Econometría I Profesor: Juan Byron Correa F.

Septiembre de 2023 Monitor: Juan José Almeida

Facultad de Ciencias Sociales y Económicas

Departamento de Economía
Ejercicios Sugeridos examen Econometría I

1. El Modelo Ingenuo: El siguiente proceso generador de datos (PGD) es tal que se cumplen los
supuestos estándar del modelo de regresión lineal simple:
𝑌𝑖 = 𝛽1 + 𝜀𝑖 , 𝑖 = 1,2, … , 𝑛
a. Justifique la existencia del término aleatorio 𝜀𝑖 .
b. Enuncie claramente los supuestos estándar.
c. Deduzca la expresión para el estimador mínimo cuadrático 𝑏1 . Comente en qué consiste el
método de MCO.
d. Pruebe que 𝑏1 es lineal e insesgado.
e. Encuentre la expresión de la varianza teórica de 𝑏1 .
f. Demuestre que la anterior varianza es mínima.
g. Encuentre el estimador insesgado de 𝜎𝜀2 .

2. A partir del siguiente modelo ingenuo:

𝑌𝑖 = 𝛽1 + 𝜀𝑖 , 𝑖 = 1,2, … , 𝑛
a. Enunciar y explicar claramente los supuestos poblacionales. Cuál sería la contraparte muestral de
los mismos.
b. Suponga que el verdadero modelo es: 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝜀𝑖 y por error de especificación se
trabaja un modelo ingenuo. ¿Qué sucede con los supuestos?
c. Derive la expresión para estimar el coeficiente por los métodos de momentos y de máxima
verosimilitud. En cada uno ofrezca una explicación intuitiva del método.
d. Valide que el estimador cumple con las propiedades de linealidad, insesgadez y mínima varianza.
e. Se dice que el consumo de los estudiantes de econometría de la universidad del valle sigue un
modelo ingenuo. Además, se afirma que el consumo medio es mayor a 5000 pesos. Teóricamente
cómo se verifica esta hipótesis, establezca la regla de decisión a nivel teórico y grafíquela.
f. Repita el punto anterior, asumiendo la hipótesis de que el consumo medio es diferente de 5000
pesos. Verifique esta nueva hipótesis, establezca la regla de decisión teórica
g. Construya teóricamente el intervalo de confianza para la constante.

3. El siguiente proceso generador de datos es tal que se cumplen los supuestos estándar del modelo de
regresión lineal simple:
𝑌𝑖 = 𝛽2 𝑋𝑖 + 𝜀𝑖 , 𝑖 = 1,2, … , 𝑛
a. Justifique la existencia del término aleatorio 𝜀𝑖 .
b. Enuncie claramente los supuestos estándar.
c. Deduzca la expresión para el estimador mínimo cuadrático de 𝛽2.
d. Pruebe que dicho estimador es lineal, aleatorio e insesgado.
e. Encuentre la expresión de la varianza teórica del estimador.
Econometría I Profesor: Juan Byron Correa F.
Septiembre de 2023 Monitor: Juan José Almeida

f. Demuestre que la anterior varianza es mínima.

g. Encuentre el estimador insesgado de 𝜎𝜀2 .

4. Con respecto a la estimación mínimo-cuadrática del intercepto en el modelo de regresión lineal simple:
𝑏1 = 𝑌̅ − 𝑏2 𝑋̅
a. Muestre su linealidad en 𝑌𝑖 y en 𝜀𝑖 .
b. Demuestre que es insesgado.
c. Encuentre la expresión de su varianza.
d. Explique claramente que señala el Teorema de Gauss - Markov respecto a dicha varianza.

5. Con el ánimo de estudiar la respuesta en gasto de la renta de sus hijos, un padre entrega a los cinco
que tiene las siguientes cantidades de mesada (𝑋𝑖 ) y observa sus gastos de consumo (𝑌𝑖 ).
HIJO 𝑋𝑖 𝑌𝑖
1 5 4
2 10 9
3 15 14
4 20 18
5 25 21

El quiere obtener:
a. Una discusión acerca de si en este caso el supuesto de que 𝑋𝑖 es estocásticamente fijo tiene
sentido o no.
b. Las ecuaciones normales.
c. Estimar por MCO la función consumo-renta de sus hijos.
d. Comprobar las restricciones que impone el método de los momentos.
e. Calcular los coeficientes de correlación y de determinación.

6. Obtener el estimador máximo verosímil de la media de una distribución normal si 𝜀𝑖 ~𝑁𝐼𝐷(𝜇, 1) y se

tiene n observaciones de 𝜀𝑖 . Luego como ilustración suponga que tiene cuatro realizaciones de 𝑤𝑖
cuyos valores son: 2, 1, 4 y 1. Obtenga la función de verosimilitud muestral, su logaritmo natural y
ensaye cuatro valores para 𝜇, verificando cuál es el que maximiza la función.

