Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Samuelson, Koopmans y
Stone 1954: La Econometría
puede ser definida como el
análisis cuantitativo de los
fenómenos económicos
reales, basado en el
desarrollo simultáneo de la
teoría y la observación
1
2. Señale los principales pasos de la metodología econométrica y ejemplifique con el
posible modelo que entregaría para su clase de taller de econometría. Nota: Recuerde el
marco teórico es fundamental, la clave es que proponga la pregunta y la respuesta alternativa es
la hipótesis.
2
b. En general, ¿confiaría en un estudio retrospectivo basado en datos históricos?,
¿por qué?
3
Los estimadores se usan para estimar el pará metro poblacional a partir de la informació n
suministrada por la muestra.
La diferencia del termino de error estocá stico y el residual u es que este ú ltimo es la distancia
entre el punto de datos y la línea estimada, mientras que el termino de error es la diferencia
entre el punto de datos y la línea verdadera.
9. ¿Por qué cuando se ajusta una nube de puntos a una ecuación de regresión, se utiliza
siempre el criterio de minimizar la suma de los cuadrados de los residuos y no otros
como minimizar la suma del valor absoluto?
Minimizar la suma del valor absoluto de los residuos puede conducir a ajustes no adecuados
4
10. Describa brevemente los supuestos del MCRL (Modelo Clásico de Regresión Lineal).
Linealidad
El modelo de regresión es lineal en los parámetros, aunque puede o no ser lineal en las variables.
Los valores que toma la regresora X pueden considerarse fijos en muestras repetidas (el caso de la
regresora fi ja), o haber sido muestreados junto con la variable dependiente Y (el caso de la regresora
estocástica). En el segundo caso se supone que la(s) variable(s) X y el término de error son independientes,
esto es, cov(Xi, ui) 0.
Dado el valor de Xi, la media o el valor esperado del término de perturbación aleatoria ui es cero.
El número de observaciones n debe ser mayor que el número de parámetros por estimar
Sucesivamente, el número de observaciones n debe ser mayor que el número de variables explicativas.
No todos los valores X en una muestra determinada deben ser iguales. Técnicamente, var(X) debe ser un
número positivo. Además, no puede haber valores atípicos de la variable X, es decir, valores muy grandes en
relación con el resto de las observaciones.
5
11. ¿Cuáles son las propiedades de los estimadores MCO? ¿Por qué son MELI? Defina el
Teorema de Gauss-Markov y ejemplifique la propiedad de insesgado.
Propiedades
-Linealidad: Es una función lineal de una variable aleatoria, como la variable dependiente Y en el modelo de
regresión.
-Es insesgado, su valor promedio o esperado (βˆ 2), es igual al valor verdadero de β2
-Tiene varianza mínima dentro de la clase de todos los estimadores lineales insesgados. Es eficiente.
Son MELI porque los estimadores de mínimos cuadrados, son estimadores lineales insesgados, tienen
varianza mínima, de acuerdo a los supuestos del modelo clásico.
El teorema de Gauss-Markoy se refiere a que los estimadores, es decir, los parámetros B tienen una varianza
mínima lo que los hace eficiente, presentan el menor error cuadrático, todo esto para la función de
regresión muestral sea lo más próxima a la función de regresión poblacional, de igual manera deben ser
insesgados.
Insesgado se refiere a que los estimadores no tienen diferencia entre el valor esperado y el valor verdadero.
6
12. Defina brevemente coeficiente de determinación y correlación ¿Cómo se obtienen y
cuáles son sus propiedades más importantes?
Coeficiente de determinación
Se refiera a la bondad del ajuste de la línea de regresión a un conjunto de datos, es decir, cuán bien
se ajusta la línea de regresión a los datos.
Propiedades
Es una cantidad no negativa.
Sus límites son 0 ≤ r 2 ≤ 1. Un r 2 de 1 significa un ajuste perfecto, es decir, Yˆ= Yi.
Coeficiente de correlación
Es una medida del grado de asociación entre dos variables.
Propiedades
Puede tener signo positivo o negativo
Cae entre los límites de −1 ≤ r ≤ 1
El coeficiente de correlación entre X y Y (rXY) es el mismo que entre Y y X (rYX)
Una correlación igual a cero no necesariamente implica independencia
Es una medida de asociación lineal o dependencia lineal
13. Investigue y argumente por qué correlación no implica causalidad, pero causalidad si
implica correlación.
El hecho de que dos eventos se den de manera habitual y consecutiva no implica que uno sea la
causa del otro, puede existir una correlació n entre dos variables completamente distintas, pero
ú nicamente por cuestiones de Azar.
