Escolar Documentos
Profissional Documentos
Cultura Documentos
del Valle
Facultad de Ciencias Sociales y Económicas
Programa Académico Economía
Econometría I (2017_02)
Taller N° 2 (Preparación Parcial N° 2)
En este taller se proponen algunas preguntas, basadas en algunos de los temas que se vieron en
la segunda parte del curso de Econometría I. El hecho de que no se consulte aquí por uno de los
temas vistos en clase, no lo exonera de poder ser preguntado en el parcial.
1
§ Modelo a través del origen.
14. Para los anteriores modelos, deduzca y construya la matriz 𝑉𝑎𝑟 – 𝐶𝑜𝑣 (𝛽).
15. Para el caso en el que el supuesto de perturbaciones esféricas no se cumple, explique,
incluso analíticamente, cómo puede corregirse este problema.
16. Explique en qué consisten las siguientes pruebas:
a. Breusch – Pagan
b. White
c. Goldfeld – Quant
d. Durbin – Watson
e. Breusch – Godfrey
f. Box – Pierce
17. Explique, para el caso de la serie de residuales, qué es un proceso:
a. Autorregresivo
b. Medias Móviles
c. ARMA
d. Gráficamente, ¿cómo se detectan las anteriores estructuras?
18. Para cada una de las siguientes salidas:
§ Escriba el modelo econométrico estimado.
§ Ofrezca una breve descripción teórica de la relación estimada.
§ Interprete los resultados: coeficientes, significancia estadística de los estimadores y
ajuste del modelo.
§ Explique la validez de los resultados interpretados.
Las variables son: crímenes violentos por cada 100 mil habitantes (crime), porcentaje de la
población que vive en las áreas metropolitanas (pctmetro), porcentaje de la población que es
blanca (pctwhite), porcentaje de la población con educación secundaria o más (pcths), porcentaje
de población que vive bajo la línea de pobreza (poverty) y porcentaje de la población que vive
solo (single).
Modelo 1
------------------------------------------------------------------------------
crime | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
pctmetro | 7.828935 1.254699 6.24 0.000 5.304806 10.35306
poverty | 17.68024 6.94093 2.55 0.014 3.716893 31.6436
single | 132.4081 15.50322 8.54 0.000 101.2196 163.5965
_cons | -1666.436 147.852 -11.27 0.000 -1963.876 -1368.996
------------------------------------------------------------------------------
2
Kernel density estimate
1.00
.0005 .001 .0015 .002 .0025
0.75
Normal F[(r1-m)/s]
Density
0.50
0.25
0
0.00
Kernel density estimate
Normal density
0.00 0.25 0.50 0.75 1.00
kernel = epanechnikov, bandwidth = 64.7519 Empirical P[i] = i/(N+1)
400
400
200
200
Residuals
Residuals
0
0
-200
-200
-400
-400
-600
-600
---------------------------------------------------
Source | chi2 df p
---------------------+-----------------------------
Heteroskedasticity | 26.80 9 0.0015
Skewness | 8.48 3 0.0370
Kurtosis | 1.21 1 0.2716
---------------------+-----------------------------
Total | 36.49 13 0.0005
---------------------------------------------------
chi2(1) = 12.86
Prob > chi2 = 0.0003
3
. linktest
------------------------------------------------------------------------------
crime | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_hat | .6251487 .128866 4.85 0.000 .3660463 .8842511
_hatsq | .0001881 .000058 3.24 0.002 .0000715 .0003046
_cons | 128.9669 57.66857 2.24 0.030 13.0165 244.9174
------------------------------------------------------------------------------
Modelo 2
Source | SS df MS Number of obs = 51
-------------+------------------------------ F( 2, 48) = 34.72
Model | 5752498.67 2 2876249.34 Prob > F = 0.0000
Residual | 3975976.07 48 82832.8349 R-squared = 0.5913
-------------+------------------------------ Adj R-squared = 0.5743
Total | 9728474.75 50 194569.495 Root MSE = 287.81
------------------------------------------------------------------------------
crime | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
pctmetro | 11.59141 1.857111 6.24 0.000 7.857438 15.32538
