Escolar Documentos
Profissional Documentos
Cultura Documentos
. Vale la
pena aadir X
i
al modelo? Si no es as, por qu molestarse con el anlisis de regresin?
Universidad Austral de Chile Econometra
Escuela de Ingeniera Comercial Ayudanta 01
SECCIN DE RESPUESTAS
Seccin 1: Comentes
Universidad Austral de Chile Econometra
Escuela de Ingeniera Comercial Ayudanta 01
Seccin 02: Problemas
Problema 1:
Lo primero es establecer una estrategia de ataque al problema. Ya que tenemos la informacin
de las medias, podramos transformar toda la informacin de que disponemos a variables es
niveles en lugar de trabajar con medias, pero eso nos consumir demasiado tiempo. Una
estrategia ms econmica en tiempo es utilizar directamente las frmulas que hemos
aprendido para el modelo expresado es desvos de la media. Lo segundo que debemos hacer es
completar con algunos clculos una tabla que contenga toda la informacin que necesitamos.
N x y xy x^2 y^2 e e^2
1 -1.56 -5.40 8.41 2.43 29.16 -0.71 0.504
2 -1.56 -3.40 5.30 2.43 11.56 1.29 1.664
3 -0.96 -3.40 3.26 0.92 11.56 -0.52 0.270
4 -0.36 -1.40 0.50 0.13 1.96 -0.32 0.102
5 -0.36 -0.40 0.14 0.13 0.16 0.68 0.462
6 0.24 0.60 0.15 0.06 0.36 -0.12 0.014
7 0.24 0.60 0.15 0.06 0.36 -0.12 0.014
8 0.84 1.60 1.35 0.71 2.56 -0.92 0.846
9 1.44 4.60 6.63 2.08 21.16 0.27 0.072
10 2.04 6.60 13.48 4.17 43.56 0.47 0.220
0.00 0.00 39.36 13.10 122.40 0.00 4.172
Para 1.1, utilizamos es estimador de B
1
y B
2
:
3
10 . 13
36 . 39
15 13 . 0 * 3 4 . 15 *
2
2
^
2
^
1
^
~ = =
~ = =
i
i i
x
y x
B
X B Y B
Universidad Austral de Chile Econometra
Escuela de Ingeniera Comercial Ayudanta 01
Para 1.2, usamos la frmula del R
2
en desvos:
963 . 0
4 . 122
1 . 13 * 3
2
2
2
2
2
^
2
~ = = =
i
i
y
x B
SCT
SCE
R
Para 1.3, utilizamos la frmula de la Varianza y sacamos raz cuadrada. Recuerde que SE PIDE LA
DESVIACIN ESTNDAR, NO LA VARIANZA:
199 . 0 0398129 . 0
1 . 13 ) 2 10 (
1724 . 4
) 2 (
) 2 (
) ( ) (
2
2
2
2
^
2
^
2
= =
=
=
= =
i
i
i
i
x n
e
x
n
e
B VAR B o
Para 1.4, podemos argir que el valor estimado de la propensin marginal a consumir est
fuera de la realidad. El argumento keynesiano clsico marca un 0 B
2
1, por lo que sta
muestra en particular est sobreestimando lo que la teora econmica marca como rango
aceptable para B
2.
Esto significara que por cada peso extra que ganamos, consumimos 3 pesos,
lo que no es coherente con el sentido comn.
Problema 02: Las respuestas de 2.1, 2.2 y 2.3 son bastante complejas en clculo y notacin, por
lo que no se reproducen aqu, aunque se refieren directamente a las notas de clase, o remtase
al apndice 3A del Gujarati.
2.4 El argumento de su suegro es Falso. Aun cuando las condiciones de Gauss-Markov se
cumplan, recordemos que nos movemos en la rama de los estimadores lineales. Hasta el
momento, nada garantiza que, dentro de los estimadores no lineales exista un mejor
estimador. En la segunda mitad del curso demostraremos que agregando el supuesto de
distribucin normal de los errores, los estimadores MICO alcanzan la cota de Cramer-Rao. ste
fortsimo resultado implicar que son MEI, es decir, los Mejores Estimadores Insesgados, que
es un concepto de estimador ms fuerte que MELI porque abarca tanto a los estimadores
lineales como a los no lineales.
Existe algo mejor aun que MEI? MEI es tan poderoso que yo siempre me conformara
con encontrarlo! Sin embargo, recordemos que aun nos movemos dentro de los estimadores
insesgados. Pero justamente eso es lo que queremos, O no? Recordemos que aun podra
existir un estimador sesgado, pero con varianza tan pequea que compense al sesgo. La mejor
manera de solucionar este trade-off entre varianza y sesgo, y de paso encontrar el Mejor
Universidad Austral de Chile Econometra
Escuela de Ingeniera Comercial Ayudanta 01
Estimador, es utilizar el criterio del Mnimo Error Cuadrtico Medio. ste sera el first-best, o el
"mejor de los mejores".
Dado que existen infinitos estimadores, en la prctica hallar MELI ser suficiente, pero
siendo rigurosos, no debemos olvidar que siempre existe algo mejor.
Problema 03: Como vinos repetidamente, un estimador es insesgado si su valor esperado es
igual al verdadero valor poblacional, es decir, si:
B = B) (
^
E
Por otra parte, es eficiente si tiene varianza mnima dentro de todos los estimadores
insesgados. El utilizar el mximo R
2
como criterio de seleccin de estimadores es una mala idea
ya que, para cada muestra en particular, nuestro problema de optimizacin garantiza minimizar
el error estndar, lo que significa maximizar el R
2
.
El mejor criterio de decisin, en todo caso, es el criterio del mnimo error cuadrtico
medio. Definido como:
2
^
2
^ ^
2
^
) ( ) (
) (
=
+ =
B B E E B E B E ECM
SESGO B VAR ECM
Implica un trade-off entre varianza y sesgo. En el caso de los estimadores insesgados, el
segundo miembro del ECM es cero y slo nos preocupa minimizar la varianza del estimador
para encontrar el MELI.
Problema 04:
Universidad Austral de Chile Econometra
Escuela de Ingeniera Comercial Ayudanta 01
3)
Esa es la varianza de la regresin. Para obtener la varianza de la pendiente, debemos dividir por
1,0425
Universidad Austral de Chile Econometra
Escuela de Ingeniera Comercial Ayudanta 01
Problema 05: