EJERCICIOS DE ECONOMETRIA

10.2. Considere el conjunto de datos hipotéticos de la siguiente tabla. Supóngase que

desea ajustar el modelo Y =β 1 + β 2 x 2 i+ β3 y 3 i+u |

Y X2 X3
-10 1 1
-8 2 3
-6 3 5
-4 4 7
-2 5 9
0 6 11
2 7 13
4 8 15
6 9 17
8 10 19
10 11 21

a) ¿Se puede estimar estas incógnitas? ¿Por qué?

No, porque no cumple con el Modelo Clásico de Regresión Lineal que plantea que no
existe multicolinealidad entre las regresoras incluidas en el modelo. Tiene un error de
matriz casi singular. Los regresores pueden ser perfectamente colineales
b) Si no se puede hacer ¿qué funciones lineales de estos
parámetros, las funciones estimables, pueden estimar? Muestre
los cálculos necesarios

X3 = 2X2 -1

Y=β1+β2X2i+β3Y3i+µ

Y=β1+β2X2i+β3(2X2-1)+µ

Y=β1-β3+(β2+2β3)X2

Y=
10.3. Consulte el ejemplo de la mortalidad infantil analizado en el capítulo 8. Dicho
ejemplo implico hacer la regresión de la tasa de mortalidad infantil (MI) sobre el PIB
per cápita ( PIBPC) y la tasa de alfabetización de las mujeres (TAM). Ahora, suponga
que añadimos la variable tasa de fecundidad total (TFT). Lo anterior da los siguientes
resultados.

Respuestas:
a) Compare estos resultados de la regresión con los obtenidos en la ecuación
(8.1.4).¿Qué cambios observa? ¿Cómo los explica?

Aunque los valores numéricos de la intersección y la pendiente de los

coeficientes y TAM y PBIPC han cambiado, sus signos no. Además estas
variables son estadísticamente significativas que quiere decir que el nivel de
significancia es menor a 0.05. Estos cambios se deben a la incorporación de la
tasa total de fecundidad variable, lo que sugiere que puede haber algunos
multicolinealidad entre la variable independiente (regresora).

b) ¿Vale la pena añadir la variable TFT al modelo? ¿Por qué?

Dado el valor de la TFT es un coeficiente muy importante (su valor de
probabilidad es solo e 0.0032) por tanto TFT pertenece al modelo; el signo
positivo de este coeficiente también tiene sentido en que cuanto mayor sea el
número de niños materiales para una mujer mayores serán las probabilidades de
la mayor mortalidad infantil (TAM).

c) Como todos los coeficientes t individuales son estadísticamente

significativos, ¿podemos decir que no existe un problema de colinealidad en
el presente caso?
 El problema de la colinealidad ocurre cuando alguno de los coeficientes de
correlación simple o múltiple entre algunas de las variables independientes es 1,
es decir, cuando algunas variables independientes están correlacionadas entre sí.
En este caso es bueno en los que a pesar la colinealidad los coeficientes son
estadísticamente significativos, osea no existe problema de colinealidad.

10.10. Consulte el ejemplo 7.4. Para este problema, la matriz de correlación es la

siguiente:
a) “Como las correlaciones de orden cero son muy elevadas debe existir
Multicolinealidad grave.” Comente.
No, la multicolinealidad se refriere a una asociación lineal entre las variables, en este caso
esta asociación no es lineal.
b) ¿Eliminaría del modelo las variables X2i y X3i?
No, no hay ninguna razón para eliminar estas variables ya que estadísticamente son
significativas en este modelo.
c) Si elimina las variables anteriores, ¿qué sucederá con el valor del coeficiente de Xi?
Si una de las variables se elimina, se da el sesgo de especificación en el coeficiente x1

10.15. En notación matricial se demuestra (apéndice C) que

a) ¿Qué sucede con ˆ β cuando hay colinealidad perfecta entre las X?

Si existe multicolinealidd perfecta no se convierte en una matriz singular, como resultado
de los coeficientes y sus errores estándar son infinitos.
b) ¿Cómo sabe si existe colinealidad perfecta?
Una prueba sería la de examinar los factores de la determinante de la matriz, si el valor
es cero quiere decir que estamos en una multicolinealidad perfecta.

10.27. La tabla 10.13 proporciona cifras sobre importaciones, PIB e índice de precios
al consumidor (IPC) de Estados Unidos de 1975 a 2005. Se le pide considerar el
siguiente modelo:

ln Importaciones = β1 + β2 ln PIBt + β3
ln IPCt + ut
 AÑO IPC PBI IMP
1975 53.8 1638.3 98185
1976 56.9 1825.3 124228
1977 60.6 2030.9 151907
1978 65.2 2294.7 176002
1979 72.6 2563.3 212007
1980 82.5 2785.5 249750
1981 90.9 3128.4 265067
1982 96.5 3225 247642
1983 99.6 3536.7 268901
1984 103.9 3933.2 332418
1985 107.6 4220.3 338088
1986 109.6 4462.8 368425
1987 113.6 4739.5 409765
1988 118.3 5103.8 447189
1989 124 5484.4 477665
1990 130.7 5803.1 498438
1991 136.2 5995.9 491020
1992 140.3 6337.7 536528
1993 144.5 6657.4 589394
1994 148.2 7072.2 668690
1995 152.4 7397.7 479374
1996 156.9 7816.9 803113
1997 160.5 8304.3 876470
1998 163 8747 917103
1999 166.6 9268.4 1029980
2000 172.2 9817 1224408
2001 177.1 10128 1145900
2002 179.9 10469.6 1164720
2003 184 10960.8 1260717
2004 188.9 11712.5 1472926
2005 195.3 12455.8 1677371

a) Estime los parámetros de este modelo con la información de la tabla.

 LOG (IMP) = 1.43862524064 - 1.01066063898*LOG(IPC) + 1.92175684644*LOG(PBI)

b) ¿Sospecha multicolinealidad en los datos?

Por el alto valor del R ^2 = 0.982010 del coeficiente IPC probablemente existe
multicolinealidad en los datos.

Efectúe las siguientes regresiones:

1) ln Importacionest _ A1 + A2 ln PIBt
 2) ln Importacionest _ B1 + B2 ln IPCt

3) ln PIBt _ C1 + C2 ln IPCt

Con base en estas regresiones, ¿qué puede decir sobre la naturaleza de la multicolinealidad
en los datos?
La regresión auxiliar de LOG(PBI) el LOG(IPC) muestra que las dos variables están
altamente correlacionadas, lo cual sugiere que existe el problema de colinealidad.
d) Suponga que existe multicolinealidad en los datos, pero que ˆ β2 y ˆ β3 son
significativos individualmente en el nivel de 5%, y que la prueba global F es también
significativa. En este caso, ¿debe preocupar el problema de colinealidad?

La mejor solución será dividir los coeficientes de PBI y el IPC en términos reales ya que
para que sea significativa p <0.05 rechazando la H, mostrando en el cuadro que no debe
preocupar el problema de la colinealidad

10.29. La tabla 10.14 proporciona información sobre los automóviles de pasajeros

nuevos vendidos en Estados Unidos como función de diversas variables.
 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 107150
1986 11450 224.4 323.4 3022.1 6.31 109597

a) Desarrolle un modelo lineal o log-lineal apropiado para estimar una función de

demanda de automóviles en Estados Unidos.

El modelo log-lineal apropiado para estimar la función de demanda de automóviles en eeuu

se trabaja con las variables x3 x5 x6 , ya que estas se relacionadas con lo que nos pide.

b) Si decide incluir todas las regresoras dadas en la tabla como variables

explicativas, ¿Espera encontrar el problema de multicolinealidad? ¿Por qué?
Si sumamos todas la variables x, obtenemos los siguientes resultados; por tanto claramente
en este modelo existe colinealidad.

b) Si espera lo anterior, ¿cómo resolvería el problema? Plantee los supuestos

claramente y muestre todos los cálculos de manera explícita.

