Métodos Cuantitativos I

Profesor: Pablo Guzmán

Ayudantes:Tomás Cortés1 , Matías Fresard

Ayudantia 4
Verano 2015

Comentes
El único problema de no incluir un término constante en el modelo de regresión lineal es que no se
garantiza que la recta de regresión pase por las medias condicionales de Y, o equivalentemente, que la
suma de los errores sea igual a cero.

Respuesta
Falso. El comente tiene dos deficiencias. La primera, es que el hecho de incluir la constante en el
modelo asegura que la suma de los residuos (errores estimados) es igual a cero, mas no la suma de los
errores.
La segunda deficiencia del comente es que la no inclusión de la constante en el modelo genera sesgo
en la estimación de la pendiente, dado que se obliga a que la recta de regresión pase por el origen.

Notar que el resto del comente es cierto:

Yi = β̂1 + β̂2 Xi + ûi

X X X
Yi = nβ̂1 + β̂2 Xi + ûi
P
Notemos que ûi = 0 dado que asumimos modelo con constante. Ahora, divimos la ecuación anterior
por n para obtener:
Ȳ = β̂1 + β̂2 X̄

La variabilidad de los datos no tiene incidencia en la precisión de los estimadores MCO.

Respuesta
Falso. Tomemos como ejemplo el estimador de la pendiente β̂M CO y su varianza. Sabemos (o debe-
ríamos saber ) que esta se puede escribir de la siguiente forma:

σ2
V (β̂M CO ) = P
(Xi − X̄)2

σ2
V (β̂M CO ) =
nV (X)
Luego, podemos ver que a medida que aumenta la varianza de la variable independiente, la varianza
del estimador se vuelve más pequeña y por lo tanto obtenemos estimaciones más precisas. Notar que
de igual manera, si aumentamos la cantidad de observaciones n, la suma se hace más grande, lo que
también hace decrecer la varianza del estimador.

1 Consultas a tcortes@fen.uchile.cl

Página 1 de 7
 Economía Política Universidad de Chile
Primavera 2014 Facultad de Economía y Negocios

A partir de las siguientes imágenes, explique la diferencia entre correlación estadística y causalidad.

Respuesta
La principal diferencia es que la correlación estadística solamente mide el grado de relación lineal entre
dos variables aleatorias. La causalidad, por otra parte, se interesa en la relación causa-efecto entre dos

Página 2 de 7
 Economía Política Universidad de Chile
Primavera 2014 Facultad de Economía y Negocios

variables. En las imágenes tenemos el caso una correlación bastante elevada entre el consumo de queso
en los Estados Unidos y la cantidad de personas que murieron enredados en sus sábanas. Sin embargo,
es difícil pensar que pueda haber una relación causal en dicha correlación, más bien, podría ser una
coincidencia. No así lo que se observa en el primer gráfico, el cual denota la relación entre el logaritmo
del PIB y el logaritmo del consumo para el año 2000. En este caso, la teoría económica nos entrega los
fundamentos teóricos para establecer una relación de causalidad entre estas dos variables que ningún
instrumento estadístico podría entregar.

El β̂ asociado a los Años de educación (E) en un modelo de regresión del Salario Mensual (W ) en
función de los Años de educación (W = Eβ + u) será igual que el γ̂ asociado al Salario Mensual (W )
en un modelo de los Años de educación (E) en función del Salario Mensual (E = W γ + v).

Respuesta
Falso. El estimador de la primera ecuación será:

P ,
wi ei 1/n
β̂ = P 2
xi 1/n
cov(W, E)
=
var(E)

Bajo el mismo razonamiento, el de la segunda ecuación sería:

cov(E, W )
γ̂ =
var(W )

Por lo tanto, no serán iguales.

Los residuos del modelo de regresión lineal (Yi = α + βXi + ui ) nunca estarán correlacionados con el
valor pronosticado de Yi .

Respuesta
Verdadero. La demostración es como sigue:
X X
ŷi ûi = β̂ xi ûi
X
= β̂ xi (yi − β̂xi )
X X
= β̂ xi yi − β̂ 2 x2i
P
Ahora, sabiendo que β̂ = Pxi y i
, multiplicamos un uno conveniente para llegar a:
x2i

X X X
ŷi ûi = β̂ 2 x2i − β̂ 2 x2i
=0

Página 3 de 7
 Economía Política Universidad de Chile
Primavera 2014 Facultad de Economía y Negocios

Matemático I
A partir del siguiente modelo de regresión lineal

Yi = α + βXi + ui

y usando los supuestos usuales, se le pide:

P P
Demuestre que ûi = 0 y que ûi Xi = 0.

Respuesta
Lo que se pide demostrar se obtiene a través de las ecuaciones normales. Por lo mismo, desarrollaremos
el modelo desde el inicio hasta llegar a lo que nos piden.
X
min S = û2i
{α, β}
X X
(Yi − α̂ − β̂Xi )(Yi − α̂ − β̂Xi ) = (Yi2 + α̂2 + β̂ 2 Xi2 − 2Yi α̂ − 2Yi β̂Xi + 2α̂β̂Xi )
∂S X
=2 α̂ − Yi + β̂Xi = 0
∂ α̂ | {z }
=-û
α̂ = Ȳ − β̂ X̄
∂S X
=2 β̂Xi2 − Yi Xi + α̂Xi = 0
∂ β̂
X
= Xi ûi = 0

Quedando así demostrado lo que pedía el enunciado.

