Escolar Documentos
Profissional Documentos
Cultura Documentos
TEMA:
ASIGNATURA : ECONOMETRIA II
AÑO : 2016
SIGLO : IX
HUÁNUCO-PERÚ
2016
UNIVERSIDAD NACIONAL HERMILO VALDIZAN
FICHA DE LECTURA
Alumna: Aquino Duran, Judith Celina
En este capítulo el modelo más sencillo posible de regresión lineal múltiple, a saber,
el modelo de regresión con tres variables. Se entiende que el término lineal se
refiere a linealidad en los parámetros y no necesariamente en las variables.
Aunque un modelo de regresión con tres variables es, en muchas formas, una
extensión del modelo con dos variables, hay algunos conceptos nuevos, como
coeficientes de regresión parcial, coeficientes de correlación parcial, coeficiente de
correlación múltiple, R2 ajustada y no ajustada (por grados de libertad),
multicolinealidad y sesgo de especificación.
Viendo el texto leído, el autor realiza buenos temas para aprender la econometría,
porque nos da las formular de cada modelo, me parece muy bien que menciona
esos temas que más adelante a nosotros nos sirva como economistas y podamos
aplicar en la práctica, lo que si puedo agregar que el autos debe profundizar más
temas que a un economista le sirva, en este capítulo nos enseña cada paso para
hallar la varianza, t- Student, media, R2.
UNIVERSIDAD NACIONAL HERMILO VALDIZAN
FICHA DE LECTURA
Alumna: Aquino Duran, Judith Celina
En este capítulo se extendieron y refinaron las ideas sobre estimación por intervalos
y pruebas de hipótesis presentadas en el capítulo 5 en el contexto del modelo de
regresión lineal con dos variables.
La prueba F tiene gran versatilidad, pues con ella se pueden probar diversas
hipótesis, como 1) si un coeficiente de regresión individual es estadísticamente
significativo, 2) si todos los coeficientes de pendiente parciales son cero, 3) si dos o
más coeficientes son estadísticamente iguales, 4) si los coeficientes satisfacen
algunas restricciones lineales y 5) si el modelo de regresión posee estabilidad
estructural.
Como en el caso de dos variables, el modelo de regresión múltiple sirve para fines
de predicción de media y/o individual
Yt = α1 + α2 X 2t + u1t (1)
Yt = λ1 + λ3 X 3t + u2t (2)
Yt = β1 + β2 X2t + β3 X3t + ut (3)
SOLUCIÓN:
𝑛 = 15
SOLUCION
SOLUCION:
(∑ 𝑦 𝑥2 )(∑ 𝑥32 ) − (∑ 𝑦 𝑥3 ) (∑ 𝑥2 𝑥3 )
𝛽2 =
(∑ 𝑥22 )(∑ 𝑥32 ) − (∑ 𝑥2 𝑥3 )2
(∑ 𝑦 𝑥2 ) − (∑ 𝑦 𝑥3 ) (∑ 𝑥2 𝑥3 )/(∑ 𝑥32 )
𝛽2 =
(∑ 𝑥22 ) − (∑ 𝑥2 𝑥3 )2 /(∑ 𝑥32 )
(∑ 𝑦𝑥2 )−(∑ 𝑦𝑥3 ) 𝑏23 (∑ 𝑥2 𝑥3 )
𝛽2 =
(∑ 𝑥22 )−𝑏23 (∑ 𝑥2 𝑥3 )
, Se usa: 𝑏23 = (∑ 𝑥32 )
∑ 𝑦( 𝑥2 − 𝑏23 𝑥3 )
𝛽2 =
∑ 𝑥2 (𝑥2 − 𝑏23 𝑥3 )
Pregunta 7.4. En un modelo de regresión múltiple se le indica que el término
de error Ui tiene la siguiente distribución de probabilidades: Ui ∼ N (0, 4).
¿Cómo llevaría a cabo un experimento Monte Carlo para verificar que la
verdadera varianza es de hecho 4?