7. Para el modelo de regresión lineal de tres variables:

𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖2 + 𝛽3 𝑋𝑖3 + 𝜀𝑖 , 𝑖 = 1,2, … , 𝑛
a. Justifique formalmente la posibilidad de trabajar con un modelo en desviaciones.
b. Encuentre las expresiones de los tres estimadores MCO, a partir de la expresión del modelo en
desviaciones.
c. ¿Si el modelo no tiene intercepto, puede utilizarse el modelo en desviaciones?
d. Obtenga los estimadores MCO del modelo sin intercepto.

8. La siguiente información se obtuvo a partir de 16 pares de observaciones de las variables 𝑌𝑖 y 𝑋𝑖 .

16
16 96 64
𝑋′𝑋 = [ ]; 𝑋′𝑌 = [ ]; ∑ 𝑌𝑖2 = 526
96 657 492 𝑖=1

Calcular:
Econometría I Profesor: Juan Byron Correa F.
Septiembre de 2023 Monitor: Juan José Almeida

a. Los coeficientes de la regresión de 𝑌𝑖 en 𝑋𝑖 y los errores estándar de los coeficientes.

b. El coeficiente de determinación r 2 y el coeficiente de correlación e interpretar.

9. Un investigador A sabe que la verdadera relación entre las variables 𝑌 y 𝑋 es:

𝑌𝑖 = 1 + 2𝑋𝑖 + 𝑒𝑖
Donde 𝑒𝑖 designa al término de error, que satisface las hipótesis habituales. También conoce que la
variable 𝑋 toma los valores 1, 2, 3, 4, 5, 6. A partir de una población normal con media 0 y varianza
unitaria, se obtienen aleatoriamente seis valores para u i :
𝑒1 = 0.464 𝑒4 = −0.16
𝑒2 = 0.060 𝑒5 = 1.022
𝑒3 = −1.50 𝑒6 = 0.20
se generan los correspondientes valores de 𝑌 a partir del modelo especificado anteriormente.

Otro investigador B sólo tiene acceso a los datos de 𝑋 e 𝑌, a partir de ellos trata de obtener una
estimación del coeficiente de la variable 𝑋, para lo cual utiliza dos estimadores alternativos:
∑(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅)
𝛽̃1 = 𝛽̃2 = 0,01 ∗ (𝑌6 + 𝑌5 + 𝑌2 + 𝑌1 )
∑(𝑋𝑖 − 𝑋̅)2
a. Generar los valores de Y, y calcular ambos estimadores.
b. Discutir las propiedades de los dos estimadores.
c. Con base en la varianza de ambos estimadores, el investigador B decide utilizar el segundo para
aproximar el valor del parámetro de X. Comentar, en función de la información de que dispone A,
si la decisión es correcta o no, prestando especial atención al error cuadrático medio.

10. Sea la regresión de 𝑌 sobre 𝑋:

𝑌𝑖 = 𝑎̂ + 𝑏̂𝑋𝑖 + 𝑒̂𝑖

y sea la regresión de 𝑋 sobre 𝑌:

𝑋𝑖 = 𝑔̂ + ℎ̂𝑌𝑖 + 𝑤
̂𝑖

a. Demostrar que 𝑏̂ ∗ ℎ̂ = 𝑅 2
b. Demostrar que 𝑔̂ = (1 − 𝑅 2 )𝑋̅ − 𝑎̂𝑅 2 /𝑏̂
c. ¿Qué sucede cuando la bondad del ajuste es perfecta?

11. En el modelo de regresión lineal simple, 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝜀𝑖 en el cual se cumplen las hipótesis

usuales, se definen los siguientes estimadores de los parámetros 𝛽1 y 𝛽2:
𝑌𝑛 −𝑌1
𝑏1 = 𝑌1 − 𝑏2 𝑋1 y 𝑏2 =
𝑋𝑛 −𝑋1

donde los subíndices 1 y 𝑛 indican la primera y la última observación, respectivamente, después de

ordenarlas según 𝑋.
a. ¿Son los anteriores estimadores lineales, aleatorios e insesgados?
b. Encuentre su varianza teórica y discuta si los estimadores pueden ser eficientes.
c. Bajo el supuesto de que la varianza del error aleatorio es conocida, establezca la distribución
muestral del estimador.
d. Encuentre, analíticamente, la expresión de los intervalos de confianza para 𝑏1 y 𝑏2 .
Econometría I Profesor: Juan Byron Correa F.
Septiembre de 2023 Monitor: Juan José Almeida