Demuestre que los parámetros de la estimación MCO son insesgados.

Respuesta
Para la pendiente usaremos su definición de estimador lineal:
X
β̂ = wi Yi
Xi − X̄
donde wi = P
(Xi − X̄)2
X
β̂ = wi (α + βXi + ui )
X X X
=α wi + β wi xi + wi ui
X
=β+ wi ui
X
E(β̂) = β + wi E(ui )
| {z }
=0
=β

Página 4 de 7
 Economía Política Universidad de Chile
Primavera 2014 Facultad de Economía y Negocios

Para el intercepto:

α̂ = Ȳ − β̂ X̄
P
α + βXi + ui
= − β̂ X̄
n P
ui
= α + β X̄ + − β̂ X̄
P n
E(ui )
E(α̂) = α +
| {z n }
=0
=α

Determine la varianza de los parámetros.

Respuesta
Para la pendiente:

V (β̂) = E[(β̂ − β)2 ]

Del ejercicio anterior sabemos que: X

β̂ − β = wi ui
Luego:
hX i
V (β̂) = E ( wi ui )2
= E[w12 u21 + w22 u22 + · · · + wn2 u2n + · · · + 2w1 w2 u1 u2 + · · · + 2wn−1 wn un−1 un ]

Además, sabemos que

E[ui uj ] = 0 ∀ i 6= j E[u2i ] = σ 2 ∀ i
Luego:
X
V (β̂) = σ 2 wi2
" #
2
X x2i
=σ P 2 2
{ xi }
x2i
P
2
=σ 2
{ x2i }
P

σ2
=P 2
xi
Para el intercepto:

V (α̂) = E[(α̂ − E[α̂])2 ] (1)

|{z}
=α

Del ejercicio anterior sabemos que:

P
ui
α̂ − α = + β X̄ − β̂ X̄ (2)
n

Página 5 de 7
 Economía Política Universidad de Chile
Primavera 2014 Facultad de Economía y Negocios

Luego, usando (2) en (1) :

" P 2 #
2 ui
E[(α̂ − E[α̂]) ] = E − X̄(β̂ − β)
n
 P 2 P 
( ui ) ui 2 2
=E − 2 X̄(β̂ − β) + X̄ (β̂ − β)
n2 n
P 2
E[( ui ) ] 2X̄ h X i
= 2
− E (β̂ − β) ui +X̄ 2 E[(β̂ − β)2 ]
n n | {z } | {z }
=0 (¿por qué?) =V(β̂)

Haciendo uso de los mismos supuestos que en el desarrollo de la varianza del intercepto, desarrollaremos
primero el primer término de la expresión anterior:

E[( ui )2 ] E[u21 + u22 + · · · + u2n + 2u1 u2 + · · · + 2un−1 un ]

P
=
n2 n2
nσ 2 σ2
= 2 =
n n
Finalmente nos queda algo así:

σ2 X̄ 2 σ 2
V (α̂) = + P 2
n x
2
P 2 i
σ X
= P i
n x2i

Donde en el último paso simplemente se desarrolló algebraicamente la expresión inicial.

Aplicación
Sea Yi el consumo agregado y Xi el ingreso disponible agregado, para el año i en EEUU. Suponga que cuenta
con datos para 12 años, de los que puede extraer la siguiente información:
P
P Yi 1524
P X i 1740
X
P 2 i Y i 225124
Xi 257112
Se propone el siguiente modelo para estimar la relación entre consumo e ingreso disponible para EEUU:

Yi = α + βXi + ui

Hint: Le puede ser útil saber que n x2i = n Xi2 − ( Xi )2

P P P

Se pide lo siguiente:
Calcule los parámetros del modelo.

Respuesta

Página 6 de 7
 Economía Política Universidad de Chile
Primavera 2014 Facultad de Economía y Negocios

Los parámetros serán:

P P
yi xi Xi Yi − nX̄ Ȳ
β̂M CO = = P 2 = 0, 86
x2i
P
Xi − nX̄ 2
α̂M CO = Ȳ − β̂M CO X̄ = 2, 3

Interprete los parámetros del modelo.

Respuesta
El intercepto (α) nos indica aquel nivel de consumo que es independiente del ingreso disponible (notar
que esto es equivalente a E[Y |X = 0], es decir, el nivel de consumo cuando hay cero ingreso disponible).
Si el consumo estuviese medido en canastas de consumo, esta estimación nos dice que el nivel base de
consumo está dado por 2,3 canastas. La pendiente, por su parte, nos entrega el cambio marginal en el
consumo por cada unidad de aumento en el ingreso disponible. Si los datos de ingreso están medidos
en dólares, entonces por cada dólar extra de ingreso disponible, el consumo aumenta en 0,86 canastas.

Calcule la varianza de los estimadores (asumiendo que σ 2 = 11, 53)

Respuesta

σ 2 Xi2 σ2
P
V (α̂) = P 2 = 51, 34V (β̂)
===== V(B) = P = 0, 0024
Xi2 − nX̄ 2
P
n Xi − ( Xi )2

Página 7 de 7