Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Manual Soluciones de Estudiantes
Manual Soluciones de Estudiantes
Estudiantes
Para su uso con
Damodar N. Gujarati
0
Cuarta edición
Cuarta Edición
Me
Graw
Hill
Boston Burr Ridge, IL Dubuque, IA Madison, Wl Nueva York San Francisco St. Louis
Bangkok Bogotá Caracas Kuala Lumpur Lisboa Londres Madrid Milán Montreal Ciudad de
México Nueva Delhi Santiago Seúl Singapur Sydney Taipei Toronto
CONTENIDO
Capítulo 10: La multicolinealidad: ¿Qué sucede si los regresores están correlacionadas? ........86
Capítulo 11: Heteroscdasticity: ¿Qué sucede cuando es varianza del error no es constante .... 99
Capítulo 12: La Autocorrelación: ¿Qué ocurre si el término de error están correlacionados . 111
Capítulo 13: Modelos econométricos: Especificación del modelo y las Pruebas de Diagnóstico
................................................................................................................................................. 124
hapter 17: Dynamic Econometric Models: Autoregressive and Distributed Lag Models ....... 149
Capítulo 21: Series de Tiempo Econometría: Algunos conceptos básicos ............................. 173
Las soluciones ha sido una tarea larga y tediosa tarea. He hecho todo lo posible para
verificar la exactitud de las soluciones numéricas pero algunos errores e imprecisiones y
errores tipográficos que han aparecido. Le agradecería mucho si el lector va a aportar a mi
atención para que yo pueda corregirlos en la reimpresión de este manual.
Las respuestas a algunas de las preguntas son de índole cualitativa y, por lo tanto,
abierto a la discusión. En algunos casos, puede haber más de una forma de resolver un
problema o de modelado un fenómeno económico. Espero que los instructores se
complementan este manual soluciones con sus propios ejercicios.
QUISIERA alguna sugerencia el lector podría tener que ofrecer para mejorar la
calidad de las preguntas y problemas, así como cualquier otro aspecto de esta solución
manual. También me gustaría algún comentario sobre la cuarta edición de Econometría.
1.1 (A) Estos tipos ( %) son las siguientes. Son año con año, a partir de
1974 puesto que no hay datos anteriores a 1973. Estas tasas son,
respectivamente, de Canadá, Francia, Alemania, Italia, Japón, REINO
UNIDO y ESTADOS UNIDOS.
10,78431 13,58382 6,847134 19,41748 23,17328 0,157706 0,11036
10,84071 11,70483 5,961252 17,07317 11,69492 0,244582 0
0,09127
7,584830 9,567198 4,360056 16,66667 9,559939 0,164179 8
0,05762
7,792208 9,563410 3,638814 19,34524 8,171745 0,158120 1
0,06502
8,950086 9,108159 2,730819 12,46883 4,225352 0,083026 6
0,07590
9,320695 10,60870 4,050633 15,52106 3,685504 0,134583 8
0,11349
9,971098 13,67925 5,474453 21,30518 7,701422 0,178679 7
0,13498
12,48357 13,27801 6,343714 19,30380 4,840484 0,119745 6
0,1
10,86449 11,96581 5,314534 16,31300 2,938090 0,085324 Ò3155
0,06160
5,795574 9,487459 3,295572 14,93729 1,732926 0,046122 6
0,03212
4,282869 7,669323 2,392822 10,61508 2,304609 0,050100 4
0,04317
4,106972 5,827937 2,044791 8,609865 1,958864 0,060115 3
0,03561
4,128440 2,534965 -0.095420 6,110652 0,672430 0,034203 1
0,01858
4,317181 3,239557 0,191022 4,591440 0,000000 0,041775 7
0,03649
4,054054 2,725021 1,334604 4,985119 0,763359 0,049290 6
0,04137
4,951299 3,456592 2,728128 6,591070 2,367424 0,077229 3
0,04818
4,795050 3,341103 2,747253 6,117021 3,052729 0,095344 3
0,05403
5,608856 3,157895 3,654189 6,390977 3,231598 0,058704 2
0,042081
1,537386 2,405248 4,987102 5,300353 1,652174 0,036966 0,030103
1,789401 2,135231 4,504505 4,250559 1,283148 0,015980 0,02993
0,202840 1,602787 2,742947 3,916309 0,760135 0,024803 6
0,02560
2,159244 1,783265 1,830664 5,369128 -0.167645 0,033648 6
0,028340
1,585205 2,021563 1,498127 3,870652 0,167926 0,024557 0,02952
1,625488 1,188904 1,697417 1,745283 1,676446 0,031215 8
0,02294
5
(B)
(c) Como se puede ver en esta figura, la tasa de inflación de cada uno de
los países en general ha disminuido en los últimos años.
L
Respectivamente, de Canadá, Francia, Alemania, Italia, Japón, REINO UNIDO y
ESTADOS UNIDOS. La mayor variabilidad se encuentra en Italia y el más bajo para
Alemania.
1.2 . (A) El gráfico de las tasas de inflación de los seis países conspiraron contra los
ESTADOS UNIDOS tasa de inflación es la siguiente:
Las tasas de inflación en seis países frente a ESTADOS UNIDOS tasa de inflación
(b) Como se muestra en el gráfico, las tasas de inflación de los seis países se
correlacionan positivamente con los EE.UU. tasa de inflación.
Como puede ver, los tipos de cambio muestran una buena cantidad de
variabilidad. Por ejemplo, en 1977 un dólar de los ESTADOS UNIDOS compró
unos 268 yenes, pero en 1995 se podía comprar sólo unos 94 yenes.
(b) Una vez más, los resultados son mixtos. Por ejemplo, entre 1977 y
1995, El dólar de EE.UU. por lo general se depreció frente al yen, luego comenzaron
apreciar. El panorama es similar respecto a las demás monedas.
2
M1 oferta de dinero: EE.UU. 1951,01 09 -1999 ... ... ... ... ...
Dado que el PIB aumenta con el tiempo, naturalmente, una mayor cantidad de la oferta de
dinero se necesita para financiar el aumento de la producción.
Algunas de las variables más relevantes serían: (1) los salarios o ingresos en actividades
delictivas, (2) los salarios por hora o de los ingresos de actividades no delictivas, (3) de
probabilidad de ser atrapado, (4) de probabilidad de condena, (5) condena esperada
después de la condena. Tenga en cuenta que puede no ser fácil de obtener datos sobre los
ingresos en las actividades ilegales. De todos modos, consulte a la Becker el artículo
citado en el texto.
Uno de los factores clave en el análisis sería la tasa de participación de la fuerza laboral
de las personas en la categoría 65-69 años. Los datos sobre la participación en la fuerza de
trabajo son recogidos por el Departamento de Trabajo. Si, después de que la nueva ley
entró en vigor, encontramos un aumento de la participación de estos "superiores" a los
ciudadanos en la fuerza de trabajo, que sería un claro indicio de que la ley anterior había
restringido artificialmente su participación en el mercado de trabajo. También sería
interesante averiguar qué tipos de puestos de trabajo que los trabajadores de conseguir y
lo que ganan.
(a) , (B ) y (c). Como se muestra en la siguiente figura, parece que hay una relación
positiva entre las dos variables, aunque no parece ser muy fuerte. Esto probablemente
sugiere que se paga por hacer publicidad; de lo contrario, es una mala noticia para la
industria de la publicidad.
100
80-
I
R
E
S 40-
S
I
O 20-
N
0
- 0 40 80 120 160 20
ADEXP
4
DOS ANÁLISIS DE REGRESIÓN VARIABLE:2 ALGUNAS IDEAS
EL CAPÍTULO
BÁSICAS
2.6 Modelos (a), (b), (c) y (e) son lineales (en el parámetro) modelos de
regresión. Si dejamos que un = En f3 \, luego modelo (d) es también
lineal.
5
potencia.
2.12 Esta figura muestra que el mayor es el del salario mínimo, el inferior
es PNB per cápita, lo que sugiere que las leyes de salario mínimo no
puede ser bueno para los países en desarrollo. Pero este tema es
controversial. El efecto de los salarios mínimos puede depender de su
efecto sobre el empleo, la naturaleza de la industria donde se impone,
y la fuerza del gobierno hace que se cumpla.
2.13 Es una muestra línea de regresión debido a que se basa en una muestra
De 15 años de observaciones. La distribución de puntos de la recta de
regresión son los puntos reales de datos. La diferencia entre el gasto
de consumo efectivo y que estiman a partir de la línea de regresión
representa la (muestra) residual. Además del PIB, factores tales como
la riqueza, la tasa de interés, etc. también podría afectar a los gastos
de consumo.
6
2.14 (A) El scattergram es la siguiente:
UNRM
UNRF
7
(C) El argumento de CLFPRM contra AH82 muestra lo siguiente:
AH82
Hay una
Y la correspondiente parcela para las mujeres es la siguiente: relación
asimétrica entre
las dos variables
para los hombres y
las mujeres.
Responder
positivamente a
los hombres el
aumento de los
salarios mientras AH82
que las mujeres responden negativamente. Esto podría sonar extraño.
Es posible que el aumento de los ingresos para los hombres como
resultado de un aumento de salario pueden inducir a las
mujeres retirarse de la fuerza de trabajo, que es posible para las
parejas casadas. Pero tenga cuidado aquí. Estamos haciendo
regresiones bivariada simple aquí. Cuando estudiamos análisis de
regresión múltiple, las conclusiones anteriores podría cambiar.
8
2,15 (A) El scattergram y la línea de regresión de la forma siguiente:
2000
1500
Q.
X
Q 1000
Oooo
Lt-
500 0
TOTALEXP
2.16 (A) El diagrama de dispersión de los hombres y mujeres las puntuacio nes
verbal es la siguiente:
Me MALEVERB FEMVERBj
9
Y la correspondiente parcela para hombres y mujeres matemáticas
puntuación es la siguiente:
1 MALEMATH FEMMATH [
MALEVERB
Como muestra el gráfico, con el tiempo, los dos resultados obtenidos se han
movido en la misma dirección.
EL CAPÍTULO 3 DE DOS
VARIABLES MODELO DE REGRESIÓN:
EL PROBLEMA DE LA ESTIMACIÓN
10
(2) Dado cov(m/W7) = 0 para V para todos i,j (/ * 7), luego
Covcf^y) = E{ [Yj, sellada, - E(Yj, sellada,) ] [Yj, sellada, -
E(Yj, sellada,) ]}
= E (UjUj), a partir de los resultados en la (1)
= E(w, )E( " / ), ya que el término de error no
están correlacionados por hipótesis,
= 0, ya que cada w * tiene media cero por supuesto.
(3) Dado var(w/ \Xj) = < j2, var (YjVXi) = E[Yj, sellada, -
E(Yj, sellada,) ]2 = E(w,2) = var( " , \Xi) = cr2, por supuesto.
Xi
3.2 Yi Xt Yi Xj Xiyi
2
4 1 -3 -3 9 9
5 4 -2 0 0 0
7 5 0 1 0 1
12 6 5 2 10 4
Sum 28 16 19 14
0 0
a
Nota: Y = 7 y X = 4
. 10 _ . _
Por lo tanto, ------------- - = 1,357 ; p ,= Y - p 2 X = 1,572
11
0. La segunda restricción corresponde a la hipótesis de que la
población término de error está correlacionada con la variable
explicativa Xi, es decir, cov(uiXj) = 0.
3.5 Desde el Cauchy-Schwarz desigualdad se deduce que:
E(XY) ^2
E(X2 ) E(Y2)
2 Y(x ,yi)2
Ahora a r = ^ 2_, -y < 1, por analogía con la Cauchy-Schwarz
¿_jXi 2 ^ yi
La desigualdad. Esto también se aplica en el caso de p2, la
población coeficiente de correlación al cuadrado.
3.7 Aunque fiyx. fixy=1, aún puede importar (por causalidad y teoría)
si Y es retrocedido en X o X en Y, ya que es solo el producto
UN UN
Ÿ_ÿ-n + l
( ,)
Yy = ^lz] ) >¿ * r 12
2
£ < /2 = ' EiXi-r.) = £ < - " 2+K, 2-2J5K)
12
_ 2N( n + 1) (2k +1) ^yi 6 Z-
2 >ZK
Desde Yxyi = YXYi---------------- ,Utilizando(2),Nos Obtener
N
.2 V"1 J2
Z X W(w+L)2_" (W 2-1) ^
3 2 4 12 2
Ahora sustituyendo a la anterior en las ecuaciones (1), obtendrá la respuesta.
= Y, desde Z * / = 0
UN
(b) Fii = ------- Y A\ = -------- ,DesdeXj = (Xj- X)
2X Zx'2
UN UN ^J2
3.10 Desde ^Tixi iyi = ^= 0, es decir, la suma de las desviaciones de valor medio
13
es siempre cero, x = y = 0 también son cero. Por lo tanto,
A-A -
14
^ 2 >22 >2 JX (x ' +x 2) 2£ ( x 2+x 3 )2
I>2
=. , Debido a que el X son
J(ZX l2 + ZX22) (Z^22
No correlacionados. Nota: Se han omitido la observación subscript
para mayor comodidad.
= , .a = = -, donde cr2 es la varianza común. Y] (2a2 +
2cr2) 2
El coeficiente no nulo porque, a pesar de que la X son
individualmente, los pares no son combinaciones.