SOLUCION
Ya que se nos dice que es Ui ∼ N (0, 4) generar por ejemplo 25
observaciones de una distribución normal con estos parámetros. La
mayoría de los paquetes de computadoras hacen de manera rutinaria. A
partir de estas 25 observaciones, calcular la varianza de la muestra cómo
∑(𝑥1 −𝑥)2
𝑠2 = , donde 𝑋𝐼= el valor observado de la muestra de 25
24
SOLUCION:
2 2 2
Del texto lo que tenemos 𝑅 2 = 𝑟13 + (1 − 𝑟13 )𝑟12.3 ; por lo tanto
2
𝑅 2 −𝑟13
2
𝑟12.3 = 2 :
1−𝑟13
SOLUCION
α1 X1 + α2 X2 + α3 X3 = 0
α1 α3
X1 = (− ) 𝑋2 + (− ) 𝑋3 ; 0
α2 α1
α1 α3
X2 = (− ) 𝑋1 + (− ) 𝑋3 ; 0
α2 α1
α1 α2
X3 = (− ) 𝑋1 + (− ) 𝑋2 ; 0
α3 α3
Por lo tanto el parcial coeficiente de regresión lineal seria como sigue:
α2 α3
𝛽12,3 = − ( ) ; 𝛽13,2 = − ( )
α1 α1
α1 α2
𝛽21,3 = − ( ) ; 𝛽23.1 = − ( )
α2 α3
α1 α2
𝛽31,2 = − ( ) ; 𝛽32.1 = − ( )
α3 α3
Recordando la pregunta 3.6 es la siguiente:
(−α2 )( α1)
𝑟12.3 = √(𝛽12.3)(𝛽21.3) = √
(α1)(α1)
𝑅12.3 = √1 = ±1
a) FALSO
b) VERDADERO
c) VEDADERO
SOLUCION
SOLUCION
𝜕 ln 𝑌 𝜕𝑌/ 𝑌
= = 𝛽2
𝜕 ln 𝑋2 𝜕𝑋2 / 𝑋2
𝜕 ln 𝑌 𝜕𝑌/𝑌
= = 𝛽3
𝜕 ln 𝑋3 𝜕𝑋3 /𝑋3
SOLUCION
SOLUCIÓN:
2 2
𝑟12 + 𝑟13 − 2𝑟12 𝑟13 𝑟3
𝑅2 = 2
1 − 𝑟23
Por lo tanto, cuando 𝑟23 = 0, es decir, hay una correlación entre las
2 2
variables 𝑋2 y 𝑋3 donde 𝑅 2 = 𝑟12 + 𝑟13 , es decir, el coeficiente múltiple
de determinación es la suma de los coeficientes de determinación de la
regresión de Y en 𝑋2 y es ese Y en ese 𝑋3
𝑃
𝑌 = 𝑃𝑖 + 0 + 𝑃𝑖 𝑋2𝑡 + 𝑃𝑖𝑛 + 𝜇2 = + 3𝑃3𝑋 + 𝜇
𝑃𝑋2𝑡
Por lo tanto, los dos modelos son similares. Si, las intercepciones en los
modelos son los mismos.
Yi _ α1 + α2Xi + u1i
Y la función de ahorro
Zi _ β1 + β2Xi + u2i
SOLUCION
∑ 𝒀𝒊 𝑿𝒊 ∑(𝑿𝒊 − 𝒁𝒊)(𝑿𝒊)
∝2= =
∑ 𝒀𝒊 𝑿𝒊 ∑ 𝑿𝒊𝟐
∑ 𝑋𝑖 2 ∑ 𝑍𝑖 𝑋𝑖
= − = 1 − 𝛽2
∑ 𝑋𝑖 2 ∑ 𝑋𝑖 2
SOLUCION
∑(𝑌𝑡−∝ 1−∝ 2𝑋𝑡)2
SOLUCIÓN
SOLUCIÓN:
Considere la siguiente regresión a través del origen:
a).
Elevando al cuadrado
Sumatoria o matrices
𝜕 ∑ 𝜇𝑖 2
= ∑ 2(𝑦𝑖 − 𝛽̂2 𝑋2𝑖 + 𝛽̂3𝑖 𝑋3𝑖 )(−𝑋2𝑖 )
𝜕𝛽2
̂
∑ 𝑋 𝑦 −𝛽 ∑ 𝑋 𝑋
𝛽̂2 = 2𝑖 𝑖∑ 3 2 3𝑖 2𝑖 ; ↔ 𝑋3𝑖 𝑋2 = 0
𝑋2𝑖
∑ 𝑋2𝑖 𝑦𝑖
𝛽̂2 =
∑ 𝑋2𝑖 2
Análogamente
∑ 𝑋3𝐼 𝑦𝑖
Si ∑(𝜇𝑖 )(𝑋3𝑖 ) = 0 , ↔ 𝑋3𝑖 𝑋2𝑖 = 0 → 𝛽̂2 = ∑ 𝑋3𝑖 2
TABLA 7.6
DEMANDA TRIMESTRAL DE
ROSAS EN EL ÁREA METROPOLITANA
DE DETROIT, DE
1971-III A 1975-II
𝜕𝑌 𝑥̅̅̅𝐼
Elasticidad = 𝜕𝑋 ̅
, donde Xi es el regresor relevante.
𝐼 𝑌
Ambos modelos dan resultados similares. Una de las ventajas del modelo
lineal de registro es que los coeficientes de pendiente dan estimaciones
directas de la elasticidad de la variable relevante con respecto a la
regresor en consideración. Pero hay que tener en cuenta que el cuadrado
r de los dos modelos no es directamente comparable.
