UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE CIENCIAS ECONOMICAS

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

Práctica 4

1. En una regresión de salarios promedio (W) sobre el número

de empleados (N) para una muestra aleatoria de 30 empresas, se obtuvieron los
siguientes resultados:
(1) w = 7 . 5+0 . 009 N ; R ²= 0 . 90
(T = 16 .10 )
w 1
(2) = 0 . 008 + 7. 8 ( ) ; R ²= 0 . 99
N N
T = ( 14 . 43 ) (76 .58 )
a) ¿Cómo se interpretan las dos regresiones? ¿Qué supuesto se tiene al pasar de
la ecuación (1) a la (2)? Justifique.
b) ¿Se pueden relacionar las pendientes y los interceptos de los dos modelos?
Justifique
c) ¿Se pueden comparar los valores R² de los dos modelos? Justifique.

2. Considérese el siguiente modelo:

¿
Y t =α+ β 0 X t + ut
donde
Y* = el gasto empresarial deseado, o de largo plazo, en nueva planta y equipo, en
miles de millones de dólares
Xt = ventas, en miles de millones de dólares, y
t = tiempo.
Con el modelo de ajuste de existencias, estime los parámetros de la función de
demanda de largo plazo y de corto plazo del gasto en la nueva planta y equipo a
partir de la información siguiente. Interprete los resultados obtenidos.

Año Gasto en Ventas X2 Año Gasto en Ventas X2

planta Y planta Y
1970 36.99 52.805 1981 128.68 168.129
1971 33.60 55.906 1982 123.97 163.351
1972 35.42 63.027 1983 117.35 172.547
1973 42.35 72.931 1984 139.61 190.682
1974 52.48 84.790 1985 152.88 194.538
1975 53.66 86.589 1986 137.95 194.657
1976 58.53 98.797 1987 141.06 206.326
1977 67.48 113.201 1988 163.45 223.541
1978 78.13 126.905 1989 183.80 232.724
1979 95.13 143.936 1990 192.61 239.459
1980 112.60 154.391 1991 182.81 235.142
Nota: Para interpretar resultados revise los temas Método de Koyck, Modelo de
expectativas adaptativas y modelo de ajuste de existencias en Econometría de
Gujarati (pág: 632 – 655 en 4ª edición o 624 – 636 en 5ª edición).

3. En un estudio de 27 empresas de varios tamaños, la variable yi es el número de

supervisores mientras que la variable xi determina el número de trabajadores
supervisados. Los resultados de la estimación del modelo yi = a + b xi + ui fueron
los siguientes:
 Yi= 14,44+ 0,115 Xi n=27 ; R²=0,776
(9,56) (0,011)
Después de la estimación de la ecuación y representando los residuos respecto a
xi, encontramos que la varianza de los residuos incrementa con xi. Por lo tanto se
realiza el supuesto siguiente:
σ 2ui =σ 2 X 2i
La ecuación estimada bajo esta hipótesis fue:
y/x = 0.121 + 3.803(1/x) ; R²=0.30
(0.009) (4.570)
a) Un investigador observa el descenso en R² y concluye que la primera ecuación
es mejor. ¿Es válida esta conclusión? Justifique.
b) ¿Cuál sería la ecuación a estimar con σ 2ui =σ 2 X i σ 2ui =σ 2 X 2i
en lugar de ¿Cómo determinarías cuál de las dos alternativas es la
mejor?
c) Comenta el cálculo de R² en la ecuación transformada y de R² de la ecuación
en términos de las variables originales.

4. Wooldridge estima el siguiente modelo para evaluar el efecto que tiene poseer una
computadora en el promedio general de las calificaciones en la universidad (COLGPA),
donde PC es 1 si la posee, HSGPA es el promedio de las calificaciones en la secundaria y
ACT es el puntaje en el examen de admisión. (las calificaciones tienen escala 4) (archivo
gpa1.wf1)

a) De manera explícita detalle la especificación del modelo

b) Analice si el poseer PC tiene efecto, interprete el coeficiente y realice el análisis pertinente
c) Con la data del archivo, aplique los tests de Jarque Bera y de Kolmogorov para analizar si se
cumplen los supuestos de normalidad y aplique el test de White para analizar si existe
heterocedasticidad
d) Obtenga la predicción puntual del promedio general en las calificaciones y escriba las expresiones
numéricas (no calcule) para obtener los límites de la predicción por intervalo con 95% para el caso
particular de que el estudiante no tenga PC, su promedio en la secundaria es 3 y el puntaje en el
examen de admisión fue 19.

