CERTAMEN 1.

ECONOMETRÍA

5 de Septiembre de 2012

Profesor: Rodrigo Ortega Blu Ayudante: Alexis Gallardo R.

Nombre:________Pauta_________________________ROL:_________________________
Puntos:__100__ Total: 100 puntos

I. Verdadero o Falso. Justifique las respuestas falsas. Por cada respuesta

incorrectas se descontará un punto.

1. _____F_____El objetivo del muestreo es estimar los estadísticos de la

población. Para variables individuales, estos son el promedio y la
desviación estándar. En el caso de la regresión, estos corresponden a los
betas. Parámetros
2. _____F______El error de muestreo es la diferencia entre el parámetro de la
muestra y su correspondiente estadístico de la población. Estadístico de
la muestra y parámetro de la población.
3. _____F______El error tipo I se define como la probabilidad de no rechazar
la hipótesis nula cuando esta es falsa. Error tipo II
4. _____V_____En un modelo de regresión múltiple el término de error
contiene variables no observadas, como asimismo errores en la
estimación de algunas variables.
5. _____F______En análisis de regresión simple el modelo de la población es
yˆ = bˆ 0 + bˆ1x + uˆ . Modelo de la muestra.
6. _____F_______En un modelo mal especificado (ausencia de una variable) la
varianza del estimado ( b˜1) es mayor que en el caso del modelo correcto.
Sin embargo, a no ser que  2 = 0, el b1 del modelo mal especificado es
sesgado. Menor
7. _____F_______En el modelo Salario=β0+β1educación+β2habilidad+u, la
exclusión de la variable habilidad causaría un sesgo negativo sobre β1.
Positivo.
8. ______F______En regresión múltiple, a mayor número de variables en el
modelo, cualquiera que estas sean, el R2 se incrementa. Es por ello que
este es un excelente indicador para seleccionar modelos. Mal indicador,
mejor es el R2 ajustado.
9. ______F______ La desviación estándar de bˆ j es inversamente proporcional
a la desviación estándar de la regresión y directamente proporcional al
coeficiente de correlación entre las variables independientes del
modelo. Al revés
10. _____V_______ En una prueba de restricciones lineales múltiples es posible
que los q parámetros excluidos sean conjuntamente significativos a un
 nivel de α, aunque ningún parámetro sea individualmente significativo a
ese nivel.

II. La siguiente tabla muestra los resultados de un análisis de estadística

descriptiva de los rendimientos de azúcar de un predio productor de caña de
azúcar (20 puntos)
Rendimiento (ton/ha)
2008 2009
Promedio 20.08 19.57
Error estándar 0.41 0.57
Mediana 20.64 19.69
Moda 20.64 19.08
Desviación estándar 4.28 6.07
Varianza de la muestra 18.28 36.79
Curtosis -0.09 1.98
Coeficiente de asimetría 0.12 -1.08
Rango 19.46 30.67
Mínimo 12.02 1.24
Máximo 31.48 31.91
Suma 2228.66 2250.27
N 111 115

1. Establezca la prueba de hipótesis respectiva y pruebe que el promedio de

rendimiento de azúcar fue igual a 20 ton/ha en ambos años.(6 ptos)
H0: rendimiento 2008=rendimiento 2009=20
Ha: rendimientos≠20
Año 2008: Año 2009
t=(20,08-20)/0,41=0,2 t=(19,57-20)/0,57=-0,75
t crítico(110 gl)=1,982 tcrítico(114 gl)=-1,981
no rechazar no rechazar
en ambos años el rendimiento es igual a 20 ton/ha
2. ¿Existen diferencias en la varianza de los rendimientos? Establezca la
prueba de hipótesis respectiva.(6 ptos)
H0: var1=var2
Ha: var1≠var2

F=var2009/var2008=36,79/18,28=2,01
F(114,110)=1,364

F calc>Fcrítico, se rechaza la hipótesis nula

3. Explique los valores de curtosis y coeficiente de asimetría; además estime
los coeficientes de variación en cada caso.(8 ptos)
El año 2008, la curtosis fue negativa, lo que indica una distribución
relativamente plana y el coeficiente de asimetría levemente positivo, lo que
indicaría un sesgo a la derecha. CV=4,28/20,08*100=21%(1 ptos por cada
curtosis y asimetría, dos puntos por cada CV)
 El año 2009, la curtosis fue positiva, lo que indica una distribución
relativamente elevada y el coeficiente de asimetría negativo, lo que
indicaría un sesgo a la izquierda. CV=6,07/19,57=31%

