Asignatura : Econometría para la Toma de Decisiones

Carrera : Ingeniería Comercial

Semestre : Primer Semestre, 2022
Profesor : Mauricio Leiva, M.Sc.

Guía de Ejercicios Nº 3

PREGUNTA 1
Un grupo de investigadores desea estudiar la cantidad demandada (individual) diaria por cigarros
(cigs) en función de un conjunto de variables. Para esto, se tiene una muestra de 807 individuos el
año 2018. La descripción de variables es la siguiente:
• cigs: cantidad demandada (individual) diaria por cigarros. Variable dependiente.
• lincome: logaritmo del ingreso anual (en USD)
• educ: años de educación.
• age: Edad del individuo.
• agesq: Edad al cuadrado del individuo.
• woman: Variable dicotómica que toma el valor 1 si el individuo es mujer y cero en otro
caso.
• lcigpric: logaritmo del precio de los cigarros.
Los investigadores procesan la información y encuentran lo siguiente:
Tabla 1: Matriz de correlaciones de variables explicativas.
lincome educ age agesq woman lcigpric
lincome 1
educ 0,3137 1
age -0,0417 -0,1806 1
agesq -0,0996 -0,2188 0,9831 1
woman 0,0874 0,0605 -0,0389 -0,0408 1
lcigpric 0,0768 0,0333 0,0232 0,0182 0,1483 1

Luego, los resultados de la estimación utilizando el método de regresión lineal, son los siguiente:

Tabla 2: Estimación de la demanda por cigarros mediante MCO, Variable dependiente:

cigs
lincome 0,880
(0,728)
educ -0,501**
(0,167)
age 0,771***
(0,160)
agesq -0,009***
(0,002)
 woman -2,825*
(1,112)
lcigpric -0,751
(5,773)
constante -3,64
(24,08)
N 807
F(6; 800) 7,42
Prob > F 0,0000
R2 0,5275
R2 adj 0,4564
Nota: * p<0,1; **p<0,05; ***p<0,01. Valores a la derecha de las variables, corresponden a los parámetros estimados.
Errores estándar entre paréntesis.

Con la información proporcionada, se pide responder lo siguiente:

a) ¿Hay alguna evidencia de que el precio de los cigarros tenga algún efecto sobre la cantidad
demandada? ¿Qué tan fuerte es esa evidencia?
b) Interprete en términos económicos las variables estadísticamente significativas.
c) Dada la información presentada, ¿existe alguna evidencia de multicolinealidad? ¿Qué puede
decir de la edad (age) y edad al cuadrado (agesq)?
d) Dada la evidencia presentada, ¿qué tipo de elasticidad presentaría la demanda por cigarros?
Justifique adecuadamente para tener todo el puntaje.
e) Suponga que se sospecha heterocedasticidad positiva provocada por la variable 𝑙𝑖𝑛𝑐𝑜𝑚𝑒.
Proponga un test estadístico para detectar el problema. Explique paso a paso.

PREGUNTA 2
De un estudio de bienes raíces, se estudiaron 489 viviendas en el año 2019. Se estimó un modelo
de regresión lineal donde la variable dependiente es el precio de las viviendas en UF en función de
un conjunto de variables, como el número de dormitorios (NroDormi), el Nro de baños (NroBaños),
la superficie en m2, los años de antigüedad, una variable dicotómica que toma el valor 1 si la
vivienda tiene un piso y cero si en otro caso (UnP), una variable dicotómica que captura con 1 si
el barrio tiene una alta tasa de robos (Crimen) y finalmente una variable dicotómica que toma el
valor 1 si la vivienda está deteriorada y requiere reparación o cero en otro caso (deter)