Dependent Variable: COLGPA

Method: Least Squares
Date: 06/11/17 Time: 18:31
Sample: 1 141
Included observations: 141

Variable Coefficient Std. Error t-Statistic Prob.  

C 1.263520 0.333126 3.792925 0.0002

PC 0.157309 0.057287 2.745961 0.0068
HSGPA 0.447242 0.093647 4.775801 0.0000
ACT 0.008659 0.010534 0.821987 0.4125

R-squared 0.219386    Mean dependent var 3.056738

Adjusted R-squared 0.202292    S.D. dependent var 0.372310
S.E. of regression 0.332527    Akaike info criterion 0.663768
Sum squared resid 15.14868    Schwarz criterion 0.747421
Log likelihood -42.79566    Hannan-Quinn criter. 0.697762
F-statistic 12.83426    Durbin-Watson stat 1.869922
Prob(F-statistic) 0.000000

Matriz de covarianzas V(B)

C PC HSGPA ACT
 C  0.110973 -0.000476 -0.021565 -0.001517
PC -0.000476  0.003282 -0.000130 -1.60E-05
HSGPA -0.021565 -0.000130  0.008770 -0.000340
ACT -0.001517 -1.60E-05 -0.000340  0.000111

5. Se planteó el modelo It = 0 + 1 Pt + t para la inversión privada bruta (I) y los

beneficios de las empresas (P). Con información recopilada de 1963 a 1994 por
MCO se obtuvo los siguientes resultados (archivo Inversión privada)

Dependent Variable: I
Method: Least Squares
Date: 12/11/04 Time: 12:19
Sample: 1963 1990
Included observations: 28
Variable Coefficient Std. Error t-Statistic Prob.
C -19.51625 12.69440 -1.537391 0.1363
P 1.739477 0.125353 13.87662 0.0000
R-squared 0.881040 Mean dependent var 151.0643
Adjusted R-squared 0.876465 S.D. dependent var 47.69982
S.E. of regression 16.76535 Akaike info criterion 8.545255
Sum squared resid 7308.000 Schwarz criterion 8.640412
Log likelihood -117.6336 F-statistic 192.5607
Durbin-Watson stat 0.312751 Prob(F-statistic) 0.000000

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 32.60599 Probability 0.000000
Obs*R-squared 20.46738 Probability 0.000036
Dependent Variable: RESID
Variable Coefficient Std. Error t-Statistic Prob.
C 1.243598 7.003423 0.177570 0.8606
P -0.010925 0.069452 -0.157297 0.8763
RESID(-1) 1.162356 0.193073 6.020283 0.0000
RESID(-2) -0.409680 0.198181 -2.067197 0.0497

a) ¿Es válido hacer inferencia con el modelo estimado? Justifique. 2p

b) Se estimó el siguiente modelo alternativo
Dependent Variable: I
Method: Least Squares
Date: 12/11/04 Time: 12:52
Sample(adjusted): 1964 1990
Included observations: 27 after adjusting endpoints
Convergence achieved after 5 iterations
Variable Coefficient Std. Error t-Statistic Prob.
C 25.86427 23.58631 1.096580 0.2837
P 1.383736 0.150585 9.189042 0.0000
AR(1) 0.870644 0.087468 9.953901 0.0000
R-squared 0.970813 Mean dependent var 153.5000
Adjusted R-squared 0.968381 S.D. dependent var 46.80041
S.E. of regression 8.321922 Akaike info criterion 7.180103
Sum squared resid 1662.105 Schwarz criterion 7.324085
Log likelihood -93.93139 F-statistic 399.1454
Durbin-Watson stat 1.122302 Prob(F-statistic) 0.000000
Inverted AR Roots .87

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 5.114573 Probability 0.014994
Obs*R-squared 8.569478 Probability 0.013777
Dependent Variable: RESID
Variable Coefficient Std. Error t-Statistic Prob.
C 4.278928 22.36070 0.191359 0.8500
P -0.041441 0.135807 -0.305146 0.7631
AR(1) -0.013206 0.095777 -0.137879 0.8916
RESID(-1) 0.626626 0.202860 3.088966 0.0054
RESID(-2) -0.389098 0.232121 -1.676273 0.1078