Dónde:
Año Yt X2 X3 X4 X5
SOLUCIÓN:
Tabla de datos:
T Año Yt x2 x3 x4 x5
1 560,3 0,6 16 0
1 590,5 0,9 16,4 0
1 632,4 1,1 16,7 0
1 684,9 1,4 17 1
1 749,9 1,6 20,2 1
1 793,9 1 23,4 1
1 865 0,8 25,6 1
1 931,4 1,5 24,6 1
1 992,7 1 24,8 1
1 1077,6 1,5 21,7 1
X = 1 1185,9 2,95 21,5 1
1 1326,4 4,8 24,3 0
1 1434,2 10,3 26,8 0
1 1549,2 16 29,5 0
1 1718 14,7 30,4 0
1 1918,3 8,3 33,3 0
1 2163,9 11 38 0
1 2417,8 13 46,2 0
1 2633,1 15,3 57,6 0
1 2937,7 18 68,9 0
20 27163,1000 125,7500 582,9000 8
X'Y = 1677,2
Hallamos:
1677,2
2657079,68
X'Y = 13317,485
56437,61
574,5
Hallamos Y'Y:
Y'Y = 156604,44
β^ = (X'X)-1X'Y
Resultado:
β^ = 19,443464
0,018056
-0,284209
1,343196
6,331823
Modelo:
Obtenemos:
𝑌𝑡 ^ =19.4434635044165+0.0180563400404556X2t-0.2842088498X3t+1.3431964994181X4t+6.33182288971807X5t+ut
Calculamos los residuos:
u^t =Yt-19.4434635044165-0.0180563400404556X2t+0.284208849867881X3t-1.3431964994181X4t-6.33182288971807X5t
u^t = yt - 19,4434635 - 0,01805634 . x2t + 0,28420885 . x3t - 1,343196499 . x4t - 6,33182289 . x5t
u^1 = 51,1 - 19,4434635 - 0,01805634 . 560,3 + 0,28420885 . 0,6 - 1,343196499 . 16 - 6,33182289 . 0 = 0,21895049
u^2 = 52,3 - 19,4434635 - 0,01805634 . 590,5 + 0,28420885 . 0,9 - 1,343196499 . 16,4 - 6,33182289 . 0 = 0,421633076
u^ 3 = 53,6 - 19,4434635 - 0,01805634 . 632,4 + 0,28420885 . 1,1 - 1,343196499 . 16,7 - 6,33182289 . 0 = 0,618955249
u^ 4 = 49,6 - 19,4434635 - 0,01805634 . 684,9 + 0,28420885 . 1,4 - 1,343196499 . 17 - 6,33182289 . 1 = -10,97852179
u^5 = 56,8 - 19,4434635 - 0,01805634 . 749,9 + 0,28420885 . 1,6 - 1,343196499 . 20,2 - 6,33182289 . 1 = -9,193570919
u^ 6 = 70,1 - 19,4434635 - 0,01805634 . 793,9 + 0,28420885 . 1 - 1,343196499 . 23,4 - 6,33182289 . 1 = -1,156803989
u^ 7 = 80,5 - 19,4434635 - 0,01805634 . 865 + 0,28420885 . 0,8 - 1,343196499 . 25,6 - 6,33182289 . 1 = 4,947516166
u^8 = 81,2 - 19,4434635 - 0,01805634 . 931,4 + 0,28420885 . 1,5 - 1,343196499 . 24,6 - 6,33182289 . 1 = 5,990717881
u^ 9 = 80,3 - 19,4434635 - 0,01805634 . 992,7 + 0,28420885 . 1 - 1,343196499 . 24,8 - 6,33182289 . 1 = 3,573120512
u^ 10 = 77,7 - 19,4434635 - 0,01805634 . 1077,6 + 0,28420885 . 1,5 - 1,343196499 . 21,7 - 6,33182289 . 1 = 3,746150816
u^11 = 78,3 - 19,4434635 - 0,01805634 . 1185,9 + 0,28420885 . 2,95 - 1,343196499 . 21,5 - 6,33182289 . 1 = 3,071391322
u^ 12 = 74,5 - 19,4434635 - 0,01805634 . 1326,4 + 0,28420885 . 4,8 - 1,343196499 . 24,3 - 6,33182289 . 0 = -0,168865391
u^ 13 = 77,8 - 19,4434635 - 0,01805634 . 1434,2 + 0,28420885 . 10,3 - 1,343196499 . 26,8 - 6,33182289 . 0 = -0,610181421
u^14 = 85,6 - 19,4434635 - 0,01805634 . 1549,2 + 0,28420885 . 16 - 1,343196499 . 29,5 - 6,33182289 . 0 = 3,10669937
u^ 15 = 89,4 - 19,4434635 - 0,01805634 . 1718 + 0,28420885 . 14,7 - 1,343196499 . 30,4 - 6,33182289 . 0 = 2,280440817
u^ 16 = 97,5 - 19,4434635 - 0,01805634 . 1918,3 + 0,28420885 . 8,3 - 1,343196499 . 33,3 - 6,33182289 . 0 = 1,049549419
u^17 = 105,2 - 19,4434635 - 0,01805634 . 2163,9 + 0,28420885 . 11 - 1,343196499 . 38 - 6,33182289 . 0 = -1,230747347
u^18 = 117,7 - 19,4434635 - 0,01805634 . 2417,8 + 0,28420885 . 13 - 1,343196499 . 46,2 - 6,33182289 . 0 = -3,761045679
u^ 19 = 135,9 - 19,4434635 - 0,01805634 . 2633,1 + 0,28420885 . 15,3 - 1,343196499 . 57,6 - 6,33182289 . 0 = -4,107335428
u^ 20 = 162,1 - 19,4434635 - 0,01805634 . 2937,7 + 0,28420885 . 18 - 1,343196499 . 68,9 - 6,33182289 . 0 = 2,181946846
