UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE CIENCIAS ECONOMICAS

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

SOLUCIONARIO PRÁ CTICA 1

α
1. Sea el modelo:
Y t = α 0 + α 1 X 1t2 + α 3 ln X 2 t +ut

a. Haciendo empleo de la metodología de la aproximación lineal por series de

Taylor obtener la expresión de los estimadores de la regresión linealizada.

Identificamos: Y t =f ( X t , β ) + u

α
Y t = α 0 + α 1 X 1t2 + α 3 ln X 2 t +ut
0
0 0 ^α
Sea: f ( X , ^β0 ) =^α 0 + α^ 1 X 1t +α 3 ln X 2 t 2

Tenemos que:

∂ f ( X , ^β 0 ) ^α 0
α^ 0

=[ 1 X 1 t α^ 01 X 1 t ln X 1 t ln X 2 t ]
2 2

∂ β^ 0

Y dado:

α0

[]
^β 0= α 1
α2
α3

Entonces, el modelo de regresión linealizada sería:

0 0

Y ¿t =α 0+ α 1 X α1^ t + α 2 α^ 01 X α1^ t ln X 1 t + α 3 ln X 2 t +u t
2 2

Donde la variable transformada sería:

0 0 0

Y ¿t =Y t −α 0−α 1 X 1^αt −α 3 ln X 2 t + α^ 00 + α^ 01 X ^α1t + α^ 02 α^ 01 X α1^ t ln X 1 t + α^ 03 ln X 2 t +ut

2 2 2

Y ¿t =Y t + α^ 02 α^ 01 X 1^αt ln X 1t
2

Y sus respectivas expresiones generalizadas para las n-ésima iteración del modelo de regresión
linealizada serían:
 n−1 n−1

Y ¿t =α 0+ α 1 X α1^ t + α 2 α^ n−1
2
1 X α1^ t ln X 1 t +α 3 ln X 2 t +ut
2

n−1

Con la variable transformada Y ¿t =Y t + α^ n−1

2 α^ n−1
1 X α1^ t ln X 1t 2

Aplicando MCO obtenemos la n-ésima aproximación de la estimación de los parámetros.

Las expresiones generales serían:

' −1
^β n=¿ ^β + δ f ( X , β ) δ f (X ,β) δ f ( X , β ) ' n−1
0
δ B❑ [( )( δ B❑ )] ( β n−1
δβ
ut )
Pregunta solucionada por: Aguirre Gutiérrez, John Michael; Taco Olivas, Emilia Eugenia; Lujan
Muñoz, Raúl Abraham; Segura Ferry, Daniel Darío

b) Obtenga las expresiones analíticas para los estimadores por MCNL aplique
el algoritmo que usted crea conveniente y sustente porque lo usó.

Podríamos aplicar el algoritmo de Newton –Raphson.

Y t =α 0+ α 1 X α1 t + α 3 ln X 2 t + μt → S ( α^ )=∑ (Y t −α^ 0−α^ 1 X α1t −α^ 3 ln X 2 t )2

2
^2

α^
−2 ∑ (Y t −α^ 0 −α^ 1 X 1 t −α^ 3 ln X 2t ) 2

∇ S ( α^ )=
[ −2 ∑ (Y t −^α 0−^α 1 X ^α1t −^α 3 ln X 2 t ) X ^α1t 2

−2 ∑ (Y t −^α 0−^α 1 X ^α1t −^α 3 ln X 2 t ) α^ 1 X ^α1t lnX 1 t

2

−2 ∑ ( Y t− α^ 0 −^α 1 X α1^ t −^α 3 ln X 2 t )lnX 2 t

2
2
2

]
∇ 2 S ( α^ )=

^α α^
2∑ 1 2 ∑ X 1t 2
2 ∑ α^ 1 X 1 t ln X 1 t 2 ∑ ln X 2 t 2

¿
[ 2 ∑ X ^α1t
^α

2 ∑ ln X 2 t
2
2

α
^
2 ∑ X 21 ^αt
^α
2 ∑ α^ 1 X 1t ln X 1 t 2 ∑ α^ 1 X 1t ln X 1 t−2 ∑ μt X 1t ln X 1 t
2 ∑ ln X 2t X ^α1t
2
2 ∑ α^ 1 X ^α1t ln X 1 t−2 ∑ μt X ^α1t ln X 1 t 2 ∑ ln X 2t X ^α1t
2

