PRACTICA DE ECONOMETRIA

EJERCICIO 1

La econometría es una rama de la economía que utiliza métodos matemáticos,

estadísticos y computacionales para analizar y cuantificar las relaciones económicas. Su
objetivo principal es desarrollar modelos econométricos que ayuden a comprender,
explicar y predecir fenómenos económicos y financieros. Estos modelos económetricos
son esenciales para tomar decisiones informadas en política económica, planificación
empresarial, inversión, entre otros campos.
La metodología para establecer un modelo econométrico consta de varios pasos
fundamentales:
Definición del problema: El primer paso es identificar claramente el problema
económico que se desea analizar. Esto implica definir las variables relevantes y las
relaciones entre ellas.
Especificación del modelo: En esta etapa, se determina el tipo de modelo econométrico
que se utilizará, lo que incluye elegir entre modelos de regresión lineal, series de tiempo,
modelos de panel, entre otros. También se decide qué variables serán incluidas en el
modelo y cuál será la forma funcional de la relación entre ellas.
Recopilación de datos: Se recolectan datos relevantes y confiables para todas las
variables incluidas en el modelo. Es importante asegurarse de que los datos sean
representativos y estén disponibles en el período de tiempo adecuado.
Estimación del modelo: En esta fase, se utilizan técnicas estadísticas para estimar los
parámetros del modelo. En el caso de un modelo de regresión, por ejemplo, se
determinan los coeficientes de las variables independientes.
Evaluación del modelo: Se realizan pruebas de hipótesis y se utilizan estadísticas de
bondad de ajuste para evaluar la calidad del modelo. Esto implica verificar si los
coeficientes son significativos y si el modelo se ajusta bien a los datos.
Diagnóstico de errores: Se analizan los residuos (diferencia entre los valores observados
y los valores predichos por el modelo) para identificar posibles problemas, como la
autocorrelación de los errores o la heteroscedasticidad.
Interpretación de resultados: Una vez que se ha estimado y evaluado el modelo, se
interpreta en términos económicos. Se analizan los coeficientes estimados y se extraen
conclusiones sobre las relaciones económicas estudiadas.
Utilización del modelo: Finalmente, el modelo econométrico se utiliza para realizar
predicciones, evaluar políticas económicas, realizar análisis de sensibilidad y tomar
decisiones informadas en el ámbito económico.
EJERCICIO 2
El método de Mínimos Cuadrados Ordinarios (MCO) y el método de Máxima
Verosimilitud (MV) son dos enfoques diferentes pero relacionados para estimar los
parámetros de un modelo de regresión lineal. Ambos métodos se utilizan para encontrar
la mejor estimación de los coeficientes de un modelo de regresión lineal, pero difieren
en sus enfoques y suposiciones subyacentes. Aquí hay una explicación y comparación de
ambos métodos:
Método de Mínimos Cuadrados Ordinarios (MCO):
Enfoque: El MCO busca minimizar la suma de los cuadrados de las diferencias entre las
observaciones reales y las predicciones del modelo de regresión. En otras palabras, trata
de encontrar los coeficientes que minimizan la suma de los errores cuadrados.
Función objetivo: La función objetivo en MCO es la suma de los cuadrados de los
residuos (diferencias entre los valores observados y los valores predichos por el modelo).
El objetivo es encontrar los coeficientes que minimicen esta función.
Suposiciones: El MCO asume que los errores (residuos) son independientes, tienen una
distribución normal con media cero y varianza constante (homocedasticidad).
Ventajas: El MCO tiene solución analítica, lo que significa que se pueden calcular los
coeficientes directamente mediante fórmulas matemáticas simples. Es fácil de entender
y ampliamente utilizado.
Método de Máxima Verosimilitud (MV):
Enfoque: MV busca encontrar los coeficientes del modelo de regresión que maximizan
la verosimilitud de los datos observados dado el modelo. En otras palabras, busca los
coeficientes que hacen que los datos observados sean más probables bajo el modelo
especificado.
Función objetivo: La función objetivo en MV es la función de verosimilitud, que describe
cuán probable es que los datos observados se hayan generado a partir del modelo de
regresión.
Suposiciones: MV no asume necesariamente que los errores sigan una distribución
normal. En cambio, depende de suposiciones sobre la distribución de errores y utiliza
métodos de optimización numérica para encontrar los coeficientes que maximizan la
verosimilitud.
Ventajas: MV es más flexible en términos de suposiciones sobre la distribución de
errores, lo que lo hace adecuado para una amplia gama de situaciones. Puede manejar
errores no gaussianos y heterocedasticidad.
Comparación:
Suposiciones: MCO tiene suposiciones más específicas sobre la distribución de errores,
mientras que MV es más flexible en este sentido.
Optimización: MCO tiene soluciones analíticas, por lo que es computacionalmente más
eficiente. MV a menudo requiere métodos numéricos para encontrar la solución.
Robustez: MV puede ser más robusto cuando las suposiciones del MCO no se cumplen,
ya que no está ligado a una distribución de error específica.
Interpretación: Los coeficientes estimados a través de MCO tienen interpretaciones más
claras en términos de minimización de errores cuadrados. Los coeficientes estimados
mediante MV pueden ser más difíciles de interpretar en algunos casos.