Por lo tanto:
u^1 = 0,219
^
u 2 = 0,422
^
u 3 = 0,619
^
u 4 = -11
^
u 5 = -9,19
u^6 = -1,16
^
u 7 = 4,948
^
u 8 = 5,991
^
u 9 = 3,573
^
u 10 = 3,746
u^11 = 3,071
^
u 12 = -0,17
^
u 13 = -0,61
^
u 14 = 3,107
^
u 15 = 2,28
u^16 = 1,05
^
u 17 = -1,23
^
u 18 = -3,76
^
u 19 = -4,11
^
u 20 = 2,182
Sabemos que:
Y'Y = 156604,44
β^ = 19,44
0,02
-0,28
1,34
6,33
Entonces:
β^' = 19,44 0,02 -0,28 1,34 6,33
X'Y = 1677,2
2657079,68
13317,485
56437,61
574,5
Entonces: n = 20
De: Yt=β1+β2X2t+β3X3t+β4X4t+β5X5t+ut
Entonces: k = 5
Operando:
1677,2
2657080
19,44 0,02 -0,28 1,34 6,33 13317,49
56437,61
σ^2 = 156604,4400 -
574,5
20 - 5
Entonces:
Var(β^1) = 11,601202
Var(β^2) = 0,000041
Var(β^3) = 0,209104
Var(β^4) = 0,067215
Var(β^5) = 9,178105
Modelo:
Yt = β1+β2X2t+β3X3t+β4X4t+β5X5t+ut
β^ = 19,443464
0,018056
σ^2 = 23,8162
-0,284209
1,343196
6,331823
Obtenemos:
Yt = 19.4434635044165+0.0180563400404556X2t-
S^2 = 23,8162 0.284208849867881X3t+1.3431964994181X4t+6.33182288971807X5t+ut
S^ = 4,880184423
Además:
S^(β^) = S^2(X'X)-1
Operando:
R2 = β^'X'Y-nȲ2
Y'Y-nȲ2
Tenemos:
X'y = 1677,2
2657080
13317,49
56437,61
574,5
n = 20
Yp = 83,86
Yp2 = 7032,5
Y'Y = 156604,4
Operando:
R2 = 156247 - 20 . 7032,5
156604 - 20 . 7032,5
R2 = 0,97761
Análisis:
Este resultado nos indica que es una buena explicación de los
parámetros y de las variables del modelo con un 97%.
Los residuos están desapareciendo.
ADEMÁS: R2 ajustado
R2a = 1 - 19 0,022391
15
R2a = 0,97164
ADEMÁS: R2 modificado
R2m = 1 - k R2
n
R2m = 1 - 5 0,977609
20
R2m = 0,7556
2) DESARROLLO:
R2 , R2 modificada y Ṝ2
3) RESPUESTA:
Y X2 X3 X4 X5 X6
Año
ln Yt = α1 + α2 ln X 2t + α3 ln X 3t + u t (1)
ln Yt = γ1 + γ2 ln X 2t + γ3 ln X 3t + γ4 ln X 4t + u t (2)
ln Yt = λ1 + λ2 ln X 2t + λ3 ln X 3t + λ4 ln X 5t + u t (3)
ln Yt = θ1 + θ2 ln X 2t + θ3 ln X 3t + θ4 ln X 4t + θ5 ln X 5t + u t (4)
ln Yt = β1 + β2 ln X 2t + β3 ln X 3t + β4 ln X 6t + u t (5)
SOLUCIÓN:
(1)
Ln Yt = α1 + α2 ln X 2t + α3 ln X 3t + u t
∝1 = 2,0328 𝑅 2 = 0,9782
∝3 = −0,3772 𝑛 = 23
𝐾=3
Ln Yt = β1 + β2 ln X 2t + β3 ln X 3t + β4 ln X 4t + β5 ln X 5t + β6 ln X 6t
+ ut
(2)
Ln Yt = γ1 + γ2 ln X 2t + γ3 ln X 3t + γ4 ln X 4t + u t
𝑦1 = 2,0759 𝑅 2 = 0,9782
𝑦3 = −0,4207 𝑛 = 23
𝑦4 = 0,0938 𝐾=4
0, 9782 = 97.82%
̅̅̅̅
y 𝑅 2 = 98.01 , que menciona que casi un 98% la de manda de pollos es
∝2 = 0,4515
∝3 = −0,3772
ln Yt = λ1 + λ2 ln X 2t + λ3 ln X 3t + λ4 ln X 5t + u t
𝜆1 = 1,9966 𝑅 2 = 0,9782
𝜆3 = −0,3610 𝑛 = 23
𝜆4 = 0,0003 𝐾=4
𝑅 2 = 0,9793 = 97.93%
Coeficiente (4) Ln Yt = θ1 + θ2 ln X 2t + θ3 ln X 3t + θ4 ln X 4t + θ5 ln X 5t
+ ut
𝑅 2 = 98.2%
u=𝑅 2 = 98.23%
Respectivamente.
(4)
Ln Yt = θ1 + θ2 ln X 2t + θ3 ln X 3t + θ4 ln X 4t + θ5 ln X 5t + u t
𝜃1 = 2,1898 𝑅 2 = 0,9823
𝜃2 = 0,3462 ̅𝑅̅̅2̅ = 0,9750
𝜃3 = −0,5046
𝑛 = 23
𝜃4 = 0,1485
𝐾=4
𝜃5 = 0,0911
Con la eficiencia (4), los precios reales de la carne de cerdo y res puedan ser
sustitutos o complementarios efecto al precio real del pollo, el promedio (𝑋6)
seria la variable que mejor explique a (𝑋4 , 𝑋5 ).
f) ¿La carne de cerdo y la de res son productos que compiten con el pollo
o que lo sustituyen? ¿Cómo sabe?
g) Suponga que la función (5) es la de demanda “correcta”. Estime los
parámetros de este modelo obtenga sus errores estándar así como R2,
R¯ 2 y R2 modificada. Interprete sus resultados.
