Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ejercicios Resueltos de Econometria
Ejercicios Resueltos de Econometria
Solucionario Práctica 3
Solución
a) Cuando no se dispone de información a priori sobre ningún coeficiente
Y = β1 +3 β 2 X 4 i + β 3 X 3i + β 4 X 4 i+ ui
Y = β1 + β 3 X 3 i+ ( 3 β2 + β 4 ) X 4 i +ui
Solucionado por: Hugo Calixto Linares, Kenio Espinoza Soto, Linda Melendez Risco,
Jeanmarco Velásquez.
Según Casas “La colinealidad está referida a la existencia de una sola relación lineal entre
las variables explicativas y, por lo tanto, la multicolinealidad se refiere a la existencia de
más de una relación lineal. Es importante anotar que la multicolinealidad se refiere sólo a
relaciones lineales entre las variables independientes y no a cualquier otro tipo de relación,
así pues, si xi = xj2, entonces no existirá multicolinealidad en el modelo.”
3. La siguiente tabla proporciona información sobre los automóviles nuevos vendidos en USA
como función de diversas variables
a) Desarrolle un modelo lineal o log-lineal apropiado para estimar una función de
demanda de automóviles en Estados Unidos.
b) Si decide incluir todas las variables como regresoras en el modelo ¿esperaría
encontrar el problema de multicolinealidad? ¿porqué?
c) Si espera lo anterior ¿cómo resolvería el problema?. Plantee los supuestos claramente
y muestre todos los cálculos de manera explícita.
Año Y X2 X3 X4 X5 X6
1971 10227 112 121.3 776.8 4.89 79367
1972 10872 111 125.3 839.6 4.55 82153
1973 11350 111.1 133.1 949.8 7.38 85064
1974 8775 117.5 147.7 1038.4 8.61 86794
1975 8539 127.6 161.2 1142.8 6.16 85846
1976 9994 135.7 170.5 1252.6 5.22 88752
1977 11046 142.9 181.5 1379.3 5.5 92017
1978 11164 153.8 195.3 1551.2 7.78 96048
1979 10559 166 217.7 1729.3 10.25 98824
1980 8979 179.3 247 1918 11.28 99303
1981 8535 190.2 272.3 2127.6 13.73 100397
1982 7980 197.6 286.6 2261.4 11.2 99526
1983 9179 202.6 297.4 2428.1 8.69 100834
1984 10394 208.5 307.6 2670.6 9.65 105005
1985 11039 215.2 318.5 2841.1 7.75 10750
1986 11450 224.4 323.4 3022.1 6.31 109597
SOLUCION:
|R|=0.0000291
χ 2CALC =− n−1− [
( 2 k +5 )
6
∗ln |R| ]
[
χ 2CALC =− 16−1−
10+5
6 ]
∗(−10.44477238)
2 2
χ CALC =130.5596548 > χ =20.5
Test F
2
Rmax =0.996132
R2max / ( K −1 ) 0.996132/4
F CALC= = =93.64783304
( 1−R ) / ( N−K )
2
max
(1−0.996132)/11
F CALC=93.64783304> F=3.36
r 2max =0.996865
r max √ n−2
2
0.996865 √ 14
t CALC = = =66.61646657
√ 1−r 2
max
√1−0.996865
t CALC =66.61646657>t=2.145
Esto me haría quedar con tres variables X2, X3 Y X4 y las estimo en un modelo
Log-Lineal
Sin
Solucionado por: Valencia Ortiz, Stephania; Ramos Torres, Luis; Torres Polanco,Diana;
BarrantesLimahuaya, Jesús, Meza Sales, Richard.
5
Series: Residuals
Sample 1 13
4 Observations 13
Mean 5.12E-16
3 Median -0.100481
Maximum 1.759616
Minimum -1.330718
2 Std. Dev. 0.917494
Skewness 0.370236
Kurtosis 2.102938
1
Jarque-Bera 0.732885
Probability 0.693196
0
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0
4 Mean 1.81E-15
Median -0.328586
Maximum 1.756759
3
Minimum -1.339966
Std. Dev. 0.948338
2 Skewness 0.365802
Kurtosis 2.105622
1
Jarque-Bera 0.723210
Probability 0.696557
0
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0
b1) Compare los resultados de este modelo con el modelo anterior. Interprete a los
coeficientes de este modelo.
b2) Obtenga una predicción puntual e interválica para el consumo de una familia residente en la
ciudad de Lima, cuya renta disponible es de S/. 3000 (RENTAD = 30).
Solución
a) Interprete los resultados obtenidos, analice el incumplimiento de supuestos para las
perturbaciones del modelo. Contrastar si los consumos autónomos difieren
significativamente.
*Variables dummy
LIMA (1= familia de lima, 0= otra ciudad)
TRUJILLO (1= familia de Trujillo, 0=otra ciudad)
LIMA=0 Y TRUJILLO=0 => AREQUIPA (categoría de referencia)
Donde se puede observar que los regresores RENTADi y LIMAi son significativos para
explicar el consumo medio de las familias, en cambio la variable TRUJILLO ino es
significativa a un nivel de 5% (valor critico de la t de Student con 9 grados de libertad
es 2.262) y comparando con la Prob. de cada coeficiente.
*Interpretación de coeficientes:
H 0 : ^β 3− ^β 4=0
H 1 : ^β3 − ^β 4 ≠ 0
Donde la hipótesis nula indica que no hay efecto diferencial en las familias que residen
en Lima frente a las que residen en Trujillo, sobre el consumo medio autónomo.
Utilizamos la prueba F
{( R ^β−r ) [ R ( X X ) R ] ( R ^β−r ) }/q
' −1 −1
' '
F=
e e ' / ( n−k )
Para:
q= 1
k= 4
n= 13
Calculando R:
R=[ 0 0 1 −1 ]
Necesitamos
RV ( β^ ) R :
'
[ ][ ]
0.399172 −0.004351 −0.257319 −0.270808 0
RV ( β^ ) R =[ 0 0 1 −1 ] −0.004351 0.000160 −0.000854 −0.000359 0
'
[]
0
RV ( β^ ) R =[ 0.013489 −0.000495 0.227127 −0.279485 ] 0
'
1
−1
RV ( β^ ) R =0.506612
'
−1
[ RV ( β^ ) R' ] =1.973897
R ^β−r :
[ ]
0.794799
R ^β−r =[ 0 0 1 −1 ] 0.594686 − [ 0 ]
2.578428
−0.588044
'
R ^β−r =( R ^β−r ) =3.166472
Remplazamos:
F=( 3.166472 ) [ 1.973897 ] ( 3.166472 )
F=19.791
El F tabulada:
F (q , n−k )=F (1,13−4 )=F (1,9 )
F (1,9 )=5.117
Región de
Rechazo
0.05
Región de
Aceptación
0.95
F= 19.79
5.12
6
Series: Residuals
Sample 1 13
5 Observations 13
4 Mean 1.81E-15
Median -0.328586
Maximum 1.756759
3
Minimum -1.339966
Std. Dev. 0.948338
2 Skewness 0.365802
Kurtosis 2.105622
1
Jarque-Bera 0.723210
Probability 0.696557
0
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0
Matriz de covarianzas para los coeficientes estimados
C RENTAD LIMA
0.258344 -0.004350 -0.116521
-0.004350 0.000153 -0.000648
-0.116521 -0.000648 0.353481
b1) Compare los resultados de este modelo con el modelo anterior. Interprete a los
coeficientes de este modelo.
^
CONSUMO i=0.511444 +0.594310 RENTAD i +2.874039 LIMA i+ ε i
Donde se puede observar que a diferencia del modelo anterior, todos los regresores son
significativos para la explicación del modelo y la estimación del consumo medio de las
familias. Esto con una significancia del 5% y contratándolo con las probabilidades. De
cada coeficiente que son menores.
La kurtosis tiende a tres lo que nos indica que pueda tener distribución normal, a pesar
que el coeficiente de asimetría 0.3658 no sea cero pero tienda a este.
b2) Obtenga una predicción puntual e interválica para el consumo de una familia
residente en la ciudad de Lima, cuya renta disponible es de S/. 3000 (RENTAD = 30).
Modelo estimado:
^
CONSUMO i=0.511444 +0.594310 RENTAD i +2.874039 LIMA i+ ε i
Predicción puntual:
Y^ =0.511444+0.594310(30)+2.874039(1)
Y^ =21.214783
Predicción interválica:
L=Y^ i ± t
1−
α
2
√ S (1+ X ( X X )
2
e
'
i
' −1
X i)
L=Y^ i ± t
1−
α √ S + X V ( ^β ) X
2
e
'
i i
2
Donde:
Y^ =21.214783
Se =
2 ∑ e 2 = 10.79213 =1.079213
n−k 13−3
X 'i =[ 1 30 1 ]
Remplazamos:
[ ][ ]
0,258344 −0,004350 −0,116521 1
X i V ( ^β ) X i=[ 1 30 1 ] −0,004350 0,000153 −0,000648 30
'
X i V ( ^β ) X i=0.216603
'
Intervalos:
L=21.214783 ± 2.228 √ 1.079213+0.216603
L=21.214783 ± 2.536220
Li=18.678563
Ls =23.751003
Por lo tanto el consumo medio de una familia residente en Lima y con una renta
disponible de S/3000 soles se estima con 95% de confianza entre los intervalos
[ 18.678563 ,23.751003 ].
