 (X 0 X)−1 ”. Realiza los contrastes que consideres oportunos.
• Especificación B:
Ct = β1 + β2 Wt + β3 Pt + β4 Ct−1 + ut t = 1, . . . , T (2)
Sobre la que se dispone de los siguientes resultados:
Resultado 1: estimaciones MCO utilizando las 35 observaciones 1960–1994


const −155,77 33,1278 −4,7021 0,0001
W 0,513348 0,0766851 6,6942 0,0000
P 0,535774 0,0835316 6,4140 0,0000
C1 0,270081 0,100359 2,6911 0,0114

R2 0,998971
BG(1) 8,704344
BG(4) 12,040592
Hausman 11,7299
Y el siguiente gráfico de residuos de la regresión:
86
Residuos de la regresión (= C observada − estimada)
60
40
20
0
residuo
−20
−40
−60
−80
1960 1965 1970 1975 1980 1985 1990
7. Dados todos los resultados de la estimación anterior, ¿qué puedes decir sobre la validez de los
contrastes de significatividad mostrados?
PARTE 3:
A la vista del Resultado 1 el gerente reestima el modelo (2) obteniendo los siguientes outputs:
Resultado 2: estimaciones MC2E utilizando las 35 observaciones 1960–1994

Instrumentos: W 1
const −202,33 38,7791 −5,2177 0,0000
W 0,632776 0,0918106 6,8922 0,0000
P 0,655223 0,0981252 6,6774 0,0000
C1 0,0998823 0,122778 0,8135 0,4159

F (3, 31) 9176,48
8. Dado el método de estimación utilizado, completa:

 −1  
   
   
   
   
   
   
   
   
β̂...... =







   
   
   
   
   
   
   
87
9. ¿Por qué ha utilizado el gerente dicho método de estimación?
Se dispone además de los siguientes resultados:
Resultado 3: estimaciones MC2E utilizando las 35 observaciones 1960–1994

Instrumentos: W 1 P 1
const −207,24 38,3003 −5,4111 0,0000
W 0,645366 0,0903268 7,1448 0,0000
P 0,667815 0,0968543 6,8950 0,0000
C1 0,0819400 0,120362 0,6808 0,4960

F (3, 31) 9006,56
10. Explica qué significa la indicación:
Instrumentos: W 1 P 1
11. Describe paso a paso el proceso llevado a cabo por el gerente para obtener estos resultados. ¿En
qué se diferencia este estimador con el empleado en el Resultado 2?
12. De los tres resultados mostrados para el modelo (2), ¿con cuál te quedarı́as? Razona tu respuesta.

Prueba práctica.)
Las competencias a evaluar en esta prueba son:

3. Utilizar diversas fuentes estadı́sticas y adquirir destreza en el uso de un software econométrico para
analizar relaciones entre variables económicas.
La muestra de datos necesaria para realizar esta prueba se encuentra en los archivos de muestra de Gretl
y corresponde a Ramanathan data8-2.gdt. En este fichero vas a encontrar la siguiente información:
88
Renta personal agregada y gasto en transporte urbano (1993) para los estados de EEUU.
EXPTRAV = Gasto en transporte en billones de dólares (Rango 0,708 - 42,48).
INCOME = Renta Personal en billones de dólares (Rango 9,3 - 683,5).
POP = Población, en millones, (Rango 0,47 - 31,217).
1. Estima por MCO un modelo que relacione el gasto en transporte con la renta personal incluyendo
un término independiente. Completa:
1.a) El modelo que me han pedido que estime es:
1.b) Los resultados de la estimación son:
d i
exptrav = +
d β̂M CO ))
(desv( ( ) ( )
R2 = SCR = N=
i 1 2 3 4
ûM CO,i
1.c) Dibuja e interpreta los gráficos:

- residuos MCO frente a la variable INCOME.
Residuos de la regresión (= exptrav observada − estimada)

14
12
10
6
residuo
−2
−4
−6
0 100 200 300 400 500 600 700
income
- residuos MCO frente a la variable POP.
89
14
12
10
6
uhat1
-2
-4
-6
0 5 10 15 20 25 30
pop
2. Supongamos que creemos que V ar(ui ) = σ 2 P OPi . Contrástalo:

2.a) Escribe la hipótesis nula, la alternativa y el estadı́stico de contraste que vas a utilizar junto
con su distribución. Indica claramente de dónde salen cada uno de los elementos de este es-
tadı́stico.
2.b) Aplı́calo y completa: Valor muestral del estadı́stico =
Valor crı́tico para un nivel de significación (α = 5 %) =
Aplicación de la regla de decisión:
2.c) A la vista del resultado del contraste anterior, ¿son las perturbaciones de modelo esféricas?
Escribe la matriz de varianzas y covarianzas de la perturbación.
2.d) Completa la siguiente expresión para el estimador eficiente de los coeficientes del modelo
propuesto en 1.a) bajo el supuesto de que var(ui ) = σ 2 P OPi :
 −1  
   
β̂... = 







3. Aplica el método de estimación que has propuesto en el apartado anterior.

3.a) Escribe la función de regresión muestral que hayas obtenido.
3.b) Contrasta la significatividad de la variable renta.
4. Estima eficientemente los coeficientes del siguiente modelo:
EXP T RAVi = β1 + β2 IN COM Ei + ui ui ∼ (0, α1 + α2 P OPi2 + α3 P OPi3 )
90
4.a) Resultados de la estimación:
d i
exptrav = +
d β̂...... ))
(desv( ( ) ( )
d i) =
V ar(u + +
4.b) Contrasta la significatividad de la variable renta.
4.c) Explica la diferencia entre el contraste realizado en el apartado 3.b) y el realizado en el apar-
tado 4.b).
PROBLEMA LE 2008. 4 (Sep-2008. Prueba escrita.)

Considera el siguiente modelo de regresión:
Yi = β1 + β2 Xi + ui i = 1, . . . , N (1)
donde Xi es estocástica, ui ∼ N (0, σ 2 ), E(ui uj ) = 0 para i 6= j y donde E(Xi ui ) = 0, 9.
a) ¿Qué problema existe en el modelo anterior? ¿Cómo podrı́a detectarse? Explica en detalle el con-
traste que propones y las consecuencias de rechazar o no la nula.
b) ¿Qué consecuencias tiene en los contrastes de hipótesis sobre β1 y β2 la utilización del estimador
MCO y el de VI? Razona tu respuesta en cada caso.
Se dispone de una muestra de 500 observaciones que da lugar a las siguientes sumas de cua-
drados y de productos cruzados10 :
10
Fuente: Libro Undergraduate Econometrics. de Hill, Griffiths y Judge (2001).
91
1 Yi Xi Z1i
1 500 1530,17 14,48 -0,23
Yi 7163,54 1551,83 448,79
Xi 1037,57 451,24
Z1i 509,40
P P
donde por ejemplo Yi Xi = 1551, 83 y Yi = 1530, 17.
c) Utilizando la información muestral dada, completa todos los elementos dentro de las matrices para
la obtención de las estimaciones de β1 y β2 por VI, considerando como único instrumento a Z1 :
 −1  
   
   
     
    3, 03
   
     
     
βbV I =





=
 


     0, 996 
   
   
   
   
   
y se ha obtenido la siguiente estimación de la matriz de varianzas y covarianzas del anterior esti-

mador VI de β1 y β2 :
· ¸
0,00203608 -0,000074
Vd
ar(β̂V I ) =
0,00254410
Completa la ecuación del modelo estimado:
Ŷt = ...
d β̂V I ))
(desv( ( ) ( )
d) ¿Bajo qué condiciones es consistente el estimador VI del apartado anterior? ¿Es un estimador
asintóticamente eficiente? Razona tu respuesta.
e) Para realizar el contraste H0 : β1 = 3 β2 = 1:

Escribe el estadı́stico de contraste y su distribución:
Detalla cada uno de los elementos del estadı́stico anterior:
Utilizando la siguiente información y el estimador del apartado c) realiza el contraste:
Conjunto de restricciones
1: b[const] = 3
2: b[X] = 1
Valor muestral del estadı́stico de contraste: chi^2(2) = 0,490224,
con valor p = 0,782617.
.
Se ha considerado un estimador alternativo al utilizado en c) obteniéndose los siguientes resultados
en Gretl.
92
Modelo 2: estimaciones MC2E utilizando las 500 observaciones 1–500
Variable dependiente: Y
Instrumentos: const Z1 Z2
const 3,03113 0,0445796 67,9936 0,0000
X 1,00899 0,0448997 22,4721 0,0000
f) Explica paso a paso la obtención de este estimador ¿Es mejor que el anterior? Razona.
Una agencia de viajes de Chicago quiere analizar si hay diferencias significativas entre las familias en
la elección del destino de vacaciones, más o menos alejados de su lugar de residencia, en función del
número de hijos pequeños en la familia. Para ello dispone de una muestra de 200 familias de esta ciudad
entrevistadas en el año 2007 y se especifica el siguiente modelo11 :
M ilesi = β1 + β2 Incomei + β3 agei + β4 kidsi + ui i = 1, . . . , 200 (2)
donde M iles son las millas recorridas por una familia en las vacaciones de ese año, Income es la renta
familiar anual en miles de dólares, age es la edad media de los adultos en la familia y kids el número de
hijos menores de 16 años existentes en la familia.
Una primera estimación del modelo por MCO produce los siguientes resultados:
Md
ilesi = −391, 55 + 14, 201 Incomei + 15, 741 agei −81, 826 kidsi (3)
d β̂M CO ))
(desv( (169,8) (1,80) (3,757) (27,13)
R2 = 0, 340605 SCR = 40099000
Figura 13: Gráfico de residuos MCO sobre la variable Income y sobre la variable Age
Residuos de la regresión (= Miles observada − estimada) Residuos de la regresión (= Miles observada − estimada)
2000 2000
1500 1500
1000 1000
500 500
residuo
residuo
0 0
−500 −500
−1000 −1000
−1500 −1500
20 40 60 80 100 120 25 30 35 40 45 50 55
Income age
11
Los datos corresponden al fichero vacation.dat del libro Undergraduate Econometrics de Hill, Griffiths y Judge
(2001).
93
a) ¿Qué te sugieren los gráficos? Comenta detalladamente cada uno de ellos.
b) Después de agrupar las observaciones de todas las variables en dos grupos en función de un ordena-
miento decreciente de la variable Income y estimar el modelo (2) anterior por MCO separadamente
para cada grupo, se obtienen las siguientes resultados:
Primera submuestra: Estimaciones MCO utilizando las 80 observaciones 1–80

Variable dependiente: Miles

const −129,22 615,610 −0,2099 0,8343
Income 13,1490 6,14562 2,1396 0,0356
age 13,3666 7,59215 1,7606 0,0823
kids −114,18 52,9888 −2,1549 0,0343

R2 0,116112
Segunda submuestra estimaciones MCO utilizando las 80 observaciones 121–200


const −339,64 220,160 −1,5427 0,1271
Income 9,68801 4,01043 2,4157 0,0181
age 18,6511 3,87408 4,8143 0,0000
kids −66,026 29,8963 −2,2085 0,0302

R2 0,308962
Realiza un contraste para verificar si lo que sugieren los gráficos es estadı́sticamente significativo.
Debes señalar claramente todos los elementos del contraste incluidas la hipótesis nula y la alterna-
tiva.
c) Si el contraste realizado te diera que rechazas la hipótesis nula, ¿qué cambiarı́as de los resultados
presentados en (3) si no quisieras cambiar el método de estimación de los coeficientes? ¿Por qué y
para qué lo harı́as? Explica detalladamente.
Se ha utilizado un método alternativo de estimación a MCO para mejorar en términos de eficiencia

en la estimación de los coeficientes β. Utilizando el software Gretl se han obtenido los siguientes
resultados:
Estimaciones MC.Ponderados utilizando las 200 observaciones 1–200

1
Variable utilizada como ponderación: Income

const −408,37 145,717 −2,8025 0,0056
Income 13,9705 1,64821 8,4762 0,0000
age 16,3483 3,42222 4,7771 0,0000
kids −78,363 24,7355 −3,1680 0,0018
94
Suma de cuadrados de los residuos 580616,
R2 0,390722
F (3, 196) 41,8975
Estadı́sticos basados en los datos originales:

d) Completa las siguientes expresiones sobre el término de perturbación del modelo y el método de
estimación utilizado en la obtención de estos resultados.
E(ui ) = E(u2i ) = E(ui uj ) =

 
 
 
 
 
 
E(uu0 ) =  
| {z }  
 
(........ × .......)  
 
 
i=....
X
Criterio de estimación:........ SCR = (Yi∗ − βˆ1 X1i
∗
− βˆ2 X2i
∗
− βˆ3 X3i
∗
− βˆ4 X4i
∗ 2
)
i=....
Yi∗ = ...................; ∗
X1i = .....................; ∗
X2i = ...................;
∗ ∗
X3i = ...........................; X4i = .............................;
 −1  
   
   
   
   
   
   
β̂...... =







   
   
   
   
   
e) Si tuvieras que contrastar H0 : β2 = 10 ¿Cómo lo harı́as? Razona y explica tu respuesta.
95
PROBLEMA LE 2008. 6 (Sep-2008. Prueba práctica.)

El fichero de datos llamado inv.gdt necesario para realizar esta prueba se encuentra en eKASI. En este
fichero12 vas a encontrar información para los años 1974 a 2003 de las siguientes variables:
I : Inversión real en billones de dólares (Rango 11,53 - 31,18).