Ln Yt = β1 + β2 ln X 2t + β3 ln X 3t + β4 ln X 6t + u t
𝛽1 = 1,9952 𝑅 2 = 0,9786
𝛽3 = −0,3308 𝑛 = 23
𝛽4 = 0,0873 𝐾=4
Pregunta 7.20. En un estudio de rotación de empleados en el mercado
laboral, James F. Ragan, Jr., obtuvo los siguientes resultados para la
economía de Estados Unidos de 1950-I a 1979-IV.* (Las cifras entre
paréntesis son los estadísticos t estimados.)
𝑅 2 = 0.5370
𝐵̂𝑖 𝐵̂𝑖
𝑡= − −→ 𝑠𝑒(𝐵̂𝑖 ) =
𝑠𝑒(𝐵̂𝑖 ) 𝑡
ln̂
𝑌𝑡 = 4.47 −0.34 ln X2t + 1.22 ln X3t + 1.22 ln X4t
(4.28) (−5.31) (3.64) (3.10)
𝑘 = # 𝑟𝑒𝑔𝑟𝑒𝑠𝑖𝑜𝑛𝑒𝑠 𝑛 = 30 , 𝑘 = 30, 𝑘 = 4 + 2 = 6
∀𝑖{1,2,3 … .6}
̂
𝐿𝑛 𝑌𝑡 = f( LnX1t ; LnX2t ; LnX3t ; LnX4t), se toma logaritmos para ajustar
cumplir la condición de una MCO, linealidad en los parámetros.
̂
𝐿𝑛 𝑌𝑡 = 4,47 – 0,34 LnX2t + 1,22 LnX3t + 1,22 LnX4t + 8 LnX5t +- 0,005
LnX6t
̂1 , 𝛽
{𝛽 ̂2, 𝛽̂ ̂ ̂ ̂
3 , 𝛽4 , 𝛽5 , 𝛽6 } Miden los cambios marginales de Xit con respecto a
A priori:
̂
𝐿𝑛 𝑌𝑡 = f (LnX2t; LnX3t; LnX4t; LnX5t, LnX6t),
SOLUCION
Tomando logaritmos a los parámetros pasamos los indicadores
precio de pollo, X 3; ingreso real X 1, X y precio del cerdo y X 5
precio de carne de res en términos relativos que se presta para la
interpretación en términos de elasticidad de las coeficientes.
𝑒(𝑦 − 𝑦) > 0 → ∅
𝛽̂
3 , 1,22 ln 𝑋3𝑡
𝛽̂
3 = + 1,22
𝛽̂
3 = −0,0055
−0,5% = 𝑇𝐴𝑀
𝑅 2 𝑒𝑠 𝑚𝑢𝑦 𝑙𝑎𝑗𝑎
SOLUCION
Si recuerda que t calculado o estimado se da por
̂𝑖 − 𝛽𝑖
𝛽
𝑡= ̂𝑖 ) , 𝛽𝑖 = 0
𝑒𝑒 (𝛽
̂
𝛽 𝑖
𝑡=
̂)
𝑒𝑒 (𝛽 𝑖
̂
𝛽
𝑒𝑒(𝛽𝑖 ) = 𝑖
𝑡𝑖
𝛽̂𝑖 = -0,37
𝑡̂𝑖 = (-5,37)
Ejm:
̂)= −0,37
𝑒𝑒(𝛽 2 −5,31
̂ ) = 𝛿 = 0,0696
𝑒𝑒(𝛽 2
LOG(CAPITAL) 0,971395
0,139810 0,165391 4,493912
R-cuadrado ajustado r- Significa S. D. 0,845330 0,4063
squared S. E. de suma dependentvar dependiente
0,969011 0,461432
de regresión squared var Akaike info criterion
resid Log probabilidad 0,081229 Schwarz criterion F- -2.078645
Durbin-Watson stat statistic Prob(F-statistic)
0,158356 -1.934663
31,06171
Variable dependiente: LOG(PRODUCTIVIDAD) 407,5017
0,373792 0,000000
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 + 𝑈𝑖
Pregunta 7.24. La tabla 7.12 presenta datos del gasto de consumo real,
ingreso real, riqueza real y tasas de interés real de estados unidos de
1947 a 2000. Estos datos de volverán a usar en el ejercicio 8.35.
a) Con los datos de la tabla, estime la función del consumo usando los
datos de ingreso, riqueza y tasa de interés. ¿Cuál es la ecuación
ajustada?
SOLUCIÓN.
La ecuación ajustada es
Función Consumo Privado:
Ct = α0 + α1Yt + α2Ct-1 + u1t α1>0 ; 0< α2
b) ¿que indican los coeficientes estimados sobre las relaciones entre
las variables y el gasto de consumo?