En cambio, el hecho de que la causalidad implique relació n es real puesto que la causalidad
establece una relació n de causa y efecto entre dos o má s variables, por lo tanto, la causalidad
nos da el origen mientras que la correlació n ú nicamente nos da correspondencia.
14. Defina variable aleatoria, indique cómo se clasifica y sus principales propiedades.
Una variable aleatoria asocia a cada resultado de un experimento aleatorio a un nú mero real.
15. En clase establecimos que la función de distribución normal estándar, se expresa como:
7
a. Grafique la función con los siguientes valores: -3.0, -2.75,-2.5,-2.25,-2.0,-1.75,-
1.5,-1.25,-1.0,-0.75,-0.5,-0.25,0, 0.25, 0.5, 0.75, 1, 1.25, 1.5, 1.75, 2.0, 2.25, 2.5,
2.75, 3.0.
b. Cómo se conoce a la curva que obtuvo, por qué se dice que es un caso particular
de una función general.
8
e. ¿Por qué debe formularse el supuesto de normalidad en el análisis
econométrico? ¿Qué relación e implicaciones tiene con algunos de los supuestos
MCRL?
17. Reflexione, si la variable endógena no se distribuye como una normal cuáles son las
principales implicaciones y dado los métodos de la pregunta anterior cuál sería el más
adecuado.
9
18. ¿Qué tipos de errores se pueden cometer en un contraste de hipótesis?
20. En qué consisten las pruebas t y F ? ¿Cuál es su utilidad para el análisis de regresión?
21. Proponga una relación lineal simple y construya la tabla ANOVA (no copie o pegue de
internet) ¿Cuál es la relación con la SCT, SCE y SCR explique?
22. En el modelo de regresión lineal simple, algunas veces se asume que entonces el
modelo sería:
10
b. Calcule y Var .
23. ¿Por qué cuando se ajusta una recta que pasa por el origen no se utiliza el coeficiente de
determinación R2 como medida de bondad de ajuste?
24. ¿Por qué cuando se comparan ecuaciones de regresión con distinto número de variables
regresoras no se utiliza R2 sino el llamado R2 ajustado?
11
25. Muestre en una tabla las distintas formas funcionales que se pueden adoptar en el MCRL
¿Cómo elegir la mejor forma funcional? ¿Linealidad de los parámetros o en las
variables? Argumente.
27. ¿Cuáles son las principales fallas y limitaciones relacionadas con el análisis de regresión
y correlación?
12
28. ¿Cómo se pueden utilizar e interpretar variables cualitativas en una ecuación de
regresión?
n n n n n
uˆi. 0;
i 1
uˆi X i 0;
i 1
uˆiYˆi 0
i 1
Yi Yˆi
i 1 i 1
t para contrastar así como p-value para esta prueba de hipó tesis.
13
b. Muestre la matriz X’X para este caso:
14
d. ¿Qué pasaría si a=0?
4. Determine si los siguientes modelos son lineales en los pará metros, en las variables o en
ambos. ¿Cuá les de estos modelos son de regresió n lineal?
15
5. Una empresa ha especificado un modelo de regresió n lineal clá sico para explicar la funció n de
demanda de sus aparatos electró nicos (Y), expresada en miles de unidades, en funció n de su
precio (X) en miles de pesos. Para dicha estimació n se recoge una muestra de 24 observaciones
con los siguientes resultados:
16
c. El modelo es globalmente
significativo.
b. Cuá les coeficientes resultan ser significativos –en qué nivel- en el modelo (3).
17
c. Interprete R2 ajustada del modelo (2)
2. En la Tabla 1.3 del texto de Gujarati se proporcionan datos sobre el índice de precios al
consumidor de siete países industrializados, cuya base es 1982-1984=100.
18
b. Grafique la tasa de inflació n de cada país en funció n del tiempo.
19
e. Elija dos países, investigue su INPC, calcule sus tasas de crecimiento y señale las
principales diferencias entre el periodo propuesto por el manual y sus
resultados en el periodo actual.
3. En la Tabla 3.8 se proporcionan datos sobre el Producto Interno Bruto (PIB) de Estados
Unidos de 1959 a 2005.
20
a. Grafique los datos del PIB en dó lares actuales y constantes (es decir, de 2000) respecto
al tiempo.
b. Sea Y el PIB y X el tiempo (medido cronoló gicamente, empezando con 1 para 1959,
hasta 47 para 2005), ajuste el siguiente modelo:
Yt 1 2 X t U t
c. Estime el modelo para el PIB en dó lares constantes y corrientes. ¿Có mo interpreta β2?