GNP : Producto Nacional Bruto real en billones de dólares (Rango 8,58 - 33,86).
R : Tipo de interés (Rango 18,12 - 15,82).
1. Estima por MCO un modelo que relacione la Inversión real con el Producto Nacional Bruto real y
el tipo de interés incluyendo un término independiente. Completa:
1.a) El modelo que me han pedido que estime es:
1.b) Los resultados de la estimación son:

Ibt = ... ...
d β̂M CO ))
(desv( ( ) ( ) ( )
R2 = SCR = T =
t 2000 2001 2002 2003
ûM CO,t
1.c) Dibuja e interpreta los gráficos:

- Serie temporal de los residuos MCO.
- Gráfico de las series de Inversión observada y estimada.
12
Fuente: Undergraduate Econometrics de Hill, Griffiths y Judge.
96
Residuos de la regresin (= I observada - estimada)
6
0
residuo
-2
-4
-6
-8
1975 1980 1985 1990 1995 2000
Inversin observada y estimada

35
estimada
actual
30
25
Inversin
20
15
10
5
1975 1980 1985 1990 1995 2000
2. Se considera que ut puede seguir un proceso AR(p) o MA(p) con p hasta de orden 2. Realiza el
contraste oportuno.
2.a) Escribe la hipótesis nula, la alternativa y el estadı́stico de contraste que vas a utilizar junto
con su distribución bajo la hipótesis nula. Indica claramente de donde salen cada uno de los
elementos de este estadı́stico.
2.b) Aplı́calo y completa: Regresión auxiliar obtenida:
...... = ................................................................................................................................
R2 =
Valor muestral del estadı́stico =
Valor crı́tico para un nivel de significación (α = 5 %)=
Aplica la regla de decisión:
2.c) A la vista de los resultados del contraste anterior, ¿son las perturbaciones de modelo esféri-
cas? ¿Por qué?
3. Considera el método de Hildreth-Lu bajo el supuesto de que ut sigue un proceso AR(1).

3.a) Completa las siguientes expresiones.
ut = + ²t ²t ∼ .......( , )
97
 
 
 
 
 
 
E(uu0 ) =  
| {z }  
 
(........ × .......)  
 
 
t=....
X
Criterio de estimación:........ SCR = {(Yt∗ − βˆ1 X1t
∗
− βˆ2 X2t
∗
− βˆ3 X3t
∗ 2
}
t=....
Yt∗ = ...........................; ∗
X1t = .............................;
∗ ∗
X2t = .........................; X3t = .............................;
 −1  
   
   
   
   
   
   
   
   
β̂...... =







   
   
   
   
   
   
   
3.b) Dibuja el gráfico de SCR, completa la función de regresión muestral obtenida, la estimación
de ρ y el valor mı́nimo de la función criterio.
ρ̂ = valor mı́nimo de SCR =
.......... = ... ...

d β̂HL ))
(desv( ( ) ( ) ( )
3.c) Contrasta la significatividad del tipo de interés.
4. Obtén desviaciones tı́picas de los coeficientes estimados por MCO robustas a la posible existencia
de autocorrelación.
4.a) Escribe aquı́ los resultados de la estimación:
Ibt = ... ...

d robustas (β̂M CO ))
(desv ( ) ( ) ( )
¿Para qué sirven? Explica detalladamente.
98
4.b) Contrasta la significatividad del tipo de interés.
4.c) Explica la diferencia entre el contraste realizado en el apartado 3.c) y el realizado en el apar-
tado 4.b). ¿Cambia el resultado? ¿Con cuál te quedarı́as? Razona en detalle tu elección.
Las competencias que se evaluan en esta prueba son:

4. ... valorar adecuadamente los resultados obtenidos del análisis de un modelo econométrico.
Un estudiante pretende medir la relación que existe entre inventarios y las ventas de la industria manu-
facturera de EE.UU para el periodo de 1950 a 1991, ambos años inclusive. Para ello dispone de datos
anuales13 sobre las variables V EN T AS e IN V EN T ARIOS ambas medidas en millones de dólares. Se
considera a la variable V EN T AS no estocástica.
El estudiante propone la siguiente especificación:
IN V EN T ARIOSt = β1 + β2 V EN T ASt + β3 time + ut t = 1, . . . , 42 (1)
La estimación por MCO de la relación anterior proporciona los siguientes resultados:
IN V ENd
T ARIOS t = 433, 951 + 1, 543 V EN T ASt + 158, 805 time
ˆ β̂i ))
(desv( (2774,17) (0,019) (269,107)
2
R = 0, 9992 SCR = 2, 202257e + 09 DW = 1, 3755 BG(1) = 4, 061
junto con los gráficos recogidos en la Figura 14:
1) Interpreta los dos gráficos mostrados.
2) ¿Crees que la perturbación del modelo puede presentar algún problema? Realiza el contraste o
contrastes que sean pertinentes. (No olvides escribir la hipótesis nula y alternativa ası́ como el es-
tadı́stico de contraste y distribución asociada para todos aquellos contrastes que decidas realizar).
3) ¿Por qué crees que el estudiante ha introducido la variable tendencia (time) como regresor en el
modelo?
13
Fuente: Ramanathan, Ramu (2002):Introductory Econometrics with Applications, Conjunto de datos Gujarati,
fichero Table12.9.gdt.
99
Figura 14:
INVENTARIOS observada y estimada Residuos de la regresión (= INVENTARIOS observada − estimada)
900000 35000
estimada
observada
800000 30000
25000
700000
20000
600000
15000
INVENTARIOS
500000
residuo
10000
400000
5000
300000
0
200000
−5000
100000 −10000
0 −15000
1950 1955 1960 1965 1970 1975 1980 1985 1990 1950 1955 1960 1965 1970 1975 1980 1985 1990
• El estudiante preocupado por los resultados obtenidos en la estimación de la especificación anterior

decide probar una método de estimación alternativo cuyos resultados son los siguientes:
Realizando el cálculo iterativo de rho...

ITERACIÓN RHO SCR
1 0,31149 1,9874e+009
2 0,31600 1,98735e+009
final 0,31616
Estimaciones Cochrane–Orcutt utilizando las 41 observaciones 1951–1991
Variable dependiente: INVENTARIOS
ρ̂ = 0,316161
Coeficiente Desv. tı́pica estadı́stico t valor p

const 34,3714 4413,71 0,0078 0,9938
VENTAS 1,53759 0,0289188 53,1693 0,0000
time 229,763 410,642 0,5595 0,5791

Desviación tı́pica de la regresión (σ̂) 7231,79
F (2, 38) 12476,9
Coef. de autocorr. de primer orden. −0,0275288
4) Ayuda al estudiante a decidir entre las dos estimaciones de la especificación (1). ¿Cuál de las dos
elegirı́as y por qué? Razona detalladamente tu respuesta en base a las propiedades de los estima-
dores y la inferencia realizada en el apartado 2).
100
• El estudiante considera ahora la inclusión de la variable IN V EN T ARIOSt−1 en el modelo y estima
la siguiente ecuación:
IN V EN T ARIOSt = β1 + β2 V EN T ASt + β3 time + β4 IN V EN T ARIOSt−1 + ut t = 2, . . . , 42 (2)
donde ut es una variable aleatoria con distribución normal. Los resultados de la estimación de la ecuación
(2) son los siguientes:
Estimaciones MCO utilizando las 41 observaciones 1951–1991

Variable dependiente: INVENTARIOS

const −156,95 2750,01 −0,0571 0,9548
VENTAS 1,24389 0,0950961 13,0803 0,0000
time 320,931 265,446 1,2090 0,2343
INVENTARIOS 1 0,193747 0,0602567 3,2154 0,0027

Desviación tı́pica de la regresión (σ̂) 6820,94
F (3, 37) 19248,1
BG(1) 1,285206
5) Escribe la matriz de regresores del modelo que se ha estimado.
6) Contrasta la existencia de un proceso autorregresivo de orden uno en la perturbación. Escribe la

hipótesis nula y la alternativa, el estadı́stico de contraste y su distribución indicando cómo se
obtienen cada uno de sus elementos.
7) ¿Deberı́a el estudiante estimar la especificación (2) con el estimador de variables instrumentales

utilizando como instrumento para la variable IN V EN T ARIOSt−1 a la variable V EN T ASt−1 ?
8) ¿Qué puedes decir sobre la significatividad de la variable ventas?
9) ¿Cuál de las dos especificaciones alternativas consideradas en las ecuaciones (1) y (2) elegirı́as
tú para estudiar la evolución de la variable IN V EN T ARIOS? ¿Cómo estimarı́as la especificación
elegida?

Yi = β1 + β2 Xi + ui i = 1, . . . , 51 (3)
donde Xi es no estocástica, E(ui ) = 0 ∀i, E(u2i ) = σ 2 Zi ∀i y E(ui uj ) = 0 i 6= j
101
1. Escribe la matriz de varianzas y covarianzas del vector de perturbaciones:
2. Escribe la ecuación del correspondiente modelo transformado con perturbaciones esféricas. De-
muestra que sus perturbaciones son homocedásticas.
3. Completa la expresión del criterio de estimación utilizado en el apartado anterior:

51
X
minβ̂ . . . . . . (Yi − . . . . . . . . . . . . . . . . . . . . .)2
i=1
4. Estima los coeficientes del modelo con la siguiente información muestral utilizando el estimador
eficiente:
P 2 P P
P(X2i /Zi ) = 196420, 998 P(Xi /Zi ) = 1608, 337 P(1/Zi ) = 34, 738
(Yi /Zi ) = 4168, 919 (Yi Xi /Zi ) = 28484, 578 (Yi /Zi ) = 236, 139

Prueba escrita.)

4. Valorar adecuadamente los resultados obtenidos del análisis de un modelo econométrico.
Una consultora quiere analizar la Inversión en vivienda (INV) en un determinado paı́s en función del tipo
de interés (I) y del Producto Interior Bruto (PIB). Para ello se dispone de datos trimestrales correspon-
dientes al periodo 1963-1985. Los resultados de la estimación son los siguientes:
dV t = −5, 3174 + 1, 864 P IBt − 0, 890 It

IN (1)
d
(desv) (3,128) (0,469) (0,295)
El analista de la empresa, tras observar los residuos, sospecha que la varianza de las perturbaciones al
principio de la muestra es menor que para las correspondientes al final de la muestra. Por ello propone
dos posibles especificaciones:
V ar(ut ) = δ t2 δ > 0 (2)

V ar(ut ) = γ1 + γ2 Dt γ1 , γ2 > 0 (3)
donde la variable t = 1, 2, 3 . . . y la variable ficticia Dt toma valor uno para las observaciones comprendidas
en el periodo 1963-1975 y cero en caso contrario.
102
1. 1.a) ¿Qué recogen las ecuaciones (2) y (3)? ¿Cual recoge mejor la sospecha del analista?
1.b) Completa la matriz de varianzas y covarianzas de la perturbación asociada a cada una de las
propuestas, donde E(ut us ) = 0 para todo t 6= s.
 
 
 
 
 
E(uu0 )(2) = Σ(2) =  
 
 
 
 
 
 
 
 
 
E(uu0 )(3) = Σ(3) =



 
 
 
El analista se decide por una de las dos especificaciones para la matriz de varianzas y covarianzas
de las perturbaciones, elige un método de estimación y obtiene los siguientes resultados
Modelo: estimaciones M.C.Ponderados utilizando las observaciones 1963:1–1985:4

Variable dependiente: INV
Variable utilizada como ponderación: 1/t2

const −9,3955 3,83947 −2,4471 0,0443
PIB 2,42845 0,511158 4,7509 0,0021
I −1,0789 0,182560 −5,9103 0,0006
3. ¿Qué criterio de estimación ha utilizado el analista? ¿Por qué? Especifica las hipótesis necesarias so-
bre la perturbación para que la ponderación empleada sea la adecuada. Demuestra tus afirmaciones.
4. Completa las matrices correspondientes a la fórmula del estimador empleado.

 −1
 
 
   
   
   
   
   
   
   
   
βb.......... =







   
   
   
   
   
   
   
 
103
5. Si la especificación adecuada para la varianza fuese la recogida en la ecuación (3):
5.a) ¿qué consecuencias tendrı́a sobre las propiedades del estimador de Mı́nimos Cuadrados Pon-
derados mostradas? Demuestra tus afirmaciones.
5.b) En ese caso, ¿cómo estimarı́as los coeficientes del modelo si desconoces los parámetros γ1 y
γ2 ? ¿Porqué?