Examinar los coeficientes de correlación entre la variable independiente, se observa una

correlación muy alta entre el auto del IPC y el IPC general (0.997) y entre IPD y el auto
nuevo IPC (0.9919. Otros son relativamente altos, pero deben permanecer en el modelo por
razones teóricas. IPD también está estrechamente relacionado con el nivel de empleo, la
correlación entre los dos es 0.972 por lo tanto, uno podía caer IPC general e IPD y estimar
el siguiente modelo.

11.15. La tabla 11.7 proporciona datos sobre 81 automóviles respecto de su MPG

(millas promedio por galón), CF (caballos de fuerza de su motor), VOL (pies cúbicos
de su cabina), VM (velocidad máxima en millas por hora) y su PS (peso del vehículo
en cientos de lb).
OBS MPG VM CF VOL PS
1 65.4 96 49 89 17.5
2 56 97 55 92 20
3 55.9 97 55 92 20
4 49 105 70 92 20
5 46.5 96 53 92 20
6 46.2 105 70 89 20
7 45.4 97 55 92 20
8 59.2 98 62 50 22.5
9 53.3 98 62 50 22.5
10 43.4 107 80 94 22.5
11 41.1 103 73 89 22.5
12 40.9 113 92 50 22.5
13 40.9 113 92 99 22.5
14 40.4 103 73 89 22.5
15 39.6 100 66 89 22.5
16 39.3 103 73 89 22.5
17 38.9 106 78 91 22.5
18 38.8 113 92 50 22.5
19 38.2 106 78 91 22.5
20 42.2 109 90 103 25
21 40.9 110 92 99 25
22 40.7 101 74 107 25
23 40 111 95 101 25
24 39.3 105 81 96 25
25 38.8 111 95 89 25
26 38.4 110 92 50 25
27 38.4 110 92 117 25
28 38.4 110 92 99 25
29 46.9 90 52 104 27.5
30 36.3 112 103 107 27.5
31 36.1 103 84 114 27.5
32 36.1 103 84 101 27.5
33 35.4 111 102 97 27.5
34 35.3 111 102 113 27.5
35 35.1 102 81 101 27.5
36 35.1 106 90 98 27.5
37 35 106 90 88 27.5
38 33.2 109 102 86 30
39 32.9 109 102 86 30
40 32.3 120 130 92 30
41 32.2 106 95 113 30
 42 32.2 106 95 106 30
43 32.2 109 102 92 30
44 32.2 106 95 88 30
45 31.5 105 93 102 30
46 31.5 108 100 99 30
47 31.4 108 100 111 30
48 31.4 107 98 103 30
49 31.2 120 130 86 30
50 33.7 109 115 101 35
51 32.6 109 115 101 35
52 31.3 109 115 101 35
53 31.3 109 115 124 35
54 30.4 133 180 113 35
55 28.9 125 160 113 35
56 28 115 130 124 35
57 28 102 96 92 35
58 28 109 115 101 35
59 28 104 100 94 35
60 28 105 100 115 35
61 27.7 120 145 111 35
62 25.6 107 120 116 40
63 25.3 114 140 131 40
64 23.9 114 140 123 40
65 23.6 117 150 121 40
66 23.6 122 165 50 40
67 23.6 122 165 114 40
68 23.6 122 165 127 40
69 23.6 122 165 123 40
70 23.5 148 245 112 40
71 23.4 160 280 50 40
72 23.4 121 162 135 40
73 23.1 121 162 132 40
74 22.9 110 140 160 45
75 22.9 110 140 129 45
76 19.5 121 175 129 45
77 18.1 165 322 50 45
78 17.2 140 238 115 45
79 17 147 263 50 45
80 16.7 157 295 119 45
81 13.2 130 236 107 55

a) Considere el siguiente modelo:

MPGi = β1 + β2VMi + β3CFi +β4PSi + ui

Estime los parámetros de este modelo e interprete los resultados. Desde el punto de
vista económico, ¿tiene sentido?

