Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Solucionario – Econometría I
Solución
[ ][ ][ ] [ ]
√1− ρ2 C 1 √ 1− ρ2 √1− ρ2 R1 √ 1−ρ2 ε1
C 2−ρ C 1 = 1−ρ R2−ρ R1 β 1 + ε 2−ρ ε 1
… … … β2 …
C T −ρ CT −1 1−ρ RT −ρ R T−1 ε T − ρ ε T−1
Ct = 1 + 2 Rt + t
Se convertiria en
Ct −ρ C t−1=β 1 (1− ρ)+β 2 ( R t− ρ Rt −1 ) +ε t −ρ ε t−1
Ahora despejando Ct
Ct =ρ C t−1 + β 1( 1−ρ)+ β2 ( Rt −ρ Rt −1 ) + ε t −ρ ε t −1
Ct =β 1 (1−ρ ) +ρ Ct −1+ β2 Rt −β 2 ρ Rt −1 + v t
Ct =α 0 +α 1 C t−1 +α 2 Rt −α 3 R t−1 +v t
Ct = α^ 0 + α^ 1 C t−1 + α^ 2 Rt − α^ 3 R t−1
Notamos que al haberle dado esta forma al modelo se busca hallar ρ, por lo que
presumimos que inicialmente ρ debe haber sido desconocido. En este modelo
α^ 1=^ρ
Luego reemplazando ^ρ en la ecuacion del modelo en cuasidiferencia tendriamos:
Ct¿ =β 1¿ + β 2¿ Rt¿ + v t
[]
^¿
^β ¿= β1
^β ¿2
En donde:
^
^β ¿1= β 1 ^β ¿2= β^ 2
1−^ρ
Y asi tendriamos el modelo original con sus verdaderos coeficientes estimados, por
MCG (y no por MCO), logrando que si sean eficientes e insesgados.
Solucionado por: Justo Cornejo, Juan Pablo; Morales Ortiz, Renzo; Morillo Torres,
Milagros; Vera Pérez, Carlos
Donde:
Pc: Precio del cobre en USA, promedio en el año ( centavos de dolar por libra)
PNB: Producto Nacional Bruto ( miles de millones)
IPI: Indice de producción Industrial (promedio mensual en el año)
PCBL: Precio del cobre en la Bolsa de metales de Londres
H: Nº de casas construidas por año ( miles de unidades)
PAL: Precio del aluminio, promedio en el año ( centavos de dolar por libra)
a) Estime el modelo
lnPct = 1 + 2 lnIPIt + 3 ln PCBLt + 4 lnHt + 5 lnPALt + t
interprete los resultados
b) Interprete el estadístico de DW y comente sobre la naturaleza de la
autocorrelación
c) Aplique otras pruebas y determine la estructura de autocorrelación de las
perturbaciones.
d) ¿Es posible eliminar la autocorrelación de las perturbaciones?. Justifique su
respuesta.
e) Bajo la estructura de autocorrelación detectada, ¿qué método de estimación es
aplicable?
Solución
a) Estime el modelo
lnPct = 1 + 2 lnIPIt + 3 ln PCBLt + 4 lnHt + 5 lnPALt + t
Matrix de covarianzas
C LOG(IPI) LOG(PCBL) LOG(H) LOG(PAL)
C 1.006049 0.047266 -0.023179 -0.137750 -0.019848
LOG(IPI) 0.047266 0.027552 -0.015266 -0.008052 -0.005762
LOG(PCBL) -0.023179 -0.015266 0.013162 0.002528 -0.001897
LOG(H) -0.137750 -0.008052 0.002528 0.020434 0.002565
LOG(PAL) -0.019848 -0.005762 -0.001897 0.002565 0.011344
*Interpretación de coeficientes:
^β =−1.50 ⇒ Nos indica el valor autónomo del log del precio del
1
cobre, cuyo valor monetario sería en promedio de 0.22
centavos de dólar, explicado por otras variables no incluidas en
la especificación.
