Ayudantía N°3

Métodos y modelos de proyección

27 de noviembre de 2020

Profesor: Medardo Aguirre

Ayudante: Benjamín Alfaro
Ejercicio N°1
Estimar un modelo lineal e interpretar
resultados (Base de datos 4)
𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + 𝛽4 𝑋4 + 𝜀

Donde:
• 𝑌 = 𝐶𝑜𝑛𝑠𝑢𝑚𝑜 𝑝𝑒𝑟 𝑐á𝑝𝑖𝑡𝑎 𝑑𝑒𝑙 𝑂𝑟𝑙𝑦 (𝐶ℎ𝑜𝑐𝑜𝑙𝑎𝑡𝑒)
• 𝑋1 = 𝐼𝑛𝑔𝑟𝑒𝑠𝑜 𝑝𝑒𝑟 𝑐á𝑝𝑖𝑡𝑎
• 𝑋2 = 𝑃𝑟𝑒𝑐𝑖𝑜 𝑑𝑒𝑙 𝑂𝑟𝑙𝑦
• 𝑋3 = 𝑃𝑟𝑒𝑐𝑖𝑜 𝑑𝑒𝑙 𝑇𝑟𝑒𝑛𝑐𝑖𝑡𝑜
• 𝑋4 = 𝑃𝑟𝑒𝑐𝑖𝑜 𝑑𝑒 𝑠𝑢𝑠𝑡𝑖𝑡𝑢𝑡𝑜𝑠

𝑌෠ = 37,833 + 0,010 𝑋1 − 0,539 𝑋2 + 0,161 𝑋3 + 0,028 𝑋3

¿Qué variables se podrían quitar del
modelo?
• La forma de sacar variables sin que el modelo pierda capacidad predictiva
es haciendo correlaciones parciales y haciendo las pruebas pertinentes.
¿Qué variables se podrían quitar del
modelo?
• Por lo tanto, la primera variable que se eliminaría del modelo seria la
variable 𝑋4 , que son los precios de los sustitutos. Entonces, se formula la
siguiente hipótesis nula.

𝐻0 : 𝛽4 = 0

𝑁𝑅 𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + 𝛽4 𝑋4 + 𝜀

𝑅 𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + 𝜀

𝑅 𝑌෠ = 38,647 + 0,011(𝑋1 ) − 0,541(𝑋2 ) + 0,174(𝑋3 )

¿Cómo se comprueba que es mejor quitar
la variable del modelo?
• Haciendo una Prueba F para hipótesis lineales, es este caso para modelos
que tengan igual variable dependiente.

• Prueba-F para hipótesis lineales

(𝑆𝐶𝑀 𝑁𝑅 − 𝑆𝐶𝑀 𝑅 ) / (𝑘 − 𝑝)
𝐹𝑐 = ~𝐹(𝑘 − 𝑝, 𝑛 − 𝑘 − 1) 𝛼=0,05
𝑆𝐶𝐸(𝑁𝑅) / (𝑛 − 𝑘 − 1)
(NR)

(R)
 ¿Cómo se comprueba que es mejor quitar
la variable del modelo?
(1120,761 − 1120,170)/ (4 − 3) Numerador
𝐹𝑐 = ~𝐹(4 − 3; 18) 𝛼=0,05
75,168 / (18)

Denominador
𝛼 1

𝐹𝑐 = 0,1415 < 4,41

18 0,05 4,41

No se rechaza 𝐻0 . Entonces, la variable 𝑋4

se puede quitar del modelo. Esto quiere
decir que, el nuevo modelo es mucho
mejor para hacer pronósticos.
¿Qué variables se podrían quitar del nuevo
modelo (R)?
¿Qué variables se podrían quitar del nuevo
modelo (R)?
• Por lo tanto, la segunda variable que se eliminaría del modelo (original)
seria la variable 𝑋3 , que es el precio del trencito. Entonces, se formula la
siguiente hipótesis nula.

𝐻0 : 𝛽3 = 0

𝑁𝑅 𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + 𝜀

𝑅 𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + +𝜀

𝑅 𝑌෠ = 34,516 + 0,015(𝑋1 ) − 0,214(𝑋2 )

¿Cómo se comprueba que es mejor quitar
la variable del modelo?
• Haciendo una Prueba F para hipótesis lineales, es este caso para modelos
que tengan igual variable dependiente.

