Beruflich Dokumente
Kultur Dokumente
Relacin de Ejercicios
Octubre de 2004
Sx2
xi yi
N
P
x2i
1
0
Ejercicio 1.3. La curva de Engel de gastos relaciona los gastos de un consumidor en un bien y su ingreso total. Sea Y el gasto en un bien, y X el
ingreso del consumidor; considere los siguientes modelos:
Yt = 1 + 2 Xt + t
Yt = 1 + 2 (1/Xt ) + t
ln Yt = 1 + 2 ln Xt + t
ln Yt = 1 + 2 (1/Xt ) + t
Yt = 1 + 2 ln Xt + t
Interprete los coeficientes de cada modelo, averiguando en cada modelo
cul es la pendiente y cul la elasticidad.
1
N
P
x2i ei = 0,
i=1
N
P
ei = 0?
que
i=1
Ejercicio 1.8. Se intentan estimar los gastos en vivienda (variable Y , medida en miles de euros) de 200 familias. Para ello se proponen dos modelos
alternativos: en el primer modelo se relacionan los gastos en vivienda con el
ingreso familiar (variable X, medida en miles de euros)
yi = 0 + 1 xi + i ,
b = 30 y
b = 0.5. En el segundo modobteniendo las estimaciones MCO
0
1
elo se relacionan los gastos en vivienda con el ingreso familiar disponible
(variable z, medida en miles de euros) que se define como el ingreso familiar
menos un 10% que se dedica al pago de impuestos
yi = 0 + 1 zi + i .
Conteste a las siguientes preguntas:
b 1 ? Justifique
1. Cul ser el valor de la estimacin MCO de
b0 y
detalladamente su respuesta.
Ejercicio 1.9. Utilizando datos anuales del perodo 1970-2002 se ha estimado la siguiente regresin lineal que explica el precio de la vivienda en
Espaa (variable yt , en euros) en funcin del suelo urbanizable (variable xt ,
en m2 ):
ybt = 23000 0.005xt ; R2 = 0.35.
yi = 0 + 1 xi + i ,
donde i N (0, 2 ), cul es la varianza muestral de los residuos MCO ei ?
Es insesgada? Propn un estimador insesgado de la varianza basado en la
varianza muestral.
Ejercicio 1.18. Supongamos un sencillo ejercicio terico: estimar el modelo yi = 0 + 1 xi + i con slo dos observaciones. Demuestra que los
residuos MCO son cero. Qu implica este resultado para el coeficiente de
determinacin? Comenta detalladamente los resultados obtenidos.
Ejercicio 1.19. Dado el siguiente modelo de regresin mltiple:
Yi = 0 + 1 X1i + ... + k Xki + i
si se rompe uno de los supuestos del modelo lineal clsico: E(i ) = K,
siendo K una constante distinta de cero Qu consecuencias tiene sobre la
estimacin MCO de los parmetros del modelo?
Ejercicio 1.20. Sea el modelo:
Yi = 0 + 1 Xi + i ; i = 1, 2, ...N
donde E(i ) = 2+2Xi , cumplindose el resto de hiptesis clsicas del modelo
de regresin. Calcular el sesgo de los estimadores MCO de 0 y 1 .
Ejercicio 1.21. Dado el siguiente modelo de regresin simple con n observaciones
yi = 0 + 1 xi + i
conteste a las siguientes preguntas:
1. Si se incumple uno de los supuestos del modelo lineal clsico, E (i ) =
2, qu consecuencias tendr sobre la sesgadez de los estimadores MCO
de 0 y 1 ?
2. Cmo cambiara su respuesta si E (i ) = 2xi ?
Ejercicio 1.22. Dado el siguiente modelo:
yi = 0 + 1 x1i + ... + k xki + i ,
donde las perturbaciones i siguen una distribucin normal y cumplen los
supuestos del modelo lineal clsico. Demuestre que en el contraste de significatividad conjunta, la estimacin ybi del modelo restringido coincide con la
media aritmtica de las observaciones de la variable y.
Ejercicio 1.23. Un estadstico que permite realizar el contraste de significatividad conjunta en un modelo con trmino constante y k variables
explicativas es:
(SCER SCE)/k
,
F =
SCE
n(k+1)
1. Estimar por MCO los parmetros del modelo, e interpretar los resultados obtenidos.
2. Contrastar la significatividad global del modelo
3. Contrastar la significatividad individual de todas las variables explicativas Est de acuerdo con la especificacin del modelo?