Como se muestra en la figura, ^zw = a2, lo que significa que la
covarianza entre z
Y w es una constante diferente de cero.
" 2>
/ ?2 =------- , Omitiendo la observación subíndice.
2 >!
2 >2
Ryy = ■
15
£ ( ,W h1 ^2
Desde s s ,ut =0. = -------------- = ----------- =R2,Utilizando(3.5.6 ).
2 >2 >2 2
PYJW hi a = = =
------ = 1, porque
FZ S * '* 2 e
UN * UN _
Yi = fixiand lLxlyi = ft para el modelo de dos variables. La
intersección de esta regresión es cero.
^ 4^ = 2 £ff- ( -l) = 0
Dp\
Que en el proceso de simplificación le da solución = Y ,es decir, la
media de la muestra. Y
<J2
Sabemos que la varianza de la media de la muestra es -, donde n es el
N
Tamaño de la muestra, y a2 es la varianza de Y. El RSS es
16
hará si X tiene alguna influencia en Y. En breve, en los modelos de
regresión esperamos que la variable explicativa(s) predecir
mejor Y que simplemente su valor medio. De hecho, este puede ser
visto formalmente.
Recordemos que en el modelo de dos variables que obtenemos de (3.5.2
),
RSS = SAT - ESS
= 2 >M>,2
Problemas
17
De la marca alemana. Esta es la esencia de la teoría de la paridad del
poder adquisitivo (PPA), o la ley del precio único.
PRODBUS
PRODNFB
(b) Como los diagramas muestran, existe una relación positiva
entre salarios y productividad, lo cual no es sorprendente en vista de
la teoría de productividad marginal del trabajo economía.
18
Se = (9,7119 ) (0,1176 ). 0,8868 R^
13210
Datos originales: 1110 1700 205500 322000 0
Datos Revisados 1110 1680 204200 315400 13330
0
Por lo tanto, corregir el coeficiente de correlación es 0,9688
19
3.23 (A) La trama es como se indica a continuación, donde NGDP y RGDP
son nominales y
PIB.
E
ooo 8000.
100001 R 6000
6000.
4000. 4000
2000.
2000
60 ¿5 ' ' '16 16 ¿ ¿5 90 ¿5
(c) La pendiente hace que la tasa de cambio del PIB por unidad de
tiempo.
Y +1.436 -198.126 =
^, se=( 25,211 ) (0,057
) r2= 0,966
Donde 7= mujer verbal puntuación yx = macho puntuación verbal.
20
3.26 Los resultados de la regresión son
los siguientes:
-189.057€ +1.285
=X, se=( 40,927 )
(0,082 ) r2 = 0,918
3.27 Este es un proyecto de la clase.
21
EL CAPÍTULO 4
LA SUPOSICIÓN DE NORMALIDAD: CLÁSICO MODELO DE
REGRESIÓN LINEAL NORMAL (CNLRM)
Ejercicios Apéndice 4A
= F(Y), f(Y2)
Donde f(Yi) y f(Y2) son las normal univariante pdf Por lo tanto,
cuando p es cero, f(Yi,Y2) = f(Yi)f(Y2), que es la condición de
independencia estadística. Por lo tanto, en el caso normal
bivariada, cero correlación implica independencia estadística.
G2 de
LF ppp
A2De
a2 de LF
LF n 1
3 (Cr2)2 2(A2)2 (A2)3
Desde
22
En segundo lugar ya que todos los productos derivados son
negativos, los estimadores máximo la probabilidad.
F(X) =/( * ,) = ( n ^
- \E 0
UN
Por lo tanto, la LF se
I*.
En LF = -n 0 -
0
Diferenciar la función anterior con respecto a 0 , obtenemos :
23
Preguntas
5.1 (A) La prueba t se basa en las variables con una distribución normal.
Dado que los estimadores de / ?, y / ?2 son combinaciones lineales
de los error u \, que se supone que se distribuye normalmente en
CLRM, los estimadores son también normalmente distribuidos.
(e) Es cierto, como se desprende de Eq. (1) del Ap. 3A, Sec. 3A.
1.
24
5.2 ANOVA table for the Food Expenditure in India
Fuente de variación SS Df MSS
TSS 375916
139023
F = --------- = 31,1013 Con df = 1 y 53, respectivamente.
4470
Bajo la hipótesis de que no hay relación entre los gastos
alimentarios y los gastos totales, el valor de p de obtener dicho
valor F es casi cero, lo que sugiere que uno puede rechazar
enérgicamente la hipótesis nula.
25
Obtenemos: r2 = - (9-6536) --- _ 0 3944
[ (9,6536 ) -11]
5.4 Verbalmente, la hipótesis afirma que no hay correlación entre las
dos variables . Por lo tanto, si podemos demostrar que la covarianza
entre las dos variables es cero, entonces la correlación debe ser
cero.
I",2 2]yfQ-r)
Porque a2 = • , De Eq. (3.5.10 )
(N- 2)
( N - 2)
M
Yl^yf^ -r2)
26
I*?
S
Y, a
I
27
^ , R j ( n - 2 ) UNA> /? ^
Por lo tanto, t = ■■ = - ^ -, y
V(l- r)2 o'
R 2(n - 2) -
T = F= Desde Eq. (5.9.1 )
1-R Cr
Problemas
5.8 (A)No hay asociación positiva en las mismas fechas en 1972 y 1968,
Lo que no es sorprendente en vista de la realidad desde
la segunda guerra mundial se ha producido un
aumento constante en las mismas fechas de la mujer.
S3) (A)
PASAR
28
(b) Pagar, = 12129,37 + 3,3076 Pasar
Se = (1197,351 ) (0,3117 ). R2 = 0,6968 ; RSS = 2,65 E+08
(c) Si el gasto por alumno aumenta por un dólar, el salario promedio
aumenta en alrededor de $3.31 . El interceptar plazo viable no tiene
sentido económico.
Significa 9 13E-12
Mediana 5192 -217
Máximo 5529 342
Mínimo 976 -3847
Std Dev 2301 414
Oblicuidad 0 499126
Curtosis 2 807557
Jarque-Bera 2196273
Probabilidad 0 333492
El -4000 -2000
histograma de los
6000
Total(SAT) 43620,135
29
El valor es 38685 997 = 290,0978 133,355
Bajo la hipótesis nula de que no hay relación entre los salarios y
la productividad en el sector empresarial, esta F valor sigue la
distribución F con 1 y 37 df en el numerador y denominador,
respectivamente. La probabilidad de obtener dicho valor es
0,0000 F , es decir, prácticamente a cero. Por lo tanto, no
podemos rechazar la hipótesis nula, lo que no debería sorprender
a nadie.
Total 43109,04
SAT = 43059,04 , RSS = 5221,585 ; ESS = 37837,455
Bajo la hipótesis nula de que el coeficiente es cierto
pendiente es igual a cero, el valor F calculado es:
459
141,129
Si la hipótesis nula es cierta, la probabilidad de obtener un valor
F es prácticamente nulo, lo que conduce al rechazo de la hipótesis
nula.
ADEXP
Las dos variables es lineal. En un principio, como los gastos de
publicidad, aumenta el número de impresiones retenidas aumenta,
30
pero poco a poco se.
5.12 (A)
200-I
150-
0 °°
S
< ° °°
§ 100-
3 0
ICAN
31
Muestra: 1973 1997
observaciones incluidas: 25
Ets. T-
Variable Coeficiente Prob.
Error Statistic
C 6,251664 1,956380 3,195526 0,0040
ICAN 0,940932 0,017570 53,55261 0,0000
32
find out if it is different from 1.
(d) Y (e) usando el procedimiento habitual prueba t, obtenemos:
1 0,230
Desde este valor supera el valor crítico de 2,160 , rechazamos la
hipótesis nula. El coeficiente estimado es en realidad mayor que
1. Para esta muestra, la inversión en el mercado bursátil fue
probablemente una cobertura contra la inflación. Era, por cierto, una
mejor cobertura contra la inflación que la inversión en oro.
14 (A) Ninguna parece ser mejor que los demás. Todos los resultados
estadísticos
Son muy similares. Cada uno cuesta coeficiente es
estadísticamente significativo en el 99% de nivel de confianza.
Yt = 3,2827 ( -) + 1,1009
= (1,2599 ). (0,6817 ). = 0,6935 ?
El "slope" coeficiente es estadísticamente
significativo al 92% coeficiente de confianza. La tasa marginal
de sustitución (MRS)
De Y en X es: - = -0.3287 ÔX
5.17 (A) Dejar que los hombres Y representan las matemáticas puntuació n
y X las mujeres matemáticas
Puntuación, obtenemos la siguiente regresión:
TSS 1071,975 23
Bajo la hipótesis nula de que fi2 = 0, F es 264,665 ,
El valor de p de obtener dicho valor F es casi cero, lo que lleva a el
33
rechazo de la hipótesis nula.
5.18 (A)Los resultados de la regresión son los siguientes:
148,135 + 0,673 xs
Se= (11,653 ) (0,027 ) t = ( 12,713 )
(25,102 ) r? = 0,966
(c) Bajo la
hipótesis nula, obtenemos: t = -I = 12,11 .
0,027
El valor crítico al 5% es 2,074 . Por lo tanto, no
podemos rechazar la hipótesis nula de que la
verdadera inclinación coeficiente es 1.
5.19 (A)
IPM
34
(c) Y (d) Los siguientes resultados obtenidos de decisivo3 le ofrece los
datos necesarios.
Serie: Residuos
Muestra 19601999
Observaciones 40
Significa 711E-15
Mediana 3 781548
Máximo 21,84709
Mínimo •19,05008
Ski Dev 9 760345
Oblicuidad -0119726
Curtosis 2 620663
Jarque-Bera 0,335390
Probabilidad 0,845612
El Jarqe-Bera
estadística es 0,3335 0,8456 valor de ap . Por lo tanto, no
podemos rechazar la suposición de normalidad. El
histograma muestra también que los residuos son
razonablemente distribuidos simétricamente.
35
EL CAPÍTULO 6
LAS EXTENSIONES DE LAS DOS VARIABLES DE MODELO DE
REGRESIÓN
36
(c) Como X tiende a infinito, Y tiende a ( 1 // ? , ).
(D tal vez este modelo puede ser apropiado para explicar bajo
consumo de un bien cuando el ingreso es grande, como un bien
inferior.
6.4 Pendiente = 1
37
= A + a2 En Xt + w *
Donde A = (a + a2 En w2 - En w,)
Comparar esto con el segundo modelo, se verá que, con la
excepción de la intersección, los dos modelos son iguales. Por lo
tanto, la pendiente estimada los coeficientes en los dos modelos
será el mismo, siendo la única diferencia la estima intercepta.
6.11 Tal como está, el modelo no es lineal en el parámetro. Pero hay que
tener en cuenta la siguiente "truco." En primer lugar, en la relación
de Y a (1-A) y, a continuación, tomar el logaritmo natural de la
relación. Esta transformación
Hacer que el modelo lineal en los parámetros. Es
decir, ejecutar los siguientes regrssion:
En
r^rr /
Este modelo es conocido como el modelo logit , que
analizaremos en el capítulo sobre las variables
dependientes cualitativas.
38
Problemas
6.13 100
= 2,0675 + 16,2662 /
100-K
I)
Se = (0,1596 ) (1,3232 ) r2 = 0,9497
Como X aumenta indefinidamente, Enfoques el valor límite
1 ^ 338 ^0,7468
0,4470
13 Df, el 5% (dos-tail) valor crítico es 2,16 . Por lo tanto, no se
rechaza la hipótesis de que la verdadera elasticidad de sustitución
entre el capital y el trabajo es 1.
39
6.15 (A) SiUno Considera a priori que existe una estricta de uno a uno
Relación entre los dos deflactores, el modelo apropiado sería uno
sin la intersección.
= UN0,5340=0,9892 = Pies.
40
Tasa de crecimiento de los bienes de consumo duradero gasto era
de un 1,5 %. Tanto los coeficientes estimados son
estadísticamente significativos individualmente como los valores
de p son extremadamente bajos. No tendría mucho sentido para
que se ejecute un doble modelo de registro aquí, como:
En Expdurt = / ?, + / ?2 a tiempo + u,
100
80
60
CO
< /3
CL 40
2
20 50 150
100 200
ADEXP
Aunque la relación entre las dos variables parece ser positiva, no está claro
qué curva determinada se ajustan los datos. En la tabla siguiente se dan los
resultados de la regresión basada en unos pocos modelos.
41
Modelo Interceptar Pendiente R2
22,1627 Lineal 0,3631 0,423
(3,1261 ). (3,7394 ). 9
58,3997 Recíproca -314.6600 0,396
( 78,0006 ) (-3.5348) 7
Doble sesión 1,2999 0,6135 0,582
(3,686 ) (5,1530 ). 9
0,548
Diario de 3,9955 recíproca -10.7495 6
(21,7816 ) (4,8053 ).
Nota: Las cifras entre paréntesis son las calcula los valores
de t. En cada regresión el regressand es impresiones y el
regresor es los gastos de publicidad.
Se deja al lector a comparar los distintos modelos. Tenga en cuenta que los
valores de r2 de los dos primeros modelos son comparables, ya que el
regressand es la misma en los dos modelos. De igual modo, el r2s de los
dos últimos modelos son comparables ( ¿Por qué?)
