Ejercicios de Econometría

Regresión Multivariada y Pruebas de Hipótesis

(Nota: se usa “b” como estimador MCO del parámetro  ; el intercepto siempre es 𝟎)

1. Suponga un modelo de regresión que representa el efecto de la fuerza laboral en el sector agrario (X1i) y los
años de educación promedio (X2i) sobre el ingreso per cápita (Yi)--en miles de dólares. Si se obtuvo la siguiente
estimación:

̂ 𝒊 = 𝟔. 𝟐𝟔 − 𝟎. 𝟑𝟖𝑿𝟏𝒊 + 𝟎. 𝟒𝟓𝑿𝟐𝒊
𝒀
Si los estimadores de los parámetros principales son b0, b1 y b2, y se cuenta con la siguiente información
complementaria:
“n” 15
𝟐
Σ𝒙𝟏𝒊 60 Σ𝒚𝒊 𝒙𝟏𝒊 -28
𝟐 S2 1.02
Σ𝒙𝟐𝒊 74 Σ𝒚𝒊 𝒙𝟐𝒊 38
Σ𝒚𝟐𝒊 40 Σ𝒙𝟏𝒊 𝒙𝟐𝒊 -12

Los valores 𝒚𝒊 , 𝒙𝟏𝒊 , 𝒙𝟐𝒊 son las desviaciones de los valores de las variables respecto a sus promedios.
(a) Pruebe (con 5% de error) si los estimadores b1 y b2 son estadísticamente significativos (comente los
resultados)

(b) Estime el valores del coeficiente de determinación y comente sobre la “bondad de ajuste” (basado en R2).

(c) Construya un intervalo de confianza pertinente, al 95% de confiabilidad, para β1, el estimador del efecto de la
variable X1 (interprete el resultado).

Sugerencia:
Revisar el capítulo 7 del libro de Gujarati & Porter (2010).

2. Use el software para incluir y usar los datos hipotéticos de la siguiente tabla:

"i " Y X1 X2
1 10 2 1
2 20 5 0
3 40 3 1
4 30 8 2
5 50 7 1

Entonces conteste lo siguiente:

(a) Cuáles son los estimadores MCO de bo y b1, para la ecuación: 𝒀𝒊 = 𝟎 + 𝟏 𝑿𝟏𝒊 + 𝝁𝒊 ?

(b) Cuáles son los estimadores MCO de bo y b2, para la ecuación: 𝒀𝒊 = 𝟎 + 𝟐 𝑿𝟐𝒊 + 𝝁𝒊 ?

1
(c) Cuáles son los estimadores MCO de bo y b2/1, para la ecuación:
𝒀𝒊 = 𝟎 + 𝟏/𝟐 𝑿𝟏𝒊 + 𝟐/𝟏 𝑿𝟐𝒊 + 𝝁𝒊 ?
(donde los coeficientes de regresión son coeficientes parciales)

(d) Interprete el resultado para bo, b1/2, y b2/1 ¿Porqué b2/1 no es igual a b2?

Sugerencias:
(b) bo = 25 y b2 = 5.
(d) b1/2 = 3.02 y b2/1 = 0.47

3. Considere los siguientes resultados de un modelo de regresión:

Ŷ = 21.3 + 0.109X1 - 0.388X2
EE (8.63) (0.011) (0.108) GL = 11
t (2.47) (10.35) (-3.60) S = 1.418

(a) Cuál es el estimado de la varianza residual?

(b) Cuántas observaciones han sido incluidas en el análisis?
(c) Con los promedio de las V. regresoras 𝑿 ̅ 𝟏 = 333.4 y 𝑿
̅ 𝟐 = 97.829, ¿Cuál sería el valor del intercepto? (Y sin el
efecto de las regresoras)

Sugerencias:
(b) n = 14
(c) Valor de Y=19.73

4. Usando un modelo de regresión con dos variables regresoras (X1 y X2), incorrectamente un investigador social
reporta los valores de variabilidad de los estimadores: S1 = 4 y S2 = 12 (basado en un cálculo equivocado del error
estándar de regresión: S = 10).
¿Cuáles serían los valores correctos -de S1 y S2- si el valor adecuado de S fuera una de c/u de las tres siguientes
opciones?:
(a) S = 20
(b) S = 100
(c) S = c?

Sugerencias:
(a) S1 = 8 y S2 = 24
(c) S1 = c/2.5 y S2 = c/0.833

5. Suponga que se estima el modelo siguiente (1996-1997):

C = bo + b1W + b2N + b3X +U

Donde C = salario anual de docentes de escuelas públicas (S/. nuevos soles)

W = salario promedio anual en el sector privado general (S/. nuevos soles)
N = número de docentes por 1000 estudiantes
X = años promedio de experiencia docente.