poverty | 52.38643 8.895002 5.89 0.000 34.50183 70.27103
_cons | -915.2731 187.8704 -4.87 0.000 -1293.012 -537.5345
------------------------------------------------------------------------------
1.00
0.75
.0015
Normal F[(r2-m)/s]
Density
.001
0.50
.0005
0.25
0
4
1500
1500
1000
1000
Residuals
Residuals
500
500
0
0
-500
-500
-500 0 500 0 500 1000 1500 2000
Inverse Normal Fitted values
---------------------------------------------------
Source | chi2 df p
---------------------+-----------------------------
Heteroskedasticity | 31.05 5 0.0000
Skewness | 11.41 2 0.0033
Kurtosis | 1.28 1 0.2577
---------------------+-----------------------------
Total | 43.75 8 0.0000
---------------------------------------------------
chi2(1) = 33.01
Prob > chi2 = 0.0000
. linktest
------------------------------------------------------------------------------
crime | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_hat | -.2816666 .2513868 -1.12 0.268 -.7871137 .2237804
_hatsq | .0009772 .0001778 5.50 0.000 .0006198 .0013347
_cons | 308.2067 86.36478 3.57 0.001 134.5586 481.8547
------------------------------------------------------------------------------
5
Ramsey RESET test using powers of the fitted values of crime
Ho: model has no omitted variables
F(3, 45) = 17.55
Prob > F = 0.0000
Modelo 3
------------------------------------------------------------------------------
logcrime | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
pctmetro | .0176736 .0025383 6.96 0.000 .0125672 .02278
poverty | .0377406 .0140418 2.69 0.010 .0094921 .0659891
single | .1254237 .0313637 4.00 0.000 .0623281 .1885193
_cons | 3.053792 .2991109 10.21 0.000 2.452059 3.655526
------------------------------------------------------------------------------
0.75
Normal F[(r3-m)/s]
Density
.5
0.50
0.25
0
-1 -.5 0 .5 1
Residuals
0.00
6
1
1
.5
.5
Residuals
Residuals
0
0
-.5
-.5
-1
-1
-1 -.5 0 .5 1 5 6 7 8 9
Inverse Normal Fitted values
---------------------------------------------------
Source | chi2 df p
---------------------+-----------------------------
Heteroskedasticity | 23.17 9 0.0058
Skewness | 4.30 3 0.2313
Kurtosis | 2.22 1 0.1361
---------------------+-----------------------------
Total | 29.68 13 0.0052
---------------------------------------------------
chi2(1) = 1.87
Prob > chi2 = 0.1712
------------------------------------------------------------------------------
logcrime | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_hat | 3.159849 .8548647 3.70 0.001 1.441028 4.878669
_hatsq | -.1660976 .0654371 -2.54 0.014 -.2976677 -.0345274
_cons | -6.95005 2.785495 -2.50 0.016 -12.55066 -1.349436
------------------------------------------------------------------------------
7
Ramsey RESET test using powers of the fitted values of logcrime
Ho: model has no omitted variables
F(3, 44) = 3.20
Prob > F = 0.0325
19. Escoja cuál modelo es el mejor, según la siguiente información. Explique el por qué de su
elección.
. estimates table Modelo1 Modelo2 Modelo3, stats(N ll r2_a aic bic) star(.05 .01 .001)
--------------------------------------------------------------
Variable | Modelo1 Modelo2 Modelo3
-------------+------------------------------------------------
pctmetro | 7.8289349*** 11.591411*** .01767358***
poverty | 17.680244* 52.386428*** .03774059**
single | 132.40805*** .12542373***
_cons | -1666.4359*** -915.27314*** 3.0537923***
-------------+------------------------------------------------
N | 51 51 51
ll | -335.70652 -359.59672 -19.345746
r2_a | .82962992 .57427635 .7143162
aic | 679.41303 725.19345 46.691491
bic | 687.14034 730.98892 54.418794
--------------------------------------------------------------
legend: * p<.05; ** p<.01; *** p<.001
Las variables son: años desde 1920 a 1941 (yr), consumo anual en millones de dólares (consump),
inversión anual en millones de dólares (investment), gasto gubernamental anual en millones de
dólares (govt).
