TAREA ECONOMETRIA 4 A

Un investigador de la Industria del automóvil estima un modelo de ventas mensuales de

automóviles (miles de unidades por mes) en función de la población (millones de
habitantes) y del ingreso per cápita (miles de $us.) de varios países del mundo. El
modelo estimado es el siguiente:

a) Interprete los parámetros estimados del Modelo.

Sea el modelo:

Yt = β1 + β2 X2t + β3 X3t + Ut

Yt = 1.813697 + 0.058593 X2t + 0.124811 X3t + Ut

β1 =1.813697  parámetro autónomo, es el que trata de explicar las ventas

mensuales de automóviles que no dependen de la población y del ingreso per
cápita.

β2 =0.058593  por cada 1 millón de habitantes que incremente la población, las

ventas mensuales de automóviles incrementaran en 0.058593 mil unidades por
mes, manteniendo constante el ingreso per cápita.
 β3 =0.124811  por cada 1 mil $us que incremente el ingreso per cápita, las ventas
mensuales de automóviles incrementaran en 0.124811 mil unidades por mes,
manteniendo constante la población.

b) Interprete 𝑅2 y 𝑅̅2

𝑅2 = 0.963739  La población y el ingreso per cápita están explicando las ventas

mensuales de automóviles en un 96,37%.

𝑅̅2 = 0.953453  La población y el ingreso per cápita están explicando las ventas
mensuales de automóviles en un 95,34% corregido.

c) Construya e interprete los intervalos de confianza para 𝛽1,𝛽2,𝑦 𝛽3 con 𝛼 = 5%

Sea el modelo:

Yt = 1.813697 + 0.058593 X2t + 0.124811 X3t + Ut

N = 10

K=3

 Para 𝛽1 con 𝛼 = 5%
α = 0.05
α/2 = 0.025
Grados de libertad = 10 – 3 = 7
t (0,025 ;7)=2.365

P β 1−t α ∗S β 1 ≤ β 1 ≤ β1 +t α ∗S β 1 =1−α
{ 2 2
}
P { 1.813697−2.365∗2.774797 ≤ β1 ≤1.813697+ 2.365∗2.774797 }=1−0.05

P {−4.748698 ≤ β1 ≤ 8.376092 }=0.95

Interpretación: Para un nivel de confianza del 95% y en el largo plazo repitiendo un

gran número de veces el experimento 95 de cada 100 intervalos como

[-4.748698; 8.376092] deberán contener al verdadero parámetro poblacional 𝛽1.

  Para 𝛽2 con 𝛼 = 5%
α = 0.05
α/2 = 0.025
Grados de libertad = 10 – 3 = 7
t (0,025 ;7)=2.365

P β 2−t α ∗S β ≤ β 2 ≤ β 2+t α ∗S β =1−α

{ 2
2
2
2
}
P { 0.058593−2.365∗0.015045 ≤ β1 ≤ 0.058593+ 2.365∗0.015045 }=1−0.05

P { 0.023012≤ β 1 ≤ 0.094174 }=0.95

Interpretación: Para un nivel de confianza del 95% y en el largo plazo repitiendo un

gran número de veces el experimento 95 de cada 100 intervalos como

[0.023012; 0.094174] deberán contener al verdadero parámetro poblacional 𝛽2.

 Para 𝛽3 con 𝛼 = 5%
α = 0.05
α/2 = 0.025
Grados de libertad = 10 – 3 = 7
t (0,025 ;7)=2.365

P β 3−t α ∗S β ≤ β 3 ≤ β 3+ t α ∗S β =1−α
{ 2
3
2
3
}
P { 0.124811−2.365∗0.011156 ≤ β1 ≤ 0.124811+2.365∗0.011156 }=1−0.05

P { 0.098427 ≤ β 1 ≤0.151195 }=0.95

Interpretación: Para un nivel de confianza del 95% y en el largo plazo repitiendo un

gran número de veces el experimento 95 de cada 100 intervalos como

[0.098427; 0.151195] deberán contener al verdadero parámetro poblacional 𝛽3.

d) Construya e interprete los intervalos de confianza para 𝛽1,𝛽2,𝑦 𝛽3 con 𝛼 = 10%

Sea el modelo:

Yt = 1.813697 + 0.058593 X2t + 0.124811 X3t + Ut

N = 10

K=3

 Para 𝛽1 con 𝛼 = 10%

α = 0.10
α/2 = 0.05
Grados de libertad = 10 – 3 = 7
t (0,05 ;7) =1.895

P β 1−t α ∗S β 1 ≤ β 1 ≤ β1 +t α ∗S β 1 =1−α
{ 2 2
}

P { 1.813697−1.895∗2.774797 ≤ β 1 ≤1.813697+1.895∗2.774797 } =1−0.10

P {−3.444543 ≤ β 1 ≤ 7.071937 }=0.90

Interpretación: Para un nivel de confianza del 90% y en el largo plazo repitiendo un

gran número de veces el experimento 90 de cada 100 intervalos como

[-3.444543; 7.071937] deberán contener al verdadero parámetro poblacional 𝛽1.