EL CAPÍTULO 7
ANÁLISIS DE REGRESIÓN MÚLTIPLE : EL PROBLEMA
DE LA ESTIMACIÓN
0 _ (X yx2 ) (X *3)-(Xyx3 XI * 2 * 3)
2 (ZX22) (ZX2)
42 - (ZX2X3)2
= ^= ±1
43
7.7 (A) No. Un valor de r no puede ser superior a 1 en valor absoluto.
Conectar el
Dado los datos de Eq. (7.11.2 ), el lector puede comprobar
que: r\23 = 2,295 , lo que es lógicamente imposible.
(c) Sí, sí, otra vez se puede demostrar que r\2.s = 0,880 , que es
posible.
44
intercepciones en los modelos son los mismos.
7.14 (A) Como se discutió en segundos. 6.9 , Para utilizar el clásico lineal
normal
Modelo de regresión (CNLRM), debemos asumir que
En U\ ~ N(0, cr2)
Después de estimar el modelo Cobb-Douglas, obtener la
Los residuos y los someten a prueba de normalidad, como el Jarque-
Bera
Prueba.
45
T. Y,X"= Pjlx],
normales.
Problemas
46
ventajas del registro de modelo lineal es que la pendiente que los
coeficientes de la estimación directa (constante) elasticidad de
las variables relevantes con respecto a la regresor en examen.
Pero hay que tener en cuenta que el R2s de los dos modelos no
son directamente comparables.
7.17 (A) A priori, parecen todas las variables relevantes para explicar
wildcat
Actividad. Con la excepción de la tendencia variable,
todos los coeficientes son pendiente espera que sea
positivo; tendencia puede ser positivo o negativo.
(b) El modelo estimado es el siguiente:
T = + 2.775-37.186 Jf2i + 24,152 * 3i -0,01 LT4 (. -0.213JT5i se
= (12,877 ) (0.57 ) (5,587 ) (0.008 ) (0,259 )
R2 = 0,656 ; R2 = 0,603
(c) Precio del barril y la producción nacional las variables son estadísticamente
Significativo al nivel del 5 por ciento y los signos. Las otras
variables no son estadísticamente diferentes de cero.
(b) A priori, todos los coeficientes pendiente se espera que sea positivo.
Excepto el coeficiente para militar de EE.UU. las ventas, todas las
otras variables que tienen los signos esperados y son
estadísticamente significativos al nivel del 5 por ciento.
7.19 (A) Modelo (5) parece ser el mejor, ya que incluye todas las
Las variables pertinentes desde el punto de vista económico,
entre ellos el precio real compuesto de pollo sucedáneos, que
debe ayudar a aliviar la multicolinealidad problema que puede
47
existir en el modelo (4) entre el precio de la carne de vacuno y
el precio de la carne de cerdo. Modelo (1) contiene un sustituto
muy buena información y modelos (2) y (3) tener un sustitutivo
buena información.
48
{B) Sí, con bastante ritmo y la tasa de desempleo se espera que
sean negativamente relacionados.
49
( /) desde el los valores de t , podemos fácilmente
calcular el error estándar. Bajo la hipótesis nula de
que
El verdadero UN
Es cero, tenemos la relación:
UN
F = -4- = >je(A) = ^-
Seifi .) '
7.21 (A) El RegresiónResultadosSon Como
Siguiente:
50
7.22 Los resultados de colocación de la función de producción
Cobb-Douglas, obtenidos de decisivo3 son los siguientes:
Coeficient
Variable e Ets. Error t-statistic Prob.
C -1.155956 0,074217 0,044535 0,0000
LOG(CLRATIO) 0,680756 15,28571 -15.57533 0,0000
R-cuadrado 0,903345 Significa S. D. -2.254332
ajustado r-squared 0,899479 dependentvar 0,304336
S. E. de suma de 0,096490 dependiente var -1.767569
regresión squared 0,232758 Akaike info criterion -1.671581
resid Log 25,86218 Schwarz criterion F- 233,6528
probabilidad Durbin- 0,263803 statistic Prob(F- 0,000000
Watson stat statistic)
51
desarrollados
52
Las economías es relativamente alta relación capital-trabajo.
7.23 Los resultados de la regresión son los siguientes: Nota que se han
utilizado todas las 528 observaciones en la estimación de la
regresión.
8.1 (A) en el primer modelo, donde la venta es una función lineal del
tiempo, la tasa de cambio de venta, (dy/dt) se postula a ser una
constante, igual a / ?" independientemente del tiempo t. En el
segundo modelo la tasa de cambio no es constante porque (dy/dt)
= a + 2a2t, que depende del tiempo t.
53
(b) La cosa más fácil de hacer es grafique Y contra el tiempo.
Si la gráfica resultante es parabólico, quizás el modelo cuadrï¿ ½ico
es la adecuada.
54
UR R TSS
55
8.7 Desde regresión (2) es una forma limitada de (1), podemos
calcular en primer lugar la relación F en (8.5.18 ):
56
J, ( * L * LV 1 (0-9776 -0.9388) 27033
(l-OO * - * ) (I" 0-9776) /17
-Ar
" (A)
AB
23 195
Desde el que obtener: se(B. ) = - = -; -------- = 4,461 , que es
T 5,1993
Aproximadamente igual a 4,2750 debido a errores de redondeo.
W, - * +AJr"
Como se puede ver el cambio promedio en los gastos de consumo
con respecto a los ingresos no sólo depende de los ingresos, sino
también en el nivel de riqueza. De igual manera, el cambio
promedio en los gastos de consumo con respecto a la riqueza
depende no sólo de la riqueza sino también de los ingresos. Es decir,
las variables ingresos y riqueza interactuar. Este es capturado por
presentar los ingresos y la riqueza en interactivo o multiplicación, la
forma en la regresión además de las dos variables en el aditivo. Es
sólo cuando fa es cero al MPC que será independiente de la riqueza.
57
8.10 Recordando la relación entre la t y F distribuciones, sabemos
que en la primera ecuación: Fj^k) = ^ n-k. Por lo tanto,
F = (-4.728)2
= 22,3540 ahora uso (8.5.11 ):
Qn-k)R2 _ (N-2) (0,6149 ).
(K- \ ) (l-R2) (1X0.3851)
Para resolver esta ecuación para el n , obtenemos n "16
. Nota: En la primera ecuación, k = 2 y R2 = 0,6149
(a) Utilizando las tasas de las letras del tesoro como el tipo de
interés, los ingresos y la tasa de interés las elasticidades son,
respectivamente, 0,5243 y 0,0255 . Utilizando la tasa de interés de
largo plazo, la correspondiente elasticidad, 0,4946 y 0,0516 .
1 Para una discusión más amplia de este punto, véase Adrian C. Darnell, un diccionario de
Econometría, Edward Elgar, REINO UNIDO., 1994, págs. 394-395.
58
elasticidad ingreso coeficiente se espera que sea positivo, se puede
utilizar una prueba de una cola. El 5% una cola crítica valor de
t para 16 df es 1,746 . A este nivel de significación, podemos
rechazar la hipótesis nula de que la elasticidad con respecto al
ingreso es de 1 ; en realidad es menor que uno.
0,32
Este valor de t no es estadísticamente significativa.
8.14 (A) A priori, el sueldo y cada una de las variables explicativas son
Espera que se relaciona de forma positiva, a la que están. El
coeficiente parcial de 0,280 medios, ceteris paribus, la elasticidad
de sueldo GERENTE GENERAL es un 0,28 por ciento. El
coeficiente 0,0174 significa, ceteris paribus, si la tasa de retorno
sobre el capital va por 1 punto porcentual (Nota: no en un 1 por
ciento), entonces el GERENTE GENERAL de salario vaya en un
1,07 %. De la misma forma , ceteris paribus, si volver sobre las
acciones de la empresa pasa por 1 punto porcentual, el gerente
general de sueldos por sobre 0,024 %.
59
Dado que la muestra es lo suficientemente grande, con los dos-/
regla de oro, se puede observar que los tres primeros coeficientes
son
60
Individualmente estadísticamente muy significativa, mientras que el
último es insignificante.
F= ;> ----- ^ -=
(I - R ) / (n-k) ( 0,717 ) /205
61
(1 -R2) / (n-k) 0,207 /28
Con n = 31, k = 3, el lector puede comprobar que este F valor es
altamente significativa.
62
(d) Véase la parte (a).
8.17 (A) Ceteris paribus, un 1 (Gran Bretaña) libra aumento de los precios de
final
Salida en el año en curso en un promedio de 0,34 libras (o 34
peniques) aumento de sueldos y salarios por empleado. De manera
similar, un aumento de 1 libras los precios del producto final en el año
anterior, en promedio un aumento de sueldos y salarios por empleado
de 0.004 libras. Con todo lo demás constante, el aumento de la tasa de
desempleo de 1 puntos porcentuales, en promedio, alrededor de 2,56
libras disminución de sueldos y salarios por empleado. Los tres
regresores explican aproximadamente el 87 por ciento de la variación
en los sueldos y salarios por empleado.
Du W W
En el bar sobre las variables denota sus valores promedio de los
datos de la muestra.
63
Año y el año anterior, en promedio, a un aumento de los sueldos y
salarios por empleado de 5 peniques.
(c) A priori, uno podría esperar una mayor productividad per capita
para llevar a salarios más altos y los salarios. Este no es el caso
en el ejemplo que nos ocupa, ya que el coeficiente estimado no
es estadísticamente significativamente diferente de cero, ya que
el valor de t es sólo alrededor de -1.
_ 0 934/4
F- * 2/( * -Q
(1 -R2) / (n-k) 0,66 /14
Este F valor es muy importante; para los días 4 y 14 numerador y
denominador de grados de libertad, el 1% nivel de
significancia F valor es 5,04 .
64
,= 0,4515 + (-0.3772) = Q G59
V (0,0247 )2 + (0,0635 )2 -2 (-0.0014)
Este valor de t no es significativo en el nivel del 5 %. Por lo tanto, no
hay razón para rechazar la hipótesis nula.
(d) Tanto los signos se espera que sea positivo, aunque ninguna de
estas variables es estadísticamente significativa.
65
8.23 (A) se refieren a los resultados de la regresión en ejercicio 7.18 . A priori,
Todos los coeficientes se espera que sean positivos, lo que es el
caso, a excepción de la variable militar de EE.UU. las ventas. El
R2 es muy alto. En general, el modelo parece satisfactoria.
(b) Podemos utilizar la versión R de la tabla ANOVA en la tabla
8.5 Del texto.
Debido a la • N>
VO
4
00
M
©
66
Dependent Variable: LOG(GDP)
Muestra: 1955 1974 observaciones incluidas: 20
Significa depender
R-squared 0,999042 var 12,22605
R-cuadrado 0,998787 D. E. dependentvar 0,381497
ajustado
S. E. de la regresión 0,013289 Información Akaike -
Sum squared resid 0,002649 criterio
Schwarz criterio 5.591475
-
Probabilidad de 60,91475 F-estadística 5.342542
3911,007
registro
Durbin-Watson stat 1,065992 Prob(F-statistic) 0,000000
67
Variable dependiente: Y
8.27 (A) Dado que ambos modelos son log-lineal, la pendiente estimada
coeficientes
Representan la (parcial) elasticidad de la variable dependiente con
respecto al regresor bajo consideración. Por ejemplo, el coeficiente
0,94 en Eq. (3) significa que si la salida en kwh aumenta en un 1 %,
en promedio, el costo total de producción se incrementa en 0,94 %.
68
De manera similar, en Eq. (4), si el precio de la mano de obra en
relación con el precio del combustible aumenta en un 1 %, en
promedio, el costo relativo de la producción se incrementa en 0,51
por ciento.
8.29 Sólo incluiremos los resultados en base a las tasas de las letras del
tesoro; los resultados basados en la tasa de largo plazo son
paralelos.
El modelo en ejercicio 7,21 (a) es el modelo sin restricciones y que en
(b) Es el modelo restringido. Dado que la variable dependiente en
los dos modelos son diferentes, se utiliza la prueba F del apartado
8.7.9 ). El restringido y no restringido RSS son, respectivamente,
0,0772 y 0,0463 . Tenga en cuenta que solamente hemos puesto una
restricción, es decir, que el coeficiente de Y en el primer modelo es
la unidad.
69
rechazamos el modelo restringido y concluir que la elasticidad
ingreso real es menor que la unidad.
8.30 Para usar la prueba t en (8.7.4 ), tenemos que saber la covarianza entre
los dos estimadores pendiente. De los datos, se puede
UN
(b) Los coeficientes de PGNP no son muy distintos, pero que son
diferentes de la FLR. A ver si la diferencia es real, se puede usar la prueba
t . Supongamos que utilizar la Eq. (1) y es que el verdadero coeficiente de
PGNP es -1,7680 . Ahora podemos usar la prueba de la t de la siguiente
manera:
_ -2.2316 - (-1.7680) _ -04636 _
0,2099 0,2099
Este valor de t es mayor que 2 en términos absolutos, de manera que puede
rechazar la hipótesis de que el verdadero coeficiente es de -1,7680 . Nota
aquí hemos utilizado el 2-t regla general ya que el número de observaciones
es razonablemente alto.
(c) Podemos tratar modelo (1) como la versión restringida del modelo
(2). Por lo tanto, podemos utilizar la versión R de la prueba F del apartado
8.7.10 ), ya que las variables dependientes en los dos modelos son iguales.