MPG = 189.959676646 - 1.27169738362*VM + 0.390433352644*CF - 1.90327318382*PS

La Millas promedio por galón (MPG) se relaciona negativamente respecto a la velocidad y

el peso.

b) ¿Esperaría que la varianza del error en el modelo anterior sea heteroscedástica?

¿Por qué?

Este modelo tiene datos transversales de una diversidad de coches, a priori o sea si puede
esperar la heterocedasticidad

c) Con la prueba de White determine si la varianza de error es heteroscedástica.

d) Obtenga los errores estándar de White consistentes con la heteroscedasticidad, así
como los valores t, y compare los resultados con los obtenidos mediante MCO.
 Para hallar el t calculado , utilizamos el siguiente comando en el programa eviews:
Scalar cht=@qchist(1-0.05,9)
Entonces obtenemos el siguiente valor del Tc= 16.91898
Para hallar el tabulado, utilizamos el siguiente comando en el programa eviews:
scalar tt=@qtdist(1-0.05/2,77)
Entonces obtenemos el siguiente valor del Tt= 1.591254
Concluyendo si Tc>Tt se rechaza la Ho y existe heterocedasticidad
Por tanto 16.91898> 1.591254 si cumple.

e) Si se establece heteroscedasticidad, ¿cómo puede transformar los datos

de manera que en los datos transformados la varianza del error sea homoscedástica?
Muestre los cálculos necesarios.

Cuando la varianza es variable hay heterocedasticidad , cuando es constante si hace

que el error sea homoscedastica

11.16. Gasto alimentario en India. En la tabla 2.8 se proporcionaron datos

sobre el gasto en alimentos y el gasto total de 55 familias de India.
OBS GC GT
1 2170000 3820000
2 1960000 3880000
3 3030000 3910000
4 2700000 4150000
5 3250000 4150000
6 2600000 4600000
7 3000000 4720000
8 3250000 4780000
9 3360000 4940000
10 3450000 5160000
11 3250000 5250000
12 3620000 5540000
13 3150000 5750000
14 3550000 5790000
15 3250000 5850000
16 3700000 5860000
17 3900000 5900000
18 4200000 6080000
19 4100000 6100000
20 3830000 6160000
21 3150000 6180000
22 2670000 6230000
23 4200000 6270000
24 3000000 6300000
25 4100000 6350000
26 2200000 6400000
27 4030000 6480000
28 3500000 6500000
29 3900000 6550000
30 3850000 6620000
31 4700000 6630000
32 3220000 6770000
33 5400000 6800000
34 4330000 6900000
35 2950000 6950000
36 3400000 6950000
37 5000000 6950000
38 4500000 7200000
39 4150000 7210000
40 5400000 7300000
41 3600000 7310000
42 4500000 7330000
43 3950000 7450000
44 4300000 7510000
45 3320000 7520000
46 3970000 7520000
47 4460000 7690000
48 4800000 7730000
49 3520000 7730000
50 4100000 7750000
51 3800000 7850000
52 6100000 7880000
53 5300000 7900000
54 3600000 7950000
55 3050000 8010000

a) Haga la regresión del gasto alimentario sobre el gasto total y examine los
residuos obtenidos en dicha regresión.