4. A partir del primer trimestre de 2001 se increment notablemente el
gasto en publicidad de los CDs. Por ello, un alumno propone estimar
una funcin de demanda distinta para cada submuestra. Sabiendo
que SCE(1998.12000.4) = 2.10, y que SCE(2001.12003.3) = 1.15, est
de acuerdo con la propuesta de este alumno? Razone su respuesta.
t N (0, 2 )
que incluye tambin una variable x3 para recoger el precio medio de los
videos. Sabiendo que una vez estimado el nuevo modelo SCE = 1.85
contraste cul de los dos modelos es mejor.
Ejercicio 1.25. Tomando una muestra de observaciones correspondientes
a 20 perodos sucesivos de las variables C (consumo de alimentos), Y (renta
disponible) y P (precios medios de los alimentos) se ha estimado por MCO
la funcin
ct = 0 + 1 yt + 2 pt + t .
Los resultados de la estimacin han sido
b
ct = 1.40 + 0.19 yt 0.24 2 pt ,
(0.52)
(0.01)
(0.07)
20
X
et = 0.92,
R2 = 0.99.
t=1
donde los nmeros entre parntesis son las desviaciones tpicas estimadas
de los coeficientes. Siempre trabajando al 5%, contesta a las siguientes
preguntas
1. Realiza un contraste de la significatividad global de los coeficientes.
2. Realiza un contraste de la significatividad individual de los coeficientes.
3. Contrasta si el consumo autnomo de alimentos es positivo.
4. Construye un intervalo de confianza para la estimacin de los coeficientes.
Ejercicio 1.26. Un director trata de estimar la produccin de su empresa
en funcin del nmero de trabajadores. Este hombre sabe que es el cuarto
director desde 1950, por lo que cree que los parmetros estimados podran
variar segn el director. Para ello realiza una estimacin para todo el perodo
de vida de la empresa (1950-98) y obtiene una varianza de los errores estimada de 6.25. Tambin realiza una estimacin por separado para cada
uno de los tres directores anteriores, que dirigieron la empresa en 1950-60
el primero, 1960-75 el segundo y 1975-98 el ltimo. La varianza estimada
de los errores fue de 3.22, 5.21 y 6.50 respectivamente. Qu estimacin
debera elegir el director?
Ejercicio 1.27. Se quiere contrastar la hiptesis de que en dos ciudades,
A y B, a igual nmero de aos de estudio corresponden salarios iguales. Se
sabe que la relacin nmero de aos de estudio, X, salario percibido, Y ,
obedece al modelo:
Yi = Xi + i
Con el fin de contrastar esta hiptesis se han entrevistado 10 individuos
en cada ciudad. Los datos obtenidos son:
Ciudad
A:
P 2
P
P
=
55
Xi Yi = 228.8
X
i
P
P X2i = 385
Yi = 32.7
Yi = 136.09 NA = 10
Ciudad B:
P
P 2
P
Xi Yi = 1004.2
P X2i = 385
P Xi = 55
Yi = 2619.47 NA = 10
Yi = 143.7
Se puede rechazar la hiptesis de que los niveles de salarios son iguales
para las dos ciudades?
0
1
4
5
2
1
3
2
5
43
30
24
30
65
57
90
3
5
6
6
5
9
10
12
5
2
6
7
4
3
7
6
b Yb , e, s2 .
Determina qu valen en este ejemplo X, X 0 X, X 0 Y . Calcula ,
horas de trabajo
7400
9800
4600
12200
14000
8200
5800
17000
10
metros cuadrados
4000
6000
2000
8000
10000
5000
3000
12000
1
10
1
0
2
25
3
-1
3
32
4
0
4
43
5
1
5
58
7
-1
6
62
8
0
y
x1
x2
Calcula (trabaja con un del 5%):
7
67
10
-1
8
71
10
2
11
y
1.2 1.7 2.0 2.1 2.2
x1
1
2
3
4
5
Realiza las siguientes operaciones (con = 5%)
1. La estimacin MCO de los parmetros del modelo.
2. La estimacin insesgada de la varianza de las perturbaciones.
3. El coeficiente de determinacin y el corregido.
4. El contraste de significatividad global de los coeficientes.
5. Los contrastes de significatividad individual de los coeficientes.
6. El contraste de la hiptesis nula H0 : 1 = 1.
7. Contrastar si el parmetro 1 es mayor que 1.
8. Construir un intervalo para la estimacin de 0 y 1 .
9. Cuntos vehculos estimas que tendr una familia de 7 personas?
Ejercicio 3.1. Se quiere estimar un modelo que relaciona las ventas de una
empresa (variable V ) con el precio de su producto (variable P ) y el gasto
de publicidad anual (variable G). Para ello, se han recogido datos para los
ltimos diez aos. Se proponen los siguientes modelos:
vt = 0 + 1 pt + 2 gt + t ,
vt = 0 + 1 pt + t ,
SEC = 405,
ST C = 1500
SEC = 1185.