Solucionado por: Delgado Aragón, Rodrigo, Ibañez Campos, Marcia, Ppampas Ogosi, Liliana
Elizabeth, Querhuayo Huamaní, Jessica
( ) ( )
10 8 11 6
X ´ X = 8 598 791 ; X ´Y = 506 ; Y ´ Y = 454
11 791 1128 632
Se pide:
a) Obtener la estimación MCO del modelo. ¿hay problema de multicolinealidad?
Justifique.
b) Contrastar al nivel del 5% de significancia : H0 : 1 + 32 = 2 y 3 =1
c) Dados los valores postmuestrales X2 11 = 1; X3 11 = 1
c1) Obtener una predicción puntual e interválica para Y 11
c2) Si Y11= 0.8, verificar si puede aceptarse que exista permanencia estructural, al nivel de
significancia del 5%
Solución
a) Obtener la estimación MCO del modelo. ¿hay problema de multicolinealidad?
Justifique.
SOLUCIÓN:
[ ]
0.1011 −0.000668 −0.000517
−1
( x ´ x) = −0.000668 0.0231 −0.0162
−0.000517 −0.0162 0.01224
[ ]( )
0 .1011 −0. 000668 −0 .000517 6
−0 .000668 0 .0231 −0.0162 506
^β
( x´ x)−1 X ´ Y = −0 .000517 −0 .0162 0 .01224 632
[ ]
−0.058152
^β= 1.446192
−0.464622
Por lo tanto:
β 1=−0.058152
β 2=1.446192
β 3=−0.464622
rX = 2 X3
[ 1 r 23
r 32 1 ]
=
∑ X 2 X 3−n X 2 X 3
SX SX
2 3
= 0.9627
R= [ 0.9627
1 0.9627
1 ] R
−1
[ 13.6596
=
−13.15
−13.15
13.6596 ]
FIV X 3 X 2= 13.6596 ¿ 10
FIV X 2 X 3 = 13.6596 ¿ 10
H 0 : β 1+3 β 2=2
β 3=1
SOLUCIÓN:
F (q ;n−k )
es
[−0.455894] [ 1] [−1.455894
( R ^β−r ) = 4.294086 − 2 2.294086
= ]
( R ^β−r ) =[ 2.294086−1.455894 ]
'
][ ][ ]
0.101104 −0.000668 −0.000517 1 0
' −1
R( X X ) R =¿ '
0 0 1[
1 3 0∗
−0.000668 0.023089 −0.016184 ∗ 3 0
−0.000517 −0.016184 0.012241 0 1
[
R( X ' X )−1 R' = 0.304897−0.049069
−0.049069 0.012241 ]
[37.0478193 230.201736 ]
= 9.2421356937.0478193
−1
[ R( X ' X )−1 R' ]
¿¿
[
¿ [ 2.294086−1.455894 ] 9.2421356937.0478193 2.294086
37.0478193 230.201736 −1.455894 ][ ]
¿ 289.1061185
Hallamos la prueba F:
144.55
1.2000497
F=120.45589
X 2 11=1 X 3 11 =1
Predicción puntual:
Y^ i= β^ 1 + ^β 2 X 2i + β^ 3 i X 3 i
Y^ 11 =−0.058+1.450 X 211−0.456 X 3 11
Reemplazando
Y^ 11 =0.936
( )( )
0.1011036 −0.000668 −0.005173 1
( 1 1 1 ) −0.000668 0.0230894 −0.016185 1
−0.000517 −0.161847 0.012241 1
−1
X 0' ( X X )
'
X 0 ¿=0.1017
L=0.936± 1.382
L1=3.716 L2=−1.848
Solución
et
T= ¿
σ e √ 1+ X ´t ¿ ¿ ¿
et
T=
√1+ X ¿ ¿ ¿ ´
t
^ 11=0.936 y Y 11=0.80
Para t=11 Y
e t =Y 11−Y^ 11 e t =0.8−0.936=−0.136
−1
X 11 ' ( X 10' X 10 ) X 11 ¿=0.1017
−0.136
T= =−0.1296
√1+ 0.1017
t tab=±2.3
El t calculado es muy cercano a cero y cae dentro de la región de aceptación de la
hipótesis nula, entonces concluimos que hay estabilidad en el modelo.
Solucionado por: Alarcon Alvarez, Debora Mabel; Cañari Maza, Edith Lucia; Espinoza
Vega, Whinny Daise; Ruiz Delgado, Diego; Paucar Ramirez,Ibeth del Rosario; Pichiua
Tenorio, Flor Maria.
Solucionario
a1) Una empresa con tecnología de punta tiene, por término medio, cinco empleados
más que una que no está en la vanguardia de la innovación.
Es verdadero.
Es Falso.
La proposición correcta debería ser: “Si por lo menos hay una empresa competidora
en un radio de 50 km, la empresa de la industria química contrata 240 trabajadores
menos”.
El coeficiente β 4 nos muestra el efecto diferencial que existe si hay una empresa
complementaria en un radio de 50 km con respecto a cuando no hay una empresa
complementaria en un radio de 50 km. Debido a que el coeficiente β 4 esta expresado
en cientos de personas, un β 4 =1.9 , nos indica que en promedio la empresa que
tiene una empresa complementaria en un radio de 50km, contratara 190 empleados
más que una empresa que no tiene una empresa complementaria en un radio de
50km.
*Análisis de significancia:
*Prueba de Hipótesis:
H 0 : ^β 4=0 H 1 : ^β 4 ≠0
*Estadística de prueba:
( ^β 4 −β ¿4 ) 1.9−0
T 0= = =3.115
S ^β 4
0.61
*Valor Crítico:
*En la gráfica:
Conclusión: Con una confianza del 95% podemos decir que se rechaza la hipótesis nula,
ya que como apreciamos en el grafico T tabla < T calculado, T tabla>Tcalculado ,esto
nos muestra que el coeficiente β 4 es significativo, lo que nos indica que sí existe un
efecto diferencial entre las empresas donde si hay una empresa complementaria en un
radio de 50 km con respecto a las empresas donde no hay una empresa complementaria
en un radio de 50 km.
Solucionado por: Delgado Aragón, Rodrigo, Ibañez Campos, Marcia, Ppampas Ogosi, Liliana
Elizabeth, Querhuayo Huamaní, Jessica
7. El gerente de ventas de cierta empresa cree que la capacidad de ventas, entre otros
factores podría asociarse con la capacidad de razonamiento verbal de los vendedores, con
su interés vocacional y su nivel de instrucción. Para comprobar esto, se escogen al azar 10
vendedores de su personal y se les dan dos pruebas, una de capacidad de razonamiento
verbal y otra de interés vocacional. Los resultados se dan el cuadro, donde:
a) Plantee el modelo para evaluar el efecto diferencial de la instrucción en las ventas medias.
Proporcione la matriz (X´X), (X´Y).
b) Plantee el modelo para evaluar el efecto total de la instrucción en las ventas, considerando
el efecto interactivo en la puntuación de razonamiento verbal y en la puntuación de interés
vocacional. Proporcione las matrices (X´X), (X´Y).
Agente Y X2 X3 I
1 1 1 1 0
2 3 2 5 0
3 4 3 4 0
4 2 4 3 0
5 1 1 2 1
6 2 2 3 1
7 2 3 2 1
8 5 4 5 1
9 3 5 2 1
10 6 5 6 1
Media 2.9 3.0 3.3 0.6
S 1.66 1.49 1.64 0.516
c) Se estimó el siguiente modelo. Analice e interprete a los coeficientes del modelo e indique
la importancia relativa de las variables regresoras. Es válido hacer inferencia con el modelo
¿por qué?
Dependent Variable: Y
Method: Least Squares
Sample: 1 10
Included observations: 10
Variable Coefficient Std. Error t-Statistic Prob.
C -0.849928 0.593732 -1.431501 0.2022
I 0.257129 0.455372 0.564658 0.5928
X2 0.420735 0.177132 2.375255 0.0551
X3 0.707105 0.154547 4.575339 0.0038
R-squared 0.891747 Mean dependent var 2.900000
Adjusted R-squared 0.837620 S.D. dependent var 1.663330
S.E. of regression 0.670262 Akaike info criterion 2.326878
Sum squared resid 2.695505 Schwarz criterion 2.447912
Log likelihood -7.634388 F-statistic 16.47520
Durbin-Watson stat 2.628830 Prob(F-statistic) 0.002660
Mean 4.83E-16
1.5 Median -0.004350
Maximum 0.759304
Minimum -0.954326
1.0 Std. Dev. 0.547266
Skewness -0.142098
Kurtosis 2.142203
0.5
Jarque-Bera 0.340243
Probability 0.843562
0.0
-1.0 -0.5 0.0 0.5 1.0
Solucionario:
a) Plantee el modelo para evaluar el efecto diferencial de la instrucción en las
ventas medias. Proporcione la matriz (X´X), (X´Y).