(1 pto por cada curtosis y asimetría, dos puntos por cada CV)

III. La siguiente es una salida de un análisis de regresión múltiple donde se desea

estimar el precio de una casa (y) en función de su tasación (x1), el área del sitio
(x2), el área construida (x3) y el número de dormitorios (x4). Todas las
variables, excepto el número de dormitorios están expresadas como logaritmo
natural (30 puntos)

1. Establezca la hipótesis nula y pruebe la significancia global de la

regresión. ( 8 ptos)
H0: β1= β2= β3= β4=0
Ha: al menos un beta es distinto de cero.
Fcalc>Fcrítico
70>5,671 se rechaza la hipótesis nula
2. Estableciendo las hipótesis nulas adecuadas pruebe la significancia de
cada uno de los betas. (8ptos)
H0: βj=0
Ha: βj≠0
Se utiliza la prueba de t

3. Pruebe que, ceteris paribus, la elasticidad del precio en función de la

tasación de la propiedad es igual a 1. (8ptos)

Se usa la prueba de t
H0: β1=1
Ha: β1≠1
t=(1.04-1)/0,15=0,28 < 1,99
no rechazar, ceteris paribus la elasticidad es igual a uno
In incremento de la tasación en un 1%, incrementa el valor de la propiedad
en un 1%
4. Asumiendo que el modelo es válido, determine el valor de una
propiedad tasada en M USD 300, que tiene 3 dormitorios, un sitio de
10000 y 2000 construidos. (6 ptos)
Ln(300)=5,7
Ln(10000)=9,2
Ln(2000)=7,6

Remplazando
Ln(y)= 0.2637+1.0431*5,7+0.0074*9,2-0.1032*7,6+0.0338*3
Ln (y)=5,595
 Y=exp(5,595)=269 MUSD
Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.879095359
Coeficiente de determinación R^2 0.77280865
R^2 ajustado 0.76185967
Error típico 0.148142309
Observaciones 88

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F F crítico
Regresión 4 6.196072572 1.549018143 70.58270275 2.48
Residuos 83 1.821529934 0.021946144
Total 87 8.017602505

Coeficientes Error típico Estadístico t t crítico conclusión

Intercepción 0.263744873 0.569664946 0.46298245 1.99 no rechaza
logtasacion 1.043064919 0.151446115 6.887366614 1.99 rechaza
logarea 0.00743824 0.038561482 0.192892994 1.99 no rechaza
logm2 -0.10323864 0.138430555 -0.74577928 1.99 no rechaza
dorm 0.033839187 0.022098322 1.531301225 1.99 no rechaza

IV. El siguiente es el modelo restringido del modelo en III donde se eliminaron las
variables de área (x2), metros cuadrados construidos (x3) y número de
dormitorios (x4). (20 puntos)

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.875003551
Coeficiente de determinación R^2 0.765631214
R^2 ajustado 0.762905995
Error típico 0.147816502
Observaciones 88

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F F Crítico
Regresión 1 6.138526738
Residuos 86 1.879075768
Total 87 8.017602505

Coeficientes Error típico Estadístico t t crítico

Intercepción -0.16147233 0.346073922
logtasacion 1.013406608 0.060460896

1. Establezca la prueba de hipótesis correspondiente para probar que la

exclusión de las tres variables es posible. (10 ptos)
H0: β2= β3= β4=0
Ha: H0 no es verdadera

F=
(
Rur2 - Rr2 q )
( )
1- Rur2 ( n - k -1)

F=(0,773-0,766)/(1-0,773)*83/3=0,87
Fcrítico(3,83)=8.559
Fcalc<F crítico. No es posible rechazar H0. Es posible remover las
variables x2 a x4.
2. Usando un procedimiento similar pruebe la hipótesis nula que la
exclusión de todas las variables (x1 al X4) en el modelo en III es posible.
El valor promedio del logprecio= 5.63318 (10 ptos)
 H0: β1=β2= β3= β4=0
Ha: H0 no es verdadera