e. Explique cómo verificaría, bajo el mismo supuesto, la hipótesis nula 𝑏2 = 𝑏20

12. En el modelo de regresión lineal simple sin intercepto en el que se cumplen todos los supuestos se
define el siguiente estimador:
∑𝑛𝑖=1 𝑌𝑖
𝑏=
∑𝑛𝑖=1 𝑋𝑖
a. Encuentre la expresión lineal y aleatoria de 𝑏
b. Encuentre la expresión de la varianza de 𝑏. ¿Puede ser mínima la varianza? (Sustente).
c. Suponga que el modelo tiene intercepto. Repita 12.1 y 12.2 en este nuevo contexto.
d. ¿Puede apelarse al Teorema de Gauss-Markov para señalar que este estimador es de varianza
mínima? ¿Cómo puede comparase con el estimador MCO del mismo parámetro del modelo?

13. Basado en Baltagi (1995). Para el modelo de regresión sin constante 𝑌𝑖 = 𝛽𝑋𝑖 + 𝜀𝑖 , (𝑖 = 1, 2, … , 𝑛)
donde 𝛽2 es un escalar y 𝜀𝑖 ~ 𝑖𝑖𝑑(0, 𝜎 2 ) independiente de 𝑋𝑖 . Considere los siguientes tres
estimadores insesgados de 𝛽.
∑𝑛
𝑖=1 𝑋𝑖 𝑌𝑖 𝑌̅ ∑𝑛 ̅
𝑖=1(𝑋𝑖 −𝑋)(𝑌𝑖 −𝑌)
̅
𝑏1 = ∑𝑛 2 ; 𝑏2 = 𝑋̅ y 𝑏3 = 𝑛
∑𝑖=1(𝑋𝑖 −𝑋̅ )2
𝑖=1 𝑋𝑖

Donde 𝑌̅ es la media de los 𝑌𝑖 y 𝑋̅ es la media de los 𝑋𝑖 .

a. Muestre que 𝑐𝑜𝑣(𝑏1 , 𝑏2 ) = 𝑣𝑎𝑟(𝑏1 ) > 0, y que ρ12 (el coeficiente de correlación entre 𝑏1 y
𝑏2 ) es igual a [𝑣𝑎𝑟(𝑏1 )/𝑣𝑎𝑟(𝑏2 )]1/2, con 0 < 𝜌12 ≤ 1. Muestre que la combinación optima
de 𝑏1 y 𝑏2 , dada por [𝑏 = 𝛼𝑏1 + (1 − 𝛼)𝑏2 ] donde 0 < 𝛼 < 1 ocurre si el valor óptimo de 𝛼
denotado por 𝛼 ∗ = 1. Óptimo aquí se refiere a varianza mínima. Ayuda: Leer el artículo de
Samuel-Cahn (1994).
b. Muestre que 𝑐𝑜𝑣(𝑏1 , 𝑏3 ) = 𝑣𝑎𝑟(𝑏1 ) > 0 y que 𝜌13 (el coeficiente de correlación entre b1 y b3 )
es igual a [𝑣𝑎𝑟(𝑏1 )/𝑣𝑎𝑟(𝑏3 )]1/2 = (1 − 𝜌12 ) , con 0 < 𝜌13 ≤ 1. Concluya que la
2 1/2

combinación óptima entre 𝑏1 y 𝑏3 de nuevo se da cuando α∗ = 1.

c. Muestre que 𝑐𝑜𝑣(𝑏2 , 𝑏3 ) = 0 y que la combinación óptima entre 𝑏2 y 𝑏3 es [𝑏 =
3 + 𝜌12 𝑏2 ] = 𝑏1 .
(1 − 𝜌122 )𝑏 2

Este ejercicio demuestra un resultado más general, que dice que el estimador MELI de 𝛽 en este caso 𝑏1 ,
tiene una correlación positiva con cualquier otro estimador lineal insesgado de 𝛽, y que esta correlación
puede ser fácilmente calculada a partir de la razón de las varianzas de los dos estimadores.

14. Considere las siguientes formulaciones de la función de regresión poblacional

𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝜀𝑖 𝑌𝑖 = 𝛼1 + 𝛼2 (𝑋𝑖 − 𝑋̅) + 𝜀𝑖
Demuestre la relación en los estimadores en las dos ecuaciones ¿son idénticos tanto el intercepto
como la pendiente? ¿difieren los interceptos? ¿difieren las pendientes?