La estadística F es de la siguiente manera:
F _ (0,7474 -0.7077) /! 0,0397 G ^
(1 - 0,7474 ) / (64-4) 0,0042 conforme a los criterios
generales, este tiene la distribución F con 1 y 60 df en el numerador y
denominador, respectivamente. El 1 % de estos críticos de F dfs es 7,08
. Desde la calcula F excede este valor crítico, podemos rechazar el
modelo restringido (1) y concluir que la tasa global de fecundidad es
variable en el modelo.
70
la F valor dado en el apartado c) supra, se encuentran: t = V9.4523 =
3,0744 , aprox.
Por lo tanto, bajo la hipótesis nula de que el verdadero valor de coeficiente
de fecundidad en el modelo (2) es cero, podemos obtener el error estándar
de la fecundidad estimada coeficiente dividiendo el coeficiente estimado
por el anterior valor de t , que da
12,8686 . 10C" se = = 4,1857
, aprox.
3,0744
8.32 (A) en el modelo I la pendiente coeficiente nos indica que por cada unidad
de aumento en el gasto en publicidad, en promedio, se mantienen las
impresiones de 0,363 unidades. En el modelo II (promedio) la tasa de
incremento de las reservas impresiones dependen del nivel de los gastos de
publicidad. Tomando la derivada de Y con respecto a X, se obtiene:
- = 1,0847 -0.008X dx
Esto podría sugerir que conserva las impresiones aumentar a una
tasa decreciente, los gastos de publicidad aumenta.
71
Puesto que el tamaño de la muestra es 15, tenemos 12 d. f. . El valor de t es
significativo al nivel del 5 por ciento, lo que sugiere que tal vez hubo
rendimientos crecientes a escala en el sector agrícola taiwanesa.
8.34 Siguiendo exactamente los pasos que se indican en segundos. 8.8 , Aquí
están las sumas de cuadrados residual:
RSS = 1953,639 (1970-1982)
RSS2 = 9616,213 (1983-1995)
RSS = 23248,30 (1970-1995), que es el RSS RSS Ahora UR =
(1953,639 Y 9616,213 ) = 11569,852
72
Aunque la conclusión general de este ejercicio y el ejemplo discutido en
segundos. 8.8 Sigue siendo el mismo, es decir, que no había una variación
estadísticamente significativa en las economías de ingresos regresión. Sin embargo,
como se puede ver los valores de la F, la respuesta depende del punto de rotura
elegido a dividir la muestra.
CAPÍTULO9 MODELOS DE
REGRESIÓN VARIABLE FICTICIA
73
importantes al nivel del 5 por ciento, se podría decir que la
pendiente de la función de regresión en los dos períodos son
diferentes.
74
(d) Probablemente sí. De prestaciones por desempleo más generosa, el
gobierno reduce el costo de oportunidad de permanecer en la situación de
paro.
(c) Profesor macho E(Yt) = (A,-A2) + licencia para usar una copia
Es Profesora £ ( ^) = (A,+A2) + licencia para usar una copia
Celebración X constante, la diferencia entre el hombre y la mujer salario
promedio es de 2 a2.
Dado que la escala de la variable ficticia es arbitraria, no hay ninguna
ventaja particular de uno de los métodos. Para un dado de datos, la
respuesta es invariante a la elección del maniquí.
76
Del mismo modo. A priori, todos los coeficientes X deben ser positivos, que
son.
9.9 (A) & (C): Ceteris paribus, si la tasa de inflación esperada sube un 1
Punto porcentual, la media tasa de letras del Tesoro (TB) espera que se vaya
abajo en aproximadamente 0,13 puntos porcentuales, lo que no tiene sentido
económico. Sin embargo, la TB coeficiente no es estadísticamente
significativa, como su valor de t es sólo de 1,34 . Si la tasa de desempleo sube
en 1 punto porcentual, la media TB se espera que la tasa se reducen un 0,71
punto porcentual. Este coeficiente es estadísticamente significativa, ya que su
valor de t es de -4,24 . También tiene sentido desde el punto de vista
económico, como una tasa de desempleo más elevada significa
desaceleración de la economía y la Fed probablemente reducir el índice de
TB para reanimar la economía. Si el cambio en el crecimiento de la base
monetaria se incrementa en una unidad, en promedio, el índice de la TB se
espera que se vaya hacia abajo, como un aumento de la base monetaria, a
través del efecto multiplicador, conduce a un aumento en la oferta de dinero,
lo que tendrá el efecto de reducir la tasa de interés, ceteris paribus. La zaga
valor de Y es positivo y estadísticamente significativo. Este valor rezagado
tenga en cuenta la dinámica del cambio, un tema discutido en el capítulo
sobre modelos de los rezagos distribuidos.
77
Suponiendo que E(u,) = 0 , obtenemos :
E(Yi\D=0,Xi<X') = al + ftXi
E(Xi \D = IX, > X ') = (a + a2) + (A + fi^X, -X'.
Por lo tanto, cuando X\ supera Jl * , los saltos de interceptar a2 y cambia la
inclinación de fi2.
(6) Como era de esperar, la marca las colas son más caros que el precio de
nonin cola.
(d) La ecuación de regresión para los países por debajo del nivel de
ingreso per cápita de $1097 es:
+ 9,39 -2,40 InXi para los países con ingresos per cápita
de 1097 dólares, la regresión
78
Ecuación es:
-2,40 + (9,39 - 3,36 ) inx{ + (3.36 ) (7), es decir,
21,12 + 6,03 lnXi
79
9.15 Las fórmulas de la operación dada en el Capítulo 3, sabemos que:
Pl Y(D-Df
(1)
Ahora es fácil comprobar que: D =
Nn
Y = --IFD = 0
N
Problemas
9.17 En la regresión para los dos períodos por separado, nos encontramos
con que
Para el primer período <r,2 = 0,00768 (df = 30) y para el segundo
período
S\ = 0,03638 (df = 17). A continuación, bajo el supuesto de que las
respectivas las varianzas de la población son los mismos, y tras Eq.
80
(8.8.8) , La siguiente relación sigue la distribución F.
81
F = -□ F U r ( n t - k) X n2 -k) .
J L2
°\
En nuestro ejemplo, k = 2, 32 Y " 2 =19. Poner la correspondiente
Los valores en la expresión anterior, obtenemos:
F = 4,7369
El valor de p de obtener una F de 4,7369 o superior es de 0,00001 ,
lo cual es extremadamente pequeño. La conclusión es que las
variaciones en los dos sub-períodos no son los mismos.
82
R-squared 0,881944 Significa depender 162,0885
var
\Djusted R-squared 0,865846 D. E. dependentvar 63,20446
3.E. de regresión 23,14996 Información Akaike 9,262501
Sum squared resid 11790,25 criterio
Schwarz criterio 9,456055
_OG probabilidad -116.4125 F-estadística 54,78413
Durbin-Watson stat 1,648454 Prob(F-statistic) 0,000000
9.20 Tal como lo haría sospechoso, el signo del coeficiente de la ficticia (9.5.4 )
Se convertirá en -152.4786 y el signo del coeficiente de ( £MQ llega
a ser positivo. El interceptar plazo ahora se 153,4973 y coeficiente
de la renta variable será 0,0148 . Todo esto es una consecuencia
lógica.
(b) Los resultados de la regresión son los siguientes ( los valores de t entre
paréntesis):
83
0.00029 en D, t = (-0.2074) (6,2362 ). (-0.00505)
R2 = 0,8780
Dado que el falso coeficiente no es estadísticamente significativo, a
todos los efectos prácticos las dos interceptar términos son los
mismos. La interpretación del coeficiente de intersección de -0.1589
es que representa el valor del registro de ahorros cuando todos los
regresores tome un valor de cero. Tomando el antilogaritmo de este
valor, podemos obtener el valor de 0,8531 (miles de millones de
dólares). Por supuesto, este número puede que no tengan mucho
sentido económico.
84
trimestre (pero no el 4o trimestre ).
85
R-cuadrado ajustado 0,286416 S. D. Dependentvar 147,1194
S. E. de suma de 124,2775 Akaike info criterion 12,62551
regresión al 417012,1 Schwarz criterion F- 12,85453
cuadrado resid Log -197.0082 statistic Prob(F- 4,110677
probabilidad Durbin- 0,183078 statistic) 0,009944
Watson stat
9.24 (A) & (6) :se deja para cada estudiante. El año 2000 EE.UU.
Se celebraron elecciones presidenciales en noviembre 7,2000 . Si
se hubiera usado su modelo, le han pronosticado los resultados de
las elecciones del año 2000 correctamente?
87
Ejemplo: 1 528 incluyó observaciones: 528
Coeficient Ets. T-
Variable e Error Statistic Prob.
C -0.261014 1,106956 -0.235794 0,8137
EL GÉNERO -2.360657 0,430203 -5.487303 0,0000
RAZA -1.732729 0,794716 -2.180314 0,0297
SEXO * RAZA 2,128986 1,222109 1,742059 0,0821
EDUCACIÓN 0,802807 0,081014 9,909478 0,0000
R-cuadrado 0,203263 Significa S. D. 9,047538
ajustado r-squared 0,197169 dependentvar 5,144082
S. E. de suma de 4,609140 dependiente var 5,903384
regresión squared 11110,70 Akaike info criterion 5,943811
resid -1553.493 Schwarz criterion F- 33,35678
Log probabilidad 1,873724 statistic Prob(F- 0,000000
Durbin-Watson stat statistic)
Ejemplo: 1 528
Incluyó observaciones: 528_____________________________________
Variable ____________ Coeficiente Ets. Error t-statistic Prob.
C 9,067519 0,446115 20,32552 0,0000
MSTATUS 0,713991 0,551188 1,295367 0,1958
88
REGIÓN -2.540727 0,826694 1,020982
* REGIÓN MSTATUS 1,323573 1,296373 -3.073359 0,0022
0,1954
R-cuadrado ajustado 0,035309 Significa S. D. 9,047538
r-squared S. E. de 0,029786 dependentvar 5,144082
suma de regresión 5,066893 dependiente var 6,090880
squared resid Log 13452,87 Akaike info criterion 6,123221
probabilidad Durbin- -1603.992 Schwarz criterion F- 6,392958
Watson stat 1,860478 statistic Prob(F- 0,000293
statistic)
R-squared 0,933254
F-estadística 102,5363
Durbin-Watson stat 1,612107
0,341255 Sum squared resid
89
una modelo log-lin. Por lo tanto, la pendiente de los coeficientes el
regresor
90
En este modelo se han de interpretar como semi-elasticidad cruzada de la
demanda.
Cualitativamente, ambos modelos dan resultados similares. Desde la
regressand en los dos modelos son diferentes, no podemos comparar los
dos R2 directamente.
0,0122
12 Y 10 df en el numerador y denominador, respectivamente, este
valor no es importante, incluso en el 25 %. Por lo tanto, podemos
concluir que las dos varianzas error son las mismas. Tenga en cuenta
que en el modelo original se explica en el capítulo que hemos
retrocedido Y (no en Y) en X. Por lo tanto, si no se la
heteroscedasticidad en el modelo original, y no en el log-lin modelo,
sugiere que la transformación log puede ser más apropiado.
CAPÍTULO 10
LA MULTICOLINEALIDAD: ¿QUÉ SUCEDE SI LOS REGRESORES SON
CORRELACIÓN?
10.1 Si es una perfecta combinación lineal de las restantes variables
explicativas, luego hay ( £ 1) ecuaciones con k incógnitas. Con
más incógnitas que ecuaciones, soluciones únicas no son
posibles.
10.2 (A) n° Variable xy, es una combinación lineal de xr" porque
Xv= 2X2i- \.
91
= ", + " 2-^ 2, + U i
Whereax = (ft -ft)anda2 = (fi2+2 fi2)
92
X* -Tx>' = ÆA+A. .A
/Lj /Lj
-¥X * = Aia+AJ A
*2*2
^3 = I-f-f" = A, A+ala
*3 *3
Por lo tanto,
^12.3 - "JiPn.s^iPii.i) ~ sqrt U
\ 'N N =± 1
^ * 13,2 = ^ (Pni^h) - sqrt ' .H.V V
K Ay "
\ UN = ±1
93
Por lo tanto, el sesgo de bl2 (ft) (b32) = ( -0.0424) (10,191 ) = -0,4321
.
10.7
Como se ha comentado en Cuestión 10.5 , las variables económicas
están a menudo influidas por factores similares, tales como ciclos
de negocios y tendencia. Por lo tanto, en análisis de regresión,
utilizando variables tales como el PNB y la oferta de dinero, uno
debería esperar la multicolinealidad.
10.8 (a) Sí. Esto es debido a que el coeficiente de correlación es
cero entre X2 y Xj especial. Como resultado, el producto términos
desaparecen en las fórmulas de los pies los coeficientes (ecuaciones
7.4.7 y 7.4.8 ) y las fórmulas sean las mismas que las de
los coeficientes a y y (ecuación 3.1.8 ).
94
10,10 (a) No. La multicolinealidad se refiere a asociación lineal entre las
variables. Aquí la asociación es lineal.
95
(b) No hay ninguna razón para dejarlos caer. Teóricamente están
así como estadísticamente significativa en el ejemplo presente.