2 ∑ α^ 21 X 12αt^ (ln X 1t )2 2

2 ∑ α^ 1 X ^α1t ln(X 1 t + X 2 t ) ⁡
2
^α
2

2 ∑ α^ 1 X 1 t ln (X 1 t + X 2 t ) ⁡
2 ∑ (ln X 2 t )2 2
2
2

2
2

]
α0 α0 ∑1 ∑ X 1^αt 2
∑ α^ 1 X 1^αt ln X 1t ∑ ln X 2 t
2

[][] [
α1
α2
α
= 1
α2
α3 n α3 n−1
+ ∑ X α1^ t

∑ ln X 2 t
2
2

∑ α^ 1 X α1^ t ln X 1 t
∑ X 21 ^αt
2

∑ ln X 2 t X ^α1t
2
∑ α^ 1 X α1^t ln X 1 t−∑ μ t X α1^ t ln X 1 t ∑ ln X 2
2
2

∑ α^ 1 X α1^ t ln( X 1 t + X 2 t )⁡
2 2
2

∑ α^ 1 X α1^t ln X 1 t −∑ μt X ^α1t ln X 1 t ∑ α^ 21 X 21 ^αt (ln X 1 t )2 ∑ α^ 1 X α1^ t ln ( X 1 t +

2

∑ (ln X 2 t )2
 ∑ (Y t −α^ 0−α^ 1 X ^α1t −α^ 3 ln X 2 t )
2

*
[ ∑ (Y t− α^ 0− α^ 1 X α1^ t− α^ 3 ln X 2 t ) X α1^ t
2 2

∑ (Y t −^α 0− α^ 1 X α1^ t− α^ 3 ln X 2 t ) α^ 1 X α1^ t lnX 1 t

2

∑ (Y t −^α 0−^α 1 X 1^αt −^α 3 ln X 2 t )lnX 2t

2
2

]
Pregunta solucionada por: Alvarez Escalante, A. Leonardo; De la Zota Solano, Katherine: Lucero Alvino,
Fernando; Requena Suárez, Oscar

2. Sea el modelo y t =β 1 x 1t + β 2 ( x 2t −λ )−1 +u t

a) Proporcione las expresiones analíticas de la variable transformada y la especificación

del modelo para estimar los coeficientes con el método de regresión linealizada.
b) Se desea probar la hipótesis H0:  = 0 aplicando la prueba de Multiplicadores de
Lagrange. Presente la expresión analítica del modelo auxiliar para obtener la
estadística ML = TR²

SOLUCIÓN

a) Proporcione las expresiones analíticas de la variable transformada y la especificación del

modelo para estimar los coeficientes con el método de regresión linealizada.

La ecuación general de la regresión linealizada

 
º   1 
f ( x , B )
Y 
* t
'       2 
 B º 
    
En donde:


f ( xt , B )
º
  x1t ( x2 t   ) 1 B2º ( x2t   ) 2 
B º

Aplicando al modelo propuesto tenemos:

 1 
Y   x1t
*
( x2t   ) 1
B ( x2t   )    2   
º
2
2

  

Y *  1 x1t   2 ( x2t   ) 1   B2º ( x2t   ) 2  

Donde la variable transformada se obtiene como:
 f ( xt , B º )
Y  yt  f ( x, B )  (
* º
) ' Bº
B º

Por lo que la variable transformada será:

Y *  yt  1 x1t   2 ( x2t   )1  1 x1t   2 ( x2t   ) 1   B2º ( x2 t   ) 2

Y *  yt   B2º ( x2t   ) 2

Pregunta solucionada por: Aviles Castro Dany Brayan; Churango Zarate Sarita Eva; Flores
Astuvilca Primy Giovana; Infante Villalta Betsy Beatriz; Paredes Pariona Cristian Stewart.

b) Se desea probar la hipótesis H0:  = 0 aplicando la prueba de Multiplicadores de

Lagrange. Presente la expresión analítica del modelo auxiliar para obtener la
estadística ML = TR²