21
e. Realice el mismo ejercicio para el caso de la economía mexicana, tiene la
libertad de establecer el periodo y el año base.
22
Complete la informació n faltante realizando los cá lculos pertinentes y responda:
23
e. ¿Considera al modelo globalmente significativo?
Nota: Para los siguientes ejercicios las estimaciones las hará utilizando Eviews y Stata,
presentando ambas salidas y un sólo análisis.
5. En la Tabla 5.5 proporciona datos sobre el salario promedio de un maestro de escuela pú blica
(el sueldo anual está en dó lares) y el gasto en educació n pú blica por alumno (dó lares); estime
el siguiente modelo:
Sueldot 1 2Gastot U t
24
b. Obtenga las estimaciones de los pará metros, sus errores está ndar, r2, la SCR y la SCE.
B
6. Dada la funció n de demanda de café: Qd AP U y las siguientes observaciones, estime los
coeficientes A, β del modelo y la demanda de café cuando P= 21.7
P 21 23 24 22 20 20.5 18 19 22 23 25 24 22
Qd 980 984 970 1010 1019 1000 1060 1032 987 984 959 973 989
25
Se estimó el siguiente modelo cú bico de costos: Costos 1 2Q 3Q 4Q u
2 3
7.
a. Escriba las instrucciones completas y precisas de Eviews requeridas para el cá lculo
de la regresió n.
26
Dependent Va ria ble: COSTOS
Method: Leas t Squares Sa mple: 1 10 Included obs ervations:10
Variable Coefficient Std. Error t-Sta tis tic Prob.
C 141.7667 6.375322 22.23678 0.0000
Q1 63.47766 4.778607 13.28372 0.0000
Q2 -12.96154 0.985665 -13.15005 0.0000
Q3 0.939588 0.059106 15.89677 0.0000
R-squa red 0.998339 Mea n dependent var 276.1
Adjusted R-squared 0.997509 S.D. dependent var 65.814
S.E. of regress ion 3.284911 Akaike info criterion 5.5057
Sum s qua red res id 64.74382 Schwa rz criterion 5.6268
Log likelihood -23.52865 Ha nna n-Quinn criter. 5.373
F-sta ti sti c 1202.22 Durbin-Wa tson s ta t 2.7002
Prob(F-statis ti c) 0.0000
e. Aplique las pruebas de significancia a los coeficientes: (β1, β2) con un 95% de
confiabilidad, y a β3 con un 99% (escriba en detalle las pruebas).
27
f. Obtenga la funció n de Costo Medio (CMe).
8. Con los datos que se muestran a continuació n estime el siguiente modelo reciproco, que está
dado por:
1
LnYt 1 2 U t
Xt
X 0.6 0.82 1.10 1.5 2.2 2.6 3 3.3 3.4 3.6 3.8 4 4.2 4.4
Y 17.2 40.1 83.3 128.4 200.2 227 254.7 275 278.6 287 298 304 311 315
28
b. Si X= tiempo, ¿Qué tipo de curva de crecimiento se traza en este modelo?
9. En la Tabla 7.10 se proporcionan datos de la Demanda de Dinero para Estados Unidos, 1980 a
1988; a partir de la siguiente funció n:
M t 1Yt 2 rt 3 e ut
29
b. Estime la funció n propuesta en el inciso b) de la pá gina 224 del texto de Gujarati.
30
10. A partir de los datos de desempleo (UN) e inflació n (DI) para Estados Unidos correspondientes
al periodo 1960-2006, se realizó la estimació n obteniéndose los siguientes resultados:
31
b) Qué puede reflexionar en torno a la medida de bondad de ajuste.
c) ¿Cuá l es el modelo teó rico detrá s? Señ ale su hipó tesis fundamental y una breve discusió n
teó rica.
32
11. Con base a un conjunto de datos mensuales que van desde enero del 2000 a diciembre de
2010, se obtuvieron los siguientes resultados de dos propuestas de regresió n lineal:1
Regresió n lineal 1:
Regresió n lineal 2:
Donde Y=logaritmo del rendimiento de las acciones comunes de Maseca y X= logaritmo del rendimiento
promedio del mercado de valores.
b. ¿Có mo interpretaría los coeficientes de la pendiente en los dos modelos? ¿Cuá les
coeficientes son estadísticamente significativos diferentes de cero? Utilice la tabla t
para argumentar su respuesta.
1
Ejercicio elaborado y proporcionado por el Mtro. Ulises Hernández Ramos.
33
c. Dadas sus respuestas anteriores, ¿Cuá l es el mejor modelo que representa la relació n
entre las variables? Justifique su respuesta.
a. Elabore un modelo de regresió n (con UTIL como variable dependiente y Ventas como
variable explicativa) ademá s incorpore a la variable dicotó mica dentro de las variables
explicativas.
