Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Solucionariodeeconometria 150910195102 L
Solucionariodeeconometria 150910195102 L
Estudiantes
Para su uso con
Damodar N. Gujarati
0
Cuarta edición
Cuarta Edición
Me
Graw
Hill
Boston Burr Ridge, IL Dubuque, IA Madison, Wl Nueva York San Francisco St. Louis Bangkok Bogotá Caracas Kuala Lumpur Lisboa
Londres Madrid Milán Montreal Ciudad de México Nueva Delhi Santiago Seúl Singapur Sydney Taipei Toronto
CONTENIDO
Capítulo 11: Heteroscdasticity: ¿Qué sucede cuando es varianza del error no es constante.....99
Capítulo 13: Modelos econométricos: Especificación del modelo y las Pruebas de Diagnóstico124
hapter 17: Dynamic Econometric Models: Autoregressive and Distributed Lag Models.......149
Las soluciones ha sido una tarea larga y tediosa tarea. He hecho todo lo posible para
verificar la exactitud de las soluciones numéricas pero algunos errores e imprecisiones y
errores tipográficos que han aparecido. Le agradecería mucho si el lector va a aportar a mi
atención para que yo pueda corregirlos en la reimpresión de este manual.
Las respuestas a algunas de las preguntas son de índole cualitativa y, por lo tanto,
abierto a la discusión. En algunos casos, puede haber más de una forma de resolver un
problema o de modelado un fenómeno económico. Espero que los instructores se
complementan este manual soluciones con sus propios ejercicios.
QUISIERA alguna sugerencia el lector podría tener que ofrecer para mejorar la
calidad de las preguntas y problemas, así como cualquier otro aspecto de esta solución
manual. También me gustaría algún comentario sobre la cuarta edición de ECONOMETRÍA.
1.1 (A) Estos tipos ( %) son las siguientes. Son año con año, a partir de
1974 puesto que no hay datos anteriores a 1973. Estas tasas son,
respectivamente, de Canadá, Francia, Alemania, Italia, Japón, REINO
UNIDO y ESTADOS UNIDOS.
10,78431 13,58382 6,847134 19,41748 23,17328 0,157706 0,110360
10,84071 11,70483 5,961252 17,07317 11,69492 0,244582 0,091278
7,584830 9,567198 4,360056 16,66667 9,559939 0,164179 0,057621
7,792208 9,563410 3,638814 19,34524 8,171745 0,158120 0,065026
8,950086 9,108159 2,730819 12,46883 4,225352 0,083026 0,075908
9,320695 10,60870 4,050633 15,52106 3,685504 0,134583 0,113497
9,971098 13,67925 5,474453 21,30518 7,701422 0,178679 0,134986
12,48357 13,27801 6,343714 19,30380 4,840484 0,119745 0,1
10,86449 11,96581 5,314534 16,31300 2,938090 0,085324 Ò3155
0,061606
5,795574 9,487459 3,295572 14,93729 1,732926 0,046122 0,032124
4,282869 7,669323 2,392822 10,61508 2,304609 0,050100 0,043173
4,106972 5,827937 2,044791 8,609865 1,958864 0,060115 0,035611
4,128440 2,534965 -0.095420 6,110652 0,672430 0,034203 0,018587
4,317181 3,239557 0,191022 4,591440 0,000000 0,041775 0,036496
4,054054 2,725021 1,334604 4,985119 0,763359 0,049290 0,041373
4,951299 3,456592 2,728128 6,591070 2,367424 0,077229 0,048183
4,795050 3,341103 2,747253 6,117021 3,052729 0,095344 0,054032
5,608856 3,157895 3,654189 6,390977 3,231598 0,058704 0,042081
1,537386 2,405248 4,987102 5,300353 1,652174 0,036966 0,030103
1,789401 2,135231 4,504505 4,250559 1,283148 0,015980 0,029936
0,202840 1,602787 2,742947 3,916309 0,760135 0,024803 0,025606
2,159244 1,783265 1,830664 5,369128 -0.167645 0,033648 0,028340
1,585205 2,021563 1,498127 3,870652 0,167926 0,024557 0,029528
1,625488 1,188904 1,697417 1,745283 1,676446 0,031215 0,022945
(B)
(c) Como se puede ver en esta figura, la tasa de inflación de cada uno de
los países en general ha disminuido en los últimos años.
L
Respectivamente, de Canadá, Francia, Alemania, Italia, Japón, REINO UNIDO y
ESTADOS UNIDOS. La mayor variabilidad se encuentra en Italia y el más bajo para
Alemania.
1.2 . (A) El gráfico de las tasas de inflación de los seis países conspiraron contra los
ESTADOS UNIDOS tasa de inflación es la siguiente:
Las tasas de inflación en seis países frente a ESTADOS UNIDOS tasa de inflación
(b) Como se muestra en el gráfico, las tasas de inflación de los seis países se
correlacionan positivamente con los EE.UU. tasa de inflación.
Como puede ver, los tipos de cambio muestran una buena cantidad de
variabilidad. Por ejemplo, en 1977 un dólar de los ESTADOS UNIDOS compró
unos 268 yenes, pero en 1995 se podía comprar sólo unos 94 yenes.
(b) Una vez más, los resultados son mixtos. Por ejemplo, entre 1977 y
1995, El dólar de EE.UU. por lo general se depreció frente al yen, luego comenzaron
apreciar. El panorama es similar respecto a las demás monedas.
2
M1 oferta de dinero: EE.UU. 1951,01 09 -1999 ... ... ... ... ...
Dado que el PIB aumenta con el tiempo, naturalmente, una mayor cantidad de la oferta de
dinero se necesita para financiar el aumento de la producción.
Algunas de las variables más relevantes serían: (1) los salarios o ingresos en actividades
delictivas, (2) los salarios por hora o de los ingresos de actividades no delictivas, (3) de
probabilidad de ser atrapado, (4) de probabilidad de condena, (5) condena esperada
después de la condena. Tenga en cuenta que puede no ser fácil de obtener datos sobre los
ingresos en las actividades ilegales. De todos modos, consulte a la Becker el artículo
citado en el texto.
Uno de los factores clave en el análisis sería la tasa de participación de la fuerza laboral
de las personas en la categoría 65-69 años. Los datos sobre la participación en la fuerza de
trabajo son recogidos por el Departamento de Trabajo. Si, después de que la nueva ley
entró en vigor, encontramos un aumento de la participación de estos "superiores" a los
ciudadanos en la fuerza de trabajo, que sería un claro indicio de que la ley anterior había
restringido artificialmente su participación en el mercado de trabajo. También sería
interesante averiguar qué tipos de puestos de trabajo que los trabajadores de conseguir y
lo que ganan.
(a) , (B ) y (c). Como se muestra en la siguiente figura, parece que hay una relación
positiva entre las dos variables, aunque no parece ser muy fuerte. Esto probablemente
sugiere que se paga por hacer publicidad; de lo contrario, es una mala noticia para la
industria de la publicidad.
100
80-
I
R
E
S 40-
S
I
O 20-
N
0
- 0 40 80 120 160 20
ADEXP
4
DOS ANÁLISIS DE REGRESIÓN VARIABLE: ALGUNAS IDEAS
BÁSICAS
2.5 Un modelo que es lineal en los parámetros; puede que tenga o no
lineal en las variables.
2.6 Modelos (a), (b), (c) y (e) son lineales (en el parámetro) modelos de
regresión. Si dejamos que un = En F3 \, LUEGO modelo (d) es
también lineal.
2.7 (A) tomando el logaritmo natural, nos encontramos con que en Y = /? \
+ /? 2 Xj + u \, que se convierte en un modelo de regresión lineal.
(b) La siguiente transformación, conocida como
la transformación logit, hace de este modelo un modelo de
regresión lineal :
En [ (1- Yi) /Yj, sellada,] = / ?! + / ?2 Xj + w,
(c) Un modelo de regresión lineal
(d) Un modelo de regresión no lineal
(e) Modelo de regresión no lineal, como P 2 elevado a la tercera
potencia.
2.8 Un modelo que puede ser lineal en los parámetros se denomina un
modelo de regresión lineal intrínseca, como modelo (a) anterior. Si fi
2 es
0.8 En el modelo (d) de la pregunta 2.7 , se convierte en un
modelo de regresión lineal, como e' ° ' 8 (Xj * 2) puede ser
fácilmente calculado.
2.12 Esta figura muestra que el mayor es el del salario mínimo, el inferior
es PNB per cápita, lo que sugiere que las leyes de salario mínimo no
puede ser bueno para los países en desarrollo. Pero este tema es
controversial. El efecto de los salarios mínimos puede depender de su
efecto sobre el empleo, la naturaleza de la industria donde se impone,
y la fuerza del gobierno hace que se cumpla.
2.13 Es una muestra línea de regresión debido a que se basa en una muestra
De 15 años de observaciones. La distribución de puntos de la recta de
regresión son los puntos reales de datos. La diferencia entre el gasto
de consumo efectivo y que estiman a partir de la línea de regresión
representa la (muestra) residual. Además del PIB, factores tales como
la riqueza, la tasa de interés, etc. también podría afectar a los gastos
de consumo.
2.14 (A) El scattergram es la siguiente:
UNRM
La relación positiva entre las dos variables puede parecer ser sorprendente
porque sería de esperar que los dos a ser negativamente relacionados. Pero
el t r a b a j a d o r a ñ a d i d o h i p ó t e s i s de economía del trabajo sugiere
que cuando el desempleo aumenta la fuerza de trabajo secundaria podría
entrar en el mercado laboral para mantener cierto nivel de ingreso familiar.
(b) El scattergram es la siguiente:
UNRF
7
oportunidades de trabajo.
Hay una
relación asimétrica entre las dos variables para los hombres y las mujeres.
Responder positivamente a los hombres el aumento de los
salarios mientras que las mujeres responden negativamente. Esto podría
Es posible que el aumento de los ingresos para los hombres como
resultado de un aumento de salario pueden inducir a las mujeres retirarse
de la fuerza de trabajo, que es posible para las parejas casadas. Pero tenga
cuidado aquí. Estamos haciendo regresiones bivariada simple aquí.
Cuando estudiamos análisis de regresión múltiple, las conclusiones
anteriores podría
cambiar.
AH82
8
2,15 (A) El scattergram y la línea de regresión de la forma siguiente:
2000 1500
Q.
X
Q 1000
Oooo
Lt-
500 0
TOTALEXP
2.16 (A) El diagrama de dispersión de los hombres y mujeres las puntuaciones verbal
es la siguiente:
Me MALEVERB FEMVERBj
Y la correspondiente parcela para hombres y mujeres matemáticas
puntuación es la siguiente:
1 MALEMATH FEMMATH [
MALEVERB
Como muestra el gráfico, con el tiempo, los dos resultados obtenidos se han
movido en la misma dirección.
EL CAPÍTULO 3 DE DOS
VARIABLES MODELO DE REGRESIÓN: EL
PROBLEMA DE LA ESTIMACIÓN
10
(2) Dado cov(m/W7) = 0 para V para todos i,j (/ * 7), luego
Covcf^y) = E{ [Yj, sellada, - E(Yj, sellada,) ] [Yj, sellada, - E(Yj,
sellada,) ]}
= E (UJUJ), A PARTIR DE los resultados en la (1)
= E(w, )E( " / ), ya que el término de error no están
correlacionados por hipótesis,
= 0, ya que cada w * tiene media cero por supuesto.
3.2 Yi Xt Yi Xj Xiyi Xi
2
4 1 -3 -3 9 9
5 4 -2 0 0 0
7 5 0 1 0 1
12 6 5 2 10 4
Sum
a 28 16 0 0 19 14
Nota: Y = 7 y X = 4
. 10 _ . _
Por lo tanto, ---------------- - = 1,357 ; p ,= Y -P2X = 1,572
11
de error está correlacionada con la variable explicativa Xi, es decir,
cov(uiXj) = 0.
3.5 Desde el Cauchy-Schwarz desigualdad se deduce que:
E(XY) ^2
E(X E(Y2)
2)
2 Y(x,yi)2
Ahora a r = ^ 2_, -Y < 1, POR ANALOGÍA CON LA CAUCHY-SCHWARZ
¿_jXi 2 ^yi
La desigualdad. Esto también se aplica en el caso de P2, LA POBLACIÓN
COEFICIENTE DE CORRELACIÓN AL CUADRADO.
Ÿ_ÿ-n + l
( ,)
Yy = ^lz] ) >¿ * r 12
2
£ < /2 = ' EiXi-r.) = £ < - " 2+K,2-2J5K)
12
Por lo tanto, Y XY = " (W + 1X2" + 1> - -- (2)
^ 6 2
2 >ZK
Desde YXYI = YXYI------------------,Utilizando(2),Nos Obtener
N
Z .2 V"1 J2
X W(w+L)2_" (W2-1) ^
3 2 4 12 2
Ahora sustituyendo a la anterior en las ecuaciones (1), obtendrá la respuesta.