DW =0.954940 ≅ 0.95
n=30
k =4
d l=1.14
d u=1.74
4−du =2.26
4−dl =2.86
DW =0.95< d L =1.14
Solucionado por: Delgado aragón, Rodrigo; Ibañez Campos, Marcia; Pampas Ogosi,
Liliana Elizabeth; Querhuayo Huamaní, Jessica
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 07/01/12 Time: 01:10
Presample missing value lagged residuals set to zero.
Variable Coefficient Std. Error t-Statistic Prob.
C -0.552588 0.785758 -0.703255 0.4890
LOG(IPI) -0.036780 0.134421 -0.273620 0.7868
LOG(PCBL) 0.028677 0.095271 0.301008 0.7661
LOG(H) 0.082020 0.112179 0.731149 0.4721
LOG(PAL) -0.017166 0.082432 -0.208239 0.8369
RESID(-1) 0.795135 0.184599 4.307363 0.0003
RESID(-2) -0.489015 0.191703 -2.550900 0.0179
R-squared 0.450228 Mean dependent var 6.82E-17
Adjusted R-squared 0.306809 S.D. dependent var 0.113041
S.E. of regression 0.094116 Akaike info criterion -1.687610
Sum squared resid 0.203731 Schwarz criterion -1.360664
Log likelihood 32.31415 F-statistic 3.139250
Durbin-Watson stat 1.918606 Prob(F-statistic) 0.021333
Es decir:
Solucionado por: Colqui Segama, Sally Jasmin; Beraun Tapia, Jose Carlos; Herbas
Pariona,Percy; Perez Condor, Enrique
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 07/17/12 Time: 11:31
Sample: 1953 1980
Included observations: 28
Presample missing value lagged residuals set to zero.
Solución
lnProdt −1
¿
lnLt −ρ lnLt −1
lnProd t −ρ ¿
Donde:
ε t =ut −ρ ut −1
Solucionado por: Tania Rios tarazona, Maribel Violeta Balboa Rojas, Luis Angel
Gutierrez huayhua, Elías Moreno Alfaro, Helber Francisco Huamán Tauccaya,
Meguis Sicha Morales
Modelo 1
M^ t = -201.8 + 0.14 PIBt R2 = 0.98 DW =0.54 Test de White =0.03
t student (6.48) (29.44)
Modelo 2
Solución
Análisis de heterocedasticidad
Con los datos del ejercicio, es necesario contrastar la presencia de heterocedasticidad
mediante la prueba de White donde se plantea a través del análisis de los residuos bajo el
supuesto de que la varianza de las perturbaciones depende de alguna manera de las
variables explicativas.
Análisis de Autocorrelación
La estadística Durbin Watson es 0.54 la cual es más cercano a cero que a dos, este resultado
nos sugiere la presencia de auto correlación positiva de orden 1. Para asegurarnos de esta
afirmación verificamos nuestro valor en la tabla de durbin- Watson.
k=1
n=20
∝=0.05
dl= 1.20 du=1.41
Por lo tanto, con lo anterior mencionado, concluimos que el método de Mínimos cuadrados
ordinarios no es el adecuado para obtener las estimaciones ya que estas serán ineficientes y
nos llevaran a conclusiones erróneas. Por lo tanto, los estadísticos t y F pierden validez.
Esto ha sido la causa para pasar del modelo 1 al modelo 2, tener un DW= 0.54 con
significancia positiva con lo cual al estimar por MCO los estimadores serian ineficientes, y al
observar el modelo 2 los problemas de autocorrelación ya no existen ya que DW=2, con lo
cual podríamos obtener estimadores insesgados y óptimos.
b) Defina y exponga los pasos que se han realizado para estimar el modelo 2.
