Beruflich Dokumente
Kultur Dokumente
Estudiantes
Para su uso con
Damodar N. Gujarati
Cuarta edicin
Econometra Bsica
Cuarta Edicin
Me
Graw
Hill
Boston Burr Ridge, IL Dubuque, IA Madison, Wl Nueva York San Francisco St. Louis
Bangkok Bogot Caracas Kuala Lumpur Lisboa Londres Madrid Miln Montreal Ciudad de
Mxico Nueva Delhi Santiago Sel Singapur Sydney Taipei Toronto
CONTENIDO
Captulo 1: La naturaleza del Anlisis de Regresin .................................................................. 1
hapter 2: Two-Variable Regression Analysis: Some Basic Ideas ............................................... 5
Captulo 3: Modelo de regresin Two-Variable: El problema de la estimacin ....................... 11
Captulo 4: La suposicin de normalidad: clsico modelo de regresin lineal Normal (CNLRM)
................................................................................................................................................... 22
Captulo 5: Regresin Two-Variable : Intervalo Estimacin y pruebas de hiptesis ............... 24
Captulo 6: extensiones del modelo de regresin logstica Two-Variable............................................. 36
Captulo 7: Regresin mltiple Anlisis: El problema de la estimacin ................................... 43
Captulo 8: Regresin mltiple Anlisis: El problema de inferencia.................................................... 53
Captulo 9: Modelos de regresin Variable ficticia ................................................................... 70
Captulo 10: La multicolinealidad: Qu sucede si los regresores estn correlacionadas? ....... 86
Captulo 11: Heteroscdasticity: Qu sucede cuando es varianza del error no es constante..... 99
Captulo 12: La Autocorrelacin: Qu ocurre si el trmino de error estn correlacionados . 111
Captulo 13: Modelos economtricos: Especificacin del modelo y las Pruebas de Diagnstico
................................................................................................................................................. 124
Captulo 14: modelos de regresin no lineal ........................................................................... 134
Captulo 15: modelos de regresin Respuesta Cualitativa ...................................................... 138
Captulo 16: modelos de regresin Datos de panel ................................................................. 144
hapter 17: Dynamic Econometric Models: Autoregressive and Distributed Lag Models ....... 149
Captulo 18: Modelos Simultaneous-Equation ........................................................................ 160
Captulo 19: El problema de identificacin ............................................................................. 163
Captulo 20: Simultaneous-Equation Mtodos ........................................................................ 168
Captulo 21: Series de Tiempo Econometra: Algunos conceptos bsicos ............................. 173
Captulo 22: Series de Tiempo Econometra: La Previsin .................................................... 181
PREFACIO
Este manual proporciona respuestas y soluciones a unas 475 preguntas y problemas
en la cuarta edicin de Econometra bsica. La mayora de las respuestas y las soluciones
se describen en detalle. En los pocos casos en que las respuestas no eran necesarias, me han
proporcionado alguna orientacin.
Las soluciones ha sido una tarea larga y tediosa tarea. He hecho todo lo posible para
verificar la exactitud de las soluciones numricas pero algunos errores e imprecisiones y
errores tipogrficos que han aparecido. Le agradecera mucho si el lector va a aportar a mi
atencin para que yo pueda corregirlos en la reimpresin de este manual.
Las respuestas a algunas de las preguntas son de ndole cualitativa y, por lo tanto,
abierto a la discusin. En algunos casos, puede haber ms de una forma de resolver un
problema o de modelado un fenmeno econmico. Espero que los instructores se
complementan este manual soluciones con sus propios ejercicios.
QUISIERA alguna sugerencia el lector podra tener que ofrecer para mejorar la
calidad de las preguntas y problemas, as como cualquier otro aspecto de esta solucin
manual. Tambin me gustara algn comentario sobre la cuarta edicin de Econometra.
Damodar Gujarati Departamento de Ciencias
Sociales EE.UU. Academia Militar West
Point, NY 10996.
EE.UU.
13,58382
11,70483
9,567198
9,563410
9,108159
10,60870
13,67925
13,27801
11,96581
9,487459
7,669323
5,827937
2,534965
3,239557
2,725021
3,456592
3,341103
3,157895
2,405248
2,135231
1,602787
1,783265
2,021563
1,188904
6,847134
5,961252
4,360056
3,638814
2,730819
4,050633
5,474453
6,343714
5,314534
3,295572
2,392822
2,044791
-0.095420
0,191022
1,334604
2,728128
2,747253
3,654189
4,987102
4,504505
2,742947
1,830664
1,498127
1,697417
19,41748
17,07317
16,66667
19,34524
12,46883
15,52106
21,30518
19,30380
16,31300
14,93729
10,61508
8,609865
6,110652
4,591440
4,985119
6,591070
6,117021
6,390977
5,300353
4,250559
3,916309
5,369128
3,870652
1,745283
23,17328
11,69492
9,559939
8,171745
4,225352
3,685504
7,701422
4,840484
2,938090
1,732926
2,304609
1,958864
0,672430
0,000000
0,763359
2,367424
3,052729
3,231598
1,652174
1,283148
0,760135
-0.167645
0,167926
1,676446
0,157706
0,244582
0,164179
0,158120
0,083026
0,134583
0,178679
0,119745
0,085324
0,046122
0,050100
0,060115
0,034203
0,041775
0,049290
0,077229
0,095344
0,058704
0,036966
0,015980
0,024803
0,033648
0,024557
0,031215
(B)
--------PC
-------- PI - - PUS
PF ------ PJ
------- PG
-------- PUK
(c)
Como se puede ver en esta figura, la tasa de inflacin de cada uno de
los pases en general ha disminuido en los ltimos aos.
(d)
Como una medida de variabilidad, se pueden utilizar la desviacin
estndar. Estas desviaciones estndar son 0.036,0 0.018,0 .044, .062, 0,051 ,
0,060 y 0,032 ,
L
Respectivamente, de Canad, Francia, Alemania, Italia, Japn, REINO UNIDO y
0,11036
0
0,09127
8
0,05762
1
0,06502
6
0,07590
8
0,11349
7
0,13498
6
0,1
3155
0,06160
6
0,03212
4
0,04317
3
0,03561
1
0,01858
7
0,03649
6
0,04137
3
0,04818
3
0,05403
2
0,042081
0,030103
0,02993
6
0,02560
6
0,028340
0,02952
8
0,02294
5
(b)
Como se muestra en el grfico, las tasas de inflacin de los seis pases se
correlacionan positivamente con los EE.UU. tasa de inflacin.
(c)
Recordar que correlacin no implica causalidad. Es posible que haya
que consultar un libro sobre macroeconoma internacional a fin de determinar si hay
alguna conexin causal entre el nosotros y los otros pases las tasas de inflacin.
1.3 (A)ParaMejorVisual Impresin El Logaritmo En el tipo de cambio es
Representa en el eje vertical y el tiempo en el eje horizontal.
-REINO UNIDO
FRANCIA - S U E C I A
ALEMANIA
- SUIZA
Como puede ver, los tipos de cambio muestran una buena cantidad de
variabilidad. Por ejemplo, en 1977 un dlar de los ESTADOS UNIDOS compr
unos 268 yenes, pero en 1995 se poda comprar slo unos 94 yenes.
(b) Una vez ms, los resultados son mixtos. Por ejemplo, entre 1977 y
1995, El dlar de EE.UU. por lo general se depreci frente al yen, luego comenzaron
apreciar. El panorama es similar respecto a las dems monedas.
El grfico de la Ml oferta de dinero es la siguiente:
M1 oferta de dinero: EE.UU. 1951,01 09 -1999 ... ... ... ... ...
Dado que el PIB aumenta con el tiempo, naturalmente, una mayor cantidad de la oferta de
dinero se necesita para financiar el aumento de la produccin.
Algunas de las variables ms relevantes seran: (1) los salarios o ingresos en actividades
delictivas, (2) los salarios por hora o de los ingresos de actividades no delictivas, (3) de
probabilidad de ser atrapado, (4) de probabilidad de condena, (5) condena esperada
despus de la condena. Tenga en cuenta que puede no ser fcil de obtener datos sobre los
ingresos en las actividades ilegales. De todos modos, consulte a la Becker el artculo
citado en el texto.
Uno de los factores clave en el anlisis sera la tasa de participacin de la fuerza laboral
de las personas en la categora 65-69 aos. Los datos sobre la participacin en la fuerza de
trabajo son recogidos por el Departamento de Trabajo. Si, despus de que la nueva ley
entr en vigor, encontramos un aumento de la participacin de estos "superiores" a los
ciudadanos en la fuerza de trabajo, que sera un claro indicio de que la ley anterior haba
restringido artificialmente su participacin en el mercado de trabajo. Tambin sera
interesante averiguar qu tipos de puestos de trabajo que los trabajadores de conseguir y
lo que ganan.
(a) , (B ) y (c). Como se muestra en la siguiente figura, parece que hay una relacin
positiva entre las dos variables, aunque no parece ser muy fuerte. Esto probablemente
sugiere que se paga por hacer publicidad; de lo contrario, es una mala noticia para la
industria de la publicidad.
100
80-
R
E
S 40-
S
I
O 20N
0
-
40
80
120
160
ADEXP
20
2.2
2.3
2.4
2.5
2.6
Modelos (a), (b), (c) y (e) son lineales (en el parmetro) modelos de
regresin. Si dejamos que un = En f3 \, luego modelo (d) es tambin
lineal.
2.7
potencia.
2.8
2.9
UNRM
UNRF
AH82
Hay una
Y la correspondiente parcela para las mujeres es la siguiente:relacin
asimtrica entre
las dos variables
para los hombres y
las mujeres.
Responder
positivamente a
los hombres el
aumento de los
salarios mientras AH82
que las mujeres responden negativamente. Esto podra sonar extrao.
Es posible que el aumento de los ingresos para los hombres como
resultado de un aumento de salario pueden inducir a las
mujeres retirarse de la fuerza de trabajo, que es posible para las
parejas casadas. Pero tenga cuidado aqu. Estamos haciendo
regresiones bivariada simple aqu. Cuando estudiamos anlisis de
regresin mltiple, las conclusiones anteriores podra cambiar.
1500
Q.
Q 1000
Oooo
Lt-
500 0
1000
2000
3000
400C
TOTALEXP
(b)
Como el gasto total aumenta, en promedio, los gastos en
alimentos aumenta tambin. Pero hay una mayor variabilidad entre los
dos despus de que el gasto total supera el nivel de R. 2000.
(c)
No pensbamos que el gasto en alimentos para aumentar
linealmente (es decir, en una lnea recta, para siempre. Una vez
satisfechas las necesidades bsicas, la gente se gastan relativamente
menos en alimentos como los aumentos de los ingresos. Es decir, en
los niveles de ingresos ms altos los consumidores tendrn ms
ingresos discrecionales. Hay algunos indicios de la existencia de este
desde el scattergram se muestra en (a): En el nivel de ingresos ms
all. 2000, El gasto en alimentos muestra una mayor variabilidad.
2.16 (A) El diagrama de dispersin de los hombres y mujeres las puntuaciones
verbal es la siguiente:
Me MALEVERB FEMVERBj
1 MALEMATH FEMMATH [
(b)
En el transcurso de los aos, la proporcin de varones y mujeres las
puntuaciones verbales muestran una tendencia a la baja, mientras que
despus de llegar a su nivel ms bajo en 1980, los puntajes de matemticas
para los varones y las hembras se parecen mostrar una tendencia al alza, por
supuesto con variaciones ao a ao.
(c)
Podemos desarrollar un modelo de regresin simple regresin las
matemticas puntuacin verbal en la puntuacin de ambos sexos.
(d)
La trama es la siguiente:
MALEVERB
Como muestra el grfico, con el tiempo, los dos resultados obtenidos se han
movido en la misma direccin.
EL CAPTULO 3 DE DOS
VARIABLES MODELO DE REGRESIN:
EL PROBLEMA DE LA ESTIMACIN
3.1
10
(2)
Yi
Xt
Yi
Xj
Xiyi
Xi
2
4
5
7
-3
-3
4
5
-2
0
0
1
0
0
0
1
12
10
16
19
14
Sum
28
a
Nota: Y = 7 y X = 4
.
10
_
. _
Por lo tanto, ---------------- - = 1,357 ; p ,= Y - p 2 X = 1,572
3.3
3.4
ESA
11
3.6
^ XiVi
Ref * =
-Y
^ XiVi
P ** =
V-r
3.7
UN
_-n + l
3.8
El
12
12
(2)
2 >ZK
Desde Yxyi = YXYi ------------------ ,Utilizando(2),Nos
Obtener
N
.2
V"1 J2
Z
W(w+L)2_" (W2-1) ^
X
3
2
4
12
2
Ahora sustituyendo a la anterior en las ecuaciones (1), obtendr la respuesta.
3.9
(A) 0 \=
Y-fiiX I Y A =
X)]
= Y, desde Z * / = 0
Riy" Xi2
UN
UN
^J2
3.10
13
2 >!
3.11
CAJ, xiyi
== ------1
=N EnEq. (3.5.13 )
^ | 2 >22 >2
3.12
3.13
14
2 >!
.
Ryy =
15
( ,W h1 ^2
Desde s s ,ut =0. = ---------------- =------------- =R2,Utilizando(3.5.6 ).
2 >2 >2 2
3.16
UN
16
1 901
14
1 4 D2 = 26
17
PRODBUS
PRODNFB
(b)
Como los diagramas muestran, existe una relacin positiva
entre salarios y productividad, lo cual no es sorprendente en vista de
la teora de productividad marginal del trabajo economa.
(c)
Como demuestran las cifras anteriores, la relacin entre los
salarios y la productividad, aunque positivo, no es lineal. Por lo
tanto, si tratamos de colocar un modelo de regresin lineal de los
datos puede que no obtengamos un buen ajuste. En un captulo
posterior, veremos qu tipos de modelos
Es adecuado para esta situacin. Pero si de forma sistemtica montar
el modelo lineal de los datos, obtenemos los siguientes resultados.
Wagebus + 2,0039 = -109.3833 Prodbus
18
Se = (9,7119 ) (0,1176 ).
0,8868 R^
En
I*,
I"
13210
Datos originales: 1110 1700 205500 322000 0
Datos Revisados 1110 1680 204200 315400 13330
0
Por lo tanto, corregir el coeficiente de correlacin es 0,9688
3.22 Si parcela estas variables en funcin del tiempo, se ve que por lo
general, se han desplazado hacia arriba; en el caso de oro hay una
gran volatilidad de los precios.