= Y, desde Z * / = 0
UN
(b) Fii =--------- Y A\ =---------,DesdeXj = (Xj- X)
2X Zx'2
UN UN ^J2
3.10 Desde ^Tixi iyi = ^= 0, es decir, la suma de las desviaciones de valor medio es siempre cero, x
13
FI\ = Y /H X = 0. El punto aquí es que si tanto Y y X se expresan como
origen.
I>2
=. , Debido a que el X son
14
J(ZX l2 + ZX22) (Z^22
No correlacionados. NOTA: Se han omitido la observación subscript para
mayor comodidad.
= , .A = = -, donde cr2 es la varianza común. Y] (2A2 + 2CR2)
2
El coeficiente no nulo porque, a pesar de que la X son individualmente, los
pares no son combinaciones.
Como se muestra en la figura, ^ZW = A2, LO QUE SIGNIFICA QUE la covarianza
entre z
Y w es una constante diferente de cero.
3.14 Los valores residuales y equipado los valores de Y no va a cambiar. Deje que
Yj, sellada, = / ?i + / 3XIX HASTA MEDIADIDOS + W y Yj, sellada, = a \
+AIZI + M, donde Z = 2X, mediante la desviación típica forma, sabemos
que
" 2>
/ ?2 =---------, Omitiendo la observación subíndice.
2 >!
2 >2
RYY = ■
3.16 (A) Falso . La covarianza puede asumir cualquier valor; su valor depende
de las unidades de medida. El coeficiente de correlación, por otro lado, es
unidad, es decir, se trata de un puro número.
15
(b) FALSO. Ver Fig.3.1 \H. Recuerde que coeficiente de correlación
es una medida de RELACIÓN LINEAL entre dos variables. Por lo tanto,
como Fig.3.1 \H MUESTRA , existe una perfecta relación entre Y y X, pero
esa relación no es lineal.
PYJW HI A = = = =
1, porque
FZ S * '* 2 e
UN * UN _
YI = FIXIAND LLXLYI = FT PARA EL modelo de dos variables. La
intersección de esta regresión es cero.
16
al menos un regresor, será menor que el modelo con un regresor. Por
supuesto, si hay más los regresores del modelo y su pendiente los
coeficientes son diferentes de cero, el RSS será mucho menor que los no-
regresor modelo.
Problemas
(c) En este caso la pendiente coeficiente se espera que sea positivo,
ya que cuanto mayor sea la relación con IPC Alemán el IPC de
ESTADOS UNIDOS, la mayor tasa de inflación relativa en Alemania, en
la que se conducen a la apreciación del dólar de EE.UU. Una vez más,
este es el espíritu de la PPA.
17
PRODBUS
PRODNFB
(b) Como los diagramas muestran, existe una relación positiva entre
salarios y productividad, lo cual no es sorprendente en vista de la teoría de
productividad marginal del trabajo economía.
(c) Como demuestran las cifras anteriores, la relación entre los salarios
y la productividad, aunque positivo, no es lineal. Por lo tanto, si tratamos de
colocar un modelo de regresión lineal de los datos puede que no
obtengamos un buen ajuste. En un capítulo posterior, veremos qué tipos de
modelos
Es adecuado para esta situación. Pero si de forma sistemática montar el
modelo lineal de los datos, obtenemos los siguientes resultados.
18
3.21 En I*, I"
13210
Datos originales: 1110 1700 205500 322000 0
Datos Revisados 1110 1680 204200 315400 13330
0
Por lo tanto, corregir el coeficiente de correlación es 0,9688
19
3.23 (A) La trama es como se indica a continuación, donde NGDP y RGDP son
nominales y
PIB.
Eooo 8000.
100001 R 6000
6000.
4000. 4000
2000.
2000
60 ¿5 ' ' '16 16 ¿ ¿5 90 ¿5
(c) La pendiente hace que la tasa de cambio del PIB por unidad de tiempo.
(d) La diferencia entre las dos representa la inflación a través del tiempo.
(e) Como la figura y los resultados de la regresión indican, el PIB nominal ha
estado creciendo más rápidamente que el PIB real lo que sugiere que la inflación
ha aumentado con el paso del tiempo .
3.24
Este es muy sencillo.
3,25 R2 = 0,9277
(a) Véase la figura del ejercicio 2.16 (D)
Y +1.436 -198.126 =
^, SE=( 25,211 ) (0,057 ) r2= 0,966
Donde 7= mujer verbal puntuación YX = macho puntuación verbal.
(c) Como se señala en el texto, una relación estadística, por fuerte que sea, no
demostrar la relación de causalidad, la cual debe ser establecido de antemano. En
este caso, no hay razón para sospechar relación causal entre las dos variables.
20
3.26 Los resultados de la regresión son
los siguientes:
-189.057€ +1.285
=X, SE=( 40,927 )
(0,082 ) R2 = 0,918
3.27 Este es un proyecto de la clase.
EL CAPÍTULO 4
LA SUPOSICIÓN DE NORMALIDAD: CLÁSICO MODELO DE
REGRESIÓN LINEAL NORMAL (CNLRM)
Ejercicios Apéndice 4A
= F(Y), f(Y2)
Donde f(Yi) y f(Y2) son las normal univariante pdf Por lo tanto,
cuando p es cero, f(Yi,Y2) = f(Yi)f(Y2), que es la condición de
independencia estadística. Por lo tanto, en el caso normal
bivariada, cero correlación implica independencia estadística.
G2 de
LF PPP
AA2 de LF n 1
2 De LF
3 (Cr2)2 2(A2)2 (A2)3
Desde
En segundo lugar ya que todos los productos derivados son
negativos, los estimadores máximo la probabilidad.
F(X) =/( * ,) = ( n ^
- \E 0
UN
Por lo tanto, la LF se
LF(Xi,tf) = (i) exp"1 *
y el registro LF será:
I*.
En LF = -n 0 -
0
Diferenciar la función anterior con respecto a 0 , OBTENEMOS :
(e) ES CIERTO, COMO SE DESPRENDE DE Eq. (1) del Ap. 3A, Sec.
3A. 1.
( /) FALSO. Todo lo que podemos decir es que los datos en la mano
no nos permite rechazar la hipótesis nula.
TSS 375916
139023
F =----------= 31,1013 Con df = 1 y 53, respectivamente.
4470
Bajo la hipótesis de que no hay relación entre los gastos
alimentarios y los gastos totales, el valor de p de obtener dicho
valor F es casi cero, lo que sugiere que uno puede rechazar
enérgicamente la hipótesis nula.
27
Obtenemos: r2 = - (9-6536)-----_ 0 3944
[ (9,6536 ) -11]
5.4 Verbalmente, la hipótesis afirma que no hay correlación entre las
dos variables . Por lo tanto, si podemos demostrar que la covarianza
entre las dos variables es cero, entonces la correlación debe ser
cero.
T=
Se(P2)
I",2 2]yfQ-r)
Porque A2 = • , De Eq. (3.5.10 )
(N- 2)
( N - 2)
28
M
Yl^yf^ -r2)
I*?
S I
29
^ , Rj(n- 2 ) UNA> /? ^
Por lo tanto, t = ■■ = - ^ -, y
V(l-r)2 o'
R 2(n - 2) -
T = F= Desde Eq. (5.9.1 )
1-R Cr
Problemas
5.8 (A)No hay asociación positiva en las mismas fechas en 1972 y 1968,
Lo que no es sorprendente en vista de la realidad desde la
segunda guerra mundial se ha producido un aumento
constante en las mismas fechas de la mujer.
(d) Sin los datos reales, no vamos a ser capaces de responder a esta
pregunta, porque necesitamos los valores de las desviaciones en
su parcela y obtener el gráfico de probabilidad normal o para
calcular el valor de la prueba Jarque-Bera.
S3) (A)
PASAR
(b) Pagar, = 12129,37 + 3,3076 Pasar
Se = (1197,351 ) (0,3117 ). R2 = 0,6968 ; RSS = 2,65 E+08
(c) Si el gasto por alumno aumenta por un dólar, el salario promedio aumenta
en alrededor de $3.31 . El interceptar plazo viable no tiene sentido
económico.
(d) El 95% de Cl es: 3,3076 (0,3117 ± 2) = (2.6842,3 .931) con base en
ese Cl no rechazar la hipótesis nula de que la verdadera inclinación
coeficiente es 3.
43620,135Total(SAT)
El valor es 38685 997 = 290,0978 133,355
Bajo la hipótesis nula de que no hay relación entre los salarios y
la productividad en el sector empresarial, esta F valor sigue la
distribución F con 1 y 37 df en el numerador y denominador,
respectivamente. La probabilidad de obtener dicho valor es
0,0000 F , es decir, prácticamente a cero. Por lo tanto, no
podemos rechazar la hipótesis nula, lo que no debería sorprender
a nadie.
Total 43109,04
SAT = 43059,04 , RSS = 5221,585 ; ESS = 37837,455
Bajo la hipótesis nula de que el coeficiente es cierto
pendiente es igual a cero, el valor F calculado es:
459
141,129
Si la hipótesis nula es cierta, la probabilidad de obtener un valor
F es prácticamente nulo, lo que conduce al rechazo de la
hipótesis nula.
5.12 (A)
200-I
150-
0 °°
S
< ° °°
§ 100- 0
3
S-l,--------------,----------,--------,
0 50 100 150 200
ICAN
T-
Variable Coeficiente Ets. Error Prob.
Statistic
C 6,251664 1,956380 3,195526 0,0040
ICAN 0,940932 0,017570 53,55261 0,0000
3
5
find out if it is different from 1.
(d) Y (E) usando el procedimiento habitual prueba t, obtenemos:
1
0,230
Desde este valor supera el valor crítico de 2,160 , rechazamos la hipótesis
nula. El coeficiente estimado es en realidad mayor que
1. Para esta muestra, la inversión en el mercado bursátil fue
probablemente una cobertura contra la inflación. Era, por cierto, una mejor
cobertura contra la inflación que la inversión en oro.
14 (A) Ninguna parece ser mejor que los demás. Todos los resultados
estadísticos
Son muy similares. Cada uno cuesta coeficiente es estadísticamente
significativo en el 99% de nivel de confianza.
5.17 (A) Dejar que los hombres Y representan las matemáticas puntuación y X las
mujeres matemáticas
Puntuación, obtenemos la siguiente regresión:
TSS 1071,975 23
Bajo la hipótesis nula de que FI2 = 0, F es 264,665 ,
El valor de p de obtener dicho valor F es casi cero, lo que lleva a el
rechazo de la hipótesis nula.
5.18 (A)Los resultados de la regresión son los siguientes:
148,135 + 0,673 xs
33
Se= (11,653 ) (0,027 ) t = ( 12,713 )
(25,102 ) R? = 0,966
(d) La ESS, RSS y SAT los valores son, respectivamente, 3157,586 (1
df), 110,247 (22 df), y 32367,833 (23 df). Bajo la hipótesis nula
habitual el valor F es 630,131 . El valor de p de F valor es casi nulo.
Por lo tanto, no podemos rechazar la hipótesis nula de que no existe
ninguna relación entre las dos variables.
5.19 (A)
IPM
34
(c) Y (d) Los siguientes resultados obtenidos de DECISIVO3 LE OFRECE los datos
necesarios.
Serie: Residuos
Muestra 19601999
Observacio
nes 40
711E-
Significa 15
Mediana 3
78154
21,847
Máximo 09
Mínimo •19,05
008
9
Ski Dev 76034
Oblicuidad -01197
Curtosis 2
62066
Jarque- 3
0,3353
Bera 90
Probabilida 0,8456
d 12
El Jarqe-Bera estadística es
0,3335 0,8456 valor de ap . Por lo tanto, no podemos rechazar la suposición
de normalidad. El histograma muestra también que los residuos son
razonablemente distribuidos simétricamente.
35
EL CAPÍTULO 6
LAS EXTENSIONES DE LAS DOS VARIABLES DE MODELO DE
REGRESIÓN
(f) Ya tenemos una muestra bastante grande, podemos usar la prueba
de normalidad Jarque-Bera. El JB estadística para los dos modelos es el
mismo, es decir, 1.12 y el valor de p DE OBTENER UN VALOR DE JB 0,57 .
POR LO TANTO NO SE RECHAZA LA HIPÓTESIS DE QUE EL TÉRMINO DE ERROR
SIGUEN UNA DISTRIBUCIÓN NORMAL.