15. En el modelo 𝑌𝑖 = 𝑎 + 𝑏𝑋𝑖 + 𝜀𝑖 en donde

𝐸(𝜀𝑖 ) = 0; 𝐸(𝜀𝑖2 ) = 𝜎 2 ; 𝐸(𝜀𝑖 𝜀𝑗 ) = 𝑘 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖 ≠ 𝑗
a. Verifique si se cumplen las propiedades de linealidad (en 𝑌𝑖 y en 𝜀𝑖 ) y de insesgadez de los
estimadores MCO de a y b.
b. Encuentre las expresiones de sus varianzas.
c. ¿Pueden ser estimadores de mínima varianza? ¿Por qué?
Econometría I Profesor: Juan Byron Correa F.
Septiembre de 2023 Monitor: Juan José Almeida

16. Se estima un modelo 𝑌𝑡 = 𝛼 + 𝛽𝑋𝑡 + 𝜀𝑡 y se obtiene lo siguiente: (Se utiliza la letra 𝑠 para denotar
errores estándar estimados)
𝑌𝑡 = 𝛼̂ + 𝛽̂ 𝑋𝑡 + 𝜀̂𝑡
𝑠𝛼̂ 𝑠𝛽̂ 𝑠𝜀̂
a. Suponiendo conocido el número de datos, encuentre una expresión para calcular el 𝑅 2 del
modelo con base en la información disponible.
b. Se define una nueva variable 𝑍𝑡 = 𝑋𝑡 − 𝑌𝑡 y un nuevo modelo
𝑍𝑡 = 𝑔 + ℎ𝑋𝑡 + 𝑣𝑡
c. Suponiendo que la perturbación aleatoria 𝑣𝑡 está bien comportada, pruebe que para verificar la
hipótesis nula 𝐻0 : ℎ = 0 y 𝐻0 : 𝑔 = 0, el estadístico de prueba es
𝑡0 = (1 − 𝛽̂ )⁄𝑠𝛽̂ 𝑡0 = 𝛼̂ ⁄𝑠𝛼̂

17. Se obtienen 12 observaciones de una realización de un proceso de generación de datos que

corresponde a un modelo de Regresión Lineal Simple con intercepto y se calcula (datos en
desviaciones):

x 2
i  100 x y i i  200 y2
i  560
a. Explique claramente en qué consiste el supuesto de exogeneidad de Xi.
b. Obtenga el estimador mínimo cuadrático de la pendiente del modelo y su correspondiente error
estándar de estimación.
c. Calcule el coeficiente de determinación y haga dos interpretaciones de este.
d. Se propone un estimador alterno 𝛽̃ para el cual 𝐸(𝛽̃) = 𝛽 + 10 y la estimación de 𝜎𝛽̃2 es 0.01.
¿Con qué criterio se puede elegir entre los dos estimadores? Con base en dicho criterio elija entre
los dos.
e. Verifique la hipótesis de que la pendiente del modelo es 2.5, asumiendo un valor de tabla de 3.

18. Al estudiar el Consumo de bienes durables en función del Ingreso personal disponibles para Colombia
durante el periodo de 1950 a 1996 se obtuvieron los siguientes resultados.
===============================================
Dependent variable: Consumo
-----------------------------------------------
Ingreso 0.875
(_____)
Constant 8.520***
(1.462)
-----------------------------------------------
Observations 47
R2 ____
Adjusted R2 ____
Sum square Residual 298.78 (df = 45)
F Statistic _____ (df = 1; 45)
===============================================
Note: *p<0.1; **p<0.05; ***p<0.01

A partir de la información de la tabla, se pide:

a. Interprete los coeficientes estimados. ¿es significativa la propensión marginal estimada?
b. Obtenga e interprete la bondad de ajuste del modelo estimado
c. Calcule e intérprete los intervalos de confianza para 𝛽2 y 𝜎 2 .
Econometría I Profesor: Juan Byron Correa F.
Septiembre de 2023 Monitor: Juan José Almeida

d. Elabore la tabla ANOVA. Puede probarse la hipótesis: 𝛽2 = 0,5 utilizando la prueba F.

e. Si el ingreso de una familia es de $ 2000, ¿entre qué valores espera que este el gasto familiar a
un 95% de confianza? Si 𝑌̅ = 117.46; 𝑋̅ = 124,45; ∑ 𝑌𝑖2 = 688296,3 y ∑ 𝑋𝑖2 = 779507,4

19. Suponga una función de salarios: log(𝑆𝑎𝑙𝑎𝑟𝑖𝑜) = 𝛽1 + 𝛽2 𝐸𝑑𝑢𝑐𝑎𝑐𝑖ó𝑛𝑖 + 𝜀𝑖 donde el salario esta
expresado en pesos. Suponga que se cambia la escala de medición del salario de pesos a centavos.
¿Cómo se afecta(n) el(los) coeficientes del modelo estimado?