𝑝𝑟𝑒𝑐𝑖𝑜
̂ 𝑖 = 5,39 + 0,82𝑁𝑟𝑜𝐷𝑜𝑟𝑚𝑖 + 1,20𝑁𝑟𝑜𝐵𝑎ñ𝑜𝑠 + 0,31𝑠𝑢𝑝𝑒𝑟𝑓𝑖𝑐𝑖𝑒 − 0,41𝑎𝑛𝑡𝑖𝑔𝑢𝑒𝑑𝑎𝑑
− 0,18𝑈𝑛𝑃 − 1,16𝐶𝑟𝑖𝑚𝑒𝑛 − 0,48𝑑𝑒𝑡𝑒𝑟
N = 489
R2 = 0,6877
R2adj = 0,6253

Con la información anterior, encontrar el valor predicho del precio para una vivienda con 3
dormitorios, 2 baños, 61 m2, 5 años de antigüedad, un piso, en un barrio con baja tasa de robos y
que no requiera reparación.
PREGUNTA 3
Suponga un modelo el cual muestra una estimación entre las exportaciones nacionales de frutas
chilenas, el tipo de cambio y el crecimiento mundial. La muestra contiene 100 observaciones.
Se quiere determinar la presencia de Heterocedasticidad provocada por el tipo de cambio mediante
la prueba de Goldfeld-Quant. Se extrajeron 20 periodos de en medio. Para esto se obtuvieron los
siguientes datos: SRC de la muestra superior = 4568,50 SRC de la muestra inferior = 250,451. El
F tabulado con un 5% de significancia es 3,2
Determine la existencia de heterocedasticidad. De existir, proponga alguna solución.

PREGUNTA 4
Suponga que se quiere estimar la demanda de soda en una determinada localidad. Como variable
dependiente se tiene la variable ldsoda que representa el logaritmo de la cantidad demanda por
soda, mientras que como variables explicativas se encuentra la variable lpsoda, que representa el
logaritmo del precio por litro de soda; lpgas, que representa el logaritmo del precio promedio de
un litro de bebida gaseosa; y lincome es el logaritmo del ingreso familiar medio. A continuación,
se presentan los resultados estimados mediante el método de MCO, con una muestra de 401
observaciones.
̂ 𝑖 = −0,79 − 2,78𝑙𝑝𝑠𝑜𝑑𝑎𝑖 + 2,52𝑙𝑝𝑔𝑎𝑠𝑖 + 1,87𝑙𝑖𝑛𝑐𝑜𝑚𝑒𝑖
𝑙𝑑𝑠𝑜𝑑𝑎
Además, se calcularon los siguientes valores:

𝑒𝑒(𝛽̂0 ) = 1,87
𝑒𝑒(𝛽̂1 ) = 1,21
𝑒𝑒(𝛽̂2 ) = 0,74
𝑒𝑒(𝛽̂3 ) = 0,24
𝑐𝑜𝑣(𝛽̂2 , 𝛽̂3 ) = 0,24
𝑅2 = 0,4524
𝑅2 𝑎𝑑𝑗 = 0,3559
𝜌̂ = 0,63
𝑡𝑡 (5%) = 1,96
𝜒𝑐2 (5%) = 15,51
Donde 𝛽̂0 representa a la constante, 𝛽̂1 corresponde al parámetro asociado a la variable lpsoda; 𝛽̂2
corresponde al parámetro asociado a la variable lpgas y 𝛽̂3 corresponde al parámetro asociado a la
variable lincome.

Además, se sabe que al estimar

𝑢̂𝑖2 = 𝛼𝑜 + 𝛼1 𝑙𝑝𝑠𝑜𝑑𝑎𝑖 + 𝛼2 𝑙𝑝𝑔𝑎𝑠𝑖 + 𝛼3 𝑙𝑖𝑛𝑐𝑜𝑚𝑒 + 𝛼4 𝑙𝑝𝑠𝑜𝑑𝑎𝑖2 + 𝛼5 𝑙𝑝𝑔𝑎𝑠𝑖2 + 𝛼6 𝑙𝑖𝑛𝑐𝑜𝑚𝑒𝑖2 +
𝛼7 𝑙𝑝𝑠𝑜𝑑𝑎𝑖 ⋅ 𝑙𝑝𝑔𝑎𝑠𝑖 + 𝛼8 𝑙𝑝𝑠𝑜𝑑𝑎𝑖 ⋅ 𝑙𝑖𝑛𝑐𝑜𝑚𝑒𝑖 + 𝛼9 𝑙𝑝𝑔𝑎𝑠𝑖 ⋅ 𝑙𝑖𝑛𝑐𝑜𝑚𝑒𝑖 + 𝑣𝑖