(D tal vez este modelo puede ser apropiado para explicar bajo
consumo de un bien cuando el ingreso es grande, como un
bien inferior.
6.4 Pendiente = 1
37
En Yt = ( ", + un 2 en w2 - En wx) + 2Xi + u'
38
= A + A2 En Xt + w *
Donde A = (a + A2 EN W2 - En w,)
Comparar esto con el segundo modelo, se verá que, con la excepción de la
intersección, los dos modelos son iguales. Por lo tanto, la pendiente
estimada los coeficientes en los dos modelos será el mismo, siendo la
única diferencia la estima intercepta.
6.8 La hipótesis nula es que el verdadero coeficiente pendiente 0.005 .la
hipótesis alternativa podría ser una o dos caras. Supongamos que se
Usar las dos caras. Calcula el valor de la pendiente es 0,00743 . Mediante
la prueba t , obtenemos:
6.10 Como se discutió en segundos. 6.7 Del texto, en la mayor parte de los
productos básicos Engel modelo representado en la Fig. 6.6 (C) parece
adecuado. Por lo tanto, el segundo modelo que figura en el ejercicio
puede ser la elección.
6.11 Tal como está, el modelo no es lineal en el parámetro. Pero hay que tener
en cuenta la siguiente "truco." En primer lugar, en la relación de Y a (1-A)
y, a continuación, tomar el logaritmo natural de la relación. Esta
transformación
Hacer que el modelo lineal en los parámetros. Es decir,
ejecutar los siguientes regrssion:
En r^rr /
Este modelo es conocido como el modelo logit , q u e
analizaremos en el capítulo sobre las variables
dependientes cualitativas.
39
Problemas
6.13 100
= 2,0675 + 16,2662 /
100-K
I)
SE = (0,1596 ) (1,3232 ) R2 = 0,9497
Como X aumenta indefinidamente, Enfoqueselvalorlímite
40
6.15 (A)SiUno Considera A PRIORI QUE existe una estricta de uno a uno
Relación entre los dos deflactores, el modelo apropiado sería uno sin la
intersección.
= 0,5340 =0,9892 =
UN
PIES.
41
Tasa de crecimiento de los bienes de consumo duradero gasto era de un
1,5 %. Tanto los coeficientes estimados son estadísticamente
significativos individualmente como los valores de p son
extremadamente bajos. No tendría mucho sentido para que se ejecute un
doble modelo de registro aquí, como:
En Expdurt = / ?, + / ?2 a tiempo + U,
100
80
60
CO
< /3
CL 40
2
20
50
100 150
200
ADEXP
Aunque la relación entre las dos variables parece ser positiva, no está claro qué
curva determinada se ajustan los datos. En la tabla siguiente se dan los resultados
de la regresión basada en unos pocos modelos.
Se deja al lector a comparar los distintos modelos. Tenga en cuenta que los valores
de r2 de los dos primeros modelos son comparables, ya que el regressand es la
misma en los dos modelos. De igual modo, el R2S de los dos últimos modelos son
42
comparables ( ¿Por qué?)
EL CAPÍTULO 7
ANÁLISIS DE REGRESIÓN MÚLTIPLE : EL PROBLEMA DE LA
ESTIMACIÓN
A- ^
(b) NO i, es un estimador sesgado de , por la misma razón que en (A).
0_ (X yx2 ) (X *3)-(Xyx3 XI * 2 * 3)
2
(ZX22) (ZX2) - (ZX2X3)2
_(Zyx2) - (Z yxj )I s2s3) / (£ x])
Un> -o /o2)
22) 2x3)2
7.4 Ya que se nos dice que es, u ~ A^ (0,4 ), generar, digamos, 25
observaciones de una distribución normal con estos parámetros. La mayoría de los
paquetes no esta habitualmente. De estos 25 observaciones, calcular la varianza de
la muestra y(X - Y \2
Como S'2 = --- '■---, Donde X\ - EL valor observado de U, en el
24
Muestra de 25 observaciones. Repita este ejercicio, es decir, 99 veces más
Para un total de 100 experiencias. En todos hay 100 valores de S2. La
media de estos 100 S1 valores. Este valor promedio debería estar cerca
43
de A2 = 4. A veces es posible que necesite más de 100 muestras para la
aproximación a ser buena.
=
^ = ±1
V (ai), " 2>
7.7 (A) No. Un valor de r no puede ser superior a 1 en valor absoluto. Conectar
el
Dado los datos de Eq. (7.11.2 ), el lector puede comprobar
que: R\23 = 2,295 , lo que es lógicamente imposible.
(c) Sí, sí, otra vez se puede demostrar que R\2.S = 0,880 , que es posible.
44
=--------------------= P7, Y
Dlnx2 dx2/X2 2
Din Y Dy/Y
D\nx3 ~ dx3/X,
(C ) /?2 * = (1 + A) = "2
45
totales es igual
Total de los gastos de consumo y ahorro total. Por cierto,
*
7.14 (A) Como se discutió en segundos. 6.9 , Para utilizar el clásico lineal normal
Modelo de regresión (CNLRM), debemos asumir que
En U\ ~ N(0, cr2)
Después de estimar el modelo Cobb-Douglas, obtener la
Los residuos y los someten a prueba de normalidad, como el Jarque-Bera
Prueba.
T. Y,X"= Pjlx],
46
En YT = 0,627 -1.274X 2I + 0,937 X 3I +1.713 EN X4I - 0,182
En XSI SE ( 6,148 ) (0,527 )(0,659 ) (1,201 ) (0,128 )
R2 = 0,778
En este modelo, todos los coeficientes parciales están pendiente
las elasticidades parciales de Y con respecto a las variables
relevantes.
7.17 (A) A priori, parecen todas las variables relevantes para explicar
wildcat
Actividad. Con la excepción de la tendencia variable,
todos los coeficientes son pendiente espera que sea
positivo; tendencia puede ser positivo o negativo.
(b) El modelo estimado es el siguiente:
T = + 2.775-37.186 Jf2i + 24,152 * 3i -0,01 LT4 (. -0.213JT5i se
= (12,877 ) (0.57 ) (5,587 ) (0.008 ) (0,259 )
R2 = 0,656 ; R2 = 0,603
(c) Precio del barril y la producción nacional las variables son estadísticamente
Significativo al nivel del 5 por ciento y los signos. Las otras
variables no son estadísticamente diferentes de cero.
47
7.18 (A) El RegresiónResultadosSon los siguientes:
7.19 (A) Modelo (5) parece ser el mejor, ya que incluye todas las
Las variables pertinentes desde el punto de vista económico,
entre ellos el precio real compuesto de pollo sucedáneos, que
debe ayudar a aliviar la multicolinealidad problema que puede
existir en el modelo (4) entre el precio de la carne de vacuno y
el precio de la carne de cerdo. Modelo (1) contiene un sustituto
muy buena información y modelos (2) y (3) tener un sustitutivo
buena información.
48
La elasticidad ingreso y elasticidad cruzada tienen la
Signos correctos.
49
( /) desde el LOS VALORES DE T , podemos fácilmente
calcular el error estándar.Bajo la hipótesis nula de
que
El verdadero Es cero, tenemos la relación:
UN UN
F = -4- = >je(A) = ^-
Seifi.) '
7.21 (A) El RegresiónResultadosSon Como
Siguiente:
T a iM = 3,8318 -0.3123 INLTRATE,
m{PIB),
SE ( 0,1157 ) (0,0532 ). ^ = 0,6692
Dado que estas son bi-variate regresiones, el lector
puede comprobar que el Cambride k es
estadísticamente inversamente relacionada con la tasa
de interés, como por las expectativas previas. En
términos numéricos, es más sensible a la longr2 valor
utilizando los tipos de interés a largo plazo, el regresor
da un mucho mejor.
7.23 Los resultados de la regresión son los siguientes: Nota que se han
utilizado todas las 528 observaciones en la estimación de la
regresión.
8.1 (A) en el primer modelo, donde la venta es una función lineal del tiempo, la
tasa de cambio de venta, (dy/dt) se postula a ser una constante, igual a / ?"
independientemente del tiempo T. En el segundo modelo la tasa de cambio
no es constante porque (dy/dt) = A + 2A2T, QUE DEPENDE DEL TIEMPO T.
53
(b) La cosa más fácil de hacer es grafique Y contra el tiempo. Si la
gráfica resultante es parabólico, quizás el modelo cuadrï¿ ½ico es la
adecuada.
(c) Se trata de un modelo que puede ser apropiado para describir el
perfil de ganancias de una persona. Normalmente, cuando una persona
entra en el mercado de trabajo, el nivel de entrada las ganancias son bajas.
Con el paso del tiempo, ya que de la experiencia acumulada, aumentar los
ingresos, pero después de cierta edad, comience a disminuir.
54
UR R TSS
( * -l)(l- / ? 2)
(K-1) _ R2
(N-k) ~ (l-Rl) obtener
R2 =--------------------, El cual es el resultado deseado.
F(k-l) + (n-k)
De la regresión (8.2.1 ), n=64, k = 3. Por lo tanto,
Fo.o5 (2,62 ) = 3,15 , aprox. (nótese el uso 60 df en lugar de 62 df).
Por lo tanto, poner estos valores en la fórmula R2 anterior,
Obtenemos:
2 (3.15 ) = 630 =0,0936
2 (3.15 ) + 61 67.3
Este es el VALOR DE R CRÍTICO a un nivel de significación del 5 %. Dado
que el observado de R2 de 0,7077 en (8.2.1 ) supera el valor crítico, se
rechaza la hipótesis nula de que el verdadero VALOR R2 es igual a cero.
8.7 Desde regresión (2) es una forma limitada de (1), podemos
calcular en primer lugar la RELACIÓN F en (8.5.18 ):
55
J, ( * L * LV 1 (0-9776 -0.9388) 27033
(l-OO * - * ) (I" 0-9776) /17
-Ar
" (A)
AB
23 195
Desde el que obtener: SE(B. ) = - = -;---------= 4,461 , que es
T 5,1993
Aproximadamente igual a 4,2750 debido a errores de redondeo.
8.8 El primer modelo también se puede escribir como:
En i' - En X2L = AX+A2 X 2I + a3 lnx3/ +ut que,
después de la recolección, se puede escribir como: ln^
=ax + (l + a2)lnx2i +A3 + ui InXv
Ahora, el modelo anterior y el segundo modelo con el P coeficientes
son observacionalmente la misma, con las siguientes relaciones entre
a y /? Coeficientes:
UN UN UN UN UN
W, - * +AJr"
Como se puede ver el cambio promedio en los gastos de consumo con
respecto a los ingresos no sólo depende de los ingresos, sino también en el
nivel de riqueza. De igual manera, el cambio promedio en los gastos de
consumo con respecto a la riqueza depende no sólo de la riqueza sino
también de los ingresos. Es decir, las variables ingresos y riqueza
interactuar. Este es capturado por presentar los ingresos y la riqueza en
interactivo o multiplicación, la forma en la regresión además de las dos
variables en el aditivo. Es sólo cuando fa es cero al MPC que será
independiente de la riqueza.
8.10 Recordando la relación entre la T Y F distribuciones,
sabemos que en la primera ecuación: FJ^K) = ^ n-k. Por lo
tanto,
56
F = (-4.728)2
= 22,3540 ahora uso
(8.5.11 ):
Qn-k)R2 _ (N-2) (0,6149 ).
(K- \ ) (L-R2) (1X0.3851)
Para resolver esta ecuación para el n ,
OBTENEMOS N "16 . NOTA: EN la primera ecuación, k = 2
y R2 = 0,6149
57
0,2686
La tasa de interés variable)
Con 19 observaciones y dos regresores, tenemos 16. Desde elasticidad
ingreso coeficiente se espera que sea positivo, se puede utilizar una prueba
de una cola. El 5% una cola crítica VALOR DE T para 16 df es 1,746 . A este
nivel de significación, podemos rechazar la hipótesis nula de que la
elasticidad con respecto al ingreso es de 1 ; en realidad es menor que uno.
0,32
Este VALOR DE T no es estadísticamente significativa.
8.14 (A) A PRIORI, EL SUELDO Y cada una de las variables explicativas son
Espera que se relaciona de forma positiva, a la que están. El coeficiente
parcial de 0,280 medios, ceteris paribus, la elasticidad de sueldo
GERENTE GENERAL es un 0,28 por ciento. El coeficiente 0,0174
significa, ceteris paribus, si la tasa de retorno sobre el capital va por 1 punto
porcentual (Nota: no en un 1 por ciento), entonces el GERENTE GENERAL
de salario vaya en un 1,07 %. De la misma forma , ceteris paribus, si
volver sobre las acciones de la empresa pasa por 1 punto porcentual, el
gerente general de sueldos por sobre 0,024 %.