(b)
(c)
R^ 0,868
19
8000.
R 6000
100001
6000.
4000.
4000
2000.
2000
60
5 ' '
(B)
'16
16
| NGDP
90
RGDP |
+ -986.3317
NGDPt =
201,9772
Tiempo
R2 = 0,9277
Se = (1907,715 )+ 128,7820
+ RGDPt = 1907,715 128,7820
Se = (45,1329 ) ( 1,9666 )
R2 = 0,9914
(c)
La pendiente hace que la tasa de cambio del PIB por unidad de
tiempo.
(d)
La diferencia entre las dos representa la inflacin a travs del
tiempo.
(e)
Como la figura y los resultados de la regresin indican, el
PIB nominal ha estado creciendo ms rpidamente que el PIB real lo
que sugiere que la inflacin ha aumentado con el paso del tiempo .
3.24
(a)
(b)
) r2= 0,966
Donde 7= mujer verbal puntuacin yx = macho puntuacin verbal.
(c) Como se seala en el texto, una relacin estadstica, por fuerte
que sea, no demostrar la relacin de causalidad, la cual debe ser
establecido de antemano. En este caso, no hay razn para sospechar
relacin causal entre las dos variables.
20
21
EL CAPTULO 4
LA SUPOSICIN DE NORMALIDAD: CLSICO MODELO DE
REGRESIN LINEAL NORMAL (CNLRM)
Ejercicios Apndice 4A
4.1
= F(Y), f(Y2)
Donde f(Yi) y f(Y2) son las normal univariante pdf Por lo tanto,
cuando p es cero, f(Yi,Y2) = f(Yi)f(Y2), que es la condicin de
independencia estadstica. Por lo tanto, en el caso normal
bivariada, cero correlacin implica independencia estadstica.
4.2
Para garantizar que los estimadores de m ima verosimilitud
maximizar la
Probabilidad funcin, el segundo derivados de Eq. (5) en Ap. 4A
debe ser menor que cero, lo que garantizar que RSS es
minimizada.
G2 de
LF ppp
A2De
de LF
LF n 1
a2
Desde
22
n ^
- \E 0
UN
Por lo tanto, la LF se
LF(Xi,tf) = (i) exp"1 *
y el registro LF ser:
I*.
En LF = -n 0 0
Diferenciar la funcin anterior con respecto a 0 , obtenemos :
Dlnlf ",1, .^^ de ~ 0 02
De esta ecuacin a cero, se obtiene
--------- = X, que es la media de la muestra.
N
CAPTULO 5 REGRESIN de dos variables:
INTERVALO ESTIMACIN Y PRUEBAS DE HIPTESIS
0=
23
Preguntas
5.1
Es cierto, como se desprende de Eq. (1) del Ap. 3A, Sec. 3A.
24
1
53
MSS
139023
4470
375916
139023
F = ---------- = 31,1013 Con df = 1 y 53, respectivamente.
4470
Bajo la hiptesis de que no hay relacin entre los gastos
alimentarios y los gastos totales, el valor de p de obtener dicho
valor F es casi cero, lo que sugiere que uno puede rechazar
enrgicamente la hiptesis nula.
5.3
25
5.4
5.5
(A) utilizar la prueba de t para probar la hiptesis de que el verdadero
coeficiente pendiente
,
L-1
1,0598 -1
Es uno de ellos. Que se obtiene: t = ------------ - = =
0,821
Se(P2) 0,0728
A 238 df este valor de t no es importante, incluso en una = 10 %.
La conclusin es que, a lo largo del perodo de
muestreo, IBM no era un frgil en materia de
seguridad.
(b) Desde t = ^= 2,4205, lo que es significativo en los dos
0,3001
% Nivel de significacin. Pero no tiene mucho sentido
econmico. Interpretaba literalmente, la interseccin de unos
0,73 valor significa que, incluso si la cartera de mercado tiene
retorno a cero, el regreso de seguridad es de 0,73 por ciento.
*
5.6
5.7
I",2 2]yfQ-r)
(N- 2)
( N - 2)
M
Yl^yf^ -r2)
26
S
Pero, dado que r
= fi2
I*?
I
Y, a
continuacin, r
= ft2
27
I yi
, De Eq. (3.5.6 ).
, R j ( n - 2 ) UNA> /?
Por lo tanto, t =
V(l-r)2 o'
^
T = F=
R 2(n - 2) 1-R
= - ^ -, y
Problemas
5.8
(A)
PASAR
28
9 13E-12
5192 -217
5529 342
976 -3847
2301 414
0 499126
2 807557
Jarque-Bera
Probabilidad
2196273
0 333492
El
histograma de los
residuos se puede aproximar a una curva normal. El Jarque-Bera
estadstica es 2,1927 y su valor de p es de 0,33 . Por lo tanto, no
rechazamos la suposicin de normalidad sobre la base de esta
prueba, asumiendo que el tamao de la muestra de 51 observaciones
es bastante grande.
-4000
-2000
6000
Fuente de Variacin
SS
Df MSS
43620,135
29
38685,997
133,355
1
37
37887,455
141,129
Total
43109,04
SAT = 43059,04 , RSS = 5221,585 ; ESS = 37837,455
Bajo la hiptesis nula de que el coeficiente es cierto
pendiente es igual a cero, el valor F calculado es:
459
141,129
Si la hiptesis nula es cierta, la probabilidad de obtener un valor
F es prcticamente nulo, lo que conduce al rechazo de la hiptesis
nula.
5.11
(A) El
ADEXP
30
5.12
(A)
200-I
150-
<
1003
50
100
150
200
ICAN
31
Ets.
Error
1,956380
0,017570
Coeficiente
C
ICAN
6,251664
0,940932
R-cuadrado
ajustado r-squared
S. E. de suma de
regresin squared
resid Log
probabilidad
Durbin-Watson stat
0,992044
0,991698
3,331867
255,3308
-64.51951
0,264558
-
TStatistic
3,195526
53,55261
Significa S. D.
dependentvar
dependiente var
Akaike info criterion
Schwarz criterion Fstatistic Prob(Fstatistic)
Prob.
0,0040
0,0000
104,7560
36,56767
5,321561
5,419071
2867,882
0,000000
/= (1,484 )
R2 = 0,150
)
R2 = 0,868
32
(A) Ninguna parece ser mejor que los dems. Todos los resultados
estadsticos
Son muy similares. Cada uno cuesta coeficiente es
estadsticamente significativo en el 99% de nivel de confianza.
14
16
948,193 1 948,193
87,782 22
3,990
TSS
1071,975 23
Bajo la hiptesis nula de que fi2 = 0, F es 264,665 ,
El valor de p de obtener dicho valor F es casi cero, lo que lleva a el
33
5.18
Bajo la
-I = 12,11 .
0,027
El valor crtico al 5% es 2,074 . Por lo tanto, no
podemos rechazar la hiptesis nula de que la
verdadera inclinacin coeficiente es 1.
(A)
IPM
34
C
IPM
R-cuadrado
ajustado r-squared
S. E. de suma de
regresin squared
resid Log
probabilidad DurbinWatson stat
-13.77536
1,269994
0,958696
0,957609
9,887937
3715,309
-147.3843
0,093326
3,710747 0,042763
29,69864 -3.712286
Significa S. D.
dependentvar
dependiente var
Akaike info criterion
Schwarz criterion Fstatistic Prob(Fstatistic)
Prob.
0,0007
0,0000
86,17000
48,02523
7,469215
7,553659
882,0093
0,000000
711E-15
3 781548
21,84709
19,05008
9 760345
-0119726
2 620663
Jarque-Bera
Probabilidad
0,335390
0,845612
El Jarqe-Bera
estadstica es 0,3335 0,8456 valor de ap . Por lo tanto, no
podemos rechazar la suposicin de normalidad. El
histograma muestra tambin que los residuos son
razonablemente distribuidos simtricamente.
35
EL CAPTULO 6
LAS EXTENSIONES DE LAS DOS VARIABLES DE MODELO DE
REGRESIN
6.1
Cierto. Tenga en cuenta que la habitual frmula para estimar LA
OPERACIN la interseccin es
/ ?, = (media de los regressand - / ?2 media del regresor).
Pero cuando Y y X son de desviacin, sus valores medios son
siempre iguales a cero. Por lo tanto, en este caso la ordenada
tambin es cero.
UN
6.2
UN
6.3
36
(D tal vez este modelo puede ser apropiado para explicar bajo
consumo de un bien cuando el ingreso es grande, como un bien
inferior.
6.4
Pendiente = 1
37
= A + a2 En Xt + w *
Donde A = (a + a2 En w2 - En w,)
Comparar esto con el segundo modelo, se ver que, con la
excepcin de la interseccin, los dos modelos son iguales. Por lo
tanto, la pendiente estimada los coeficientes en los dos modelos
ser el mismo, siendo la nica diferencia la estima intercepta.
(b) Los valores de r2 de los dos modelos es el mismo.
6.7
6.8
6.10
6.11
38
Problemas
6.13
100
100 -K
= 2,0675 + 16,2662
I)
Se = (1,3515 ) (0,4470 ).
R2 =0,4070
Para probar la hiptesis nula, utilice la prueba de la t de la siguiente
manera:
1 ^ 338 ^0,7468
0,4470
13 Df, el 5% (dos-tail) valor crtico es 2,16 . Por lo tanto, no se
rechaza la hiptesis de que la verdadera elasticidad de sustitucin
entre el capital y el trabajo es 1.
39
6.15
(A) SiUno Considera a priori que existe una estricta de uno a uno
Relacin entre los dos deflactores, el modelo apropiado sera uno
sin la interseccin.
(b)
R * = 0,9789
^ = 0,7161 *
R2 = 0,9789
UN0,5340=0,9892 =
Pies.
0,9737
40
6.19
80
60
CO
< /3
CL
40
2
20
50
100
150
200
ADEXP
Aunque la relacin entre las dos variables parece ser positiva, no est claro
qu curva determinada se ajustan los datos. En la tabla siguiente se dan los
resultados de la regresin basada en unos pocos modelos.
41
Modelo
Interceptar
22,1627 Lineal
(3,1261 ).
58,3997 Recproca
( 78,0006 )
Doble sesin 1,2999
(3,686 )
Pendiente
0,3631
(3,7394 ).
-314.6600
(-3.5348)
0,6135
(5,1530 ).
R2
0,423
9
0,396
7
0,582
9
0,548
Diario de 3,9955 recproca
-10.7495
6
(21,7816 )
(4,8053 ).
Nota: Las cifras entre parntesis son las calcula los valores
de t. En cada regresin el regressand es impresiones y el
regresor es los gastos de publicidad.
Se deja al lector a comparar los distintos modelos. Tenga en cuenta que los
valores de r2 de los dos primeros modelos son comparables, ya que el
regressand es la misma en los dos modelos. De igual modo, el r2s de los
dos ltimos modelos son comparables ( Por qu?)
EL CAPTULO 7
ANLISIS DE REGRESIN MLTIPLE : EL PROBLEMA
DE LA ESTIMACIN
7.1
(a)
Modelo nO dado que (3) es el verdadero modelo a 2 es un estimador
parcializado de
A- ^
(b)
7.2
7.3
(0,049 )
0 _
2
(X yx2 ) (X *3)-(Xyx3 XI * 2 * 3)
42- (ZX2X3)2
(ZX22) (ZX2)
Un> -o /o2)
22)
2x3)2
_(I^x2) - (Z>a3)623... .
/V
T /V1
" Bmu& 23 .
_D>2 * 3>
(1 ^ 2) ^ 23 (1 ^ 2 ^ 3)
IX * 2 = "ms)
IX2 (X2 - >23 * 3 )
2\
(1 ^ 3)
7.4
Ya que se nos dice que es, u ~ A^ (0,4 ), generar, digamos, 25
observaciones de una distribucin normal con estos parmetros. La
mayora de los paquetes no esta habitualmente. De estos 25 observaciones,
calcular la varianza de la muestra y(X - Y \2
Como S'2 = --- '-- -, Donde X\ - el valor observado de u, en el
24
Muestra de 25 observaciones. Repita este ejercicio, es decir, 99 veces
ms
Para un total de 100 experiencias. En todos hay 100 valores de S2.
La media de estos 100 S1 valores. Este valor promedio debera estar
cerca de a2 = 4. A veces es posible que necesite ms de 100
muestras para la aproximacin a ser buena.
7.5
L-r,23
= 1,2
43
^=
7.7
(A) No. Un valor de r no puede ser superior a 1 en valor absoluto.
Conectar el
Dado los datos de Eq. (7.11.2 ), el lector puede comprobar
que: r\23 = 2,295 , lo que es lgicamente imposible.
(b)
(c)
7.9
^ ~R23
Por lo tanto, cuando r23 = 0, es decir que no hay correlacin
entre las variables X2andX3,
R = r 12 + r 13, es decir, el coeficiente de
determinacin mltiple es la suma de los coeficientes de
determinacin en la regresin de Y sobre X2 y que de Y en
X3.
7.12
(A)Escribir Modelo B:
Y
= Pi + 0 + Pi)X21+ Pi^n + ut
+ = P\P\X2t + P 3X3 + u " donde /? * = (1 + fi2)
Por lo tanto, los dos modelos son similares. S, las
44
7.13
(c)
/?2 * = (1 + A) = "2
(d)
(A)Utilizando
LA OPERACIN, obtenemos:
* _Z( ,- * ,)( * ,)
2V2
^ 2
Zx(.
*;
X f = Z L z,x.
Zxf
Zxf
(b)
(c)
7.14
UN
normal
Modelo de regresin (CNLRM), debemos asumir que
En U\ ~ N(0, cr2)
Despus de estimar el modelo Cobb-Douglas, obtener la
Los residuos y los someten a prueba de normalidad, como el JarqueBera
Prueba.
(b) No. Como se discuti en segundos. 6.9 ,
U, de lognormal[ea "2,eal {e2 -1 )]
7.15
^i^ 2i = Pi ^ * 2/ +
Pi
^ - ^ 2/ ^ 3/
45
T. Y,X"=
Pjlx],
(b)
(c)
(d)
(e)
normales.