Yi = 0 + 1 X2i + i
b y
b ? Justifique su respuesta.
Ser
b1 =
b1 =
1
2
12
(1)
pero, por error, aadimos una variable irrelevante (X2 ) al modelo (irrelevante en el sentido que el verdadero coeficiente 2 de la variable X2 es
cero), y estimamos
Yi = 0 + 1 X1i + 2 X2i + i
(2)
0
1
13
14
(1.00)
(2.17)
(0.63)
donde los valores en parntesis son las desviaciones tpicas de los parmetros
estimados. El coeficiente de determinacin corregido del modelo es 0.952.
Qu problemas tiene la estimacin? Cmo los resolvera?
Ejercicio 3.10. Tenemos la siguiente estimacin
ybi = 32.10 + 0.76 x1i + 0.31 x2i ,
(3.60)
(2.10)
(2.80)
donde los valores entre parntesis son las desviaciones tpicas estimadas de
los parmetros. Adems, disponemos de la siguiente informacin
N = 25,
SCE = 0.43,
ST C = 12.3.
Detectar si el modelo anterior tiene problemas de multicolinealidad y proponer una solucin al problema.
Ejercicio 3.11. La siguiente ecuacin se ha utilizado tradicionalmente para
explicar los salarios de los individuos:
Sali = 1 + 2 Edadi + 3 Expi + 4 Educi + i ; i = 1, ..., N
donde: Sal es el salario en trminos reales, Edad es la edad, Exp son los
aos de experiencia, y Educ son los aos de educacin.
1. Un econmetra dispone de una muestra de datos con la que pretende
llevar a cabo la estimacin. El conjunto de datos incluye salarios, edad
y aos de educacin de cada individuo, pero no hay ninguna medida
directa de la experiencia. Para estimar la ecuacin, el econmetra mide
15
(0.21)
(1.23)
(1.03)
R2 = 0.77 (3)
16
cumple los supuestos clsicos. Como sabes, puede ser conveniente discriminar entre datos de temporada alta respecto a aquellos de temporada baja.
Para tener en cuenta este problema, se definen las ficticias
DAt que vale 1 si el trimestre t se corresponde con temporada alta y
0 en otro caso.
DBt que vale 1 si el trimestre t se corresponde con temporada baja y
0 en otro caso.
Para llevar a cabo la estimacin del modelo anterior se proponen las
siguientes alternativas
Alternativa 1 : yt = 0 + 1 xt + 3 DAt + 4 DBt + t .
Alternativa 2 : yt = 0 + 1 DAt + 1 xt + t .
Alternativa 3 : yt = 1 DAt + 2 DBt + 1 xt + t .
1. Cree que hay alguna propuesta incorrecta?
2. Se sabe que los coeficientes 0 y 1 de la alternativa 2 estn relacionados con los coeficientes 1 y 2 de la alternativa 3. Encuentre esa
relacin lineal e interprete econmicamente los resultados.
3. Cul ser la relacin entre los coeficientes 1 y 1 de las alternativas
2 y 3? Qu interpretacin te sugiere?
Ejercicio 3.14. La cantina de la facultad nos ha pedido que estudiemos la
evolucin de sus ganancias. Considerando que la nica variable explicativa
cuantitativa sera la renta mensual de sus clientes, describa detalladamente
cmo estudiara si afecta a esta relacin:
1. El hecho de estar en poca de exmenes
2. El hecho de ser profesor o alumno
Ejercicio 3.15. Imagina que somos propietarios de una empresa de helados
y que queremos estimar las ventas de ese producto en funcin del nmero de
trabajadores y del gasto en publicidad, segn un modelo lineal sin trmino
constante. Para ello se dispone de datos trimestrales para los ltimos diez
aos. Responde a las siguientes preguntas:
1. Crees que deberamos incluir alguna variable ficticia? Si tu respuesta
es afirmativa, introduce una ficticia para cada estacin del ao.