• Prueba-F para hipótesis lineales

(𝑆𝐶𝑀 𝑁𝑅 − 𝑆𝐶𝑀 𝑅 ) / (𝑘 − 𝑝)
𝐹𝑐 = ~𝐹(𝑘 − 𝑝, 𝑛 − 𝑘 − 1) 𝛼=0,05
𝑆𝐶𝐸(𝑁𝑅) / (𝑛 − 𝑘 − 1)
(NR)

(R)
 ¿Cómo se comprueba que es mejor quitar
la variable del modelo?
(1120,170 − 1089,277)/ (3 − 2) Numerador
𝐹𝑐 = ~𝐹(3 − 2; 19) 𝛼=0,05
75,759 / (19)

Denominador
𝛼 1

𝐹𝑐 = 7,7478 > 4,38

19 0,05 4,38

Se rechaza 𝐻0 . Entonces, la variable 𝑋3 , no

se debería quitar del modelo. Esto quiere
decir que, el nuevo modelo NR (sin la
variable 𝑋4 ) es el mejor modelo para
hacer proyecciones futuras.
Ejercicio N°2
8.27 Marc Nerlove estimó la siguiente función de
costo para la generación de electricidad:
𝛽 𝛼1 𝛼2 𝛼3
Y= 𝐴𝑋 𝑃1 𝑃2 𝑃3 𝑢 (1)

Donde: Y = costo total de producción

𝑋 = producción en horas kilowatt
𝑃1 = precio del insumo trabajo
𝑃2 = precio del insumo capital
𝑃3 = precio del combustible
𝑢 = término de perturbación
En teoría, se espera que la suma de las elasticidades de los
precios sea igual a la unidad, es decir, (𝛼1 + 𝛼2 + 𝛼3 ) = 1.
Pero al imponer esta restricción, la función de costos
anterior se escribe como
𝛼1 𝛼2
Y 𝛽 𝑃1 𝑃2
= 𝐴𝑋 𝑢 (2)
𝑃3 𝑃3 𝑃3

En otras palabras, (1) es una función de costo no

restringida y (2) es una función de costo restringida.
Con base en una muestra de 29 empresas de tamaño
mediano y después de realizar la transformación
logarítmica, Nerlove obtuvo los siguientes resultados de la
regresión:
 𝛽 𝛼1 𝛼2 𝛼3
𝑌= 𝐴𝑋 𝑃1 𝑃2 𝑃3 𝑢 (al aplicar Ln)

𝐿n 𝑌 = 𝐿𝑛 𝐴 + 𝛽𝐿𝑛 𝑋 + 𝛼1 𝐿𝑛 𝑃1 + 𝛼2 𝐿𝑛 𝑃2 + 𝛼3 𝐿𝑛 𝑃3 + 𝑢

𝐿𝑛 𝑌 = 𝛼0 + 𝛽𝐿𝑛 𝑋 + 𝛼1 𝐿𝑛 𝑃1 + 𝛼2 𝐿𝑛 𝑃2 + 𝛼3 𝐿𝑛 𝑃3 + 𝑢

෣i ) = −4,93 + 0,94 𝐿𝑛(𝑋𝑖 ) + 0,31 𝐿𝑛 𝑃1 − 0,26 𝐿𝑛 𝑃2 + 0,44 𝐿𝑛 𝑃3

Ln(Y (3)
ee = (1,96) (0,11) (0,23) (0,29) (0,07)

SCE =0,336
 𝛼1 𝛼2
Y 𝛽 𝑃1 𝑃2
= 𝐴𝑋 𝑢 (al aplicar Ln)
𝑃3 𝑃3 𝑃3

Y 𝑃1 𝑃2
Ln = 𝐿𝑛 𝐴 + 𝛽𝐿𝑛 𝑋 + 𝛼1 𝐿𝑛 + 𝛼2 𝐿𝑛 +𝑢
𝑃3 𝑃3 𝑃3

Y 𝑃1 𝑃2
Ln = 𝛼0 + 𝛽𝐿𝑛 𝑋 + 𝛼1 𝐿𝑛 + 𝛼2 𝐿𝑛 +𝑢
𝑃3 𝑃3 𝑃3

෣ Y 𝑃1 𝑃2
Ln = −6,55 + 0,91 𝐿𝑛 𝑋 + 0,51 𝐿𝑛 + 0,09 𝐿𝑛 (4)
𝑃3 𝑃3 𝑃3
ee = (0,16) (0,11) (0,19) (0,16)
SCE = 0,364
 b) ¿Cómo averiguaría si la restricción 𝑎1 + 𝛼2 + 𝛼3 = 1 es
válida? Muestre sus cálculos.