Problemas
7.16
(b)
Modelo logor
En Yt = 0,627 -1.274X 2i + 0,937 X 3i +1.713 en X4i - 0,182
En xsi se ( 6,148 ) (0,527 )(0,659 )
(1,201 )
(0,128 )
R2 = 0,778
En este modelo, todos los coeficientes parciales estn pendiente
las elasticidades parciales de Y con respecto a las variables
relevantes.
(c) La propia elasticidad-precio se espera que sea negativa, la
elasticidad cruzada se espera que sea positivo para sustituir
bienes y mercancas de cortesa negativa, y la elasticidad del
ingreso se espera que sea positivo, ya que las rosas son un bien
normal.
(d) La frmula general para elasticidad de ecuacin lineal es:
DY JC
Elasticidad = J-, donde X\ es el regresor.
Y dx
Que es de un modelo lineal, la elasticidad se puede calcular el
promedio de los valores.
(e) Ambos modelos ofrecen resultados similares. Una de las
46
wildcat
Actividad. Con la excepcin de la tendencia variable,
todos los coeficientes son pendiente espera que sea
positivo; tendencia puede ser positivo o negativo.
(b) El modelo estimado es el siguiente:
T = + 2.775-37.186 Jf2i + 24,152 * 3i -0,01 LT4 (. -0.213JT5i se
= (12,877 ) (0.57 )
(5,587 )
(0.008 ) (0,259 )
R2 = 0,656 ; R2 = 0,603
(c)
(d)
7.18
(A) Modelo (5) parece ser el mejor, ya que incluye todas las
Las variables pertinentes desde el punto de vista econmico,
entre ellos el precio real compuesto de pollo sucedneos, que
debe ayudar a aliviar la multicolinealidad problema que puede
47
48
49
Seifi.)
7.21
UN
'
M2
^ = 0,6692
50
7.22
Prob.
0,0011
0,0007
0,4063
4,493912
0,461432
2.078645
1.934663
407,5017
0,000000
Prob.
0,0000
0,0000
-2.254332
0,304336
-1.767569
-1.671581
233,6528
0,000000
51
desarrollados
52
Coefficien
T
C
LOG(EDUCACIN)
[LOG(EDUCACIN) ]2
R-cuadrado ajustado
r-squared S. E. de
suma de regresin
squared resid Log
probabilidad DurbinWatson stat
4,661661
-3.165721
0,836412
0,157696
0,154488
0,479275
120,5946
-359.3609
1,909008
Ets.
Error
TStatistic
1,954190
2,385470
1,566685
-2.020650
0,313436
2,668524
Significa S. D.
dependentvar
dependiente var
Akaike info criterion
Schwarz criterion Fstatistic Prob(Fstatistic)
Prob.
0,0174
0,0438
0,0079
2,063647
0,521224
1,372579
1,396835
49,14535
0,000000
8.1
53
(b)
La cosa ms fcil de hacer es grafique Y contra el tiempo.
Si la grfica resultante es parablico, quizs el modelo cuadr ico
es la adecuada.
(c)
Se trata de un modelo que puede ser apropiado para
describir el perfil de ganancias de una persona. Normalmente,
cuando una persona entra en el mercado de trabajo, el nivel de
entrada las ganancias son bajas. Con el paso del tiempo, ya que de
la experiencia acumulada, aumentar los ingresos, pero despus de
cierta edad, comience a disminuir.
(d)
Buscar los sitios web de varios fabricantes de automviles,
o el Motor Magazine, o la Asociacin Americana de Automviles
para los datos.
8.2
F = (ESSn ~ ESSoid)/ NR
(8.5.16 )
RSSneJ(n-k)
Donde NR = nmero de nuevo los regresores. Divida el numerador y
Denominador por SAT y recordar que R2 = -------- Y(1-R2) = ----TSS
TSS
Sustituyendo estas expresiones en (8.5.16 ), que se obtiene (8.5.18 ).
8.3
8.4
54
UR
TSS
55
8.7
56
J,
( * L * LV 1
(l-OO * - * )
8.8
UN
UN
UN
UN
W, - * +AJr"
Como se puede ver el cambio promedio en los gastos de consumo
con respecto a los ingresos no slo depende de los ingresos, sino
tambin en el nivel de riqueza. De igual manera, el cambio
promedio en los gastos de consumo con respecto a la riqueza
depende no slo de la riqueza sino tambin de los ingresos. Es decir,
las variables ingresos y riqueza interactuar. Este es capturado por
presentar los ingresos y la riqueza en interactivo o multiplicacin, la
forma en la regresin adems de las dos variables en el aditivo. Es
slo cuando fa es cero al MPC que ser independiente de la riqueza.
57
8.10
8.11
8.12
Para una discusin ms amplia de este punto, vase Adrian C. Darnell, un diccionario de
Econometra, Edward Elgar, REINO UNIDO., 1994, pgs. 394-395.
58
para
El valor de t en la hiptesis nula de que la verdadera elasticidad
coeficiente es cero es:
-1 43 T = - ^= 0.32 -4.4687
El valor de p de obtener el valor de t es extremadamente baja.
Sin embargo, la elasticidad coeficiente no es diferente de uno
porque en la hiptesis nula de que la verdadera elasticidad es 1,
el valor de t es
0,32
Este valor de t no es estadsticamente significativa.
(b)
La elasticidad de ingresos, aunque positivo, no es
estadsticamente diferente de cero, como el valor cero en virtud de
la hiptesis nula es inferior a 1.
(c)
59
60
;> ------ ^ -=
(I - R ) / (n-k) ( 0,717 ) /205
Bajo la hiptesis nula, esta F tiene la distribucin F con 3 y 205 df
en el numerador y denominador, respectivamente. El valor de p de
obtener dicho F valor es muy pequeo, lo que da lugar al rechazo de
la hiptesis nula.
(d) Dado que la variable dependiente es en forma logartmica y las
huevas y ros se encuentran en forma lineal, los coeficientes de
estas variables dan semi elasticidad, es decir, la tasa de crecimiento
de la variable dependiente de una absoluta (unidad) cambio en el
regresor.
61
63
(1 -R2) / (n-k)
0,207 /28
Con n = 31, k = 3, el lector puede comprobar que este F valor es
altamente significativa.
62
final
Salida en el ao en curso en un promedio de 0,34 libras (o 34
peniques) aumento de sueldos y salarios por empleado. De manera
similar, un aumento de 1 libras los precios del producto final en el ao
anterior, en promedio un aumento de sueldos y salarios por empleado
de 0.004 libras. Con todo lo dems constante, el aumento de la tasa de
desempleo de 1 puntos porcentuales, en promedio, alrededor de 2,56
libras disminucin de sueldos y salarios por empleado. Los tres
regresores explican aproximadamente el 87 por ciento de la variacin
en los sueldos y salarios por empleado.
(b)
Si usted divide los coeficientes estimados por sus errores
estndar, se obtiene los valores t bajo la hiptesis nula que el
correspondiente coeficiente de poblacin real los valores son cero. El
estimado de t los valores de los coeficientes son tres pendiente 4,55 ,
0,055 , y -3,89 , respectivamente. De estos, la primera y la tercera son
estadsticamente significativos pero el segundo no.
(c) Como estudiaremos en el captulo sobre modelos de los rezagos
distribuidos, esta variable se incluye para medir el efecto de
rezago, si los hubiere, de los precios del producto final un ao
antes.
(d) Dado que el valor de este coeficiente no es significativo, esta
variable puede ser lanzada desde el modelo, siempre y cuando no
cometan el error de especificacin de omitir una variable
importante del modelo. Pero ms sobre esto en el captulo sobre
especificaciones del modelo.
(e)
Du
W
W
En el bar sobre las variables denota sus valores promedio de los
datos de la muestra.
8.18
63
934/4
(1 -R2) / (n-k)
0,66 /14
Este F valor es muy importante; para los das 4 y 14 numerador y
denominador de grados de libertad, el 1% nivel de
significancia F valor es 5,04 .
8.19
8.20
64
,=
0,4515 + (-0.3772)
= Q G59
V (0,0247 )2 + (0,0635 )2 -2 (-0.0014)
Este valor de t no es significativo en el nivel del 5 %. Por lo tanto, no
hay razn para rechazar la hiptesis nula.
8,21(a)
(b)
De la prueba t , obtenemos:
1,274 -0"... .
T =----------- = 2,4174
0,527
El valor de p de obtener la estadstica t bajo la hiptesis nula es de
aproximadamente 0,034 , que es pequeo. Por lo tanto, se rechaza la
hiptesis de que la verdadera elasticidad-precio es cero.
(c)
(b)
(c)
65
8.23
SS
Df
Debido a la
regresin
VO
00
M
N>
Fuente de variacin
Debido a los
residuos
0,022 (Z^)
15
MSS
Zyf 0,978 4
(0,022 )1^
15
(c)
Uno podra utilizar la prueba F de la restriccin de los mnimos
cuadrados.
(d)
66
Coeficiente
Ets. Error
T-Statistic
Prob.
C
LOG( TRABAJO)
LOG(CAPITAL)
TRABAJO
CAPITAL
-11.70601
1,410377
0,942699
- 9,06 E-05
-3.54E-07
2,876300
0,590731
0,194542
4,35 E-05
4,15 E-07
-4.069814
2,387512
4,845735
-2.082179
-0.853032
0,0010
0,0306
0,0002
0,0549
0,4071
R-squared
R-cuadrado
ajustado
S. E. de la regresin
Sum squared resid
Probabilidad de
registro
0,999042
0,998787
0,013289
0,002649
60,91475
Significa depender
var
D. E. dependentvar
Informacin Akaike
criterio
Schwarz criterio
F-estadstica
12,22605
0,381497
-5.591475
5.342542
3911,007
Durbin-Watson stat
1,065992
Prob(F-statistic)
0,000000
(c)
(d)
En promedio, para la muestra, un aumento de 1% en la
mano de obra/ratio de capital de 0,71 % de incremento de la
produccin.
(e)
Vase la respuesta a la pregunta 8.11. Si cada coeficiente
es estadsticamente significativo, es poco probable que R2 = 0. En
el presente caso,
F = ---------------- = 1928,37
(1 - 0,98 ) /l 18
Este F valor es altamente significativa. Por lo que se puede
rechazar la hiptesis de que R2 es igual a cero .
8.26
(A) ElDecisivo3SalidaEsComoSiguiente:
67
Variable dependiente: Y
Muestra: 1968 1983 observaciones incluidas: 16
Variable
C
X2
X3
X4
X5
X6
Coeficiente
5962,656
4,883663
2,363956
-819.1287
12,01048
-851.3927
R-squared
R-cuadrado
ajustado
S. E. de la
regresin
Sum squared resid
Probabilidad de
registro
Durbin-Watson
stat
0,822750
0,734125
627,6005
3938824.
-122.0134
2,484497
Prob.
0,0388
0,0806
0,0187
0,0014
0,9365
0,0155
7543,125
1217,152
16,00168
16,29140
9,283507
0,001615
(b)
Uno esperara que P2,fiiand/ ? 6a ser positivos y J34y/ ?5
a ser negativo.
(c)
(d)
Como los resultados de la regresin muestran,
X3 ,XAandX6 son significativas a nivel del 5 por ciento, Xi
es significativa en el nivel del 10 %, pero^ es estadsticamente
insignificante.
(e)
Utilizamos la metodologa de mnimos cuadrados se explica
en el captulo. La regresin Y en X2, X3, anda ^ slo, obtener
Rl = 0,6012 . Incluidos todos los regresores, como puede verse en
Los resultados de la regresin en (a), tenemos R2m = 0,8227 .
Por lo tanto, utilizar el ecualizador. (8.7.10 ), obtenemos
_ (0,8227 -0.6012) /2
F = ---------------------- - = 6,25
(1 -0.8227) /10
Para los das 2 y 10 df en el numerador y el denominador,
respectivamente, el 5% F valor crtico es 4,10 . Por lo tanto, se
rechaza la hiptesis de que las variables X $ y X$ no pertenecen en
el modelo.
8.27 (A) Dado que ambos modelos son log-lineal, la pendiente estimada
coeficientes
Representan la (parcial) elasticidad de la variable dependiente con
respecto al regresor bajo consideracin. Por ejemplo, el coeficiente
0,94 en Eq. (3) significa que si la salida en kwh aumenta en un 1 %,
en promedio, el costo total de produccin se incrementa en 0,94 %.
68
Significativamente
(e)
Un estudio de la literatura reciente sugiere que el CAPM el
modelo puede no ser adecuada en todas las situaciones.
8.29
Slo incluiremos los resultados en base a las tasas de las letras del
tesoro; los resultados basados en la tasa de largo plazo son
paralelos.
El modelo en ejercicio 7,21 (a) es el modelo sin restricciones y que en
(b) Es el modelo restringido. Dado que la variable dependiente en
los dos modelos son diferentes, se utiliza la prueba F del apartado
8.7.9 ). El restringido y no restringido RSS son, respectivamente,
0,0772 y 0,0463 . Tenga en cuenta que solamente hemos puesto una
restriccin, es decir, que el coeficiente de Y en el primer modelo es
la unidad.
F_(0,0772 - 0,0463 ) /l_1069
(0,0463 ) /
(19- 3)
Para los das 1 y 16 numerador y denominador df,
respectivamente, el 5% F valor crtico es 4,49 . Por lo tanto,
69
8.30
Recordar que
Fxk = t \. Por lo tanto, y teniendo el (positivo) raz cuadrada de
70
(A) en el modelo I la pendiente coeficiente nos indica que por cada unidad
de aumento en el gasto en publicidad, en promedio, se mantienen las
impresiones de 0,363 unidades. En el modelo II (promedio) la tasa de
incremento de las reservas impresiones dependen del nivel de los gastos de
publicidad. Tomando la derivada de Y con respecto a X, se obtiene:
- = 1,0847 -0.008X dx
Esto podra sugerir que conserva las impresiones aumentar a una
tasa decreciente, los gastos de publicidad aumenta.
(b) &C)podemos tratar Modo 11 como la versin abreviada, o
restringido, la versin del modelo II y, por lo tanto, pueden utilizar la
restriccin tcnica de los mnimos cuadrados a la hora de decidir entre los
dos modelos. Dado que la variable dependiente en los dos modelos es el
mismo, podemos utilizar la versin R2 de la prueba F del apartado 8.7.10 ).