  Para 𝛽2 con 𝛼 = 10%
α = 0.10
α/2 = 0.05
Grados de libertad = 10 – 3 = 7
t (0,05 ;7) =1.895

P β 2−t α ∗S β ≤ β 2 ≤ β 2+t α ∗S β =1−α

{ 2
2
2
2
}
P { 0.058593−1.895∗0.015045 ≤ β 1 ≤0.058593+1.895∗0.015045 } =1−0.10

P { 0.030008 ≤ β 1 ≤ 0.087103 } =0.90

Interpretación: Para un nivel de confianza del 90% y en el largo plazo repitiendo un

gran número de veces el experimento 90 de cada 100 intervalos como

[0.030008; 0.087103] deberán contener al verdadero parámetro poblacional 𝛽2.

 Para 𝛽3 con 𝛼 = 10%

α = 0.10
α/2 = 0.05
Grados de libertad = 10 – 3 = 7
t (0,05 ;7) =1.895

P β 3−t α ∗S β ≤ β 3 ≤ β 3+ t α ∗S β 3 =1−α
{ 2
3
2
}
P { 0.124811−1.895∗0.011156 ≤ β1 ≤ 0.124811+1.895∗0.011156 }=1−0.10

P { 0.103670 ≤ β 1 ≤ 0.145952 } =0.90

Interpretación: Para un nivel de confianza del 90% y en el largo plazo repitiendo un

gran número de veces el experimento 90 de cada 100 intervalos como
 [0.103670; 0.145952] deberán contener al verdadero parámetro poblacional 𝛽3.

e) Construya e interprete los intervalos de confianza para 𝜎2 con 𝛼 = 1%

Sea el modelo:
Yt = 1.813697 + 0.058593 X2t + 0.124811 X3t + Ut
N = 10
K=3
α = 0.01
α/2 = 0.005
Grados de libertad = 10 – 3 = 7

(n−k )σ 2 2 (n−k) σ 2
P { a1
≤σ ≤
a0
=1−α }
a 0=X 2 α =X 2( 1−0.005;10−3 )=X 2(0.995 ;7 )=0.989265
(1− ;n−k )
2

a 1=X 2α =X 20.01 =X 2( 0.005; 7)=20.2777

( 2 ;n−k ) ( 2
;10−3 )
2 U ´ U 359.7558
σ = = =51.393686
n−k 10−3

σ =7.168938  σ 2=(7.168938)2=51.393672

10−3 )∗51.393686 ( 10−3 )∗51.393686

P {( 20.2777
≤ σ 2≤
0.989265
=1−0.01 }
P { 17.741450≤ σ 2 ≤ 363.659689 }=0.99
 Interpretación: Para un nivel de confianza del 99% y en el largo plazo repitiendo un
gran número de veces el experimento 99 de cada 100 intervalos como

[17.741450; 363.659689] deberán contener a la verdadera varianza poblacional .

f) Construya e interprete los intervalos de confianza para 𝜎2 con 𝛼 = 10%

Sea el modelo:
Yt = 1.813697 + 0.058593 X2t + 0.124811 X3t + Ut
N = 10
K=3
α = 0.10
α/2 = 0.05
Grados de libertad = 10 – 3 = 7

(n−k )σ 2 2 (n−k) σ 2
P {a1
≤σ ≤
a0
=1−α }
a 0=X 2 α =X 2( 1−0.0 5; 10−3 )=X 2( 0.9 5 ;7)=2.16735
(1− ;n−k )
2

a 1=X 2α =X 20.10 =X 2(0.05 ;7 )=14.0671

(2 ;n−k ) ( 2
;10−3 )
2 U ´ U 359.7558
σ = = =51.393686
n−k 10−3
σ =7.168938  σ 2=(7.168938)2=51.393672

10−3 )∗51.393686 ( 10−3 )∗51.393686

P {( 14.0671
≤ σ 2≤
2.16735
=1−0.10 }
P { 25.574269 ≤σ 2 ≤ 165.988789 }=0.90
Interpretación: Para un nivel de confianza del 90% y en el largo plazo repitiendo un
gran número de veces el experimento 90 de cada 100 intervalos como
[25.574269; 165.988789] deberán contener a la verdadera varianza poblacional .