EJERCICIO 3

La Prueba de Hipótesis, también conocida como Prueba de Significación o Prueba de

Inferencia Estadística, es una técnica utilizada en econometría (y en estadística en
general) para evaluar las afirmaciones o hipótesis sobre los parámetros de un modelo
econométrico. Existen dos tipos principales de pruebas de hipótesis: la Prueba de
Hipótesis Individual y la Prueba de Hipótesis Global.
1. Prueba de Hipótesis Individual: Esta prueba se utiliza para evaluar afirmaciones
específicas sobre un solo parámetro de un modelo econométrico, como una
pendiente o una constante en una regresión. La hipótesis nula (H0) generalmente
establece una afirmación sobre el valor de ese parámetro, y la hipótesis
alternativa (H1 o Ha) establece la afirmación opuesta. La prueba de hipótesis
individual se basa en la distribución t de Student y utiliza la siguiente estadística
de prueba:
Estadística de Prueba T de Student:
𝛽𝑗 − 𝛽𝑗,0
𝑡=
𝑆𝐸(𝛽𝑗)
Donde:
• βj es el estimado del parámetro en cuestión.
• βj,0 es el valor bajo la hipótesis nula (H0).
• SE(βj) es el error estándar del estimado βj.
La estadística de prueba t sigue una distribución t de Student con n−k−1 grados de
libertad, donde n es el tamaño de la muestra y k es el número de parámetros estimados
en el modelo.
2. Prueba de Hipótesis Global: Esta prueba se utiliza para evaluar afirmaciones
conjuntas sobre varios parámetros en un modelo econometríco, como la
significancia general del modelo de regresión. La hipótesis nula (H0) establece
que todos los parámetros específicos son iguales a cero (es decir, el modelo no
es significativo), mientras que la hipótesis alternativa (H1 o Ha) establece que al
 menos uno de los parámetros es diferente de cero. La prueba de hipótesis global
se basa en la distribución F de Fisher y utiliza la siguiente estadística de prueba:
Estadística de Prueba F de Fisher:
𝑅2
()
𝐹= 𝑘
1 − 𝑅2
𝑛−𝑘−1
Donde:
• R2 es el coeficiente de determinación del modelo.
• k es el número de parámetros estimados en el modelo.
• n es el tamaño de la muestra.
La estadística de prueba F sigue una distribución F de Fisher con k y n−k−1 grados de
libertad.
EJERCICIO 4