Los resultados son los siguientes: 0,53 (-0.424) /l_0.1Q6_
(1 - 0,53 ) /18 0,0261
En virtud de la hiptesis habitual de la prueba F , el valor F anterior
siguiente la distribucin F con 1 df y 18 df en el numerador y el
denominador, respectivamente. El dfs para estos crticos de F valor es 4,41
(5% nivel) y 3.01 (10% de nivel) .; thep valor es 0,0591 o alrededor del 6
%, que es cerca de 5 %. Parece que deberamos mantener el cuadrado X
variable en el modelo.
(d) Como se ha sealado en la letra b), existen rendimientos decrecientes
para los gastos de publicidad; si el coeficiente del ^ -trmino al cuadrado
fueron positivos, no se habra producido un nmero cada vez mayor de
regresos a la publicidad. Equiparar el valor de la derivada en (6) a cero,
obtenemos:
1,0847 =0,008 X, X = 135,58 . En este valor de X, la tasa de
incremento de Y con respecto a X es cero. Puesto que X se mide en
millones de dlares, podemos decir que en el nivel de los gastos de unos
136 millones de dlares no hay ganancia adicional en las reservas las
impresiones, que se miden en millones de impresiones.
8.33
71
J?2 = 0,7685
RSS = 0,0915
72
{A)
Segn la teora, los coeficientes de Xi, Xs se espera
Para ser positivo y de X3, X$, y X9 se espera que sean negativos. El
coeficiente de X4 podra ser positivo o negativo, dependiendo de la
edad y esposa del nmero de hijos. Tal vez, un maniqu interactivo
de edad y los nios menores de 6 o entre 6 y 13 podran arrojar ms
luz sobre la relacin entre la edad y horas de trabajo deseado.
(b)
Suponiendo que todos los dems factores constantes, uno
esperara que horas de trabajo deseado sera mayor que el (comn)
interceptar valor de 1286 horas. Este coeficiente, sin embargo, tiene
un signo negativo. Sin embargo, puesto que no es estadsticamente
significativa, se puede decir muy poco sobre el impacto
de X^ (promedio) Y. como de xy, su coeficiente se espera que sea
positivo, que lo es. No slo eso, sino que es estadsticamente
significativo, dado que el valor de t es bastante alta.
(c)
Tal vez, esto se debe a collinearity entre la edad y la
educacin, as como collinearity de estas variables con el nmero de
nios. Adems, observe que el modelo no incluye aos de escolaridad
del marido.
9.3
73
74
Tenga en cuenta tambin que se{ft2 - ft) = ^var( / ? 2) + var(ft) - 2 co\ {ft, ft) J
En nuestro ejemplo, se puede demostrar que se(ft - ft) = 84,8392 .
Por lo tanto, el estadstico t se vuelve
Este valor de t no es lo importante, lo que llev a la conclusin de
que los coeficientes de >2 y >3, aunque cada uno de ellos son
76
Del mismo modo. A priori, todos los coeficientes X deben ser positivos, que
son.
(b) & (C): Desde la regressand se encuentra en el formulario de registro,
tenemos que interpretar los coeficientes de las variables dummy como por la
sugerencia hecha por Halvorsen y Palmquist. El antilogaritmo de cada
estimado cofficient conectado a una variable indicadora y restar 1. Multiplicar
la diferencia por 100, lo que dar entonces el porcentaje de cambio en
el regressand cuando una variable ficticia va del estado 0 al estado 1. Por
ejemplo, considerar el coeficiente de ZXj, que es de 0,2572 . Tomando el
antilogaritmo de este nmero, tenemos 0,7732 . Restando 1 a partir de este, y
multiplicando el resultado por 100, obtenemos -22.68 %. Por lo tanto,
cuando el examen se lleva a cabo en forma conjunta con el estado, LA FDIC
horas examen por cerca de un 23 por ciento. Otro falso los coeficientes se han
de interpretar de manera similar.
9.9
9.10
77
9.12
78
Ecuacin es:
-2,40 + (9,39 - 3,36 ) inx{ + (3.36 ) (7), es decir,
21,12 + 6,03 lnXi
Si bien numricamente las dos regresiones son diferentes estadsticamente
No lo son, para el coeficiente de la pasada legislatura en la ecuacin
es estadsticamente cero. Parece que no hay estadsticamente
diferencias apreciables en la esperanza de vida entre los pases ricos y
los pobres, si se asume que los pases con ingresos per
cpita superiores a los $1097 son pases ms ricos.
9.13
Var(A)= ZP ; . <R *
,2
" 2 (0 - Dy .III"
>00 = 15
50U2J
<T2 _ 300
E(Z) , . -D)2
~~vi
Se nos dice que la covarianza entre los dos estimadores es 15. Que
todos estos nmeros juntos, obtenemos:
Var( / ? , + / ? 2) = 10
Nota: Verifique que Z(A - D) 2 =12.
V
9.14
S, s lo son.
(c)
& (D). Los estados que no tienen el derecho de trabajar
leyes, miembro de la unin el promedio fue de 19,8 %. Por otro
lado, en los estados con esas leyes los miembros de la unin fue
inferior en un 9,39 puntos porcentuales, para un ingreso efectivo
de 10,42 %.
79
9.15
Pl Y(D-Df
(1)
= --IFD = 0
N
9.16
(A) 2,4 %.
(b) Dado que tanto el intercepto y la pendiente diferencial
coeficientes son altamente significativas, los niveles y las tasas de
crecimiento de la poblacin en los dos perodos son diferentes. La
tasa de crecimiento para el perodo antes de 1978 es de un 1,5 % y
que, despus de 1978, es del 2,6 % (= 1,5 % + 1,1 %).
Problemas
9.17 En la regresin para los dos perodos por separado, nos encontramos
con que
Para el primer perodo <r,2 = 0,00768 (df = 30) y para el segundo
perodo
S\ = 0,03638 (df = 17). A continuacin, bajo el supuesto de que las
respectivas las varianzas de la poblacin son los mismos, y tras Eq.
80
81
F = - F
JL2
U r (nt-k) Xn2-k) .
\
En nuestro ejemplo, k = 2, 32 Y " 2 =19. Poner la correspondiente
Los valores en la expresin anterior, obtenemos:
F = 4,7369
El valor de p de obtener una F de 4,7369 o superior es de 0,00001 ,
lo cual es extremadamente pequeo. La conclusin es que las
variaciones en los dos sub-perodos no son los mismos.
9.18
9.19
Variable
dependiente: AHORRO
Mtodo: Mnimos
Cuadrados
Ejemplo: 1970 1995 proporcionen observaciones: 26
Variable
Coeficiente
Ets. Error T-Statistic
C
INGRESOS
Z
Z * INGRESOS
-100.6363
0,123978
50,82618
-0.021823
37,88404
0,024574
11,02746
0,005327
82
-2.656429
5,045035
4,609058
-4.096340
Prob.
0,0144
0,0000
0,0001
0,0005
R-squared
\Djusted R-squared
3.E. de regresin
Sum squared resid
_OG probabilidad
Durbin-Watson stat
0,881944
0,865846
23,14996
11790,25
-116.4125
1,648454
Significa depender
var
D. E. dependentvar
Informacin Akaike
criterio
Schwarz criterio
F-estadstica
Prob(F-statistic)
162,0885
63,20446
9,262501
9,456055
54,78413
0,000000
9.21
83
887,00
(18,8066 )
1225,625
(b)
El "slope" coeficientes son de hecho diferencial intercepta, con
el primer trimestre como el trimestre de referencia. Slo el 4to
trimestre falsa para las lavadoras es significativamente diferente del
primer trimestre; lo que sugiere que las lavadoras slo presentan algn
tipo de estacionalidad. Esto es en contraste con los resultados de los
frigorficos en (9.7.3 ) donde hubo estacionalidad en el segundo y tercer
84
Coeficiente
106,8419
5,840220
24,14839
29,81285
2,322680
Ets. Error
T-Statistic
168,8010
62,14176
62,32067
62,34750
0,590194
0,632946
0,093982
0,387486
0,478172
3,935452
Prob
.
0,5321
0,9258
0,7014
0,6364
0,0005
0,378492SignificaDependienteVar 773,5000
85
R-cuadrado ajustado
S. E. de suma de
regresin al
cuadrado resid Log
probabilidad DurbinWatson stat
0,286416
124,2775
417012,1
-197.0082
0,183078
S. D. Dependentvar
Akaike info criterion
Schwarz criterion Fstatistic Prob(Fstatistic)
147,1194
12,62551
12,85453
4,110677
0,009944
Coeficient
e
C
D1
D2
D3
DUR
56,40125
-80.62057
-79.75024
-14.85471
3,007781
R-cuadrado ajustado
r-squared S. E. Suma
de regresin de
cuadrados resid Log
probabilidad DurbinWatson stat
0,820847
0,794306
59,98346
97146,41
-173.6979
0,733166
Ets.
Error
TStatistic
81,47305
29,99319
30,07954
30,09249
0,284862
0,692269
-2.687963
-2.651312
-0.493635
10,55875
Significa S. D.
dependentvar
dependiente var
Akaike info criterion
Schwarz criterion Fstatistic Prob(Fstatistic)
Prob.
0,4947
0,0122
0,0133
0,6256
0,0000
856,5312
132,2576
11,16862
11,39764
30,92730
0,000000
Coeficient
e
C
D1
D2
D3
DUR
741,0680
-47.07049
-13.14717
-122.0311
1,754688
R-cuadrado ajustado
r-squared S. E. de
suma de regresin
squared resid Log
probabilidad DurbinWatson stat
0,541230
0,473264
78,96307
168349,5
-182.4950
0,926092
Ets.
Error
TStatistic
107,2523
39,48345
39,59713
39,61418
0,374996
6,909578
-1.192157
-0.332023
-3.080491
4,679221
Significa S. D.
dependentvar
dependiente var
Akaike info criterion
Schwarz criterion Fstatistic Prob(Fstatistic)
Prob.
0,0000
0,2436
0,7424
0,0047
0,0001
1187,844
108,7996
11,71844
11,94746
7,963248
0,000224
(A) & (6) :se deja para cada estudiante. El ao 2000 EE.UU.
Se celebraron elecciones presidenciales en noviembre 7,2000 . Si
se hubiera usado su modelo, le han pronosticado los resultados de
las elecciones del ao 2000 correctamente?
(c) Los resultados de este modelo son los siguientes:
Variable
dependiente: V
Mtodo: Mnimos
Cuadrados
Muestra: 1 21 incluy observaciones: 21
Ets.
TVariable
Coeficiente
Error
Statistic
C
0,505678
0,026324
19,21007
I
-0.019753
0,016347
1.208325
DUM
0,055755
0,019637
2,839255
G*l
0,009625
0,001706
5,642862
P
0,000155
0,002804
0,055370
N
-0.004637
0,003293
1.407866
Significa depender
R-squared
0,788321
var
R-cuadrado
0,717762
D. E. dependentvar
ajustado
S.
E. de la
0,039879
Informacin Akaike
regresin
criterio criterio
Sum
squared resid
0,023855
Schwarz
Probabilidad de
F41,39511
registro
estadstic
Durbin-Watson stat
2,229997
Prob(F-statistic)
a
Prob.
0,0000
0,2456
0,0124
0,0000
0,9566
0,1796
0,490690
0,075065
3.3709633.072528
11,17242
0,000125
87
Prob.
0,8137
0,0000
0,0297
0,0821
0,0000
9,047538
5,144082
5,903384
5,943811
33,35678
0,000000
88
REGIN
* REGIN MSTATUS
R-cuadrado ajustado
r-squared S. E. de
suma de regresin
squared resid Log
probabilidad DurbinWatson stat
-2.540727 0,826694
1,020982
1,323573 1,296373 -3.073359
0,035309
Significa S. D.
0,029786
dependentvar
5,066893
dependiente var
13452,87
Akaike info criterion
-1603.992
Schwarz criterion F1,860478
statistic Prob(Fstatistic)
0,0022
0,1954
9,047538
5,144082
6,090880
6,123221
6,392958
0,000293
9.28
C
3,677198
0,108486
INGRESOS 0,000709
7,80 E-05
DUM
1,3971 .
0,1779 .
DUM * INGRESOS-0.0006 8,60 E-05
33,89569
9,084319
7,8500 .
-7.4361
0,0000
0,0000
0,0000
0,0000
R-squared
0,933254
F-estadstica 102,5363
Durbin-Watson stat 1,612107
0,341255 Sum squared resid
89
90
10.2
+ ( A+ 2 A ) ^ 2 / + u i
91
10.7
92
X*
-Tx>'
/Lj
/Lj
A+A. .A
-X * = Aia+AJA
*2*2
^3 = I-f-f"
*3
Por lo tanto,
= A,
A+ala
*3
= 1
' .H.V V
K Ay "
UN
\
=
U
N
SQRT
V "b
Por lo tanto,
R\n
= rn + (1 - rn)rni =1 Asimismo,
U
N
* 2,3 = * 3 , 2 = 1
= 1
Pi P&.32
93
10.8
Ft = ? -p2x2-p3x
i=-2X2 =-ft2X2
Yx=-y,x, =-ftX^
Por lo tanto, m = " , + / ,- 7
(c)
*2
*2
(a)
El coeficiente de correlacin entre el trabajo y el capital es
de aproximadamente 0,698 , la cual es relativamente alta.
(b)
No. a pesar de la correlacin entre las dos variables, los
coeficientes de regresin son estadsticamente significativos al
nivel del 5 por ciento. Para soltar una variable wold de sesgo
especificacin.
(c)
Si el trabajo de parto se deja caer, el coeficiente de capital
ser parcial. El sesgo puede ser calculado siguiente Ejercicio 10.6
Aqu se trata de un sesgo: (ft2) (b23) = ( 1,4988 (0,1319 ) =0,1975 .
94
10,10
95
(h)
Falso. normalmente se obtiene alta R2 en modelos altamente
correlacionados con los regresores.
(i)
Es cierto, como se puede ver en la frmula dada en (c), si la
variabilidad en X3 es pequeo, R * tienden a ser pequeas y en el
extremo
96
1-R
" 1 .
1+R
97
(d)
NO desde todos los regresores son ortogonales, todos
covarianzas (es decir, cruzada de productos ) trminos ser cero.
10.19 (A) desde la tercera regresor, ( Mt - Mt_x ) es una combinacin lineal
de M y M,_X, es posible que haya un problema collinearity.