Se obtienen los siguientes valores:

𝑛 = 401
𝑅2 = 0,075
a) Determine si cada coeficiente estimado del modelo es estadísticamente significativo al 5%.
b) Interprete los resultados en términos económicos.
c) Evalúe la existencia de autocorrelación positiva o negativa a través de la prueba de durbin-
watson. Asuma un nivel de significancia del 5%. (Nota: ds = 1,74; di = 1,61). Además, si detecta
la presencia de autocorrelación en el modelo estimado, proponga una solución. Justifique
correctamente.
d) Evalúe la existencia de heterocedasticidad utilizando el test de White, al 5% de significancia.
De rechazar la 𝐻0 , proponga alguna solución.

PREGUNTA 5
Considerando la información proporcionada en la siguiente tabla, suponga que desea estimar el
modelo:
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋1𝑖 + 𝛽2 𝑋2𝑖 + 𝜇𝑖

Y X1 X2
-10 1 1
-8 2 3
-6 3 5
-4 4 7
-2 5 9
0 6 11
2 7 13
4 8 15
6 9 17
8 10 19
10 11 21

a) ¿Es posible estimar los 3 parámetros? Explique claramente el porqué de su respuesta.

b) Si no es posible de estimar, ¿qué funciones lineales de estos parámetros, las funciones

estimables, puede estimar? Muestre los cálculos necesarios.

PREGUNTA 6
Un grupo de investigadores está estudiando el precio de los predios agrícolas para el periodo de
2012 a 2018 en diferentes localidades. La información es capturada mediante las ventas de los
predios dichos años, contando con 552 terrenos. La unidad de observación son los predios, y el
precio de esta está en UF/ha. Las variables explicativas son la superficie total en ha (Superficie), la
distancia a la capital regional más cercana en km (Distancia), la proporción de suelo erosionado
(Erosión) y una variable dicotómica que indica si la propiedad cuenta con sistema de riego (Riego).
Nota: Se conoce como erosión a la degradación del suelo terrestre a través de la acción de
factores naturales, como el viento o el agua, y por la acción del hombre.
Los resultados de la estimación son los siguientes (valores de las variables indican el valor del
parámetro estimado y entre paréntesis son los errores estándar asociados al parámetro):
 Tabla 1. Modelo 1: Estimación de MCO del Precio de los predios agrícolas.
Variable Dependiente: Precio
Superficie 0,1471
(0,1630)
Distancia 0,1746
(0,1745)
Erosión -29,8174 ***
(2,5924)
Riego 18,9580 ***
(1,4966)
Constante 74,4092 ***
(2,4689)
N Observaciones 552
R2 0,7548
R2 Ajustado 0,7530
Nota: *, **, *** indican significancia al 10, 5 y 1% respectivamente. Valores entre paréntesis indican los errores
estándar del parámetro estimado.

Además, se estimaron los resultados en una especificación ln-ln (log-log).

Tabla 2. Modelo 2: Estimación de MCO del logaritmo del Precio de los predios agrícolas.
Variable Dependiente: ln_Precio
ln_Superficie 0,1408 ***
(0,0108)
ln_Distancia 0,0057
(0,0100)
ln_Erosión -0,1382 ***
(0,0123)
Riego 0,2262 ***
(0,0211)
Constante 3,5183 ***
(0,0409)
N Observaciones 552
R2 0,7440
R2 Ajustado 0,7422
Nota: *, **, *** indican significancia al 10, 5 y 1% respectivamente. Valores entre paréntesis indican los errores
estándar del parámetro estimado.

A ambos modelos, los investigadores calcularon el factor de inflación de la varianza (VIF), los
resultados se reportan a continuación.