b) Grafique los residuos obtenidos en el inciso a) contra el gasto total y

verifique si existe algún patrón sistemático.
 RESID01
2,000,000

1,600,000

1,200,000

800,000

400,000

-400,000

-800,000

-1,200,000

-1,600,000
5 10 15 20 25 30 35 40 45 50 55

Parece que como el gasto aumenta, el valor absoluto de las desviaciones también
aumento quizás no es una función lineal.
c) Si la gráfi ca del inciso b) sugiere heteroscedasticidad, aplique las pruebas de
Park, Glejser y White para determinar si la sensación respecto de la
heteroscedasticidad observada en b) se sustenta con estas pruebas.
 d)

e)
f)
g)
h)
i) d ) Obtenga los errores estándar de White consistentes con la
heteroscedasticidad y compárelos con los errores estándar de MCO. Decida si vale
la pena corregir este ejemplo a causa de la heteroscedasticidad.
11.22. La tabla 11.9 presenta información acerca de los precios de acciones (Y ) y los
precios al consumidor (X ) expresados en cambios porcentuales anuales para un corte
transversal de 20 países.

COUNTRY Y X
Australia 5 4.3
Austria 11.1 4.6
Belgium 3.2 2.4
Canada 7.9 2.4
Chile 25.5 26.4
Denmark 3.8 4.2
Finland 11.1 5.5
France 9.9 4.7
Germany 3.3 2.2
1
India 1.5 4
Ireland 6.4 4
 Israel 8.9 8.4
Italy 8.1 3.3
Japan 13.5 4.7
Mexico 4.7 5.2
Netherlands 7.5 3.6
New Zealand 4.73. 6
Sweden 8 4
United 7.5 3.9
Kingdom
United States 9 2.1

a) Grafique los datos en un diagrama de dispersión.

 30

25

20

15
Y

10

0
0 5 10 15 20 25 30

b) Efectúe la regresión de Y sobre X y examine los residuos de esta regresión.

¿Qué observa?

Y = 4.610282086 + 0.757433413333*X

Interpretación
Cada vez que incremente en una unidad en el precio del consumidor, el precio de las
acciones se incrementara en 4.610282
c) Como los datos de Chile parecen atípicos, repita la regresión en b) sin la
información sobre Chile. Ahora examine los residuos de esta regresión. ¿Qué
observa?

El residuo es de 0.009262 quiere decir que en esta regresión no es muy significativa.

d) Si, con base en los resultados de b), concluye que hubo heteroscedasticidad en la
varianza del error, pero con base en los resultados de c) modifica este resultado, ¿qué
conclusiones generales obtiene?
Comparando los gráficos residuales vemos que una vez Chile se retira los datos existe poca
relación entre Y y X por lo tanto, cualquier aspecto de la heteroscedasticidad es falsa.

12.26. Consulte los datos sobre la industria del cobre de la tabla 12.7.
AÑO CL G I L H A
1951 21.89 330.2 45.1 220.4 1491 19
1952 22.29 347.2 50.9 259.5 1504 19.41
1953 19.63 366.1 53.3 256.3 1438 20.93
1954 22.85 366.3 53.6 249.3 1551 21.78
1955 33.77 399.3 54.6 352.3 1646 23.68
1956 39.18 420.7 61.1 329.1 1349 26.01
1957 30.58 442 61.9 219.6 1224 27.52
1958 26.3 447 57.9 234.8 1382 26.89
1959 30.7 483 64.8 237.4 1553.7 26.85
1960 32.1 506 66.2 245.8 1296.1 27.23
1961 30 523.3 66.7 229.2 1365 25.46
1962 30.8 563.8 72.2 233.9 1492.5 23.88
1963 30.8 594.7 76.5 234.2 1634.9 22.62
1964 32.6 635.7 81.7 347 1561 23.72
1965 35.4 688.1 89.8 468.1 1509.7 24.5
1966 36.6 753 97.8 555 1195.8 24.5
1967 38.6 796.3 100 418 1321.9 24.98
1968 42.2 868.5 106.3 525.2 1545.4 25.58
1969 47.9 935.5 111.1 620.7 1499.5 27.18
1970 58.2 982.4 107.8 588.6 1469 28.72
1971 52 1063.4 109.6 444.4 2084.5 29
1972 51.2 1171.1 119.7 427.8 2378.5 26.67
1973 59.5 1306.6 129.8 727.1 2057.5 25.33
1974 77.3 1412.9 129.3 877.6 1352.5 34.06
1975 64.2 1528.8 117.8 556.6 1171.4 39.79
1976 69.6 1700.1 129.8 780.6 1547.6 44.49
1977 66.8 1887.2 137.1 750.7 1989.8 51.23
1978 66.5 2127.6 145.2 709.8 2023.3 54.42
1979 98.3 2628.8 152.5 935.7 1749.2 61.01
1980 101.4 2633.1 147.1 940.9 1298.5 70.87