(b)
98
(b)
A priori, se espera que los capitales tienen un impacto positivo en
la produccin. No es en el presente caso debido probablemente a
collinearity en los regresores.
(c)
Se trata de una funcin de produccin tipo Cobb-Douglas,
como el modelo se puede escribir como:
Y = pxKPlL/hep>'
(C/ )En promedio, a lo largo del perodo de muestreo, un aumento de 1%
en el ndice de la obra real como consecuencia de aumento de 0,91 % en el ndice
de produccin real. La variable en el modelo representa el tiempo. Muy a
menudo, el tiempo es tomado como un proxy del cambio tcnico. El
coeficiente de 0,47 indica que en el perodo de la muestra, en promedio,
la tasa de crecimiento de la produccin real (medido por el ndice de la
salida) fue de 4,7 %.
(e) Esta ecuacin asume implcitamente que hay rendimientos
constantes a escala, es decir, ( ) = 1. Un hallazgo incidental aprovechar la
transformacin puede ser reducir los problemas collinearity.
( /) Habida cuenta de que la relacin capital-trabajo coeficiente es
estadsticamente insignificante, parece que el collinearity problema
no se ha resuelto.
(g)
Como se mencion en el apartado e ), el autor est tratando de
averiguar si hay rendimientos constantes a escala . Uno podra utilizar la
prueba F se examina en el Captulo 8 para averiguar si la restriccin es
vlida. Pero, dado que las variables dependientes en los dos modelos son
diferentes, no podemos utilizar la versin R2 de la prueba F .
Necesitamos que el restringido y no restringido las sumas de cuadrados
residual para utilizar la prueba F .
(h)
Como se ha sealado en la letra g) los dos R no son
comparables. Uno puede seguir el procedimiento descrito en el
Captulo 7 para representar los dos valores de R2 comparables.
10.25 (A), (b) y (c) y (d) Todos los puntos de vista expresados
fundamentalmente nos dicen que la multicolinealidad es muy a menudo
una carencia de datos.
Problemas
10,26 (A) Los resultados de la regresin del modelo modificado son:
99
Variable
Coeficient
e
C
LGDP
LCPI
1,975260
1,043167
0,446142
0,782070 2,525683
0,405783 2,570749
0,569840 0,782925
R-squared
R-cuadrado
ajustado
S. E. de la regresin
Sum squared resid
Probabilidad de
registro
Durbin-Watson
stat
0,982318
0,980958
0,124862
0,405356
20,76993
0,461405
Significa depender
var
D. E. dependentvar
Informacin Akaike
criterio
Schwarz criterio
F-estadstica
Prob(F-statistic)
Prob.
0,0180
0,0162
0,4407
12,49048
0,904848
1.2255121.084068
722,2174
0,000000
100
Coeficiente variable
Ets. Error
T-Statistic
0,290493
0,035525
4,844960
38,27295
Coeficiente variable
Ets. Error
T-Statistic
0,250312
0,055221
15,57499
34,50388
Ets. Error
T-Statistic
Prob.
0,0000
0,0000
R-squared 0,981901
Variable dependiente: LIMPORTS
Mtodo: Mnimos Cuadrados
Muestra: 1970 1998
observaciones incluidas: 29
Prob.
0,0000
0,0000
R-squared 0,977824
R-squared
0,1080
0,0238
17,0680
58,6972
Prob.
0,0000
0,0000
0,9922
101
Variable dependiente:
LOG(IMPORTACIONES/IPC) Mtodo:
Mnimos Cuadrados Fecha: 11/11/00 Hora:
10:26 Muestra: 1970 1998 observaciones
incluidas: 29
Variable
Coeficiente
C
LOG(PIB/IPC)
R-squared
0,106099
2,162167
Ets. Error
T-Statistic
0,494911
0,135693
0,214380
15,93429
Prob.
0,8319
0,0000
0,903881
R2
0,9846
0,9482
0,9872
0,9889
0,9927
(b)
Dado que los valores de R en todas las regresiones son
uniformemente alta, parece los datos sufren la multicolinealidad
problema.
(c)
Es probable que existan demasiadas variables producto
sustitutivo de la ecuacin. Uno slo puede utilizar el compuesto sustituto
buen precio, precio de la carne de pollo y la renta disponible como
regresores. Esto se ha hecho en Problema 7,19 .
(d)
Creacin de un precio relativo variable, es decir el precio de la
carne de vacuno dividido por el precio de la carne de cerdo, podra
aliviar los problemas collinearity.
10,29 (A) y (c) Examinar los coeficientes de correlacin entre las posibles
variables explicativas, se observa una correlacin muy alta entre el nuevo
coche del IPC y el IPC general (0,997 ) y entre el PDI y el coche nuevo
IPC (0,991 ). Otros son relativamente altos, pero deben permanecer en el
modelo por razones tericas. PDI tambin est estrechamente relacionado
con el nivel de empleo, la correlacin entre los dos es 0,972 por lo tanto,
uno podra caer IPC general y PDI y estimar el siguiente modelo
Variable dependiente: LY
Mtodo: Mnimos Cuadrados
102
0,684855
0,606069
0,075053
0,067595
21,03144
1,309678
Ets. Error
8,373593
0,330227
0,073704
0,872231
TStatistic
-2.639696
-3.142805
-4.001514
3,719068
Prob.
0,0216
0,0085
0,0018
0,0029
0,854803
0,782205
0,055806
0,031143
27,23099
1,793020
Prob.
0,8682
0,0675
0,0280
0,1217
0,8077
0,8942
TASA
1,000000
0,571693
0,058992
0,701787
0,778932
0,044173
-0.601358
0,881271
ERSP
0,571693
1,000000
-0.040994
0,234426
0,274094
-0.015300
-0.692881
0,549108
ERNO
0,058992
-0.040994
1,000000
0,359094
0,292243
0,775494
0,050212
-0.298555
NEIN
0,701787
0,234426
0,359094
1,000000
0,987510
0,502432
-0.520832
0,539173
ACTIVO
0,778932
0,274094
0,292243
0,987510
1,000000
0,417086
-0.513552
0,630899
EDAD
0,044173
-0.015300
0,775494
0,502432
0,417086
1,000000
-0.048360
-0.331067
DEP
-0.60135
0.69288
0,0502
-1
0.52083
-0.51355
0.04836
1,0000
-0
0.60257
103
(a)
Variable dependiente:
HORAS Mtodo: Mnimos
Cuadrados
Ejemplo: 1 35 incluy observaciones: 35
Ets.
Variable
Coeficiente
Error
C
1904,578
251,9333
TASA
-93.75255
47,14500
ERSP
0,000225
0,038255
ERNO
-0.214966
0,097939
NEIN
0,157208
0,516406
ACTIVO
0,015572
0,025405
EDAD
-0.348636
3,722331
DEP
20,72803
16,88047
ESCUELA
37,32563
22,66520
R-squared
R-cuadrado
ajustado
S. E. de la
regresin
Sum squared resid
Probabilidad de
registro
Durbin-Watson
stat
0,825555
0,771879
30,62279
24381,63
-164.2220
1,779824
TStatistic
7,559849
-1.988600
0,005894
-2.194896
0,304427
0,612970
-0.093661
1,227930
1,646826
Prob.
0,0000
0,0574
0,9953
0,0373
0,7632
0,5452
0,9261
0,2305
0,1116
Significa depender var 2137,086
D. E. dependentvar
64,11542
Informacin Akaike
9,898400
criterio
Schwarz criterio
10,29835
F15,38050
estadstic
Prob(F-statistic)
0,000000
a
104
incluidas: 15
Variabl
e
C
XI
X2
X3
X4
X5
X6
Coeficiente
Ets. Error
T-Statistic
Prob.
-3017441.
-20.51082
-0.027334
-1.952293
-0.958239
0,051340
1585,156
939728,1
87,09740
0,033175
0,476701
0,216227
0,233968
482,6832
-3.210973
-0.235493
-0.823945
-4.095429
-4.431634
0,219430
3,284049
0,0124
0,8197
0,4338
0,0035
0,0022
0,8318
0,0111
{A)
(b)
(c)
Falso. Normalmente, pero no siempre, la varianza se insistir lo suficiente.
Vase Sec. 11,4 Y 11,9 Ejercicio
(Id) Falso. Adems la heterocedasticidad, ese esquema puede resultar de autocorrelacin,
modelo errores de especificacin, etc.
(E) Verdadero. Desde la verdad no son directamente observables, algunas suposiciones
sobre la naturaleza de la heteroscedasticidad es inevitable.
( /) Cierto. Vase la respuesta a (d) anteriores .
(G) Falso. La heteroscedasticidad es acerca de la varianza del trmino de error ux y no
sobre la varianza de un regresor.
11.2
(A)
Como ecuacin (1) muestra, como N aumenta en una unidad, en promedio, los
salarios aumentan en unos
0.009 Dlares. Si se multiplica la segunda ecuacin a travs de N, ver que los resultados
son bastante similares a Eq. (1).
(b)
Al parecer, el autor se preocupa por la heterocedasticidad, ya que divide la
ecuacin original de N. Este equivale a asumir que la varianza del error es proporcional
105
a la raz cuadrada de N, por lo tanto, el autor es ponderado con menos plazas para la
estimacin Eq. (2).
(c)
El coeficiente de interseccin en Eq. (1) es el coeficiente de pendiente Eq. (2)
y la pendiente coeficiente en Eq. (1) es la interseccin en Eq. (2).
(d)
11.3
11.4
Parmetros y no se puede
(B) que estn especializados no-lineales procedimientos de clculo. Discutir este tema en
el captulo de modelos de regresin lineal.
Informalmente, podemos estimar los parmetros de un proceso de ensayo y error.
(A)Vase Ejercicio 7.14 y en la Seccin 6.9 .
No. E\\n{ui)] = [ln(l)] = 0. Pero E[ln(iu)] < a E{ut) debido a la
concavidad propiedad de transformacin logartmica . La expectativa del
(b)
registro de una variable aleatoria es menor que el registro de su esperanza, a menos que
la variable tiene una varianza cero, en cuyo caso son iguales.
(c)
Deje que
106
+ (ln w" ) ].
Ahora E(u]
11.6
(Tf)La suposicin es que la varianza del error es proporcional al cuadrado del PIB, que
se describe en la postulacin. Los autores hacen de este supuesto al observar los datos a
travs del tiempo y observar esta relacin.
(b)
Los resultados son esencialmente los mismos, aunque los errores estndar de
dos de los coeficientes son inferiores en el segundo modelo, esto se puede tomar como
justificaciones empricas de la transformacin de heterocedasticidad.
(c)
11.8
En la
A :* ! )2 Var(A)= ^ 2 \2
Sustituir el fer = (J2ki en la ecuacin anterior, obtenemos ,0,
A2 Zxfkt
El primer trmino de la derecha es la varianza en Eq. (11.2.3 ). Por lo tanto, si Zjc2 .
AVPP
> 1, entonces la varianza heterocedasticidad dado anteriormente es mayor que la
T. X2 var(w )
YX]a2X2 a2ZX?
(ZX2)2
(ZX2)2
107
Problems
11.11
(b)
(c)
108
11.12
(A) (b)
Por lo tanto
Media v Standard dev lectivo
109
Un ix,r, r, -r,
P
Yo,"
ZXf 2
21
(J2
Al comparar las dos estimaciones, vemos que los mnimos cuadrados ponderados da un peso de
2/3 y 1/3 a Yx a Y2, mientras que LA OPERACIN da igual
Peso a los dos Y observaciones. La variacin de la pendiente estimador es mayor en
la media ponderada de los mnimos cuadrados que en el Sudn.
11.15
(b) Ya que se trata de un los datos transversales de una diversidad de coches, a priori uno
puede esperar la heterocedasticidad.
(Ic) Regresin el cuadrado de los residuos obtenidos a partir del modelo se muestra en
(a) en los tres regresores, su cuadrado, y sus trminos de producto, obtenemos un valor
de R1 0,3094 . Multiplicando este valor por el nmero de observaciones ( = 81),
obtenemos 25,0646 , que bajo la hiptesis nula de que no hay la heterocedasticidad, tiene
la distribucin Chi cuadrado con 9 g.l. (3 Regresores, 3 al cuadrado los regresores, 3 tres
trminos de producto). El valor de p de la obtencin de un valor del Chi cuadrado de
25,0646 o superior (bajo la hiptesis nula) es 0,0029 , que es muy pequeo. Por lo tanto,
debemos rechazar la hiptesis nula. Es decir, hay heterocedasticidad.
110
(J)The
results basedMPG
on Whites
procedure
areCuadrados
as follows:
Variable
dependiente:
Mtodo:
Mnimos
Muestra: 1 81
Incluy observaciones: 81
Blanco Heteroscedasticity-Consistent errores estndar y covarianza
Coeficiente variable Ets. Error
C
189,9597
-1.271697
SP
0,390433
HP
WT
-1.903273
R-squared
0,882864 ;
T-Statistic
Prob.
33,90605
5,602531
0,336039
-3.784375
0,108781
3,589180
0,285077
-6.676352
Durbin-Watson
0,0000
0,0003
0,0006
0,0000
1,0237
Cuando se compara los resultados con los resultados de los MOC, usted encontrar que
los valores de los coeficientes estimados son los mismos, pero sus variaciones y errores
estndar son diferentes. Como puede ver, el error estndar de la pendiente estimada
todos los coeficientes son mayores en el blanco
Procedimiento, por lo tanto, | son ms bajos, lo que sugiere que
LA OPERACIN haba subestimado los errores estndar. Todo esto podra ser debido a
la heterocedasticidad.
(e) No existe una frmula sencilla para determinar la naturaleza exacta de heterocedasticidad en
el presente caso. Tal vez se podra hacer algunas suposiciones sencillas y probar diferentes
transformaciones. Por ejemplo, si se considera que el "culpable" variable es HP, y si
consideramos que la varianza del error es proporcional al cuadrado de HP, podramos dividir a
travs de HP y ver qu sucede. Por supuesto, cualquier otra regresor es un posible candidato para
la transformacin.
11,16
T-Statistic
Prob.
50,85635
1,852449
0,078323
5,577047
0,369824
111
0,0695
0,0000
100 -
- 100 -
" "
200-1
-200-I
--------- 1 - 1 -- 1 -- 1
300
400 500
600
700
800
900
TOTALEXP
T-Statistic
10,00140
1,551873
Prob.