58
(c) Individualmente estadísticamente muy
significativa, mientras que el último es
insignificante.
(d) Para probar el significado global, es decir, que todos los pendientes
son iguales a cero, utilice el aditivas en (8.5.11 ), lo que produce:
R2/ (K-1) ^ 0,283 /3 _2? Q2
F= ;>------^ -=
(I - R ) / (n-k) ( 0,717 ) /205
8.15 Mediante la ecuación (3.5.8 ), el lector puede comprobar que: rn = 0,9989
; RN = 0,9885 , y r23 = 0,9839 utilizando las fórmulas indicadas en la Sección
7.11 , el lector debe verificar
Ri2.3 = 0,9705 ; r,3 2
= 0,678 ; r231 =-0.4930
Mediante la prueba exacta de Fisher en el ejercicio, el lector debe verificar
que
59
significativa.
60
(d) Véase la parte (a).
(e) Utilice la prueba F en (c).
8.17 (A) CETERIS PARIBUS, un 1 (Gran Bretaña) libra aumento de los precios de
final
Salida en el año en curso en un promedio de 0,34 libras (o 34 peniques)
aumento de sueldos y salarios por empleado. De manera similar, un aumento
de 1 libras los precios del producto final en el año anterior, en promedio un
aumento de sueldos y salarios por empleado de 0.004 libras. Con todo lo
demás constante, el aumento de la tasa de desempleo de 1 puntos
porcentuales, en promedio, alrededor de 2,56 libras disminución de sueldos y
salarios por empleado. Los tres regresores explican aproximadamente el 87
por ciento de la variación en los sueldos y salarios por empleado.
(b) Si usted divide los coeficientes estimados por sus errores estándar, se
obtiene los VALORES T bajo la hipótesis nula que el correspondiente coeficiente
de población real los valores son cero. El estimado de t los valores de los
coeficientes son tres pendiente 4,55 , 0,055 , y -3,89 , respectivamente. De
estos, la primera y la tercera son estadísticamente significativos pero el
segundo no.
Du
W W
En el bar sobre las variables denota sus valores promedio de los datos
de la muestra.
61
(6) como en el ejercicio anterior, en virtud de la nula hipótesis nula
la calcula LOS VALORES DE T para las cuatro variables explicativas son,
respectivamente, 6,51 , -1.04,2 .45 y 2.42 . Pero el segundo de estos valores
t son estadísticamente significativas.
(c) A priori, uno podría esperar una mayor productividad per capita para
llevar a salarios más altos y los salarios. Este no es el caso en el ejemplo
que nos ocupa, ya que el coeficiente estimado no es estadísticamente
significativamente diferente de cero, ya que el VALOR DE T es sólo
alrededor de -1.
(d) Estos están diseñados para recoger el efecto de rezagos distribuidos año
en curso y el anterior los precios de importación sobre los sueldos y
salarios. Si los precios de las importaciones suben, el costo de la vida se
espera que vaya hacia arriba, y, por ende, los sueldos y salarios.
(e) La variable X puede ser sacado de la modelo, ya que tiene el signo
equivocado y porque su valor de t es baja, por supuesto con la condición
de que no hay error de especificación.
0 934/4
F- * 2/( * -Q _
(1 -R2) / (N-K) 0,66 /14
Este F valor es muy importante; para los días 4 y 14 numerador y
denominador de grados de libertad, el 1% nivel de significancia F valor es
5,04 .
62
,= 0,4515 + (-0.3772) = Q G59
V (0,0247 )2 + (0,0635 )2 -2 (-0.0014)
Este VALOR DE T no es significativo en el nivel del 5 %. Por lo tanto, no hay
razón para rechazar la hipótesis nula.
(d) Tanto los signos se espera que sea positivo, aunque ninguna de estas
variables es estadísticamente significativa.
63
8.23 (A) se refieren a los resultados de la regresión en ejercicio 7.18 . A
priori,
Todos los coeficientes se espera que sean positivos, lo que es el
caso, a excepción de la variable militar de EE.UU. las ventas. El
R2 es muy alto. En general, el modelo parece satisfactoria.
(b) Podemos utilizar la VERSIÓN R de la tabla ANOVA en la tabla
8.5 Del texto.
Debido a la 4
regresión ZYF 0,978 4
Debido a los (0,022 )1^
0,022 (Z^) 15
residuos
15
Bajo la hipótesis nula habitual, la relación F es:
F_(0,0772 - 0,0463 )
(b) Suponiendo que todos los demás factores constantes, uno esperaría
que horas de trabajo deseado sería mayor que el (común) interceptar valor
de 1286 horas. Este coeficiente, sin embargo, tiene un signo negativo. Sin
embargo, puesto que no es estadísticamente significativa, se puede
decir muy poco sobre el impacto de X^ (promedio) Y. como de XY, su
coeficiente se espera que sea positivo, que lo es. No sólo eso, sino que es
estadísticamente significativo, dado que el VALOR DE T es bastante alta.
(c) Tal vez, esto se debe a collinearity entre la edad y la educación, así
como collinearity de estas variables con el número de niños. Además,
observe que el modelo no incluye años de escolaridad del marido.
72
(d) Probablemente sí. De prestaciones por desempleo más generosa, el
gobierno reduce el costo de oportunidad de permanecer en la situación de
paro.
74
NOTA: Debido al redondeo y aproximación los errores, estos errores
estándar son algo diferentes a las reportadas en (8.8 .2a).
9.9 (A) & (C): CETERIS PARIBUS, SI la tasa de inflación esperada sube un 1
Punto porcentual, la media tasa de letras del Tesoro (TB) espera que
se vaya abajo en aproximadamente 0,13 puntos porcentuales, lo que
no tiene sentido económico. Sin embargo, la TB coeficiente no es
estadísticamente significativa, como su valor de t es sólo de 1,34 . Si
la tasa de desempleo sube en 1 punto porcentual, la media TB se
espera que la tasa se reducen un 0,71 punto porcentual. Este
coeficiente es estadísticamente significativa, ya que su valor de t es
de -4,24 . También tiene sentido desde el punto de vista económico,
como una tasa de desempleo más elevada significa desaceleración
de la economía y la Fed probablemente reducir el índice de TB para
reanimar la economía. Si el cambio en el crecimiento de la base
75
monetaria se incrementa en una unidad, en promedio, el índice de la
TB se espera que se vaya hacia abajo, como un aumento de la base
monetaria, a través del efecto multiplicador, conduce a un aumento
en la oferta de dinero, lo que tendrá el efecto de reducir la tasa de
interés, ceteris paribus. La zaga valor de Y es positivo y
estadísticamente significativo. Este valor rezagado tenga en cuenta
la dinámica del cambio, un tema discutido en el capítulo
sobre modelos de los rezagos distribuidos.
(6) Como era de esperar, la marca las colas son más caros que el
precio de nonin cola.
76
(b) Este coeficiente muestra que la esperanza media de vida es
probable que aumente por .0939 años si el aumento de los ingresos
per cápita en un 1 %, ceteris paribus. (Ver el Capítulo 6 en el lin-
log modelo).
(d) La ecuación de regresión para los países por debajo del
nivel de ingreso per cápita de $1097 es:
+ 9,39 -2,40 INXI para los países con ingresos
per cápita de 1097 dólares, la regresión
77
Ecuación es:
-2,40 + (9,39 - 3,36 ) inx{ + (3.36 ) (7), es decir,
21,12 + 6,03 lnXi
,2
78
9.15 Las fórmulas de la operación dada en el Capítulo 3, sabemos que:
Pl Y(D-Df
9.16 (A) 2,4 %.
(b) Dado que tanto el intercepto y la pendiente diferencial coeficientes son
altamente significativas, los niveles y las tasas de crecimiento de la población
en los dos períodos son diferentes. La tasa de crecimiento para el período
antes de 1978 es de un 1,5 % y que, después de 1978, es del 2,6 % (= 1,5 % +
1,1 %).
(D, -D) = ^ifd = 1
N Problemas
Y = --IFD = 0 9.17 En la regresión para los dos períodos por
N separado, nos encontramos con que
Ahora el denominador en Eq. (1) se puede escribir como: Para el primer
período <r,2
I (A - Df = £ (A - Df + f; ( D, Df = 0,00768 (df = 30) y para
el segundo período
S\ = 0,03638 (df = 17).
El numerador de Eq. (1) se puede escribir como:
79
Z(D-D)Yl= '£ (Dl-D)Yl+fj(D-D)yl
A continuación, bajo el supuesto de que las respectivas las varianzas de la
población son los mismos, y tras Eq.
(8.8.8) , La siguiente relación sigue la DISTRIBUCIÓN F.
80
F = -□ F
JL2 U r ( n t - k ) X n 2 - k ) .
°\
En nuestro ejemplo, k = 2, 32 Y " 2 =19. Poner la correspondiente
Los valores en la expresión anterior, obtenemos:
F = 4,7369
El valor de p de obtener una F de 4,7369 o superior es de 0,00001 , lo cual
es extremadamente pequeño. La conclusión es que las variaciones en los dos
sub-períodos no son los mismos.
9.19 En este caso, la variable Z toma el valor de 2 cuando D = 0 Y toma el valor
de 5 cuando D = 1 . Con esta falsa asignación, es la siguiente: los
resultados de la regresión
Variable dependiente: AHORRO Método:
Mínimos Cuadrados
81
Ahora, en la comparación de los resultados anteriores con los indicados en el
apartado 9.5.4 ),
(9.5.6) Y 9.5.7 ), tenemos que tener cuidado, para la variable Z toma el
valor de 2 (cuando D = 0) y el valor de 5 (cuando D = l) .Para obtener
los ahorros de regresión ingresos comparables a (9.5.6 ) (es decir,
cuando el valor ficticio original era cero), donde Z aparece, ponga el
valor de 2, que da como resultado:
Ahorro de Regresión ingresos 1970-1981:
AHORRO = [ -100.6363 + 2 (50,826180 0,123978 ] + [- 2 (0,02182 ) ]Ingresos
9.20 Tal como lo haría sospechoso, el signo del coeficiente de la ficticia (9.5.4 )
Se convertirá en -152.4786 y el signo del coeficiente de ( £MQ
llega a ser positivo. El interceptar plazo ahora se 153,4973 y
coeficiente de la renta variable será 0,0148 . Todo esto es una
consecuencia lógica.
(b) Los resultados de la regresión son los siguientes ( LOS VALORES DE T entre
paréntesis):
82
valor de 0,8531 (miles de millones de dólares). Por supuesto,
este número puede que no tengan mucho sentido económico.
83
9.23 Los resultados de la regresión, que se obtiene a partir de 5 decisivo
son las siguientes: En la siguiente tabla, D \, D2 Y D 3 son los
maniquíes para el segundo, tercer y cuarto trimestre. PLATO, DISP
y LAVAR representan, respectivamente, las ventas de los
lavavajillas, autogestión y lavadoras, en miles de unidades y DUR
representa bienes duraderos los gastos en miles de millones de
dólares. No todas las estadísticas que se presentan en la tabla se han
discutido, pero serán a medida que avanzamos a través del libro.
Variable dependiente:
PLATO Método: Mínimos
Cuadrados
84
R-cuadrado ajustado S. 0,286416 S. D. Dependentvar 147,1194
E. de suma de 124,2775 Akaike info criterion 12,62551
regresión al cuadrado 417012,1 Schwarz criterion F- 12,85453
resid Log probabilidad -197.0082 statistic Prob(F-statistic) 4,110677
Durbin-Watson stat 0,183078 0,009944
9.24 (A) & (6) :se deja para cada estudiante. El año 2000 EE.UU.
Se celebraron elecciones presidenciales en noviembre 7,2000 . Si se
hubiera usado su modelo, le han pronosticado los resultados de las
elecciones del año 2000 correctamente?
86
R-cuadrado ajustado 0,203263 Significa S. D. 9,047538
r-squared S. E. de 0,197169 dependentvar 5,144082
suma de regresión 4,609140 dependiente var Akaike 5,903384
squared resid 11110,70 info criterion Schwarz 5,943811
Log probabilidad -1553.493 criterion F-statistic 33,35678
Durbin-Watson stat 1,873724 Prob(F-statistic) 0,000000
87
REGIÓN -2.540727 0,826694 1,020982 0,0022
* REGIÓN MSTATUS 1,323573 1,296373 -3.073359 0,1954
R-cuadrado ajustado r- 0,035309 Significa S. D. 9,047538
squared S. E. de suma 0,029786 dependentvar 5,144082
de regresión squared 5,066893 dependiente var Akaike 6,090880
resid Log probabilidad 13452,87 info criterion Schwarz 6,123221
Durbin-Watson stat -1603.992 criterion F-statistic 6,392958
1,860478 Prob(F-statistic) 0,000293
R-squared 0,933254
F-estadística 102,5363
Durbin-Watson stat 1,612107
0,341255 Sum squared resid
88
una modelo log-lin. Por lo tanto, la pendiente de los coeficientes el regresor
89
En este modelo se han de interpretar como semi-elasticidad cruzada de la demanda.
Cualitativamente, ambos modelos dan resultados similares. Desde la regressand en
los dos modelos son diferentes, no podemos comparar los dos R2 DIRECTAMENTE.
(c) Regresión log de Y (ahorros) en X (los ingresos), el error que se estima las
variaciones en los dos períodos son: &2 = 0,0122 (df = 10) y A2 = 0,0182 (df
= 12) Bajo la hipótesis nula que las varianzas de las dos poblaciones son las
mismas, formamos
0,0122
12 Y 10 df en el numerador y denominador, respectivamente, este valor no es
importante, incluso en el 25 %. Por lo tanto, podemos concluir que las dos
varianzas error son las mismas. Tenga en cuenta que en el modelo original se
explica en el capítulo que hemos retrocedido Y (no en Y) EN X. Por lo tanto, si
no se la heteroscedasticidad en el modelo original, y no en el log-lin modelo,
sugiere que la transformación log puede ser más apropiado.
CAPÍTULO 10
LA MULTICOLINEALIDAD: ¿QUÉ SUCEDE SI LOS REGRESORES SON
CORRELACIÓN?
10.1 Si es una perfecta combinación lineal de las restantes variables
explicativas, luego hay ( £ 1) ecuaciones con K incógnitas. Con
más incógnitas que ecuaciones, soluciones únicas no son
posibles.
10.2 (A) n° Variable xy, es una combinación lineal de XR" porque
Xv= 2X2i- \.
9
0
incógnitas.
10.3 (A) AUNQUE los valores numéricos de la intersección y la
pendiente de los coeficientes y FLR PGNP han cambiado, sus signos
no.
Además, estas variables son estadísticamente significativas. Estos
cambios se deben a la incorporación de la tasa global de fecundidad
variable, lo que sugiere que puede haber algunos multicolinealidad entre
los regresores.
(b) Dado que el VALOR DE la TGF coeficiente es muy importante ( EL
VALOR DE P es sólo .0032), parece TGF pertenece en el modelo. El signo
positivo de este coeficiente también tiene sentido en que, cuanto mayor
fuera el número de los niños materiales para una mujer, mayores serán
las probabilidades de la mayor mortalidad infantil.
(c) Este es uno de esos "felices" casos en los que a pesar de la posible
collinearity, los coeficientes son estadísticamente significativos.
91
X* -Tx>' = ÆA+A. .A
/Lj /Lj
-¥X * = Aia+AJA
*2*2
El grado de multicolinealidad
perfecta.
10.5 (A) Sí. Económico Datos de serie
de tiempo tienden a moverse en la misma
Dirección. En este sentido, el
rezago de los ingresos
variables, generalmente en la
misma dirección.
10.12 (A) Falso. Si relación lineal exacta(s) existen entre las variables, no
podemos ni siquiera estimar los coeficientes o sus errores estándar.
10.13 (A) refiriéndose a Eq. (7.11.5 ), vemos que si todos los r2 son iguales a
cero,
R2 es nulo ipso facto.
10.14 (A) CONSIDERAR Eq. (7.11.5 ). Si todos los de orden cero, o bruto, las
correlaciones r, esta fórmula reduce a:
2 2R\l-r)_2r2
(1-r2) 1+ R
(B) usando (7.11.1 ), se puede ver, por ejemplo, que
_R(l-r)_ r
12.3 - , 2 " 1 .
1-R 1+R
10.15 (A) SI NO EXISTE multicolinealidad perfecta, (A^A.) se convierte, por
tanto, singular, no puede ser invertida. Como resultado, los coeficientes y
sus errores estándar están definidos.
10.17 (A) SI el determinante de R ES CERO , hay una perfecta collinearity.
(b) Si el determinante es pequeño, no es perfecta, ni mucho menos
collinearity.
(c) Si el factor es 1, las variables son ortogonales (véase Ejercicio
10,18 ).
97
(d) NO desde todos los regresores son ortogonales, todos
covarianzas (es decir, cruzada de productos ) términos será cero.
10.21 Cuando hay una perfecta collinearity, r23 = 1. Por lo tanto, los
denominadores (7.4.12 ) y (7.4.15 ) será cero. Como resultado, las
diferencias son indefinidos.
10.22 Recordar que SE(FI2 + FT ) = ^ [VAI(FT ) + var( >93 ) + 2 COV(PIES, PIES )]
Dado que la covarianza los valores se dan, es una cuestión de
sustitución simple para comprobar las respuestas.
98
(b) A priori, se espera que los capitales tienen un impacto positivo en
la producción. No es en el presente caso debido probablemente a
collinearity en los regresores.
99
^= 20,995 +0.710zy se
= (6,341 ) (0,066 ) t = (3,311 )
(10,771 ) R2= 0,906 ^ = (0.75x0.710) =
0,532 por lo tanto, M = (0,625 ) (0,710 )
= 0,444
1
0
0
Coeficiente variable Ets. Error T-Statistic Prob.
R-squared 0,981901
R-squared 0,977824
R-squared 0,9922
La regresión auxiliar de LGDP el LCPI muestra que las dos variables están
altamente correlacionados, lo cual sugiere que los datos sufren las
collinearity problema.
1
0
1
Variable dependiente:
LOG(IMPORTACIONES/IPC) Método:
Mínimos Cuadrados Fecha: 11/11/00 Hora:
10:26 Muestra: 1970 1998 observaciones
incluidas: 29
R-squared 0,903881
10,28 (A) teniendo en cuenta que existen cinco variables explicativas, habrá
cinco regresiones auxiliares. Para ahorrar espacio, damos a continuación sólo los
valores de R2 obtenido a partir de estas regresiones:
Variable dependiente R2
X2 0,9846
X3 0,9482
X4 0,9872
X5 0,9889
X6 0,9927
(b) Dado que los valores de R en todas las regresiones son
uniformemente alta, parece los datos sufren la multicolinealidad
problema.
Variable dependiente: LY
Método: Mínimos Cuadrados
1
0
2
Ejemplo: 1971 1986
Incluyó observaciones: 16
Variable Coeficiente Ets. Error T-Statistic Prob.
C -22.10374 8,373593 -2.639696 0,0216
LX2 -1.037839 0,330227 -3.142805 0,0085
LX5 -0.294929 0,073704 -4.001514 0,0018
LX6 3,243886 0,872231 3,719068 0,0029
R-squared 0,684855 Significa depender var 9,204273
R-cuadrado ajustado 0,606069 D. E. dependiente var 0,119580
S. E. de la regresión 0,075053 Información Akaike -2.128930
Sum squared resid 0,067595 criterio criterio
Schwarz -1.935783
Probabilidad de 21,03144 F- 8,692569
registro
Durbin-Watson stat 1,309678 estadística
Prob(F-statistic) 0,002454
Nota: La letra L representa el "logaritmo".
Parece que el modelo no sufren el problema collinearity.
(b) Si sumamos todas las variables X, obtenemos los siguientes
resultados:
Variable dependiente: LOG(Y)
Método: Mínimos Cuadrados
1
0
3
entre el ERSP y ERNO a comparativamente alto (p. ej., entre la
escolarización y 0,8812 tasa salarial).
Variable dependiente:
HORAS Método: Mínimos
Cuadrados
(e) Aunque los resultados son mixtos, y tal vez hay alguna evidencia
de que impuesto negativo sobre la renta puede ser vale la pena
intentarlo.
10.31 Esto es para un proyecto de clase.
10.32 Los resultados de la regresión, sido realizados en Eviews, son los
siguientes:
1
0
4
Variable dependiente: Y Método:
Mínimos Cuadrados Muestra:
1947 1961 observaciones
incluidas: 15
11.2 (A) Como ecuación (1) muestra, como N aumenta en una unidad, en promedio, los salarios
aumentan en unos
0.009 Dólares. Si se multiplica la segunda ecuación a través de N, verá que los resultados
son bastante similares a Eq. (1).
1
0
5
(b) Al parecer, el autor se preocupa por la heterocedasticidad, ya que divide la
ecuación original de N. Este equivale a asumir que la varianza del error es proporcional a
la raíz cuadrada de N, por lo tanto, el autor es ponderado con menos plazas para la
estimación Eq. (2).
(c) El coeficiente de intersección en Eq. (1) es el coeficiente de pendiente Eq. (2) y
la pendiente coeficiente en Eq. (1) es la intersección en Eq. (2).
(d) NO Las variables dependientes en los dos modelos no son lo mismo.
11.3 (A) No. Estos modelos no son lineales en el Parámetros y no se puede
Estimado por MCO.
(B) que están especializados no-lineales procedimientos de cálculo. Discutir este tema en
el capítulo de modelos de regresión lineal.
Informalmente, podemos estimar los parámetros de un proceso de ensayo y error.
11.4 (A)Véase Ejercicio 7.14 y en la Sección 6.9 .
1
0
6
Ahora E(u] ) = £ [ln ui - £ (ln W, )] = 0. Por cierto, aviso que no queremos
una estimación directa de .
11.5 Esta es una cuestión de sustituir la definición y la simplificación.
11.6 (Tf)La suposición es que la varianza del error es proporcional al cuadrado del PIB, que
se describe en la postulación. Los autores hacen de este supuesto al observar los datos a
través del tiempo y observar esta relación.
(b) Los resultados son esencialmente los mismos, aunque los errores estándar de
dos de los coeficientes son inferiores en el segundo modelo, esto se puede tomar como
justificaciones empíricas de la transformación de heterocedasticidad.
2 (
Nwxkzx'ri-iwZX" )
"- n-LXX-CLX^ZY") ~ nl.x!
-a.xf)
La igualdad de las varianzas se puede demostrar de manera similar.
11.9
En la Ec. (11.2.2 ), tenemos : , Zxfcrf
Var(A)= ^ 2 \2 A :* ! )2
Sustituir el fer = (J2ki en la ecuación anterior, obtenemos ,0,
A2 Zxfkt
(d) Si estás en una categoría la absoluta los residuos de bajo a alto valor
Y, de la misma forma las cifras de la productividad promedio rango de baja a alto valor
y calcular el coeficiente de correlación de Spearman en (11.5.5 ) se puede observar que
este coeficiente es de aproximadamente
-0,5167 . Mediante la fórmula dada en t (11.5.6 ), el valor de t es de aproximadamente
-0,8562 . Este valor de t no es estadísticamente significativa; el 5% valor crítico de 7 gl es
2,447 En valor absoluto. Por lo tanto, sobre la base de la
Rank test de correlación, no tenemos ningún motivo para esperar heterosccdasticity.
Por lo tanto
Media v Standard dev lectivo
10
8
STY = 0,9910 -0.0650significa T = (0,3756 )
(-0.1795) R2 = 0,0064
Dado que la pendiente coeficiente no es estadísticamente diferente de cero, no hay ninguna
relación sistemática entre las dos variables, que pueden ser vistos en la figura ( a).
( <D) no hay necesidad de ninguna transformación, porque no hay una relación sistemática entre
el promedio de ventas o relación de efectivo y la desviación estándar de las distintas clases de
activos.
11.13 Utilizando la prueba de Bartlett, el valor %2 es 6,6473 , cuyo valor de p es 0,5748 . Por lo
tanto, no se rechaza la hipótesis nula de que las varianzas son iguales.
11.14 Utilizando la fórmula (11.3.8 ) sobre la ponderación de los mínimos cuadrados, puede ser
demostrado que
FT = j (2Y1 - Y2 ) Y var(/? * ) = |cr2
Al comparar las dos estimaciones, vemos que los mínimos cuadrados ponderados da un peso de 2/3 y 1/3
a Yx a Y2, mientras que LA OPERACIÓN da igual
Peso a los dos Y observaciones. La variación de la pendiente estimador es mayor en la media
ponderada de los mínimos cuadrados que en el Sudán.
(b) Ya que se trata de un los datos transversales de una diversidad de coches, a priori uno puede esperar
la heterocedasticidad.
(Ic) Regresión el cuadrado de los residuos obtenidos a partir del modelo se muestra en (a) en los
tres regresores, su cuadrado, y sus términos de producto, obtenemos un valor de R1 0,3094 .
Multiplicando este valor por el número de observaciones ( = 81), obtenemos 25,0646 , que bajo
la hipótesis nula de que no hay la heterocedasticidad, tiene la distribución Chi cuadrado con 9 g.l.