El modelo que planteamos es el siguiente:
Y = β1 + β 2 X 2 + β3 X 3 + β 4 I + ε
Esto dado que queremos saber cuál es el efecto diferencial de tener un nivel de
instrucción superior frente a la opción de no tenerlo respecto a las ventas
medias mensuales.
[ ]
Nuestra matriz (X´X) sería la siguiente:
n n
n ∑ X2i ∑ X3i n2
i=1 i=1
[ ]
n n n n
10 30 33 6
∑
i=1
X2i ∑
i=1
X 2
2i ∑
i=1
X2i X3i ∑ X2i
i=n +1 30 110 109 20
( X ´ X )= 1
=
n n n n
33 109 133 20
∑ X3i ∑ X3i X2i ∑ X 23 i ∑ X3i 6 20 20 6 4x4
i=1 i=1 i=1 i=n1+1
n n
n2 ∑ X2i ∑ X3i n2 4 x4
i=n1+1 i=n1+1
∑Yi
i=1
[]
n
29
∑ X2iY i 103
( X ´ Y )= i=1
=
n
117
∑ X3iY i 19 4x1
i=1
n
∑ Yi 4x1
i=n1+1
[ ]
de ventas mensuales.
Nuestra matriz (X´X) sería la siguiente:
n n n n
n ∑ X 2i ∑ X3i n2 ∑ X2i ∑ X3i
i=1 i =1 i=n1 +1 i=n1+1
n n n n n n
∑ X 2i
i=1
∑ X 22i
i=1
∑ X 2i X 3 i
i=1
∑ X2i
i=n +1
∑
i=n +1
X 22 i ∑
i =n1 +1
X2i X3i
1 1
n n n n n n
∑ X 2i ∑ 2
X 2i ∑ X 2i X 3 i ∑ X2i ∑ X2i
2
∑ X2i X3i
i=n1+1 i=n1+1 i=n 1+1 i=n1 +1 i=n1 +1 i =n1 +1
n n n n n n
[ ]
10 30 33 6 20 20
30 110 109 20 80 74
( X ´ X ) = 33 109 133 20 74 82
6 20 20 6 20 20
20 80 74 20 80 74
20 74 82 20 74 82 6x 6
∑Yi
i=1
n
∑ X2iY i
[]
i=1
n
29
∑ X3iY i 103
( X ´ Y )= i=1
n = 117
19
∑ Yi 76
i=n1+1
n 79 6x 1
∑ X2iY i
i=n1 +1
n
∑ X3i Y i 6x 1
i=n1 +1
Para X 2 :
Sx 0.420735∗0.177132
β 3= ^β 3
¿ 2
= =0.0448
Sy 1.663330
Para X 3 :
Sx 0.707105∗0.154547
β ¿4 = ^β 4 3
= =0.0657
Sy 1.663330
Mean 4.83E-16
1.5 Median -0.004350
Maximum 0.759304
Minimum -0.954326
1.0 Std. Dev. 0.547266
Skewness -0.142098
Kurtosis 2.142203
0.5
J arque-Bera 0.340243
Probability 0.843562
0.0
-1.0 -0.5 0.0 0.5 1.0
Test de Jarque-Bera:
Lo ideal es que nuestro coeficiente de Jarque-Bera sea muy cercano a cero. En
nuestro caso, el modelo posee un JB=0.340243 que es bajo, esto nos da cierta
aproximación a la distribución normal. Ahora bien, nuestro JB tiene su valorp
correspondiente, que es la probalidadde obtener un estadístico igual o mayor a
nuestro JB, con el supuesto de normalidad, es aproximadamente 84%. En
consecuencia, no rechazamos la hipótesis nula del test que es la normalidad de
los errores.
Solucionado por: Nuñez Díaz, Irving Adolfo; Panduro Chávez, Raúl Mesias; Álvarez Tovar,
Christian Manuel; Coello Martínez, Adrián Manuel; Cámac Yaya, Manuel Jesús