20. Se cree que dos variables 𝑋 y 𝑌 están relacionadas según la ecuación 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝜀𝑖 . Para
verificar esta relación, dos investigadores toman muestras diferentes de 8 estudiantes y estiman 𝛽2
por MCO obteniendo;
Primer Investigador
𝑌𝑖 4.0 4.5 4.5 3.5y 4.5 4.5 5.5 5.0
𝑋𝑖 3.0 3.0 3.0 3.0 4.0 4.0 4.0 4.0
Segundo Investigador
𝑌𝑖 2.0 2.5 2.5 1.5 11.5 10.5 1.5 11.0
𝑋𝑖 1.0 1.0 1.0 1.0 10.0 10.0 10.0 10.0

Yt  1.875  0.750 X t Yt  1.500  0.97 X t

e.e. (1.20) (0.339) e.e. (0.27) (0.038)
R 2  0.45 ˆ  0.48 R 2  0.99 ˆ  0.48
Es posible explicar por qué el error estándar de 𝑏2 del primer investigador es mayor que el del segundo.

21. Considere los siguientes modelos 𝑀1 y 𝑀2

𝑀1 : 𝑌𝑡 = 𝛽1 + 𝛽2 𝑋𝑡 + 𝜀𝑡 𝑀2 : 𝑊𝑡 = 𝛼1 + 𝛼2 𝑍𝑡 + 𝑣𝑡
𝑌𝑡 −𝑌̅ 𝑋𝑡 −𝑋̅
Donde 𝑊𝑡 y 𝑍𝑡 son variables tales que: 𝑊𝑡 = y 𝑍𝑡 = . Donde 𝑊𝑡 y 𝑍𝑡 son variables
𝑆𝑌 𝑆𝑋
∑𝑛 ̅
𝑖=1(𝑌𝑡 −𝑌) ∑𝑛 ̅
𝑖=1(𝑋𝑡 −𝑋 )
estandarizadas, con 𝑆𝑌 = √ y 𝑆𝑋 = √
𝑛 𝑛
a. En el modelo (M2) muestre que el estimador MCO del intercepto es cero y que el de la pendiente
es igual al coeficiente de correlación entre X, Y.
𝑆
b. Demuestre que: 𝛼̂2 = 𝛽̂2 𝑆𝑋
𝑌

22. Suponga 𝑛 pares (𝑥𝑖 , 𝑦𝑖 ) de observaciones de las variables observadas 𝑋 y 𝑌.

a. Pruebe que el coeficiente de correlación muestral es invariante bajo la transformación lineal 𝑥𝑖∗ =
𝑎1 𝑥𝑖 + 𝑏1 y 𝑦𝑖∗ = 𝑎2 𝑦𝑖 + 𝑏2 para todo 𝑖 = 1, 2, ⋯ , 𝑛, con 𝑎1 y 𝑎2 constantes positivas.
b. Muestre por medio de un ejemplo, que el coeficiente de correlación muestral es en general no
invariante bajo transformaciones no lineales.
c. Pruebe que el coeficiente de correlación muestral es igual a 1 o -1 si y solo si 𝑦𝑖 es una función
lineal de 𝑥, es decir 𝑦𝑖 = 𝑎 + 𝑏𝑥𝑖 (𝑖 = 1, 2, ⋯ , 𝑛), para algunos números 𝑎 y 𝑏 que no
dependen de 𝑖.

23. Suponga un grupo de datos que es generado a partir de un proceso generador de datos (PGD) que
Econometría I Profesor: Juan Byron Correa F.
Septiembre de 2023 Monitor: Juan José Almeida

satisface todos los supuestos del MCRL excepto el supuesto de media cero en los errores. Suponga
que la 𝐸(𝜀𝑖 ) = 𝜇𝑖 .
a. Muestre que el estimador MCO de la pendiente, 𝑏2 es insesgado si 𝜇𝑖 = 𝜇 con 𝜇 una constante
para todo 𝑖 = 1, 2, ⋯ , 𝑛.
b. Suponga que 𝜇𝑖 = 𝑥𝑖 /10 es proporcional al nivel de 𝑥𝑖 . Obtenga el sesgo 𝐸(𝑏2 ) − 𝛽 bajo los
supuestos definidos.
c. Discuta si el supuesto de media cero, puede ser chequeado a partir de los residuales 𝑒̂𝑖 .
Considere una situación particular para 𝑏1 y 𝑏2 .