Prueba escrita.)
Un estudiante está realizando su proyecto de fin de carrera sobre la demanda de pescado en el Fulton
Fish Market, un mercado localizado en Nueva York y que opera desde hace 150 años. Para ello dispone
de una muestra de 111 observaciones de datos diarios, desde el 2 de diciembre de 1991 al 8 de mayo de
1992, sobre las siguientes variables:
lquan = Cantidad de merluza vendida en libras (en logaritmos)

lprice = Precio de merluza por libra (en logaritmos)
mon =1 en lunes 0 en otro caso
tue =1 en martes 0 en otro caso
wed =1 en miércoles 0 en otro caso
thu =1 en jueves 0 en otro caso
stormy =1 si ese dı́a hizo mucho viento y oleaje,
=0 en otro caso
La especificación para la ecuación de demanda es la siguiente:

lquant = β1 + β2 lpricet + β3 mont + β4 tuet + β5 wedt + β6 thut + ut
y los resultados de la estimación por MCO se muestran a continuación:
Ecuación de demanda: estimaciones MCO

Variable dependiente: lquan

const 8,60689 0,143043 60,1698 0,0000
lprice −0,562550 0,168213 −3,3443 0,0011
mon 0,0143165 0,202647 0,0706 0,9438
tue −0,516242 0,197690 −2,6114 0,0103
wed −0,555373 0,202319 −2,7450 0,0071
thu 0,0816213 0,197817 0,4126 0,6807

R2 0,220486
El estudiante en su proyecto se cuestiona si, al ser un modelo en el que el precio y la cantidad se

determinan conjuntamente en equilibrio entre oferta y demanda, la variable lprice pueda ser endógena,
y estar correlacionada con el error de la ecuación. Por ello realiza la siguiente estimación:
104
Ecuación de demanda: estimaciones MC2E
Variable dependiente: lquan
Instrumentos: stormy

const 8,50591 0,166167 51,1890 0,0000
lprice −1,1194 0,428645 −2,6115 0,0090
mon −0,0254022 0,214774 −0,1183 0,9059
tue −0,530769 0,208000 −2,5518 0,0107
wed −0,566351 0,212755 −2,6620 0,0078
thu 0,109267 0,208787 0,5233 0,6007
1. Explica en detalle como se han obtenido las estimaciones MC2E mostradas. Escribe de forma ex-
plı́cita cada una de las matrices que intervienen en la expresión del estimador.
2. Escribe y explica las condiciones tanto para poder obtener el estimador MC2E como para que éste
sea consistente.
3. Contrasta la sospecha del estudiante. Escribe la hipótesis nula, la alternativa, el estadı́stico de

contraste y su distribución bajo la hipótesis nula.
4. A la luz del resultado del contraste, ¿Qué estimador elegirı́as? Razona tu respuesta en términos de
las propiedades de los estimadores.
5. Contrasta la hipótesis nula de que una variación porcentual unitaria en el precio de la merluza se
traduce en una variación porcentual unitaria en la cantidad demandada de merluza en ese mercado.

Prueba práctica.)

3. Adquirir destreza en el uso de un software econométrico para analizar relaciones entre variables
económicas.
PARTE 1
El fichero de datos necesario para la realización de esta prueba se encuentra en los archivos de muestra
105
de Gretl y corresponde a Gujarati Table12-9.gdt. Son datos del periodo 1950 a 1991 de las siguientes
variables:
SALES = Ventas de la industria manufacturera en EE.UU, en millones de dólares.

INVENTS = Inventarios de la industria manufacturera en EE.UU, en millones de dólares.
1. Estima por MCO el siguiente modelo y completa utilizando los resultados obtenidos con Gretl:
IN Vd
EN T S t = + SALESt
d β̂M CO ))
(desv( ( ) ( )
R2 = SCR = T =
DW = c βˆ1 , βˆ2 ) =
cov(
Coeficiente de correlación entre IN V EN T S y SALES =
Año t 1950 1951 1952
Residuo ût
2. Se considera que ut puede seguir un proceso AR(p) o MA(p) con p hasta de orden dos. Realiza el
contraste de Breusch-Godfrey.
2.a) Escribe la hipótesis nula y la alternativa del contraste.
2.b) Aplica el contraste y completa:
Regresión auxiliar obtenida:
...... = ..............................................................................................
R2 =
Estadı́stico y distribución bajo la hipótesis nula:
Aplica la regla de decisión para un nivel de significación (α = 5 %)
2.a) Escribe la hipótesis nula y la alternativa del contraste.

.
2.b) Aplica el contraste y completa:
Estadı́stico y distribución bajo la hipótesis nula:
Valor muestral del estadı́stico:
Aplica la regla de decisión para un nivel de significación (α = 5 %)
3. Estima de nuevo los coeficientes del modelo por MCO pero obtén desviaciones tı́picas de los coefi-
cientes estimados robustas a la posible existencia de autocorrelación.
Ibt = ... SALESt

d .......... (β̂M CO ))
(desv ( ) ( )
106
¿Para qué sirven las desviaciones tı́picas ası́ obtenidas? ¿Cuando son de utilidad? Explica detalla-
damente.
4. Contrasta la hipótesis conjunta de que en media si las ventas son cero no hay inventarios y de que
un aumento en el nivel de ventas de un millón de dólares aumentarı́a los inventarios en 2 millones
y medio de dólares. Escribe la hipótesis nula, la alternativa, el estadı́stico de contraste y su distri-
bución bajo la nula.
Conjunto de restricciones
1: b[const] = 0
2: b[SALES] = 2,5
Estadı́stico de contraste: F robusto(2, 40) = 9272,21, con valor p
= 4,55217e-054
Estimaciones restringidas:
coeficiente desv. tı́pica estadı́stico t valor p

----------------------------------------------------------------
const 1,48945E-010 0,000000 NA NA
SALES 2,50000 0,000000 NA NA
Desviación tı́pica de la regresión = 243430
5. Considera el método de Cochrane-Orcutt bajo el supuesto de que ut sigue un proceso AR(1).

Completa la función de regresión muestral obtenida, la estimación de ρ y el valor mı́nimo de la
función criterio. Explica en detalle cómo se han obtenido las estimaciones.
ρ̂ = valor mı́nimo de SCR =
PARTE 2
El estudiante preocupado por los resultados obtenidos en la estimación de la especificación anterior decide
probar con otras especificaciones alternativas.
• ESPECIFICACIÓN A:
El estudiante considera la inclusión de la variable time = 1, 2, . . . , 42 en el modelo y estima la siguiente
ecuación:
IN V EN T St = β1 + β2 SALESt + β3 time + ut t = 1, . . . , 42
y realiza las siguientes estimaciones:
Estimación 1 de la ESPECIFICACIÓN A:

Variable dependiente: INVENTS
107
const 433,951 2774,17 0,1564 0,8765
SALES 1,54340 0,0198097 77,9117 0,0000
time 158,805 269,107 0,5901 0,5585

R2 0,999200
F (2, 39) 24356,1

Desviaciones tı́picas robustas a autocorrelación

const 433,951 1143,38 0,3795 0,7064
SALES 1,54340 0,0136139 113,3700 0,0000
time 158,805 169,225 0,9384 0,3538

R2 0,999200
F (2, 39) 18497,7
1. ¿Por qué crees que el estudiante ha introducido la variable tendencia (time) como regresor en el
modelo? ¿Es relevante incluirla? ¿Por qué crees que se obtiene ese resultado? Obtén y utiliza los
gráficos y contrastes que consideres oportunos. Razona tu respuesta.
Estimación 2 de la ESPECIFICACIÓN A:
Realizando el cálculo iterativo de rho...

ITERACIÓN RHO SCR
1 0,31149 1,9874e+009
2 0,31600 1,98735e+009
final 0,31616
Modelo A: estimaciones Cochrane–Orcutt utilizando las 41 observaciones 1951–1991
ρ̂ = 0,316161

const 34,3714 4413,71 0,0078 0,9938
SALES 1,53759 0,0289188 53,1693 0,0000
time 229,763 410,642 0,5595 0,5791
108

R2 0,999261
F (2, 38) 12476,9
Coef. de autocorr. de primer orden. −0,0275288
2. Ayuda al estudiante a decidir sobre la fiabilidad de los distintos resultados de estimación
mostrados de la especificación A. Razona tu respuesta en base a la información proporcionada.
• ESPECIFICACIÓN B: El estudiante considera la inclusión de las variables tiempo, time, e IN V EN T St−1

en el modelo y estima la siguiente ecuación:
IN V EN T St = β1 + β2 SALESt + β3 time + β4 IN V EN T St−1 + ut t = 2, . . . , 42
obteniendo los siguientes resultados:
• Estimación de la ESPECIFICACIÓN B:
Modelo B: estimaciones MCO utilizando las 41 observaciones 1951–1991


const −156,95 2750,01 −0,0571 0,9548
SALES 1,24389 0,0950961 13,0803 0,0000
time 320,931 265,446 1,2090 0,2343
INVENTS 1 0,193747 0,0602567 3,2154 0,0027

R2 0,999360
F (3, 37) 19248,1
BG(1) 1,285206
3. Escribe la matriz de regresores del modelo estimado.
• ESPECIFICACIÓN C: Finalmente el estudiante considera
IN V EN T St = β1 + β2 SALESt + β3 SALESt−1 + ut t = 2, . . . , 42
4. Estima esta especificación por MCO y completa utilizando los resultados obtenidos con Gretl:
IN Vd
EN T S t = + SALESt + SALESt−1
d β̂M CO ))
(desv( ( ) ( ) ( )
R2 = DW = T =
109
5. Contrasta la significatividad de la variable SALES en aquella especificación A, B o C que consi-
deres más adecuada. Justifica tu elección de la especificación y resultados para la realización del
contraste, utilizando toda la información proporcionada y obtenida. As u vez, explica todos los
elementos del contraste.
Las competencias que se evalúan en esta prueba son:

Un investigador dispone de una base de datos anuales14 , para el perı́odo de 1948 a 1993, de los siguientes
ı́ndices agrarios de EEUU, todos ellos con base 1982:
output = producción agrı́cola (Rango 51 - 116)

labor = mano de obra agrı́cola (Rango 81 - 278)
land = superficie utilizada en la producción agrı́cola (Rango 89 - 102)
machines = maquinaria (duradera) (Rango 38 - 102)
El objetivo del investigador es determinar la función de producción agraria, para ello especifica el siguiente
modelo de regresión lineal:
outputt = β1 + β2 labort + β3 landt + β4 machinest + ut t = 1, . . . , T (1)
en el que se considera que los regresores son no estocásticos. Los resultados obtenidos de la estimación
MCO son los que se muestran a continuación:
d t = 181, 201 − 0, 307 labort − 0, 517 landt − 0, 096 machinest

output
d
(desv) (40,194) (0,038) (0,564) (0,169)
2
R = 0, 884 DW = 0, 612 SCR = 1885, 08 T = 46
14
Fuente: Ramanathan, Ramu (2002): Introductory Econometrics with Applications, data 9-5.gdt
110
Residuos de la regresión (= output observada − estimada) output observada y estimada
15 120
estimada
observada
110
10
100
5
90
residuo
output
0 80
70
−5
60
−10
50
−15 40
1950 1955 1960 1965 1970 1975 1980 1985 1990 1950 1955 1960 1965 1970 1975 1980 1985 1990
1. Explica cómo se han calculado los residuos y para qué sirven los gráficos. Interpreta ambos gráficos
y señala si existe alguna evidencia de que la perturbación del modelo no cumpla alguna de las
hipótesis básicas, justificando tu respuesta.
2. Realiza algún contraste basándote en la información disponible, para cualquier problema detectado
en el apartado anterior. Explica detalladamente todos los elementos que intervengan.
3. Con respecto a los contrastes de significatividad individual de las variables explicativas del modelo
(1):
3.a ¿Es fiable realizarlos utilizando la información disponible? ¿Por qué?
3.b ¿Serı́a posible llevarlos a cabo si no tuviésemos otra opción que la de estimar los coeficientes
del modelo por MCO? Explica cómo lo harı́as en caso afirmativo.
Viendo los resultados obtenidos el investigador decide estimar el mismo modelo por el método de Cochrane-
Orcutt (CO). A continuación se muestran los resultados obtenidos:
Estimaciones Cochrane–Orcutt utilizando las 45 observaciones 1949–1993

Variable dependiente: output
ρ̂ = 0.791585
Coeficiente Desv. Tı́pica Estadı́stico t Valor p

const 54.3902 30.3065 1.7947 0.0801
labor −0.404683 0.0649742 −6.2284 0.0000
land 1.07276 0.374129 2.8673 0.0065
machines −0.287436 0.200003 −1.4372 0.1583
R2 0.957590 R2 corregido 0.954487

F (3, 41) 12.99460 Valor p (de F ) 4.18e–06
ρ̂ −0.184791 Durbin–Watson 2.339505
 
918, 486 0, 175515 −9, 59451 −0, 06293
 0, 175515 0, 00422165 −0, 00963229 0, 00270274 
Vd
ar(β̂CO ) = 
 −9, 59451 −0, 00963229


0, 139972 −0, 034905
−0, 06293 0, 00270274 −0, 034905 0, 0400013
111
4. ¿Cuándo estás dispuesto a aplicar este método de estimación? En particular, ¿consideras adecuado
utilizar este método en las circunstancias actuales? Responde razonadamente.
5. Describe detalladamente cómo obtener las estimaciones de los coeficientes del modelo (1) utilizando
el método del apartado anterior.
6. Con la información disponible, realiza el siguiente contraste H0 : β2 = β3 . Escribe la hipótesis nula,

la alternativa, el estadı́stico de contraste junto con su distribución y realiza el contraste. ¿Cómo
interpretas el resultado?
A continuación el investigador introduce un retardo de la variable endógena como variable explicativa en

el modelo inicial, con la pretensión de recoger la influencia de la producción agrı́cola del año anterior:
outputt = β1 + β2 labort + β3 landt + β4 machinest + β5 outputt−1 + vt t = 2, . . . , T (2)
Estimado el modelo por MCO se obtienen los siguientes resultados:
Estimaciones MCO utilizando las 45 observaciones 1949–1993

Variable dependiente: output

const −26.6869 33.4166 −0.7986 0.4292
labor −0.0868185 0.0356710 −2.4339 0.0195
land 0.669440 0.364984 1.8342 0.0741
machines −0.171581 0.101356 −1.6929 0.0983
output 1 0.853551 0.0979678 8.7126 0.0000
R2 0.959224 R2 corregido 0.955146

F (4, 40) 235.2394 Valor p (de F ) 3.26e–27
ρ̂ −0.299970 h de Durbin −2.617899
BG(1) 6,199 Valor p (de BG(1)) 0.0128
7. Utilizando esta información, explica detalladamente la validez del siguiente estadı́stico de contraste
β̂5,M CO − 0 H0 ,d
−→ N (0, 1)
d
desv(β̂5,M CO )
para argumentar a favor de incluir en el modelo el retardo de la variable endógena como variable
explicativa.
Alternativamente se ha obtenido la siguiente estimación consistente y asintóticamente eficiente de los
112
coeficientes del modelo (2):
outputt − ρ̂ outputt−1 = −27, 47 (1 − ρ̂) − 0, 058 (labort − ρ̂ labort−1 )

| {z } | {z } (0,028) | {z }
Q∗
t Xt∗ LBt∗
+ 0, 546 (landt − ρ̂ landt−1 ) − 0, 130 (machinest − ρ̂ machinest−1 )

(0,304) | {z } (0,081) | {z }
LNt∗ M A∗
t
+ 0, 925 (outputt−1 − ρ̂ outputt−2 ) +²̂t (3)

(0,076) | {z }
Q∗
t−1
R2 = 0, 976 DW = 2, 30
siendo ²t es un ruido blanco tal que ²t = vt − ρvt−1 y vt son las perturbaciones del modelo (2).
8. Completa y/o realiza lo siguiente:

a) ²t ∼ . . . . . . ( , )
b) ¿Cuál es el método de estimación que se ha utilizado?
c) Escribe la expresión matricial del estimador utilizado:
   −1  
−27, 47 ............ ............ ............ ............ ............ ............
     