GASTO DE CONSUMO REAL, INGRESO REAL, RIQUEZA REAL Y TASAS DE INTERÉS
REALES DE ESTADOS UNIDOS, 1947-2000
año c Yd riqueza tasa de interés
1947 976.4 1035.2 5166.8 -10.351
1948 998.1 1090.0 5280.9 -4.720
1949 1025.3 1095.6 5607.4 1.044
1950 1090.9 1192.7 5759.5 0.407
1951 1107.1 1227.0 6086.1 -5.283
1952 1142.4 1266.8 6243.9 -0.277
1953 1197.2 1327.5 6355.6 0.561
1954 1221.9 1344.0 6797.0 -0.138
1955 1310.4 1433.8 7172.2 0.262
1956 1348.8 1502.3 7375.2 -0.736
1957 1381.8 1539.5 7315.3 -0.261
1958 1393.0 1553.7 7870.0 -0.575
1959 1470.7 1623.8 8188.1 2.296
1960 1510.8 1664.8 8351.8 1.511
1961 1541.2 1720.0 8971.9 1.296
1962 1617.3 1803.5 9091.5 1.396
1963 1684.0 1871.5 9436.1 2.058
1964 1784.8 2006.9 10003.4 2.027
1965 1897.6 2131.0 10562.8 2.112
1966 2006.1 2244.6 10522.0 2.020
1967 2066.2 2340.5 11312.1 1.213
1968 2184.2 2448.2 12145.4 1.055
1969 2264.8 2524.3 11672.3 1.732
1970 2314.5 2630.0 11650.0 1.166
1971 2405.2 2745.3 12312.9 -0.712
1972 2550.5 2874.3 13499.9 -0.156
1973 2675.9 3072.3 13081.0 1.414
1974 2653.7 3051.9 11868.8 -1.043
1975 2710.9 3108.5 12634.4 -3.534
1976 2868.9 3243.5 13456.8 -0.657
1977 2992.1 3360.7 13786.3 -1.190
1978 3124.7 3527.5 14450.5 0.113
1979 3203.2 3628.6 15340.0 1.704
1980 3193.0 3658.0 15965.0 2.298
1981 3236.0 3741.1 15965.0 4.704
1982 3275.5 3791.7 16312.5 4.449
1983 3454.3 3906.9 16944.8 4.691
1984 3640.6 4207.6 17526.7 5.848
1985 3820.9 4347.8 19068.3 4.331
1986 3981.2 4486.6 20530.0 3.768
1987 4113.4 4582.5 21235.7 2.819
1988 4279.5 4784.1 22332.0 3.287
1989 4393.7 4906.5 23659.8 4.318
1990 4474.5 5014.2 23105.1 3.595
1991 4466.6 5033.0 24050.2 1.803
1992 4594.5 5189.3 2441.82 1.007
1993 4748.9 5261.3 24092.3 0.625
1994 4928.1 5397.2 25218.6 2.206
1995 5075.6 5539.1 27439.7 3.333
1996 5237.5 5677.7 29448.2 3.083
1997 5423.9 5854.5 32664.1 3.120
1998 5683.7 6168.6 35587.0 3.584
1999 5968.4 6320.0 39591.3 3.245
2000 6257.8 6539.2 38167.7 3.576
nota: año= año calendario
SOLUCIÓN:
Para la ecuación 2
En el primer modelo, donde las ventas es una función lineal del tiempo,
la velocidad de cambio de las ventas, (dY / dT) se postula a ser una
constante, igual a 𝛽1, independientemente del tiempo t. en el segundo
modelo de la velocidad de cambio no es constante debido a que (dY /
dT) = 𝛼1 + 2𝛼2 𝑡 que depende del tiempo t.
b) se decidiría de la cosa más sencilla de las derivadas parciales de Y con
respecto al tiempo. si el gráfico resultante es parabólico, tal vez el
modelo cuadrático es apropiado.
c) este modelo podría ser útil para representar el perfil de ingresos de una
persona. Por lo general, cuando entra en el mercado de trabajo, las
ganancias de nivel de entrada son bajos. con el tiempo, debido a la
experiencia acumulada, los ingresos aumentan, pero después de cierto
tiempo también empieza a disminuir.
d) Al consultar las páginas web de varios fabricantes de automóviles, o la
revista del motor, o la asociación americana del automóvil para los
datos.
Durante mucho tiempo, Estados Unidos ha sido el mercado más
importante del mundo, hasta verse superado por el dragón chino.
Otro hecho destacable es que desde 1991 el modelo más vendido ha
sido el pick-up Ford F-150, pero esa realidad ya ha cambiado poco a
poco, al menos en la mayoría de los estados con salida al mar la cual
se asemeja mucho al modelo.
SOLUCIÓN:
SOLUCION
Supuesto (8.6.11):
2
𝑅𝑁𝑅 ≥ 𝑅𝑅2
Supuesto (8.6.12):
2
∑ 𝜇𝑁𝑅 ≤ ∑ 𝜇𝑅2
Por lo tanto:
Recordando que:
∑(𝑌𝑖 − 𝑌)2
1
Dónde:
a) Suponga que tenía información para hacer la regresión (3). ¿Cómo probaría
la hipótesis de que hay rendimientos constantes a escala, es decir, (β2 + β3) =
1?
SOLUCIÓN:
(𝐾 − 1)𝐹
𝑅2 =
(𝐾 − 1)𝐹 + (𝑛 − 𝑘)
Donde k es el número de parámetros en el modelo de regresión,
inclusive el intercepto, y donde F es el valor F crítico en el nivel de
significancia α. Si el R2 observado excede el R2 crítico obtenido de la
fórmula anterior rechazamos la hipótesis de que el verdadero R 2 es cero.
SOLUCIÓN
(𝑛−𝑘)𝑅 2
𝐹= (𝑘−1)(1−𝑅 2 )
, que se puede reescribir como:
(𝑘−1) 𝑅2
𝐹= = , obteniendo de la siguiente manera
(𝑛−𝑘) (1−𝑅 2 )
𝐹(𝑘−1)
𝑅2 = , siendo este el resultado.