-1.686053
2,386300
0,0977
0,0206
R-squared
0,097018
Habida cuenta de que la estimacin pendiente coeficiente es
significativo, el Parque prueba confirma la heterocedasticidad.
Prueba Glejser
Variable dependiente: |u, |, valor absoluto Variable de residuos
Coeficiente
Ets. Error
T-Statistic
Prob.
C
-32.21965
29,48998
112
-1.092563
0,2795
TOTALEXP 0.130709
R-squared
0,135158
0.045417
2.877997
0.0058
Coeficiente
C
13044,00
TOTALEXP -53.12260
0,059795 TOTALEXPSQ
0,616546
-0.743145
1,015887
0,5402
0,4607
0,3144
R-squared 0,134082
Si se multiplican los r-squared valor por 55, y la hiptesis nula es que
no hay la heterocedasticidad, el producto resultante de 7,3745 sigue la
distribucin Chi cuadrado con 2 gl y el valor de p de tal valor del Chi
cuadrado es aproximadamente 0,025 , que es pequeo. As pues, al igual
que en el Parque Glejser y pruebas, el test de White sugiere tambin la
heterocedasticidad.
(d) La heterocedasticidad de resultados corregidos son los siguientes:
Variable dependiente: FOODEXP
Coeficiente variable
Ets. Error
T-Statistic
Prob.
C
94,20878
0,436809 TOTALEXP
43,26305
0,074254
2,177581
5,882597
0,0339
0,0000
R-squared 0,369824
En comparacin con los resultados de la regresin OLS en (a), no hay
mucha diferencia en el error estndar de la pendiente, aunque el
coeficiente error estndar de la ordenada ha disminuido.
Si esta diferencia es vale la pena molestarse, es difcil de decir. Pero, a
menos que se nos vaya a travs de este ejercicio, no sabremos cmo
grande o pequeo es la diferencia entre el blanco y LA OPERACIN
de los procedimientos.
11.17 Los resultados de la regresin son los siguientes:
113
1,483795
6,099834
0,1438
0,0000
R-squared 0,412469
El Parque, Glejser y blanco del test aplicado a los residuos
obtenidos de la regresin doble registro no mostr evidencia de
heterocedasticidad.
Este ejemplo muestra que transformacin logartmica a menudo
pueden reducir la heterocedasticidad. Por lo tanto, la forma
funcional en el que un modelo de regresin se expresa puede ser
crucial para determinar si existe o no la heterocedasticidad.
11,18
Coeficiente
C
27282,63
FOODEXF -180.6629
0,313387 FOODEXFA2
R-squared
Ets. Error
T-Statistic
Prob.
39204,59
221,5542
0,308486
0,695904
-0.815434
1,015887
0,4896
0,4185
0,3144
0,134082
114
TOTALEXP 0.130709
0.045417
evidencia de heterocedasticidad.
115
2.877997
0.0058
11.19 No hay ninguna razn para creer que los resultados sern
diferentes porque las ganancias y las ventas estn altamente
correlacionados, como puede verse en la siguiente regresin de las
ganancias de las ventas.
Variable dependiente : BENEFICIOS
Coeficiente variable Ets. Error t-statistic Prob.
C
LAS
VENTA
S
338.5385
1105,311
0,100713
0,011097
-
0.306283
9,075346
0,7636
0,0000
R-squared 0,845936
11,20 (A)110000-120000-100000 - 90000 Y
80000-
70000
6000030
40
20
10
X
Salario Promedio en relacin con los aos de experiencia
Tal como se muestra en esta figura, con aumentos de sueldo promedio aos
de graduacin, pero no lineal.
(b)
De la cifra indicada en (a) parece que modelo (2) puede ser ms
apropiado, que se corresponde tambin con la teora econmica del capital
humano.
(c)
Los resultados de los modelos lineales y cuadrticas son los
siguientes:
Coeficiente variable Ets. Error t-statistic
Prob.
C
X
73586,8
18,6551
0,0000
3944,58
0,000
0
5
4
8
949,562
4,356950,593535
217,941R-squared
4
7
Variable1
Coeficiente
Prob.
T-Statistic
Ets. Error
C
X
XA2
66356,18
2285,920
-40.07090
R-squared 0,693747
116
5100,501
702,5469
20,22169
13,00974
3,253761
-1.981580
0,0000
0,0069
0,0709
117
(c)
La heterocedasticidad de White prueba aplicada al modelo (1)
se demostr que no haba evidencia de heterocedasticidad. El valor
de n.R2 de la regresin auxiliar del cuadrado de los residuos se
11,4108 con un valor de p de 0,0033 , lo cual sugiere una fuerte
heterocedasticidad. Cuando el mismo se aplic la prueba con el
modelo (2), n .R2 fue 7,6494 , con ap valor de 0,0538 , lo que sugiere
que no hay heterocedasticidad al nivel del 5 por ciento. Pero este
valor es tan cerca del nivel del 5% que uno podra sospechar la
heteroscedasticidad leve en el modelo, aunque la posibilidad de error
en la especificacin no puede descartarse.
(d)
Suponiendo que la varianza del error es proporcional al
cuadrado de la experiencia, nos hemos dividido modelo (1) a travs
de X y obtener los siguientes resultados:
Coeficiente variable Ets. Error
T-Statistic
Prob.
C 1403,809
1/X 68292,06
154,6360
289,4419
9,078151
235,9439
0,0000
0,0000
R-squared 0,999767
Cuando este modelo se someti a prueba la heterocedasticidad
de White, no hubo pruebas de heterocedasticidad.
11.21 La estadstica de prueba,
A = F)es
"8, /jr_M0/2S
RSS ldf 55/25 el 5% crticos de F de 25 gl en el numerador y el
denominador es de 1,97 . Dado que el valor estimado de 2,5454
supera este valor crtico, rechazar la hiptesis nula de
homocedasticidad.
11.22 (A) El grfico es el siguiente.
118
C
X
4,610282
0,757433
1,084906
0,149941
4,249478
5,051559
0,0005
0,0001
R-squared 0,586380
Los residuos de esta regresin cuando se trazan contra X mostr la
siguiente imagen.
1 -I
5- 0- <
10
15
20
25
30
6,738082
0,221484
2,384860
0,555568
2,825358
0,398663
0,0117
0,6951
R-squared 0,009262
Como se puede ver, en (a) la pendiente coeficiente fue muy significativa,
pero en esta regresin no lo es. Ver cmo un solo punto extremo, un caso
atpico, ya que puede distorsionar los resultados de la regresin. El
cuadrado de los residuos de esta regresin cuando se trazan contra X
mostr el siguiente grfico.
0-
o
10
119
12.1
(A) Falso. Los estimadores son imparciales pero no son muy eficientes.
(b)
(c)
(d)
True. Para comparar R2s, regressand en los dos modelos
deben ser los mismos.
(e)
(h)
Falso, slo puede ser hecha por el B-W g, estadstica, a
pesar de que use el Durbin-Watson tablas para probar que p = 1.
(i)
.True escribir el modelo como: Yt = fa + faXt + grasa +
grasa2 + ut. Tomar la primera diferencia de la ecuacin y verificar.
12.2
12.3
12.4
120
(B) V-N =
N
(C^Los lmites son 2
N
N-1
Y4
N
N-1
. Por lo tanto, si n es
suficientemente
P=
IN
Para un determinado k, n -> oo, la segunda parte en el numerador como el
denominador tiende a cero. Como resultado, p& 1- ~
La principal ventaja es la sencillez. Tambin puede manejar los
problemas en los que hay ms de un mnimo local mediante el ajuste de el
proceso de bsqueda.
12.7(a)
(b)
12.8(a)
(b)
El C-0 procedimiento no garantiza el mnimo global. Davidson y
MacKinnon, por lo tanto, sostienen que es recomendable utilizar el
procedimiento C-0 "slo despus de una bsqueda preliminar tiene una
121
cuadrcula
122
1,865601
0,144098
0,162254
0,057311
2,383131
4,175736
-3.418688
15,83237
0,022
7
0,0002
0,001
60,0000
R-squared 0,995363
Desde el coeficiente de Ft-i, vemos que p = 0,9073 , lo cual no es muy
diferente de la C-0 procedimiento de dos pasos o el C-0 mtodo
iterativo. Por lo tanto, los resultados a travs de la p estimado a partir de
la Durbin- Watson procedimiento de dos pasos no va a ser muy distinto
de los que utilizan estos mtodos.
(b) Este es un tema de no-lineal (en el parmetro) modelos de regresin.
12.11 (A) La figura muestra que probablemente hay especificacin sesgo
debido a una falta de la forma funcional.
(b) Introducir [log(salida) ]2 como un regresor adicional. Esto
probablemente se levante el binomio naturaleza de la relacin entre el
coste y los resultados.
12.12 (A) hay muchas razones para un outlier. Puede ser una observacin que
es simplemente muy diferente del resto de la muestra, que puede ser el
resultado de errores de medicin, o puede ser debido a una mala
muestra.
(b) La observacin no debe ser descartado a no ser que haya alguna
razn plausible para creer que es un error (por ejemplo, mide mal,
123
1.
(b)
Si p es de -1, la media mvil regresin es apropiado.
(c)
La Theil-Nagar transformacin es apropiado cuando el primer
y el segundo las diferencias de los regresores son pequeas en
comparacin con el rango de las variables.
(d)
(e)
(f)
Si el valor de p estimado a partir de los coeficientes de zaga Y
variable es aproximadamente el mismo que el estimado dividiendo el
coeficiente de la variable X cierto rezago por el coeficiente de la variable
X (prestar atencin a los signos de los coeficientes).
12.17 Transformar el modelo de la siguiente manera:
(Xl ~ P^t-\ ~ P^t-1 ) = P \ (1 - P \ ~ Pi) Pi (Xf ~ pl^i-l ~ pl^t-l) t
Si el p son conocidos, se puede transformar los datos tal como se ha
sugerido. Si no se conoce, la primera estimacin del modelo original
de la operacin y obtener las desviaciones u,. a continuacin, ejecute
la siguiente regresin:
=M- . +M-i+vt donde v es un trmino de error.
124
12 >18
c =
Ex, * 2
* ,-/> ( * ,_, )2
Tenga en cuenta que la primera observacin es omitida debido a la
diferenciacin.
12.20 Esta secuencia tiene 22 signos positivos y 11 signos negativos. El
nmero de ejecuciones es de 14 aos. Mediante la aproximacin normal
dada en el texto, se puede observar que el nmero esperado de corridas
es 18,83 y la varianza de las carreras es 0,4955 . Por lo tanto, el intervalo
de confianza del 95% es: 18,83 1,96 (0,7039 ), es decir, 17,45 a 18,83
. Dado que el nmero de ejecuciones de 14 se encuentra por debajo del
lmite inferior, podemos concluir que la secuencia no es aleatoria.
12.21 La frmula sera:
( " / - " / -a)2
12 =- -------------11
N
125
~)
20
12.25 (A) como se puede ver en la salida del calculador, slo el residual
de lag 1 es estadsticamente significativa. Por supuesto, es
posible que la falta de importancia de las otras cinco han quedado
residuos se debe a collinearity.
(b) Desde estadsticamente la AR(1) coeficiente de 0,8149 no es
significativamente diferente de 1, la primera diferencia transformacin puede
ser apropiada.
Problemas
12.26 (A) La regresin estimada es la siguiente:
En C, = -1.500 + 0,468 En I, en L + 0,279 -0,005 pulg. ), + en H,
Se
= (1,003 ) (0,166 )
(0,115 )
( 0,143 )
(0,107 )
= (-1,496) (2,817 )
(2,436 )
(-0,036)
(4,415 )
+ 0,441 En UNA.
R2 = 0,936 ; R2
= 0,926 ; F = 91,543 ; d = 0,955
Como puede ver, los coeficientes de I, L y una individual y
estadsticamente significativas econmicamente el impacto significativo
en C.
(6) Si se dibuja los residuos estandarizados y residuos, usted ver que
ellos probablemente indican autocorrelacin.
(c)
Como se muestra en la regresin resultado dado en el apartado a)
anterior , la d estadstica es 0,955 . Ahora para n = 30 , k = 4 y a =
5 %, el lmite inferior de d es 1,138 .Desde el valor d es calculado por
debajo de este valor crtico d, hay indicios positivos de autocorrelacin
de primer orden .
(d)
Para la prueba de corridas, n = 30, n = 17,\ ri2 = 13 y R = 9.
Desde el Sueco y Eisenhart tablas, el 5% inferior y superior son los
valores de 10 y 22. Desde la R = 9 cae por debajo del lmite inferior, se
podra sugerir que hay (positivo) autocorrelacin de los datos,
reforzando la conclusin basada en la prueba d
126
(e)
Tal vez se podra usar la prueba Breusch-Godfrey se discute en
el texto.
12.27 Los resultados de la regresin son los siguientes:
Y = 246,240 + 15,1 % 2X, se=( 5,849 )
(a)
(b)
S. Para n = 15, k = 1 y a = 0,05 , dl = 1,077 . Desde la
d es menor que du hay pruebas positivas de autocorrelacin de
primer orden.
(c)
( / ): Theil-Nagar estadstica (vase Ejercicio 12.6 ) para n =
15 y k = 2, es: p = 0,8251 .
( //) La Durbin mtodo en dos pasos pueden no ser apropiados aqu
debido a la alta multicolinealidad entre la actual y quedaron las
variables explicativas.
(Hi) El C-0 mtodo proporciona una estimacin de p de
0,6691 (0,005 convergen en el nivel despus de tres
repeticiones).
(d)
Mediante la estimacin de la fop Theil-Nagar 0,8251 ,
transformar los datos. [Y, - (0,8251 )Y,_L\e[Xl - (0,8251 )X,_" ].
Utilizando los datos transformados, los resultados de la regresin son los
siguientes:
Y' = 32.052+19.404 * ;
Se = ( 4,925 ) (2,038 )
T = (6,508 ) (9,522 )
R2 = 0.883; * / = 1,923
Nota: * indica las variables transformadas.
Tenga en cuenta que la regresin anterior no se resuelve por la prdida
de la primera observacin de la manera sugerida por Prais-Winsten .