     
 −0, 058   ............ ............ ............ ............ ............   ............ 
     
     
     
 0, 546  =  ............ ............ ............ ............ ............   ............ 
     
     
     
 −0, 130   ............ ............ ............ ............ ............   ............ 
     
     
0, 925 ............ ............ ............ ............ ............ ............
 
   PT PT PT PT PT −1 PT Q∗ X ∗
∗2 ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ 3 t t
−27, 47 3 Xt 3 Xt LBt 3 Xt LNt 3 Xt M At 3 Xt Qt−1  
     P 
   PT PT PT PT   T ∗
3 Qt LBt
∗ 
 −0, 058   LBt∗2 LBt∗ LNt∗ LBt∗ M A∗t LBt∗ Q∗t−1   
   3 3 3 3   
     P 
   PT PT PT   T ∗ ∗ 
 0, 546  =  LNt∗2 LNt∗ M A∗t LNt∗ Q∗t−1
  3 Qt LNt 
   3 3 3   
     
     PT ∗ 
 −0, 130   PT PT   
∗
3 Qt M At
   M A∗2 M A∗t Q∗t−1   
    
3 t 3
    PT ∗ ∗ 
PT  
0, 925 Q∗2 3 Qt Qt−1
3 t−1
d) ¿Cuál es el estimador consistente de ρ empleado? Describe todos los elementos y las condiciones
que te garantizan la consistencia del parámetro ρ estimado.
9. Utilizando la información contenida en la ecuación (3), explica detalladamente la validez del si-
guiente estadı́stico de contraste
β̂5 − 0 H0 ,d
−→ N (0, 1)
d β̂5 )
des(
113
explicativa. Finalmente, ¿incluirı́as dicha variable en el modelo?
10. ¿Cuál es el estimador óptimo, dada toda la información de que dispones, para los parámetros de
la ecuación (2)? Razona tu respuesta detalladamente en relación a todas las alternativas posibles.
PROBLEMA LE 2009. 7 (Sep-2009. Prueba práctica.)

económicas.
El fichero de datos necesario para la realización de esta prueba se encuentra en el fichero earnings.gdt
que se encuentra en la web eKasi. Los datos corresponden a 540 individuos y contienen información sobre
educación, trabajo, ingresos y otras caracterı́sticas personales. En particular, se dispone de las variables
siguientes:
EARN = Ingresos por hora trabajada, en dólares.

FEM = 1 si el individuo es mujer, 0 si es hombre.
S = Años de escolarización.
EX = Experiencia laboral, en años.
H = Número de horas trabajadas, por semana.
1. Estima por MCO el siguiente modelo para los ingresos, completando la estimación con la salida
que se obtiene de Gretl:
EARNi = β1 + β2 FEMi + β3 Si + β4 EXi + β5 Hi + ui
d i
EARN = ... FEMi ... Si
d β̂M CO ))
(desv( ( ) ( ) ( )
... EXi ... Hi (1)

( ) ( )
R2 = SCR = cov(
c β̂2 , β̂3 ) =
114
EARNi ûi d i
EARN
i=1
i=2
i=3
2. Dibuja y comenta los gráficos de residuos siguientes:
a) Residuos (ûi ) frente a EXi Comentario
b) Residuos (ûi ) frente a Si Comentario
c) Residuos al cuadrado (û2i ) frente a Si Comentario
3. Realiza el contraste de Goldfeld y Quandt para el supuesto de que V ar(ui ) = f (Si ), siendo f ()
una función creciente. Para ello, selecciona, por un lado, los valores de Si estrictamente menores
a 13 y, por otro, los valores de Si estrictamente mayores a 14 y rellena los espacios en blanco a
continuación:
a) Regresión auxiliar estimada (Si < 13):
b) Regresión auxiliar estimada (Si > 14):
c) Hipótesis nula y alternativa:
d ) Estadı́stico de contraste y distribución bajo la hipótesis nula:
e) Valor muestral del estadı́stico y resultado del contraste, con indicación del nivel de significa-
ción:
f ) Comenta el resultado del contraste y razona sobre las consecuencias que tiene sobre el esti-
mador empleado en (1).
115
En adelante usa todas las 540 observaciones disponibles.
4. Obtén la estimación MCO con desviaciones tı́picas robustas al problema planteado. Completa la
expresión del estimador de White:
Vd
ar(β̂M CO )...... = ...............................................
Completa la ecuación estimada:
d i
d
(desv......) ( ) ( ) ( )
... EXi ... Hi

( ) ( )
5. Si se considera que E(ui )2 = aSi2 siendo a una constante (a > 0).
a) Explica detalladamente cómo se calcula el estimador eficiente de los coeficientes β1 , ..., β5 del
modelo (1).
b) Completa el criterio de estimación:

...
X
mı́n ...... (EARNi − .......................................................................................)2
β̂ ...
c) Obtén los datos ponderados correspondientes a las variables del modelo (1) correspondientes
al estimador del apartado 5a) anterior.
Variables
i=1
i=2
i = 540
d ) Estima el modelo propuesto dado el criterio anterior y escribe los resultados:
d i
d β̂..... ))
(desv( ( ) ( ) ( )
... EXi ... Hi

( ) ( )
116
6. Dado el siguiente modelo estimado:

Variable dependiente: EARN
Variable utilizada como ponderación: S 2

const −13.3666 6.01825 −2.2210 0.0268
FEM −8.47252 1.31630 −6.4366 0.0000
S 2.75142 0.256027 10.7466 0.0000
EX 0.399447 0.164085 2.4344 0.0152
H −0.174695 0.0715119 −2.4429 0.0149

Suma de cuad. residuos 21920498 D.T. de la regresión 202.4176
R2 0.244486 F (4, 535) 43.28177
¿Te parece adecuada la ponderación utilizada? ¿Qué puedes decir acerca de la fiabilidad de los
resultados? ¿Y la de los estadı́sticos de contraste mostrados? Razona.
7. Se han obtenido los siguientes resultados de estimación:

Variable dependiente: EARN
1
Variable utilizada como ponderación: 2
σ̂i

const −12.4753 3.91126 −3.1896 0.0015
FEM −5.88712 1.05219 −5.5951 0.0000
S 2.16409 0.186623 11.5961 0.0000
EX 0.379889 0.109066 3.4831 0.0005
H −0.0219005 0.0561073 −0.3903 0.6964
Donde
bi2 = − (0,81621) − (0,19953) FEMALEi + (0,040627) Si + (0,024420) EXPi

σ
(1.36103) (0.693963) (0.252441) (0.0771288)
¿Qué método de estimación se está utilizando? ¿Cuál es la diferencia con respecto al utilizado en
el apartado 5)? Describe paso a paso el proceso para obtener las estimaciones.
8. Si tuvieras que escoger entre las alternativas de estimación empleadas para estimar el modelo (1),
¿cuál escogerı́as? Razona tu respuesta.
9. Contrasta la hipótesis de que los años de experiencia es una variable determinante para los ingresos.
¿Ocurre lo mismo con el número de horas semanales trabajadas?
117

Un estudiante pretende estudiar los determinantes de consumo de gasolina en U.S. Para ello dispone de
observaciones anuales en el perı́odo de 1960 a 1995 sobre las siguientes variables15 :
G: Consumo de gasolina total, en U.S., gasto total dividido por su ı́ndice de precios.
Pg: Índice de precios de la gasolina.
R: Renta disponible, per cápita.
Ps: Índice de precios agregado del consumo de servicios.
Se considera a las variables Pg, R y Ps no estocásticas. El estudiante propone la siguiente especificación:
Gt = β1 + β2 P gt + β3 Rt + β4 P st + β5 Gt−1 + ut t = 2, . . . , 36 (1)
La estimación por MCO de la relación anterior proporciona los siguientes resultados:
Estimación MCO, usando las observaciones 1961–1995 (T = 35)

Variable dependiente: G

const −74,0572 14,2697 −5,1898 0,0000
Pg −10,4532 1,60320 −6,5202 0,0000
R 0,0288099 0,00417302 6,9039 0,0000
Ps −13,6499 6,27697 −2,1746 0,0377
G1 0,314807 0,0968464 3,2506 0,0028
Suma de cuad. residuos 699,5137 ρ̂ 0,344683

R2 0,991259 R2 corregido 0,990093
F (4, 30) 850,5202 Valor p (de F ) 2,11e–30
Durbin-Watson 0,8345 Breusch-Godfrey, BG(1) 4,34118
Además se dispone del siguiente gráfico:
1. Interpreta el gráfico mostrado.
2. ¿Crees que la perturbación del modelo puede presentar algún problema? Realiza el contraste o
contrastes que sean pertinentes especificando todos sus elementos.
15
Fuente: Greene, W. H. (1999): Análisis Econométrico, ed. Prentice Hall. Conjunto de datos incluido en gretl,
carpeta Greene, fichero greene7-8.gdt.
118
Residuos de la regresión (= G observada − estimada)
10
residuo
0
−2
−4
−6
−8
−10
1965 1970 1975 1980 1985 1990 1995
3. ¿Por qué es no lineal el estimador utilizado?
4. Explica razonadamente si E(Gt−1 ut ) es cero o distinto de cero.
5. ¿Qué puedes decir de la consistencia del estimador empleado? ¿cómo es plim β̂M CO ?
Después de analizar los resultados anteriores el estudiante decide reestimar el modelo (1) por un
método alternativo. Sus resultados son los siguientes:
Estimación MC2E, usando las observaciones 1961–1995 (T = 35)
Variable dependiente: G
Instrumentos: const Pg Pg 1 R R 1 Ps Ps 1

const −96,9409 17,3909 −5,5742 0,0000
Pg −11,4022 1,75011 −6,5151 0,0000
R 0,0370230 0,00537234 6,8914 0,0000
Ps −20,8719 7,21264 −2,8938 0,0038
G1 0,112566 0,127079 0,8858 0,3757
R2 0,989989 R2 corregido 0,988654
F (4, 30) 740,4683 Valor p (de F ) 1,65e–29
ρ̂ 0,490485 Durbin–Watson 0,997536
Contraste de Hausman 6,0594
6. ¿Qué método de estimación está utilizando el estudiante? ¿Qué quiere decir “Instrumentos: const
Pg Pg 1 R R 1 Ps Ps 1”? Razona si los instrumentos son adecuados.
7. ¿Cómo se han obtenido las estimaciones?
Alternativamente se ha obtenido la siguiente estimación:

Gt − ρ̂ Gt−1 = −87, 41 (1 − ρ̂) − 12, 51 (P gt − ρ̂ P gt−1 ) + 0, 034 (Rt − ρ̂ Rt−1 )
| {z } | {z } (2,227) | {z } (0,004) | {z }
G∗
t Xt∗ P gt∗ Rt∗
− 13, 92 (P st − ρ̂ P st−1 ) + 0, 175 (Gt−1 − ρ̂ Gt−2 ) +²̂t (2)

(10,139) | {z } (0,103) | {z }
P s∗
t G∗
t−1
R2 = 0, 968 DW = 2, 30
119
con ²t ruido blanco tal que ²t = ut − ρut−1 y ut son las perturbaciones del modelo (1).
8. Completa y/o realiza lo siguiente:

a) ²t ∼ . . . . . . ( , )
b) ¿Cuál es el método de estimación que se ha utilizado en (2) para que el estimador de β sea consis-
tente y asintóticamente eficiente? Razona tu respuesta.
9. Utilizando la información contenida en la ecuación (2), explica detalladamente la validez del si-
guiente estadı́stico de contraste
β̂5 − 0 H0 ,d
−→ N (0, 1)
d β̂5 )
des(
explicativa. Finalmente, ¿incluirı́as dicha variable en el modelo?
Se quiere analizar la evolución de los salarios anuales de los profesores, SALARY en función de su
antigüedad como doctores, Y EARS. Para ello se dispone de una muestra para el año 1995 correspondiente
a 222 profesores de siete universidades de EE.UU y se especifica el siguiente modelo16 :
SALARYi = β1 + β2 Y EARSi + ui i = 1, . . . , 222 (3)
Una primera estimación del modelo por MCO proporciona los siguientes resultados:
d i
SALARY = 52, 2375 + 1, 4911 Y EARSi R2 = 0, 4393 (4)
d
desv(β̂i,M CO ) (2, 3728) (0, 1135)
d β̂i,M CO )W hite
desv( (1, 6376) (0, 0958)
ĉ2
u i
û0 û
= 0, 395 + 0, 03335 Y EARSi + ²̂i SCE = 27, 98 (5)
N
Junto con el gráfico de residuos MCO frente a la variable Y EARS (Figura 15).
1. Contrasta adecuadamente la significatividad de la variable Y EARS.
Se ha utilizado un método de estimación alternativo a MCO, basándose en supuestos que se suponen

adecuados.
Variable dependiente: SALARY
Variable utilizada como ponderación: 1/Y EARS 2

const 47,5961 0,499967 95,1985 0,0000
YEARS 1,74686 0,0916906 19,0517 0,0000
16
120
Figura 15: Residuos MCO frente a YEARS
Residuos de la regresión (= SALARY observada − estimada)

80
60
40
20
residuo
−20
−40
−60
0 5 10 15 20 25 30 35 40 45
YEARS

SCR 261,1782 R2 0,622621
F (1, 220) 362,9679 P-value(F ) 1,89e–48
2. ¿Te parece razonable la ponderación utilizada?
3. Completa las siguientes matrices bajo los supuestos que está realizando el analista sobre el com-
portamiento de la perturbación del modelo (3).
   