𝐹(𝑘−1)+(𝑛−𝑘)
𝐹0.05(2,62)=3.15 ,
2(3.15) 6.30
𝑅2 = = = 0.0936
2(3.15) + 61 67.3
SOLUCION:
2 2
Ahora recordar que 𝐹1.17 = 𝑇17 es 27.033=𝑡17 lo que da 𝑡 = √27.033 =
5.1993
bajo la hipótesis nula de que el coeficiente verdadero de variable de
tendencia es cero, obtenemos:
𝛽̂3
𝑡=
𝑠𝑒(𝛽̂3
ln 𝑌𝑖 = 𝛽1 + 𝛽2 𝑙𝑛𝑋2𝑖 + 𝛽3 𝑙𝑛𝑋3𝑖 + 𝑢𝑖
SOLUCION:
Por lo tanto los errores estándar de los coeficientes estimados pueden ser
fácilmente obtenidos a partir de los errores estándar de la estimación de
los coeficientes reductores que ya se conocen.
SOLUCIÓN:
Uno de las mejores maneras de entender este término es averiguar la
razón de cambio de Y (gasto de consumo) con respecto a X2 y X3, que
es:
𝛿𝑌
= 𝛽2 + 𝛽4 𝑋3
𝛿𝑋2
𝛿𝑌
= 𝛽3 + 𝛽4 𝑋2
𝛿𝑋3
F = (-4.728)2 = 22.3540
SOLUCION
a) ¿Cuáles son las elasticidades del ingreso real y de la tasa de
interés de los balances reales de efectivo?
Utilizar las tasas de las letras del dinero, como el tipo de interés y la
tasa de interés, las elasticidades son respectivamente:
0,5243 y 0,0255
0,4946 y 0,0516
1
Para una discusión más amplia de este punto, véase Adrian C. Darnell, un diccionario de
Econometría, Edward Elgar, REINO UNIDO., 1994, págs. 394-395.
Con tasa de interés a corto plazo
0,5243
t= = −3,2920
0,1445
Dónde:
-143 T = - ᶺ -
=0.32 -4.468
El valor de p de obtener el valor de t es extremadamente bajo. Sin
embargo, la elasticidad coeficiente no es diferente de uno porque en la
hipótesis nula de que la verdadera elasticidad es 1, el valor de t es
0,32
𝑟12.34….𝑘 √n − k − 2
𝑡= 2
√1 − 𝑟12,34…𝑘
SOLUCIÓN:
(0.231) (0.477)
R2 = 0.934 gl = 14
M = precios de importaciones
−0.3772 − (−1)
𝑡= = 9.808
0.0635
Este valor de t es también significativo, lo que lleva a la conclusión de
que la verdadera elasticidad de precios es diferente de -1.
0.4515 + (−0.3772)
𝑡= = 0.859
√(0.0247)2 + (0.0635)2 − 2(−0.0014)
1.274 − 0
𝑡= = 2.4174
0.527
−1.274 − (−1)
𝑡= = −0.5199
0.527
Tanto los signos son buscados para ser positivo, aunque incluya ninguna
de estas variables es estadísticamente significativa.
En el ejercicio 7.17:
Perforan para encontrar y producir petróleo o gas natural en una zona
mejorada, o para encontrar una nueva reserva en un yacimiento donde
antes se encontró petróleo o gas natural, o para extender el límite de
una reserva de petróleo o gas conocida.
Y = número de pozos de exploración perforados
X2 = precio en la cabeza del pozo en el periodo anterior (en
dólares constantes, 1972 = 100)
X3 = producción interna
X4 = PNB en dólares constantes (1972 = 100)
X5 = variable de tendencia, 1948 = 1, 1949 = 2,…, 1978 = 31
Vea si el siguiente modelo se ajusta a los datos:
b) ¿Rechazaría la hipótesis R2 = 0?
Si usando la prueba de F, obtenemos:
0.656
𝐹= 4 = 12.392
(1 − 0.656)
26
El 5% de valor de 4 y 26 df, es 2.74 para rechazar la H0.
𝑡 𝑣𝑎𝑙𝑒𝑢 = (38.3766)(−3.3514): 𝑟2 =
0.2792
Solución:
N
>
Debido a la 4 Zyf 0,978 4
•
©
V
regresión
0
Debido a los 0,022 1 (0,022 )1^
residuos (Z^) 5 15
Bajo la hipótesis nula habitual, la relación F es:
Donde β0 = ln β1.
a) ¿Cuáles son las propiedades de esta función?
b) Para reducir la FPT a la función de producción Cobb-Douglas,
¿cuáles deben ser los Valores de β4 y β5?
c) Si tuviera la información, ¿cómo haría para encontrar la forma en
la que la FPT se reduce a la función de producción Cobb-Douglas?
¿Qué procedimiento de prueba utilizaría?
d) Verifique si la FPT se ajusta a los datos de la tabla 8.8. Muestre
sus cálculos.