2
Los resultados MCO son:
C = 9734.3 + 4.8W – 14.37N + 235.77X + e

(a) Interprete los valores de bo y b2 (se requiere una interpretación con propiedad, en función de las unidades de
medida de las variables involucradas).
(b) ¿Qué pasaría con la variable dependiente si es que se incrementa en S/1000 el salario promedio anual en el
sector privado?
(c) ¿Son los coeficientes b iguales a los respectivos parámetros? ¿Porqué??

Sugerencia:
(c) NO se sabe realmente (porque los parámetros son realmente desconocidos- El coeficiente MCO es el
mejor estimador – mejor aproximación).

6. Considere la siguiente tabla ANOVA basada en una regresión estimada con MCO
Fuente de Variación Suma de cuadrados Grados de Libertad
Regresión 800 ¿?
Residual ¿? 45
TOTAL 1,200 49

Con la información disponible, complete el cuadro y conteste lo siguiente:

a) ¿Cuál es el valor de ∑ 𝒆𝟐 ?
b) ¿Cuál es el estimador insesgado de la varianza residual?
c) ¿Cuál es el “error estándar de la regresión”?
d) ¿Cuál es el estimado de la Var (Y)?
e) Calcule el estadístico F para probar la Ho conjunta para todos los 𝒔 .

Sugerencia:
c) 2.98
d) 24.49
e) Existe suficiente evidencia para rechazar la Ho.

7. Considere los siguientes resultados MCO:

Ŷ = 16.5 + 2.1 X1 + 50.0 X2

EE (10.0) (0.50) (20.0) n = 28

F = 18.75 R2 = 0.333

Si los estimadores de regresión parcial (de los parámetros principales) son los que aparecen en la ecuación <; es
decir, b0, b 1 y b2.

(a) Construya un intervalo de confianza para el parámetro 𝟏

(b) Rechazaría la Ho: 𝟏 = 0 y no rechazaría Ha: 𝟏 0, a un nivel α=0.05?
(c) Rechazaría la Ho: 𝟏= 1 y no rechazaría Ha: 𝟏> 1, a un nivel α=0.05?

3
 Sugerencias:
(a) Pr [1-07 < 𝟏 < 3.13] = 0.95; (c) tc = 2.20, rechazo la Ho.

8. Considere el siguiente modelo de regresión: 𝒀𝒊 = 𝟎 + 𝟏 𝑿𝟏𝒊 + 𝟐 𝑿𝟐𝒊 + 𝒆𝒊

(a) Supóngase que se multiplican todos los valores de 𝑿𝟏𝒊 por 2, ¿cuál sería el efecto de este escalamiento, si es
que se produce alguno, sobre los estimadores de los parámetros y sus errores estándar? (demuéstrelo).
(b) Suponga que se multiplican todos los valores de Y por 2, ¿cuál sería el efecto de esto, si hay alguno, sobre
los estimadores de los parámetros y sus errores estándar? (demuestre).

Sugerencia: Revisar el capítulo 7 del libro de Gujarati & Porter (2010); especialmente problema 7.10.

(b) Todos los estimadores de parámetros, y errores estándar, resultan multiplicados por 02.

9. Considere la siguiente función de Producción de Cobb Douglas:

𝜷 𝜷
𝒀𝒊 = 𝜷𝒐 𝑿𝟏𝒊𝟏 𝑿𝟐𝒊𝟐 𝒆𝝁𝒊

Si existen rendimientos constantes a escala, entonces (𝜷𝟏 + 𝜷𝟐 ) = 𝟏

(a) Siendo X1 y X2 variables que representan los factores trabajo y capital, escriba la función linealizada.

(b) Suponga los siguientes resultados de estimación:

¿Cuáles serían los resultados del “sometimiento” a prueba de la Ho: (𝜷𝟏 + 𝜷𝟐 ) = 𝟏? [si es que se sabe que
COV (𝜷𝟏 + 𝜷𝟐 ) = 𝟎. 𝟎𝟔𝟕].

Sugerencia: Revisar el capítulo 7 del libro de Gujarati & Porter (2010); especialmente secciones 8.6 y 8.7.