Matriz de covarianza de los coeficientes estimados

C P AR(1)
C 556.3141 -2.820691 0.951551
P -2.820691 0.022676 -0.002677
AR(1) 0.951551 -0.002677 0.007651

b1) Interprete los coeficientes estimados con este modelo

b2) ¿Es válido hacer inferencia con el modelo estimado? Justifique.
b3) Si los estimadores del modelo son ELIO, conociendo que I 90= 208.5, P90 =
131.5 y P91= 113.1, obtener una predicción puntual e interválica para I 91. De lo
contrario proponer algún procedimiento alternativo para obtener estimadores
eficientes de los coeficientes del modelo.

6. Se plantean dos estimaciones diferentes para estudiar el comportamiento de un

modelo de Consumo (
C
t ) en función de la Renta ( Rt ) de una economía
para el periodo 1970-2003 ambos inclusive:

Ct = 113.0 + 0.43
Rt + 0.44
Ct−1 ; R̄2 = 0.99 σ^ =101.4
(48.6) (0.04) (0.05)

Ct = 173.0 + 0.38
Rt + 0.38
Rt−1 ; R̄2 = 0.99
σ^ =145.8
(74.3) (0.09) (0.09)
a) Calcular los multiplicadores a largo plazo del primer modelo y del segundo. Estudiar la
posible existencia de diferencias o similitudes entre ambos, justificando la respuesta.
b) ¿Qué propiedades presentan los estimadores de los coeficientes de regresión por MCO
de la primera ecuación? ¿Qué propiedades reunirían los estimadores de los coeficientes
de regresión por MCO de la segunda ecuación? Razone la respuesta.
c) Determine el modelo teórico que ha dado origen a la primera estimación y las
características que presenta la perturbación aleatoria de ese modelo.

7. En el modelo
Y =α + βX +γY
t t t−1 +vt argumente los problemas asociados a la
estimación de este modelo por MCO, justificando todos sus argumentos.
b) De acuerdo con su respuesta anterior, determine con el contraste que considere oportuno
qué estimación del modelo sería más adecuada:

Estimación por MCO

Y^ t =2 .31+0 . 56 X t +0 . 32 Y t−1 +v t R2 =0.99, d= 1.75, T=30
 (0.89) (0.04) (0.02)

Estimación por VI
Y^ t =−0 . 97+1 . 03 X t +0 .83 Y t−1 +v t R2 =0.97, d= 1.99, T=30
(1.91) (0.25) (0.01)
d) Calcule los impactos a corto y largo plazo de X sobre Y y el impacto del retardo 3 de la
variable X sobre Y según el criterio de Koyck.

8. Se realizó un estudio sobre la mortalidad infantil (MI, número de muertes de niños

menores de cinco años por cada 1000 nacidos vivos) en relación con el PBI per cápita
(PBIPC, en dólares), la tasa de alfabetismo femenino (TAF, en porcentaje) y se cuenta
también con la tasa de fertilidad total (TIFT, el promedio de niños nacidos por mujer) para
una muestra de 64 países en desarrollo. Se postula el modelo (utilice el archivo
mortalidad-infantil.wf1)
MIi = 1 + 2 PBIPCi + 3 TAFI + ui
a) Estime el modelo y con la información de la matriz de correlación de las variables en
el modelo aplique alguna de las pruebas de Farrar-Glauber. Interprete sus
resultados.
MI PBIPC TAF TFT
MI  1.000000 -0.407697 -0.818285  0.671135
PBIPC -0.407697  1.000000  0.268530 -0.185718
TAF -0.818285  0.268530  1.000000 -0.625954
TFT  0.671135 -0.185718 -0.625954  1.000000

b) Estime el modelo por MCO y analice el cumplimiento de los supuestos de

normalidad y homocedasticidad de las perturbaciones.

c) Se sospecha que la Tasa de alfabetismo femenino está correlacionado con la

perturbación por lo cual aplique el método de variables instrumentales para estimar
el modelo. Justifique el uso de la variable TFT como instrumento de TAF, asimismo
analice si es preferible utilizar MCO o VI (aplique el test de Hausman)