UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE CIENCIAS ECONOMICAS

Econometra I Ciclo 2012-I

Solucionario Prctica 3
1. En el modelo de regresin mltiple

; se cumple que X2i =3X4i

Indique qu parmetros son estimables
a) Cuando no se dispone de informacin a priori sobre ningn coeficiente
b) Cuando se sabe que 4 = 2
Solucin
a) Cuando no se dispone de informacin a priori sobre ningn coeficiente

Y = 1 +3 2 X 4 i+ 3 X 3 i + 4 X 4 i+u i
Y = 1 + 3 X 3i + ( 3 2 + 4 ) X 4 i+ui
Notamos que existe multicolinealidad perfecta en la regresin.
Los parmetros estimables son

3 , ya que el coeficiente de

la variable X4i es una combinacin lineal de las otras, en la cual no

podemos hallar el valor de cada parmetro contenida en sta.
b) Cuando se sabe que 4 = 2

En este caso, ya que tenemos la informacin de que 4 es igual a 2, nuestros

1
3
3 2 +2
parmetros a estimar seran
,
y(
, entonces todos los
parmetros del modelo de regresin son estimables
Solucionado por: Hugo Calixto Linares, Kenio Espinoza Soto, Linda Melendez Risco,

Jeanmarco Velsquez.
2. Comente la siguiente proposicin;

En el modelo de regresin mltiple

existe multicolinealidad exacta porque la segunda variable es el cuadrado de la primera.
Este problema puede corregirse aplicando la transformacin logartmica y estimando la
ecuacin

Solucin

a) Sea la proposicin 1 como sigue:

En el modelo de regresin mltiple

Existe multicolinealidad exacta porque la segunda variable es el cuadrado de la primera.
Segn Casas La colinealidad est referida a la existencia de una sola relacin lineal entre
las variables explicativas y, por lo tanto, la multicolinealidad se refiere a la existencia de
ms de una relacin lineal. Es importante anotar que la multicolinealidad se refiere slo a
relaciones lineales entre las variables independientes y no a cualquier otro tipo de relacin,
as pues, si xi = xj2, entonces no existir multicolinealidad en el modelo.
Entonces en el modelo sealado no existe multicolinealidad.
b) Sea la proposicin 2 como sigue:

En el modelo de regresin mltiple

Este problema (de aparente o supuesta multicolinealidad exacta) puede corregirse aplicando
la transformacin logartmica y estimando la ecuacin

De hecho que si esto es asi va a existir mutlicolinealidad exacta ya que la expresin

sera equivalente a

si

definimos

el

parmetro

se tiene

Y esta es la forma de tratamiento de un modelo cuando existe multicolinealidad perfecta.

Solucionado por: Sicha Morales, Meguis
3. La siguiente tabla proporciona informacin sobre los automviles nuevos vendidos en USA
como funcin de diversas variables
a) Desarrolle un modelo lineal o log-lineal apropiado para estimar una funcin de
demanda de automviles en Estados Unidos.
b) Si decide incluir todas las variables como regresoras en el modelo esperara
encontrar el problema de multicolinealidad? porqu?
c) Si espera lo anterior cmo resolvera el problema?. Plantee los supuestos claramente
y muestre todos los clculos de manera explcita.
Y: Automviles nuevos vendidos (miles)
X2: automviles nuevos
X3: IPC, 1967=100

X4: Ingreso personal disponible (IPD) (miles de millones de dlares)

X5: Tasa de inters (porcentaje)
X6: fuerza laboral civil empleada (miles)
Ao

Y
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986

X2
10227
10872
11350
8775
8539
9994
11046
11164
10559
8979
8535
7980
9179
10394
11039
11450

X3
112
111
111.1
117.5
127.6
135.7
142.9
153.8
166
179.3
190.2
197.6
202.6
208.5
215.2
224.4

X4
121.3
125.3
133.1
147.7
161.2
170.5
181.5
195.3
217.7
247
272.3
286.6
297.4
307.6
318.5
323.4

X5
776.8
839.6
949.8
1038.4
1142.8
1252.6
1379.3
1551.2
1729.3
1918
2127.6
2261.4
2428.1
2670.6
2841.1
3022.1

X6
4.89
4.55
7.38
8.61
6.16
5.22
5.5
7.78
10.25
11.28
13.73
11.2
8.69
9.65
7.75
6.31

79367
82153
85064
86794
85846
88752
92017
96048
98824
99303
100397
99526
100834
105005
10750
109597

SOLUCION:
a) Desarrolle un modelo lineal o log-lineal apropiado para estimar una funcin
de demanda de automviles en Estados Unidos.
Se propone el modelo log lineal siguiente:

log ( Y t ) = 1+ 2 log ( X 3 t ) + 3 log ( X 4 t ) + t

Si decide incluir todas las variables como regresoras en el modelo esperara

encontrar el problema de multicolinealidad? Por qu?

Test de Ortogonalidad:

|R|=0.0000291

2CALC = n1

( 2k + 5 )
ln|R|
6

2CALC = 161

10+ 5
(10.44477238)
6

2CALC =130.5596548> 2=20.5

Existen indicios de multicolinealidad alta.

Test F
El

mximo pertenece a la variable

X3 :

R2max =0.996132

FCALC =

R 2max / ( K1 )
2
max

(1R ) / ( N K )

0.996132/4
=93.64783304
(10.996132)/11

FCALC =93.64783304 > F=3.36

La variable X3 est colineada con las dems variables explicativas.

Test t
El

mximo pertenece a la variable

X2 :

r max =0.996865

t CALC =

r 2max n2

1r

2
max

0.996865 14
=66.61646657
10.996865

t CALC =66.61646657> t=2.145

La variable X2 est colineada con x3

Si espera lo anterior cmo resolvera el problema?. Plantee los supuestos
claramente y muestre todos los clculos de manera explcita.
Eliminando las variables que no explican mucho al modelo X5 y X6
Esto me hara quedar con tres variables X2, X3 Y X4 y las estimo en un modelo
Log-Lineal

log ( Y t ) = 1+ 2 log ( X 2 t ) + 3 log ( X 3t ) + 4 log ( X 4 t ) t

Sin

embargo, ya se demostr que las variables X2 y X3 estn altamente

colineadas. Por lo tanto elimino la variable X2 por motivos tericos. Mi

modelo quedara como el primer modelo elegido.
log ( Y t ) = 1+ 2 log ( X 3 t ) + 3 log ( X 4 t ) + t

Solucionado por: Valencia Ortiz, Stephania; Ramos Torres, Luis; Torres Polanco,Diana;
BarrantesLimahuaya, Jess, Meza Sales, Richard.
4. Dada la funcin de consumo Keynesiana, en la que el consumo es funcin lineal de la renta
disponible, se pretende contrastar para datos referidos a una muestra de familias peruanas,
si el consumo autnomo difiere segn la familia reside en las ciudades de Lima, Trujillo o
Arequipa.(unidades en cientos de S/.)
Familia
1
2
3
4
5
6
7
8
9
10
11
12
13

Ciudad de Residencia
Lima
Lima
Lima
Lima
Lima
Trujillo
Trujillo
Trujillo
Trujillo
Arequipa
Arequipa
Arequipa
Arequipa

Por MCO obtenemos:

Dependent Variable: CONSUMO
Method: Least Squares
Date: 12/07/01 Time: 00:09
Sample: 1 13

Consumo
9
16
62
20
6.8
19
12
30
10
6
25
15
22

Renta disponible
10
20
100
25
8
30
20
50
18
10
40
25
34

Included observations: 13
Variable
Coefficient
C
0.794799
RENTAD
0.594686
LIMA
2.578428
TRUJILLO
-0.588044
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.996094
0.994792
1.059430
10.10153
-16.80650
3.212438

Std. Error
0.631800
0.012637
0.713896
0.749670

t-Statistic
1.257992
47.06096
3.611772
-0.784404

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Prob.
0.2401
0.0000
0.0056
0.4530
19.44615
14.68063
3.200999
3.374830
765.0773
0.000000

Matriz de covarianzas de los coeficientes estimados.

C
RENTAD
LIMA
TRUJILLO
0.399172
-0.004351
-0.257319
-0.270808
-0.004351
0.000160
-0.000854
-0.000359
-0.257319
-0.000854
0.509647
0.282520
-0.270808
-0.000359
0.282520
0.562005

Series: Residuals
Sample 1 13
Observations 13

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

3
2

5.12E-16
-0.100481
1.759616
-1.330718
0.917494
0.370236
2.102938

1
Jarque-Bera
Probability

0.732885
0.693196

0
-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

a) Interprete los resultados obtenidos, analice el incumplimiento de supuestos para las

perturbaciones del modelo. Contrastar si los consumos autnomos difieren
significativamente.
b) Se estim un segundo modelo obtenindose los siguientes resultados:
Dependent Variable: CONSUMO
Method: Least Squares
Date: 12/07/01 Time: 00:21
Sample: 1 13
Included observations: 13
Variable
Coefficient
C
0.511444
RENTAD
0.594310
LIMA
2.874039
R-squared
Adjusted R-squared
S.E. of regression

0.995827
0.994993
1.038852

Std. Error
0.508275
0.012382
0.594543

t-Statistic
1.006235
47.99738
4.834033

Mean dependent var

S.D. dependent var
Akaike info criterion

Prob.
0.3380
0.0000
0.0007
19.44615
14.68063
3.113283

Sum squared resid

Log likelihood
Durbin-Watson stat

10.79213
-17.23634
2.934236

Schwarz criterion
F-statistic
Prob(F-statistic)

3.243656
1193.212
0.000000

Series: Residuals
Sample 1 13
Observations 13

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

4
3
2
1

Jarque-Bera
Probability

1.81E-15
-0.328586
1.756759
-1.339966
0.948338
0.365802
2.105622
0.723210
0.696557

0
-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

Matriz de covarianzas para los coeficientes estimados

C
RENTAD
LIMA
0.258344
-0.004350
-0.116521
-0.004350
0.000153
-0.000648
-0.116521
-0.000648
0.353481
b1) Compare los resultados de este modelo con el modelo anterior. Interprete a los
coeficientes de este modelo.
b2) Obtenga una prediccin puntual e intervlica para el consumo de una familia residente en la
ciudad de Lima, cuya renta disponible es de S/. 3000 (RENTAD = 30).
Solucin

a) Interprete los resultados obtenidos, analice el incumplimiento de

supuestos para las perturbaciones del modelo. Contrastar si los
consumos autnomos difieren significativamente.
Sabemos que el modelo es el siguiente:
CONSUMOi =1 + 2 RENTAD i + 3 LIMA i + 4 TRUJILLOi + i
Donde:
*Variables dummy

LIMA (1= familia de lima, 0= otra ciudad)

TRUJILLO (1= familia de Trujillo, 0=otra ciudad)

LIMA=0 Y TRUJILLO=0 => AREQUIPA (categora de referencia)

*Estimacin e interpretacin de los coeficientes

La funcin de regresin poblacional se puede expresar como:

LIMA CONSUMOi=( 1 + 3 ) + 2 RENTAD i+ i

TRUJILLO CONSUMOi =( 1+ 4 ) + 2 RENTADi + i

AREQUIPA CONSUMO i= 1+ 2 RENTADi + i

Usando los resultados de EVIEWS:

Modelo estimado:
^
CONSUMO i=0.794799+0.594686 RENTAD i+2.578428 LIMA i0.588044 TRUJILLOi + i
Donde se puede observar que los regresores RENTAD i y LIMAi son
significativos para explicar el consumo medio de las familias, en
cambio la variable TRUJILLOino es significativa a un nivel de 5% (valor
critico de la t de Student con 9 grados de libertad es 2.262) y
comparando con la Prob. de cada coeficiente.
*Interpretacin de coeficientes:

^ 1=0.7948

El consumo autnomo (consumo medio) para una

familia que reside en Arequipa y con cero de renta disponible es

de 79.48 soles.

^ 2=0.5947

El consumo medio estimado de una familia se

incrementa en 59.47 soles en aumentar en 100 soles la renta

disponible de la familia.

^ 3=2.5784
Es el efecto diferencial, es decir, el cambio en el
consumo medio que se produce por ser una familia residente en
Lima y no en Arequipa. Se estima que entre las familias con la
misma renta disponible, el consumo medio de la residente en
Lima es 257.84 ms que la que reside en Arequipa.

^ 4=0.5880

Es el efecto diferencial en el consumo medio

que se produce por ser una familia que reside en Trujillo y no en

Arequipa. Se estima que entre las familias con la misma renta
disponible, el consumo medio de la residente en Trujillo es
58.80 soles menos que la que reside en Arequipa.

R2=0.996

La variabilidad del consumo medio de las familias

es explicada por las variables incluidas.

*Interpretacin del error:
Como sabemos, el histograma de frecuenciasrepresenta grficamente
la distribucin de las frecuencias de los valores de la serie de los

Series: Residuals
Sample 1 13
Observations 13

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

3
2

5.12E-16
-0.100481
1.759616
-1.330718
0.917494
0.370236
2.102938

residuos.
Estos
resultados
nos
indican que la media
aritmtica del error
ser siempre nula.

1
Jarque-Bera
Probability

0
-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

0.732885
0.693196

Aparecen en primer
lugar dos medidas de
tendencia central de

la serie:

La media (mean) de los residuos, calculada como promedio

aritmtico tiende a cero.
La mediana (median) de los residuos es aquel valor que separa
los valores de la serie en dos conjuntos de igual densidad de
frecuencias.

A continuacin se muestran dos aproximaciones a la dispersin de la

serie respecto a sus valores centrales:

El valor mximo (maximun) y mnimo (minimun) de la serie

residual.
La desviacin tpica (Std. Dev.) de la serie residual 0.92 que
tiende a uno (raz de la varianza de los residuos).
Por ltimo algunos clculos que ayudan a valorar la normalidad
estadstica de la serie residual:

El coeficiente de asimetra (skewness) 0.3702 tiende a cero, nos

da indicios de normalidad.

El coeficiente de curtosis (kurtosis) 2.1029 tiende a tres, con un

apuntamiento algo menor a la distribucin normal. Se puede
decir que se acepta la H0 de normalidad de los residuos cuando
la curtosis se acerca a 3, a pesar que la asimetra no sea cero.

El JARQUE BERA para contrastar la hiptesis nula de que la

serie residual se distribuye como una Normal ya que esta
2 con dos grados de
expresin (JB) se distribuye como una
libertad.
Donde:

H0: i se aproxima a una distribucin Normal.

H1: i no se aproxima a una distribucin Normal.
2
El JB es 0.7329 que es menor a 5.99 ( (5 ,2) ) no se rechaza la

hiptesis nula.

El valor de la probabilidad (Probability) ofrecido por Eviews, se

entiende como el nivel de significacin asociado al rechazo de
la hiptesis nula: valores pequeos para esa probabilidad
(inferiores a 0.05) indicaran, por tanto, ausencia de normalidad
en la distribucin de valores de la variable analizada. Decimos
entonces que existe una alta probabilidad de 69.66% (mayor a
5%) de no rechazar la hiptesis nula de normalidad.

*Contraste de significancia para los consumos autnomos:

H 0 : ^ 3 ^ 4=0
H 1 : ^ 3 ^ 4 0
Donde la hiptesis nula indica que no hay efecto diferencial en las
familias que residen en Lima frente a las que residen en Trujillo, sobre
el consumo medio autnomo.
Utilizamos la prueba F
1
^ )' [ R ( X ' X )1 R' ] ( R r
^ ) /q
( R r
F=
e e' / ( nk )

Para:
q= 1
k= 4
n= 13
Se puede expresar as:
1
'
F=( R ^r ) [ RV ( ^ ) R ' ] ( R ^r )
Calculando R:
R= [ 0 0 1 1 ]
Necesitamos
^ '
RV ( ) R :

][ ]

0.399172 0.004351 0.2573190.270808 0

RV ( ^ ) R =[ 0 01 1 ] 0.004351 0.000160 0.000854 0.000359 0
0.257319 0.000854 0.509647 0.282520
1
0.270808 0.000359 0.282520 0.562005 1
'

[]

0
RV ( ^ ) R =[ 0.013489 0.000495 0.227127 0.279485 ] 0
1
1
'

RV ( ^ ) R ' =0.506612
1

[ RV ( ^ ) R' ]

=1.973897

^
R r :

[ ]

0.794799
R ^r= [ 0 0 1 1 ] 0.594686 [ 0 ]
2.578428
0.588044
^ )' =3.166472
R ^r=( R r
Remplazamos:
F=( 3.166472 ) [ 1.973897 ] (3.166472 )
F=19.791

El F tabulada:
F( q ,nk )=F (1,134 )=F( 1,9)
F( 1,9)=5.117

Regin de
Rechazo
0.05

Regin de
Aceptacin
0.95
F= 19.79

5.12

Como

FCalculado >F (1,9 )

rechazamos

la

Hiptesis

nula

( H0) , y

concluimos
que
los
consumos
autnomos
si
difieren
significativamente respecto a una familia que reside en Lima sobre
una que reside en Trujillo.
a) Se estim un segundo modelo obtenindose los siguientes
resultados:
Dependent Variable: CONSUMO
Method: LeastSquares
Date: 12/07/01 Time: 00:21
Sample: 1 13
Included observations: 13
Variable
Coefficie Std. Error t-Statistic
nt
C
0.51144 0.508275 1.006235
4
RENTAD
0.59431 0.012382 47.99738
0
LIMA
2.87403 0.594543 4.834033
9
R-squared
0.99582
Mean dependent
7
var
Adjusted
R- 0.99499
S.D. dependent var
squared
3
S.E. of regression 1.03885 Akaike info criterion
2
Sum
squared 10.7921
Schwarz criterion
resid
3
Log likelihood
F-statistic
17.2363
4
Durbin-Watson
2.93423 Prob(F-statistic)
stat
6

Prob.
0.3380
0.0000
0.0007
19.446
15
14.680
63
3.1132
83
3.2436
56
1193.2
12
0.0000
00

Series: Residuals
Sample 1 13
Observations 13

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

4
3
2
1

Jarque-Bera
Probability

1.81E-15
-0.328586
1.756759
-1.339966
0.948338
0.365802
2.105622
0.723210
0.696557

0
-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

Matriz de covarianzas para los coeficientes estimados

C
0.25834
4
0.00435
0
0.11652
1

RENTAD
0.004350
0.000153

LIMA
0.116521
0.000648

0.353481
0.000648

b1) Compare los resultados de este modelo con el modelo anterior.

Interprete a los coeficientes de este modelo.
Sabemos que el nuevo modelo de regresin seria:
CONSUMOi = 1 + 2 RENTAD i+ 3 LIMA i + i
La funcin de regresin poblacional se puede expresar como:
LIMA CONSUMOi=( 1 + 3 ) + 2 RENTAD i+ i

NOLIMA CONSUMOi= 1 + 2 RENTAD i

Modelo estimado:
^
CONSUMO i=0.511444 +0.594310 RENTADi +2.874039 LIMA i+ i
Donde se puede observar que a diferencia del modelo anterior, todos
los regresores son significativos para la explicacin del modelo y la

estimacin del consumo medio de las familias. Esto con una

significancia del 5% y contratndolo con las probabilidades. De cada
coeficiente que son menores.
*Interpretacin de los coeficientes

^ 1=0.5114

El consumo autnomo para una familia que no

reside en Lima asciende a 51.14 soles.

^ 2=0.5943

El consumo medio estimado de una familia se

incrementa en 59.43 soles en aumentar en 100 soles la renta

disponible de la familia.

^ 3=2.8740

Es el efecto diferencial en el consumo medio de

una familia por residir en Lima y no en otra ciudad. Se estima

que entre las familias con la misma renta disponible, el
consumo medio de la residente en Lima es 287.40 ms que la
que no reside all.
Al igual que en el modelo anterior la variabilidad del consumo medio
es explicada en un gran porcentaje por sus variables, en este caso es
de 99.58%. Adems que hay significancia conjunta con una prueba F
(F-statistic) de 1193.212.
*Interpretacin del error:
6

Al igual que en el
modelo
anterior,
analizando
el
Mean
1.81E-15
4
histograma
de
Median
-0.328586
Maximum
1.756759
frecuencias
en
los
3
Minimum
-1.339966
residuos con un JB de
Std. Dev.
0.948338
Skewness
0.365802
2
0.7232 no rechazamos
Kurtosis
2.105622
la hiptesis nula de
1
Jarque-Bera
0.723210
distribucin normal en
Probability
0.696557
0
los residuos. Adems de
-1.5 -1.0 -0.5
0.0
0.5
1.0
1.5
2.0
una
probabilidad
de
69.66% (mayor al 5%) de no rechazar la hiptesis nula de normalidad.
5

Series: Residuals
Sample 1 13
Observations 13

La kurtosis tiende a tres lo que nos indica que pueda tener

distribucin normal, a pesar que el coeficiente de asimetra 0.3658 no
sea cero pero tienda a este.
b2) Obtenga una prediccin puntual e intervlica para el consumo de
una familia residente en la ciudad de Lima, cuya renta disponible es
de S/. 3000 (RENTAD = 30).
Modelo estimado:

^
CONSUMO i=0.511444 +0.594310 RENTADi +2.874039 LIMA i+ i
Prediccin puntual:
^ =0.511444 +0.594310 (30)+2.874039( 1)
Y
Y^ =21.214783
Prediccin intervlica:
1
L=Y^ i t S 2e ( 1+ X 'i ( X ' X ) X i )
1

L=Y^ i t

S + X V ( ^ ) X
2
e

'
i

Donde:
Y^ =21.214783
t ( nk )=t (133 )=2.228

S 2e =

e 2 = 10.79213 =1.079213
nk

133

X 'i= [ 1 30 1 ]
Remplazamos:

][ ]

0,258344 0,004350 0,116521 1

X 'i V ( ^ ) X i=[ 1 30 1 ] 0,004350 0,000153 0,000648 30
0,116521 0,000648 0,353481 1

[]

1
X 'i V ( ^ ) X i=[ 0.011323 0.000408 0.21752 ] 30
1
X 'i V ( ^ ) X i=0.216603
Intervalos:
L=21.214783 2.228 1.079213+0.216603
L=21.214783 2.536220

Li=18.678563
Ls=23.751003
Por lo tanto el consumo medio de una familia residente en Lima y con
una renta disponible de S/3000 soles se estima con 95% de confianza
entre los intervalos [ 18.678563,23.751003 ] .
Solucionado por: Delgado Aragn, Rodrigo, Ibaez Campos, Marcia, Ppampas Ogosi, Liliana

Elizabeth, Querhuayo Huaman, Jessica

5. Dado el modelo lineal general:
Yi = 1 + 2 x2i + 3 x3i + i

Con i

N(0,2)

Para el que se dispone de la informacin muestral siguiente:

Se pide:
a) Obtener la estimacin MCO del modelo. hay problema de multicolinealidad?
Justifique.
b) Contrastar al nivel del 5% de significancia : H 0 : 1 + 32 = 2 y 3 =1
c) Dados los valores postmuestrales X2 11 = 1; X3 11 = 1
c1) Obtener una prediccin puntual e intervlica para Y11
c2) Si Y11= 0.8, verificar si puede aceptarse que exista permanencia estructural, al nivel de
significancia del 5%

Solucin
a
Obtener la estimacin MCO del modelo. hay problema de multicolinealidad?
Justifique.
SOLUCIN:

^
=

0.058152
^= 1.446192
0.464622

Por lo tanto:
1=0.058152
2=1.446192
3=0.464622
Yi = -0.058152 + 1.446192 x2i 0.464622 x3i
Hay problema de multicolinealidad?

rX

2 X3

1 r 23
r 32 1

X 2 X 3n X 2 X 3
SX SX
2

= 0.9627
Determinando la matriz de correlaciones:

R =

1
0.9627
0.9627
1

13.6596 13.15
13.15 13.6596

FIV X 3 X 2 = 13.6596 10
FIV X 2 X 3 = 13.6596 10
El factor de incremento de varianza es mayor que 10, por lo tanto existe
multicolinealidad entre las variables.
b

Contrastar al nivel del 5% dee significancia:

H 0 : 1 +3 2=2
3=1
SOLUCIN:
A partir de la hiptesis mencionada, obtenemos la matriz de las restricciones lineales:

H 0 : R=r 1 3 0
0 0 1

][

] []

0.058128
2
1.450738 =
1
0.455894

Utilizamos la Prueba F para las restricciones lineales:

F( q ;nk )
es

][] [

( R ^r ) = 4.294086 2
0.455894

2.294086
1.455894

'

( R ^r ) = [ 2.2940861.455894 ]

R(X ' X )1 R' =

][

][ ]

0.101104 0.000668 0.000517 1 0

1 3 0
0.000668 0.023089 0.016184 3 0
0 0 1
0.000517 0.016184 0.012241
0 1

'
1 '
R( X X ) R = 0.3048970.049069
0.049069 0.012241

[ R(X ' X )1 R' ]

= 9.2421356937.0478193
37.0478193 230.201736

R ^r

][

[ 2.2940861.455894 ] 9.24213569 37.0478193 2.294086

37.0478193 230.201736 1.455894
289.1061185
Hallamos la prueba F:

144.55
1.2000497
F=120.45589
F(q ,nk )=F(2,7) =4.74

Interpretacin: Dado que el

Fcalculado > F tabla

se rechaza la

H 0 , por lo tanto se

acepta la hiptesis alternativa, de que las restricciones lineales de la hiptesis son

diferentes.
c

Dados los valores postmuestrales

X 2 11 =1; X 311 = 1

C1) Obtener una prediccin puntual e intervlica para

Y 11

X 2 11 =1 X 311 =1
De acuerdo al modelo estimado con la data inicial se predice el valor de la variable Y un
horizonte adelante
Prediccin puntual:

Y^ i= ^ 1 + ^ 2 X 2 i + ^ 3 i X 3i

Y^ 11=0.058+1.450 X 211 0.456 X 3 11

Reemplazando

Y^ 11=0.058+1.450( 1 )0.456 8( 1 )=0.936

Y^ 11=0.936
Prediccin intervlica individual:

L=Y^ i t (nk ) S2u^ (1+ X 0 ' ( X ' X)1 X 0 )

para

i=11

L=0.936 2.365 S2u^ (1+ X 0 ' (X ' X )1 X 0)

S 2u^ =

e ' e 8.778
=
=1.254
nk 103
'

Hallando: X 0 '( X X ) X 0

)( )

0.1011036 0.000668 0.005173 1

( 1 1 1 ) 0.000668 0.0230894 0.016185 1

0.000517 0.161847

'

0.012241

X 0 ' ( X X ) X 0 =0.1017

L=0.936 2.365 1.254 (1+0.1017)

L=0.936 1.382

L1=3.716 L2=1.848

Entonces el intervalo de confianza al 95% para

Y 11

es [3.716;-1.848], quiere decir

que en el momento t=11 Y tomar un valor situado entre -1.848 y 3.716 u.m.
.
C2) verificar si puede aceptarse que exista permanencia estructural, al nivel de
significancia del 5 %

Solucin
Hacemos el Test predictivo de un periodo.
Hiptesis nula: Hay estabilidad

Hiptesis alternativa: No hay estabilidad

X t 1 X t 1

1 X t

1+ X t
e
et

T =

Cancelando algunos valores tenemos

X t 1 X t 1

1 X t
1+ X t

e
T= t

Para

t=11 Y^ 11=0.936 y Y 11 =0.80

e t=Y 11 Y^ 11

e t=0.80.936=0.136
1

X 11 ' ( X 10' X 10 ) X 11 =0.1017

T=

0.136
=0.1296
1+0.1017

t tab = 2.3
El t calculado es muy cercano a cero y cae dentro de la regin de aceptacin de la
hiptesis nula, entonces concluimos que hay estabilidad en el modelo.

Solucionado por: Alarcon Alvarez, Debora Mabel; Caari Maza, Edith Lucia; Espinoza

Vega, Whinny Daise; Ruiz Delgado, Diego; Paucar Ramirez,Ibeth del Rosario; Pichiua
Tenorio, Flor Maria.
6. En un muestreo de 100 grandes y medianas empresas de la industria qumica de un pas
se ha obtenido la siguiente regresin referida al personal empleado en dicho sector:
E = 2.3 + 0.05 T 2.4 C + 1.9 F + e
(S =0.037) (S =0.53) (S =0.61)
donde:
E = n de empleado de una empresa (medido en cientos de personas)
T = 1 si la empresa incorpora los ltimos adelantos tecnolgicos y 0 en caso contrario.
C = 1 si existen empresas competidoras en un radio de 50 km y 0 en caso contrario.
F = 1 si hay una empresa complementaria (farmacutica, por ejemplo) en un radio de 50
km y 0 en caso contrario.
a) Justifique si es verdadero o falso y, en caso de que lo sea corregirlo:
a1) Una empresa con tecnologa de punta tiene, por trmino medio, cinco empleados ms
que una que no est en la vanguardia de la innovacin.
a2) Por cada empresa de la competencia existente en un radio de 50 km, una empresa de
la industria qumica contrata 240 trabajadores menos.
b) Dar una interpretacin del coeficiente de F y analizar su significancia
Solucionario

a) Justifique si es verdadero o falso y, en caso de que lo sea

corregirlo:
a1) Una empresa con tecnologa de punta tiene, por trmino medio,
cinco empleados ms que una que no est en la vanguardia de
la innovacin.
Es verdadero.
Teniendo en cuenta que el coeficiente

representa el efecto

diferencial que tiene una empresa que incorpora los ltimos

adelantos tecnolgicos con respecto a las que otras empresas que
no incorporan los ltimos adelantos tecnolgicos, ya que el
2
coeficiente
, esta expresado en cientos de personas, nos
quiere decir que

2=0.05

nos indica que las empresas con

tecnologa de punta tienen en promedio 5 empleados ms que las

empresas que no tienen tecnologa de punta.
a2) Por cada empresa de la competencia existente en un radio de
50 km, una
empresa de la industria qumica contrata 240
trabajadores menos.
Es Falso.

Sabemos que el coeficiente

representa el efecto diferencial

que se presenta cuando existen empresas competidoras en un

radio de 50 km con respecto a cuando no existen otras empresas
en un radio de 50 km, por lo cual no importa cuntas empresas
competidoras existan alrededor de la empresa de la industria
qumica, ya que el efecto siempre ser el mismo.
La proposicin correcta debera ser: Si por lo menos hay una
empresa competidora en un radio de 50 km, la empresa de la
industria qumica contrata 240 trabajadores menos.
b

Dar una interpretacin del coeficiente de F y analizar su

significancia

El coeficiente

nos muestra el efecto diferencial que existe si

hay una empresa complementaria en un radio de 50 km con

respecto a cuando no hay una empresa complementaria en un
4
radio de 50 km. Debido a que el coeficiente
esta expresado
4=1.9

en cientos de personas, un

, nos indica que en promedio

la empresa que tiene una empresa complementaria en un radio de

50km, contratara 190 empleados ms que una empresa que no
tiene una empresa complementaria en un radio de 50km.
*Anlisis de significancia:
*Prueba de Hiptesis:

H 0 : ^ 4 =0 H 1 : ^ 4 0

*Estadstica de prueba:
T0=

( ^ 4 4 )
S ^

1.90
=3.115
0.61

*Valor Crtico:
T

*En la grfica:

=T (0.975)(1002) =T (0.975)(98)=1,984

(1 )(nk)
2

Conclusin: Con una confianza del 95% podemos decir que se rechaza
la hiptesis nula, ya que como apreciamos en el grafico T tabla < T
calculado, T tabla>Tcalculado , esto nos muestra que el coeficiente
4

es significativo, lo que nos indica que s existe un efecto

diferencial entre las empresas donde si hay una empresa

complementaria en un radio de 50 km con respecto a las empresas
donde no hay una empresa complementaria en un radio de 50 km.
Solucionado por: Delgado Aragn, Rodrigo, Ibaez Campos, Marcia, Ppampas Ogosi, Liliana

Elizabeth, Querhuayo Huaman, Jessica

7. El gerente de ventas de cierta empresa cree que la capacidad de ventas, entre otros
factores podra asociarse con la capacidad de razonamiento verbal de los vendedores, con
su inters vocacional y su nivel de instruccin. Para comprobar esto, se escogen al azar 10
vendedores de su personal y se les dan dos pruebas, una de capacidad de razonamiento
verbal y otra de inters vocacional. Los resultados se dan el cuadro, donde:
Y: ventas medias mensuales de un vendedor en miles de dlares
X2: Puntuacin en la prueba de razonamiento verbal
X3: Puntuacin en la prueba de inters vocacional
I: Nivel de instruccin (1 = Instruccin superior, 0 = sin instruccin Superior)
a)
b)

Plantee el modelo para evaluar el efecto diferencial de la instruccin en las ventas medias.
Proporcione la matriz (XX), (XY).
Plantee el modelo para evaluar el efecto total de la instruccin en las ventas, considerando
el efecto interactivo en la puntuacin de razonamiento verbal y en la puntuacin de inters
vocacional. Proporcione las matrices (XX), (XY).

Agente
1
2
3
4
5
6
7
8

Y
1
3
4
2
1
2
2
5

X2
1
2
3
4
1
2
3
4

X3
1
5
4
3
2
3
2
5

I
0
0
0
0
1
1
1
1

9
10
Media
S
c)

3
6
2.9
1.66

5
5
3.0
1.49

2
6
3.3
1.64

1
1
0.6
0.516

Se estim el siguiente modelo. Analice e interprete a los coeficientes del modelo e indique
la importancia relativa de las variables regresoras. Es vlido hacer inferencia con el modelo
por qu?

Dependent Variable: Y
Method: Least Squares
Sample: 1 10
Included observations: 10
Variable
Coefficient
C
-0.849928
I
0.257129
X2
0.420735
X3
0.707105
R-squared
0.891747
Adjusted R-squared
0.837620
S.E. of regression
0.670262
Sum squared resid
2.695505
Log likelihood
-7.634388
Durbin-Watson stat
2.628830

Std. Error
t-Statistic
0.593732 -1.431501
0.455372
0.564658
0.177132
2.375255
0.154547
4.575339
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Prob.
0.2022
0.5928
0.0551
0.0038
2.900000
1.663330
2.326878
2.447912
16.47520
0.002660

Matriz de covarianzas de los estimadores de los coeficientes

C
0.352518
-0.077843
-0.036804
-0.045598
I
-0.077843
0.207363
-0.025079
0.008685
X2
-0.036804
-0.025079
0.031376
-0.012811
X3
-0.045598
0.008685
-0.012811
0.023885
2.5

Series: Residuals
Sample 1 10
Observations 10

2.0

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

1.5
1.0

4.83E-16
-0.004350
0.759304
-0.954326
0.547266
-0.142098
2.142203

0.5
Jarque-Bera
Probability

0.340243
0.843562

0.0
-1.0

-0.5

0.0

0.5

1.0

Solucionario:
a) Plantee el modelo para evaluar el efecto diferencial de la instruccin en las
ventas medias. Proporcione la matriz (XX), (XY).
El modelo que planteamos es el siguiente:
Y = 1 + 2 X 2+ 3 X 3 + 4 I +
Esto dado que queremos saber cul es el efecto diferencial de tener un nivel de
instruccin superior frente a la opcin de no tenerlo respecto a las ventas
medias mensuales.
Nuestra matriz (XX) sera la siguiente:

[ ]
[
]
[]
n

X2i

( X X )=

X2i

i=1
n

i=1
n

X
i=1

2
2i

X3i

i=1

X 23 i

X 3 i X 3 i X 2i
i=1

i=1
n

n2

i=n1 +1

X2i

X2i X3i

i=1

n2

i=1

i=n1+1

X3i

i=n1+1
n

i=n1+1

n2

10 30 33 6
= 30 110 109 20
33 109 133 20
6 20 20 6

X 2i
X3i

4x4

4x 4

Luego, nuestra matriz (XY) sera:

n

Yi
i=1

( X Y )=

29
103
=
117
19

X2iY i
i =1
n

X3iY i
i =1

4 x1

i=n1+1

Yi

4x 1

b) Plantee el modelo para evaluar el efecto total de la instruccin en las ventas,

considerando el efecto interactivo en la puntuacin de razonamiento verbal
y en la puntuacin de inters vocacional. Proporcione las matrices (XX), (X
Y).
Este modelo lo planteamos de la siguiente manera:
Y = 1 + 2 X 2+ 3 X 3 + 4 I + 5 X 2I + 6 X 3I +
Esto debido a que ahora el modelo toma en cuenta el cambio en el efecto de la
puntuacin de razonamiento verbal y de la puntacin de inters vocacional
cuando se pasa de no tener instruccin superior a tenerla, sobre el promedio
de ventas mensuales.
Nuestra matriz (XX) sera la siguiente:

( X X )=

X2i

i=1
n

X2i

i=1
n

i=1

X2i X3i

2
2i

i=1

X 3 i X 2i

i=1

X 23 i

i=1

i=1
n

n2
n

X2i

X3i

i=n1+1
n
i=n1+1

X2i

2
2i

i=n1+1
n
i=n1+1
n

i=n1 +1

n2

i=1

X3i

X3i

i=n1+1
n

X3i X2i

10 30 33 6 20
30 110 109 20 80
( X X )= 33 109 133 20 74
6 20 20 6 20
20 80 74 20 80
20 74 82 20 74

i=n1+1

20
74
82
20
74
82

X2i

X3i

i=n1+1

X3i

n2

X 23 i

X2i

X3i

i=n1+1
n
i=n1+1

X 22 i

i=n1+1
n

i=n1+1
n

X3i X2i

X2i

X 22 i

i=n1+1
n

X2i X3i

i=n1+1
n

i=n1+1
n

X2i

i=n1+1
n

i=n1+1
n

i=n1+1

X 2i X 3 i

i=n1 +1
n

i=n1+1
n

X3i

X 2 i X 3i

X 23 i

X3i

i=n1 +1
n
i=n1 +1
n

i=n1+1
n

X 2 i X 3i

i=n1 +1

X 23 i

6x6

Luego, nuestra matriz (XY) sera:

[]
n

Yi
i=1

X2iY i
i=1
n

X3iY i

( X Y )=

i =1

Yi

i=n1+1
n

X2iY i

X3iY i

[]

29
103
117
=
19
76
79

6x1

i=n1 +1
n
i=n1 +1

6x1

c) Se estim el siguiente modelo. Analice e interprete a los coeficientes del

modelo e indique la importancia relativa de las variables regresoras. Es vlido
hacer inferencia con el modelo por qu?

6x6

Matriz de covarianzas de los estimadores de los coeficientes

C
0.352518
-0.077843
-0.036804
-0.045598
I
-0.077843
0.207363
-0.025079
0.008685
X2
-0.036804
-0.025079
0.031376
-0.012811
X3
-0.045598
0.008685
-0.012811
0.023885

1=0.849928

: Es el valor autnomo que toman las ventas medias

mensuales independientemente de los puntajes obtenidos en las pruebas de

razonamiento verbal y de inters vocacional, y de que si tenga o no tenga
instruccin superior. Como el coeficiente es negativo, se puede decir que
existen prdidas para la empresa (- 849.928 u.m.) al no cumplirse un mnimo
de requerimientos respecto a las variables regresoras del modelo.
2=0.257129
: Es el efecto diferencial de tener instruccin superior frente a
no tenerla en las ventas medias mensuales. Es decir, cuando se cuenta con
instruccin superior, las ventas medias mensuales aumentan de manera
autnoma en 257.129 u.m.
3=0.420735
: Es el incremento de las ventas medias mensuales (420.735
u.m.) cuando el puntaje de la prueba de razonamiento verbal aumenta en una
unidad.
4=0.707105
: Es el incremento de las ventas medias mensuales (707.105
u.m.) cuando el puntaje de la prueba de inters vocacional aumenta en una
unidad.

Importancia relativa de las regresoras

Para

I :

S 0.2571290.455372
2= ^ 2 I =
=0.0704
Sy
1.663330
Un cambio es una desviacin estndar en la variable (estandarizada) I
provocar un cambio de 0.0704 desviaciones estndar de la variable Y .
Por lo que podemos decir que es relativamente poco importante.

Para

X2

3= ^ 3

S x 0.4207350.177132
=
=0.0448
Sy
1.663330
2

Un cambio es una desviacin estndar en la variable (estandarizada)

provocar un cambio de

0.0448

desviaciones estndar de la variable

X2
Y .

Por lo que podemos decir que es relativamente muy poco importante.

Para

X3

4= ^ 4

S x 0.7071050.154547
=
=0.0657
Sy
1.663330
3

Un cambio es una desviacin estndar en la variable (estandarizada)

provocar un cambio de

0.0657

desviaciones estndar de la variable

X3
Y .

Por lo que podemos decir que es relativamente poco importante.

Se puede hacer inferencia con el modelo?

Para poder probar si el modelo es vlido para la inferencia o no, debemos
evaluar el supuesto de normalidad de los errores. Este supuesto es
fundamental para toda la serie de pruebas con las que contamos para la
inferencia que se pueda hacer con el modelo.
Ahora, con la informacin disponible, podemos hacer dos Pruebas de
normalidad: Histograma de frecuencias de los residuos y el Test de JarqueBera.

Histograma de frecuencia de los residuos:

2.5

Series: Residuals
Sample 1 10
Observations 10

2.0

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

1.5
1.0

4.83E-16
-0.004350
0.759304
-0.954326
0.547266
-0.142098
2.142203

0.5
J arque-Bera
Probability

0.340243
0.843562

0.0
-1.0

-0.5

0.0

0.5

1.0

El diagrama muestra que los residuos no tienen una distribucin normal

perfecta; sin embargo, podemos considerar que este mtodo aproximado y
rpido de deteccin nos dice que la distribucin de los errores es, al menos,
cercana a la normal.
Test de Jarque-Bera:
Lo ideal es que nuestro coeficiente de Jarque-Bera sea muy cercano a cero. En
nuestro caso, el modelo posee un JB=0.340243 que es bajo, esto nos da
cierta aproximacin a la distribucin normal. Ahora bien, nuestro JB tiene su
valorp correspondiente, que es la probalidadde obtener un estadstico igual o
mayor a nuestro JB, con el supuesto de normalidad, es aproximadamente 84%.
En consecuencia, no rechazamos la hiptesis nula del test que es la
normalidad de los errores.
Solucionado por: Nuez Daz, Irving Adolfo; Panduro Chvez, Ral Mesias; lvarez Tovar,
Christian Manuel; Coello Martnez, Adrin Manuel; Cmac Yaya, Manuel Jess