2. Describe el significado de los coeficientes de las ficticias.
3. Explica cmo contrastaras si se produce un efecto estacional.
17
18
(1)
Yt = 0 + 1 X1t + 2 X2t + t ,
Yt =
(2)
0 + 1 X1t
(2)
+ 2 X2t
+ t ,
(2)
(1)
(2)
H0 : 1 = 1 , 2 = 2
HA : no H0
Si suponemos que se cumplen todas las hiptesis habituales del modelo lineal
clsico,
c = y y
c = y y , siendo y y y las medias
1. Demuestre que
1
1
2
2
1
2
1
muestrales de los valores de la variable y para cada uno de los dos
subgrupos.
c2 = y2
2. Demuestre que
c1 = y1 y
19
20
bt
C
P N Bt
= 25.90
(2.2)
(0.006)
(0.07)
1
Dt
+ 0.62 0.43
, R2 = 0.8
P N Bt (0.006) (0.06) P N Bt
Qu supuesto sobre los errores habrn hecho los autores de las estimaciones
anteriores?
Ejercicio 4.6. Considera el modelo
yt = 0 + 1 xt + ut ,
donde los errores estn independientemente distribuidos, con media 0 y varianza 2t .
1. Explica cmo estimar los parmetros del modelo, suponiendo que 2t =
xt , siendo una constante positiva de valor conocido.
2. Contesta a la pregunta anterior suponiendo ahora que 2t = a + bxt ,
siendo a y b constantes positivas de valor conocido.
3. Contesta a las dos preguntas anteriores, suponiendo que , a y b son
ahora constantes positivas desconocidas.
Ejercicio 4.7. Suponiendo el modelo
yt = 0 + 1 xt + 2 wt + ut ,
donde ut N (0, 2 ) y donde xt y wt son deterministas. Un investigador cree
errneamente que var(ut ) = 2x2t , por lo que transforma el modelo y aplica
MCO al modelo transformado. Qu propiedades tendr este estimador?
21
Ejercicio 4.8. Un econmetra trata de estimar el consumo regional en funcin de la renta. Para ello toma datos de 10 regiones y propone el siguiente
modelo
Ci = 0 + 1 Ri + Ui ,
donde Ci y Ri son el consumo y la renta medios de cada regin. El investigador supone que el consumo por individuo tiene una varianza constante 2
y aplica MCO al modelo propuesto. Ha realizado bien la estimacin? En
caso de que tu respuesta sea negativa, propn una alternativa.
Ejercicio 4.9. Considere el modelo yi = xi + ui , con var(ui ) = (kxi )2 .
Prueba que el estimador MCG de es igual al promedio muestral del cociente xyii . Halle su varianza.
Ejercicio 4.10. Considere el siguiente modelo de regresin simple:
Yi = 0 + 1 Xi + ui
ui N (0, 2 )
i = 1, ...., n
22
V =
9x21
0
..
9x2n
23
= X +
N (0, 2 I)
las distribuciones de los residuos MCO y de las perturbaciones coinciden.
Cuestin 5.7. En el modelo economtrico
yi = 0 + 1 xi + i ,
donde t N (, 2 ) con 6= 0, la estimacin MCO de 0 es sesgada pero
no la de 1 .
Cuestin 5.8. La estimacin MCO de 1 en dos modelos distintos de la
forma:
Yi = 1 X1i + 2 X2i + i
Yi = 1 X1i + i
es igual siempre y cuando X1 y X2 sean ortogonales, es decir, cuando
P
N
i=1 X1i X2i = 0.
Cuestin 5.9. El estimador de mnimos cuadrados restringidos de un modelo economtrico lineal clsico normal es siempre ms eficiente que el estimador de mnimos cuadrados ordinarios.
Cuestin 5.10. Suponga que se desea desarrollar un modelo que explique
la conducta del ahorro agregado como una funcin de los tipos de inters.
En ese caso, ser mejor obtener una muestra correspondiente a un perodo
de tipos de inters fluctuantes que otra correspondiente a un perodo de
tipos de inters estables.
Cuestin 5.11. La multicolinealidad fuerte (no exacta) se debe a una mala
especificacin del modelo.
Cuestin 5.12. La existencia de multicolinealidad aumenta el riesgo de no
rechazar hiptesis falsas en los contrastes.
Cuestin 5.13. El factor comn a la mayora de las soluciones a la multicolinealidad es tratar de encontrar un estimador de los parmetros del modelo
con menor varianza que el de MCO, posiblemente en el grupo de estimadores
sesgados.
24
25