 El modelo sin restricción:

MSR : γ t =β 1 X 1t + β2 ( X 2 t −λ )−1+ ut

 Sea el modelo restringido , con Η 0 : λ=0:

MR : y t =β 1 X 1t + β 2 ( X 2t )−1 +ut

℮¿ =Yt−( β 1 X 1t + β 2 ( X 2t )−1 )

X ¿0=[ X 1t ( X 2t −λ )−1 β 2 ( X 2 t− λ )−2 ]

X ¿0=[ X 1t ( X 2t )−1 β 2 ( X 2 t )−2 ]

Obtenemos la expresión analítica del modelo para hallar ML=T R2¿ es:

e ¿ =α 1 X 1 t + α 2 ( X 2 t )−1+ α 3 β 02 ( X 2t )−2 +a t
t

Pregunta solucionada por: Ballón Garay, Claudia; Castro Cabello, Carla; Casas Sandoval,
Yessenia.

3. Se ha estimado el modelo
Ct =β1 + β2 Y 1 t + β3 C t−1 +ut
Donde: Ct es el consumo agregado y Yt es el PBI

Dependent Variable: CONSUMO

Method: Least Squares
Date: 09/21/06 Time: 08:54
Sample(adjusted): 1965 1998
Included observations: 34 after adjusting endpoints
 Variable Coefficient Std. Error t-Statistic Prob.
C 112.9065 48.64848 2.320864 0.0270
PBI 0.433848 0.039901 10.87311 0.0000
CONSUMO(-1) 0.443983 0.052370 8.477816 0.0000
R-squared 0.999177 Mean dependent var 8765.141
Adjusted R-squared 0.999124 S.D. dependent var 3427.691
S.E. of regression 101.4433 Akaike info criterion 12.16098
Sum squared resid 319013.3 Schwarz criterion 12.29565
Log likelihood -203.7366 F-statistic 18822.73
Durbin-Watson stat 1.353098 Prob(F-statistic) 0.000000

Matriz de covarianzas de los coeficientes

C PBI CONSUMO(-1)
C 2366.675 -0.445692 0.352334
PBI -0.445692 0.001592 -0.002079
CONSUMO(-1) 0.352334 -0.002079 0.002743

Aplique el test de Wald para probar la hipótesis para la propensión marginal al consumo de largo
β2 β2
H0: =1 H1: <1
plazo 1−β 3 1−β 3

Solucionario

Tenemos:

112.9065 2366.675 −0.445692 0.352334

[
^β 0= 0.433848
0.443983 ] [
V ( ^β )= −0.445692 0.001592 −0.002079
0.352334 −0.002079 0.002743 ]
Planteamos las hipótesis:

β2 β2
Ho: =1 H 1: <1
1−β 3 1−β 3

Para aplicar el contraste de Wald, necesitamos:

0
∂ R ( β)
∂β
[ ][
1

β2
(1−β 3)

β2
2
0
= 1−β 3 = 1.798506161
1.403335331 ]
R ( β )−q= −1=0.7802783008−1 =-0.2198
1−β 3

Ahora:
' −1
W =[ R ( β ) −q ] [ V (R ( β ) ) ] [ R ( β )−q ]
 −1
∂ R(β ) '
W =[ R ( β ) −q ]
'
[( ∂β
V (β)
∂ R(β )
) ( ∂β )] [ R ( β ) −q ]

Remplazando y operando obtenemos:

−1
2366.675 −0.445692 0.352334 0
'

[ [
W =[ 0.7802783008−1 ] [ 0 1.798506161 1.403335331 ] −0.445692 0.001592 −0.002079 1.798506161
0.352334 −0.002079 0.002743 1.403335331 ][ ] [ 0.780278

−1
W =(−0.2197216992) [ 0.00005704295436 ] (−0.2197216992)

W =846.338091

Trabajando con al 95% de confianza, el valor tabular encontrado es 3.84146, el cual es menor que
el valor hallado en el contraste de Wald, 846.338091; por lo tanto, se rechaza la hipótesis nula y se
acepta que la propensión marginal a consumir de largo plazo es menor que uno (1).