A)
𝑪 = 𝜷𝟎 + 𝜷𝟏 𝒀 + 𝝐
Donde:
𝐶 = 𝑒𝑠 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒 𝑐𝑜𝑛𝑠𝑢𝑚𝑜
𝑌 = 𝑒𝑠 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒 𝑖𝑛𝑔𝑟𝑒𝑠𝑜 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒 𝑜 𝑟𝑒𝑛𝑡𝑎
𝛽0 = 𝑒𝑠 𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡𝑜
𝛽1 = 𝑒𝑠 𝑙𝑎 𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛 𝑒𝑛𝑡𝑟𝑒 𝐶 𝑦 𝑌
𝜖 = 𝑒𝑠 𝑒𝑙 𝑡𝑒𝑟𝑚𝑖𝑛𝑜 𝑑𝑒 𝑒𝑟𝑟𝑜𝑟
Calcular de sumatoria
𝐶: 327, 24, 493, 511, 356, 18, 472, 239, 219, 532
𝑌: 470, 89, 676, 694, 505, 81, 651, 351, 327, 721
Calcular las sumatorias necesarias

∑ 𝐶 = 327 + 24 + 493 + 511 + 356 + 18 + 472 + 239 + 219 + 532

= 3771
 ∑ 𝑌 = 470 + 89 + 676 + 694 + 505 + 81 + 651 + 351 + 327 + 721
= 4965

∑ 𝐶 ∗ 𝑌 = (327 ∗ 470) + (24 ∗ 89) + (493 ∗ 676) + (511 ∗ 694) + (356

∗ 505) + (18 ∗ 81) + (472 ∗ 651) + (239 ∗ 351) + (219
∗ 327) + (532 ∗ 721) = 2869479

∑ 𝐶 2 = (327^2) + (24^2) + (493^2) + (511^2) + (356^2) + (18^2)

+ (472^2) + (239^2) + (219^2) + (532^2) = 2146091

∑ 𝑌 2 = (4702 ) + (892 ) + (6762 ) + (6942 ) + (5052 ) + (812 ) + (6512 )

+ (3512 ) + (3272 ) + (7212 ) = 3294065

Calculo de 𝛽0 y 𝛽1
Utilizamos las siguientes fórmulas:
∑𝐶 ∗ ∑𝑌
∑𝐶 ∗𝑌 −
𝛽1 = 𝑛
( ∑𝐶 )2
∑ 𝐶2 −
𝑛
∑𝑌 − 𝛽1 ⋅ ∑𝐶
𝛽0 =
𝑛
Donde n es el número de observaciones, que en este caso es 10.
Sustituimos los valores:
3771 ∗ 4965
2864479 − 10
𝛽1 =
(3771)2
2146091 − 10
4965 − 𝛽1 ⋅ 3771
𝛽0 =
10
2864479 − 1873011.5
𝛽1 =
2146091 − 1417694.1

𝜷𝟏 = 𝟏. 𝟑𝟔𝟗
4965 − 1.369 ⋅ 3771
𝛽0 =
10
4965 − 5157.99
𝛽0 =
10
 𝜷𝟎 = −𝟏𝟗. 𝟒𝟎𝟎
𝑪 = 𝜷𝟎 + 𝜷𝟏 𝒀 + 𝝐

𝑪 = −𝟏𝟗. 𝟒𝟎𝟎 + 𝟏. 𝟑𝟔𝟗𝒀 + 𝝐

B)

∑(𝐶 − 𝐶̅ )^2
𝑆𝐸 (𝛽1 ) = √
(𝑛 − 2) ∗ ∑(𝑌 − 𝑌̅ )2

Calculamos 𝐶̅ y 𝑌̅ :
∑ 𝑌 4965
𝑌̅ = = = 496.5
𝑛 10
𝐶̅ = −19.400 + 1.369 ∗ 496.5 = 660.31

(3771 − 660.31)2
𝑆𝐸(𝛽1 ) = √
(10 − 2) ∗ (4965 − 496.5)2

𝑺𝑬(𝜷𝟏 ) = 𝟎. 𝟐𝟒𝟔𝟏

EJERCICIO 5

A)
Primero, necesitamos calcular algunas estadísticas importantes:
 1. Calcular las sumas de las variables:
𝑛 = 5 (𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠)
∑𝑌 = 85 (𝑠𝑢𝑚𝑎 𝑑𝑒 𝑙𝑜𝑠 𝑝𝑟𝑒𝑐𝑖𝑜𝑠)

