T-05

APUNTES Y EJERCICIOS

ECONOMETRÍA

+
Índice Página

5. EL MODELO LINEAL GENERAL ........................................................................................1

5.1. INTRODUCCIÓN ................................................................................................................1
5.2. SUPUESTOS BÁSICOS (HIPÓTESIS) ................................................................................1
5.3. LOS ESTIMADORES MÍNIMOS CUADRÁTICOS ..........................................................2
5.3.1. EJERCICIO DE APLICACIÓN 1 ......................................................................................5
5.4. MEDIA Y VARIANZA DE 𝜷...............................................................................................8
5.4.1. MEDIA 𝜷 ............................................................................................................................8
5.4.2. VARIANZA DE 𝜷..............................................................................................................8
5.4.3. ESTIMADOR DE LA VARIANZA POBLACIONAL 𝝈𝟐 ...............................................9
5.4.4. EJERCICIO DE APLICACIÓN 2 ......................................................................................9
5.5. PRUEBAS DE HIPÓTESIS GLOBAL E INDIVIDUAL ................................................... 11
5.5.1. PRUEBA DE HIPÓTESIS GLOBAL ............................................................................... 11
5.5.2. PRUEBA DE HIPÓTESIS INDIVIDUAL ....................................................................... 11
5.5.3. EJERCICIO DE APLICACIÓN 3 .................................................................................... 13
5.6. FORMAS FUNCIONALES LINEALES DE LOS MODELOS ECONOMÉTRICOS ..... 15
5.6.1. Modelo LIN – LIN ........................................................................................................... 15
5.6.2. Modelo LOG – LOG ........................................................................................................ 16
5.6.3. Modelo LIN – LOG.......................................................................................................... 16
5.6.4. Modelo LOG – LIN.......................................................................................................... 17
5.7. ANÁLISIS DE CASO ......................................................................................................... 19
5.7.1. ANÁLISIS DE CASO 1 .................................................................................................... 19
5.7.2. ANÁLISIS DE CASO 2.................................................................................................... 21
ECONOMETRÍA - T05 1

5. EL MODELO LINEAL GENERAL

5.1. INTRODUCCIÓN
El modelo lineal general supone la ampliación del modelo de dos variables a otro de k
variables a partir de una muestra estadística.

El propósito de este tema es presentar generalizaciones de detalles textuales importantes y

se logrará con la aplicación del álgebra matricial, como primero explicaremos el modelo
lineal de forma matricial y también abarcaremos algunos supuestos básicos donde su
principal característica es que “Depende no solo de una variable explicativa sino de
muchas más”.

𝑌𝑖 = 𝑓(𝑋1 , 𝑋2 , 𝑋3 +. . . . . . . . . . . . +𝑋𝑘 )

𝑌𝑖 = 𝛽0 + 𝛽1 𝑋1𝑖 + 𝛽2 𝑋2𝑖 + 𝑋3 𝑋3𝑖 . . . . . . . . . . . . . . . . 𝛽𝑘 𝑋𝑘𝑖 + 𝑢𝑖

5.2. SUPUESTOS BÁSICOS (HIPÓTESIS)

Según la revisión bibliográfica, en particular aportada por autores como Nogales (1993),
Castro y Rivas (2003); y Gujarati y Porter (2010), se pueden identificar los siguientes
supuestos clave del modelo de regresión lineal múltiple:

5.2.1. Supuesto 1 linealidad en los parámetros

El modelo de regresión es lineal en sus parámetros, es decir:
𝑌 = 𝛸𝛽 + 𝑢
5.2.2. Supuesto 2 normalidad del término de perturbación
El término de perturbación se distribuye de manera normal. De manera formal:
𝑢~𝑁(0, 𝜎)
5.2.3. Supuesto 3 la esperanza matemática del término de perturbación es igual a cero
La esperanza matemática del término de perturbación es igual a cero, entonces el
estimador MCO es insesgado, es decir: 𝐸(𝛽̂ ) = 𝛽.
𝐸 (𝑢) = 0
5.2.4. Supuesto 4 homocedasticidad
Los residuos deben tener una varianza constante (homocedasticidad).
Si 𝑉𝑎𝑟(𝑢) = 𝐸 (𝑢𝑢′) = 𝜎𝑢2 𝐼𝑇 , la matriz de covarianzas del estimador MCO es igual a
𝑉𝑎𝑟(𝛽̂ ) = 𝜎𝑢2 (𝑋′𝑋)−1 .
5.2.5. Supuesto 5 “X” tiene rango t>k
El número de observaciones debe ser mayor que el número de variables independientes.

DOCENTE: JOSÉ F. CHAMBI M.

ECONOMETRÍA - T05 2

5.2.6. Supuesto 6 “X” es una matriz con elementos fijos

Los valores de las variables independientes deben ser fijos (ausencia de multicolinealidad).

5.3. LOS ESTIMADORES MÍNIMOS CUADRÁTICOS

Si:
EL MODELO DE REGRESIÓN POBLACIONAL VIENE DEFINIDA COMO:
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋1𝑖 + 𝛽2 𝑋2𝑖 . . . . . . . . . . . . . . . . 𝛽𝑘 𝑋𝑘𝑖 + 𝑢𝑖
⇒ 𝑖 = 1,2, . . . . . . . . 𝑛
𝐸(𝑢𝑖 ) = 0
X tiene de rango k<n

En términos de matrices el MODELO DE REGRESIÓN POBLACIONAL SE DEFINIRÍA

COMO:
𝑦 = Χ𝛽 + 𝑢
/

Donde:
𝑦1 1 … 𝑥11 . . . . 𝑥21 . . . . . . 𝑥𝑘1
‫ې 𝑦ۍ‬ ‫ۍ‬1 … 𝑥 . . . . . 𝑥 . . . . . 𝑥 ‫ې‬
‫ ێ‬2‫ۑ‬ ‫ێ‬ 12 22 𝑘2
‫ۑ‬
𝑦=‫ ێ‬. ‫ۑ‬ 𝑿 = ‫ێ‬1 … . . . . . . . . . . . . . . . . . . ‫ۑ‬
‫ ێ‬. ‫ۑ‬ ‫ێ‬1 … . . . . . . . . . . . . . . . . . . ‫ۑ‬
‫ے 𝑛𝑦 ۏ‬ ‫ۏ‬1 … 𝑥1𝑛 . . . . . 𝑥2𝑛 . . . . . . 𝑥𝑘𝑛 ‫ے‬

𝛽0 𝑢1
‫ې ۍ‬ ‫ې 𝑢ۍ‬
𝛽 ‫ ێ‬2‫ۑ‬
‫ ێ‬1‫ۑ‬ 𝑢=‫ ێ‬. ‫ۑ‬
𝛽=‫ ێ‬. ‫ۑ‬
‫ ێ‬. ‫ۑ‬ ‫ ێ‬. ‫ۑ‬ Se agrega una columna de una
‫ے 𝑘𝛽ۏ‬ ‫ے 𝑛𝑢ۏ‬ por concepto del intercepto

Sin embargo, para el MODELO DE REGRESIÓN MUESTRAL SE DEFINIRÍA COMO:

𝑦 = Χ𝛽̂ + 𝑒
En donde 𝑒 representa al vector columna de los n residuos:
Donde:

DOCENTE: JOSÉ F. CHAMBI M.

ECONOMETRÍA - T05 3

𝑦1 1 … 𝑥11 . . . . 𝑥21 . . . . . . 𝑥𝑘1

‫ې 𝑦ۍ‬ ‫ۍ‬1 … 𝑥 . . . . . 𝑥 . . . . . 𝑥 ‫ې‬
‫ ێ‬2‫ۑ‬ ‫ێ‬ 12 22 𝑘2
‫ۑ‬
𝑦=‫ ێ‬. ‫ۑ‬ 𝑿 = ‫ێ‬1 … . . . . . . . . . . . . . . . . . . ‫ۑ‬
‫ ێ‬. ‫ۑ‬ ‫ێ‬ 1 … . . . . . . . . . . . . . . . . . . ‫ۑ‬
‫ے 𝑛𝑦 ۏ‬ ‫ۏ‬1 … 𝑥1𝑛 . . . . . 𝑥2𝑛 . . . . . . 𝑥𝑘𝑛 ‫ے‬

𝛽̂ 𝑒1
‫ ۍ‬0‫ې‬ ‫ې 𝑒ۍ‬
‫̂𝛽ێ‬1 ‫ۑ‬ ‫ ێ‬2‫ۑ‬
𝛽̂ = ‫ ێ‬. ‫ۑ‬ 𝑒=‫ ێ‬. ‫ۑ‬
‫ێ‬.‫ۑ‬ Se agrega una columna de una
‫ ێ‬. ‫ۑ‬ ‫ے 𝑛𝑒ۏ‬ por concepto del intercepto
‫ے 𝑘̂𝛽ۏ‬

Obsérvese cuidadosamente la distinción entre:

𝑦 = 𝚾𝛽 + 𝑢
𝑦 = 𝜲𝛽̂ + 𝑒

En la primera aparecen los coeficientes desconocidos 𝛽 y las perturbaciones desconocidas

𝑢, mientras que en la ultima tenemos un conjunto de estimaciones 𝛽̂ y el correspondiente
conjunto de residuos 𝑒. De 𝑦 = Χ𝛽̂ + 𝑒 la suma de los cuadrados de los residuos es:
𝑛

∑ 𝑒𝑖 2 = 𝑒 ′ 𝑒 ⇒ DEBE SER MINIMO

𝑖=1
𝑛

∑ 𝑒𝑖 2 = (𝑦 − 𝑋𝛽̂ )′(𝑦 − 𝑋𝛽̂ )

𝑖=1
𝑛
̂ )(𝑦 − 𝑋𝛽̂ )
∑ 𝑒𝑖 2 = (𝑦′ − 𝑋′𝛽′
𝑖=1

∑ 𝑒𝑖 2 = (𝑦 ′ 𝑦 − 2𝛽̂ 𝑋 ′ 𝑦 + 𝛽̂′ 𝑋 ′ 𝑋𝛽̂ )

𝑖=1
Para hallar el valor de 𝛽̂ que minimiza la suma de los cuadrados de los residuos,
derivamos:

𝜕 ′
(𝑒 𝑒) = −2𝑋 ′ 𝑦 − 2𝑋 ′ 𝑋𝛽̂ = 0
𝜕𝛽̂

Igualando a cero resulta:

𝑋′𝑋𝛽̂ = 𝑋 ′ 𝑦

DOCENTE: JOSÉ F. CHAMBI M.

ECONOMETRÍA - T05 4

Y teniendo en cuenta la hipótesis: X tiene de rango k<n

Sistema de ecuaciones 𝑋′𝑋𝛽̂ = 𝑋 ′ 𝑦

Despejando 𝛽̂ se tiene la formula general para los estimadores:

𝛽̂ = (𝑋′𝑋)−1 𝑋 ′ 𝑦

𝛽̂ = (𝑋′𝑋)𝑡 𝑋 ′ 𝑦

Este es el resultado fundamental para los estimadores mínimos cuadráticos.

La característica fundamental del ESTIMADOR DE MÍNIMOS CUADRADOS, es que el
lineal e insesgado; de hecho 𝛽̂ es el mejor estimador Lineal Insesgado de 𝛽; en el sentido de
que tiene la Varianza mínima de todos los estimadores insesgados.

DOCENTE: JOSÉ F. CHAMBI M.

ECONOMETRÍA - T05 5

5.3.1. EJERCICIO DE APLICACIÓN 1

En una investigación se quiere averiguar la incidencia del gasto público e inversión privada
en el crecimiento económico de un conjunto de países.
Se extrae una muestra de 6 países donde los datos de las variables se muestran en la
siguiente tabla:
País 𝑌𝑖 𝑋1𝑖 𝑋2𝑖
1 3 1 1
2 5 2 2
3 4 3 1
4 5 3 2
5 4 1 2
6 3 2 1

Donde el modelo está definido como: 𝑌𝑖 = 𝛽0 + 𝛽1 𝑋1𝑖 + 𝛽2 𝑋2𝑖 + 𝜇𝑖

𝑌𝑖 : Producto interno Bruto expresado en miles de millones de dólares

𝑋1𝑖 : Gasto público expresado en miles de millones de dólares
𝑋2𝑖 : Inversión privada expresado en miles de millones de dólares

a) Calcular los estimadores de 𝛽0 , 𝛽1 y 𝛽2

b) Indicar la función de regresión muestral en función a los estimadores
c) Aplicar el software Eviews para encontrar los estimadores
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%Superior 95,0%
Intercepción 1 0,54433105 1,83711731 0,16350637 -0,73230435 2,73230435 -0,73230435 2,73230435
Variable X 1 0,5 0,16666667 3 0,05766889 -0,03040772 1,03040772 -0,03040772 1,03040772
Variable X 2 1,33333333 0,27216553 4,89897949 0,0162766 0,46718116 2,19948551 0,46718116 2,19948551
a) RESOLUCIÓN
- La función de FRM en términos de matriz esta dada como:
𝑦 = Χ𝛽̂ + 𝑒
Donde:

DOCENTE: JOSÉ F. CHAMBI M.

ECONOMETRÍA - T05 6

0,5 1 1 1 𝑒1
‫ۍ‬1‫ې‬ ‫ۍ‬1 ‫𝑒 ۍ‬2 ‫ې‬
2 2‫ې‬
‫ێ‬1 ‫𝑒 ێ‬3 ‫ۑ‬
‫ێ‬2‫ۑ‬ 3 3‫ۑ‬ ‫𝑒 ێ‬4 ‫ۑ‬
‫ێ‬0,5‫ۑ‬ ‫ێ‬ ‫ۑ‬
‫ێ‬1 1 1‫ۑ‬ 𝛽̂0 ‫ۑ 𝑒ێ‬
‫ۑ ێ‬ 1,2
𝑦=‫ ێ‬1 ‫ۑ‬ 𝑿=‫ێ‬
1 2‫ۑ‬ 𝛽̂ = ቎𝛽̂1 ቏ 𝑒 = ‫𝑒 ێ‬5 ‫ۑ‬
2 2,3 6
‫ێ‬1 1‫ۑ‬ ‫𝑒 ێ‬7 ‫ۑ‬
‫ێ‬4‫ۑ‬ 𝛽̂2
‫ێ‬1 5,1 5‫ۑ‬ ‫𝑒 ێ‬8 ‫ۑ‬
‫ێ‬3‫ۑ‬ ‫ێ‬1 4 4‫ۑ‬
‫ێ‬1‫ۑ‬ ‫𝑒 ێ‬9 ‫ۑ‬
‫ێ‬1 2 1‫ۑ‬ ‫𝑒ۏ‬10 ‫ے‬
‫ۏ‬1‫ے‬ ‫ۏ‬1 1,4 2‫ے‬

Se agrega una columna de una

por concepto del intercepto

Entonces utilizamos la siguiente fórmula general: 𝛽̂ = (𝑋′𝑋)−1 𝑋 ′ 𝑦

Primeramente, hallamos: (𝑋′𝑋)−1

𝑋′𝑋 =

𝑋′𝑋 =

(𝑋 ′ 𝑋)−1 =

Hallamos: 𝑋 ′ 𝑦

𝑋′𝑦 =

DOCENTE: JOSÉ F. CHAMBI M.

ECONOMETRÍA - T05 7

𝑋′𝑦 =

Finalmente se halla: 𝛽̂ = (𝑋′𝑋)−1 𝑋 ′ 𝑦

𝛽̂ = (𝑋′𝑋)−1 𝑋 ′ 𝑦 =

𝛽̂ = (𝑋′𝑋)−1 𝑋 ′ 𝑦 =

Los estimadores para los estimadores son:

−0,2932
̂
𝛽 = [ 0,7820 ]
0,0431

b) RESOLUCIÓN
𝑌𝑖 = 𝛽̂0 + 𝛽̂1 𝑋1 + 𝛽̂2 𝑋2 + 𝑒𝑖

𝐺𝑎𝑠𝑡𝑜𝑠 = 𝛽̂0 + 𝛽̂1 (𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠) + 𝛽̂2 (ℎ𝑖𝑗𝑜𝑠) + 𝑒𝑖

𝐺𝑎𝑠𝑡𝑜𝑠 = −0,2932 + 0,7820(𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠) + 0,0431(ℎ𝑖𝑗𝑜𝑠) + 𝑒𝑖

b) RESOLUCIÓN
Comando para el Eviews

Salida final

DOCENTE: JOSÉ F. CHAMBI M.

ECONOMETRÍA - T05 8

̂
5.4. MEDIA Y VARIANZA DE 𝜷
̂
5.4.1. MEDIA 𝜷
𝛽̂ = (𝑋′𝑋)−1 𝑋′𝑦
Pero
𝑦 = 𝑋𝛽 + 𝜇
̂ −1
⇒ 𝛽 = (𝑋′𝑋) 𝑋′(𝑋𝛽 + 𝜇)
𝛽̂ = (𝑋′𝑋)−1 𝑋 ′ 𝑋𝛽 + (𝑋′𝑋)−1 𝑋′𝜇
𝛽̂ = 𝛽 + (𝑋′𝑋)−1 𝑋′𝜇
Aplicando esperanzas:
𝐸(𝛽̂) = 𝐸 [𝛽 + (𝑋′𝑋)−1 𝑋′𝜇]
(𝛽̂ ) = 𝛽 + (𝑋 ′ 𝑋)−1 𝑋′𝐸(𝜇) pero: 𝐸 (𝜇) = 0

⇒ 𝐸(𝛽̂ ) = 𝛽 𝛽̂ es insesgado

̂
5.4.2. VARIANZA DE 𝜷
𝑉𝑎𝑟(𝛽̂) = 𝐸[(𝛽̂ − 𝛽)]
Para hallar las varianzas se tiene que buscar lo siguiente matriz:
𝑣𝑎𝑟 − 𝑐𝑜𝑣(𝛽̂ ) = 𝜎̂𝜇2 (𝑋 ′ 𝑋)−1 = 𝜎̂ 2 (𝑋′𝑋)−1

𝑉𝑎𝑟(𝛽̂0 ) 𝐶𝑜𝑣(𝛽̂0 , 𝛽̂1 ) 𝐶𝑜𝑣(𝛽̂0 , 𝛽̂2 ) ∙∙∙ 𝐶𝑜𝑣(𝛽̂0 , 𝛽̂𝑘 )

𝐶𝑜𝑣(𝛽̂1 , 𝛽̂0 ) 𝑉𝑎𝑟(𝛽̂1 ) 𝐶𝑜𝑣(𝛽̂1 , 𝛽̂2 ) ∙∙∙ 𝐶𝑜𝑣(𝛽̂1 , 𝛽̂𝑘 )
𝑣𝑎𝑟 − 𝑐𝑜𝑣(𝛽̂) = 𝐶𝑜𝑣(𝛽̂2 , 𝛽̂0 ) 𝐶𝑜𝑣(𝛽̂2 , 𝛽̂1 ) 𝑉𝑎𝑟(𝛽̂2 ) ∙∙∙ 𝐶𝑜𝑣(𝛽̂2 , 𝛽̂𝑘 )
∙∙∙ ∙∙∙ ∙∙∙ ∙∙∙ ∙∙∙
̂ ̂ ̂
(𝐶𝑜𝑣(𝛽𝑘 , 𝛽0 ) 𝐶𝑜𝑣(𝛽𝑘 , 𝛽1 ) ̂ ̂ ̂
𝐶𝑜𝑣(𝛽𝑘 , 𝛽2 ) ∙∙∙ 𝑉𝑎𝑟(𝛽̂𝑘 ) )
Las varianzas de los estimadores de los parámetros están dadas en la diagonal.

DOCENTE: JOSÉ F. CHAMBI M.

ECONOMETRÍA - T05 9

Donde:
𝑉𝑎𝑟(𝛽̂0 ) = 𝜎̂𝛽̂2 ∶ 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑑𝑒𝑙 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟 𝛽̂0
0
…….. …………..
𝑉𝑎𝑟(𝛽̂𝑘 ) = 𝜎̂𝛽̂2𝑘 ∶ 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑑𝑒𝑙 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟 𝛽̂𝑘
𝐶𝑜𝑣(𝛽̂0 , 𝛽̂1 ) = 𝐶𝑜𝑣(𝛽̂1 , 𝛽̂0 ) ∶ 𝐶𝑜𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑑𝑒𝑙 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟 𝛽̂0 , 𝛽̂1
…….. …………..
𝐶𝑜𝑣(𝛽̂0 , 𝛽̂𝑘 ) = 𝐶𝑜𝑣(𝛽̂𝑘 , 𝛽̂0 ) ∶ 𝐶𝑜𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑑𝑒𝑙 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟 𝛽̂0 , 𝛽̂𝑘

Finalmente, la desviación típica del estimador del parámetro esta dado como:
𝜎̂𝛽̂𝑘 = √𝑉𝑎𝑟(𝛽̂𝑘 )
Despejando 𝑉𝑎𝑟(𝛽̂𝑘 ) se tiene como:
2
𝑉𝑎𝑟(𝛽̂𝑘 ) = (𝜎̂𝛽̂𝑘 )

5.4.3. ESTIMADOR DE LA VARIANZA POBLACIONAL 𝝈 ̂𝟐

En general el estimador de la varianza poblacional 𝜎̂ 2 es igual a:
2
𝑦 ′ 𝑦 − 𝛽̂′𝑋′𝑦
𝜎̂ =
𝑛−𝑘

La desviación típica de la varianza poblacional 𝜎̂ 2 esta dado como:

𝜎̂ = √𝜎̂ 2

Despejando 𝜎̂ 2 se tiene como:

𝜎̂ 2 = (𝜎̂)2

5.4.4. EJERCICIO DE APLICACIÓN 2

Del EJERCICIO DE APLICACIÓN 1, donde ingreso y gasto (gastos de alimentación) están

expresados en miles de dólares y el modelo esta definido como:

𝑌𝑖 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝜇𝑖
𝐺𝑎𝑠𝑡𝑜𝑠 = 𝛽0 + 𝛽1 (𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠) + 𝛽2 (ℎ𝑖𝑗𝑜𝑠) + 𝜇𝑖
a) Calcular las varianzas de los estimadores de los parámetros 𝛽0 , 𝛽1 y 𝛽2 aplicando el
software Eviews
b) Calcular estimador de la varianza poblacional 𝝈 ̂ 𝟐 aplicando el software Eviews

RESOLUCIÓN
DOCENTE: JOSÉ F. CHAMBI M.
ECONOMETRÍA - T05 10

El software Eviews solo muestra las desviaciones típicas de estos estimadores, sin
embargo, con el siguiente calculo se puede para obtener las varianzas de los estimadores.

Comando para el Eviews

Coeficientes de Desviación típica de

los estimadores los estimadores

𝜎̂𝛽̂0
Estimador de la 𝛽̂0 =
desviación típica 𝛽̂1 = 𝜎̂𝛽̂1
poblacional
𝛽̂2 = 𝜎̂𝛽̂2

𝜎̂𝑢 = 𝜎̂

a) RESOLUCIÓN
Las varianzas están dadas como:
𝑉𝑎𝑟(𝛽̂0 ) = (𝜎̂𝛽̂0 )2 = (0,182356)2 = 0,03325
𝑉𝑎𝑟(𝛽̂1 ) = (𝜎̂𝛽̂1 )2 = (0,154812)2 = 0,02397
𝑉𝑎𝑟(𝛽̂2 ) = (𝜎̂𝛽̂2 )2 = (0,151253)2 = 0,02288
Solución:
𝑉𝑎𝑟(𝛽̂0 ) = 0,03325
𝑉𝑎𝑟(𝛽̂1 ) = 0,02397
𝑉𝑎𝑟(𝛽̂2 ) = 0,02288

b) RESOLUCIÓN
̂𝟐:
El estimador de la varianza poblacional 𝝈

𝜎̂ 2 = (𝜎̂ )2 (0,282293)2 = 0,07969

Solución:
𝜎̂ 2 = 0,07969

DOCENTE: JOSÉ F. CHAMBI M.

ECONOMETRÍA - T05 11

5.5. PRUEBAS DE HIPÓTESIS GLOBAL E INDIVIDUAL

El p-valor, del inglés, p-value, es el nivel de significación mínimo no arbitrario con el que
podemos rechazar la hipótesis nula (H0) dada una función de distribución y un estadístico
de contraste1.

En otras palabras, el p-valor, es la probabilidad mínima definida por la distribución con la

que podemos rechazar la hipótesis nula (H0) sin necesidad de definir a priori el nivel de
significación para el contraste.

5.5.1. PRUEBA DE HIPÓTESIS GLOBAL

DEFINICIÓN DE LA HIPÓTESIS
Definir las hipótesis.

𝐻0 : ∀𝛽𝑘 = 0 El modelo no es globalmente significativo

𝐻1 : ∀𝛽𝑘 ≠ 0 El modelo es globalmente significativo
k = 1, 2, ….

NIVEL DE SIGNIFICANCIA
Definir un nivel de significancia.
Nivel de significancia: ∝= 0,01
Nivel de significancia: ∝= 0,05
Nivel de significancia: ∝= 0,10

ESTADÍSTICO A PRUEBA
Para calcular el p-valor de la prueba de hipótesis global se utilizará el software Eviews.
𝑝 − 𝑣𝑎𝑙𝑜𝑟 = 𝑃𝑟𝑜𝑏(𝐹 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐)
REGLA DE DECISIÓN
Se refiere a la regla de decisión:
𝒑 − 𝒗𝒂𝒍𝒐𝒓 ≤ 𝜶 Se rechaza la Hipótesis nula (H0)
𝒑 − 𝒗𝒂𝒍𝒐𝒓 > 𝜶 No se rechaza la Hipótesis nula (H0)

5.5.2. PRUEBA DE HIPÓTESIS INDIVIDUAL

DEFINICIÓN DE LA HIPÓTESIS

1 Valor-p extraído de https://economipedia.com/definiciones/valor-p.html

DOCENTE: JOSÉ F. CHAMBI M.
ECONOMETRÍA - T05 12

Definir las hipótesis.

𝐻0 : 𝛽𝑘 = 0 El coeficiente estimado no es significativo para el modelo

𝐻1 : 𝛽𝑘 ≠ 0 El coeficiente estimado si es significativo para el modelo
k = 1, 2, ….

NIVEL DE SIGNIFICANCIA
Definir un nivel de significancia.
Nivel de significancia: ∝= 0,01
Nivel de significancia: ∝= 0,05
Nivel de significancia: ∝= 0,10

ESTADÍSTICO A PRUEBA
Para calcular el p-valor de la prueba de hipótesis individual se utilizará el software Eviews.
𝑝 − 𝑣𝑎𝑙𝑜𝑟 = [𝛽̂𝑘 ] 𝑃𝑟𝑜𝑏(𝑡 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐)

REGLA DE DECISIÓN
Se refiere a la regla de decisión:
𝒑 − 𝒗𝒂𝒍𝒐𝒓 ≤ 𝜶 Se rechaza la Hipótesis nula (H0)
𝒑 − 𝒗𝒂𝒍𝒐𝒓 > 𝜶 No se rechaza la Hipótesis nula (H0)

DOCENTE: JOSÉ F. CHAMBI M.

ECONOMETRÍA - T05 13

5.5.3. EJERCICIO DE APLICACIÓN 3

Del EJERCICIO DE APLICACIÓN 1, donde ingreso y gasto (gastos de alimentación) están

expresados en miles de dólares y el modelo está definido como:

𝑌𝑖 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝜇𝑖
𝐺𝑎𝑠𝑡𝑜𝑠 = 𝛽0 + 𝛽1 (𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠) + 𝛽2 (ℎ𝑖𝑗𝑜𝑠) + 𝜇𝑖
a) Realizar calcular la prueba global aplicando el software Eviews.
b) Realizar calcular la prueba individual aplicando el software Eviews.

Comando para el Eviews

Coeficientes de p-valor de la prueba de

los estimadores hipótesis individual

[𝛽̂0 ] 𝑃𝑟𝑜𝑏(𝑡 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐)

𝛽̂0 =
𝛽̂1 = [𝛽̂1 ] 𝑃𝑟𝑜𝑏(𝑡 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐)

𝛽̂2 = [𝛽̂2 ] 𝑃𝑟𝑜𝑏(𝑡 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐)

p-valor de la prueba
de hipótesis global

a) RESOLUCIÓN

DEFINICIÓN DE LA HIPÓTESIS
𝐻0 : 𝛽1 = 𝛽2 = 0 El modelo no es globalmente significativo
𝐻1 : 𝛽1 ≠ 𝛽2 ≠ 0 El modelo es globalmente significativo

NIVEL DE SIGNIFICANCIA
Nivel de significancia: ∝= 0,05

ESTADÍSTICO A PRUEBA
𝑝 − 𝑣𝑎𝑙𝑜𝑟 = 𝑃𝑟𝑜𝑏 (𝐹 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐) = 0,000022

DOCENTE: JOSÉ F. CHAMBI M.

ECONOMETRÍA - T05 14

REGLA DE DECISIÓN
𝑝 − 𝑣𝑎𝑙𝑜𝑟 ≤ 𝛼
0,000022 ≤ 0,05
Entonces, se rechaza la Hipótesis nula (H0); el modelo es globalmente significativo

b) RESOLUCIÓN

DEFINICIÓN DE LA HIPÓTESIS PARA 𝜷𝟏

𝐻0 : 𝛽1 = 0 El coeficiente estimado no es significativo para el modelo
𝐻1 : 𝛽1 ≠ 0 El coeficiente estimado si es significativo para el modelo

NIVEL DE SIGNIFICANCIA
Nivel de significancia: ∝= 0,05

ESTADÍSTICO A PRUEBA
𝑝 − 𝑣𝑎𝑙𝑜𝑟 = [𝛽̂1 ] 𝑃𝑟𝑜𝑏 (𝑡 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐) = 0,0015

REGLA DE DECISIÓN
𝑝 − 𝑣𝑎𝑙𝑜𝑟 ≤ 𝛼
0,0015 ≤ 0,05
Entonces, se rechaza la Hipótesis nula (H0); el coeficiente estimado si es significativo
para el modelo.

DEFINICIÓN DE LA HIPÓTESIS PARA 𝜷𝟐

𝐻0 : 𝛽2 = 0 El coeficiente estimado no es significativo para el modelo
𝐻1 : 𝛽2 ≠ 0 El coeficiente estimado si es significativo para el modelo

NIVEL DE SIGNIFICANCIA
Nivel de significancia: ∝= 0,05

ESTADÍSTICO A PRUEBA
𝑝 − 𝑣𝑎𝑙𝑜𝑟 = [𝛽̂2 ] 𝑃𝑟𝑜𝑏 (𝑡 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐) = 0,7841

REGLA DE DECISIÓN
𝑝 − 𝑣𝑎𝑙𝑜𝑟 ≤ 𝛼
0,7841 > 0,05
Entonces, no se rechaza la Hipótesis nula (H0); el coeficiente estimado no es
significativo para el modelo.

DOCENTE: JOSÉ F. CHAMBI M.

ECONOMETRÍA - T05 15

5.6. FORMAS FUNCIONALES LINEALES DE LOS MODELOS ECONOMÉTRICOS

Si se tiene un modelo:
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝜇𝑖
Ejemplo:
𝑌𝑖 = 𝐺𝑎𝑠𝑡𝑜𝑠 𝑓𝑎𝑚𝑖𝑙𝑖𝑎𝑟𝑒𝑠 𝑑𝑒 𝑎𝑙𝑖𝑚𝑒𝑛𝑡𝑎𝑐𝑖ó𝑛(𝐵𝑠. )
𝑋𝑖 = 𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑓𝑎𝑚𝑖𝑙𝑖𝑎𝑟𝑒𝑠 (𝐵𝑠. )
Familia Y X
1 3500 5000
2 1800 2000
3 3000 4500
4 1000 6000
5 5500 7000
6 4000 5500
7 3000 6500
8 500 2000
9 5000 7500
10 6500 8000
5.6.1. Modelo LIN – LIN
El modelo LIN – LIN se puede especificar de la siguiente manera:
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝜇𝑖
Donde el coeficiente 𝛽1 es igual a:
𝑑𝑌𝑖
𝛽1 =
𝑑𝑋𝑖
Interpretación de 𝛽1 :
“Ante un incremento de 1 unidad de 𝑋𝑖 ; 𝑌𝑖 se incrementa en promedio en 𝛽1 unidades”

APLICACIÓN CON EVIEWS

Comando: LS Y C X

DOCENTE: JOSÉ F. CHAMBI M.

ECONOMETRÍA - T05 16

Modelo matemático:
𝑌𝑖 = −537,0558 + 0,725381𝑋𝑖 + 𝑒𝑖
̂
Interpretación 𝜷𝟏 :
“Ante un incremento de 1 Bs. en el ingreso familiar; los gastos familiares de alimentación
se incrementan en promedio en 0,725381 Bs.”

5.6.2. Modelo LOG – LOG

El modelo LOG – LOG se puede especificar de la siguiente manera:
𝑙𝑛(𝑌𝑖 ) = 𝛽0 + 𝛽1 𝑙𝑛(𝑋𝑖 ) + 𝜇𝑖
Donde el coeficiente 𝛽1 es igual a:
𝑑 𝑙𝑛(𝑌𝑖 )
𝛽1 =
𝑑𝑙𝑛(𝑋𝑖 )
Interpretación de 𝛽1 :
“Ante un incremento de 1% de 𝑋𝑖 ; 𝑌𝑖 se incrementa en promedio en 𝛽1 [%]”

APLICACIÓN CON EVIEWS

Comando: LS LOG(Y) C LOG(X)

Modelo matemático:
𝑙𝑛(𝑌𝑖 ) = −2,061069 + 1,172019𝑙𝑛(𝑋𝑖 ) + 𝑒𝑖
̂
Interpretación 𝜷𝟏 :
“Ante un incremento de 1% en el ingreso familiar; los gastos familiares de alimentación se
incrementan en promedio en 1,72019%”

5.6.3. Modelo LIN – LOG

El modelo LIN – LOG se puede especificar de la siguiente manera:
𝑌𝑖 = 𝛽0 + 𝛽1 𝑙𝑛(𝑋𝑖 ) + 𝜇𝑖
Donde el coeficiente 𝛽1 es igual a:
DOCENTE: JOSÉ F. CHAMBI M.
ECONOMETRÍA - T05 17
𝑑𝑌𝑖
𝛽1 =
𝑑𝑙𝑛(𝑋𝑖 )
Interpretación de 𝛽1 :
“Ante un incremento de 1% de 𝑋𝑖 ; 𝑌𝑖 se incrementa en promedio en (𝛽1 ∗ 0,01) unidades”

APLICACIÓN CON EVIEWS

Comando: LS Y C LOG(X)

Modelo matemático:
𝑌𝑖 = −20632,75 + 2825,498𝑙𝑛(𝑋𝑖 ) + 𝑒𝑖
̂ 𝟏:
Interpretación 𝜷
“Ante un incremento de 1% en el ingreso familiar; los gastos familiares de alimentación se
incrementan en promedio en (2825,498 ∗ 0,01 = 28,25498) 28,25498 Bs.”

5.6.4. Modelo LOG – LIN

El modelo LOG - LIN se puede especificar de la siguiente manera:
𝑙𝑛(𝑌𝑖 ) = 𝛽0 + 𝛽1 𝑋𝑖 + 𝜇𝑖
Donde el coeficiente 𝛽1 es igual a:
𝑑𝑙𝑛(𝑌𝑖 )
𝛽1 =
𝑑𝑋𝑖
Interpretación de 𝛽1 :
“Ante un incremento de 1 unidad de 𝑋𝑖 ; 𝑌𝑖 se incrementa en promedio en (𝛽1 ∗ 100)[%].”

DOCENTE: JOSÉ F. CHAMBI M.

ECONOMETRÍA - T05 18

APLICACIÓN CON EVIEWS

Comando: LS LOG(Y) C X

Modelo matemático:
𝑙𝑛(𝑌𝑖 ) = −20632,75 + 0,000284𝑋𝑖 + 𝑒𝑖
̂
Interpretación 𝜷𝟏 :
“Ante un incremento de 1 Bs. en el ingreso familiar; los gastos familiares de alimentación
se incrementan en promedio en (0,000284 ∗ 100 = 0,0284) 0,0284%”

DOCENTE: JOSÉ F. CHAMBI M.

ECONOMETRÍA - T05 19

5.7. ANÁLISIS DE CASO

5.7.1. ANÁLISIS DE CASO 1

5.7.1.1. Objetivo de la investigación

Identificar las principales variables que inciden en el Saldo de la Balanza Comercial
Bolivia-MERCOSUR en el marco del Acuerdo de Complementación Económica N° 36
excluyendo las exportaciones de gas natural para el periodo 2000-2018”.

5.7.1.2. Especificación del modelo econométrico

Tipo de datos: Datos históricos periodo 2000-2018
Las variables cuantificables que componen la ecuación del modelo son:

Variable Dependiente o Endógena:

SBCSG = Saldo de la Balanza Comercial sin Gas Natural expresado en millones de $us.
Variables Independientes o Exógenas:
ITI = Índice de Términos del Intercambio expresado en Índice (2012 = 100)
CAE = Coeficiente de Apertura Externa expresado en porcentaje (%)
ITCRM = Índice del Tipo de Cambio Real Multilateral expresado en Índice (2005 = 100)
PIB = Producto Interno Bruto expresado en millones de $us (a precios constantes de 1990)
TCN = Tipo de Cambio Nominal expresado en Bs/$sus

Modelo econométrico FRP:

𝑌𝑡 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + 𝛽4 𝑋4 + 𝛽5 𝑋5 + 𝜇𝑡

SBCSG = 𝛽0 + 𝛽1 𝐼𝑇𝐼 + 𝛽2 𝐶𝐴𝐸 + 𝛽3 𝐼𝑇𝐶𝑅𝑀 + 𝛽4 𝑃𝐼𝐵 + 𝛽5 𝑇𝐶𝑁 + 𝜇𝑡

Descripción de la base de datos:

PERIODO AÑO SBCSG ITI CAE ITCRM PIB TCN
1 2000 -459,6 58,05 41,532 103,888 7074,684 6,193
2 2001 -438,5 55,62 37,56 99,734 7193,987 6,617
3 2002 -467,4 55,89 40,506 69,966 7372,785 7,18
4 2003 -344,3 59,32 41,629 79,818 7572,468 7,669
5 2004 -353,7 68,65 47,672 85,608 7888,608 7,946
6 2005 -509,2 66,65 56,314 100 8237,342 8,087
7 2006 -631 75,02 62,1 105,927 8632,595 8,06
8 2007 -934,9 83,55 64,195 107,171 9026,582 7,895
9 2008 -1308 88,1 72,43 96,436 9581,646 7,288
10 2009 -1325,2 84,73 57,626 84,042 9903,165 7,07
11 2010 -1573,6 89,03 63,981 91,924 10312,025 7,068
12 2011 -2447,4 105,13 71,089 89,988 10848,418 6,987
13 2012 -2517,6 100 75,439 80,916 11404,114 6,96
14 2013 -2124 89,36 71,465 72,642 12179,43 6,96
15 2014 -2398,6 84,67 71,331 63,309 12844,304 6,96
16 2015 -2643,9 63,38 56,455 55,247 13468,354 6,96
17 2016 -2317 53,54 46,28 52,598 14042,405 6,96
18 2017 -2646,4 60,17 46,956 58,138 14631,646 6,96
19 2018 -2687,2 59,99 47,093 49,949 15249,684 6,96

DOCENTE: JOSÉ F. CHAMBI M.

ECONOMETRÍA - T05 20

5.7.1.3. Estimación del modelo

Comando para el modelo:

Salida del modelo:

Modelo econométrico FRM:

𝑌𝑡 = 𝛽̂0 + 𝛽̂1 𝑋1 + 𝛽̂2 𝑋2 + 𝛽̂3 𝑋3 + 𝛽̂4 𝑋4 + 𝛽̂5 𝑋5 + 𝑒𝑡

SBCSG = 𝛽̂0 + 𝛽̂1 𝐼𝑇𝐼 + 𝛽̂2 𝐶𝐴𝐸 + 𝛽̂3 𝐼𝑇𝐶𝑅𝑀 + 𝛽̂4 𝑃𝐼𝐵 + 𝛽̂5 𝑇𝐶𝑁 + 𝑒𝑡

SBCSG = −51,44804 + −16,70429𝐼𝑇𝐼 + −1,117944𝐶𝐴𝐸 + 5,322532𝐼𝑇𝐶𝑅𝑀

+ −0,271083𝑃𝐼𝐵 + 312,4862𝑇𝐶𝑁 + 𝑒𝑡

DOCENTE: JOSÉ F. CHAMBI M.

ECONOMETRÍA - T05 21

5.7.2. ANÁLISIS DE CASO 2

5.7.2.1. Objetivo de la investigación

Determinar la incidencia de la inversión pública central, departamental y municipal en el
Crecimiento Económico del Departamento de Oruro periodo 2008 – 2018, con el propósito
de señalar lineamientos estratégicos que orienten la Inversión.

5.7.2.2. Especificación del modelo econométrico

Tipo de datos: Datos históricos periodo 2008 – 2018

Las variables cuantificables que componen la ecuación del modelo son:

Variable Dependiente o Endógena:
PIB= Producto Interno Bruto
Variables Independientes o Exógenas:
IPC= Inversión Pública Gobierno Central
IPD= Inversión Pública Gobierno Departamental
IPM= Inversión Pública Total Gobierno Municipales

Modelo econométrico FRP:

𝑌𝑡 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + 𝜇𝑡

PIB = 𝛽0 + 𝛽1 𝐼𝑃𝐶 + 𝛽2 𝐼𝑃𝐷 + 𝛽3 𝐼𝑃𝑀 + 𝜇𝑡

Descripción de la base de datos:

AÑO PIB IPC IPD IPM
2008 1.675.976,00 737.760.006,90 181.839.032,08 241.573,00
2009 1.772.248,00 751.680.006,89 194.181.776,40 960.000,00
2010 1.818.387,00 563.760.000,56 206.524.520,74 156.917.630,00
2011 1.888.675,00 1.044.000.004,80 218.867.265,06 152.599.643,00
2012 1.853.142,00 1.294.560.000,70 231.210.009,40 306.518.332,00
2013 1.935.395,00 1.489.440.002,92 217.125.826,08 350.264.462,00
2014 1.985.228,00 2.839.680.001,67 308.376.711,32 500.263.230,00
2015 1.985.351,00 2.345.520.001,18 231.426.066,43 486.803.926,00
2016 2.011.750,00 1.510.320.005,64 179.041.966,30 408.097.591,00
2017 2.142.831,00 2.282.184.005,72 158.365.755,25 427.644.565,00
2018 2.175.627,00 2.410.944.005,72 205.148.668,98 295.816.690,00

DOCENTE: JOSÉ F. CHAMBI M.

ECONOMETRÍA - T05 22

5.7.2.3. Estimación del modelo

Comando para el modelo:

Salida del modelo:

Modelo econométrico FRM:

𝑌𝑡 = 𝛽̂0 + 𝛽̂1 𝑋1 + 𝛽̂2 𝑋2 + 𝛽̂3 𝑋3 + 𝛽̂4 𝑋4 + 𝑒𝑡

PIB = 𝛽̂0 + 𝛽̂1 𝐼𝑃𝐶 + 𝛽̂2 𝐼𝑃𝐷 + 𝛽̂3 𝐼𝑃𝑀 + 𝑒𝑡

PIB = 1987472 + 0,000152𝐼𝑃𝐶 − 0,001660𝐼𝑃𝐷 + 0,000205𝐼𝑃𝑀 + 𝑒𝑡

DOCENTE: JOSÉ F. CHAMBI M.