   
   
   
   
E(u) = 


 E(uu0 ) = 



   
   
   
4. ¿Qué se quiere conseguir con este método de estimación? ¿De qué depende que el estimador obte-
nido sea eficiente dentro de los lineales e insesgados? Razona tu respuesta.
PROBLEMA LE 2010. 3 (Jun/Sep-2010. Evaluación No Conti-

nua. Prueba escrita.)

121
La Fundación Vicente Ferrer quiere analizar la dependencia del gasto en alimentación con respecto al
gasto total en 55 familias de la India17 . Para ello encarga el estudio a un analista el cual dispone de
observaciones para el año 1970 de las variables f oodexp, gasto en alimentación en rupias, y totexp gasto
familiar total, en rupias. El analista estima por MCO la ecuación:
f oodexpi = β1 + β2 totexpi + ui i = 1, . . . , 55 (1)
Los resultados de dicha estimación son los siguientes:
d
f oodexp = 94, 2088 + 0, 4368 totexpi SCR = 236893, 6 R2 = 0, 3698 (2)
i
d β̂i ))
(des( (50,8563) (0,0783)
Además tras ordenar la muestra en función creciente de los valores de la variable totexp se han realizado
dos regresiones como en (1) separadamente con las primeras y últimas 18 observaciones obteniéndose las
siguientes sumas de cuadrados de los residuos: SCR1 = 16127, 92 y SCR2 = 103821, 1.
foodexp con respecto a totexp (con ajuste mínimo−cuadrático) Residuos de la regresión (= foodexp observada − estimada)
650 200
Y = 94,2 + 0,437X
600
150
550
100
500
50
450
foodexp
residuo
400 0
350
−50
300
−100
250
−150
200
150 −200
400 450 500 550 600 650 700 750 800 400 450 500 550 600 650 700 750 800
totexp totexp
1. Interpreta los dos gráficos anteriores, ¿la perturbación del modelo cumple todas las hipótesis bási-
cas? Realiza el contraste o contrastes que consideres oportuno.
2. ¿Es válido el valor estadı́stico-t = 5, 577 para contrastar la significatividad de la variable totexp?
El analista propone una estimación alternativa del modelo y presenta los siguientes resultados ob-
tenidos con el software gretl:

Variable dependiente: foodexp
Variable utilizada como ponderación: 1/totexp

const 85,3217 43,7746 1,9491 0,0566
totexp 0,450716 0,0698476 6,4528 0,0000
17
Fuente: Mukherjee, Ch.; White, H and M. Wuyts, (1998): Econometrics and Data Analysis for Developing
Countries, Routledge, New York. Conjunto de datos incluido en gretl, carpeta Gujarati, table2-8.gdt.
122
R2 0,439979 Adjusted R2 0,429412
F (1, 53) 41,63923 P-value(F ) 3,42e–08
3. Escribe el correspondiente modelo transformado y demuestra que las perturbaciones son esféricas,
si el peso especificado se corresponde con la expresión correcta para var(ui ).
4. i) ¿Te parece razonable la ponderación utilizada?
ii) ¿Qué se quiere conseguir con este método de estimación? ¿De qué depende que el estimador
obtenido sea eficiente dentro de los lineales e insesgados? Razona tu respuesta.
El analista no está satisfecho con los resultados anteriores y contempla la posibilidad de que la
relación entre las variables no sea una relación lineal sino exponencial tal que f oodexpi = exp{α1 +
α2 totexpi + υi } y estima por MCO el modelo :
Ln(f oodexp)i = α1 + α2 totexpi + υi i = 1, . . . , 55 (3)
Obteniendo los siguientes resultados:
Ln(fd
oodexp)i = 5, 1080 + 0, 0012 totexpi SCR = 1, 7018 R2 = 0, 3952 (4)
d β̂i ))
(desv( (0,1363) (0,0002)
ĉ2
υi
υ̂ 0 υ̂
= −0, 20739 + 0, 00188 totexpi
N
SCT = 115, 31 SCR = 112, 7172 R2 = 0, 022555
5. ¿Presenta el modelo (3) el mismo problema de incumplimiento de hipótesis que el modelo (1)?
Justifica tu respuesta mediante un contraste. Explica detalladamente lo que haces y por qué lo
haces.
6. Tras reflexionar sobre todos los resultados el analista propone a la organización estimar el modelo
(3) por MCO. ¿Es correcta su elección? Razona tu respuesta.
7. ¿Recoge α2 en (3) el mismo efecto que β2 en (1)? ¿En qué se diferencian ambas especificaciones?

nua. Prueba escrita.)
Se quiere estimar el modelo:
Ln(wage)i = β1 + β2 experi + vi vi ∼ N ID(0, σv2 ) E(experi vi ) = 0 ∀i (5)
donde
wage salario por hora, en centavos, en 1976.

exper experiencia laboral en 1976. Variable no estocástica.
123
Sin embargo se utiliza como variable para medir la experiencia a la variable educ (años de escolarización
de individuo en 1976). Esta es una variable observable tal que: educi = experi + ²i , donde ²i es un ruido
blanco independiente de experi y de vi . En base a la información disponible se han obtenido los siguientes
resultados utilizando el método de Mı́nimos Cuadrados Ordinarios para una muestra de 3010 individuos:
d
Ln(wage)i = 5, 5708 + 0, 0520 educi (6)
d β̂K ))
(des( (0,0388) (0,0028)
1. Razona las propiedades en muestras finitas y asintóticas del estimador MCO.
Se dispone de una variable adicional near variable ficticia con valor 1 si el individuo i vivió cerca
de la universidad al menos durante 4 años. Para la muestra de 3010 individuos se tiene la siguiente
información:
P 2
P P 2
P neari = 2053 P Ln(wage)i educi = 251114, 3746 P educi = 551079 2
P educi = 39923 P Ln(wage)i neari = 12957, 3066 P Ln(wage)i = 118616, 3629
neari = 2053 educi neari = 27771 Ln(wage)i = 18848, 1140
2. Propón un estimador alternativo al de MCO razonando bajo qué condiciones éste serı́a consistente.
Indica su distribución asintótica.
3. Evalúa en la muestra el estimador propuesto en el apartado anterior.
La siguiente matriz corresponde a una estimación consistente de la matriz de de varianzas y cova-

rianzas asintótica del estimador propuesto en 2). Completa teóricamente la siguiente expresión:
· ¸
932, 7808 0,3925 −0,0296
Vb (β̂) = =
3008 −0,0296 2,2291e − 03
4. Contrasta la importancia del problema de error de medida y en función del mismo indica razona-
damente cuál de los dos estimadores propuestos elegirı́as.
5. Contrasta adecuadamente si la experiencia es una variable significativa.

nua. Prueba práctica.)

124
económicas.
Se dispone de observaciones anuales en el perı́odo de 1960 a 1995 sobre las siguientes variables18 :
C: Consumo de gasolina total, en U.S., gasto total dividido por su ı́ndice de precios.
Pg: Índice de precios de la gasolina.
R: Renta disponible, per cápita.
Se considera a las variables Pg y R no estocásticas. Se propone la siguiente especificación en logaritmos

(denotado por L) de la función de consumo de gasolina:
LCt = β1 + β2 LP gt + β3 LRt + β4 LCt−1 + ut t = 1, . . . , 42 (1)
1. Estima por MCO el modelo (1). Completa:

dt
LC = ··· ··· ···
d β̂M CO ))
(desv( ( ) ( ) ( ) ( )
2. Demuestra las propiedades para muestras finitas del estimador empleado. ¿Qué significa muestras
finitas en este contexto?
3. Dibuja y comenta el gráfico de residuos:

Gráfico de residuos MCO frente al tiempo Comentario:
Residuos de la regresión (= LC observada − LC estimada)

0.05
0.04
0.03
0.02
0.01
residuo
−0.01
−0.02
−0.03
−0.04
−0.05
1965 1970 1975 1980 1985 1990 1995
4. ¿Crees que la perturbación del modelo puede presentar algún problema? Realiza el contraste o
contrastes que sean pertinentes especificando todos sus elementos.
i) Escribe la hipótesis nula, la alternativa y el estadı́stico de contraste que vas a utilizar junto con su
distribución bajo la hipótesis nula. Indica claramente de donde salen cada uno de los elementos de
este estadı́stico.
18
Fuente: Greene, W. H. (1999): Análisis Econométrico, ed. Prentice Hall. Conjunto de datos incluido en gretl,
carpeta Greene, fichero greene7-8.gdt.
125
ii) Aplı́calo a los datos del archivo y completa:
...... = ................................................................................................................................
Valor crı́tico para un nivel de significación (α = 5 %)=

Aplica la regla de decisión:
5. Explica razonadamente si E(LCt−1 ut ) es cero o distinto de cero.
6. ¿Cómo es plim β̂M CO ?¿Qué puedes decir de la consistencia del estimador empleado?¿Y de su dis-
tribución asintótica?
7. Reestima el modelo (1) por el método de variables instrumentales, utilizando como instrumentos
además del término constante, LRt y LP gt , a las variables retardadas LP gt−1 y LRt−1 . Completa:
dt
LC = ··· ··· ···
d β̂M C2E ))
(desv( ( ) ( ) ( ) ( )
i) ¿Cómo se soluciona el tener un número mayor de instrumentos de los estrictamente necesa-

rios? Explica en este caso lo realizado.
ii) Completa la matriz de instrumentos utilizada y la fórmula del estimador utilizado.
 
 
 
 
 
Z=  
 
 
 
 
 −1
 
 
   
   
   
   
   
   
   
βb.......... =







   
   
   
   
   
   
 
iii) ¿Consideras que los instrumentos utilizados son adecuados? Razona tu respuesta.
126
iv) ¿Son adecuadas las desviaciones tı́picas mostradas para realizar inferencia válida? ¿Es un
estimador asintóticamente eficiente?
8. Utiliza el método de Hildreth-Lu para estimar los parámetros β del modelo. Completa:
dt
LC = ··· ··· ···
d β̂HL ))
(desv( ( ) ( ) ( ) ( )
i) ¿Es este estimador consistente y asintóticamente eficiente? ¿Adolece del mismo problema que
el estimador de Cochrane-Orcutt? ¿Cómo modificarı́as este último? Razona tu respuesta.
ii) Contrasta la hipótesis de que la elasticidad renta es igual a la unidad. Escribe la hipótesis
nula, la alternativa y el estadı́stico de contraste que utiliza gretl para obtener el resultado
mostrado. Realiza el contraste.

nua. Prueba práctica.)
Se quiere analizar la evolución de los salarios anuales de los profesores, SALARY en función de su
antigüedad como doctores, Y EARS. Para ello se dispone de una muestra para el año 1995 correspondiente
a 222 profesores de siete universidades de EE.UU. Se especifica el siguiente modelo19 :
SALARYi = β1 + β2 Y EARSi + ui i = 1, . . . , 222
1. Estima por MCO el modelo. Dibuja y comenta el gráfico de residuos frente a YEARS:
Gráfico de residuos MCO frente a YEARS Comentario:
Residuos de la regresión (= SALARY observada − estimada)
80
60
40
20
residuo
−20
−40
−60
0 5 10 15 20 25 30 35 40 45
YEARS
19
127
2. Contrasta adecuadamente la significatividad de la variable Y EARS utilizando el estimador MCO.
Realiza el análisis previo que consideres oportuno y escribe todos los resultados utilizados para
realizar el contraste, ası́ como la expresión de los estadı́sticos utilizados y su distribución bajo H0 .
d i
SALARY = ···
d ......... (β̂M CO ))
(desv ( ) ( )
3. Utiliza un método de estimación alternativo a MCO con el que se quiera ganar eficiencia asintótica
tal que, basándote en el supuesto de que la varianza de la perturbación es una función de YEARS,
requiera de la modelización y estimación de esta. Explica todos los pasos utilizados, razonando
todos ellos y mostrando al menos los siguientes resultados:
a) Forma funcional propuesta V ar(ui ) = ..............................................

b)
i=....
X
Criterio de estimación:.................. (Yi∗ − βˆ1 X1i
∗
− βˆ2 X2i
∗ 2
)
i=....
Yi∗ = ..................................; ∗
X1i = ..................................;
∗
X2i = ..................................
 −1  
   
   
   
   
   
   
   
   
β̂...... =







   
   
   
   
   
   
   
c) Regresión auxiliar:
σ̂i2 = .............................................................................
d ) Función de regresión muestral obtenida:
d i =
SALARY ···
d β̂M CGF ))
(des( ( ) ( )
128
TAREAS del CC
TAREA 1
Las competencias a trabajar son:

Se dispone de una base de datos sobre el precio de venta y distintas caracterı́sticas de 224 viviendas
pertenecientes a dos áreas residenciales del condado de Orange en California (USA), Dove Canyon y
Coto de Caza 20 . Dove Canyon es una zona de viviendas relativamente pequeñas construidas alrededor
de un campo de golf. Coto de Caza es un área de mayor nivel de vida aunque más rural con viviendas
más grandes. Las variables que se consideran son
salepric = precio de venta de la vivienda en miles de dólares

sqft = tama~
no de la vivienda en pies cuadrados
age = edad de la vivienda en a~nos
city = 1 si está en Coto de Caza, 0 si está en Dove Canyon
Puedes acceder a estos datos ejecutando GRETL → En Archivo → Abrir datos → Archivo de muestra
→ Elige Ramanathan, el fichero data7-24.gdt
a) Especifica un primer modelo para analizar si el tamaño y la edad de la vivienda son factores
que explican o no el precio de la vivienda. Estima el modelo por Mı́nimos Cuadrados Ordinarios.
Comenta los resultados obtenidos en términos de bondad de ajuste, significatividad y signos de los
coeficientes estimados. Razona si te parecen adecuados los resultados.
b) Obtén el gráfico de los residuos de la estimación MCO de esta primera especificación. ¿Qué te
sugiere este gráfico? Comenta si crees que existe algún problema de mala especificación.
c) Introduce como variable explicativa en el modelo la variable city. Interpreta qué te recoge el coefi-
ciente que la acompaña.
d) Estima esta segunda especificación por MCO. Comenta los resultados y compara estos con los
obtenidos en el apartado a). ¿Ha mejorado la especificación? Razona tu respuesta.
En lo que sigue considera esta segunda especificación del modelo.
e) Obtén los siguientes gráficos.
• Gráfico de la serie de residuos MCO.
• Gráfico de residuos MCO sobre la variable age.
20
Fuente: Ramanthan, Ramu (2002) Introductory econometrics with applications fichero data7-24.gdt
129
• Gráfico de residuos MCO sobre la variable sqft.
f) Analiza de forma razonada la información que te proporcionan los gráficos.
g) Realiza algún(os) contraste(s) de heterocedasticidad. Explica el procedimiento de contraste y co-
menta los resultados obtenidos.
h) Teniendo en cuenta la evidencia obtenida en g), ¿qué resultados de los obtenidos en d) no son
fiables para la inferencia? ¿Cómo lo modificarı́as si quieres seguir utilizando el mismo método de
estimación (MCO) de los coeficientes del modelo? Utiliza el procedimiento que está implementado
en GRETL para ello (HCCM). Comenta los resultados y compáralos con los obtenidos en d).
i) Estima por Mı́nimos Cuadrados Generalizados o Ponderados utilizando como variable de ponde-
ración el inverso del cuadrado del tamaño de la vivienda. Analiza los resultados.
j) ¿Qué se quiere decir con datos ponderados y datos originales? ¿Por qué se utiliza como variable de
ponderación el inverso de sqf t2 ? Explica razonadamente.
k) Propón otra especificación para modelizar la varianza del término de perturbación que incluya
tanto age como sqf t y estima por Mı́nimos Cuadrados Generalizados Factibles.
l) Escribe una sección de conclusiones donde resumas los resultados obtenidos a lo largo de todo el
ejercicio. Además tienes que elegir con qué resultados te quedarı́as y por qué.
TAREA 2

Se dispone de una base de datos anuales sobre ı́ndices de producción y factores de producción agrı́colas
y ganaderos con base 1982, para el perı́odo de 1948 a 1993 en U.S. 21 Las variables que se consideran son
year = 1948-1993 (n=46)

output = Producción agrı́cola y ganadera
labor = Factor trabajo
land = Tama~
no de la explotación
machines = Gasto en equipamiento
energy = Energı́a utilizada
fert = Gasto en fertilizantes quı́micos
seedfeed = Gasto en semillas, forrajes y compra de ganado
others = Otros gastos
21
Fuente: Economic report of the President, 1996, Tablas B-95 y B-96, recogidas en Ramanathan, Ramu (2002)
Introductory econometrics with applications.
130
a) Especifica un modelo doblemente logarı́tmico en el que relaciones el logaritmo de la producción

con el logaritmo de todos los inputs, para analizar si los factores de producción tenidos en cuenta
son útiles para explicar o no la producción agrı́cola-ganadera en U.S. en el perı́odo de 1948 a 1993.
Estima el modelo por Mı́nimos Cuadrados Ordinarios. Interpreta los parámetros que acompañan
al factor trabajo y al factor tamaño de la explotación. Comenta los resultados obtenidos de la
estimación en términos de bondad de ajuste, significatividad y signos de los coeficientes estimados.
Razona si te parecen adecuados los resultados.
b) Obtén el gráfico de los residuos de la estimación MCO de esta especificación. ¿Qué te sugiere este
gráfico? Comenta si crees que existe algún problema de mala especificación o inclumplimiento de
hipótesis básicas.
c) En el modelo propuesto en el apartado a) contrasta la existencia de un proceso autorregresivo
de orden uno en las perturbaciones con el estadı́stico de Durbin Watson y con el estadı́stico de
Breusch Godfrey. A continuación contrasta la existencia de un proceso autorregresivo de orden
tres. ¿Qué concluyes sobre los resultados de los contrastes?
d) Teniendo en cuenta la evidencia obtenida en c), ¿qué resultados de los obtenidos en a) no son
fiables para la inferencia? ¿Cómo lo modificarı́as si quieres seguir utilizando el mismo método
de estimación (MCO) de los coeficientes del modelo? Utiliza el procedimiento implementado en
GRETL. Comenta los resultados y compáralos con los obtenidos en a).
e) Estima el modelo por el procedimiento de Cochrane-Orcutt. Escribe el modelo a estimar y descri-
be claramente el proceso de estimación que se ha llevado a cabo hasta obtener las estimaciones
de los parámetros. Obtén el grafico de residuos, comenta sus resultados. ¿Crees que hay algún
inclumplimiento de las hipótesis básicas sobre la perturbación en el modelo estimado?
f) Reestima el modelo suprimiendo los regresores no significativos y repite el estudio de existencia de
autocorrelación en las perturbaciones.
g) Escribe una sección final de conclusiones donde resumas y relaciones todos los resultados obtenidos
a lo largo del ejercicio. Además elige el modelo que estarı́as dispuesto a especificar (el propuesto
en el apartado a), el del apartado e) o el del apartado f)) Argumenta tú decisión.
h) ¿Qué quiere decir que los ı́ndices tienen la base en el año 1982? Si la base no fuese la misma para
todos los ı́ndices ¿ tendrı́a sentido el análisis? ¿por qué? ¿qué tendrı́as que hacer para solucionar
tu problema?
TAREA 3

131
Se dispone de una base de datos para 51 estados de E.E.U.U. sobre el gasto agregado en transporte
urbano (EXP T RAV ) y la renta disponible agregada (IN COM E) correspondientes al año 199322 . Las
variables que se consideran son:
EXPTRAV = Gasto agregado en transporte urbano, en billones de dólares,

(Rango 0.708 - 42.48).
INCOME = Renta disponible agregada, en billones de dólares,
(Rango 9.3 - 683.5).
POP = Población, en millones,
(Rango 0.47 - 31.217).
Para acceder a estos datos:

GRETL → En Archivo → Abrir datos → archivo de muestra
Entonces elige Ramanathan, el fichero data8-2.gdt
a) Especifica un modelo para analizar si la renta disponible agregada explica el gasto agregado en
transporte urbano. Interpreta sus coeficientes.
b) Estima el modelo por Mı́nimos Cuadrados Ordinarios. Comenta los resultados obtenidos en térmi-
nos de bondad de ajuste, significatividad y signos de los coeficientes estimados. Razona si te parecen
adecuados los resultados.
Estados con mucha población es probable que tengan una mayor variabilidad en los gastos en viajes que
los estados con poca población. Se puede pensar que la varianza de la perturbación crece con la población.
Dado que disponemos de datos sobre la población de los diferentes estados, es conveniente que analices
esta posibilidad. Para ello:
c) Obtén los siguientes gráficos:

• Gráfico de la serie de residuos MCO.
• Gráfico de residuos MCO sobre la variable POP.
d) Analiza de forma razonada la información que te proporcionan los gráficos.
e) Realiza el contraste de Goldfeld y Quandt para el supuesto de que la varianza de la perturbación es
creciente con la la variable P OP . Explica el procedimiento de contraste y comenta los resultados
obtenidos.
f) Realiza el contraste de Breusch y Pagan bajo el supuesto de que la varianza de la perturbación
depende de la variable P OP . Explica el procedimiento de contraste y comenta los resultados
obtenidos.
g) Dada la evidencia obtenida en e) y f), comenta la fiabilidad de los resultados obtenidos en b).
Utilizando el estimador β̂M CO , ¿podrı́a un aumento de un millón de dólares en la renta disponible
agregada producir un aumento de un billón de dólares en el gasto en transporte urbano agregado?
h) Estima el modelo por Mı́nimos Cuadrados Generalizados o Ponderados utilizando como variable de
ponderación el inverso del cuadrado de la variable población. Dibuja los residuos versus la variable
explicativa. Analiza los resultados de la estimación.
i) ¿Qué se quiere decir con datos ponderados y datos originales? ¿Por qué se ha utilizado como
variable de ponderación el inverso de la variable P OP 2 ? Explica razonadamente.
j) Para la forma funcional de la varianza considerada en el apartado i):
22
Fuente: Statistical Abstract of U.S. (1995), recogida en Ramanathan, Ramu (2002) Introductory econometrics
with applications.
132
j.1) Escribe el modelo transformado correspondiente. Estima eficientemente el modelo transfor-
mado propuesto. Compara los resultados con los obtenidos en la estimación del apartado h),
¿puedes establecer alguna conclusión?
j.2) Dibuja los residuos de la estimación del modelo transformado frente a su correspondiente
variable exógena. Interpreta dicho gráfico y compáralo con el correspondiente realizado en h).
¿Cómo interpretas lo que ves?
k) Especifica un modelo para la relación entre las variables EXP T RAV e IN COM E bajo el supuesto
de que σi2 = α1 + α2 P OPi . Estima el correspondiente modelo transformado detallando claramente
todo el proceso a realizar.
l) Escribe una sección de conclusiones donde resumas los resultados obtenidos a lo largo de todo el
ejercicio.
TAREA 4

Se quiere analizar la demanda de helado de mediados del siglo pasado en un estado de EEUU. Para ello
se dispone de una base de datos de 30 observaciones recogidos cada cuatro semanas durante los años 1951
a 1953, concretamente desde el 18 de marzo hasta el 11 de julio23 . Las variables que se consideran son:
Q = consumo per capita de helado en pintas, (Rango 0,256 - 0,548)

P = precio por pinta de helado en dólares, (Rango 0,26 - 0,292)
I = renta familiar disponible semanal, en dólares (Rango 76 - 96)
F = temperatura media en grados Fahrenheit, (Rango 24 - 72)
→ Entonces: Elige Ramanathan, el fichero data9-1.gdt
1. Dado que no se está acostumbrado a las unidades de medida americanas y sabiendo que una pinta
equivale a 0,473 litros, un grado centı́grado son 1,8 grados Fahrenheit y que el dólar está a 0,82
euros, cambia las unidades de las variables de forma que estén en unidades españolas.
2. Especifica un modelo en el que relaciones el consumo de helado (Q) con el precio (P), la renta (I)
y el cuadrado de la temperatura (F 2 ).
23
Fuente: Datos del artı́culo de Hildreth, C. y J. Lu (1960), “Demand relations with autocorrelated disturban-
ces”, Technical Bulletin No 2765, Michigan State University, recogida en Ramanathan, R. (2002), Introductory
econometrics with applications.
133
a) Interpreta los coeficientes del modelo.
b) Estima el modelo por Mı́nimos Cuadrados Ordinarios (MCO). ¿Son los signos de los coefi-
cientes los esperados?
c) Si la temperatura media de las cuatro primeras semanas hubiese aumentado un grado centı́gra-
do manteniéndose constantes los valores del resto de las variables, ¿en cuánto estimas la va-
riación del consumo per capita de helados correspondiente a ese mismo periodo? ¿Y si la
temperatura en ese periodo hubiera sido de 25 grados centı́grados? ¿Y si hubiera sido de 40
grados centı́grados?
d ) Comenta los resultados obtenidos en cuanto a la significatividad de las variables y la bondad
de ajuste.
3. Obtén el gráfico de los residuos. ¿Qué te sugiere este gráfico? Comenta si crees que existe algún
problema de mala especificación o incumplimiento de hipótesis básicas.
4. Contrasta la existencia de un proceso autorregresivo de orden uno en las perturbaciones empleando
el estadı́stico de Durbin y Watson. ¿Qué concluyes sobre el resultado del contraste?
5. Contrasta la existencia de un proceso autorregresivo de orden dos en las perturbaciones empleando
el estadı́stico de Breusch y Godfrey.
a) ¿Existe alguna contradicción con el resultado obtenido en el contraste de Durbin y Watson?,