Pregunta solucionada por: Cabrejo Culcas, Araceli; Chahua Cruz, Geraldine Fiorella; Martínez Bravo,
Jesús Iván; Miguel Arango, Mónica.

4. Sea el modelo econométrico cuyo término perturbación sigue distribución normal N(0, 2u )
β1 β X
yt = X 1 t + β3 e 4 2 t + ut ; t = 1,2 , .. . , T
1−β 2

Obtener las expresiones analíticas para estimar los parámetros del modelo por el método
de

a) Regresión linealizada.. ¿Cuáles serían las expresiones de cálculo para la primera

iteración si se asume como valores iniciales 1 = 1; 2 = -1; 3= 2;
4= 1.

b) Mínimos cuadrados no lineales con el algoritmo de Gauss-Newton. ¿Cuales serían las

expresiones de cálculo para la primera iteración si se asume como valores iniciales 1 = 1;
2 = -1; 3= 2; 4= 1

Solucionario
a) Regresión linealizada.. ¿Cuales serían las expresiones de cálculo para la
primera iteración si se asume como valores iniciales 1 = 1; 2 = -1; 3= 2; 4= 1.
β1
X + β eβ X 2t
yt = 4
+ μt
1−β 2 1 t 3
,
∂ f ( X t , ^β 0) β 01
( ∂β^ 0 )[ =
1
0
1−β 2
X 1t ;
(1−β2 )0 2
β
0
β
X 1 t ; e ; β03 e X 2 t
4 X 2t
0
4 X 2t

]
El modelo de Regresión linealizada seria:

β1
y ¿t =
[ 1
0
1−β 2
X1t ; 0 2
(1− β2 )
β 01 β β
X 1 t ; e ; β03 e X 2 t
0
4 X 2t
0
4 X 2t

] [] β2
β3
β4
+μ

β1 β 01 β2 β 0 β
0 0

y ¿t = 0
X 1t + 2
X 1 t + β 3 e + β 4 β 3e X 2 t + μt 4 X 2t 4 X 2t

1−β 2 (1−β02 )

La variable transformada se calcula como:

β 01 β2 0
β4 X
X 1 t + β 4 β 03 e
¿
y = yt +
t 2
2t
X 2t
0
(1− β ) 2

,
∂ f ( X t , ^β 0 ) 0
y = y t −f ( X t , ^β ) +
¿
t
0
(
∂ ^β 0
^β
)
β β1 β 01 β2 0
β4 X
0
β4X
y = y t − 1 X 1 t −β 3 e β X2 t
+ β 4 β03 e
¿
t
4
+ 0
X1t+ X1t + β3 e 2t 2t
X2t
1−β 2 0 2
1−β 2 (1− β ) 2

β01 β 2 β4X
0

y ¿t = y t + X 1 t + β 4 β 03 e 2t
X2t
0 2
( 1−β )2

Remplazando los valores iniciales para hallar la primera iteración:

1 = 1; 2 = -1; 3= 2; 4= 1.

1
Variable transformada y ¿t = y t − X 1 t +2 e X X 2 t 2t

X1t X 1 X
Modelo de regresión linealizada y ¿t =β 1 + β3e − X 1t + β42 e X 2t
2t 2t

2 4
 ¿ X1t X1t 2X X
y t =β 1 + β2 + β 3 e + β 4 2 e X 2 t + μt
2t 2t

2 4

b) Mínimos cuadrados no lineales con el algoritmo de Gauss-Newton. ¿Cuales serían

las expresiones de cálculo para la primera iteración si se asume como valores iniciales
1 = 1; 2 = -1; 3= 2; 4= 1
Algoritmo de Gauss-Newton:
−1
´
^β n= β^ n−1 +
[(
∑
∂ f ( X t , β^ n−1 ) ∂ f ( X t , ^β n−1 )
∂ ^β n−1 )(
∂ ^β n−1 ) ] [∑ ( ∂ ^β n−1 )]
∂ f ( X t , β^ n−1 )
μt

