Você está na página 1de 5

UNIVERSIDAD DEL BIO-BIO

VICERRECTORIA ACADEMICA – DIRECCION DE DOCENCIA

Curso : Econometría
Semestre : 2º 2016
Profesor : César Salazar

CERTÁMEN Nº1

1) (30 ptos) Suponga que usted es director de un departamento de estudios de una


empresa matriz al cual se le encargó estimar una función de costos. Para llevar a cabo
esta investigación se reúne la siguiente información de costos totales en millones de
pesos y volumen de producción en toneladas de 4 sucursales de la empresa para el año
2015.
Costos Volumen
Sucursal
(Millones $) (toneladas)
1 25 296
2 7.4 110
3 43.2 676
4 120 1988

a) (10 ptos) Obtenga los estimadores Mínimos Cuadrados Ordinarios (MCO) donde los
costos se encuentren explicadas por una constante, y los niveles de producción.
Interprete.

R:
OBS Y X y=Y-Media de Y x=X-Media de X x^2 x*y Y estimado u=Y-Y estimado u^2

1 25 296 -23.9 -471.5 222312.25 11268.85 21.333359 3.666641302 13.44425844

2 7.4 110 -41.5 -657.5 432306.25 27286.25 10.458713 -3.058713349 9.355727349

3 43.2 676 -5.7 -91.5 8372.25 521.55 43.550376 -0.350376078 0.122763396

4 120 1988 71.1 1220.5 1489620.25 86777.55 120.25755 -0.257551875 0.066332969

Suma 195.6 3070 2152611 125854.2 195.6 22.98908215

Media 48.9 767.5 48.9

Dado las sumatorias de las observaciones mostradas en la tabla, los estimadores


Mínimos Cuadrados Ordinarios son:

bˆ1 = Y - bˆ2 X
n n

�( X i - X )(Yi - Y ) �y x i i
bˆ2 = i =1
n
= i =1
n

�( X
i =1
i - X )2 �x
i =1
2
i

B2=125854/2152611=0.0598
B1=48.9-0.059*765.7=4.02

En la interpretación la constante representa el efecto sobre los costos de todas


aquellas variables que permanecen fijas, es decir, representan los costos fijos. La
pendiente se interpreta como el costo marginal, es decir, cuanto aumentan los
costos cuando el volumen de producción crece en una tonelada.

b) (10 ptos) Pruebe la significancia individual de la variable volumen de producción


sobre los costos con un nivel de significancia del 5%. Interprete estadísticamente y
económicamente este resultado.

R: Para evaluar la significancia estadístico de los parámetros utilizamos el


estadístico t- Student.

La hipótesis de significancia individual es:

H 0 : b2 = 0
H1 : b 2 �0
bˆ2 - 0 a
t= : t ( n - 1) ,
El estadístico t-student: var( b 2 ) 2

El estadístico tabulado lo aproximamos a 1,96.


s u2
Var [ b2 ] = s =
2
La expresión para la varianza del parámetro es b2 n

�x
i =1
2
i

La expresión de la varianza del error es �uˆ 2


i
sˆ u2 = i =1

n-k
Lo cual se calcula como: 22.98/(4-2)=11.49

La varianza del parámetro es: 11.49/2152611=5.33981E-06


La raíz de esta varianza es: 0.002310804

El t calculado es entonces: 0.058/0.0023=25.3

Como el estadístico calculado es superior al tabulado se rechaza la hipótesis nula


por lo que se concluye que la variable producción es significativa para explicar el
comportamiento de los costos. El signo positivo del coeficiente indica que a medida
que la producción aumenta los costos tienden a aumentar. Un coeficiente de 0.058
indica que por cada 1 tonelada adicional de producción, los costos se incrementan
en promedio en 0.058 millones de pesos.
c) (10 ptos) Obtenga la medida de bondad de ajuste o R cuadrado e interprete.

 (Yˆ - Y ) e
2 2
R: Aplicando la siguiente expresión ESS i i
R =2
= = 1-
TSS  (Y - Y )
i
2
 (Y - Y )
i
2

El coeficiente de determinación es: 195.6/195.6=0.9999

Un valor de 0.99 indica que el 99% de la variación de los costos puede ser
explicado por la variación del modelo, en este caso, la variación de la producción.

2) (20 ptos) Demuestre que el parámetro de la pendiente del modelo de regresión


estimado por el Método Mínimo Cuadrados Ordinarios (MCO) es insesgado. Interprete.