34
viii. Escriba la ecuació n para los 2dos
trimestres:_____________________________________________________________________________
14. Segú n Sanz, J. et al (1996), los métodos de regresió n pretenden, por una parte, determinar la
estructura matemá tica que mejor exprese la relació n entre las variables, y por otra parte,
proporciona estimaciones acerca de una de las variables, dado los valores conocidos de las
demá s. Como se observó en los ejercicios anteriores existen diversos métodos así como
software especializado para obtener los estimadores otra propuesta de solució n es el enfoque
matricial dado por: X´Y, a partir de la expresió n anterior obtenga los estimadores
para los siguientes ejercicios:
a. Teniendo en cuenta los valores relativos a la «producció n» (Q), al «nú mero de horas de
trabajo por persona»(L) y al «nú mero de unidades de capital» (K) de una determinada
empresa, se intuye que la funció n de producció n puede ser de la forma:
Q L K
3 1 2
5 2 3
6 3 3
7 3 4
4 4 1
Determinar los valores de los pará metros de la funció n de producció n. ¿Se puede
considerar que existen rendimientos de escala constantes si los valores de L y K aumentan un
10%?
35
15. La evolució n del PIB y las importaciones desde 1988, se recogen en la siguiente tabla:
Años PIB M
1988 35910 7980
1989 37610 8250
1990 39015 8915
1991 39890 9675
1992 40170 10205
1993 39725 10130
1994 40200 12345
1995 41200 13430
36
16. La siguiente tabla nos muestra los valores de las variables «importaciones de bienes y
servicios» (variable dependiente Y); «producto nacional bruto» (PNB, X1) y «precios relativos
de las importaciones» (X2), durante el período 1995-2004 de la economía de un país:
Años Y X1 X2
1995 21 52 120
1996 30 58 120
1997 40 64 116
1998 50 69 109
1999 56 73 105
2000 72 78 98
2001 82 84 96
2002 81 88 94
2003 86 93 100
2004 100 100 100
37
c. Construya la fiabilidad del ajuste lineal.
17. Se desea estudiar la repercusió n que tiene la tasa de interés sobre los índices de futuros. Para
ello, se observaron las siguientes variables, durante los ú ltimos doce días:
Y= Índice de Futuros
X= Tasa de interés
38
a. Haga un diagrama de dispersió n en Excel, señ ale en el grá fico la línea de regresió n, la
ecuació n de regresió n y el coeficiente de determinació n.
b. Obtenga la ecuació n de regresió n en Excel (paso por paso utilizando las formulas); en
el software Eviews, de forma matricial y en R utilizando la siguiente rutina:
##Se desea estudiar la repercusió n que tiene la tasa de interés sobre los índices de futuros##
##Para ello, se observaron las siguientes variables, durante los ú ltimos doce días##
tasadeinteres = c(7.43, 7.48, 8, 7.75, 7.6, 7.63, 7.68, 7.67, 7.59, 8.07, 8.03, 8)
summary(tasadeinteres)
39
indicedefuturos = c(221, 222, 226, 225, 224, 223, 223, 226, 226, 235, 233, 241)
summary(indicedefuturos)
hist(tasadeinteres)
hist(indicedefuturos)
boxplot(tasadeinteres,indicedefuturos)
boxplot(tasadeinteres)
boxplot(indicedefuturos)
plot(tasadeinteres,indicedefuturos)
r<-cor(tasadeinteres,indicedefuturos, method = "pearson") ##Correlació n de Pearson
r
rs<-cor(tasadeinteres,indicedefuturos,method = "spearman") ##Correlació n Spearman
rs
x<-(tasadeinteres)
x
y<-(indicedefuturos)
y
r1<-lm(y~x)
summary(r1)
plot(x,y)
abline(r1)## Incorpora la recta de regresió n a la grá fica de puntos
plot(r1)
anova (r1) ## Realiza la tabla ANOVA (Aná lisis de Varianza)
library(UsingR) ##Instalar la librería###
scatter.with.hist(tasadeinteres,indicedefuturos)
simple.hist.and.boxplot(tasadeinteres)
simple.hist.and.boxplot(indicedefuturos)
simple.eda(tasadeinteres)
simple.eda(indicedefuturos)
simple.lm(x,y,show.residuals=TRUE)
plot(r1)
simple.lm(x,y,show.ci=TRUE,conf.level=0.90)##construye los intervalos de confianza de forma grá fica
simple.lm(x,y,show.ci=TRUE,conf.level=0.9)
40