• Test F
• 𝐻0 ∶ 𝛼1 + 𝛼2 + 𝛼3 = 1
(𝑆𝐶𝐸𝑅 −𝑆𝐶𝐸𝑁𝑅 )Τ(𝑘−𝑝) Se usa esta formula puesto que
• 𝐹𝐶 = ~𝐹 𝑘 − 𝑝; 𝑛 − 𝑘 − 1 𝛼 -> las variables dependientes son
(𝑆𝐶𝐸𝑁𝑅 )Τ 𝑛−𝑘−1 distintas

Donde: 𝑆𝐶𝐸𝑅 = suma de cuadrados del error restringida

𝑆𝐶𝐸𝑁𝑅 = suma de cuadrados del error no restringida
𝑛 = número de observaciones del modelo
𝑘 = número de variables del modelo no restringido
p = número de variables del modelo restringido
 𝛽 𝛼1 𝛼2 𝛼3
𝑌= 𝐴𝑋 𝑃1 𝑃2 𝑃3 𝑢 (al aplicar Ln)

𝐿𝑛 𝑌 = 𝛼0 + 𝛽𝐿𝑛 𝑋 + 𝛼1 𝐿𝑛 𝑃1 + 𝛼2 𝐿𝑛 𝑃2 + 𝛼3 𝐿𝑛 𝑃3 + 𝑢
𝐻0 ∶ 𝛼1 + 𝛼2 + 𝛼3 = 1 → 𝛼3 = 1 − 𝛼1 − 𝛼2

𝐿𝑛 𝑌 = 𝛼0 + 𝛽𝐿𝑛 𝑋 + 𝛼1 𝐿𝑛 𝑃1 + 𝛼2 𝐿𝑛 𝑃2 + (1 − 𝛼1 − 𝛼2 )𝐿𝑛 𝑃3 + 𝑢
𝐿𝑛 𝑌 = 𝛼0 + 𝛽𝐿𝑛 𝑋 + 𝛼1 𝐿𝑛 𝑃1 + 𝛼2 𝐿𝑛 𝑃2 + 𝐿𝑛 𝑃3 − 𝛼1 𝐿𝑛 𝑃3 − 𝛼2 𝐿𝑛 𝑃3 + 𝑢
𝐿𝑛 𝑌 − 𝐿𝑛 𝑃3 = 𝛼0 + 𝛽𝐿𝑛 𝑋 + 𝛼1 𝐿𝑛 𝑃1 − 𝛼1 𝐿𝑛 𝑃3 + 𝛼2 𝐿𝑛 𝑃2 − 𝛼2 𝐿𝑛 𝑃3 + 𝑢
𝐿𝑛 𝑌 − 𝐿𝑛 𝑃3 = 𝛼0 + 𝛽𝐿𝑛 𝑋 + 𝛼1 (𝐿𝑛 𝑃1 − 𝐿𝑛 𝑃3 ) + 𝛼2 (𝐿𝑛 𝑃2 − 𝐿𝑛 𝑃3 ) + 𝑢

𝑌 𝑃1 𝑃2
𝐿𝑛 = 𝛼0 + 𝛽𝐿𝑛 𝑋 + 𝛼1 𝐿𝑛 + 𝛼2 𝐿𝑛 +𝑢
𝑃3 𝑃3 𝑃3
b) ¿Cómo averiguaría si la restricción 𝛼1 + 𝛼2 + 𝛼3 = 1
es válida? Muestre sus cálculos.
(0,364−0,336)Τ4−3
• 𝐹𝐶 = ~𝐹 4 − 3; 24 𝛼=0,05 Numerador
(0,336)Τ 29−4−1

Denominador
𝛼 1
𝐹𝑐 = 2 < 4,26
24 0,05 4,26

Se rechaza 𝐻0 . Por lo que, se comprueba

NR que la restricción es valida, esto quiere
decir, que la suma de las elasticidades de
R los precios es 1 (existen rendimientos
constantes a escala)
2 4,26