(3 Regresores, 3 al cuadrado los regresores, 3 tres términos de producto). El valor de p de la
obtención de un valor del Chi cuadrado de 25,0646 o superior (bajo la hipótesis nula) es 0,0029 ,
que es muy pequeño. Por lo tanto, debemos rechazar la hipótesis nula. Es decir, hay
heterocedasticidad.
Variable dependiente: MPG Método: Mínimos Cuadrados
Muestra: 1 81
Incluyó observaciones: 81
Blanco Heteroscedasticity-Consistent errores estándar y covarianza
(e) No existe una fórmula sencilla para determinar la naturaleza exacta de heterocedasticidad en el
presente caso. Tal vez se podría hacer algunas suposiciones sencillas y probar diferentes
transformaciones. Por ejemplo, si se considera que el "culpable" variable es HP, y si consideramos que la
varianza del error es proporcional al cuadrado de HP, podríamos dividir a través de HP y ver qué sucede.
Por supuesto, cualquier otra regresor es un posible candidato para la transformación.
11,16
{A) Los resultados de la regresión son los siguientes:
R-squared 0,369824
The residuals obtained from this regression looks as follows:
100 -
TOTALEXP
Parece que como el gasto total aumenta, el valor absoluto de las desviaciones
también aumento, quizás forma no lineal.
R-squared 0,097018
Habida cuenta de que la estimación pendiente coeficiente es significativo, el
Parque prueba confirma la heterocedasticidad.
Prueba Glejser
11
1
Variable0,135158
R-squared Coefficient Std. Error t-Statistic Prob.
Test de White
Variable dependiente: uf
R-squared 0,134082
Si se multiplican los r-squared valor por 55, y la hipótesis nula es que no hay la
heterocedasticidad, el producto resultante de 7,3745 sigue la distribución Chi
cuadrado con 2 gl y el valor de p de tal valor del Chi cuadrado es
aproximadamente 0,025 , que es pequeño. Así pues, al igual que en el Parque
Glejser y pruebas, el test de White sugiere también la heterocedasticidad.
R-squared 0,369824
11
2
C 1,154332 0,777959
LOG(TotalEx)0,736326 0,120713 1,483795 0,1438
6,099834 0,0000
R-squared 0,412469
Variable dependiente: Ri
X
Salario Promedio en relación con los años de experiencia
(b) De la cifra indicada en (a) parece que modelo (2) puede ser más
apropiado, que se corresponde también con la teoría económica del capital
humano.
1
1
5
X
11
6
(c) La heterocedasticidad de White prueba aplicada al modelo
(1) se demostró que no había evidencia de heterocedasticidad. El
valor de n.R2 de la regresión auxiliar del cuadrado de los residuos
se 11,4108 con un valor de p de 0,0033 , lo cual sugiere una
fuerte heterocedasticidad. Cuando el mismo se aplicó la prueba
con el modelo (2), n .R2 FUE 7,6494 , con ap valor de 0,0538 , lo
que sugiere que no hay heterocedasticidad al nivel del 5 por
ciento. Pero este valor es tan cerca del nivel del 5% que uno
podría sospechar la heteroscedasticidad leve en el modelo, aunque
la posibilidad de error en la especificación no puede descartarse.
R-squared 0,999767
Cuando este modelo se sometió a prueba la heterocedasticidad
de White, no hubo pruebas de heterocedasticidad.
1
1
7
C 4,610282 1,084906 4,249478 0,0005
X 0,757433 0,149941 5,051559 0,0001
R-squared 0,586380
Los residuos de esta regresión cuando se trazan contra X mostró la
siguiente imagen.
1 ° -I
5- 0- <
-5-
" 1 U i---1------1-----1-- - -1------I-----1
0 5 10 15 20 25 30
R-squared 0,009262
Como se puede ver, en (a) la pendiente coeficiente fue muy significativa,
pero en esta regresión no lo es. Ver cómo un solo punto extremo, un caso
atípico, ya que puede distorsionar los resultados de la regresión. El
cuadrado de los residuos de esta regresión cuando se trazan contra X
mostró el siguiente gráfico.
0- °
o
-5-
■1 U H----1-------1-------I-------1
2 4 6 8 10
(d) Comparando los gráficos residual en las letras b) y c), vemos que una
vez Chile se retira de los datos existe poca relación entre Y y X Por lo
tanto, cualquier aspecto de la heteroscedasticidad es falsa.
CAPÍTULO 12
Autocorrelación: ¿QUÉ SUCEDE SI EL TÉRMINO DE
ERROR están correlacionados
X
11
8
12.1 (A) FALSO. Los estimadores son imparciales pero no son muy
eficientes.
1
1
9
Utilizando la distribución normal tabla, determinar cuántas unidades de
desviación estándar de la proporción entre el valor de la media calculada.
Seleccione un nivel de confianza y realizar un intervalo de confianza.
(B) V-N =
(C^Los límites son 2 N Y4 N . Por lo tanto, si N es
N-1 N-1 suficientemente
Grande, el V-N, al igual que el Durbin-Watson D, está entre 0 y 4.
(I/ )La OPERACIÓN desviaciones son ESTIMACIONES del error verdadero;
de ahí que en N muestras grandes la suposición de normalidad puede
ser válida.
P=
I-
N
Para un determinado K, N -> oo, la segunda parte en el numerador como el
denominador tiende a cero. Como resultado, P& 1- ~ •
12.7(a) La principal ventaja es la sencillez. También puede manejar los
problemas en los que hay más de un mínimo local mediante el ajuste de el
proceso de búsqueda.
X
12
0
Estableció que sólo hay un mínimo local o determinado
aproximadamente en el punto en que el mínimo global se
encuentra. " (pág. 335).
Variable dependiente: Y
R-squared 0,995363
Desde el coeficiente de Ft-i, vemos que p = 0,9073 , lo cual no es
muy diferente de la C-0 procedimiento de dos pasos o el C-0
método iterativo. Por lo tanto, los resultados a través de la p
estimado a partir de la Durbin- Watson procedimiento de dos
pasos no va a ser muy distinto de los que utilizan estos métodos.
1
2
1
mide mal, grabado en el error, etc).
(c) No. Los valores atípicos pueden dominar el RSS.
cercana a 1.
12,19 Comenzar (12.9.6 ), que en forma desviación puede ser escrita como:
Y = P'lX, + { £ , - £ ).
Utilizando la fórmula estándar de MCO, obtenemos:
> _ Zy,x, _Z(y, -py,_| )s, - px,_")
Ex, * 2
2
* ,-/> £( * ,_, )2
Tenga en cuenta que la primera observación es omitida
debido a la diferenciación.
1
2
3
N-2 N-2 1 -P
(a) Si p es positivo, pero menor que uno, E(A2) sigue sesgada en el
sentido de que
Se subestima el verdadero o2.
Problemas
1
2
5
12.28 (A) Los resultados de la regresión para el C-0 proceso en dos etapas:
Y * = -1.214+ 0,398 * In/, +0.336 En I * , -0.055 yr. en H
* +0.456 en UN * SE=( 1,137 ) (0,247 ) (0,121 )
( 0,147 ) (0,162 )
T = (-1.067) (1,610 ) (2,766 ) (-0.378) (2,818 )
R2 = 0,951 ; F = 89,476 ; d
= 1,448 Nota : Las estrellas variables
transformadas.
12
6
Los resultados de la primera diferencia transformación son los
siguientes:
Variable dependiente: DLOG(RM2)
Variable Coeficiente Ets. Error T-Statistic Prob.
DLOG(RGRDP) 0,6086 0,1665 3,6551 0,0021
DLQG(LTRATE)-0.1354 0,0427 -3.168 0,0060
R-squared 0,5461 ; d = 0,3832
NOTA: LA LETRA " D" es DECISIVO para tomar primeras diferencias.
También tenga en cuenta que no hay ninguna intercepción en este
modelo ( ¿por qué? ).
1
2
7
05,797 10 13,79
Y =14.694-0.003 * , 7
2,22 X109
41 Observaciones y K = 1 Y A = 0,05 , d ^ = 1,45 . Desde la G
ESTÁ por debajo de este valor, no rechazamos la hipótesis nula de
que la verdadera p= 1. Pero hay que tener en cuenta la advertencia
anterior.
1
2
9
( /) Los resultados del modelo log-lineal son los siguientes:
the Breush-Godfrey
procedure.
Coeficiente variable Ets. Error t-statistic Prob.
Los resultados del modelo log-lineal son cualitativamente los mismos que los
del modelo lineal, con la salvedad de que en el primero la Breusch-Godfrey
estadística sólo es significativo en el primer lapso.
R-squared
Durbin-Watson 2,076724
0B)
13
0
(e) En tanto estas regresiones el D los valores son alrededor de 2, lo
cual sugiere que no hay autocorrelación de primer orden. Este
resultado no debe sorprender porque las variables en ambos
estas regresiones se expresan en forma de crecimiento, lo que
implica en primer lugar implícito de diferenciación, que por lo
general, reduce autcorrelation.
R-squared
C
ISTAR
UN
ADDE
NDUM
PROD. 0,55124
9
Durbin-Watson stat 2,203363
NOTA: ISTAR es la renta variable transformada, UN ADDENDUM es la variable
transformada y PROD es el producto de UN ADDENDUM y ISTAR.
Si se comparan estos resultados con los de Eq. (9.5.4 ), se puede observar que el
coeficiente de la variable de renta diferencial pendiente y coeficiente de la renta
variable se acerca del mismo. Porque de transformación de datos, los coeficientes
de interceptar y la variable ficticia (UN ADDENDUM) no se pueden comparar
directamente.
CAPÍTULO 13
Modelos econométricos: ESPECIFICACIÓN DEL MODELO Y LAS
PRUEBAS DE DIAGNÓSTICO
13.1 Pues al parecer, el modelo se basa en la teoría económica, que parece estar
bien especificado. Sin embargo, las variables de precios están fuertemente
correlacionados, lo que podría llevar a los problemas derivados de la
multicolinealidad. La elección de la forma funcional es una cuestión
empírica.
(b) Sí, estos son imparciales por las razones indicadas en el capítulo.
Esto puede ser fácilmente demostrado de la regresión múltiple las fórmulas
dadas en el Capítulo 7, señalando que el verdadero / ?3 es cero.
V: modelo incorrecto)
Var^2 =
£ * ,(1-/ * )
Por lo tanto, las diferencias no son lo mismo.
13.5 (A) Tal como se explica en el capítulo, omitiendo la variable relevante
Dará lugar a estimaciones sesgadas. Por lo tanto E(J3X)± UN{ y E( F32) *
a2 . LAS DERIVACIONES CON ESCALARES ÁLGEBRA LLEVA A MANEJAR
EXPRESIONES. PUEDEN SER FÁCILMENTE OBTENIDOS MEDIANTE ÁLGEBRA
MATRICIAL. PERO SI DESEA CONTINUAR, ESTIMAR LOS PARÁMETROS DE LA
"INCORRECTA" MODELO Y, A CONTINUACIÓN, PONER EL VERDADERO MODELO
DE LOS PARÁMETROS ESTIMADOS, LAS EXPECTATIVAS, Y AVERIGUAR SI SE
ESPERA QUE LOS VALORES DE LOS PARÁMETROS DEL MODELO ESPECIFICADO
INCORRECTAMENTE IGUAL A LA SUMA DE SUS VALORES REALES. SI NO LO
HACEN, ENTONCES HAY UN PREJUICIO.
13.6 Si el menor varianza en un 2 MÁS QUE compensa el sesgo, sobre la base
de la PEQUEÑA Y MEDIANA EMPRESA criterio podemos elegir que
calculadora.
El punto de este ejercicio es que tenga en cuenta que a veces un estimador
parcializado puede ser elegido debido a su menor varianza. Por supuesto,
todo esto depende de la finalidad de la investigación.
13.9 (a) El método y los resultados son los mismos que en cuestión
13.8 .
P\ (irue) = A
13,11 + 5 Pi (< * ) .
Pl(irue) Pi
UN UN
, P \ (tnte) ~ P\
(O) "
Pldrue) ~ ^ >02
(c) El coeficiente de intersección será imparcial pero la
pendiente coeficiente ser sesgados e inconsistentes.
13,12 Eq. (13.3.2 ), obtenemos
13
6
AI=Y -A2X2 POR LO TANTO,
£ ( " ,) = F (A + PMX" usando (13.3.3 )
= (P\
+ Pi-X 2 + P-i^i) ~ (Pi + P * b32) ^2
= ft+MXi-bnXi)
13.13 Estudiante se está ocupando de la cuestión teórica y econometría
aplicada en forma algo escéptico. Esencialmente, afirma que los
teóricos examinar el campo y determinar las esferas de
preocupación cuando paso de la teoría a la práctica. Algunas de
estas áreas de interés son la heterocedasticidad, autocorrelación,
multicolinealidad, y la especificación de los modelos. Los
profesionales, entonces, se espera para examinar la forma en que
sus resultados pueden ser influenciados por las esferas de
preocupación que han sido identificadas por los teóricos.