10.7 (c) Si una de las variables se caen, no se las especificaciones sesgo que
se muestran en el coeficiente de la variable restante(s).
10.12 (A) Falso. Si relación lineal exacta(s) existen entre las variables, no
podemos ni siquiera estimar los coeficientes o sus errores estándar.
(b) Falso, uno puede ser capaz de obtener uno o más importante los
valores de t .
(d) Incierto. Si el modelo tiene sólo dos regresores, por pares altos
coeficientes de correlación puede sugerir la multicolinealidad. Si uno
o más los regresores introducir de manera no lineal, las correlaciones
pares puede dar respuestas erróneas.
96
Caso de no variabilidad en A3, Hxy será cero, en cuyo caso la varianza
de las estimaciones, es infinita.
10.13 (A) refiriéndose a Eq. (7.11.5 ), vemos que si todos los r2 son iguales a
cero,
R2 es nulo ipso facto.
10.14 (A) Considerar Eq. (7.11.5 ). Si todos los de orden cero, o bruto, las
correlaciones r, esta fórmula reduce a:
2 2R\l-r)_2r2
(1-r2) 1+ R
(B) usando (7.11.1 ), se puede ver, por ejemplo, que
_R(l- r)_ r
12.3 - , 2 " 1 .
1-R 1+R
97
(d) NO desde todos los regresores son ortogonales, todos
covarianzas (es decir, cruzada de productos ) términos será cero.
10.21 Cuando hay una perfecta collinearity, r23 = 1. Por lo tanto, los
denominadores (7.4.12 ) y (7.4.15 ) será cero. Como resultado, las
diferencias son indefinidos.
98
(b) A priori, se espera que los capitales tienen un impacto positivo en
la producción. No es en el presente caso debido probablemente a
collinearity en los regresores.
10.25 (A), (b) y (c) y (d) Todos los puntos de vista expresados
fundamentalmente nos dicen que la multicolinealidad es muy a menudo
una carencia de datos.
Problemas
99
^= 20,995 +0.710zy se = (6,341
) (0,066 ) t = (3,311 ) (10,771
) r2= 0,906 ^ = (0.75x0.710) = 0,532
por lo tanto, m = (0,625 ) (0,710 ) =
0,444
100
Coeficiente variable Ets. Error T-Statistic Prob.
R-squared 0,981901
R-squared 0,977824
R-squared 0,9922
101
Variable dependiente:
LOG(IMPORTACIONES/IPC) Método:
Mínimos Cuadrados Fecha: 11/11/00 Hora:
10:26 Muestra: 1970 1998 observaciones
incluidas: 29
Variable dependiente R2
X2 0,9846
X3 0,9482
X4 0,9872
X5 0,9889
X6 0,9927
10,29 (A) y (c) Examinar los coeficientes de correlación entre las posibles
variables explicativas, se observa una correlación muy alta entre el nuevo
coche del IPC y el IPC general (0,997 ) y entre el PDI y el coche nuevo
IPC (0,991 ). Otros son relativamente altos, pero deben permanecer en el
modelo por razones teóricas. PDI también está estrechamente relacionado
con el nivel de empleo, la correlación entre los dos es 0,972 por lo tanto,
uno podría caer IPC general y PDI y estimar el siguiente modelo
Variable dependiente: LY
Método: Mínimos Cuadrados
102
Ejemplo: 1971 1986
Incluyó observaciones: 16
Variable Coeficient Ets. Error T- Prob.
C e
-22.10374 8,373593 Statistic
-2.639696 0,0216
LX2 -1.037839 0,330227 -3.142805 0,0085
LX5 -0.294929 0,073704 -4.001514 0,0018
LX6 3,243886 0,872231 3,719068 0,0029
R-squared 0,684855 Significa depender var 9,204273
R-cuadrado ajustado 0,606069 D. E. dependiente var 0,119580
S. E. de la regresión 0,075053 Información Akaike -2.128930
Sum squared resid 0,067595 criterio criterio
Schwarz -1.935783
Probabilidad de 21,03144 F- 8,692569
registro
Durbin-Watson stat 1,309678 estadístic
Prob(F-statistic) 0,002454
Nota: La letra L representa el "logaritmo".
Parece que el modelo no sufren el problema collinearity.
103
(a) La regresión horas de trabajo en todos los regresores,
obtenemos los siguientes resultados:
Variable dependiente:
HORAS Método: Mínimos
Cuadrados
(e) Aunque los resultados son mixtos, y tal vez hay alguna evidencia
de que impuesto negativo sobre la renta puede ser vale la pena intentar lo.
10.31 Esto es para un proyecto de clase.
104
incluidas: 15
11.1 {A) Falso. Los estimadores son imparciales pero son ineficientes.
11.2 (A) Como ecuación (1) muestra, como N aumenta en una unidad, en promedio, los
salarios aumentan en unos
0.009 Dólares. Si se multiplica la segunda ecuación a través de N, verá que los resultados
son bastante similares a Eq. (1).
105
a la raíz cuadrada de N, por lo tanto, el autor es ponderado con menos plazas para la
estimación Eq. (2).
(B) que están especializados no-lineales procedimientos de cálculo. Discutir este tema en
el capítulo de modelos de regresión lineal.
Informalmente, podemos estimar los parámetros de un proceso de ensayo y error.
11.4 (A)Véase Ejercicio 7.14 y en la Sección 6.9 .
106
Ahora E(u] ) = £ [ln
ui - £ (ln W, )] = 0. Por cierto, aviso que no queremos
una estimación directa de .
11.5 Esta es una cuestión de sustituir la definición y la simplificación.
11.6 (Tf)La suposición es que la varianza del error es proporcional al cuadrado del PIB, que
se describe en la postulación. Los autores hacen de este supuesto al observar los datos a
través del tiempo y observar esta relación.
(b) Los resultados son esencialmente los mismos, aunque los errores estándar de
dos de los coeficientes son inferiores en el segundo modelo, esto se puede tomar como
justificaciones empíricas de la transformación de heterocedasticidad.
11.7 Como se verá en el problema 11,13 , la Bartlett prueba demuestra que no existe
No era un problema de heterocedasticidad en este conjunto de datos. Por lo tanto, este
diagnóstico no es
Sorprendente. Además, consulte Problema 11.11 .
11.8
Sustituyendo W[ = w (11.3.8 ), obtenemos:
A2 Zxfk t
2 > ,-
Homoscedásticos varianza. En este caso, la varianza homoscedásticos subestimar la
varianza heterocedasticidad de inflado las estadísticas t y F. Uno no puede sacar
conclusiones generales debido a que el resultado se basa en una forma específica de
heterocedasticidad.
11,10
De Anexar 3A. 3 y 6A. 1, tenemos ^ T. X2 var(w )
YX]a2X2 a2ZX?
2
(ZX2)2 (ZX2)2
107
Problems
11.11 Los resultados de la regresión ya están dados en (11.5.3 ). Si aumenta la productividad
media por un dólar, en promedio, la indemnización aumenta en unos 23 centavos.
(d) Si estás en una categoría la absoluta los residuos de bajo a alto valor
Y, de la misma forma las cifras de la productividad promedio rango de baja a alto valor
y calcular el coeficiente de correlación de Spearman en (11.5.5 ) se puede observar que
este coeficiente es de aproximadamente
-0,5167 . Mediante la fórmula dada en t (11.5.6 ), el valor de t es de aproximadamente
-0,8562 . Este valor de t no es estadísticamente significativa; el 5% valor crítico de 7 gl es
2,447 En valor absoluto. Por lo tanto, sobre la base de la
Rank test de correlación, no tenemos ningún motivo para esperar heterosccdasticity.
108
(J)The results based on White’s procedure are as follows:
Por lo tanto
Media v Standard dev lectivo
109
Sty = 0,9910 -0.0650significa t =
(0,3756 ) (-0.1795) r2 = 0,0064
Dado que la pendiente coeficiente no es estadísticamente diferente de cero, no hay
ninguna relación sistemática entre las dos variables, que pueden ser vistos en la
figura ( a).
Al comparar las dos estimaciones, vemos que los mínimos cuadrados ponderados da un peso de
2/3 y 1/3 a Yx a Y2, mientras que LA OPERACIÓN da igual
Peso a los dos Y observaciones. La variación de la pendiente estimador es mayor en
la media ponderada de los mínimos cuadrados que en el Sudán.
(b) Ya que se trata de un los datos transversales de una diversidad de coches, a priori uno
puede esperar la heterocedasticidad.
(Ic) Regresión el cuadrado de los residuos obtenidos a partir del modelo se muestra en
(a) en los tres regresores, su cuadrado, y sus términos de producto, obtenemos un valor
de R1 0,3094 . Multiplicando este valor por el número de observaciones ( = 81),
obtenemos 25,0646 , que bajo la hipótesis nula de que no hay la heterocedasticidad, tiene
la distribución Chi cuadrado con 9 g.l. (3 Regresores, 3 al cuadrado los regresores, 3 tres
términos de producto). El valor de p de la obtención de un valor del Chi cuadrado de
25,0646 o superior (bajo la hipótesis nula) es 0,0029 , que es muy pequeño. Por lo tanto,
debemos rechazar la hipótesis nula. Es decir, hay heterocedasticidad.
110
(J)The
Variable results based
dependiente: on White’s
MPG Método:procedure
MínimosareCuadrados
as follows:
Muestra: 1 81
Incluyó observaciones: 81
Blanco Heteroscedasticity-Consistent errores estándar y covarianza
(e) No existe una fórmula sencilla para determinar la naturaleza exacta de heterocedasticidad en
el presente caso. Tal vez se podría hacer algunas suposiciones sencillas y probar diferentes
transformaciones. Por ejemplo, si se considera que el "culpable" variable es HP, y si
consideramos que la varianza del error es proporcional al cuadrado de HP, podríamos dividir a
través de HP y ver qué sucede. Por supuesto, cualquier otra regresor es un p osible candidato para
la transformación.
11,16
{A) Los resultados de la regresión son los siguientes:
R-squared 0,369824
111
The residuals obtained from this regression looks as follows:
100 -
-200-I 1 .
-------- 1 - 1 -- 1 -- 1
300 400 500 600 700 800 900
TOTALEXP
R-squared 0,097018
Habida cuenta de que la estimación pendiente coeficiente es
significativo, el Parque prueba confirma la heterocedasticidad.
Prueba Glejser
112
TOTALEXP 0.130709 0.045417 2.877997 0.0058
R-squared 0,135158
Test de White
Variable dependiente: uf
R-squared 0,134082
R-squared 0,369824
113
Variable Coefficient Std. Error t-Statistic
Prob.
C 1,154332 0,777959 1,483795 0,1438
LOG(TotalEx)0,736326 0,120713 6,099834 0,0000
R-squared 0,412469
Variable dependiente: Ri
Variable Coeficiente Ets. Error T-Statistic Prob.
R-squared 0,134082
Multiplicando el anterior R2 por 55, obtenemos 7,3745 . Bajo la
hipótesis nula de que no hay la heterocedasticidad, este valor se
ajusta a la distribución Chi cuadrado con 2 g.l. El valor de p de la
obtención de un valor del Chi cuadrado de en la medida de lo
7,3745 o mayor es de unos 0.025 , que es bastante pequeña. Por lo
tanto, la conclusión es que la varianza del error es
heterocedasticidad.
114
TOTALEXP 0.130709 0.045417 2.877997 0.0058
evidencia de heterocedasticidad.
115
11.19 No hay ninguna razón para creer que los resultados serán
diferentes porque las ganancias y las ventas están altamente
correlacionados, como puede verse en la siguiente regresión de las
ganancias de las ventas.
80000-
70000
60000-
40 30
20 10
X
Salario Promedio en relación con los años de experiencia
Tal como se muestra en esta figura, con aumentos de sueldo promedio años
de graduación, pero no lineal.
(b) De la cifra indicada en (a) parece que modelo (2) puede ser más
apropiado, que se corresponde también con la teoría económica del capital
humano.
R-squared 0,693747
116
117
(c) La heterocedasticidad de White prueba aplicada al modelo (1)
se demostró que no había evidencia de heterocedasticidad. El valor
de n.R2 de la regresión auxiliar del cuadrado de los residuos se
11,4108 con un valor de p de 0,0033 , lo cual sugiere una fuerte
heterocedasticidad. Cuando el mismo se aplicó la prueba con el
modelo (2), n .R2 fue 7,6494 , con ap valor de 0,0538 , lo que sugiere
que no hay heterocedasticidad al nivel del 5 por ciento. Pero este
valor es tan cerca del nivel del 5% que uno podría sospechar la
heteroscedasticidad leve en el modelo, aunque la posibilidad de error
en la especificación no puede descartarse.
R-squared 0,999767
R-squared 0,586380
Los residuos de esta regresión cuando se trazan contra X mostró la
siguiente imagen.
1 ° -I
5- 0- <
-5-
" 1 U i -- 1 ------ 1 ----- 1 ---- 1 ------ I ----- 1
0 5 10 15 20 25 30
R-squared 0,009262
Como se puede ver, en (a) la pendiente coeficiente fue muy significativa,
pero en esta regresión no lo es. Ver cómo un solo punto extremo, un caso
atípico, ya que puede distorsionar los resultados de la regresión. El
cuadrado de los residuos de esta regresión cuando se trazan contra X
mostró el siguiente gráfico.