Se usa F de restricción contra modelo solo con intercepto que tiene R2=0

F=
(
Rur2 - Rr2 q )
( )
1- Rur2 ( n - k -1)

F=(0,773-0)/(1-0,773)*83/4=70.58
Fcrítico(4,83)=5,671
Fcalc>F crítico. Existe suficiente evidencia para rechazar H0. No es
posible excluir las variables del modelo.
<Dato(No suma puntaje):Esta prueba es equivalente a mirar
directamente el F en el modelo no restringido en III.>

V. En base a la siguiente matriz de correlación entre la variable dependiente Y y

las variables independiente X1 y X2, conteste lo siguiente (10 puntos)

a. Explique el tipo de relación y su significancia entre cada variable explicativa

e Y.(5 ptos)
X1 y X2 se correlacionan positivamente y significativamente con la variable
Y. El p-value es prácticamente cero
b. ¿Que tipo de sesgo en β1 causará la eliminación de β2? (5 ptos)
Como el efecto de X2 (β2) sobre Y es positivo y la relación entre X1 y X2
también es positiva, el sesgo sobre β1 será positivo.
Y X1 X2
Y 1
N -
P -
X1 ,905 1
N 88 -
P ,00 -
X2 ,347 ,328 1
N 88 88 -
P ,00 ,00 -

Fórmulas útiles

R2 º 1-
[ SSR ( n - k -1)]
[ SST ( n -1)]
sˆ 2
= 1-
[ SST ( n -1)]
yˆ = exp(sˆ 2 2) exp(lnˆ y)
 ( ) [
se bˆ j = sˆ SSTj (1- R2j ) ]
12


EE b̂1   ŝ/  x i  x 
2

1
2

F=
(R
2
ur - Rr2 ) q
(1- R ) ( n - k -1)
2
ur

SSRr  SSRnr  q
F
SSRnr n  k  1

Tabla de T
alpha
gl 0.1 0.05 0.01
80 1.664 1.990 2.639
81 1.664 1.990 2.638
82 1.664 1.989 2.637
83 1.663 1.989 2.636
84 1.663 1.989 2.636
85 1.663 1.988 2.635
86 1.663 1.988 2.634
87 1.663 1.988 2.634
88 1.662 1.987 2.633
89 1.662 1.987 2.632
90 1.662 1.987 2.632
105 1.659 1.983 2.623
106 1.659 1.983 2.623
107 1.659 1.982 2.623
108 1.659 1.982 2.622
 109 1.659 1.982 2.622
110 1.659 1.982 2.621
111 1.659 1.982 2.621
112 1.659 1.981 2.620
113 1.658 1.981 2.620
114 1.658 1.981 2.620
115 1.658 1.981 2.619

Tabla de F
num
den 1 3 4 114 115 116
80 252.724 8.561 5.673 1.398 1.397 1.396
81 252.743 8.560 5.672 1.397 1.396 1.395
82 252.762 8.560 5.672 1.395 1.394 1.393
83 252.781 8.559 5.671 1.394 1.393 1.392
84 252.799 8.559 5.671 1.393 1.392 1.391
85 252.817 8.559 5.670 1.391 1.390 1.389
86 252.834 8.558 5.670 1.390 1.389 1.388
87 252.851 8.558 5.669 1.389 1.388 1.387
88 252.868 8.558 5.669 1.388 1.387 1.386
89 252.884 8.557 5.668 1.386 1.385 1.384
90 252.900 8.557 5.668 1.385 1.384 1.383
111 253.167 8.551 5.661 1.365 1.364 1.363
112 253.177 8.551 5.660 1.364 1.363 1.362
113 253.187 8.551 5.660 1.363 1.362 1.361
114 253.197 8.551 5.660 1.363 1.362 1.360
115 253.207 8.550 5.659 1.362 1.361 1.360
116 253.216 8.550 5.659 1.361 1.360 1.359
117 253.226 8.550 5.659 1.360 1.359 1.358
118 253.235 8.550 5.659 1.360 1.359 1.357
119 253.244 8.550 5.658 1.359 1.358 1.357
120 253.253 8.549 5.658 1.358 1.357 1.356