10. Considere los siguientes dos modelos:

Modelo A: 𝒀𝒕 = 𝜶𝟎 + 𝜶𝟏 𝑿𝟏𝒕 + 𝜶𝟐 𝑿𝟐𝒕 + 𝝁𝟏𝒕

Modelo B: (𝒀𝒕 - 𝑿𝟏𝒕 ) = 𝟎 + 𝟏 𝑿𝟏𝒕 + 𝟐 𝑿𝟐𝒕 + 𝝁𝟐𝒕

4
 (a) ¿Son iguales los valores estimados MCO de 𝜶𝟎 y 𝟎? (demuestre porque)
(b) ¿Son iguales los valores estimados MCO de 𝜶𝟐 y 𝟏? (demuestre porque)
(c) ¿Cuál es la relación entre estimadores MCO de 𝜶𝟏 y 𝟏? (demuestre porque)
(d) ¿Es posible comparar los R2 de los dos modelos? ¿Porqué SI ó NO?

Sugerencias: revisar el ejercicio 7.12 del libro de Gujarati y Porter (2010)

(a) Los interceptos de ambos modelos son iguales.
(b) SI, son iguales los valores estimados MCO de α2 y β2 (demuestre porqué).
(c) 𝜷∗𝟏 = (𝟏 + 𝜷𝟏 ) = 𝜶𝟏 (demuestre porqué)

EJERCICIO PARA USO DEL SOFTWARE

11. Considere la información hipotética del ejercicio 7.1 del libro de Gujarati & Porter (capítulo 7). Use el
software para responder las preguntas (a) y (b); comente los resultados.

Sugerencia:
Los resultados son los siguientes:
𝜶̂=-3.0
𝟏 ̂=3.5
𝜶 𝟐
̂ ̂
𝝀𝟏 = 4.0 𝝀𝟐 =-1.36
𝜷̂𝟏 =2.0 ̂𝟐 =1.0
𝜷 ̂𝟑 =-1.0
𝜷

̂𝟐 es un estimador sesgado de 𝜷𝟐 .
(a) NO son iguales, dado que el modelo (3) es el modelo correcto, 𝜶
̂𝟑 es un estimador sesgado de 𝜷𝟑 .
(b) NO son iguales, igual que en (a), 𝜶
Conclusión: el modelo múltiple es el correcto. Los demás tienen problemas de especificación.

12. Si un investigador trata de evaluar los efectos del cambio climático sobre los rendimientos de café en una zona
cafetalera importante del Perú. Para ello considera como variables regresoras determinantes, la temperatura y la
precipitación, cuyos datos son reportados en la Tabla a continuación.

R: T:
Y:
Precipitación Temperatura
Año Rendimiento
total (en promedio
(qq/ha)
pulgadas) (ºC)
2002 80 240 60
2003 95 270 70
2004 100 300 80
2005 120 360 90
2006 150 410 100
2007 165 480 120
2008 190 600 130
2009 230 700 140
Nota: los datos son hipotéticos.

Dada la función lineal: 𝒀𝒕 = 𝟎 + 𝟏 𝑹𝒕 + 𝟐 𝑻𝒕 + 𝝁𝒕

Utilice software para obtener:

5
(a) Los estimadores MCO de los tres parámetros: pendientes e intercepto.
(b) Reporte los estimadores de las varianzas de las pendientes de (a) más la varianza residual o varianza
de la regresión.
(c) Evalúe la significancia estadística de los estimadores reportados en (a)
(d) Reporte el intervalo de confianza a 95% de las dos pendientes.
(e) Concluya en relación al efecto del cambio climático en rendimiento de café.

Sugerencias:
a) Las pendientes y errores estándar son 5.13 (1.749) y 2.19 (0.175),para “precipitación” y
“temperatura”, respectivamente.
(b)El efecto del cambio climático es significativo en el período indicado.

13. En el sector textil de un país hipotético, la evolución temporal de la producción (Q), del capital
invertido en planta y equipo (K) y del empleo (L) ha sido la siguiente:

Año Qt (*) Kt (*) Lt (**)

1995 80 240 60
1996 95 270 70
1997 100 300 80
1998 120 360 90
1999 150 410 100
2000 165 480 120
2001 190 600 130
2002 230 700 140
2003 250 750 160
2004 260 900 180
(*) millones de UM constantes
(**) miles de personas

Dada la función Cobb-Douglas 𝑸𝒕 = 𝑨𝑳𝜶 𝝁 𝜷

𝒕 𝑲𝒕 𝒆

Utilice el software para obtener:

(a) La estimación -por MCO- de los parámetros A,  y  .
(b) Contrástese la significancia estadística de  y , en forma individual y conjunta (α=0.05).
(c) Comente sobre la bondad de ajuste del modelo.

Sugerencias:
(a) Utilizando logaritmos, se obtiene: 𝐴̂ = −0.6046; 𝛼̂ = 0.41358; 𝛽̂ = 0.6282.
(b) Contraste Individual y conjunto
Prueba Contraste
tc = 0.941 No rechazamos Ho: α=0
Fc = 272.2 Rechazamos Ho: α==0
Complete e interprete los resultados de los contrastes.

6
14. Utilice el archivo CEOSAL2 (Ficheros de Wooldridge1) para responder las cuatro preguntas planteadas en el
ejercicio C3.3 (pp. 111)

Sugerencias:
(i) La ecuación de elasticidad constante es una doble-logaritmica.
(ii) No podemos incluir beneficios ("profits") en forma logaritmica debido a que tales beneficios son
negativos para nueve de las empresas en la muestra.
(iii) Si se añade la variable "ceoten" a la ecuación, obtenemos:
̂
𝑳𝒐𝒈(𝒔𝒂𝒍𝒂𝒓𝒚) = 𝟒. 𝟓 + 𝟎. 𝟏𝟔𝟐 𝑳𝒐𝒈(𝒔𝒂𝒍𝒆𝒔) + 𝟎. 𝟏𝟎𝟐 𝑳𝒐𝒈(𝒎𝒌𝒕𝒗𝒂𝒍) + 𝟎. 𝟎𝟎𝟎𝟐𝟗 (𝒑𝒓𝒐𝒇𝒊𝒕𝒔) + 𝟎. 𝟏𝟐(𝒄𝒆𝒐𝒕𝒆𝒏)
(iv) La correlación muestral entre 𝑳𝒐𝒈(𝒎𝒌𝒕𝒗𝒂𝒍)𝒚 (𝒑𝒓𝒐𝒇𝒊𝒕𝒔) es 0.78. Esto no ocasiona sesgo en los
estimadores MCO, aunque puede ocasionar que las varianzas sean más grandes.

15. Utilice el archivo ATTEND (Ficheros de Wooldridge) para responder las cinco preguntas planteadas en el
ejercicio C.3.4 (pp. 111)

Sugerencias:
̂
(ii) La ecuación estimada es: (𝒂𝒕𝒏𝒅𝒓𝒕𝒆) = 𝟕𝟓. 𝟕 + 𝟏𝟕. 𝟐𝟔 𝒑𝒓𝒊𝑮𝑷𝑨 − 𝟏. 𝟕𝟐 𝑨𝑪𝑻
n=680; R2=0.291
̂
(iv) Tenemos (𝒂𝒕𝒏𝒅𝒓𝒕𝒆) = 𝟕𝟓. 𝟕 + 𝟏𝟕. 𝟐𝟔𝟕(𝟑. 𝟔𝟓) − 𝟏. 𝟕𝟐 (𝟐𝟎) = 𝟏𝟎𝟒. 𝟑
De hecho un estudiante no puede tener más de 100% de asistencia. En la práctica predecimos un 100% de tasa
de asistencia para este estudiante (en efecto, este estudiante tuvo una tasa de asistencia real de 87.5%).
(v) La diferencia en tasas de asistencia "predecida" para "A" y "B" es 17.26 (3.1-2.1)-(21-26)=25.86.

16. Utilice el archivo HPRICE1 (Ficheros de Wooldridge) para responder las tres preguntas planteadas en el
ejercicio C6.5 (pp. 219-220).

Sugerencias:
(i) Los resultados del modelo solicitado son:

̂
𝑳𝒐𝒈(𝒑𝒓𝒊𝒄𝒆) = 𝟓. 𝟔 + 𝟎. 𝟏𝟔𝟖 𝑳𝒐𝒈(𝒍𝒐𝒕𝒔𝒊𝒛𝒆) + 𝟎. 𝟕 𝑳𝒐𝒈(𝒔𝒒𝒓𝒇𝒕) + 𝟎. 𝟎𝟑𝟕 (𝒃𝒅𝒓𝒎𝒔)
(0.65) (0.038) (0.093) (0.028)
n=88, R2=0.634 𝑅𝑎2 =0.63

̂
(ii) 𝑳𝒐𝒈(𝒑𝒓𝒊𝒄𝒆) = 𝟓. 𝟔 + 𝟎. 𝟏𝟔𝟖 𝑳𝒐𝒈(𝟐𝟎𝟎𝟎𝟎) + 𝟎. 𝟕 𝑳𝒐𝒈(𝟐𝟓𝟎𝟎) + 𝟎. 𝟎𝟑𝟕 (𝟒) = 𝟏𝟐. 𝟗

1
Todos los archivos (ficheros) del libro de Wooldridge están localizados en el aula virtual de este curso. Al igual que los que
corresponden al libro de Gujarati & Porter.
7