M t = β1 + β2 PIBt + U t
Cuando se conoce ρ
Si se conoce el coeficiente del primer orden, el problema de autocorrelación se resuelve muy
fácil. Si es válida en el tiempo t , también lo es para el tiempo ( t−1 ) Por tanto:
M t−1 = β 1 + β 2 PIBt −1 + U t −1
Si restamos resulta:
( M t - ρ M t −1 ) = β 1 (1 – ρ ) + β 2 ( PIBt – ρ PIBt −1 ) + ε t
Donde ε t = ( U t – ρ U t −1 )
El coeficiente que acompaña a Mt-1 tiene um valor de 0.82, vendría a ser el coeficiente ρ
el cual sería el coeficiente de correlación de primer orden en el modelo para las
perturbaciones Ut
De otro lado informa sobre la variación en la demanda de dinero de hoy ante cambios en la
demanda de dinero en un periodo anterior. Si la demanda de dinero en el periodo anterior
aumentara en un sol en el periodo siguiente este variará en 0.82 soles.
Solucionado por: Gonzales López Luz Mery; Leon Villegas Enrique, Ramos Hoyos
Heyner, Quiñones Aicatuiro Katheryn, Alcántara Rufasto Henry.
β β β ut
5. Sea la función de producción
y t =e 0 Lt 1 K t 2 e ,en donde se
cumple
ut = 0.4 ut-1 + t, con E(t) = 0 , V(t) = 2
Ln Yt Ln Lt Ln Kt
35 19 8
37 24 11
40 27 13
42 29 14
42 30 15
44 34 16
46 35 18
46 36 19
[ ] [ ]
13. 1448 6. 4743 −0 .4995 0.3385
¿ ¿
B = 0 . 4014 V (B )= −0. 4995 0.0857 −0 .1197
0. 5305 0 .3385 −0 .1197 0.2043
Obtenga las estimaciones de los coeficientes del modelo original y su
matriz de covarianzas.
c) Comentar las características de la función de producción estimada:
^ ^
rendimientos, significado de β 1 y β 2 y probar el supuesto de la
existencia de rendimientos constantes de escala.
Solución
Modelo transformado
β β β ut
y t =e 0 Lt 1 K t 2 e
Dado el modelo
0.4 1 0 0 0 0 0 0
0.4 0
0 1 0 0 0 0
0 0 0.4 1 0 0 0 0
T 1 0 0 0 0.4 1 0 0 0
0 0 0 0 0.4 1 0 0
0 0 0 0 0 0.4 1 0
0.4 1
0 0 0 0 0 0
[ ] [] [ ][]
37−0.4∗35 23 24−0.4∗19 16.4
40−0.4∗37 25.2 40−0.4∗37 17.4
42−0.4∗40 26 42−0.4∗40 18.2
Ln Yt*= 42−0.4∗42 = 25.2 Ln Lt*= 42−0.4∗42 = 18.4
44−0.4∗42 27.2 44−0.4∗42 22
46−0.4∗44 28.4 46−0.4∗44 21.4
46−o .4∗46 27.6 46−o .4∗46 22
[ ][]
11−0.4∗8 7.8
13−0.4∗11 8.6
14−0.4∗13 8.8
Ln Kt*= 15−0.4∗14 = 9.4
16−0.4∗15 10
18−0.4∗16 11.6
19−o .4∗18 11.8
23 1 16.4 7.8
25.2 1 17.4 8.6
26 1 18.2 8.8 0
25.2 1 18.4 9.4 * 1
27.2 1 22 10 2
28.4 1 21.4 11.6
27.6 1 22 11.8
[ ] [ ]
13. 1448 6. 4743 −0 .4995 0.3385
¿ ¿
B = 0 . 4014 V (B )= −0. 4995 0.0857 −0 .1197
0. 5305 0 .3385 −0 .1197 0.2043
0 0 (1 )
0* 1 1
0 1 0.4014
1
13.1448 2 2
0 21.907933
1 0.4 2 0.5305
Interpretaciones:
yt e21.908 L0.4014
t K t
0.5305 ut
e
Modelo original:
t n yt e 21.908 (tL0.4014
t )(tKt0.5305 )eut
t n yt e 21.908 (t 0.40140.5305 ) L0.4014
t K t0.5305eut
t n yt e 21.908 (t 0.93 ) L0.4014
t K t0.5305eut
n 0.93
elasticidades trabajo y capital debe ser igual a la unidad; si la suma supera la unidad