24. Pruebe los siguientes resultados

a. 𝑒𝑖 = (𝑌𝑖 − 𝑌̅) − 𝑏2 (𝑋𝑖 − 𝑋̅) = −(𝑋𝑖 − 𝑋̅)(𝑏2 − 𝛽) + 𝜀𝑖 − 𝜀̅
1 (𝑋 −𝑋̅ )
b. E[(𝜀𝑖 − 𝜀̅)2 ] = 𝜎 2 (1 − ), y 𝐸 [(𝑏2 − 𝛽 )(𝜀𝑖 − 𝜀̅)] = 𝜎 2 𝑖 ̅ 2 ∑(𝑋𝑖 −𝑋)
𝑛
1 (𝑋𝑖 −𝑋̅ )2
c. 𝐸(𝑒𝑖 ) = 0 y 𝑉𝑎𝑟(𝑒𝑖 )=𝜎 2 (1 − 𝑛 − ∑(𝑋𝑖 −𝑋̅)2
)

25. Bajo los supuestos del modelo de regresión lineal, pruebe los siguientes resultados para el error de
predicción ef . La notación ̅
X, ̅Y y e̅ es usada para denotar los promedios muéstrales sobre la
estimación muestral i = 1,2, … , n.
a. 𝑒𝑓 = (𝑌𝑛+1 − 𝑌̅) − 𝑏2 (𝑋𝑛+1 − 𝑋̅)
1
b. E[(𝜀𝑛+1 − 𝜀̅)2 ] = 𝜎 2 (1 + 𝑛)
c. Calcule la varianza del error de predicción para Xn+1. Comente sobre la diferencia entre este
resultado y el 25.3; en particular, explique porque Var(ef ) > 𝑉𝑎𝑟(ei ).

26. Demostrar que en el modelo de Regresión Lineal Simple (la letra S denota error estándar estimado)
𝑆 𝑆2 𝐶𝑜𝑣(𝑋𝑖 ,𝑌𝑖 )
a. 𝑏2 = 𝑟̂ ∗ 𝑆𝑌 𝑅 2 = 𝑏2 ∗ 𝑆𝑋2 𝑏2 = 2
𝑋 𝑌 𝑆𝑋
(1−𝑅 2 ) ∑ 𝑦𝑖2 𝑟√𝑛−2
b. 𝜎 2 = 𝐵𝑎𝑗𝑜 𝐻0 : 𝛽2 = 0, 𝑡0 = √1−𝑅2
𝑛−2

27. Usando el modelo de regresión simple 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝜀𝑖

a. Muestre que 𝑏1 = 𝛽1 + (𝛽2 − 𝑏2 )𝑋̅ + 𝜀̅ ; y dedusca que 𝐸(𝑏1 ) = 𝛽1.
b. Usando el hecho que 𝑏2 − 𝛽2 = ∑𝑛𝑖=1 𝑥𝑖 𝜀𝑖 / ∑𝑛𝑖=1 𝑥𝑖2 ; use el resultado en (1) para mostrar que
1
𝑉𝑎𝑟(𝑏1 ) = 𝜎 2 [( ) + 𝑋̅ 2 / ∑𝑛𝑖=1 𝑥𝑖2 ]
𝑛

28. En lugar de estimar los coeficientes de 𝛽2 y 𝛽3 a partir del modelo

𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖2 + 𝛽3 𝑋𝑖3 + 𝜀𝑖 (1)
se decide utilizar MCO en la ecuación
𝑌𝑖 = 𝛽1 + 𝛽2 𝑥𝑖∗ + 𝛽3 𝑋𝑖3 + 𝑣𝑖 (2)
donde 𝑥𝑖∗ son los residuales de regresar 𝑋𝑖2 sobre 𝑋𝑖3 y 𝑣𝑖 es un nuevo término de error.
a. Muestre que el estimador MCO de 𝛽3 en (2) es idéntico al coeficiente de pendiente de la regresión
simple de 𝑌𝑖 sobre 𝑋𝑖3. Obtenga una expresión para el sesgo de este estimador.
b. Demuestre que los estimadores de 𝛽2 obtenidos a partir de cada una de las dos ecuaciones son
idénticos.
Econometría I Profesor: Juan Byron Correa F.
Septiembre de 2023 Monitor: Juan José Almeida

