Guatemala, 15 de agosto del 2022

ECONOMETRÍA
LUCÍA FRANCO – Carné 22010814
PRIMER EXAMEN PARCIAL – TIPO

Serie I: (40 Pts) Responder de forma breve a 5 de las siguientes cuestiones:

1. ¿Qué es la econometría?

En términos literales econometría significa “medición económica”. La econometría puede definirse

como el análisis cuantitativo de fenómenos económicos reales, basados en el desarrollo simultáneo
de la teoría y la observación, relacionados mediante métodos apropiados de inferencia.

2. Enuncie un ejemplo de series transversales.

Censo de población realizado por el Instituto Nacional de Estadísitica.

Medición de niveles actuales de obesidad en una población.

3. ¿Cuál es la diferencia entre regresión y correlación?

La correlación cuantifica como de relacionadas están dos variables, mientras que la regresión lineal
consiste en generar una ecuación (modelo) que, basándose en la relación existente entre ambas
variables, permita predecir el valor de una a partir de la otra.

4. ¿Cuál es la diferencia entre la función de regresión poblacional y la función de regresión

muestral?

La diferencia entre función de regresión poblacional y función de regresión muestral, es que la FRM
es un estimador de la regresión poblacional, esto quiere decir que a partir de los resultados de una
muestra se puede inferir el mismo comportamiento para una población.

5. ¿Qué representa la perturbación estocástica en un análisis de regresión?

La perturbación estocástica es un sustituto de todas las variables que se omiten en el modelo, pero
que, en conjunto, afectan a Y.

6. ¿Qué se quiere dar a entender al decir “modelo de regresión lineal”?

Es una técnica estadística utilizada para estudiar la relación entre variables.

Es una técnica de modelado estadístico que se emplea para describir una variable de respuesta
continua como una función de una o varias variables predictoras.
Serie II: (30 Pts) Responder de forma breve 2 de las siguientes cuestiones.

1. Enuncie el teorema de Gauss-Markov.

El Teorema de Gauss-Márkov es un conjunto de supuestos que debe cumplir un estimador MCO

(Mínimo Cuadrados Ordinarios) para que se considere ELIO (Estimador lineal insesgado óptimo).

Dentro de la estadística, consiste en el establecimiento de un determinado modelo de

regresión lineal donde los errores contienen la posibilidad de tener cero, lo que significa que las
varianzas mantienen la igualdad y son no correlacionados.

2. Enuncie los 7 supuestos del MCRL.

Supuesto 1.
Modelo de regresión lineal: El modelo de regresión es lineal en los parámetros, aunque puede o no
ser lineal en las variables. Es decir, el modelo de regresión como se muestra en la ecuación (2.4.2)

Yi = β1 + β2 Xi + ui (2.4.2)

Supuesto 2.
Valores fijos de X, o valores de X independientes del término de error: Los valores que toma la
regresora X pueden considerarse fijos en muestras repetidas (el caso de la regresora fija), 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

Supuesto 3.
El valor medio de la perturbación ui es igual a cero: Dado el valor de Xi, la media o el valor esperado
del término de perturbación aleatoria ui es cero. Simbólicamente, tenemos que E(ui|Xi) = 0 (3.2.1)
O, si X no es estocástica, E(ui) = 0

Supuesto 4.
Homoscedasticidad o varianza constante de ui: La varianza del término de error, o de perturbación,
es la misma sin importar el valor de X.

Supuesto 5.
No hay autocorrelación entre las perturbaciones: Dados dos valores cualesquiera de X, Xi y Xj (i ≠ j),
la correlación entre dos ui y uj cualesquiera (i ≠ j) es cero. En pocas palabras, estas observaciones se
muestrean de manera independiente.

Supuesto 6.
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.
Supuesto 7.
La naturaleza de las variables X: 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.

3. Explique que son para usted los grados de libertad.

El término número de grados de libertad signifi ca el número total de observaciones en la muestra

(= n) menos el número de restricciones (lineales) independientes o de restricciones que se les
impusieron. En otras palabras, es la cantidad de observaciones independientes de un total de n
observaciones.

Serie III: (10 Pts)

Estuve ausente la clase del 04/08, y no hay grabación de ese día en el GES. No entendí cómo hacer
la demostración.

Serie IV: (20 Puntos)

La tabla siguiente presenta los resultados obtenidos en SPSS al efectuar la regresión del CPI en
función del WPI de 1980 al 2006 en USA.

CPI = Índice de precios al consumidor.

WPI = Índice de precios al productor.

Nota: El índice de precios del productor (WPI) es un indicador de la evolución de los precios de venta
del productor, correspondientes al primer canal de comercialización o distribución de los bienes
transados en la economía. La diferencia con el índice de precios al consumidor (CPI) se explica por
qué un bien puede ser comercializado o distribuido por diferentes intermediarios que modificarán
el precio de venta hasta llegar al consumidor final. (fuente: http://www.banrep.gov.co/es/ipp )

2. ¿Qué significan para usted los coeficientes obtenidos?

WPI depende de CPI.

WPI, que es la variable que se desea predecir, se denomina la variable dependiente.
La variable CPI, que es la variable que se está utilizando para predecir el valor del precio de venta
hasta llegar al consumidor, esta es la variable independiente.
3. ¿Qué piensa del coeficiente de determinación obtenido?

R cuadrado = 0.958696
Esto quiere decir que el ajuste del modelo a la variable será mayor.

Coeficiente de determinación (R cuadrado)

Es importante saber que el resultado del coeficiente de determinación oscila entre 0 y 1.
Cuanto más cerca de 1 se sitúe su valor, mayor será el ajuste del modelo a la variable que
estamos intentando explicar.
De forma inversa, cuanto más cerca de cero, menos ajustado estará el modelo y, por tanto,
menos fiable será.