SOLUCION:
X4 = tasa de desempleo, %
Durbin- 2.484497
Watson stat
Variable dependiente: Y
Muestra: 19681983
Observaciones incluidas: 16
(0.8287 − 0.6012)/2
𝐹= = 6,25
(1 − 0.8287)/10
SOLUCION:
Dados que ambos modelos son log-lineal la pendiente estimada
eficientes representan la parcial (elasticidad) de la variable dependiente
con respecto al regresor bajo consideración. Por ejemplo el coeficiente
0.94 en Eq (3) significa que si la salida en kw-h aumenta en un 1% en
promedio. El costo total de producción se incrementa en 0.94%.
De manera similar, en Eq (4) si el precio de la mano de obra en relación
con el precio del combustible aumenta en un 1% en promedio, el costo
relativo de la producción se incrementa en 0.51%.
c) ¿Cómo averiguaría si la restricción (α1 + α2 + α3) = 1 es válida? Muestre
sus cálculos. 8.28.
SOLUCION:
Utilice la F de la sgte manera:
F(RSSR-RSSUR)NR(0.364-0.336)71
(/-RSSUR)/n-k(1-0.336)/24 donde:
NR=número de restricciones.
Este F no es, importante: el 5% valor critico de F 1 Y 24 numerador y
denominador df, respectivamente, es 4,26.por lo tanto, no rechazamos la
hipótesis nula de que la suma de las elasticidades de precios es 1.
Donde Rit y Rmt son las tasas de rendimiento del i-ésimo título y el
portafolios del mercado (por ejemplo, el S&P 500) en el año t; βi, como
ya vimos, es el coeficiente beta o coeficiente de volatilidad del mercado
del i-ésimo título y eit son los residuos. En total hay N regresiones, una
para cada título, y se producen, por consiguiente, N valores estimados
para βi.
| Ri | = γ1 + γ2 βi + ui (2)
γ1 = rf
γ2 = Rm - rf , el estimador de ( ERm - rf )
Ri = γ1 + γ2 βi + γ3 s2e1 + ui (4)
Ri = 0.109 + 0.037 βi
(0.009) (0.008)
SOLUCIÓN:
Pregunta 8.29. Consulte el ejercicio 7.21c. Ahora que ya cuenta con las
herramientas necesarias, ¿cuál(es) prueba(s) utilizaría(n) para elegir entre los
dos modelos? Muestre los cálculos necesarios. Observe que las variables
dependientes en los dos modelos son distintas.
SOLUCIÓN:
(0.0772 −0.0463)1
F= = 10.69
(0.0463)(19−3)
(0.3397 + 0.8460 − 1)
𝑡= = 1.94
√0.0345 + 0.0087 + 2(−0.0173)
(0.0772 − 0.0463)/1
𝑓= = 10.69
(0.0463)/(19 − 3)
Para 1 y 16 numerador y denominador df, respectivamente, el valor de
F crítica 5% es 4,49. Por lo tanto rechazamos el modelo restringido y
concluimos que la elasticidad ingreso real es menor que la unidad
Pregunta 8. 32. Consulte el ejercicio 1.7, en el que se dieron datos sobre los
impactos publicitarios que se recuerdan y los gastos publicitarios para una
muestra de 21 empresas. En el ejercicio 5.11 se pidió graficar esos datos y
elaborar un modelo apropiado sobre la relación entre dichas variables. Con Y
como los impactos publicitarios recordados y X el gasto publicitario, se
obtuvieron las siguientes regresiones:
𝑒𝑒 = (7.089)(0.0971) 𝑟 2 = 0.424
𝑒𝑒 = (9.986)(0.3699)(0.0019) 𝑅 2 = 0.53
SOLUCIÓN:
SOLUCIÓN:
𝑠𝑒 = (0.4159)(0.0933)
SOLUCIÓN:
11678/2
𝐹= = 11.1032
11569.852/22
Pregunta 8. 35. Consulte el ejercicio 7.24 y los datos de la tabla 7.12 relativos
a cuatro variables económicas en Estados Unidos durante el periodo 1947-
2000.
SOLUCIÓN:
Prueba de confianza
𝐻1 : 𝛽2 = 𝛽3 = 𝛽4 ≠ 0 Son significativos
Prueba F
𝑉𝑎𝑟𝑦̂
𝐹𝑖 = 𝑉𝑎𝑟𝑢̂ = 27838.41
F tabla GLN = 4 – 1 = 3
GLD = 54 – 4 = 50
5% = 4.13
Se rechaza Ho
Elasticidades: 𝐻0 : 𝛽4 = 0
d) sol.
e) 𝑐̂ = −0.39 + 0.80𝑌𝑑 + 0.19𝑅𝑖𝑞𝑢𝑒𝑧𝑎
Las elasticidades del ingreso y riqueza son positiva (0.997) en la
función del consumo lo que implica que es inelástica y el coeficiente de
la tasa de interés no afecta la función.
(0.99952 − 0.99945)/1
𝐹= = 6.36
(1 − 0.99945)/50
Pregunta 8.36. Consulte la sección 8.8 y los datos de la tabla 8.9 relativos al
ingreso personal disponible y el ahorro personal durante el periodo 1970-
1995. En esa sección se introdujo la prueba de Chow para ver si ocurría un
cambio estructural dentro de los datos entre dos periodos. La tabla 8.11
incluye datos actualizados con los valores de 1970-2005. Según el National
Bureau of Economic Research, el ciclo de contracción del sector empresarial
estadounidense más reciente terminó a finales de 2001. Divida los datos en
tres secciones:
1) 1970-1981, 2) 1982-2001 Y 3) 2002-2005.