¿por qué? Razona tu respuesta.
b) Obtén la matriz de correlación del residuo (ût ), su primer y segundo retardo (ût−1 , ût−2 ), las
variables explicativas (P, I y F 2 ) y la variable explicada (Q). Comenta los valores obtenidos,
razonando si son los que esperas en cuanto a magnitud y signo.
c) Basándote en el contraste de Breusch y Godfrey, ¿cuál es la ecuación que describe el proceso
estocástico de la perturbación? Contrástalo.
6. Teniendo en cuenta la evidencia empı́rica obtenida en el apartado anterior, ¿qué resultados de los
obtenidos en el apartado 2 no son fiables para la inferencia?
7. Estima el modelo por Mı́nimos Cuadrados Generalizados Factibles (MCGF) empleando el proce-
dimiento de Cochrane y Orcutt para la estimación del parámetro de correlación.
a) Describe minuciosamente el proceso de estimación que se ha llevado a cabo hasta obtener las
estimaciones de todos los parámetros.
b) Escribe la recta de regresión muestral.
c) Obtén el gráfico de residuos y comenta los resultados.
8. Estima los coeficientes del modelo por Mı́nimos Cuadrados Generalizados (MCG) bajo el supuesto
de que la correlación entre ut y ut−1 es -0,7.
a) Describe detalladamente el proceso de estimación.
c) Obtén el gráfico de los residuos y comenta todos los resultados obtenidos.
9. Dados los resultados obtenidos en los apartados 7 y 8, ¿qué estimador emplearı́as para estimar los
coeficientes del modelo? Razona tu respuesta.
10. Si la renta disponible semanal aumentara en un euro manteniéndose constantes las demás variables:
a) ¿En cuánto estimas que se incremente la demanda de helados semanal?

b) ¿Es posible que dicho incremento fuera de un mililitro?
11. Escribe una sección final de conclusiones donde resumas y relaciones todos los resultados obtenidos
a lo largo de la tarea.
134
TAREA 5

Para la realización de este ejercicio utilizamos el fichero de datos del libro de Wooldridge que tendreis
como archivo de muestra smoke en Gretl . Son datos para 807 individuos varones residentes en distintos
estados americanos en el año 1979. Las variables que están en este fichero son
income: renta familiar anual en miles de dólares.

lincome: logaritmo de la renta familiar anual en miles de dólares.
cigs: el número medio de cigarrillos fumados por dı́a.
educ: el número de años escolarizado.
age: edad del individuo en años.
agesq: edad del individuo en años elevado al cuadrado.
cigpric: el precio de un paquete de cigarrillos (en centavos)
lcigpric: logaritmo del precio de un paquete de cigarrillos (en centavos)
restaurn: variable ficticia que es igual a la unidad si una persona reside en un estado donde hay
restricciones al tabaquismo en los restaurantes, cero en otro caso.
white: variable ficticia que es igual a la unidad si el individuo es blanco, cero en otro caso.
→ Elige Wooldridge, fichero smoke24
Considera la especificación del Modelo (1):
lincomei = β1 + β2 cigsi + β3 educi + β4 agei + β5 agesqi + ui (1)
a) Muestra los resultados de la estimación por MCO del Modelo (1)

b) Comenta los resultados obtenidos sobre la bondad de ajuste, los coeficientes estimados y su signi-
ficatividad.
c) ¿Hay evidencia de que la relación entre la variable lincome y age sea cuadrática, manteniendo
constante el resto de las variables explicativas? Muestra los resultados del contraste utilizado para
tus conclusiones.
d) Se cree que el consumo de cigarrillos puede estar determinado conjuntamente con la renta, tal
que la variable cigs es un regresor estocástico correlacionado con el término de perturbación del
Modelo (1). Explica las consecuencias que esto tiene sobre los resultados obtenidos en los apartados
anteriores.
24
Fuente: Wooldridge, J. M. (2003): Introductory Econometrics, fichero smoke.
135
e) Muestra los resultados de estimar el Modelo (1) por el método de Variables Instrumentales utili-
zando la variable restaurn como instrumento para cigs. ¿Son los resultados muy diferentes a los
obtenidos por MCO? Comenta estos resultados.
f) Escribe la matriz de instrumentos Z y la matriz de variables explicativas del modelo, X. No pongas
los valores muestrales, simplemente utiliza los nombres de las variables en las columnas. Escribe su
dimensión.
g) Escribe la expresión del estimador de VI utilizado. Escribe los elementos de Z 0 X y Z 0 Y utilizando
sumatorios y su dimensión. ¿Qué caracterı́sticas tiene que tener Z para que el estimador se pueda
obtener? ¿Qué condiciones tiene que satisfacer Z para que el estimador tenga propiedades deseables
y los contrastes sean válidos?
h) Se dispone además de otro instrumento adicional para cigs, la variable lcigpric. Estima el modelo
(1) por Mı́nimos Cuadrados en 2 Etapas utilizando todos los instrumentos. Muestra el resultado
obtenido en Gretl. Compara estos resultados con los obtenidos en el apartado e).
i) Calcula las correlaciones entre los instrumentos y la variable cigs. ¿Qué indican estas correlaciones
sobre la bondad de estos instrumentos?
j) Realiza la regresión de la variable cigs sobre todos los posibles instrumentos incluida la
constante:
cigs = α1 + α2 educ + α3 age + α4 age2 + α5 lcigpric + α6 restaurn + ui (2)
di i = 1, . . . , 879 y utiliza esta variable como instru-
Guarda la serie ajustada de la regresión cigs
mento para cigs. ¿Obtienes los mismos resultados que en el apartado h)? ¿Por qué obtienes esos
resultados? ¿Son las variables lcigpric y restaurn significativas?
k) Realiza el contraste de Hausman para los resultados del apartado e). A la vista del resultado ¿Cómo
estimarı́as los coeficientes del modelo (1)?
l) Contrasta si la variable edad es significativa. ¿En cuánto se estima el cambio en la renta cuando el
individuo tiene un año adicional y el resto de las caracterı́sticas se mantienen constantes? ¿Es esta
variación la misma para todos los individuos en la muestra?
TAREA 6

El Departamento de Sanidad de E.E.U.U. quiere estudiar la relación entre el gasto sanitario agregado
en billones de dólares (exphlth), la renta personal disponible agregada también en billones de dólares
(income), el porcentaje de población que supera los 65 años en el año 2005 (seniors) y la población en
millones (pop). Para ello encarga un estudio a dos becarios de la facultad de Económicas de Harvard
136
poniendo a su disposición datos de 2005 para dichas variables sobre 51 estados americanos25 .
→ Elige Ramanathan, fichero data8-3.gdt.
1. Escribe la función de regresión poblacional que te permita analizar la influencia de las variables
explicativas income, seniors y pop sobre la variable exphlth. Estı́mala por MCO. Interpreta los coe-
ficientes estimados del modelo. Contrasta la significatividad individual de las variables explicativas
del modelo. Escribe los supuestos necesarios sobre la perturbación para que los estadı́sticos tengan
validez.
2. Obtén los siguientes gráficos y comenta la información que te proporcionan
a) Gráfico de la serie de residuos MCO.
b) Gráfico de residuos MCO sobre la variable pop.
c) Gráfico de residuos MCO sobre la variable income.
3. Bajo el supuesto de que la varianza de la perturbación es una función creciente de la población,
var(ui ) = σ 2 popi :
a) Realiza el contraste de Goldfeld y Quandt.
-Primera submuestra:
Muestra → Establecer rango → Establecer rango muestral → Inicio: 1 y Final: T1
,→ Estimamos el modelo para la primera submuestra
-Muestra → Recuperar el rango completo
-Segunda submuestra:
Muestra → Establecer rango → Establecer rango muestral → Inicio: T1 + p + 1 y Final: T
,→ Estimamos el modelo para la segunda submuestra
b) Para el supuesto de que var(ui ) = σ 2 pop2 . Escribe el modelo transformado asociado y de-
muestra las propiedades de la nueva perturbación.
c) Para el supuesto sobre var(ui ) del apartado anterior estima el modelo por Mı́nimos Cuadrados
Generalizados o Ponderados. Analiza los resultados.
d ) ¿Qué se quiere decir con datos ponderados y datos originales?
4. Bajo el supuesto de que la estructura de la varianza sea var(ui ) = γ1 + γ2 pop2i + γ3 income2i +

γ4 popi ∗ incomei ,
a) ¿Cómo lo contrastarı́as? Explica el procedimiento de contraste. Aplı́calo y comenta los resul-

tados obtenidos.
b) ¿Cómo estimarı́as el modelo? Indica detalladamente el proceso de estimación. ¿Cuáles son las
propiedades del estimador empleado?
c) Estima el modelo.
5. Comenta todos los resultados obtenidos y decide cómo estimarı́as el modelo.
25
137
TAREA 7

Se quiere analizar la demanda de helado de mediados del siglo pasado en un estado de EEUU. Para ello
se dispone de una base de datos de 30 observaciones recogidos cada cuatro semanas durante los años 1951
a 1953, concretamente desde el 18 de marzo hasta el 11 de julio26 . Las variables que se consideran son:
Q = consumo per capita de helado en pintas, (Rango 0,256 - 0,548)

P = precio por pinta de helado en dólares, (Rango 0,26 - 0,292)
I = renta familiar disponible semanal, en dólares (Rango 76 - 96)
F = temperatura media en grados Fahrenheit, (Rango 24 - 72)
1. Dado que no se está acostumbrado a las unidades de medida americanas y sabiendo que una pinta
equivale a 0,473 litros, un grado centı́grado son 1,8 grados Fahrenheit y que el dólar está a 0,82
euros, cambia las unidades de las variables de forma que estén en unidades españolas. Para ello:
0, 82 1
Lt = 0, 473 Qt Rt = 0, 82 It Et = Pt Ct = Ft
0, 473 1, 8
2. Especifica un modelo en el que relaciones el consumo de helado (L) con el precio (E), la renta
(R) y el cuadrado de la temperatura (C 2 ). Estı́malo por MCO y obtén el gráfico de los residuos.
¿Qué te sugiere este gráfico? Comenta si crees que existe algún problema de mala especificación o
incumplimiento de hipótesis básicas.
3. Contrasta la existencia de un proceso autorregresivo de orden uno en las perturbaciones empleando
el estadı́stico de Durbin y Watson. ¿Qué concluyes sobre el resultado del contraste?
4. Contrasta la existencia de un proceso autorregresivo de orden dos en las perturbaciones empleando
el estadı́stico de Breusch y Godfrey.
a) ¿Existe alguna contradicción con el resultado obtenido en el contraste de Durbin y Watson?,

¿por qué? Razona tu respuesta.
b) Obtén la matriz de correlación del residuo (ût ), su primer y segundo retardo (ût−1 , ût−2 ), las
variables explicativas (E, R y C 2 ) y la variable explicada (L). Comenta los valores obtenidos,
razonando si son los que esperas en cuanto a magnitud y signo.
26
Fuente: Datos del artı́culo de Hildreth, C. y J. Lu (1960), “Demand relations with autocorrelated disturban-
ces”, Technical Bulletin No 2765, Michigan State University, recogida en Ramanathan, R. (2002), Introductory
econometrics with applications.
138
c) Basándote en el contraste de Breusch y Godfrey, ¿cuál es la ecuación que describe el proceso
estocástico de la perturbación? Contrástalo.
5. Teniendo en cuenta la evidencia empı́rica obtenida en el apartado anterior, ¿qué resultados de los
obtenidos en el segundo apartado no son fiables para la inferencia?
6. Estima el modelo por Mı́nimos Cuadrados Generalizados Factibles (MCGF) empleando el proce-
dimiento de Cochrane y Orcutt o Hildreth-Lu para la estimación del parámetro de correlación.
a) Describe minuciosamente el proceso de estimación que se ha llevado a cabo hasta obtener las
estimaciones de todos los parámetros.
c) Obtén el gráfico de residuos y comenta los resultados.
7. Escribe una sección final de conclusiones donde resumas y relaciones todos los resultados obtenidos
a lo largo de la tarea.
TAREA 8

Se dispone de una base de datos anuales sobre ı́ndices de producción y factores de producción agrı́colas
y ganaderos con base 1982, para el perı́odo de 1948 a 1993 en U.S. 27 Las variables que se consideran son
year = 1948-1993 (n=46)

output = Producción agrı́cola y ganadera
labor = Factor trabajo
land = Tama~
no de la explotación
machines = Gasto en equipamiento
energy = Energı́a utilizada
fert = Gasto en fertilizantes quı́micos
seedfeed = Gasto en semillas, forrajes y compra de ganado
others = Otros gastos
27
Fuente: Economic report of the President, 1996, Tablas B-95 y B-96, recogidas en Ramanathan, Ramu (2002)
Introductory econometrics with applications.
139
a) Especifica un modelo doblemente logarı́tmico en el que relaciones el logaritmo de la producción
con el logaritmo de todos los inputs, para analizar si los factores de producción tenidos en cuenta
son útiles para explicar o no la producción agrı́cola-ganadera en U.S. en el perı́odo de 1948 a 1993.
Estima el modelo por Mı́nimos Cuadrados Ordinarios. Interpreta los parámetros que acompañan
al factor trabajo y al factor tamaño de la explotación. Comenta los resultados obtenidos de la
estimación en términos de bondad de ajuste, significatividad y signos de los coeficientes estimados.
Razona si te parecen adecuados los resultados.
b) Obtén el gráfico de los residuos de la estimación MCO de esta especificación. ¿Qué te sugiere este
gráfico? Comenta si crees que existe algún problema de mala especificación o inclumplimiento de
hipótesis básicas.
c) En el modelo propuesto en el apartado a) contrasta la existencia de un proceso autorregresivo
de orden uno en las perturbaciones con el estadı́stico de Durbin Watson y con el estadı́stico de
Breusch Godfrey. A continuación contrasta la existencia de un proceso autorregresivo de orden
tres. ¿Qué concluyes sobre los resultados de los contrastes?
d) Teniendo en cuenta la evidencia obtenida en c), ¿qué resultados de los obtenidos en a) no son
fiables para la inferencia? ¿Cómo lo modificarı́as si quieres seguir utilizando el mismo método
de estimación (MCO) de los coeficientes del modelo? Utiliza el procedimiento implementado en
GRETL. Comenta los resultados y compáralos con los obtenidos en a).
e) Estima el modelo por el procedimiento de Cochrane-Orcutt. Escribe el modelo a estimar y descri-
be claramente el proceso de estimación que se ha llevado a cabo hasta obtener las estimaciones
de los parámetros. Obtén el grafico de residuos, comenta sus resultados. ¿Crees que hay algún
inclumplimiento de las hipótesis básicas sobre la perturbación en el modelo estimado?
f) Reestima el modelo suprimiendo los regresores no significativos y repite el estudio de existencia de
autocorrelación en las perturbaciones.
g) Escribe una sección final de conclusiones donde resumas y relaciones todos los resultados obtenidos
a lo largo del ejercicio. Además elige el modelo que estarı́as dispuesto a especificar (el propuesto
en el apartado a), el del apartado e) o el del apartado f)) Argumenta tú decisión.
h) ¿Qué quiere decir que los ı́ndices tienen la base en el año 1982? Si la base no fuese la misma para
todos los ı́ndices ¿ tendrı́a sentido el análisis? ¿por qué? ¿qué tendrı́as que hacer para solucionar
tu problema?
TAREA 9

Se desea estimar una función de producción tipo Cobb-Douglas para el sector agrı́cola y ganadero en los
Estados Unidos. Para ello se dispone de una base28 de datos anuales para el periodo de 1948 a 1993 sobre
los siguientes ı́ndices con base en el año 1982:
28
Rammanathan, R. (2002), Introductory econometrics with applications, data 9-5.gdt.
140
Yt = Indice de la producción agrı́cola y ganadera (en logaritmos)
Lt = Indice de utilización del factor trabajo (en logaritmos)
EXt = Indice del tamaño de la explotación (en logaritmos)
Kt = Indice del gasto en maquinaria (en logaritmos)
Se especifica el siguiente modelo:
Yt = β1 + β2 Lt + β3 EXt + β4 Kt + ut (3)
1. Explica por qué se han considerado todas las variables en logaritmos.