0- °
o
-5-
119
12.1 (A) Falso. Los estimadores son imparciales pero no son muy eficientes.
(b) Realidad: estamos manteniendo las demás hipótesis de CLRM.
120
Utilizando la distribución normal tabla, determinar cuántas unidades de
desviación estándar de la proporción entre el valor de la media calculada.
Seleccione un nivel de confianza y realizar un intervalo de confianza.
(B) V-N = N
(C^Los límites son 2 N Y4 N . Por lo tanto, si n es
N-1 N-1 suficientemente
Grande, el V-N, al igual que el Durbin-Watson d, está entre 0 y 4.
P=
I-
N
Para un determinado k, n -> oo, la segunda parte en el numerador como el
denominador tiende a cero. Como resultado, p& 1- ~ •
12.7(a) La principal ventaja es la sencillez. También puede manejar los
problemas en los que hay más de un mínimo local mediante el ajuste de el
proceso de búsqueda.
121
cuadrícula
122
Estableció que sólo hay un mínimo local o determinado
aproximadamente en el punto en que el mínimo global se encuentra.
" (pág. 335).
Variable dependiente: Y
R-squared 0,995363
Desde el coeficiente de Ft-i, vemos que p = 0,9073 , lo cual no es muy
diferente de la C-0 procedimiento de dos pasos o el C-0 método
iterativo. Por lo tanto, los resultados a través de la p estimado a partir de
la Durbin- Watson procedimiento de dos pasos no va a ser muy distinto
de los que utilizan estos métodos.
12.12 (A) hay muchas razones para un outlier. Puede ser una observación que
es simplemente muy diferente del resto de la muestra, que puede ser el
resultado de errores de medición, o puede ser debido a una mala
muestra.
123
grabado en el error, etc).
(c) No. Los valores atípicos pueden dominar el RSS.
1.
124
Ut i l i c e e l e s t i m a do p de l a r e g r e s i ó n a n t e r i o r y
t r a n s f o r m a r l o s da t o s c o m o s e di jo a l c o m i e n z o . S i l a
m u e s t r a e s ba s t a n t e g r a n de , s e e s t i m a qu e l a p de
pr o po r c i o n a r e s t i m a c i o n e s de l a po bl a c i ó n .
12 >18 c = £ ( * , - Pxi-\ ) 2 [ 0 - P1 ) * I-V| ] - Z (x, - px ,_X ) (y, - ) [ (! - P1 )x,2]
12.23 Desde entonces, p" \ -^ & 1 cuando dis muy pequeña. En este caso, la
Ecuación diferencia generalizada reduce a la primera diferencia
de regresión.
125
E(a2) = --------------------- (N ---- -)
N-2 N-2 1 -P
(a) Si p es positivo, pero menor que uno, E(a2) sigue sesgada en el sentido
de que
Se subestima el verdadero o2.
12.25 (A) como se puede ver en la salida del calculador, sólo el residual
de lag 1 es estadísticamente significativa. Por supuesto, es
posible que la falta de importancia de las otras cinco han quedado
residuos se debe a collinearity.
Problemas
126
(e) Tal vez se podría usar la prueba Breusch-Godfrey se discute en
el texto.
12.27 Los resultados de la regresión son los siguientes:
Y = 246,240 + 15,1 % 2X, se=( 5,849 )
(0,643 ) t = (42,104 ) (23,603 )
R2 =0,911 ;d = 0,4148
(a) De los resultados anteriores, d = 0,4148 .
12.28 (A) Los resultados de la regresión para el C-0 proceso en dos etapas:
127
Y * = -1.214+ 0,398 * In/, +0.336 En I * , -0.055 yr. en H
* +0.456 en UN * se=( 1,137 ) (0,247 ) (0,121 )
( 0,147 ) (0,162 )
T = (-1.067) (1,610 ) (2,766 ) (-0.378) (2,818 )
R2 = 0,951 ; F = 89,476 ; d = 1,448 Nota
: Las estrellas variables transformadas.
128
DLOG(RGRDP) 0,6086 0,1665 3,6551 0,0021
DLQG(LTRATE)-0.1354 0,0427 -3.168 0,0060
R-squared 0,5461 ; d = 0,3832
Nota: La letra " D" es decisivo para tomar primeras diferencias. También
tenga en cuenta que no hay ninguna intercepción en este modelo ( ¿por
qué? ).
129
Y =14.694-0.003 * ,
(A) 5E = (0,688 ) (0,111 )
T = (21,354 ); -0,027) r2 = 0,000 ,d = 1,296
(B) Resultados individuales pueden variar
como ut varía.
Una vez más, los resultados individuales
(C) pueden variar.
12,34 (A) Los resultados de la regresión de inventario sobre las ventas,
cada uno en millones de dólares, son:
Y,= 1668.154+1.554 * ,
Se = (1806,696 ) (0.007 )
T =( 0,910 ) (222,832 ) r2 = 0,999 ,d = 1,374
130
( /) Los
the resultados del modelo
Breush-Godfrey log-lineal son los siguientes:
procedure.
Coeficiente variable Ets. Error t-statistic Prob.
Los resultados del modelo log-lineal son cualitativamente los mismos que los
del modelo lineal, con la salvedad de que en el primero la Breusch-Godfrey
estadística sólo es significativo en el primer lapso.
R-squared
Durbin-Watson 2,076724
0B)
131
(e) En tanto estas regresiones el d los valores son alrededor de 2, lo
cual sugiere que no hay autocorrelación de primer orden. Este
resultado no debe sorprender porque las variables en ambos
estas regresiones se expresan en forma de crecimiento, lo que
implica en primer lugar implícito de diferenciación, que por lo
general, reduce autcorrelation.
132
133
Durbin-Watson stat 2,203363
Nota: ISTAR es la renta variable transformada, UN ADDENDUM es la variable
transformada y PROD es el producto de UN ADDENDUM y ISTAR.
Si se comparan estos resultados con los de Eq. (9.5.4 ), se puede observar que el
coeficiente de la variable de renta diferencial pendiente y coeficiente de la renta
variable se acerca del mismo. Porque de transformación de datos, los coeficientes
de interceptar y la variable ficticia (UN ADDENDUM) no se pueden comparar
directamente.
134
CAPÍTULO 13
Modelos econométricos: ESPECIFICACIÓN DEL MODELO Y LAS
PRUEBAS DE DIAGNÓSTICO
13.1 Pues al parecer, el modelo se basa en la teoría económica, que parece estar
bien especificado. Sin embargo, las variables de precios están fuertemente
correlacionados, lo que podría llevar a los problemas derivados de la
multicolinealidad. La elección de la forma funcional es una cuestión
empírica.
135
Por lo general, entonces, la adición de X 3 aumentará el valor de R . Sin
embargo, si el r23 es cero, el valor R1 no se modificará.
(b) Sí, estos son imparciales por las razones indicadas en el capítulo.
Esto puede ser fácilmente demostrado de la regresión múltiple las fórmulas
dadas en el Capítulo 7, señalando que el verdadero / ?3 es cero.
136
Tomando nota de las propiedades de xj,ui yf, puede verse
que ¡3 es imparcial.
13.9 (a) El método y los resultados son los mismos que en cuestión
13.8 .
P\ (irue) = A
13,11 + 5 Pi (< * ) .
Pl(irue) Pi
UN UN
, P \ (tnte) ~ P\
(O) "
Pldrue) ~ ^ >02
(c) El coeficiente de intersección será imparcial pero la
pendiente coeficiente ser sesgados e inconsistentes.
13,12 Eq. (13.3.2 ), obtenemos
137
Ai=Y -a2X2 Por lo tanto,
£ ( " ,) = F (A + PMX" usando (13.3.3 )
= (P\ + Pi-X 2 + P-i^i) ~ (Pi + P * b32) ^2
= ft+MXi-bnXi)
138
de dinero ... determinar los cambios en el PIB (nominal)" sobre
la base de la
St. Louis Modelo es demasiado fuerte. Dos de los cinco coeficientes
para la tasa de crecimiento en su totalidad, o alta, empleo los gastos
del gobierno son estadísticamente significativas a un nivel del 95 %.
De la misma manera, dos de los coeficientes de la tasa de
crecimiento de la oferta de dinero no son estadísticamente diferentes
de cero. Además, puede haber collinearity en el modelo entre la tasa
de crecimiento de la oferta de dinero y la tasa de crecimiento de
pleno empleo presupuesto del gobierno.
Sería interesante para replicar el modelo de San Luis más datos del
módem. La primacía de la Ml oferta de dinero se ha ido, Ml se
sustituye por M2 oferta de dinero.
139
variable X(, no pertenece a
140
El modelo es válido. Los restringidos y no
restringidos R2 son, respectivamente, 0,9803 y 0,9801 . Por
lo tanto, obtenemos
Los resultados son similares a los de los datos correctos (ver Eq.
13.5.11 ). Pero los coeficientes indicados anteriormente reflejan los
prejuicios.
141
Ln^jj = -0.472 + 1340W
T = (-0.352) (3,022 )
R2 = 0.413; * / = 1,826 Como se puede
apreciar, los resultados del modelo ampliado son pobres en la
medida en que ninguna de la pendiente los coeficientes son
estadísticamente significativos. Tampoco significa que la variable
adicional en el modelo extendido es superfluo o que hay graves
errores de medición en las elasticidades calculadas o que hay
collinearity en los dos regresores, o todos estos factores.
142
esta hipótesis es rechazada, probablemente un modelo no es el modelo
correcto.
3. Repita los pasos 1 y 2, intercambiando los papeles de A y B.
143
modelo B.
4. Vuelva a ejecutar Modelo B incluyendo la variable Yf\ si el
coeficiente de
5. Yf * es importante, elija el modelo A.
6. Si Yf® en el modelo A y Yf * en el modelo B son
estadísticamente significativos, lo que significa que ambos
modelos son aceptables.
Si se llevan a cabo los pasos anteriores, usted encontrará que ambos
modelos son aceptables. Por lo tanto, no hay una clara preferencia
aquí. Sin embargo, si lleva en la tasa de interés, es muy posible que
uno de los dos modelos puede ser preferible. Citamos a
continuación los resultados de la regresión sin el tipo de interés
variable.
13.30 Los resultados de la regresión de los ahorros de los ingresos son los
siguientes:
Período de Interceptar Pendiente R2
tiempo
0,902
1970-1981 1,0161 0,0803 1
(0,873 ) (9,6015 ).
1970-1985 9,7255 0,00591 0,914
(0,8999 ). (12,2197 ) 2
1970-1990 50,2516 0,0444 0,756
(3,6396 ). (7,6745 ). 1
1970-1995 62,4226 0,0376 0,767
(4,8917 ). (8,8938 ). 2
144
las pendientes los coeficientes, tal vez la cuestión
La estabilidad de las economías de ingreso relación a lo largo
de los distintos períodos.
13.31 Siga Eq. (13.10.1 ). Utilizando los datos, obtenemos las siguientes
F valor:
R (23248,30 -1785.032) /14 £ 5gg5 ( 1785,032 ) /10
145
para la estimación y la inferencia. Tradicionalmente, se ha
introducido en la forma (14.1.2 ).
2Ver George G. Juez, R. Carter Hill, William E. Griffiths, Helmut Lutkepohl y Tsoung -Chao
Lee, Introducción a la teoría y la práctica de Econometría, 2d ed., John Wiley & Sons, New
York, 1988, pág. 514
146
... (Y + t )
1 Dy
(b) Aquí = P2 , lo que sugiere que el cambio relativo en
Y dt
Y es una constante igual a P2. Si se multiplica esta por 100, se
obtiene el porcentaje de cambio, o la tasa de crecimiento.
147
14.8 En los siguientes modelos, Y = población y / = tiempo.
Modelo Lineal
Yt =221,7242 + 0,1389 /
/ = (109,2408 ) (44,4368 ); r2 = 0,8178 log-lin Modelo
En 1 ^ =5,3170 + 0,0098 /
/ =(8739,399 ) (285,9826 );R2=0,9996
Modelo Logístico
Y = ---- 1432,739 ----- R2 =99997
' L + 1.7986e" ° ' 01117' '
Nota de la / las proporciones de la estima / ? " / ? / ?2 y 3 son,
respectivamente, 2.8209,4 .3618 y -14,0658 .
Modelo de Gompertz
Y = 1440.733exp{ 1.9606e00054 '} ,R2 = 0,9995 Nota que la t de
las relaciones estimadas / ?3Son, Respectivamente,
2,7921 , 5,4893 , 5,0197
148
(e) This probability is 0.6936.
15.2 Estos datos se podrá obtener un ajuste perfecto ya que todos los
valores de X por encima de 16 corresponden a Y=1 y a todos los
valores de * por debajo de 16 corresponden a Y= 0. Por lo tanto, un
número infinito de curvas que colocar estos datos en situaciones
como esta el método de máxima probabilidad puede romper. Por lo
tanto, el ML estimaciones dadas en el ejercicio son de dudoso
valor.
15.3 Hace referencia al modelo original, se observa que los resultados son
Desde un modelo de Probabilidad lineal y la unidad de renta
disponible X\ es miles de dólares.
149
(e) This probability is 0.6936.
TR
0 20 40 6(
INGRESOS
15.6 Recordar que
I, = & + / } 2X,
Por lo tanto, la variable normal estandarizada es la siguiente:
X, -Mx ^ ,
/ ,=
Por lo tanto,
P\ = --y/ ?2 = -
150
(e) This probability is 0.6936.