R: La demostración de insesgamiento del parámetro de la pendiente del modelo


fue desarrollada en la clase 9 como sigue:

Cov ( X , Y ) Cov( X , [ b1  b 2 X  u ])
b2 = =
Var( X ) Var( X )
Cov ( X , b1 )  Cov( X , b 2 X )  Cov ( X , u )
=
Var( X )
0  b 2 Cov ( X , X )  Cov( X , u )
=
Var( X )
Cov ( X , u )
= b2 
Var( X )

Cov( X , u )
b2 = b 2 
Var( X )

 Cov ( X , u )   Cov( X , u ) 
E (b2 ) = E  b 2   = E ( b 2 )  E  
 Var( X )   Var( X ) 
1
= b2  E ( Cov( X , u ) )
Var ( X )
= b2

La interpretación consiste en que el valor esperado del estimador va ser igual al


verdadero parámetro poblacional.

3) (20 ptos) Presente su grado de acuerdo o desacuerdo con las siguientes afirmaciones
justificando claramente su respuesta:

a) (10 ptos) Si tenemos dos estimadores alternativos para estimar un parámetro. El


primero de ellos cumple con la propiedad de insesgamiento pero es ineficiente. El
segundo estimador es sesgado pero tiene una varianza mas baja. En este caso, no es
posible afirmar cual estimador es mejor ya que dependerá de la situación que se quiera
analizar.
R: Estoy en desacuerdo. Cuando tenemos este “trade off” entre insesgamiento y
varianza mínima no es claro a simple vista cual es el mejor estimador. Lo que se
debe hacer es elegir aquel estimador que tenga un menor error cuadrático medio.

b) (10 ptos) El método de estimación de mínimo cuadrados ordinarios asume una


distribución determinada para las variables aleatorias X e Y para obtener los parámetros
del modelo de regresión lineal.

R: Estoy en desacuerdo. El método de Mínimo Cuadrados Ordinarios (MCO) no


asume una distribución a priori de las variables del modelo. El MCO necesita una
distribución para hacer inferencia o pruebas de hipótesis, no para estimar los
parámetros. El Método de Máxima Verosimilitud es el que necesita asumir una
distribución dada para las variables para obtener los estimadores del modelo.

4) (30 ptos) El siguiente cuadro muestra los resultados de un modelo de regresión lineal
a través del software STATA 13. El modelo corresponde a la estimación de una función
de captura del recurso jurel en el cual la variable dependiente (captura) muestra el
volumen desembarcado por cada barco medido en toneladas y la variable independiente
(viajes) corresponde al número de viajes que cada embarcación realiza en un mes.
Considerando este modelo, responda lo siguiente:

Source SS df MS Number of obs 100


F( 1, 98) XXX
Model 28061284.8 1 28061284.8 Prob > F 0
Residual 65522666.6 98 668598.638 R-squared 0.2999
Adj R-squared 0.2927
Total 93583951.3 99 945292.438 Root MSE 817.68

Captura Coef. Std. Err. t P>t [95% Conf.

Viajes 222.5124 XXX 6.48 0.000 154.3528 290.672


_cons 24.1302 184.6427 XXX 0.896 XXX 390.5476

a) (10 ptos) Complete todos los datos faltantes identificados como XXX de la tabla
mostrando el desarrollo para cada caso.

R: Para el F(1,98) se ocupa la siguiente expresión: (n - 2) SEC


F= : F( 1,n -2)
El resultado es 41,97. SRC
El std err. se obtiene como 222,51/6,48=34,338

El t calculado se obtiene como 24,13/184,64=0.13

El intervalo de confianzas se obtiene como (24-184,64*1,96)=-337,769

b) (10 ptos) Evalúe la significancia estadística de los parámetros estimados del modelo
de regresión lineal con un nivel de significancia del 5%.
R: El parámetro de la variable viajes es significativamente distinto de cero a un
95% de confianza ya que su valor t es mayor que 1,96. En otras palabras, se
rechaza la hipótesis nula que el parámetro es igual a cero con un nivel de
significancia del 5%.

R: El parámetro asociado al intercepto no es significativamente distinto de cero a


un 95% de confianza ya que su valor t es menor que 1,96. En otras palabras, no se
rechaza la hipótesis nula que el parámetro es igual a cero con un nivel de
significancia del 5%.

c) (10 ptos) Interprete económicamente el coeficiente estimado para la variable viajes.


R: Un coeficiente de 222.51 significa que en promedio por cada viaje adicional en el
mes que haga una embarcación, se capturan 222.51 toneladas.

Você também pode gostar