2. ¿Qué quiere decir que los ı́ndices tengan la base en el año 1982? ¿Qué valores tomaran las variables
en ese año?
3. Considera estimar por Mı́nimos Cuadrados Ordinarios la especificación doble-logaritmica (3). In-
terpreta los resultados.
4. Analiza la serie temporal de los residuos. Interpreta el gráfico y comenta si hay evidencia de algún
problema.
5. Realiza el contraste de Durbin y Watson. Explica detalladamente.
6. Realiza el contraste de Breusch-Godfrey para detectar un posible proceso AR(1) o MA(1) en el
término de perturbación del modelo.
7. ¿Cómo se deberı́a modificar el estadı́stico t de significatividad individual si se sigue utilizando el
estimador MCO para estimar los coeficientes? Utiliza la opción desviaciones tı́picas robustas a la
hora de estimar por MCO.
8. Estima de nuevo la función de producción por el método de Cochrane-Orcutt (CO) y por el método
de red de búsqueda de Hildreth y Lu (HL).
9. Comenta los resultados obtenidos por cada método MCO, CO y HL.
10. Utilizando los resultados de la estimación por Hildreth y Lu, contrasta la hipótesis nula H0 : β3 =
2β4 . Explica todos los elementos del contraste.
TAREA 10

En un estudio sobre la polı́tica de natalidad del gobierno de E.E.U.U. en el siglo XX se tienen datos
anuales sobre las siguientes variables29 , para el perı́odo 1913-1984:
29
Wooldridge, J.M. (2001), Introducción a la Econometrı́a, data fertil3.gdt.
141
gfr nacimientos por 1000 mujeres de edad entre 15-44
pe reducción fiscal en términos reales, en dólares
year secuencia temporal, de 1913 a 1984
pill =1 si a~
no >= 1963. Este a~ no fue el del inicio de la
comercialización de la pı́ldora anticonceptiva.
ww2 =1 si el a~no está entre 1941 y 1945 (2a guerra mundial)
Inicialmente se especifica el modelo

gfrt = β1 + β2 pet + ut (4)
1. Da estructura de series temporales al conjunto de datos disponible pinchando en la pantalla prin-

cipal en
Datos → Estructura del conjunto de datos → . . .
2. Estima por MCO el modelo propuesto en (4). Interpreta los resultados.

3. Obtén el gráfico de series temporales de la variable gfrt y de los residuos. Coméntalos a la vista del
R2 obtenido en el apartado anterior.
4. Reestima el modelo incluyendo los regresores pillt y ww2t , ¿Qué pretenden recoger cada uno de
ellos? ¿Tiene su inclusión algún efecto sobre los gráficos anteriores?
5. Contrasta la existencia de autocorrelación de primer orden con el estadı́stico de Durbin Watson.
6. Teniendo en cuenta toda la información disponible hasta ahora, contrasta la significatividad indi-
vidual de la variable pe.
7. Estima el modelo por el método de Cohrane-Orcutt. Comenta los resultados obtenidos, realizando
los contrastes que fuesen necesarios.
8. Estima el modelo por el método de Hildreth-Lu. ¿Hay alguna diferencia significativa? ¿Por qué?
9. Añade como regresor la variable retardada un periodo gfrt−1 al modelo y estı́malo por MCO. Obtén
el gráfico de los residuos y coméntalo. Realiza un contraste de autocorrelación de orden 1 y, a partir
de ese resultado, comenta los resultados del análisis. ¿Crees necesario utilizar algún otro estimador?
¿Por qué?
10. Añade al modelo una tendencia temporal t. Dado el gráfico de residuos que se obtiene, prueba a
incluir también una tendencia cuadrática, t2 .
11. Realiza el contraste de Durbin-Watson en este modelo. Comenta los resultados.
12. ¿Cómo contrastarı́as la significatividad individual de las variables explicativas incluidas en el mo-
delo? Utiliza siempre un estimador adecuado para los errores estándar de los coeficientes con la
información de la que dispones hasta ahora.
TAREA 11

142
En un estudio sobre la polı́tica de natalidad en los E.E.U.U. en el siglo XX se tienen los datos siguientes
de frecuencia anual sobre las variables siguientes30 , para el periodo 1913-1984:
gfr nacimientos por 1000 mujeres, entre 15-44

pe reducción fiscal real, en dólares
year 1913 a 1984
pill =1 para a~nos >= 1963 (a~
no de introducción de la pı́ldora anticonceptiva)
ww2 =1, entre 1941 y 1945 (periodo de la 2a guerra mundial, para EEUU)
Inicialmente se especifica el siguiente modelo

gfrt = β1 + β2 pet + β3 pillt + β4 ww2t + ut (5)
1. Dale al conjunto de datos estructura de series temporales pinchando, en la ventana principal de

Gretl,
Datos → Estructura de datos → . . .
2. Estimar por MCO el modelo propuesto en (5). Comprueba la existencia de autocorrelación en este
modelo.
3. Especifica un modelo dinámico incluyendo como regresores cuatro retardos consecutivos de la
variable endógena gfr t , es decir, añade gfr t−1 , ..., gfr t−4 a la lista de regresores. Comprueba su
significatividad, individual y conjunta, a través de estadı́sticos válidos.
4. Especifica un modelo dinámico diferente incluyendo como regresores cuatro retardos consecutivos
de la variable pe t , es decir, añade pe t−1 , ..., pe t−4 a la lista de regresores. Comprueba su significa-
tividad, individual y conjunta, a través de estadı́sticos válidos. ¿Introduce esta especificación algún
otro problema conocido?
5. Incluye todas las variables consideradas en las preguntas 3) y 4) anteriores. Después, basándote en
contrastes de hipótesis, y de forma secuencial:
a) Omite la variable gfr t−4 .
b) Omite todas las variables que encuentres no significativas al nivel de significación del 5 %,
incluyendo variables retardadas y no retardadas. Puedes tener que reestimar el modelo varias
veces.
c) Guarda a sesión como icono el modelo final que hayas considerado como el mejor y escribe
su Función de Regresión Muestral.
6. Ahora, considera el modelo siguiente:
gfrt = β1 + β2 pet−2 + β3 pillt + β4 ww2t + ut (6)
7. Contrasta la existencia de autocorrelación en el modelo (6). En vez de añadir variables retardadas,

obtén un estimador eficiente asintóticamente de sus parámetros. Escribe el modelo transformado
relacionado y los valores para todos los parámetros estimados (β̂i y ρ̂).
8. Intenta obtener la mejor especificación, de entre las de las preguntas 5c) y 7). Puedes hacerlo si:
a) Contrastas las restricciones pertinenetes en el modelo final de la pregunta 5c).
b) Examinas cuidadosamente los gráficos de residuos de los dos modelos estimados.
30
Wooldridge, J.M. (2001), Introducción a la Econometrı́a, data fertil3.gdt.
143

Exámenes, Ejercicios, Prácticas Econometría II

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Exámenes, Ejercicios, Prácticas Econometría II

Cargado por

Copyright:

Formatos disponibles

ECONOMETRÍA LE

Tema 1. Mı́nimos Cuadrados Generalizados . . . . . . . . . . . . . . . . . . . . . . . 5

Tema 4. Regresores Estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

Tema 5. Modelos Dinámicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

EXÁMENES de los cursos 2006/2007 a 2009/2010 61

PROBLEMA LE-2006. 1 (Jun-2006) 61

PROBLEMA LE-2006. 2 (Jun-2006) 63

PROBLEMA LE-2006. 3 (Sep-2006) 65

PROBLEMA LE-2006. 4 (Sep-2006) 67

PROBLEMA LE 2007. 1 (Jun-2007) 70

PROBLEMA LE 2007. 2 (Jun-2007) 73

PROBLEMA LE 2007. 3 (Sep-2007) 74

PROBLEMA LE 2007. 4 (Sep-2007) 76

PROBLEMA LE 2008. 1 (Jun-2008. Evaluación Continua.) 79

PROBLEMA LE 2008. 2 (Jun-2008. Evaluación No Continua. Prueba escrita.) 84

PROBLEMA LE 2008. 3 (Jun-2008. Evaluación No Continua. Prueba práctica.) 88

PROBLEMA LE 2008. 4 (Sep-2008. Prueba escrita.) 91

PROBLEMA LE 2008. 5 (Sep-2008. Prueba escrita.) 93

PROBLEMA LE 2008. 6 (Sep-2008. Prueba práctica.) 96

PROBLEMA LE 2009. 1 (Jun-2009. Evaluación Continua.) 99

PROBLEMA LE 2009. 2 (Jun-2009. Evaluación Continua.) 101

PROBLEMA LE 2009. 3 (Jun-2009. Evaluación No Continua. Prueba escrita.) 102

PROBLEMA LE 2009. 4 (Jun-2009. Evaluación No Continua. Prueba escrita.) 104

PROBLEMA LE 2009. 6 (Sep-2009. Prueba escrita.) 110

PROBLEMA LE 2009. 7 (Sep-2009. Prueba práctica.) 114

PROBLEMA LE 2010. 1 (Jun-2010. Evaluación Continua.) 118

PROBLEMA LE 2010. 2 (Jun-2010. Evaluación Continua.) 120

PROBLEMA LE 2010. 3 (Jun/Sep-2010. Evaluación No Continua. Prueba escrita.) 121

PROBLEMA LE 2010. 4 (Jun/Sep-2010. Evaluación No Continua. Prueba escrita.) 123

PROBLEMA LE 2010. 5 (Jun/Sep-2010. Evaluación No Continua. Prueba práctica.) 124

PROBLEMA LE 2010. 6 (Jun/Sep-2010. Evaluación No Continua. Prueba práctica.) 127

TAREAS del CC 129

Tema 1. Mı́nimos Cuadrados Generalizados

Dos municipios vecinos, A y B, pretenden realizar un estudio sobre el comportamiento del

CtA = α1 RtA + α2 PtA + uA

CtB = β1 RtB + β2 PtB + uB

Sea el modelo Yt = α + βXt + ut donde E(u2t ) = tXt2

1. Conociendo tres observaciones de Yt y Xt obtén por M.C.O. y en forma matricial, las

2. Ahora ademas se conoce:

Dadas las observaciones de Yt e Xt y la información sobre E(ut us ), calcula la matriz de

5. Si en el modelo Yt = α + βXt + ut se cumple:

El modelo que plantea es el siguiente:

1. ¿Cuáles son la media y varianza de la perturbación vj ?

t 1987 1988 1989 1990 1991 1992

Con ellos se trata de estimar la relación:

V ABP Vt = α1 + α2 KP Vt + ut donde ut ∼ N ID (0, σu2 )

V ABNt = β1 + β2 KNt + vt donde vt ∼ N ID (0, σv2 ) y t : 1987, . . . , 1992.

PROBLEMA 5 (LADE 1997.1)

Considera el siguiente modelo de regresión general:

1. Supón que se sabe que a = 2b, siendo b un parámetro desconocido.

Realiza los contrastes de las siguientes hipótesis:

1. Escribe el modelo transformado en el que las perturbaciones sean homocedásticas. Busca

(3) Pi Yi = αPi + βPi Xi + Pi ui

1965 − 1974 : Ĉt = 22699, 0 + 0, 336Rt

1985 − 1994 : Ĉt = 38767, 0 + 0, 6542Rt

1. Utiliza el contraste de Goldfeld y Quandt para comprobar la existencia de homocedastici-

2. Al estimar por MCO con todos los datos (1965-1994) se ha obtenido:

Ct = 35205, 0 + 0, 586Rt + ût R2 = 0, 82 (2)

3. Teniendo en cuenta lo obtenido en los apartados anteriores, ¿qué método de estimación

PROBLEMA 9 (LE 2000.2)

Sea el siguiente modelo:

1. Escribe la matriz de varianzas y covarianzas del vector de perturbaciones.

2. Escribe el modelo transformado correspondiente al estimador MCG y demuestra las pro-