Universidad Autónoma de Occidente

Parcial Econometría I

Andres Eduardo Rangel J

1. Modelo de Regresión lineal Múltiple

A continuación se propone la estimación de la función de producción campesina donde la variable

dependiente LVPAP es el logaritmo del valor de la producción campesina y las variables
explicativas son LQJT (logaritmo la cantidad de jornales trabajados, usados en la producción) y
LTUP (es el logaritmo de la tierra usada en la producción). El tamaño de la muestra es: 2151
observaciones

Notas

Nota 1: originalmente el valor de la variable dependiente esta en millones de pesos

Nota 2: un jornal es la jornada de trabajo de un campesino. Un jornal equivale a 8 horas de

trabajo.

Nota 3: originalmente la unidad de medida de la tierra usada en la producción está en hectáreas

LVPAP i=β 0+ β1 LQJT i + β 2 LTUPi +U i (Ecuación 1)

LVPAP i= ^β 0+ ^β1 LQJT i + ^β 2 LTUPi + U

^i (Ecuación 2)

(0.03523) (0.028629)
Debajo de cada estimador aparece su respectivo error estándar. De otro lado el estadístico F es 581.35

A continuación usted dispone de dos matrices:

( X ´ X )−1 =
0.01441 -0.00284 0.00086
-0.00284 0.00059 -0.00024
0.00086 -0.00024 0.00039
X´Y = 27225.1
143918.7
29329.1
a. Obtenga los estimadores MCO

Dependent Variable: LVPAP

Method: Least Squares
Date: 09/05/17 Time: 14:31
Sample: 1 2151
Included observations: 2151

Variable Coefficient Std. Error t-Statistic Prob.  

C 8.723431 0.174026 50.12718 0.0000

LQJT 0.673752 0.035233 19.12272 0.0000
LTUP 0.428546 0.028629 14.96873 0.0000

R-squared 0.351197    Mean dependent var 12.65697

Adjusted R-squared 0.350593    S.D. dependent var 1.798793
S.E. of regression 1.449571    Akaike info criterion 3.581806
Sum squared resid 4513.499    Schwarz criterion 3.589719
Log likelihood -3849.233    Hannan-Quinn criter. 3.584701
F-statistic 581.3571    Durbin-Watson stat 1.525763
Prob(F-statistic) 0.000000

b. Interprete los estimadores de las pendientes.

Por un incremento de un 1% en la cantidad de jornales de trabajo, el valor de la
producción aumenta en 0.67%. Por un incremento de de 1% en la tierra usada, el valor
de la producción aumenta en un 0.42%

c. Realice inferencia estadística individual mediante el estadígrafo t y el intervalo de

confianza para alguna de las variables explicativas.
Para ambos tipos de inferencia estadística, se plantean un sistema de hipótesis:
H 0 : β1 =0
H A : β1≠ 0
^β 1−β 1
t cal= t n−k α =0.05
σ^ ^β
1

0.673752−0
t cal= =19.12
0.035233
Donde t n−2 ( ε/2) =1.96

Dado que el estadístico cae en la zona de rechazo, se rechaza la hipótesis nula a favor de la
alterna, concluyendo que la variable asociada a esta pendiente es significativa. Miremos el
intervalo de confianza:
¿ ¿
IC( 1−ε )( β )=β ±σ tn −2 ( ε/2)
¿ [ 0.673752 0.035233∗1.96 ]= [ 0.6046 ,0.7309 ]
β = . Dado que no
contiene el valor del parámetro

d. Que variable tiene más impacto en la variable dependiente? Puede usted concluir esto
con la información disponible o requiere más información. En caso positivo sustente
porque puede hacerlo y en caso negativo sustente porque no se puede hacer.

la variable que tiene mayor peso es la que tiene el mayor estimador dado que aunque
están en distinta unidad de medida, tenemos un modelo log-log. En un modelo log-log al
interpretarse las pendientes como cambios porcentuales en Y antes cambios porcentuales
en X, se puede realizar una comparación directa.

e. Realice inferencia estadística global o en su conjunto

Planteo el sistema de hipótesis:

H 0 : β1 =β2 =0
H A : Al menos un β k ≠ 0
El estadígrafo F que se distribuye con F de fisher con k-1 gdl en el numerador (3-1) y
n-k en el denominador (2151-3) tiene como valor 3.0 . El valor del estadígrafo cae en la
zona de rechazo, por lo tanto se rechaza la hipótesis nula y las variables son
significativas en su conjunto

f. Porque en la hipótesis nula de inferencia estadística individual, la pendiente

poblacional se iguala a cero.
∂Y
β 1= =0
∂ X1
Dado que la pendiente es una derivada parcial de la variable dependiente respecto a
la respectiva explicativa (que acompaña la pendiente) quiere decir que la variacion de
Y no tiene que ver en absoluto con la variación de X.

g. En el modelo de regresión, en cuál de los componentes se sintetiza el supuesto de

ceteris paribus. Sustente.
 Las pendientes de un modelo permiten analizar el cambio en la variable dependiente
cuando cambia la explicativa asociada a una determinada pendiente ceteris paribus las
demas variables. En las pendientes esta sintetizado el supuesto de ceteris paribus:
∂Y ∂Y
β 1= y β2 =
∂ X1 ∂ X2
h. La matriz de correlaciones ( la cual calcula el r de Pearson entre pares de variables)
entre las variables explicativas es la siguiente:

LTUP LQJT
LTUP 1 0.497
LQJT 1

Complete la matriz. Que significa los unos en la diagonal principal. Que significa el
valor de 0.497.
Los unos son los valores del r de Pearson de la variable con ella misma. Dado que la
relación es perfecta de una variable con ella misma, luego el r de Pearson toma el
valor de 1. De otro lado el valor de 0.497 nos dice que hay una relacion positiva o
directa entre la variable LTUP y LQJT.

i. Reescriba la matriz completa en caso de que en el modelo se presentara

multicolinealidad perfecta (Nota todos los campos de la matriz deben tener un
numero)
Dado que hay multicolinealidad perfecta, los coeficientes r de pearson entre las
variables explicativas son iguales a uno.

LTUP LQJT
LTUP 1 1
LQJT 1 1

j. Cuál es el modelo poblacional: la ecuación 1 o la ecuación 2?. Identifique en su

respuesta los parámetros del modelo.

El modelo 1. Los parámetros son β 0 , β 1 y β 2