1. -Planteamiento de hipótesis:
H 0 : 1 2 1
H1 : 1 2 1
2.-Estadístico
Utilizamos la prueba t
( β^ 1 + β^ 2)−1
=t n−k
DT ( β^ 1 + β^ 2 )
√
DT ( β^ 3 )=DT ( β^ 1 + β^ 2 )= Var ( β^ 1 )+Var ( β^ 2 ) +2 Cov ( β^ 1 , β^ 2 )
Así pues:
DT ˆ3 DT ˆ1 ˆ2 17.9842 0.0857 2*( 0.8325) 4.0503
ˆ ˆ 1 0.068070 0.01681
1 2
DT ˆ ˆ
1
4.050296
2
3.-Valor Crítico:
De la grafica
se observa
que con un
95% de nivel
de confianza
el tcalc > t
tab , por lo
que se
acepta la
hipótesis
nula, es
decir la
función de
producción
cumple con
los rendimientos constantes de escala.
Solucionado por: Valencia Ortiz, Stephania; Ramos Torres, Luis; Torres Polanco, Diana;
Barrantes Limahuaya, Jesús; Meza Sales, Richard.
Dependent Variable: I
Method: Least Squares
Date: 12/11/04 Time: 12:19
Sample: 1963 1990
Included observations: 28
Variable Coefficient Std. Error t-Statistic Prob.
C -19.51625 12.69440 -1.537391 0.1363
P 1.739477 0.125353 13.87662 0.0000
R-squared 0.881040 Mean dependent var 151.0643
Adjusted R-squared 0.876465 S.D. dependent var 47.69982
S.E. of regression 16.76535 Akaike info criterion 8.545255
b3) Si los estimadores del modelo son ELIO, conociendo que I 90= 208.5, P90 =
131.5 y P91= 113.1, obtener una predicción puntual e interválica para I91. De lo
contrario proponer algún procedimiento alternativo para obtener estimadores
eficientes de los coeficientes del modelo.
Solución
La autocorrelación puede deberse a una mala especificación del modelo por lo que no
sería pertinente ni valido hacer inferencia.
Dependent Variable: I
Method: Least Squares
Date: 12/11/04 Time: 12:52
Sample(adjusted): 1964 1990
Included observations: 27 after adjusting endpoints
Convergence achieved after 5 iterations
Variable Coefficient Std. Error t-Statistic Prob.
C 25.86427 23.58631 1.096580 0.2837
P 1.383736 0.150585 9.189042 0.0000
AR(1) 0.870644 0.087468 9.953901 0.0000
R-squared 0.970813 Mean dependent var 153.5000
Adjusted R-squared 0.968381 S.D. dependent var 46.80041
S.E. of regression 8.321922 Akaike info criterion 7.180103
Sum squared resid 1662.105 Schwarz criterion 7.324085
Log likelihood -93.93139 F-statistic 399.1454
Durbin-Watson stat 1.122302 Prob(F-statistic) 0.000000
Inverted AR Roots .87
Tenemos:
Inv=25,86+ 1,38 P+ ε t
ε t =0,8706 ε t−1
La perturbación del modelo está en función de un rezago que ante un aumento de éste la
perturbación aumenta en 0,8706.
b3) Si los estimadores del modelo son ELIO, conociendo que I 90= 208.5, P90 = 131.5 y P91=
113.1, obtener una predicción puntual e interválica para I 91. De lo contrario proponer
algún procedimiento alternativo para obtener estimadores eficientes de los coeficientes
del modelo.
Solucionado por: Valencia Ortiz, Stephania; Ramos Torres, Luis; Torres Polanco, Diana;
Barrantes Limahuaya, Jesús; Meza Sales, Richard.