13.17 Se podría argumentar que estipula que "los cambios en la oferta
de dinero ... determinar los cambios en el PIB (nominal)" sobre
la base de la
St. Louis Modelo es demasiado fuerte. Dos de los cinco coeficientes
para la tasa de crecimiento en su totalidad, o alta, empleo los gastos
del gobierno son estadísticamente significativas a un nivel del 95 %.
De la misma manera, dos de los coeficientes de la tasa de
crecimiento de la oferta de dinero no son estadísticamente diferentes
de cero. Además, puede haber collinearity en el modelo entre la tasa
de crecimiento de la oferta de dinero y la tasa de crecimiento de
pleno empleo presupuesto del gobierno.
Sería interesante para replicar el modelo de San Luis más datos del
módem. La primacía de la Ml oferta de dinero se ha ido, Ml se
sustituye por M2 oferta de dinero.
Los resultados son similares a los de los datos correctos (ver Eq.
13.5.11 ). Pero los coeficientes indicados anteriormente reflejan los
prejuicios.
F_(0,823 -0.189) /2 _17910 (1 -0.823) / (16-6) en la que los valores son 0,823 y 0,189 los
del modelo en 8,26 y Problema de Modelo B,
valores de R
respectivamente.
13.30 Los resultados de la regresión de los ahorros de los ingresos son los
siguientes:
PERÍODO DE INTERCEPTA PENDIENTE R2
TIEMPO R
0,902
1970-1981 1,0161 0,0803 1
(0,873 ) (9,6015 ).
1970-1985 9,7255 0,00591 0,914
(0,8999 ). (12,2197 ) 2
1970-1990 50,2516 0,0444 0,756
(3,6396 ). (7,6745 ). 1
1970-1995 62,4226 0,0376 0,767
(4,8917 ). (8,8938 ). 2
Como puede ver, hay un poco de la variabilidad de la ordenada y
las pendientes los coeficientes, tal vez la cuestión
La estabilidad de las economías de ingreso relación a lo largo
de los distintos períodos.
13.31 Siga Eq. (13.10.1 ). Utilizando los datos, obtenemos las siguientes
F valor:
R (23248,30 -1785.032) /14 £ 5GG5 ( 1785,032 ) /10
1 Ver George G. Juez, R. Carter Hill, William E. Griffiths, Helmut Lutkepohl y Tsoung-Chao
Lee, Introducción a la teoría y la práctica de Econometría, 2d ed., John Wiley & Sons, New
York, 1988, pág. 514
14.5 (A) Verdadero. Ver la discusión en Sec. 14.5
1 Dy
(b) Aquí = P2 , LO QUE SUGIERE QUE EL CAMBIO
RELATIVO en
Y dt
Y es una constante igual a P2. SI SE MULTIPLICA ESTA
POR 100, SE OBTIENE EL PORCENTAJE DE CAMBIO, O LA
TASA DE CRECIMIENTO.
Modelo de Gompertz
Y = 1440.733exp{ 1.9606e00054 '} ,R2 = 0,9995 Nota que
la t de las relaciones estimadas / ?3 Son,
Respectivamente,
2,7921 , 5,4893 , 5,0197
respectivamente,
.2814 1.9511,1 Y 12,4658
Función de producción Cobb-Douglas con Error multiplicativo
En el PIB, = -1.6524 + 0,3397 + 0,8459 De la mano de obra en la
Capital , T = (-2.7258) (1,82950 )(9,0624 ).
R2 = 0,9950
Vw<
T = (-12.576) (26,305 )
La diferencia entre los dos resultados es notable. No debemos
olvidar que la regresión revisado se basa en las 40 observaciones,
mientras que la original se basaba únicamente en 28 observaciones.
Tal vez los resultados de la versión revisada del modelo son
preferibles ya que incluyen todas las observaciones. Además,
observe el cambio en el estimado de t ratios.
15.2 Estos datos se podrá obtener un ajuste perfecto ya que todos los
valores de X por encima de 16 corresponden a Y=1 y a todos los
valores de * por debajo de 16 corresponden a Y= 0. Por lo tanto, un
número infinito de curvas que colocar estos datos en situaciones
como esta el método de máxima probabilidad puede romper. Por lo
tanto, el ML estimaciones dadas en el ejercicio son de dudoso valor.
15.3 Hace referencia al modelo original, se observa que los resultados son
Desde un modelo de Probabilidad lineal y la unidad de renta
disponible X\ ES miles de dólares.
TR
0 20 40 6(
INGRESOS
15.6 Recordar que
I, = & + / } 2X,
Por lo tanto, la variable normal estandarizada es la siguiente:
X, -Mx
^ ,
/ ,=
Por lo tanto,
P\ = --y/ ?2 = -
O. Q625 *
03475 "1 + 0,0625
* 03475
(c) Esta probabilidad es:
0,0625 (20000)
°3475 " 1 + 0,0625
(20000) °3475 * 0,66
Es decir, la probabilidad es de 66 %. Siguiendo este procedimiento, el lector
puede comprobar que en el nivel de ingresos de 25.000 esta probabilidad es de 68 %.
Siguiente nota de pie de página 19 en el texto, el lector puede comprobar que el cambio
en la probabilidad del nivel de ingresos
20,1 A 25.000 es bastante pequeño.
1
5
1
(d) De los resultados se puede ver que los coeficientes son
1
5
2
Uno muy importante y que el x2 valor, una medida de bondad de
ajuste, también es muy significativa.
15.11 A) a pesar de que los resultados no son uniformes, en varios casos,
los coeficientes logit, en valor absoluto, son menores para
matriculados negros de todos matriculados. En algunos casos, la
diferencia no es estadísticamente significativa. Sin embargo, en la
mayoría de los casos las variables tienen los signos esperados.
1
5
3
/; =-1.086 + 0,049 * ;
5E = (0,031 ) (0,001 )
Como puede ver, los resultados de las sin ponderar y ponderado
mínimo de plazas no son muy diferentes, aunque los errores
estándar son relativamente menor para la media ponderada de los
mínimos cuadrados, como uno podría esperar.
Z = -4.837+7.058 En * ,
SE=( 0,434 ) (0,599 )
T = (-11.141) (11,782 ) ;/ =1,4069
16.2 En un modelo de efectos fijos (FEM), que nos permitirá que cada
microunit a ser representado por su propio interceptar pero que
interceptan sigue siendo el mismo a lo largo del tiempo. No
podemos permitir que tanto el tiempo y el espacio mediante la
introducción de corte transversal y dummies variables indicadoras
del tiempo.
15
6
E{s,v,) = E( siull) = E(v,uil) = 0 E (e ,S j) = 0 (/
* j ) ;E(V'Vs) = 0 (t * s)
- .Cov^) = ,
Vvar(w/) var(wj cr£ +CRV + AU
1
5
7
(c) Desde 3774 tenemos observaciones, tenemos suficientes grados
de libertad para un modelo de efectos fijos. Sin embargo, debido a
que los dos modelos por lo general dan resultados similares, se
puede optar por uno u otro modelo. Más formalmente se puede
utilizar la prueba de Hausman para decidir entre los dos modelos.
16,11 (A) AÑO Interceptar Pendiente R2 D
1990 3118,484 -22.4984 0,0834 1,9
(3,5718 ). (-2.0894) 8
1991 3149,356 -23.3485 0,0972 1.
(3,8837 ). (-2.2742)
Nota: Las cifras entre paréntesis son los t ratios.
1
5
8
intenta estimar un modelo de este tipo para los datos utilizando,
por ejemplo, decisivo, recibirá la instrucción anterior.
(c) En vista de los Chow test, parece que uno no debe
reunir los datos que figuran en el presente caso. Sin
embargo, esto no destruye la utilidad de la técnica de
mezcla, el cual es claro en nuestro
Ejemplo de problema huevos 16,11 .
1
5
9
16.14 (A) A priori uno puede esperar una relación inversa
entre los dos porque si el desempleo es alto, habrá menos
presión para conseguir aumentos salariales, suponiendo
constantes a las otras cosas.
1
6
0
(d) Los resultados aquí y en (E) a continuación se obtienen a
partir de DECISIVO.
Variable dependiente: COM?
Método: Mínimos Cuadrados agrupados
1-0-R)L
Donde L es el operador que lag LXT = X,_X. SUSTITUIR EQ. (1) EN
EQ. (4) PARA OBTENER
R, = 60S+S0LX; 5UL+Q-
S)YL_L (6) sustituto Eq. (5) en Eq. (6) para
obtener
Y^spt+spi ' ^ X" ] + (l-S)Z- , +S", (7)
1-
(1- y)L Simplificar Eq. (7),
obtenemos
Y, =AX + A2XT + " 3 ^_, + a4Y"_2 -" (17.7.2 )
Cuando la DS (no lineal) las combinaciones de los
diversos parámetros de Eq. (7).
5 >UN
17.8 Utilice la fórmula . Para los datos de la Tabla 17.1 , esta pasa a ser:
2 >. "K
16
5
17.12 A) SÍ , en este caso el modelo Koyck puede ser estimado con MCO.
(b) Habrá una muestra finita sesgo debido a la zaga
regressand, pero las estimaciones son coherentes. La prueba
puede encontrarse en Henri Theil, principios DE
ECONOMETRÍA, John Wiley & Sons, Nueva York, 1971, págs.
408-411.
0B) es 0,297
(c) PARA OBTENER EL largo plazo curva de la demanda, dividir
la demanda a corto plazo a través de S y la zaga empleo plazo.
Esto le da al largo plazo de la demanda:
17.17 El grado del polinomio debe ser de al menos uno más que el
número de puntos de inflexión en la serie de tiempo observada
trazados en el tiempo. Por lo tanto, para la primera figura en la parte
superior de la izquierda comer, utilizar un polinomio de grado 4; de
la figura en la parte superior derecha comer, utilizar un segundo
polinomio de grado; para la figura en la parte inferior izquierda
comer, utilizar un polinomio de grado 6, y a la figura en la parte
inferior derecha comer, utilizar un segundo polinomio de grado.
1
6
7
k
X XT_I ] + UT
17,20 R, =a + '£ filx,_L+ul
/
=0
k/
2
= A + / ?Z + W,
17,21 Aquí n = 19 y d = 2.54 . Aunque la muestra no es muy grande,
sólo para ilustrar la prueba h, encontramos el valor h como:
Problemas
17.22 Mediante el ajuste de existencias, o modelo de ajuste parcial
(PAM), la de corto plazo función de gasto puede ser escrito como
(ver Eq. 17.6.5 ):
Yl=S/ 30+Spx, + ( \ -S)X,_L+ul (1)
16
8
Tenemos que utilizar el H estadística para averiguar si hay
correlación serial en el problema. Mediante la fórmula de que el
h las estadísticas, se puede demostrar que en el presente ejemplo
h = 1,364 . Asintóticamente, este
Valor no es significativo al nivel del 5 por ciento. Por lo tanto,
asintóticamente, no hay correlación serial de los datos.
1
6
9
k
siguientes:
YT = -19.7701 + 0,715 * , +0.565 ^_, -0.409 ^_2 t =
(-4.467) (8,323 ) (4,250 ) (-3.460)
R2 = 0,992 ; F = 5653,234 ;D = 1,367
Los coeficientes estimados son estadísticamente
significativos. Pero, puesto que los coeficientes estimados
son combinaciones lineales de los coeficientes originales,
no es fácil conseguir sus estimaciones directas. En
principio, debemos estimar este modelo, utilizando métodos
discutidos no lineal en el Capítulo 14. Que las estimaciones
directas de los diferentes parámetros, que luego se pueden
comparar con los obtenidos por problemas 17.22,17 y .23
17,24 .