29. Dado el siguiente modelo de regresión múltiple, en el cual se cumplen todas las hipótesis de partida
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖2 + 𝛽3 𝑋𝑖3 + 𝛽4 𝑋𝑖4 + 𝜀𝑖
De la observación de las variables se sabe ∑𝑛𝑖=1 𝑌𝑖2 = 19,2, y
16 8 4 4 1,594 −2,25 −0,50 1,125 4
−2,25 3,50 0,50 −1,50
𝑿′ 𝑿 = [ 8 5 3 0] (𝑿′ 𝑿)−1 =[ ] 𝑿′ 𝒀 = [5]
4 3 6 3 −0,50 0,50 0,50 −0,50 0
−4 0 3 7 1,125 −1,50 −0,50 1 5
a. Obtenga el vector de estimadores MCO y los errores estándar
b. Calcular el coeficiente de determinación y el ajustado
c. Obtener intervalos de confianza para los parámetros del modelo
d. Construya el intervalo de confianza para 𝛽2, 𝛽3 y para 𝛽2 + 𝛽3 , comparar los resultados
e. Construya las pruebas de significancia individual y conjunta
f. Pruebe la hipótesis nula: 𝐻0 : 𝛽2 = 𝛽3
g. Probar la hipótesis: 𝛽2 = 𝛽3 y 𝛽4 = 0 de forma conjunta

30. Suponga el modelo 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖2 + 𝛽3 𝑋𝑖3 + 𝜀𝑖

a. Obtenga el estimador de MCO de 𝛽2. Suponga que 𝑋𝑖3 es una variable que no se incluye en el
modelo, obtenga el estimador MCO de 𝛽2 en el modelo restringido. Compare estos estimadores,
¿en qué condiciones serían iguales?
b. ¿Como se relacionan las sumas de cuadrados de los residuales en ambos modelos? restringido y
no restringido.
c. ¿Como se relacionan sus varianzas? Puede suceder que estas cantidades sean iguales en ambos
modelos. Realice los cálculos y comente el resultado.
d. Asuma conocida la distribución de 𝜎 2 , Derive tanto el estadístico de Wald como el de Razón de
Verosimilitud para la hipótesis nula : 𝐻0 : 𝛽2 = 0 versus 𝐻1 : 𝛽2 ≠ 0.

31. Obtenga la expresión para 𝒆, el vector de residuales MCO, con base en la matriz generadora de
residuales 𝑴.
a. Demuestre que 𝑴 es una matriz simétrica e idempotente
b. Obtenga la distribución del vector de residuales 𝒆
c. Dado que 𝑠 2 = 𝒆′ 𝒆/(𝑛 − 𝑘), y con base en el resultado de b.) demuestre que 𝑠 2 (𝑛 − 𝑘)/𝜎 2
sigue una distribución ji-cuadrado con 𝑛 − 𝑘 grados de libertad.

32. Dado el modelo 𝑌𝑡 = 𝛽0 + 𝛽1 𝑋𝑡1 + 𝛽2 𝑋𝑡2 + 𝛽3 𝑋𝑡3 + 𝜀𝑡 y dadas las siguientes sumas de
cuadrados y productos en forma de desviaciones respecto a sus medias para 24 observaciones.
𝑛
10 10 5 7
𝒙 𝒙 = [10 30 15] ; 𝒙 𝒚 = [ −7 ] ; ∑ 𝑌𝑖2 = 60
′ ′

5 15 20 −26 𝑖=1
a. Pruebe cada una de las siguientes hipótesis nulas: 𝐻0 : 𝛽1 = 1; 𝐻0 : 𝛽2 = 1 y 𝐻0 : 𝛽3 = −2
b. Pruebe la hipótesis: 𝐻0 : 𝛽1 + 𝛽2 + 𝛽3 = 0.
c. Como hacer de forma diferente la hipótesis: [𝛽1 , 𝛽2 , 𝛽3 ] = [1, 1, −2].

33. Una empresa de servicios informáticos desea estimar la demanda de dichos servicios en su localidad,
para lo cual utiliza, con datos trimestrales para 10 años.
𝐷𝑡 = 𝛽1 + 𝛽2 𝑃𝑡 + 𝛽3 𝑅𝑡 + 𝜀𝑡
Econometría I Profesor: Juan Byron Correa F.
Septiembre de 2023 Monitor: Juan José Almeida

donde 𝐷𝑡 es la demanda de servicios informáticos, 𝑃𝑡 el precio de los servicios y 𝑅𝑡 la renta de la

localidad. Si el proceso generador de los datos (PGD) es tal que
𝐸(𝜀𝑡2 ) = 𝜎 2 𝑅𝑡2 ; 𝐸(𝜀𝑡 ) = 0; 𝐸(𝜀𝑡 , 𝜀𝑠 ) = 0, 𝑡 ≠ 𝑠; 𝐸(𝑃𝑡 𝜀𝑡 ) = 𝐸(𝑅𝑡 𝜀𝑡 ) = 0
a. ¿Qué supuesto se viola en el modelo lineal general?
b. ¿Como podría resolverse el problema?
c. ¿Si se incorporase la hipótesis de que la demanda depende también de su valor en el periodo
anterior cual supuesto se estaría violando? (Suponga homocedasticidad en este caso)

34. A partir del modelo estimado 𝒀 = 𝑿𝒃 + 𝒆

a. Obtenga la matriz generadora de residuos 𝑴 y pruebe que 𝑴𝑿 = 𝟎 y que 𝑴′𝑴 = 𝑴
b. Demuestre que la varianza estimada 𝑉𝑎𝑟(𝒃|𝑿)̂ de MCO es un estimador insesgado de la
varianza poblacional de 𝜷. Suponga que la matriz de información 𝑿 es no estocástica.