(es decir, por un mil), las probabilidades a favor de una mayor tasa
de asesinatos aumenta un 0,14 %. Otros coeficientes son para ser
interpretado de una manera similar.
151
(b) Individualmente, los coeficientes de C y R
son estadísticamente significativos al 5% o mejor nivel.
15.9 (A) Tenga en cuenta que aquí el registro de la odds ratio es una
función de la
Registro de los ingresos, por lo que es un doble modelo de registro.
Por lo tanto, si un aumento de los ingresos en un 1 %, en promedio,
el registro de las posibilidades a favor de poseer una casa va por
alrededor del 34,8 %.
O. Q625 *
03475 "1 + 0,0625
* 03475
(c) Esta probabilidad es:
0,0625 (20000)
°3475 " 1 + 0,0625
(20000) °3475 * 0,66
Es decir, la probabilidad es de 66 %. Siguiendo este procedimiento, el lector
puede comprobar que en el nivel de ingresos de 25.000 esta probabilidad es de 68 %.
Siguiente nota de pie de página 19 en el texto, el lector puede comprobar que el cambio
en la probabilidad del nivel de ingresos
20,0 A 25.000 es bastante pequeño.
152
(d) De los resultados se puede ver que los coeficientes son
153
Uno muy importante y que el x2 valor, una medida de bondad de
ajuste, también es muy significativa.
154
/; =-1.086 + 0,049 * ;
5E = (0,031 ) (0,001 )
Como puede ver, los resultados de las sin ponderar y ponderado
mínimo de plazas no son muy diferentes, aunque los errores
estándar son relativamente menor para la media ponderada de los
mínimos cuadrados, como uno podría esperar.
Z = -4.837+7.058 En * ,
Se=( 0,434 ) (0,599 )
T = (-11.141) (11,782 ) ;/ =1,4069
155
estimado
156
(D) Nos wdnt para averiguar
157
CHAPTER 16
PANETL DATA REGRESSION MODELS
16.2 En un modelo de efectos fijos (FEM), que nos permitirá que cada
microunit a ser representado por su propio interceptar pero que
interceptan sigue siendo el mismo a lo largo del tiempo. No
podemos permitir que tanto el tiempo y el espacio mediante la
introducción de corte transversal y dummies variables indicadoras
del tiempo.
158
E{s,v,) = E( siull) = E(v,uil) = 0 E (e, S j) = 0 (/
* j ) ;E(V'Vs) = 0 (t * s)
E(uuuis) = E(unuj") = E(wu ' p r i m e r e ) = 0 ; ( * * j;t * s)
Como resultado,
Var(w/) = a2 = <j] + a] + cru2 es decir, wit
es homoscedásticos. El coeficiente de correlación entre wjt y wjt (i
* j), es decir, entre los errores de dos diferentes unidades
transversales en un momento dado es:
Cov( Adr, Wjt) = Al ^
^ [Var^ ,) vai(Wjt) ct 2£ + cr2v + cr2u .
Y el coeficiente de correlación entre ingenio y wjt {t ± s), es decir,
Entre los errores de la unidad de corte transversal en dos momentos
diferentes,
- .Cov^) = ,
Vvar(w/) var(wj cr£ +crv + au
159
(c) Desde 3774 tenemos observaciones, tenemos suficientes grados
de libertad para un modelo de efectos fijos. Sin embargo, debido a
que los dos modelos por lo general dan resultados similares, se
puede optar por uno u otro modelo. Más formalmente se puede
utilizar la prueba de Hausman para decidir entre los dos modelos.
160
Problems
16,11 (A) Año Interceptar Pendiente R2 D
1990 3118,484 -22.4984 0,0834 1,9
(3,5718 ). (-2.0894) 8
1991 3149,356 -23.3485 0,0972 1.
(3,8837 ). (-2.2742) 9
Nota: Las cifras entre paréntesis son los t ratios.
161
rechazar la hipótesis nula de que el error las variaciones de los
dos períodos son diferentes, lo que sugiere que los datos pueden
ser agrupadas.
16.14 (A) A priori uno puede esperar una relación inversa entre los
dos porque si el desempleo es alto, habrá menos presión para
conseguir aumentos salariales, suponiendo constantes a las
otras cosas.
162
País Intercepto Pendiente R2 RSS D
Canadá -0.7294 85,8286 0,0048 0,0088 5372
( 3,8706 ) (-0.2946)
REINO UNIDO 0,4248 156,4412 -9.1186 7856 0,3591
(6,6952 ) (-3.6463)
EE.UU. 0,5420 152,4665 -9.6686 3375 0,4910
(10,9253 ) (-4.6159)
Agrupados 0,3365 132,3895 -6.3409 1941 0,2440
(13,4746 ) (-5.4242)
163
(d) Los resultados aquí y en (e) a continuación se obtienen a
partir de decisivo.
Variable dependiente: COM?
Método: Mínimos Cuadrados agrupados
164
CAPÍTULO 17: modelos econométricos
DINÁMICOS Y rezagos distribuidos autorregresivos
MODELOS
1-0-R)L
Donde L es el operador que lag lxt = X,_X. Sustituir Eq. (1) en
165
Eq. (4) para obtener
R, = 60s+S0lx; 5ul+Q-
S)Yl_l (6) sustituto Eq. (5) en Eq. (6) para
obtener
Y^spt+spi ' ^ X" ] + (l-S)Z- , +S", (7)
1-
(1- y)L Simplificar Eq. (7),
obtenemos
Y, =ax + a2Xt + " 3 ^_, + a4Y"_2 -" (17.7.2 )
Cuando la ds (no lineal) las combinaciones de los
diversos parámetros de Eq. (7).
17.5 (A) calcula los valores de Y , que son una función lineal de la
Nonstochastic las variables X , son asintóticamente no
correlacionados con el término de error población, v.
166
En un lapso promedio de 2 0,2-
1.6094 0,6932 0,4307
(b) 0,6932 0,4 -0.9163 0,7565
0.6 -0.5108 0,6932 1,3569
0.8 -0.2231 0,6932 3,1063
167
17.7 (a) Desde fik = J3aX ; 0 <A< 1 ;A: = 0,1,2 ...
5 >UN
17.8 Utilice la fórmula . Para los datos de la Tabla 17.1 , esta pasa a ser:
2 >. "K
M = a+ ^l~r^Y + ~ -2- R + u,
\ -Yxl l2L
Que se puede escribir como:
M = A + (1 -yx )Y - república federativa2 ( 1
2Yi( \ -y2)R, -
- yx )Y,_X + £ (1 - y2 )R, -P
\ +Oi +riW, -t - (r,r2)M(.2 +
+K -i/i +r2)u, -\ + (rj2 ) u, -2]
Donde A es una combinación de a, y {, y .
Tenga en cuenta que si y = y2 = y , el modelo se puede simplificar aún
más.
168
17.12 A) Sí , en este caso el modelo Koyck puede ser estimado con MCO.
(b) Habrá una muestra finita sesgo debido a la zaga
regressand, pero las estimaciones son coherentes. La prueba
puede encontrarse en Henri Theil, principios de
Econometría, John Wiley & Sons, Nueva York, 1971, págs. 408-
411.
0B) es 0,297
(c) Para obtener el largo plazo curva de la demanda, dividir la
demanda a corto plazo a través de S y la zaga empleo plazo. Esto
le da al largo plazo de la demanda:
169
k
17.15 (A) es (1 - 0,0864 ) = 0,136 .
17.17 El grado del polinomio debe ser de al menos uno más que el
número de puntos de inflexión en la serie de tiempo observada
trazados en el tiempo. Por lo tanto, para la primera figura en la parte
superior de la izquierda comer, utilizar un polinomio de grado 4; de
la figura en la parte superior derecha comer, utilizar un segundo
polinomio de grado; para la figura en la parte inferior izquierda
comer, utilizar un polinomio de grado 6, y a la figura en la parte
inferior derecha comer, utilizar un segundo polinomio de grado.
170
+ ut
17,20 R, =a + '£ filx,_L+ul
/
=0
k/
2
= A + / ?Z + W,
17,21 Aquí n = 19 y d = 2.54 . Aunque la muestra no es muy grande,
sólo para ilustrar la prueba h, encontramos el valor h como:
Problemas
17.22 Mediante el ajuste de existencias, o modelo de ajuste parcial
(PAM), la de corto plazo función de gasto puede ser escrito como
(ver Eq. 17.6.5 ):
Yl=S/ 30+Spx, + ( \ -S)X,_L+ul (1)
Donde Y= gastos para nuevas instalaciones y equipo y * = ventas.
171
k
Tenemos que utilizar el h estadística para averiguar si hay
correlación serial en el problema. Mediante la fórmula de que el
h las estadísticas, se puede demostrar que en el presente ejemplo
h = 1,364 . Asintóticamente, este
Valor no es significativo al nivel del 5 por ciento. Por lo tanto,
asintóticamente, no hay correlación serial de los datos.
172
Sobre la base de los datos, los resultados de la regresión son los
siguientes:
Yt = -19.7701 + 0,715 * , +0.565 ^_, -0.409 ^_2 t =
(-4.467) (8,323 ) (4,250 ) (-3.460)
R2 = 0,992 ; F = 5653,234 ;d = 1,367
Los coeficientes estimados son estadísticamente significativos.
Pero, puesto que los coeficientes estimados son combinaciones
lineales de los coeficientes originales, no es fácil conseguir sus
estimaciones directas. En principio, debemos estimar este modelo,
utilizando métodos discutidos no lineal en el Capítulo 14. Que las
estimaciones directas de los diferentes parámetros, que luego se
pueden comparar con los obtenidos por problemas 17.22,17 y .23
17,24 .
17.26 Se hará hipótesis nula Ho: las ventas no Granger causa inversión en
instalaciones y equipo. Los resultados de la prueba Granger son los siguientes:
Número de rezagos estadística Valor de p Conclusión
F 2 17,394 0,0001 Rechazar Ho
3 5,687 0,0117 Rechazar Ho
4 3,309 0,0628 No se rechaza Ho
5 2,379 0,1606 No se rechaza Ho
6 1,307 0,4463 No se rechaza Ho
Ho: la inversión en planta y gastos no causalidad de Granger
Ventas:
173
-0.1183 *
1-4 (-
0.6562)
Y^ x 2 4 0,1407 0,9655
4 1,8239 0,1533
* Significativa al nivel del 10 por ciento.
174
17.28 Using Eviews 4, we obtained the following results.
175
de la productividad. Los resultados son los siguientes:
Y = 26,7834 0.6907xlt + + 0.6680X"
T = (12,8468 ) (33,2341 )(2,7053 ).
R2 = 0,9694 ; ¿ = 0,2427 Y
= indemnización, X2 = productividad y * 3 = la tasa de
desempleo.
Cada uno de los coeficientes estimados parecen ser
estadísticamente significativa. El signo positivo de la variable tasa
de desempleo puede ser contra-intuitivo, a menos que uno puede
hacer un argumento que una mayor tasa de desempleo aumenta la
productividad que, a continuación, conduce a una mayor
176
Indemnización. Desde la d estadística en el presente caso es
bastante baja, es posible que este modelo sea sufre de
autocorrelación o especificación parcialidad, o ambos.
17,31 Sólo para dar una idea de la prueba de la Sim, nos encontramos Y
(inversión en plantas y equipos) * (ventas) con dos lag y dos
términos de * y obtuvo los siguientes resultados:
El lector debe intentar otro cable de lag estructuras para ver si esta
conclusión.
177
CHAPTER 18
18.1 El número de dentistas exigido sería una función
SIMULTANEOUS-EQUATION MODELS del precio de la
atención estomatológica, con los ingresos de la población de pacientes,
la disponibilidad de seguro dental, el nivel de educación de la
población odontológica, el tamaño de la familia, etc. El número de
dentistas se suministra la función del precio de la atención
estomatológica, el costo de la educación odontológica, el tamaño de la
población odontológica, el número de escuelas de odontología, el
estado requisitos para la obtención de licencias, etc. Las variables
endógenas son el número de dentistas exigió y se suministra y el
precio de la atención estomatológica. Las otras variables pueden
considerarse exógenas.
18.2 Brunner y Meltzer utiliza variables tales como la tasa de interés real,
riqueza pública, relación de las actuales al ingreso permanente, etc.
Tiegen utiliza los ingresos, tasa de interés de corto plazo, han quedado
cantidad de dinero, etc. se debate en la literatura si es el tipo de interés
a corto plazo o el tipo de interés a largo plazo que este es el costo de
oportunidad del dinero.
1 I A2 IP2
Zp,uu
I A2
En equilibrio, (1) = (2), por lo tanto, obtener, tras simplificación,
••
^ 2( ^ ^ 1/ /A\
P=J (4)
"1 ~Px
^ =£ ( "2, _Zu2lUu -St/,7
Ai ~P\ "1 -Px
^P2 Z^ +S" 1 ? -2Z" >1,< (6)
( "1 -Px)2
Sustitución de las expresiones anteriores (3 ), y de la
simplificación, obtenemos:
178
¿I=g, +- • • ( "i- &> < ?)