17.26 Se hará hipótesis nula Ho: las ventas no Granger causa inversión en
instalaciones y equipo. Los resultados de la prueba Granger son los siguientes:
Número de rezagos estadística Valor de p Conclusión
F 2 17,394 0,0001 Rechazar Ho
3 5,687 0,0117 Rechazar Ho
4 3,309 0,0628 No se rechaza Ho
5 2,379 0,1606 No se rechaza Ho
6 1,307 0,4463 No se rechaza Ho
Ho: la inversión en planta y gastos no CAUSALIDAD DE GRANGER
Ventas:
ESTADÍSTICA
NÚMERO DE REZAGOS F VALOR P CONCLUSIÓN
2 22,865 0,0001 Rechazar Ho
3 13,009 0,0004 Rechazar Ho
4 7,346 0,0065 Rechazar Ho
5 5,867 0,0262 Rechazar Ho
6 3,053 0,1939 No se rechaza Ho
17
0
- 0,1792 * ,.3 / = (-4.3321) (5,1042 ). (3,6176 )
(-0.2530) (-2.1109)
-
0.1
183
*
1-4
(-
0.6
562
)
1
7
1
k
17
2
ejemplo, para el desfase 3 encontramos que
La productividad - "indemnización F= 3,84 0,0314
valor de ip ) La indemnización -
"productividad F= 3,97 0,0284 valor de ip )
En lag 4 nos encontramos con que
La productividad -" indemnización F = 2,27 0,0888
valor de ip ) la indemnización de
"productividad F= 3,26 0,0265 valor de ip )
1
7
3
Indemnización. Desde la D estadística en el presente caso es
bastante baja, es posible que este modelo sea sufre de
autocorrelación o especificación parcialidad, o ambos.
17,31 Sólo para dar una idea de la prueba de la Sim, nos encontramos Y
(INVERSIÓN EN PLANTAS Y EQUIPOS) * (VENTAS) CON DOS LAG Y DOS
TÉRMINOS DE * Y OBTUVO LOS SIGUIENTES RESULTADOS:
El lector debe intentar otro cable de lag estructuras para ver si esta
conclusión.
1
7
4
18.1 El número de dentistas exigido sería una función del precio de la
atención estomatológica, con los ingresos de la población de pacientes,
la disponibilidad de seguro dental, el nivel de educación de la
población odontológica, el tamaño de la familia, etc. El número de
dentistas se suministra la función del precio de la atención
estomatológica, el costo de la educación odontológica, el tamaño de la
población odontológica, el número de escuelas de odontología, el
estado requisitos para la obtención de licencias, etc. Las variables
endógenas son el número de dentistas exigió y se suministra y el
precio de la atención estomatológica. Las otras variables pueden
considerarse exógenas.
18.2 Brunner y Meltzer utiliza variables tales como la tasa de interés real,
riqueza pública, relación de las actuales al ingreso permanente, etc.
Tiegen utiliza los ingresos, tasa de interés de corto plazo, han quedado
cantidad de dinero, etc. se debate en la literatura si es el tipo de interés
a corto plazo o el tipo de interés a largo plazo que este es el costo de
oportunidad del dinero.
p 1 I A2 IP2
Zp,uu
I A2
En equilibrio, (1) = (2), por lo tanto, obtener, tras simplificación,
••
^ 2( ^ ^ 1/ /A\
P = J (4)
"1 ~Px
^ = £ ( "2, _Zu2lUu -St/,7
Ai ~P\
"1-Px
^P2 Z^ +S" 1 ? -2Z" >1,< (6)
( "1 -Px)2
Sustitución de las expresiones anteriores (3 ), y de la
simplificación, obtenemos:
¿I=g, +- • • ( "i- &>
< ?)
LU2I + ! ,"" -2LU2,UU RECORDANDO QUE U\
Y U2 no están correlacionados, al tomar la
Problemas
/, = PIB -289.0339 +
66.8100t = (-4.3262) (17,5783
)
R2 =0.9169; * /= 0,3851
18,12
Los resultados de la regresión son
los siguientes: /, =588,1915 +
1.5007tf- ^_") t = (7,1598 ) (4,0243
).
R2 =0.3749; * / = 0,5245
1
7
8
19.1 Utilizando las definiciones de M, M, K Y K, Y DEJAR QUE R sea
igual al número de variables (endógenos, así como
predeterminado) excluidos de una ecuación dada, entonces,
por definición 19.1 ,
R = ( M - m ) + ( K - k ) > ( M -1)
Restando (M - M) DE CADA LADO ,
obtenemos (K-K) >M-L, QUE ES LA
DEFINICIÓN 19.2 .
TV j
7V ^
K=A, = ^ =2
N" 7BN
19.10 En este caso M = 4 y K = 4 . Por la condición de la orden, Y \
Y Y2 no se identifican, pero Y% y K" son identificados.
19.11 En este caso M = 5 y K = 4. Por la condición de la orden, 1 ^,1
^ ,y YS son identificados, Y $ no se identificó y Y4
ES overidentified.
Pa 0 y22 y23 1 / ?
35 0 Aj3
0 0 0 Ya3
0 1
R52R *
18
3
K-K>M-1 AGREGAR K
A cada lado. Esto produce K >M
+ K-\
1
8
4
(b) Aquí M=2, K = 7 . Por la condición de la orden, ambas
ecuaciones son overidentified.
Yt =x0+xir, +x2Pt+v,
M = iTj +x4R, +ksp, + w,
113,5850 -17.7981
0,7650 0,0186 40,9533
-0.1608
0,0422 -3.8094
R2 = 0,9872 d = 0,5221
Variable dependiente:
M2 Método: Mínimos
Cuadrados
R = 0,9928 d = 0,5946
(c) Cierto.
autocorrelacionados.
Y t = n 0 + nxY"_x +k2G + v"
Ct=Tti + nJ,_X+7 riGl+v2t
TI = JT6 + ! + N %G + v3,
Para este sistema, M- 3 y K = 2 . Por la condición de la orden,
la ecuación para C overidentified y que para MI es
identificado.
Ay = x estre
Ahora si (A + /? )de= 1, se puede afirmar que el factor determinante
de la UN, |j4| , esLcero, lo que significa que la matrix no puede ser
invertido. Por lo EN no hay solución.
tanto,
K
(b) Incluso si (" + /?) * 1 , hay un problema de identificación. Desde W/P
y R/P son conocidos, pueden ser tratadas como constantes y ser absorbidas en el
término constante en A. Como resultado de ello, cualquier combinación lineal de las
ecuaciones (2) y (3) se distinguen de la ecuación (1).
Y, 1831,8580 + 4,6722 = /,
/ = (7,6427 ). (17,5784 ) (1-a)
R2 = Q. 9 \ 69 \d = 0,3287
C = 1130,843 + 3,2059 /
T = (6,5225 ) (16,6752 ) (2-a)
R2 = 0,9085 ; ¿ = 0,3751 El ILS
estimaciones del original ecuaciones estructurales son:
^ = ^ = -= 3,2059
0,6862 4,6722 1 fcx
A = ^ d - A ) = 574,8370 de comparación, la
regresión por MCO de C Y dio los siguientes
resultados:
C = 0,68891 + -142.1826^
/ = (-5.3883) ( 156,2434 )
R2 = 0.9988; * /= 1,2019 Como se puede ver, las
estimaciones de la propensión marginal a consumir (MPC) de la
ILS estimación es 0,6862 y estimación de la operación es 0,6889 .
Esta diferencia puede no ser estadísticamente significativa, pero en
la práctica lo que podría ser. En el primer caso, el multiplicador,
M=
----------,Es3,1565 Y En ElSegundo(OSS)CasoQue Es
-----3,2144 . En
1 -MPC
Cualquier caso, desde la operación estimaciones en la presencia de
la simultaneidad son parciales, así como contradicción, no se
pueden conservar en cuenta este hecho en la operación y
comparando el ILS estimaciones.
Problemas
Y,= 2834,488 +1.2392M,
t = (32,0163 ) (37,3812 )
R2 =0.9803; * / = 0,3074 se deja como
ejercicio para el lector para recuperar el
original coeficientes estructurales, es decir, a0y a,.
/ ,= 283,4482 +
0.2364M, t = (5,6424 ).
(12,5681 )
R2= 0,8494
Dejar que el lector para estimar la forma reducida las regresiones
para R Y Y Y RECUPERAR LOS COEFICIENTES DE LA FUNCIÓN DE
INVERSIÓN.
individual.
Función de demanda:
= 66,287 + 0,330
^ ., t = (8,288 )
(4,579 ) r2= 0,525
Como era de esperar , el coeficiente de la variable de precios
desfasados es positiva. También es estadísticamente significativa.
21.7 Dos variables son cointegrados se dice que si hay una relación
estable a largo plazo entre ellos, aunque individualmente cada una
de las variables es fluctuantes. En ese caso, la regresión de una
variable en el otro no es falsa.
21.12 Si una serie de tiempo presenta una tendencia determinista, los
residuos de la regresión de series de tiempo sobre la evolución
variable representa lo que se llama una tendencia de proceso
estacionario. Si una serie de tiempo es fluctuantes, pero se queda
inmóvil después de tomar su primer (o superior) para las
diferencias, nos llaman a este tipo de series de tiempo una
diferencia de proceso estacionario.
Problemas
21.19 (A) Probablemente sí, porque por separado las dos series
de tiempo son fluctuantes.
C -13.3114 7,3626
BENEFICI 0,6281 0,0526
OS
R-squared 0,6231 ¿ =0,0712
Cuando los residuos de esta regresión fueron sometidos a
pruebas de la raíz con una constante, constante, y la constante
y tendencia, los resultados muestran que los residuos fueron
no estacionaria, lo que llevó a la conclusión de que los
dividendos y las utilidades no están cointegrados. Ya que este
es el caso, la conclusión, en (a) permanece encendida .
Pero hay que tener cuidado de esta regresión porque esta regresión se
supone que hay una tendencia determinista. Pero sabemos que el
dividendo series de tiempo tiene una tendencia estocástica.
R-squared 0,0152
21.23 (A) DADO QUE |r| es menor que la crítica |r| valor, parece
que el alojamiento inicio series de tiempo son fluctuantes.
Por lo tanto, hay una raíz unitaria en esta serie.
( ¿ >) Normalmente, una absoluta del valor de t en la medida de
lo 2.35 o mayor sería significativo al nivel del 5 por ciento. Pero
a causa de la unidad
Situación raíz, el verdadero | /| valor aquí es de 2,95 y 2,35 no . Este
Ejemplo nos muestra por qué uno tiene que ser cuidadoso en el
uso de la ESTADÍSTICA T indiscriminadamente.
X
Y presenta una tendencia lineal, mientras que X representa
una tendencia cuadrï¿ ½ica.
(b) En la primera forma, aún hay relación positiva entre las
dos variables, pero ahora la elasticidad coeficiente ha disminuido
drásticamente. Sí, d valores podría sugerir que no hay correlación
serial problema ahora. Pero la importante caída
El coeficiente de elasticidad sugiere que el problema aquí puede
ser uno de falta de cointegración entre ambas variables.
21.27 (A) Y ( b) El tiempo del IPC gráfico muy parecida a Fig. 21,12 .
Este gráfico muestra claramente que en general hay una
tendencia al alza en el IPC. Por lo tanto, regresión (1) y (2) no
son dignas de consideración. Tenga en cuenta que el coeficiente
de los datos del IPC es positivo en tanto facilita. De la
estacionalidad, que requieren de este valor a ser negativo.
22.8 Deseamos que los gal lo suficientemente largo como para captar
plenamente la dinámica del sistema que se modela. Por otro lado,
cuanto más largo sea el lag, cuanto mayor sea el número de
parámetros que deben ser estimadas y, por tanto, menos los
grados de libertad. Por lo tanto, hay un trade-off entre tener
suficiente número de rezagos y tener suficientes grados de
libertad. Esta es la debilidad de VAR. Por supuesto, uno podría
utilizar información Akaike y Schwarz criterio para elegir la
longitud del rezago.
Problemas
22.11 Los pasos que se siguen son los siguientes:
(1) Analizar la serie de estacionariedad. Ya hemos visto que
la PDI serie es fluctuantes, pero sus primeras diferencias son
estacionarias.
(2) Examinar la función de autocorrelación (ACF) y la
función de autocorrelación parcial (PACF) de la primera serie
ENTREGA diferenciada para decidir qué ARMA modelo puede
ser apropiado. Tenga en cuenta que el PDI serie ya está en primera
diferenciada.
(3) Haber elegido un modelo apropiado ARMA, la siguiente
tarea consiste en estimar y examinar los restos del modelo
estimado. Si estos residuos son ruido blanco, no hay ninguna
necesidad de afinar más el modelo. Pero si no lo son, tendremos
que iniciar la búsqueda, o iterativo, el procedimiento una vez más.
22.17 Lo dejamos para el lector para llevar a cabo los pasos con
un desfase de 3.
2
0
7
Las dos series de tiempo no son cointegrados.
W,2
= 0,0
0064
+
0.344
2m,1,
t =
(3,11
73 )
(2,92
06 ).
R2 = 0,2054 ; ¿ = 2.11
F_ (0,2153 -0.1397)72_31G
(1 -0.2153)7 (649-4)
Este F valor es altamente significativa,
lo que sugiere que se debe elegir el
modelo que figura en Eq. (22.11.4 )
sobre que en el presente ejercicio.