35. Suponga que se tiene información de los índices de Consumo, Precios de los alimentos e Ingresos de
los consumidores para un determinado periodo antes de la segunda guerra mundial y para después de
la misma. Se desea verificar si el comportamiento de las variables antes y después de la guerra es
igual o no.
 Construya el estadístico para realizar esta prueba.

36. Demuestre el teorema de Gauss Markov para el vector de coeficientes 𝜷. Plantee los supuestos
necesarios para que se cumpla dicho teorema.

37. Suponga la función de producción Cobb - Douglas. Plantee tres estadísticos diferentes que permitan
probar la hipótesis de rendimientos constantes a escala.

38. Los datos sobre un problema de tres variables conducen a los siguientes resultados
𝑛
33 0 0 132
′
𝑿 𝑿 = [ 0 40 20] ; ′
𝑿 𝒀 = [ 24 ] ; ∑(𝑌𝑖 − 𝑌̅)2 = 150
0 20 60 92 𝑖=1

a. Estime el vector de parámetros 𝜷 de la ecuación de regresión propuesta.

b. Calcule el error estándar de 𝛽2 y pruebe la hipótesis 𝛽2 igual a cero.
c. Pruebe la misma hipótesis anterior estimando el apropiado modelo restringido (su suma de
cuadrados de los residuales). Construya el estadístico 𝐹 (siendo el modelo obtenido en a.) el no
restringido.

39. En el modelo de regresión múltiple, 𝑌̂𝑓 es el predictor óptimo, suponga que se tiene un vector 𝑅 =
[𝑋1𝑓 , 𝑋2𝑓 , 𝑋3𝑓 ]. Deduzca la distribución del error de predicción individual.

40. Considere el modelo 𝒀 = 𝑿𝜷 + 𝜺 con hipótesis nula 𝑹𝜷 = 𝒓 donde 𝑹 es una matriz conocida de
orden 𝑞 × 𝑘, y 𝒓 es un vector conocido 𝑞 × 1, con 𝑞 el número de restricciones en el modelo.
a. Bajo las condiciones anteriores, obtenga el estimador de mínimos cuadrados restringido 𝒃𝑅 .
Muestre que 𝒃𝑅 = 𝒃 + 𝑨(𝑹𝒃 − 𝒓), donde 𝑨 = (𝑿′𝑿)−𝟏 𝑹′ [𝑹(𝑿′ 𝑿)−𝟏 𝑹′ ] .
b. Sea 𝒆 = 𝒀 − 𝑿𝒃 y 𝒆𝑹 = 𝒀 − 𝑿𝒃𝑹 . Obtenga la forma funcional de 𝒆𝑹 ′𝒆𝑹 y muestre que la
razón 𝐹 puede ser expresada como
Econometría I Profesor: Juan Byron Correa F.
Septiembre de 2023 Monitor: Juan José Almeida

(𝒆𝑹 ′𝒆𝑹 − 𝒆′𝒆)/𝑞

𝐹=
𝒆′ 𝒆/(𝑛 − 𝑘)

41. Sea el modelo lineal general 𝒀 = 𝑿𝜷 + 𝜺, suponiendo conocidos los vectores de valores 𝑹 y 𝒓, se
define la hipótesis lineal general 𝐻0 : 𝑹𝜷 = 𝒓, donde
𝒃 ~ [𝜷, 𝜎 𝟐 (𝑿′𝑿)−𝟏 ]
a. Construya los estadísticos de prueba: de Wald, F, Multiplicadores de Lagrange y de Razón de
verosimilitud.
b. Dado el modelo:
ln̂
(𝑌𝑡 ) = 1,370 + 0,632 ln(𝐾𝑡 ) + 0,452 ln(𝐿𝑡 ); 𝑅 𝟐 = 0,98
(0,257) (0,219)

Donde 𝑐𝑜𝑣(𝛽𝐿 , 𝛽𝐾 ) = −0,044 y 𝑛 = 40. ¿Es posible probar la hipótesis de rendimientos

constantes a escala a partir de los estadísticos definidos en a.)? ¿Qué inconvenientes se pueden
presentar? ¿Qué supuestos adicionales se deben considerar?