(8)
Lu2i + ! ,"" -2Lu2,uu recordando que u\
y u2 no están correlacionados, al tomar la
179
Probabilidad límite (plim), obtendremos
CHAPTER 18
SIMULTANEOUS-EQUATION
Plimâ, = a, MODELS
(a, -ft)
(B) y (c) las variables endógenas son y Rbt . /Fbt-i es una variable
predeterminada (endógena rezagada). No hay rezago en Rst plazo
del modelo. Todas las demás variables están predeterminados
(exógenos).
180
primeros
(8)
181
De estos exógenas y el resto se quedó endógeno.
Problemas
/, = PIB -289.0339 +
66.8100t = (-4.3262) (17,5783
)
R2 =0.9169; * /= 0,3851
18,12
Los resultados de la regresión son
los siguientes: /, =588,1915 +
1.5007tf- ^_") t = (7,1598 ) (4,0243
).
R2 =0.3749; * / = 0,5245
182
CHAPTER 19
THE IDENTIFICATION PROBLEM
TV j
7V ^
19.4 C
onsulte el ejercicio 19.3 . La prueba de estado proporciona el mismo resultado.
19.5 La razón de ello es que la ecuación oferta es overidentified es que
la ecuación de la demanda contiene dos variables preestablecidas,
/R.
Si contiene sólo uno, la ecuación oferta sería sólo identificados. Por
183
lo tanto, si a2 = 0 y a3 = 0, la ecuación oferta sería de sólo
identificados.
184
19.6 (A) para este sistema, M = 2 ( Y u Y2) y K = 2 ( XuX2). Por la
CHAPTER
condición de la orden, 19
Y1 y Yl son exactamente identificado.
THE IDENTIFICATION PROBLEM
(b) En este caso Y\ se identifica, pero no Y2.
Un (* " = H = ^- = 1-25
Nn ^12
K=A, = ^ =2
N" 7BN
185
ecuaciones. Uno de los factores determinantes es la siguiente:
186
Pa 0 y22 y23 1 /
?35 0 Aj3
0 0 0 Ya3 * 0
0 1
R52R *
187
19.15 (A) la forma reducida las ecuaciones son:
188
(b) Aquí M=2, K = 7 . Por la condición de la orden, ambas
ecuaciones son overidentified.
Yt =x0+xir, +x2Pt+v,
M = iTj +x4R, +ksp, + w,
113,5850 -17.7981
0,0186 40,9533 0,7650
0,0422 -3.8094 -0.1608
R2 = 0,9872 d = 0,5221
189
W = A+ M + M + ", 0)
UN
Cuando Yt es obtenida de la regresión de la forma reducida para
Y en (c).
Variable dependiente:
M2 Método: Mínimos
Cuadrados
C - 78,9873 4,8238 4
Yt 2295.7898 0,06825 -
0,3292 0,0695 29.0652
0,4791 6,8929
R = 0,9928 d = 0,5946
190
estadísticamente significativa, lo que llevó a la conclusión de
que Y no es exógeno.
191
CAPÍTULO 20 MÉTODOS DE
ecuaciones simultáneas
(c) Cierto.
(g) Falso. 2SLS puede ser modificada para tratar con errores
autocorrelacionados.
192
probable que se correlaciona con el término de error estocástico en
el original ecuaciones estructurales. Sin embargo, si el valor R2 de
la primera fase de regresión es baja, el 2SLS
193
Las estimaciones serán prácticamente no tiene sentido porque uno
procederá a la sustitución de la original Ys de la segunda etapa de la
regresión estimada Fs de la primera fase de las regresiones, lo que
en esencia representan los disturbios en la primera fase de las
regresiones. En otras palabras, la estima Y valores serán muy
pobres sustitutos de los valores de Y. En el sistema de resultados
que se muestran en este problema, los valores estimados de las
variables endógenas son cerca de los valores reales.
Ay = x estre
Ahora si (a + /? ) de= 1, se puede afirmar que el factor determinante
de la UN, |j4| , esLcero, lo que significa que la matrix no puede ser
en
invertido. Por lo tanto, no hay solución.
K
(b) Incluso si (" + /?) * 1 , hay un problema de identificación. Desde W/P y
R/P son conocidos, pueden ser tratadas como constantes y ser absorbidas en el término
constante en A. Como resultado de ello, cualquier combinación lineal de las ecuaciones
(2) y (3) se distinguen de la ecuación (1).
194
(c) 2SLS puede ser utilizado para estimar los
parámetros de la función de oferta overidentified.
(d) Las funciones son ahora overidentified. Por lo tanto, utilice 2SLS.
Y, 1831,8580 + 4,6722 = /,
/ = (7,6427 ). (17,5784 ) (1-a)
R2 = Q. 9 \ 69 \d = 0,3287
C = 1130,843 + 3,2059 /
T = (6,5225 ) (16,6752 ) (2-a)
R2 = 0,9085 ; ¿ = 0,3751 El ILS estimaciones
del original ecuaciones estructurales son:
^ = ^ = -= 3,2059
0,6862 4,6722 1 fcx
A = ^ d - A ) = 574,8370 de comparación, la
regresión por MCO de C Y dio los siguientes
resultados:
C = 0,68891 + -142.1826^
/ = (-5.3883) ( 156,2434 )
R2 = 0.9988; * /= 1,2019 Como se puede ver, las
estimaciones de la propensión marginal a consumir (MPC) de la ILS
estimación es 0,6862 y estimación de la operación es 0,6889 . Esta
diferencia puede no ser estadísticamente significativa, pero en la
práctica lo que podría ser. En el primer caso, el multiplicador, M=
--------- ,Es3,1565 Y En ElSegundo(OSS)CasoQue Es
---- 3,2144 . En
1 -MPC
Cualquier caso, desde la operación estimaciones en la presencia de
la simultaneidad son parciales, así como contradicción, no se pueden
conservar en cuenta este hecho en la operación y comparando el ILS
estimaciones.
Problemas
195
Este modelo.
(b) Por la condición de la orden, el tipo de interés no es
identificado, pero la ecuación de ganancias es identificado.
(b) Aquí usted puede usar 2SLS. Usamos M y 7 t-i como instrumentos.
Los resultados de la regresión, sido realizados en Eviews 4, son los
siguientes:
Y = 16977,06 -1627.870/ ?,
T = (3,0842 ) (-2.0350) donde R es el de
seis meses tasa de interés letras del tesoro.
196
20.11 (A) ahora las ecuaciones para R e Y no son identificados,
mientras que la ecuación de la inversión es exactamente
identificado.
/ ,= 283,4482 + 0.2364M,
t = (5,6424 ). (12,5681 )
R2= 0,8494
Dejar que el lector para estimar la forma reducida las regresiones
para R y Y y recuperar los coeficientes de la función de inversión.
20.13 (A) puesto que la oferta es una función del precio en el período
anterior, el sistema es recursiva, por lo que no hay simultaneidad
problema aquí.
individual.
Función de demanda:
Función de la alimentación
= 66,287 + 0,330 ^ .,
t = (8,288 ) (4,579 )
r2= 0,525
197
Como era de esperar , el coeficiente de la variable de precios
desfasados es positiva. También es estadísticamente significativa.
21.2 Si una serie de tiempo tiene que ser diferenciada d veces antes
de que se quede inmóvil, es integrada de orden d , I ( d), en su
forma no diferenciadas pueden, por ejemplo una serie de
tiempo es fluctuantes.
21.7 Dos variables son cointegrados se dice que si hay una relación
estable a largo plazo entre ellos, aunque individualmente cada una de
las variables es fluctuantes. En ese caso, la regresión de una variable
en el otro no es falsa.
198
relación entre los dos. Esto es especialmente cierto si las dos
variables no están cointegrados. Sin embargo, si las dos variables
están cointegrados, aunque cada uno de ellos son fluctuantes, la
regresión no puede ser falsa.
Problemas
199
R 2 = 0,022
* En términos absolutos, este tau valor es menor que el valor crítico
tau, lo que sugiere que hay una raíz unitaria en el PCE series de
tiempo, es decir, esta serie es fluctuantes.
200
NUMÉRICA, = 326,633 + 2,875 / -
0,0157 PDI,_X t = (2,755 ) (2,531 ) (-
2.588) *
R2 = 0,076
* Este tau valor no es estadísticamente significativa, lo que sugiere
que la PDI serie de tiempo contiene una unidad raíz, es decir, es
fluctuantes.
21.19 (A) Probablemente sí, porque por separado las dos series
de tiempo son fluctuantes.
201
R-squared 0,6231 ¿ =0,0712
202
Cuando los residuos de esta regresión fueron sometidos a
pruebas de la raíz con una constante, constante, y la constante
y tendencia, los resultados muestran que los residuos fueron
no estacionaria, lo que llevó a la conclusión de que los
dividendos y las utilidades no están cointegrados. Ya que este
es el caso, la conclusión, en (a) permanece encendida .
203
C 11,8978 2,3538 5,05457
- BENEFICI 0.1096 0,02939 -3.7293
OS 1,6472 0,0554 29,7008
Tendencia
204
R-squared 0,9668
Pero hay que tener cuidado de esta regresión porque esta regresión se
supone que hay una tendencia determinista. Pero sabemos que el
dividendo series de tiempo tiene una tendencia estocástica.
R-squared 0,0152
Este ejercicio muestra que hay que ser muy cuidadoso en particular
la tendencia variable en una serie de tiempo regresión a menos que
uno esté seguro de que la tendencia es en realidad deterministas.
Por supuesto, uno puede usar el DF y ADF pruebas para determinar
si la tendencia es estocástico o determinista.
21.23 (A) Dado que |r| es menor que la crítica |r| valor, parece que
el alojamiento inicio series de tiempo son fluctuantes. Por lo
tanto, hay una raíz unitaria en esta serie.
205
( ¿ >) Normalmente, una absoluta del valor de t en la medida de lo
2.35 o mayor sería significativo al nivel del 5 por ciento. Pero a
causa de la unidad
206
Situación raíz, el verdadero | /| valor aquí es de 2,95 y 2,35 no . Este
Ejemplo nos muestra por qué uno tiene que ser cuidadoso en el uso
de la estadística t indiscriminadamente.
X
Y presenta una tendencia lineal, mientras que X representa
una tendencia cuadrï¿ ½ica.
207
demasiado en los resultados de la regresión de dos variables con
tendencia determinista tiempo caminos divergentes.
(b) En la primera forma, aún hay relación positiva entre las dos
variables, pero ahora la elasticidad coeficiente ha disminuido
drásticamente. Sí, d valores podría sugerir que no hay correlación
serial problema ahora. Pero la importante caída
El coeficiente de elasticidad sugiere que el problema aquí puede ser
uno de falta de cointegración entre ambas variables.
(c) Y (d) de la regresión (3) parece que las dos variables están
cointegrados, del 5% valor crítico -1.9495 es tau y el valor estimado es más
negativo que esto. Sin embargo, el 1% valor crítico tau es de -2,6227 , lo que sugiere que
las dos variables no están cointegrados. Si permitimos que para interceptar y interceptar
y tendencia en la ecuación (3), entonces el DF para mostrar que las dos variables no
están cointegrados.
21.27 (A) y ( b) El tiempo del IPC gráfico muy parecida a Fig. 21,12 .
Este gráfico muestra claramente que en general hay una tendencia
al alza en el IPC. Por lo tanto, regresión (1) y (2) no son dignas de
consideración. Tenga en cuenta que el coeficiente de los datos del
IPC es positivo en tanto facilita. De la estacionalidad, que
requieren de este valor a ser negativo.
208
prueba F
209
un modelo. En modelos, la inclusión o exclusión de determinadas
variables desempeña un papel crucial en la identificación del
modelo.
22.8 Deseamos que los gal lo suficientemente largo como para captar
plenamente la dinámica del sistema que se modela. Por otro lado,
cuanto más largo sea el lag, cuanto mayor sea el número de
parámetros que deben ser estimadas y, por tanto, menos los grados
de libertad. Por lo tanto, hay un trade-off entre tener suficiente
número de rezagos y tener suficientes grados de libertad. Esta es la
debilidad de VAR. Por supuesto, uno podría utilizar información
Akaike y Schwarz criterio para elegir la longitud del rezago.
Problemas
210
clara. La punta de lag 5 parece un poco pronunciada, ya que se
encuentra muy cerca de la parte superior 95% limt. Como un juicio,
entonces, se podría montar un autoregessive modelo utilizando la
intersección y cinco grupos de acción local.
211
PDI] = 22,2768 -0.2423PD/ ;_5
t = (5,9678 ) (-2.1963)
R2 =0.0568; * / = 2,11
212
Basándose en este modelo, los valores reales y de los dos
213
Las variables de 1991:1 a 1991:4 son los siguientes:
22.17 Lo dejamos para el lector para llevar a cabo los pasos con
un desfase de 3.
Ml = 36622,11 -744.4635J?,
t = (19,2627 ) (-4.7581)
R2 = 0.3997; * / = 0,2346 Los residuos de esta
regresión fueron sometidos a análisis de la raíz. Aplicación del DF
las pruebas en diversas formas, se comprobó que
214
Las dos series de tiempo no son cointegrados.
F_ (0,2153 -0.1397)72_31g
(1 -0.2153)7 (649-4)
Este F valor es altamente significativa, lo que sugiere que se debe
elegir el modelo que figura en Eq. (22.11.4 ) sobre que en el
presente ejercicio.
215