UNIVERSIDAD TÉCNICA PARTICULAR DE LOJA

ECONOMETRÍA I

Nombre: Dayanara Noelly Solano Carpio

Fecha: 11 de junio de 2018

Capítulo 6. Extensiones del modelo de regresión lineal con dos variables

Ejercicio 6.2. Con base en datos mensuales de enero de 1978 a diciembre de 1987 se
obtuvieron los siguientes resultados de regresión:
Primer modelo
Yˆt = 0.00681 + 0.75815Xt
ee = (0.02596) (0.27009)
t = (0.26229) (2.80700)
valor p = (0.7984) (0.0186) r2 = 0.4406
Segundo modelo
Yˆt = 0.76214Xt
ee = (0.265799)
t = (2.95408)
valor p = (0.0131) r2 = 0.43684
Donde Y = tasa mensual de rendimiento de las acciones comunes de Texaco, %, y X = tasa
mensual de rendimiento del mercado, %.

a) ¿Cuál es la diferencia entre los dos modelos de regresión?

El primer modelo tiene dos parámetros estimados, es decir el intercepto B 1 y el
coeficiente de regresión B2, ambos parámetros estimados, a diferencia del segundo
modelo donde se muestra que el intercepto es cero, esto implica que está ordenado a
través del origen y se presenta solo B2.

b) Con los resultados anteriores, ¿conservaría el término del intercepto en el primer

modelo? ¿Por qué?
Sí, porque es ideal que el modelo de regresión lineal tenga B 1 y B2 para que no se
presente un intercepto igual a cero y así se pueda obtener un mejor análisis de regresión.

c) ¿Cómo interpretaría los coeficientes de la pendiente en los dos modelos?

 El primer modelo tiene un coeficiente B 2 de 0.75815Xt en la pendiente, es
estadísticamente significativo y se lo interpreta como que un aumento de un punto
porcentual en la tasa de rendimiento del mercado provocará también un incremento de
la tasa mensual de rendimiento de las acciones comunes de Texaco en 0.75815 puntos
porcentuales.
En el caso del segundo modelo se tiene un B 2 de 0.76214Xt que basándonos en los
valores de probabilidad t y el valor p es estadísticamente significativo. Su interpretación
es que si la tasa mensual de rendimiento de mercado aumenta en un punto porcentual, la
tasa de rendimiento de las acciones comunes de Texaco aumentará también en 0.76214

d) ¿Cuál es la teoría en los dos modelos?

Este modelo representa la línea característica de la teoría de inversión. El modelo
relaciona la rentabilidad mensual en el stock de Texaco con el retorno mensual del
mercado, representado por un índice de mercado externo.

e) ¿Puede comparar los términos r 2 de los dos modelos? ¿Por qué?

Sí, ambos modelos presentan términos distintos pero un resultado igual, ya que sus
coeficientes de determinación se aproximan a cero, por lo tanto sus ecuaciones de
regresión no son muy confiables.

f) El estadístico de normalidad de Jarque-Bera para el primer modelo en este

problema es 1.1167 y para el segundo modelo es 1.1170. ¿Qué conclusiones puede
obtener de estos estadísticos?
El estadístico de Jarque-Bera determina que los valores deben ser muy cercanos a 0
para tener evidencia de que los errores se ajustan a una normal distribución, si esto no
es así la distribución de los parámetros y la varianza de los errores no tendrán
distribuciones adecuadas para la inferencia estadística. Sólo serán válidas de manera
asintótica de acuerdo al Teorema Central del Límite.
Se concluye de acuerdo al test Jarque-Bera que los modelos persiguen una distribución
normal, ya que están por debajo del valor crítico 5.99.

g) El valor t del coeficiente de la pendiente en el modelo con intercepto cero es

aproximadamente 2.95, mientras que con el intercepto presente tiene un valor
aproximado de 2.81. ¿Puede explicar este resultado?
Los resultados se obtuvieron mediante la división del coeficiente de regresión B 2, sobre
sus errores estándar respectivos, son valores “t” estimados calculados según la hipótesis
 nula de que el verdadero valor poblacional de cada coeficiente de regresión individual
es cero.
Los cálculos respectivos fueron:
0.75815
Para modelo 1 : =2.81
0,27009
0.76214
Para modelo 2 : =2.85
0.265799

Ejercicio 6.3. Considere el siguiente modelo de regresión:

1
Yi
= β1 + β 2
1
Xi ( )
+ui

Nota: Ni X ni Y asumen el valor cero.

a. ¿Es un modelo de regresión lineal?
Es un modelo no lineal en las variables X y Y porque están en su forma inversa, sin
embargo, dado que el modelo es lineal en los parámetros B 1 y B2, es un modelo de
regresión lineal.

b. ¿Cómo estimaría este modelo?

1 1
Definidos Y = y X = se hace una regresión de MCO de Y sobre X
Y X

c. ¿Cuál es el comportamiento de Y a medida que X tiende a infinito?

A medida que X aumenta indefinidamente, el término β 2 (1/X) se acerca a cero y Y se
aproxima al valor límite o asintótico β1.

d. ¿Puede dar un ejemplo de un caso en el cual sea adecuado un modelo de esta

clase?
Cuando se quiere explicar el bajo impacto que tiene un bien cuando existe una entrada
de ingresos altos.

Ejercicio 6.11. Considere el siguiente modelo:

β 1+ β 2 X i
e
Y i= β +β Xi
1+e 1 2
Tal como se presenta, ¿es un modelo de regresión lineal? Si no es así, ¿qué “truco” podría
utilizar, si acaso, para convertirlo en un modelo de regresión lineal? ¿Cómo interpretaría
el modelo resultante? ¿En qué circunstancias sería adecuado dicho modelo?
No es un modelo de regresión lineal, porque en el segundo miembro los términos se representan
como un cociente y los parámetros son los exponentes de estos.
Se puede aplicar logaritmo natural para transformar este modelo en un modelo de regresión
lineal.
El modelo lo interpretaría de la siguiente forma:

¿ Y i=β 1 + β 2 X i
Este modelo es conocido como log-lineal. Podría ser utilizado para medir la elasticidad entre
dos variables.

Ejercicio 6.15. Para estudiar la relación entre tasa de inversión (el gasto en inversión como
razón del PNB) y la tasa de ahorro (el ahorro como razón del PNB), Martin Feldstein y
Charles Horioka recopilaron datos para una muestra de 21 países. (Véase la tabla 6.8.) La
tasa de inversión de cada país es la tasa promedio correspondiente al periodo 1960-1974, y
la tasa de ahorro es la tasa de ahorro promedio para el periodo 1960-1974. La variable
TASINV representa la tasa de inversión, y la variable TASAHO, la tasa de ahorro.

a) Grafique la tasa de inversión contra la tasa de ahorro.

b) Con base en esta gráfica, ¿considera que los siguientes modelos puedan ajustarse a
los datos igualmente bien?
Tasinvi = β1 + β2 Tasahoi + ui
ln Tasinvi = α1 + α2 ln Tasahoi + ui
 Es bastante probable que ambos modelos puedan ajustarse a los datos visto que son
lineales en los parámetros, pero en especial el primer modelo en el que se puede estimar
una regresión lineal basándonos en las tasas de crecimiento de las variables y
correlacionándolas.

c) Estime estos dos modelos y obtenga las estadísticas habituales.

Modelo lineal (Tasinvi = β1 + β2 Tasahoi + ui)

Source SS df MS Number of obs = 21
F(1, 19) = 149.38
Model .030726967 1 .030726967 Prob > F = 0.0000
Residual .003908175 19 .000205693 R-squared = 0.8872
Adj R-squared = 0.8812
Total .034635143 20 .001731757 Root MSE = .01434

TASINV Coef. Std. Err. t P>|t| [95% Conf. Interval]

TASAHO .8467562 .0692801 12.22 0.000 .7017512 .9917612

_cons .0435195 .0176297 2.47 0.023 .00662 .080419

Modelo semilogarítmico log - lineal (ln Tasinvi = α1 + α2 ln Tasahoi + ui)

Source SS df MS Number of obs = 21
F(1, 19) = 140.79
Model .448303526 1 .448303526 Prob > F = 0.0000
Residual .060501114 19 .003184269 R-squared = 0.8811
Adj R-squared = 0.8748
Total .50880464 20 .025440232 Root MSE = .05643

lgTasinv Coef. Std. Err. t P>|t| [95% Conf. Interval]

lgTasaho .8288074 .069851 11.87 0.000 .6826077 .9750072

_cons -.2159075 .0985839 -2.19 0.041 -.4222461 -.009569

d) ¿Cómo interpretaría el coeficiente de la pendiente en el modelo lineal? ¿Y en el

modelo log-lineal? ¿Hay alguna diferencia en la interpretación de estos
coeficientes?
En el modelo lineal la interpretación del coeficiente de la pendiente sería: por cada 1%
que aumente la Tasa de Ahorro, la Tasa de Inversión aumentará en 0.84%.
En tanto que para el modelo log-lineal que mide más la elasticidad se dice que un
cambio de 1% en la Tasa de Ahorro produce que la Tasa de Inversión aumente en un
0.82%.
 Ya que ambas variables se expresan desde el principio en términos porcentuales no se
puede hacer distinción entre unidades en niveles o unidades porcentuales.

e) ¿Cómo interpretaría los interceptos de los dos modelos? ¿Hay alguna diferencia en
la interpretación?
El intercepto del primer modelo es positivo (0,436); en tanto que el del segundo es
negativo (- 0,215).
La interpretación del intercepto varia en el primer modelo porque se expresa que este es
el punto donde la curva de la regresión cortara al eje y.
En el segundo modelo el valor del intercepto α1 permite calcular el cambio porcentual y
dado un pequeño cambio en x, es decir la pendiente.

f) ¿Compararía los dos coeficientes r2? ¿Por qué?

En este caso sí, porque son modelos convencionales, es decir, no ordenados al origen,
por lo que el cálculo del r2 será del mismo modo para ambos modelos. En el caso del
Modelo Lineal el r2 es mayor (0,8872) que en el Modelo Log-Lineal (0,8811)

g) Suponga que desea calcular la elasticidad de la tasa de inversión respecto de la

tasa de ahorro. ¿Cómo obtendría esta elasticidad para el modelo lineal? ¿Y para el
modelo log-lineal? Tenga en cuenta que esta elasticidad se define como el cambio
porcentual de la tasa de inversión correspondiente a un cambio porcentual en la
tasa de ahorro.
En el Modelo Lineal β2 de Tasahoi = 0,8467 será la pendiente.
Una característica atractiva del modelo log-log, que lo ha hecho muy popular en el
trabajo empírico, es que el coeficiente de la pendiente β2 mide la elasticidad de Y
respecto de X, es decir, el cambio porcentual en Y ante un pequeño cambio porcentual
en X, en este caso será α2 de ln Tasahoi que es 0,8288.

h) Con los resultados de los dos modelos de regresión, ¿qué modelo preferiría? ¿Por
qué?
El modelo de regresión lineal ya que se ajusta de mejor manera a los datos y los
representa en el gráfico de dispersión lo más cercano a la curva de regresión.