∑ 𝑋1 = 440 (𝑠𝑢𝑚𝑎 𝑑𝑒 𝑙𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑜𝑓𝑒𝑟𝑡𝑎𝑑𝑎)

∑ 𝑋2 = 16.4 (𝑠𝑢𝑚𝑎 𝑑𝑒𝑙 𝑡𝑎𝑚𝑎ñ𝑜)

2. Calcular las sumas de los productos:

∑𝑋𝑌 = 3260 (𝑠𝑢𝑚𝑎 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 𝑑𝑒 𝑌 𝑦 𝑋1)

∑ 𝑋1 𝑋2 = 123.2 (𝑠𝑢𝑚𝑎 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 𝑑𝑒 𝑋1 𝑦 𝑋2)

∑ 𝑋12 = 22040 (𝑠𝑢𝑚𝑎 𝑑𝑒 𝑙𝑜𝑠 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑋1)

∑ 𝑋22 = 425.36 (𝑠𝑢𝑚𝑎 𝑑𝑒 𝑙𝑜𝑠 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑋2)

3. Calcular las sumas de los cuadrados:

∑ 𝑌2 = 4375 (𝑠𝑢𝑚𝑎 𝑑𝑒 𝑙𝑜𝑠 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑌)

Ahora, podemos usar estas estadísticas para calcular los coeficientes ��βi:

∑𝑌 ∑ 𝑋12 ∑ 𝑋22 − ∑𝑋1∑𝑋2∑𝑋𝑌 + ∑𝑋1∑𝑋1𝑋2∑𝑋2∑𝑋𝑌 − ∑ ∑ 𝑋12 ∑𝑋𝑌 ∑ 𝑋22

𝛽0 =
𝑛∑ ∑ 𝑋12 ∑ 𝑋22 − (∑𝑋1∑𝑋2)2

𝜷𝟎 = 𝟏𝟒. 𝟐𝟏𝟑
𝑛∑𝑋𝑌 − ∑𝑋1∑𝑌
𝛽1 =
𝑛∑𝑋12 − (∑𝑋1)2
𝜷𝟏 = 𝟎. 𝟐𝟕𝟏
𝑛∑𝑋𝑌 − ∑𝑋2∑𝑌
𝛽2 =
𝑛∑𝑋22 − (∑𝑋2)2
𝜷𝟐 = 𝟔. 𝟖𝟗𝟕
B)
Primero, calculamos los residuos (𝑒𝑖 ):
̂𝑖
𝑒𝑖 = 𝑌𝑖 − 𝑌
Luego, calculamos 𝜎 2 como la varianza de los residuos:
1
𝜎2 = ∑ 𝑒𝑖2
𝑛−3
 𝑒1 = 𝑌1 − 𝑌1 = 15 − 59.294 = −44.294
𝑒2 = 𝑌2 − 𝑌 2 = 20 − 63.384 = −43.384
𝑒3 = 𝑌3 − 𝑌 3 = 15 − 57.964 = −42.964
𝑒4 = 𝑌4 − 𝑌 4 = 15 − 53.874 = −38.874
𝑒5 = 𝑌5 − 𝑌 5 = 20 − 69.901 = −49.901
1
𝜎^2 = [(−44.294)2 + (−43.384)2 + (−42.964)2 + (−38.874)2
5−3
+ (−49.901)2 ]
𝝈𝟐 ≈ 𝟒𝟖𝟒𝟗. 𝟔
Podemos calcular ∑(𝑋𝑖 − 𝑋̅𝑖 )2 :

Para X1:

∑(𝑋1 − 𝑋̅1)2 = ∑(90 − 88)2 + (100 − 88)2 + (80 − 88)2 + (70 − 88)2
+ (100 − 88)2
∑(𝑋1 − 𝑋̅1)2 = 692
Para X2:

∑(𝑋2 − 𝑋̅ 2)2 = ∑(3 − 3.28)2 + (3.2 − 3.28)2 + (3.2 − 3.28)2 + (3 − 3.28)2

+ (4 − 3.28)2
∑(𝑋2 − 𝑋̅ 2)2 = 0.6880

Ahora podemos calcular los errores estándar de los coeficientes:

𝑃𝑎𝑟𝑎 𝛽0:

4849.6
𝑆𝐸(𝛽0) = √ ≈ 1.12
5 ⋅ 692

𝑃𝑎𝑟𝑎 𝛽1:

4849.6
𝑆𝐸(𝛽1) = √ ≈ 1.12
5 ⋅ 692

𝑃𝑎𝑟𝑎 𝛽2:

4849.6
𝑆𝐸(𝛽2) = √ ≈ 0.24
5 ⋅ 6880
C) Calculamos R2
1947.3 + 2230.56 + 1858.32 + 1457.29 + 2609.88
𝑅2 =
4+9+4+4+9
𝑹𝟐 ≈ 𝟑𝟑𝟑. 𝟒𝟓
EJERCICIO 6

1 49
1 69
X= 1 89
1 99
1 109

124
95
Y= 71
45
18

a) Estimar la matriz 𝑋^𝑇𝑋:

Primero, calculamos la matriz 𝑋^𝑇 (transpuesta de X):

1 1 1 1 1
X^T=
49 69 89 99 109

Luego, multiplicamos 𝑋^𝑇 por X:

El resultado será una matriz 2x2:

𝟓 𝟒𝟎𝟓
𝑿𝑻 𝑿 [ ]
𝟒𝟎𝟓 𝟑𝟎𝟓𝟏𝟖
b) Invertir la matriz 𝑋^𝑇𝑋 y estimar la matriz (𝑋^𝑇𝑋)^−1:

Para invertir la matriz X^TX, primero calculamos su inversa:

(𝑋 𝑇 ∗ 𝑋)−1 = [ 0.193 −0.003

]
−0.003 0.00006
c) Estimar 𝑋^𝑇𝑌:
Multiplicamos X^T por Y para obtener la matriz de productos cruzados:
1 49 124
1 69 95
X= 1 89 * 71
1 99 45
1 109 18

El resultado será un vector columna 2x1:

437
𝑋^𝑇 ∗ 𝑌 ≈ [ ]
5892

d) Estimar los coeficientes de la regresión lineal mediante MCO con la fórmula 𝛽 =

(𝑋^𝑇𝑋)^−1*𝑋^𝑇Y:
Usamos la fórmula de MCO para estimar los coeficientes de regresión 𝛽:

𝛽 = (𝑋 𝑇 ∗ 𝑋)−1 ∗ 𝑋 𝑇 ∗ 𝑌
0.193 −0.003 437
𝛽 ≈ [ ]∗[ ]
−0.003 0.00006 5892
El resultado será un vector columna con los coeficientes de regresión estimados:
0.868
𝛽 ≈ [ ]
−0.003
Entonces, la ecuación de regresión lineal estimada sería:

𝑌 ≈ 0.868 ∗ 𝑋 − 0.003
EJERCICIO 7
a) Estimar los coeficientes por MCO:
Dado que tenemos la siguiente ecuación del modelo:
𝑌𝑡 = 𝛽1 + 𝛽2𝑋2 + 𝛽3𝑋3 + 𝜇𝑡
Podemos escribirlo en forma matricial como:
𝑌 = 𝑋𝛽 + 𝜇
Donde:
Y es un vector de tamaño 3x1 (14, 7, 14)
X es una matriz de tamaño 3x3 con los valores proporcionados en la pregunta.
β es un vector de coeficientes que queremos estimar (β1, β2, β3)
μ es un vector de errores (μt)
Primero, calculemos la matriz X^TX y el vector X^TY:
7 4.5 7
𝑇
𝑋 𝑋 = [4.5 7 7]
7 7 15