(e)
A pesar de que el valor d de 1,923 puede sugerir que no hay
autocorrelacin, no est claro si el Durbin-Watson d es apropiado aqu,
porque apuntan a un AR(2) modelo de regresin inicial. Por lo tanto, se
podra usar una prueba no paramtrica, como la prueba de corridas, para
realizar la prueba de correlacin serial en la regresin anterior. De esta
regresin, n = 14 , n\ = 8 , n2 = 6 y R = 10. Desde el Swed-Eisenhart
tabla, la crtica se ejecuta los valores son 3 y 12. Se ejecuta desde el
valor de 10 se encuentra entre estos lmites, podemos concluir que no
existe autocorrelacin en el presente caso.
12.28 (A) Los resultados de la regresin para el C-0 proceso en dos etapas:
127
( 0,147 )
(0,162 )
(2,766 )
(-0.378)
(0,121 )
(2,818 )
128
DLOG(RGRDP) 0,6086
0,1665
3,6551
0,0021
DLQG(LTRATE)-0.1354
0,0427
-3.168
0,0060
R-squared 0,5461 ; d = 0,3832
Nota: La letra " D" es decisivo para tomar primeras diferencias. Tambin
tenga en cuenta que no hay ninguna intercepcin en este modelo ( por
qu? ).
Los resultados de esta regresin son interesantes en comparacin con el
original en los resultados de la regresin 7,21 problema . Mientras que
antes de la larga
0.
6086 Y es tambin muy importante. Tal vez esta diferencia en los
resultados puede tener que ver con la naturaleza de las series de tiempo. Es
muy posible que la serie de tiempo en cuestin no puede ser parado. Pero
todava no tenemos las herramientas para tratar esta cuestin, que vamos a
hacer cuando se discuta el tema de las series de tiempo econometra ms
adelante en el texto.
12.31 Desde los valores de X ya estn dispuestas en orden ascendente, el valor
de d y calcula el valor de d calculado por el procedimiento propuesto por
Theil es el mismo. Para la justificacin de este procedimiento, consulte
de Theil.
12.32 Los resultados de la regresin ya estn dadas en Problema 11,22 . De esta
regresin estima el valor d es 2,6072 , lo que parece sugerir que no hay
autocorrelacin. Pero esta autocorrelacin es sospechoso, hay una
observacin inusual (el de Chile).
Renunciar a esta observacin, podemos obtener los resultados de la
regresin se muestra en Problema 11,22 . Como esta regresin muestra,
ahora no hay relacin entre las dos variables y el estimado valor d es de
2,6199 . En realidad no hay autocorrelacin en estos datos. Vamos a
estudiar en el captulo 13 el papel de observaciones inusuales, llamados
atpicos, apalancamiento, etc.
12.33 Un conjunto de datos
generados por el esquema
propuesto es el siguiente:
Ut
XT
Yt
09,464
12,96
1
4
14,54
10,544
2
416,44
11,944
3
4
15,42
10,427
4
714,81
09,316
5
6
14,68
08,681
6
114,02
07,525
7
5
15,07
08,070
8
015,00
07,504
9
4
13,79
05,797
10
7
129
Y =14.694-0.003 * ,
(A)
(B)
(C)
5E = (0,688 ) (0,111 )
T = (21,354 ); -0,027) r2 = 0,000 ,d = 1,296
Resultados individuales pueden variar
como ut vara.
Una vez ms, los resultados individuales
pueden variar.
130
( /) Los
resultados del modelo
log-lineal son los siguientes:
the
Breush-Godfrey
procedure.
Coeficiente variable Ets. Error t-statistic Prob.
C
0,507409
LOG(VENTAS) 0,995128
0,048561
0,004091
10,44886
243,2302
0,0000
0,0000
5,235037
1,022227
T-Statistic
Prob.
4,582000
-4.280479
0,0001
0,0002
R-squared
Durbin-Watson 2,076724
0B)
Variable
C
3,531812
CRECIMIENTO 3,943315
LA INFLACIN -2.499426
R-squared
Prob.
0,572374
8,111369
1,293445
1,082101
0,435415
3,048693
-2.309789
0,6670
0,0054
0,0294
D= 1,8965 .
C
6,326759
0,788408
CRECIMIENTO
-0.679792
0,0016
R-squared 0,323439 Durbin-Watson
stat 0,538786
131
Prob.
8,024730
0,192818
0,0000
-3.525570
C
ISTAR
UN
ADDE
NDUM
R-squared PROD.
Coeficiente
Ets. Error
T-Statistic
Prob.
-4.041785
0,086407
67,37838
-0.067809
23,34284
0,031605
35,50361
0,036959
-0.173149
2,733972
1,897789
-1.834690
0,8642
0,0124
0,0716
0,0808
0,55124
9
132
133
134
CAPTULO 13
Modelos economtricos: ESPECIFICACIN DEL MODELO Y LAS
PRUEBAS DE DIAGNSTICO
13.1
13.2
13.3
Sabemos que
"LXjYj _ IlXt(a0+axXi+vi)
UN Zxf
XXF
" ZXf
XXf aJLXf ZXf
* ! .x.
, Ev,. * ,
+ (Xt + *
Aqu, la pendiente estimador del
Por lo tanto,
+ A.
modelo incorrecto da un estimador
parcializado del verdadero coeficiente
pendiente. Las diferencias son las que aparecen en el ejercicio 13.2 .
13.4
135
(J2
<J2
Var^2 =
V: modelo incorrecto)
* ,(1-/ * )
Por lo tanto, las diferencias no son lo mismo.
13.5
13.6
13.7
136
Ex
Sustituyendo en la expresin anterior y, por otra parte, simplificar y
Tomando el lmite cuando n -> oo, obtenemos la expresin
*3
*
P lim( / ?) = -t-r-, mostrando que ft es imparcial.
1 + - ^<R2.
X
(b) No, como se puede ver en la frmula anterior. En otras
palabras,
Fi no es un estimador consistente.
13.9
(a)
El mtodo y los resultados son los mismos que en cuestin
13.8 .
(b)
13,10
13,11
P\ (irue) = A
+ 5 Pi (< * ) .
Pl(irue) Pi
, P \ (tnte) ~ P\
UN
(O)
UN
"
Pldrue) ~ ^ >02
(c)
El coeficiente de interseccin ser imparcial pero la
pendiente coeficiente ser sesgados e inconsistentes.
13,12
137
= ft+MXi-bnXi)
13.13 Estudiante se est ocupando de la cuestin terica y econometra
aplicada en forma algo escptico. Esencialmente, afirma que los
tericos examinar el campo y determinar las esferas de
preocupacin cuando paso de la teora a la prctica. Algunas de
estas reas de inters son la heterocedasticidad, autocorrelacin,
multicolinealidad, y la especificacin de los modelos. Los
profesionales, entonces, se espera para examinar la forma en que sus
resultados pueden ser influenciados por las esferas de preocupacin
que han sido identificadas por los tericos.
13.14 De Theil comentario se refiere a la regresin estrategias, el ttulo
del captulo en el que esta cita. Que se refiere a pensar
cuidadosamente acerca de las pruebas de hiptesis. Basndose en el
hecho de que pruebas de regresin se inform bom dinmico de la
toma de decisiones en el cual cada una de las sucesivas decisiones
depende de la informacin disponible en el momento de la decisin
que se hizo. Para un nuevo debate, leer el captulo.
13.15 Blaug puede tener un punto. Algunas veces, los investigadores se
"imponer" un modelo que han desarrollado un conjunto de datos sin
evaluar crticamente la aplicabilidad del modelo a los datos. Cada
vez que una nueva tcnica economtrica se encuentra disponible, los
investigadores estn enamorados de ella y empezar a utilizar esa
tcnica indiscriminadamente. Por ejemplo, cuando modelos de
expectativas racionales se convirti en la moda del da, los
investigadores aplicaron a todo tipo de economas sin estudiar la
estructura de las economas.
13.16 Como una ilustracin de Blaug, recordar que en pruebas de
hiptesis si la estadstica de prueba (por ejemplo, la t) no es
estadsticamente significativo, no digamos que aceptamos la
hiptesis nula. Decimos que no se rechaza la hiptesis nula. Esto es
porque es muy posible que sobre la base de un conjunto de datos
que tenga la posibilidad de rechazar la misma hiptesis nula . Por lo
tanto, cuando no se rechaza la hiptesis nula, lo que estamos
diciendo es que la muestra de que se trata no nos da una razn para
rechazar la hiptesis nula.
13.17 Se podra argumentar que estipula que "los cambios en la oferta
138
13.19
13.20
(c)
Cierto. Ver Fig. 13.4
(d)
En un segundo grado ecuacin lineal y cuadrtica trminos
son necesarios.
(e)
139
140
(L-R2R) / (n-k)
(0,9803 -0.9801)71 _ P 2 2 P 6
(1 - 0,9803 ) / (23-4)
13.23
13.24
141
13.26
142
3.
(0,831 ) (-3.658)
(03,908 )
R2 = 0,722 ; F = 7,138
UNA
(2,184 )
(1,921 ) (1,070 )
(2,293 )
2 = 0,808 ;F = 11,583
(5,960 )
13.29
Hay varias posibilidades. Slo se consideran, a saber, la DavidsonMac Kinnon y prueba. Los pasos que se siguen son los siguientes:
1. Modelo de estimacin y obtener los valores de previsin de este
modelo, Yf *
2.
Estimacin Modelo B y obtener valores de previsin de este
modelo,
Yfs
3.
143
modelo B.
4.
Vuelva a ejecutar Modelo B incluyendo la variable Yf\ si el
coeficiente de
5.
Yf * es importante, elija el modelo A.
6. Si Yf en el modelo A y Yf * en el modelo B son
estadsticamente significativos, lo que significa que ambos
modelos son aceptables.
Si se llevan a cabo los pasos anteriores, usted encontrar que ambos
modelos son aceptables. Por lo tanto, no hay una clara preferencia
aqu. Sin embargo, si lleva en la tasa de inters, es muy posible que
uno de los dos modelos puede ser preferible. Citamos a
continuacin los resultados de la regresin sin el tipo de inters
variable.
Y = -39.2316 + 0,3616 * , -0.3801 * ,
+1.11881/" t = (-1.7725) (3,8804 ) (-3.9028)
(4,2355 ).
R2 =0.8965; * /= 1,8193 Y =43.4574-0.0269 * , +0.5864 ^ ., +1.14301^^ t ( 1.8294) (-2.1177) (4,2355 ).
(3,9027 ).
R2 = 0,8965
Donde Y = ahorro y X = ingreso. El Durbin-Watson para el
segundo modelo es 1,8193 , pero no puede ser utilizado para las
pruebas de correlacin serial del modelo debido a la presencia de
la zaga regressand.
Como puede ver, ambos modelos son igualmente aceptables sobre
la base de la J . Uno podra preguntarse por qu el coeficiente de la
variable de renta en el segundo modelo es negativo.
13.30 Los resultados de la regresin de los ahorros de los ingresos son los
siguientes:
Perodo de
tiempo
Interceptar
Pendiente
1970-1981
1,0161
(0,873 )
9,7255
(0,8999 ).
50,2516
(3,6396 ).
62,4226
(4,8917 ).
0,0803
(9,6015 ).
0,00591
(12,2197 )
0,0444
(7,6745 ).
0,0376
(8,8938 ).
1970-1985
1970-1990
1970-1995
R2
0,902
1
0,914
2
0,756
1
0,767
2
144
14.1
14.2
145
14.4
U, =A-fi\o+.
Por lo tanto, queremos minimizar:
J_
Z" /2 = Z( ^ -aio(yw)2
Hay tres incgnitas en esta expresin, y; - ".
Por lo tanto, tenemos que diferenciar la ecuacin anterior con
respecto a cada una de las incgnitas, las expresiones resultantes del
conjunto a cero, y resolver a la vez. Como se puede imaginar, el
que las expresiones son altamente no-lineales y no soluciones
explcitas
Se puede obtener. Por lo tanto, tendremos que recurrir a uno de los
mtodos de estimacin no lineal en el captulo. Para el
emprendedor estudiantes, aqu estn los tres derivados:
?) Y 11 2
^
^ 2T
^ = 2- = 2 libras [ ( ^ - / ? ,l 0 (r+ ,) )-10 (r+
, )] dfi,
^
^
R T
= 2 [ (ij - Aio^X^X-todo-en-uno- ^ -r)]
Ver George G. Juez, R. Carter Hill, William E. Griffiths, Helmut Lutkepohl y Tsoung-Chao
Lee, Introduccin a la teora y la prctica de Econometra, 2d ed., John Wiley & Sons, New
York, 1988, pg. 514
146
...
(Y + t )
1 Dy
Aqu = P2 , lo que sugiere que el cambio relativo en
Y dt
Y es una constante igual a P2. Si se multiplica esta por 100, se
obtiene el porcentaje de cambio, o la tasa de crecimiento.
(b)
(c)
El modelo de crecimiento logstico tiene una forma en S.
Cuando t = 0,
Y = - ^ --, de modo que este es el valor inicial de Y. asimismo,
1 + Pi
Como / -> oo, Y = px, que es el limitar el crecimiento valor
de Y. Se deduce que P2 >0.
(d) Al igual que la curva de crecimiento logstico, la curva de crecimiento
Gompertz es tambin con forma de S, pero no es simtrico respecto a su
punto de inflexin, que est dada por Y = / ?, / e = 0,368 / ? ,. (Nota: Para
obtener
El punto de inflexin, -- = 0.) Por otra parte, tenga en cuenta que
Dt
^ * = (lnfl-lnl')
Lo que implica que la tasa de crecimiento relativo en Y est linealmente
relacionado con el registro de la Y.
Gompertz La curva de crecimiento se ha utilizado para
estudiar crecimiento de la poblacin y crecimiento de los animales.
Problemas
147
14.8
14.9
148
15.3
149
15.5
TR
0
20
40
6(
INGRESOS
15.6
X, -Mx
Recordar que
I, = & + / } 2X,
tanto, la variable normal estandarizada es la siguiente:
Por lo
^
/ ,=
Por lo tanto,
P\ =
15.7
--y/ ?2 = -
150
151
(b)
Individualmente, los coeficientes de C y R
son estadsticamente significativos al 5% o mejor nivel.
(c)
Siguiendo los pasos de (a) anterior, el efecto de un aumento
en el cociente de lectura 49,93 % de reduccin en el odds ratio.