Tabla 3: Resultados del VIF para ambos modelos

Modelo 1 Modelo 2
Variable VIF Variable VIF
Riego 2,11 Riego 2,05
Erosión 2,04 ln_Erosión 1,78
Superficie 1,8 ln_Superficie 1,62
Distancia 1 ln_Distancia 1
Finalmente, los investigadores calcularon el test de White en ambos modelos, obteniendo los
siguientes resultados:
𝜒𝑐2 (𝑀𝑜𝑑𝑒𝑙𝑜 1) = 16,85
𝜒𝑐2 (𝑀𝑜𝑑𝑒𝑙𝑜 2) = 7,59

Se sabe además que el estadístico de tabla al 5% de significancia, ajustado a los grados de

libertad de ambos modelos, es igual a 𝜒𝑡2 = 9,49.
Con la información anterior, responda correctamente a las siguientes preguntas.
a) (10 pts) ¿Existen problemas “graves” de multicolinealidad en alguno de los 2 modelos
estimados? Justifique adecuadamente. Utilice toda la información que considere necesaria.
b) (10 pts) ¿Existen problemas de heterocedasticidad en alguno de los 2 modelos estimados?
Justifique. Utilice toda la información que considere necesaria.
c) (10 pts) En base a toda la información, interprete correctamente en términos económicos.
d) (5 pts) ¿Por qué la variable Riego no fue transformada a logaritmo?

PREGUNTA 7
En una regresión de salarios promedio (W, $) sobre el número de empleados (N) de una muestra
aleatoria de 30 empresas se obtuvieron los siguientes resultados:
Ecuación (1):
̂ = 7,5 + 0,009𝑁
𝑊
𝑡𝑐 (𝛽̂0 ) = 𝑛. 𝑑. (no definido)
𝑡𝑐 (𝛽̂1 ) = 16,10
𝑅2 = 0,91

Ecuación (2):

̂ = 0,008 + 1,8(1/𝑁)
𝑊/𝑁

𝑡𝑐 (𝛽̂0 ) = 14,43
𝑡𝑐 (𝛽̂1 ) = 78,58
𝑅2 = 0,99
Donde 𝑡𝑐 representa el estadístico t calculado para cada parámetro (en cada modelo).
a) ¿Cómo interpreta las dos regresiones?
b) ¿Qué supone el investigador al pasar de la ecuación (1) a la (2)? ¿Le preocupaba la
heteroscedasticidad o la autocorrelación? ¿Cómo sabe?
c) Puede comparar los valores de 𝑅2 de los dos modelos? ¿Por qué?

PREGUNTA 8
Considere los datos que relacionan el precio de venta de las casas (PVC) y sus respectivos metros
cuadrados (MC) para el periodo 1998 – 2010 (trimestres), en la ciudad de Concepción. Se estimó
el siguiente modelo:
 𝑃𝑉𝐶𝑖 = 1,43 + 3,42𝑀𝐶𝑖

Además, se reporta la siguiente información:

• ∑𝑢̂𝑡 𝑢̂𝑡−1 = 0,1854

• 𝑢̂ ∑2𝑖 = 0,9758
• 𝑑𝑖 = 1,493
• 𝑑𝑠 = 1,578
• 𝑅2 = 0,82

Utilizando el test de durbin-watson, determine si existe autocorrelación en el modelo (posiva o

negativa) o no y el resultado del estadístico (al 5% de significancia). En caso de existir
autocorrelación, proponga una solución.

PREGUNTA 9
Con respecto a la ruptura de supuestos del modelo clásico de regresión lineal. explíquelas
consecuencias estadísticas sobre las propiedades del estimador MCO en los siguientes casos,
además proponga soluciones según se pide en cada caso:

a) Cuando se tiene el problema de multicolinealidad perfecta. Además, proponga dos

soluciones para corregir.
b) Cuando la varianza de los errores del modelo no es constante. Proponga una solución
cuando la varianza es conocida.
c) Cuando existe autocorrelación entre las perturbaciones. Proponga una solución cuando el
𝜌 es conocido.