6
𝑇
𝑋 𝑌 = [10]
12
Ahora, vamos a resolver el sistema de ecuaciones lineales para estimar β. El sistema se
ve así:

𝑋𝑇 𝑋 ∗ 𝛽 = 𝑋𝑇 𝑌
Usando la inversa de X^TX, podemos encontrar β:

𝛽 = (𝑋 𝑇 𝑋)−1 ∗ 𝑋 𝑇 𝑌
Calculemos la inversa de X^TX y luego multipliquemos por X^TY:

1.037 −0.5 −0.423

𝑇
𝑋 𝑋 𝐼𝑛𝑣𝑒𝑟𝑠𝑎 = [ −0.5 0.5 0.25 ]
−0.423 0.25 0.27
 𝛽 = (𝑋 𝑇 𝑋)−1 ∗ 𝑋 𝑇 𝑌
1.037 −0.5 −0.423 6
𝛽 = [ −0.5 0.5 0.25 ] ∗ [10]
−0.423 0.25 0.27 12

𝟑. 𝟐𝟐
𝜷 = [ 𝟏. 𝟓 ]
−𝟎. 𝟏𝟖
EJERCICIO 8
a) Interpretación de los coeficientes del modelo de regresión:
El modelo de regresión obtenido es:

Ŷ = 0.020 + 0.510𝑋1 + 0.220𝑋2

El coeficiente 0.020 (intercepto) representa el valor estimado del gasto en viajes de fin
de curso a Canadá (Y) cuando tanto la renta disponible de los estudiantes (X1) como el
precio de los viajes a Estados Unidos (X2) son iguales a cero. En otras palabras, es el valor
estimado del gasto inicial en viajes, que incluye gastos fijos o iniciales no relacionados
con X1 y X2.
El coeficiente 0.510 para X1 indica que, manteniendo constante el precio de los viajes a
Estados Unidos (X2), un aumento de una unidad en la renta disponible de los estudiantes
(X1) se relaciona con un aumento de 0.510 unidades en el gasto en viajes de fin de curso
a Canadá (Y). Esto sugiere que a medida que la renta disponible de los estudiantes
aumenta, tienden a gastar más en viajes a Canadá.
El coeficiente 0.220 para X2 indica que, manteniendo constante la renta disponible de
los estudiantes (X1), un aumento de una unidad en el precio de los viajes a Estados
Unidos (X2) se relaciona con un aumento de 0.220 unidades en el gasto en viajes de fin
de curso a Canadá (Y). Esto sugiere que a medida que los precios de los viajes a Estados
Unidos aumentan, los estudiantes tienden a gastar más en viajes a Canadá,
posiblemente como alternativa más asequible.

b) Prueba de significancia individual de los regresores:

Para determinar la significancia individual de cada regresor, podemos realizar pruebas t
de dos colas con un nivel de confianza del 95%. Las hipótesis nulas y alternativas son las
siguientes:
 𝐻0 (ℎ𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝑛𝑢𝑙𝑎) 𝑝𝑎𝑟𝑎 𝑋1: 𝐸𝑙 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑋1 𝑒𝑠 𝑖𝑔𝑢𝑎𝑙 𝑎 𝑐𝑒𝑟𝑜 (𝛽1 = 0).
𝐻1 (ℎ𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝑎𝑙𝑡𝑒𝑟𝑛𝑎𝑡𝑖𝑣𝑎) 𝑝𝑎𝑟𝑎 𝑋1: 𝐸𝑙 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑋1 𝑛𝑜 𝑒𝑠 𝑖𝑔𝑢𝑎𝑙 𝑎 𝑐𝑒𝑟𝑜 (𝛽1
≠ 0).
𝐻0 (ℎ𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝑛𝑢𝑙𝑎) 𝑝𝑎𝑟𝑎 𝑋2: 𝐸𝑙 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑋2 𝑒𝑠 𝑖𝑔𝑢𝑎𝑙 𝑎 𝑐𝑒𝑟𝑜 (𝛽2 = 0).
𝐻1 (ℎ𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝑎𝑙𝑡𝑒𝑟𝑛𝑎𝑡𝑖𝑣𝑎) 𝑝𝑎𝑟𝑎 𝑋2: 𝐸𝑙 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑋2 𝑛𝑜 𝑒𝑠 𝑖𝑔𝑢𝑎𝑙 𝑎 𝑐𝑒𝑟𝑜 (𝛽2
≠ 0).
Calcularemos los estadísticos t para X1 y X2 utilizando las estimaciones de error estándar
proporcionadas:
0.510
𝑡𝑋1 = ( ) ≈ 0.708
0.720
0.220
𝑡𝑋2 = ( ) ≈ 0.261
0.8442
Para un nivel de confianza del 95%, con un valor crítico de t(α/2, n-3) ≈ t(0.025, 2) ≈ 2.92
(asumiendo un error estándar de 0.720 y 0.8442 para X1 y X2, respectivamente, y un
grado de libertad de n-3 = 2), podemos comparar los valores t calculados con el valor
crítico.
Para X1, como |t(X1)| < 2.92, no rechazamos H0. Esto significa que la renta disponible
de los estudiantes (X1) no es significativamente diferente de cero en relación con el gasto
en viajes a Canadá (Y) al 95% de confianza.

Para X2, como |t(X2)| < 2.92, tampoco rechazamos H0. Esto significa que el precio de los
viajes a Estados Unidos (X2) no es significativamente diferente de cero en relación con
el gasto en viajes a Canadá (Y) al 95% de confianza.
En resumen, ninguno de los regresores (X1 y X2) es significativo individualmente en el
modelo.

c) Medida de bondad de ajuste (R^2):

La medida de bondad de ajuste R^2 proporciona información sobre cuánta variabilidad
en la variable dependiente (Y) es explicada por el modelo de regresión. Se calcula como:
𝑆𝐶𝐸
𝑅2 = 1 − ( )
𝑆𝐶𝑇

Donde:
SCE es la suma de cuadrados del error (variabilidad no explicada por el modelo).
SCT es la suma de cuadrados total (variabilidad total de Y).
En el enunciado, se proporciona que SCT = 5.2, lo que representa la suma de cuadrados
total. Para calcular SCE, necesitamos estimar la varianza residual, que no se proporciona
en el enunciado. Sin embargo, podemos utilizar la fórmula de R^2 para evaluar la bondad
de ajuste relativa del modelo en función de la información proporcionada.

𝑆𝐶𝐸 5.2
𝑅2 = 1 − ( ) = 1 − ( ) = 1 − 1 = 0
𝑆𝐶𝑇 5.2

Esto significa que el modelo no explica ninguna variabilidad en el gasto de los estudiantes
en viajes a Canadá (Y), ya que R^2 es igual a cero. El modelo no se ajusta bien a los datos.

d) Significancia global del modelo:

Para evaluar la significancia global del modelo, podemos realizar una prueba F utilizando
la siguiente hipótesis:
𝐻0 (ℎ𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝑛𝑢𝑙𝑎): 𝑇𝑜𝑑𝑜𝑠 𝑙𝑜𝑠 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠 𝑑𝑒 𝑟𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛 𝑠𝑜𝑛 𝑖𝑔𝑢𝑎𝑙𝑒𝑠 𝑎 𝑐𝑒𝑟𝑜 (𝛽1
= 0, 𝛽2 = 0).
𝐻1 (ℎ𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝑎𝑙𝑡𝑒𝑟𝑛𝑎𝑡𝑖𝑣𝑎): 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠 𝑑𝑒 𝑟𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛 𝑛𝑜 𝑒𝑠 𝑖𝑔𝑢𝑎𝑙 𝑎 𝑐𝑒𝑟𝑜.
𝑃𝑜𝑑𝑒𝑚𝑜𝑠 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑟 𝑙𝑎 𝑒𝑠𝑡𝑎𝑑í𝑠𝑡𝑖𝑐𝑎 𝐹 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑛𝑑𝑜 𝑙𝑎 𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒 𝑓ó𝑟𝑚𝑢𝑙𝑎:
𝑆𝐶𝑇 − 𝑆𝐶𝐸
[ ]
𝐹 = 𝑘
𝑆𝐶𝐸
𝑛 − 𝑘 − 1

Donde:
SCT es la suma de cuadrados total.
SCE es la suma de cuadrados del error.
k es el número de regresores en el modelo (en este caso, 2: X1 y X2).
n es el tamaño de la muestra (en este caso, 5).
SCT = 5.2 (como se proporciona en el enunciado)
SCE = SCT - 0 (ya que R^2 es 0)
k=2
n=5
 5.2 − 0
[ ] 5.2
2
𝐹 = = = ∞
0 0
5 − 2 − 1
La estadística F es infinita, lo que indica que el modelo es significativo
EJERCICIO 9
a) Estimación del modelo:
Podemos utilizar los valores dados en el enunciado para estimar el modelo de
regresión lineal. Primero, necesitamos calcular los coeficientes 𝛽0 y 𝛽1 usando las
fórmulas:
𝐶𝑜𝑣(𝑋, 𝑌)
𝛽1 =
𝑉𝑎𝑟(𝑋)
𝛽0 = 𝑌̅ − 𝛽1𝑋̅
Dado que se nos proporcionan los siguientes valores:
• 𝐶𝑜𝑣(𝑋, 𝑌) = 0.8
• 𝑉𝑎𝑟(𝑋) = 20
• 𝑌̅ = 20
• 𝑋̅ =
100 (𝑦𝑎 𝑞𝑢𝑒 𝑠𝑒 𝑚𝑒𝑛𝑐𝑖𝑜𝑛𝑎 𝑞𝑢𝑒 𝑠𝑒 𝑡𝑖𝑒𝑛𝑒 𝑢𝑛𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 𝑑𝑒 100 𝑡𝑟𝑎𝑏𝑎𝑗𝑎𝑑𝑜𝑟𝑒𝑠)
Podemos calcular β1 y β0 de la siguiente manera:
0.8
𝛽1 = = 0.
20
𝛽0 = 20 − (0.04)(100) = 20 − 4 = 16
Entonces, el modelo estimado es:
𝑌 = 16 + 0.04𝑋
b) Cálculo de la bondad de ajuste (R^2) e interpretación:
La bondad de ajuste R^2 mide la proporción de la variabilidad en la variable dependiente
(número de piezas elaboradas) que es explicada por el modelo de regresión. Se calcula
comoNO
Primero, calculamos Var(Y):
𝑉𝑎𝑟(𝑌) = 𝑉𝑎𝑟(16 + 0.04𝑋) = 0.04^2 ∗ 𝑉𝑎𝑟(𝑋) = 0.0016 ∗ 20 = 0.032
Luego, calculamos Var(Y) (dado que se nos proporciona que Var(Y) = 6000).

𝐴ℎ𝑜𝑟𝑎, 𝑝𝑜𝑑𝑒𝑚𝑜𝑠 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑟 𝑅2 :

𝑅2 = 60000.032 ≈ 0.00000533
c)Estimación de la varianza del coeficiente estimado del número medio de trabajadores:
Ahora podemos calcular
𝜎2 𝜎2
𝑉𝑎𝑟(𝛽1) = =
100 ⋅ 20 2000
Dado que se nos proporciona que Var(Y)=6000, Var(X)=20, y β1=0.04, podemos
calcular σ2 de la siguiente manera:

6000 − (0.04)2 ⋅ 20
𝜎2 =
100 − 2
6000 − 0.0016 ⋅ 20
𝜎2 =
98

𝝈𝟐 ≈ 𝟔𝟏. 𝟐𝟐𝟏

𝜎2 61.221
𝑉𝑎𝑟(𝛽1) = = = 0.0306
100 ⋅ 20 2000

EJERCICIO 10