a) Con base en esta información, estime el siguiente modelo de regresión:

lnCt β1 + β2 ln It + β3 ln Lt + β4 ln Ht + β5 ln At + ut
Interprete los resultados.

LOG(CL) = -1.5004408533 + 0.467508534068*LOG(I) + 0.279442528606*LOG(L) - 0.00515155129357*LOG(H) +

0.441448938771*LOG(A)

c) Obtenga los residuos y los residuos estandarizados de la regresión anterior y

grafíquelos. ¿Qué opina sobre la presencia de autocorrelación en estos
residuos?
 .3

.2
Quantiles of Normal
.1

.0

-.1

-.2

-.3
-.3 -.2 -.1 .0 .1 .2 .3

Quantiles of RES

d) Estime el estadístico d de Durbin-Watson y comente sobre la naturaleza de la

autocorrelación presente en los datos.
d ) Efectúe la prueba de rachas y vea si su respuesta difiere de la respuesta dada en c)
Hay 9 Rachas

e)¿Cómo investigaría si un proceso AR(p) describe mejor la autocorrelación que un

proceso AR(1)?
12.28. Consulte el ejercicio 12.26 y los datos de la tabla 12.7. Si los resultados de este
ejercicio muestran correlación serial
El programa Eviews portable no está actualizado para hacer este tipo de procedimiento.
a) Utilice el procedimiento de Cochrane-Orcutt de dos etapas y obtenga las
estimaciones de MCG factibles o la regresión en diferencias generalizada, y compare
sus resultados.
b) Si el ρ estimado del método de Cochrane-Orcutt en a) difi ere sustancialmente del
estimado
12.34. Con los datos proporcionados en la tabla 12.9, estime el modelo
Yt β1 + β2Xt + ut donde Y inventarios y X ventas, ambas medidas en miles de
millones de dólares.

INVENTARIO
AÑO VENTAS S RAZON
1950 46486 84646 1.820000
1951 50229 90560 1.800000
1952 53501 98145 1.830000
1953 52805 101599 1.920000
1954 55906 102567 1.830000
1955 63027 108121 1.720000
1956 72931 124499 1.710000
1957 84790 157625 1.860000
1958 86589 159708 1.840000
1959 98797 174636 1.770000
1960 113201 188378 1.660000
1961 126905 211691 1.670000
1962 143936 242157 1.680000
1963 154391 265215 1.720000
1964 168129 283413 1.690000
1965 163351 311852 1.950000
1966 172547 312379 1.780000
1967 190682 339516 1.730000
1968 194538 334749 1.730000
1969 194657 322654 1.680000
1970 206326 338109 1.590000
1971 224619 369374 1.570000
1972 236698 391212 1.630000
1973 242686 405073 1.650000
1974 239847 390950 1.650000
1975 250394 382510 1.540000
1976 242002 378762 1.570000
1977 251708 379706 1.500000
1978 269843 399970 1.440000
1979 289973 424843 1.440000
1980 299766 430518 1.430000
1981 319558 443622 1.370000
1982 324984 449083 1.380000
1983 335991 463563 1.350000
1984 350715 481633 1.350000
 1985 330875 428108 1.380000
1986 326227 423082 1.290000
1987 334616 408226 1.240000
1988 359081 439821 1.180000
1989 394615 479106 1.170000
1990 411663 509902 1.21

a) Estime la regresión anterior.

INV = 66668.9660736 + 1.18386244946*VEN