------------------------------------------------------------------------------
consump | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
invest | .8090358 .3008994 2.69 0.015 .1792461 1.438825
govt | 2.054679 .4398081 4.67 0.000 1.13415 2.975208
_cons | 42.64354 2.317636 18.40 0.000 37.79267 47.49441
------------------------------------------------------------------------------
8
10
Kernel density estimate
.08
5
.06
Density
Residuals
.04
0
.02
-5
0
-10 -5 0 5 10
Residuals
-10
Normal density
40 50 60 70 80
kernel = epanechnikov, bandwidth = 2.0476 Fitted values
1.00
0.50
Autocorrelations of rcosump
0.00
-0.50
-1.00
0 5 10 15
Lag
Bartlett's formula for MA(q) 95% confidence bands
9
Durbin-Watson d-statistic( 3, 22) = .4281544
. wntestq rcosump
21. Usted ha sido contratado por el Ministerio del Trabajo para realizar un análisis sobre el
comportamiento de los salarios que perciben los colombianos.
a. Discuta los problemas de información – piense en un escenario real – que puede enfrentar
en esta misión (¡¡si decide aceptarla!!). Máximo: 10 renglones.
b. Plantee un modelo para explicar el comportamiento del ingreso laboral en función de, al
menos, cuatro (4) variables de las que se encuentran en la base de datos, explicando por
qué la inclusión de cada una. Máximo: 10 renglones.
c. Explique bajo qué condiciones, su modelo puede ser estimado y totalmente válido, a la
hora de interpretar los resultados. Máximo: 20 renglones.
d. Interprete dos de los coeficientes del modelo que propone, explicando el valor que se
espera arrojé en la estimación.
10
c. Calcule e interprete los intervalos de confianza para dos de los coeficientes calculados,
con un nivel de confianza del 5%. Utilice todos los decimales.
d. Determine y explique cuál es el mejor modelo.
23. Dada la forma matricial del modelo de regresión lineal 𝑌 = 𝑋𝛽 + 𝑈 donde suponemos que
𝐸 𝑈 = 0 y 𝐸 𝑈𝑈′ = 𝜎 # Ω siendo
𝜆$ 0 … 0
0 𝜆# … 0
Ω=
⋮ ⋮ ⋱ 0
0 0 0 𝜆$
Para el caso del modelo a través del origen y en cada una de las siguientes situaciones, calcule el
estimador de Mínimos Cuadrados Generalizados, su varianza y muestre que a través de este método,
se corrige el problema de perturbaciones no esféricas.
a. (0.5) 𝜆. = 𝑋.
b. (0.5) 𝜆. = 𝑋.#
24. Con la siguiente expresión se puede estimar el nivel de producto alcanzado, en algún periodo,
dada la combinación de capital, 𝐾, y trabajo, 𝐿.
M M
𝑌K = 𝛼𝐿K N 𝐾K O ℮QR con 0 < 𝛽# + 𝛽0 < 1 y 𝑈~𝑁𝐼𝐷 0, 𝜎 # [2]
Usted, como investigador, haciendo uso de la expresión [2], ha obtenido las siguientes
estimaciones mínimo cuadráticas para, incluyendo el estadístico de Durbin – Watson, 𝐷𝑊, y
para un 𝑡 = 1,2,3, … , 20.
𝑒𝑒 𝛽# = 0.12 𝑒𝑒 𝛽0 = 0.10
𝐷𝑊 = 1.02 𝑅# = 0.98
11
A partir de los resultados anteriores:
25. (0.5) Demuestre, a través de un estadístico t – student, la importancia de que al Modelo Clásico
de Regresión Lineal se le adicione el supuesto de normalidad de las perturbaciones.
Modelo 2:
----------------------------------------------
Variable | Modelo1 Modelo2
-------------+--------------------------------
mpg | -86.789284
weight | 4.3647979***
length | -104.86817*
lmpg | -.6912728*
lweight | .61270746
llength | -1.041306
_cons | 14542.434* 11.287797**
-------------+--------------------------------
N | 74 74
r2_a | .32983543 .28633484
aic | 1366.7032 50.366416
bic | 1375.9195 59.582676
----------------------------------------------
legend: * p<.05; ** p<.01; *** p<.001
12
Pruebas para el Modelo 2
1.00
Kernel density estimate
.0002
.0001 .00015
0.75
Normal F[(rmodelo1-m)/s]
Density
0.50
.00005
0.25
0
0.00
Kernel density estimate
Normal density
0.00 0.25 0.50 0.75 1.00
kernel = epanechnikov, bandwidth = 864.9203 Empirical P[i] = i/(N+1)
chi2(1) = 16.21
Prob > chi2 = 0.0001
a. (0.3) Si la longitud del vehículo aumenta en una unidad, el precio del mismo
disminuirá en:
a.1 104.1%
a.2 4.1%
a.3 0.04%
13
e. (0.3) Para los residuales del Modelo 2 ________________________ el supuesto de
perturbaciones esféricas.
14