β1 β X 2t
yt = X 1t + β3 e 4
+ μt
1−β 2

0 β1 β X2 t
f ( X t , ^β )= X1t+ β3e 4

1− β2

[ ]
X 1t
1−β 02
∂ f ( X t , ^β 0) β10
( ∂ β^ 0 )
=
( 1−β 02 )
2

β4X
X1t
0

e 2t

0
0 β
β3 e X2t 4 X 2t

,
∂ f ( X t , ^β 0) β 01
( ∂β^ 0 )[
=
1
0
1−β 2
X 1t ;
(1−β2 )0 2
β β
0

X 1 t ; e ; β03 e X 2 t
4 X 2t
0
4 X 2t

]
 0 −1
0
β4X
1 2 β 01 2 e
β4 X 2t
β 03 e 2t
X2t X1t

[ [] ( )]
∑ 2
X 1t ∑ 3
X 1t ∑ X1t ∑
(1−β 02 ) (1− β02 ) (1−β 02 ) 1− β02 1
0 2 0 β04 X 0 0 β04 X X 1 t μt
^β01 β β β e 2t
β β e 2t
X 2t X 1t 1−β 02

[]
1
X 21 t 1
X 21 t 1 1 3
∑ ∑ ∑ X1t ∑
0 3 0 4 0 2 2
^0 (1−β ) ( 1−β ) (1−β ) (1− β02 ) β 01
^β = β2 + 2 2 2
∑ 2
X1 t μt
(1−β 02 )
0
1
^β0 e
0
β4 X 2t
X1t β 01 e
β4 X 2t

3
^β 0 ∑ ∑ X1t β04 X
0 0 2 2 β04 X 0
0 2β4X e μt
4 (1−β ) 2 (1− β ) 2 ∑e 2t

∑ β e X2t
3
2t

0
2t

0 0 0 β
β e X 2 t μt
0 0
β β
β03 e β 01 β03 e ∑ β30 e 2 β 2β 4 X 2t
X2t X1t X2t X1t X 2 t ∑ β23 e X2t
4 X 2t 4 X 2t 4 X2t 4 X 2t
3
∑ ∑ 2
(1−β 02 ) ( 1−β 02 )

−1
x2 t x 2t
2 e X 2 t X 1t

[( ]
1 2 1 2 e
X X X

) [ ( )]
4 1t 8 1t 2 1t 2 1
x x X μ
1 1 2 1 2 e 2t
2 e X 2 t X 1t
2t
2 1t t
^β 1=
[]
−1
2
1
+ ∑
X
8 1t
ex X1 t
2
2 X2t X1t e
2t

x 2t
ex
X
16 1 t

X
4 1t
2t

2 ex X 2 t X1 t
2t
X
4 1t

e 2 x 2 e2 x X 2t
2t

2 e 2 x X 2 t 4 e 2 x X 2t
2t
4

2t

2t
∑
1
X μ
4 1t t
e x μt
x2 t
2 e X2t μt
2t

2 4

Nota: El operador suma aplica para cada elemento de las matrices

Pregunta solucionada por: Chirihuana Alvarado, Pamela; Jara Principe, Liz Margot; Landa Palomino,
Adrián Daniel; Paredes Minaya, Daniela Raisa; Vilcatoma Castillo, María Isabel

5. Suponiendo que el término perturbación del modelo econométrico sigue

distribución normal N(0, 2u )

x
y t = α β + u t ; t = 1,2 , . .. , T
t

Obtener las expresiones analíticas de los algoritmos de

a) Newton – Raphson

f¿

β^ X
[ ]
t

¿= X −1
α^ X t β^ t
 d 2 f (X , ^β 0)
=¿
d β^ d ^β ´

α^ α^
[][]
^β n= ^β n−1
+¿ ¿

b) Gauss – Newton
β^ X
[ ]
t

¿= X −1
α^ X t β^ t

¿=¿

α^ α^
[][]
^β n= ^β n−1
+¿ ¿

c) Mostrar cual sería la primera iteración de cada método a partir de las

condiciones iniciales  = 1,  = 1

Newton – Raphson

α^ 1
[ ] [ ]+
^β 1= 1 ¿¿

Gauss – Newton

α^ 1
[][]
^β n= 1 +¿ ¿

Pregunta solucionada por: Arroyo Gonzales Franco Gustavo; Acosta Cueva Diana Carolina; Delia
Rios Mendoza; Fiafilio Rodriguez Ana Isabel; Cellery Vizcarra Daniela Ximena