(d)
15.9
20,0
152
(d)
153
(c)
Como se puede ver, si usted toma todos los matriculados,
todos los coeficientes son estadsticamente muy significativa. Pero
no es este el caso de matriculados negros. El significado global del
modelo
Se puede juzgar por el x2 los valores, los cuales son altamente
significativos para todos
As como para matriculados negros. El x2 valor mide la bondad de
ajuste del modelo, que compara los valores reales con las
predicciones del modelo. Sobre este tema vase Ejercicio 15,13 .
15.12 (A) para que el trmino de error homoscedsticos, el peso
debera ser el inverso del error estndar de la perturbacin plazo u\.
El peso en el presente caso es:
F.
0,66
0.75
0,80
0,086
0,114
0,140
0,415
1,991
0,243
0,168
0,102
0,095
154
8,113 92,717
4,571 87,896
2,708 92,636
0,289 36,181
0.015
1,029
2,388
6,557
8,820
mnimos
10,044
102,856
179,124
342,509
420,000
/; =-1.086 + 0,049 * ;
5E = (0,031 ) (0,001 )
Como puede ver, los resultados de las sin ponderar y ponderado
mnimo de plazas no son muy diferentes, aunque los errores
estndar son relativamente menor para la media ponderada de los
mnimos cuadrados, como uno podra esperar.
15.13 La estadstica de prueba aqu es 2,3449 , cuyo valor de p es de 0,97
. Por lo tanto, no se rechaza la hiptesis nula de que no hay
diferencia estadstica entre los valores de probabilidad estimada y la
real valores de probabilidad.
15.14 Los resultados del modelo logit ponderada, sobre la probabilidad
de muerte en funcin del log de la dosis son:
Z = -4.837+7.058 En * ,
Se=( 0,434 ) (0,599 )
T = (-11.141) (11,782 ) ;/ =1,4069
Estos resultados muestran que los coeficientes estimados son
muy importantes. El valor de p de la que se observa es 0,7039
libras esterlinas, lo que indica que no hay diferencia estadstica
entre los gastos estimados y los reales valores de probabilidad.
Es decir, el modelo es bastante buena.
15.15 (A) Los resultados de la LPM modelo son los siguientes:
Yt = -2.867 + 0,0030 . + 0.002
^ t = (-3.442) (2,976 ) (3,441 )
Donde Y = 1 si es admitido al programa de posgrado; de lo contrario, 0.
(b) A pesar de que la estadstica de los resultados son
satisfactorios, el LPM no es un buen modelo porque de los
problemas que se han abordado en el captulo, a saber, npnnormalidad del trmino de error , de heteroscedasticidad, etc. ^
15.16 (A) El modelo logit estimado es la siguiente:
Yt = -2.085 + 0,136 * ,
T = (-143.597) (151,621 )
(b)
(c)
T = (316,543 ) (115,254 )
Correspondiente a la tasa de descuento de 17 cntimos, el
155
estimado
156
15.18
Dado * = 48,
Verdadera E(Y \X = 0,48 ) = 0,440
Estimado E(Y\X) = 0,603
(c)
Utilizando los datos, podemos confirmar los autores los
resultados:
I>(y * | * = 0,48 ) = -0.969 + 2,764 (0.48 ) = 0,3579 La
probabilidad es 0,6398 ; esto coincide con los autores.
(d)
P(Y * | * = 0,79 ) = -0.969 + 2,764 (0.79 ) = 1,2145
La probabilidad es 0,8878 . La previsin del cambio es 24,80 , lo
que concuerda con los clculos de los autores.
157
CHAPTER 16
PANETL DATA REGRESSION MODELS
16.1
16.2
16.3
16.4
16.5
16.6
158
( * * j;t
* s)
Como resultado,
Var(w/) = a2 = <j] + a] + cru2 es decir, wit
es homoscedsticos. El coeficiente de correlacin entre wjt y wjt (i
* j), es decir, entre los errores de dos diferentes unidades
transversales en un momento dado es:
Cov( Adr, Wjt) = Al
^
^ [Var^ ,) vai(Wjt) ct 2 + cr2v + cr2u .
Y el coeficiente de correlacin entre ingenio y wjt {t s), es decir,
Entre los errores de la unidad de corte transversal en dos momentos
diferentes,
- .Cov^) = ,
Vvar(w/) var(wj cr +crv + au
16.7
16.8
16.9
16.10
159
160
Problems
16,11 (A) Ao
1990
Interceptar
3118,484
(3,5718 ).
3149,356
Pendiente
R2
D
-22.4984 0,0834 1,9
8
(-2.0894)
1991
-23.3485 0,0972 1.
(3,8837 ).
(-2.2742)
9
Nota: Las cifras entre parntesis son los t ratios.
(b)
Los resultados de la regresin son agrupados de la siguiente
manera:
Huevos = 3132,258 - 22,8952 Pr ice
T = (5,3281 ) (-3.1173)
R2 = 0,0902 ; d = 2,0037 los supuestos
en que se basa el presente que las intercepciones, as como las
pendientes de los dos perodos de tiempo son los mismos, as
como las variaciones que el error en los dos perodos de tiempo
son los mismos.
(c)
Dejar que D = 0 para el ao 1990, y D = 1 para el
ao 1991, los resultados de la regresin son los siguientes:
Huevos = 3153,082 - 34.6977D - 22,9403
Pr ice t = (5,0767 ) (-0.1087)
(-3.1027)
R2 = 0,0903 ; d= 2,0047 Como se puede ver, el
maniqu coeficiente para 1991 no es estadsticamente significativa,
lo que sugiere que las intercepciones de los dos perodos de tiempo
son estadsticamente iguales.
(d)
Si lo hacemos, tendremos que utilizar 49 maniques. Este
consumir una gran cantidad de grados de libertad. Adems,
tenga en cuenta la observacin formulada en # 2 de la Sec. 16. 5.
(e)
_ ( 1560690-313092) /3 415866
Q32
313092/ (80-12)
" 46043
Este F valor es altamente significativa, lo que conduce al
rechazo de la hiptesis nula de que los cuatro error las varianzas
son iguales.
(c)
En vista de los Chow test, parece que uno no debe
reunir los datos que figuran en el presente caso. Sin embargo,
esto no destruye la utilidad de la tcnica de mezcla, el cual es
claro en nuestro
Ejemplo de problema huevos 16,11 .
16.14 (A) A priori uno puede esperar una relacin inversa entre los
dos porque si el desempleo es alto, habr menos presin para
conseguir aumentos salariales, suponiendo constantes a las
otras cosas.
(6) Y (c) en forma de tabla, los resultados son los siguientes (/
relaciones de
162
Pas
Intercepto Pendiente R2 RSS
Canad -0.7294 85,8286 0,0048 0,0088 5372
( 3,8706 ) (-0.2946)
REINO UNIDO
0,4248 156,4412 -9.1186 7856
(6,6952 ) (-3.6463)
EE.UU.
0,5420 152,4665 -9.6686 3375
(10,9253 ) (-4.6159)
Agrupados
0,3365 132,3895 -6.3409 1941
(13,4746 ) (-5.4242)
163
D
0,3591
0,4910
0,2440
1,4553
-4.6247
138,7603
134,5800
133,3699
REINO
UNIDO-R-squared
Sum squared resid 0,3462 DurbinC
Watson
stat
0,2674
ESTADO
S
(e) Variable dependiente: COM?
UNIDOSMtodo:
GLS (Componentes de varianza)
C
19123,6604
C
131,3202
NACIONES UNIDAS?
5.8231
Efectos Aleatorios
USA-C
0,8264
CAN-C
-1.7597
UK-C
0,9333
8,8974
-6.2098
14,7592
1,0664
R-squared
0,3312 Sum squared resid 19561,0217
Estadstico Durbin-Watson 0,2358
(J) ya que los resultados de los dos modelos son similares, se
puede elegir uno u otro modelo.
164
(d)
(e)
Falso. El mtodo produce estimaciones coherentes, aunque
en pequeas muestras las estimaciones obtenidas de este modo son
parciales.
(f)
En estas situaciones, utilice el estadstico Durbin h. Sin
embargo, la Durbin d estadstica se puede utilizar en el clculo de
la
H estadstica.
(g)
Falso. Estrictamente hablando, es vlido para muestras
grandes.
(h)
La prueba Granger es una medida de precedencia y al
contenido de la informacin , pero no por s mismo, indicar
causalidad en el uso comn del trmino.
17.2 Hacer uso de las ecuaciones
(17.7.1 ), (17.6.2 ), y (17.5.2 ).
Y = / 30+ftx; +u,
(I)
Y-Y-Y-Y^Stf-Y, ^)
(2)
(3)
X; -xu=r(X' -K. i)
Escribir Ecuacin (2)
Y, =SX+I
(4)
Escribir Ecuacin (3 )
*
I
I
(5)
1-0-R)L
165
obtener
Y^spt+spi ' ^ X" ] + (l-S)Z- , +S",
(7)
obtenemos
Y, =ax + a2Xt + " 3 ^_, + a4Y"_2 -" (17.7.2 )
Cuando la ds (no lineal) las combinaciones de los
diversos parmetros de Eq. (7).
17.3
E(u,) = 0
Libras esterlinas = [ ( " , . ,) (w, -iw, . , ) ],
puesto que [Yt.i-E (Yt-i)] = w,_, = AE[ (u,_X )2], dado que no hay serie
Correlacin.
= - Ac2 .
17.4
17.5
17.6
166
1.6094 0,6932
0,4307
0,7565
1,3569
3,1063
167
17.7
(a)
(b)
17.8
5 >UN
Utilice la frmula . Para los datos de la Tabla 17.1 , esta pasa a ser:
2 >.
"K
10,959
= 11,316 10,986
1.03
17.9
168
17.12
17.13
17.14
169
17.17
170
+ ut
= A + / ?Z + W,
17,21 Aqu n = 19 y d = 2.54 . Aunque la muestra no es muy grande,
slo para ilustrar la prueba h, encontramos el valor h como:
(2,365 )
(2)
171
(2,962 )
(2)
R2 = 0,994 ; F = 1425,219 ; d = 1,479
UN
172
3
4
5
6
Estadstica F
22,865
13,009
7,346
5,867
3,053
Valor p Conclusin
0,0001 Rechazar Ho
0,0004 Rechazar Ho
0,0065 Rechazar Ho
0,0262 Rechazar Ho
0,1939 No se rechaza Ho
173
-0.1183 *
1-4 (0.6562)
El lector se insta a otras combinaciones de los gal y el grado del
polinomio. Puede utilizar el criterio de informacin de Akaike para
elegir entre los modelos de la competencia.
Coeficiente RVSUCNEO
FER
BER
Intercept
-23.3844
-36.0936
-5.9303
ar
((-2.3578)
(-4.6740)
0.8799)
0,3188
0,8712
0,1215
(19,9423
(3,5791 ).
(5,5205 ).
) 0,1945
Xt.i
0,4414
0,3515
(19,9423
(3,9542 ).
(10,4464 )
) 0,2188
Xu2
0,3677
0,0045
(19,9423
(5,4213 ).
(0,0993 ).
*T-3
) 0,1945
0,0976
-0.1697
(19,9423
(2,1948 ).
(-2.2065)
*1-4
) 0,1215
-0.3686
-0.1712
(19,9423
(-1.6678)
(-2.7730)
)
Notas: NER, FER, y BER denotan cerca, lejos, tanto de las
restricciones. Las cifras entre parntesis son los t ratios.
Como se puede ver, poner restricciones a los coeficientes de los
modelos producen resultados muy diferentes. Nota el hallazgo
interesante tanto que la imposicin de las restricciones que idnticos
errores estndar y el t ratios. A menos que exista una fuerte
expectativa a priori, es mejor no impone ninguna restriccin. Por
supuesto, el nmero de trminos desfasados y el grado del
polinomio son las preguntas que necesitan respuesta en cada caso.
(A) de la Direccin de la
causalidad
de lag
Y- #>x2
2
X2 - >Y
2
Y^X2
X2 ^Y
3
3
F Probabilidad
0,0695 0,9329
2,8771 0,0705 *
0,1338 0,9392
2,4892 0,0793 *
Y^x2
4
0,1407 0,9655
4
1,8239 0,1533
* Significativa al nivel del 10 por ciento.
En cada caso la flecha indica la direccin de la causalidad. La
hiptesis nula en cada caso es que la variable de la izquierda de la
174
175
176
177
18.1
CHAPTER 18
El nmero
de dentistas exigido sera una funcin
del precio de la
SIMULTANEOUS-EQUATION
MODELS
atencin estomatolgica, con los ingresos de la poblacin de pacientes,
la disponibilidad de seguro dental, el nivel de educacin de la
poblacin odontolgica, el tamao de la familia, etc. El nmero de
dentistas se suministra la funcin del precio de la atencin
estomatolgica, el costo de la educacin odontolgica, el tamao de la
poblacin odontolgica, el nmero de escuelas de odontologa, el
estado requisitos para la obtencin de licencias, etc. Las variables
endgenas son el nmero de dentistas exigi y se suministra y el
precio de la atencin estomatolgica. Las otras variables pueden
considerarse exgenas.
18.2
18.3
(3)
I A2
IP2
Zp,uu
I A2
En equilibrio, (1) = (2), por lo tanto, obtener, tras simplificacin,
^ 2( ^ ^ 1/
/A\
(4)
P=J
"1 ~Px
( "2,
_Zu2lUu -St/,7
Ai ~P\
"1 -Px
(6)
( "1 -Px)2
178
( "i- &>
< ?)
(8)
Lu2i + ! ,"" -2Lu2,uu recordando que u\
y u2 no estn correlacionados, al tomar la
I=g, +-
179
Probabilidad
lmite (plim),
obtendremos
CHAPTER
18
SIMULTANEOUS-EQUATION MODELS
O, - ^)
(2)
~ - " ^2 ) + (4, ~ j ^ * 1 ^1 j^
(Nx-kj)
Or,-> * 2)
18.5
18.6
18.7
18.8
180
primeros
(8)
181
Problemas
18.10 Los resultados de la regresin son los siguientes:
PC, =-142.1826 + 0.6889GD/ t = (-5.3883) (156,2434 )
R2 =0.9988; * / = 1,2019
18,11
/, = PIB -289.0339 +
66.8100t = (-4.3262) (17,5783
)
R2 =0.9169; * /= 0,3851
18,12
Los resultados de la regresin son
los siguientes: /, =588,1915 +
1.5007tf- ^_") t = (7,1598 ) (4,0243
).
R2 =0.3749; * / = 0,5245
182
CHAPTER 19
THE IDENTIFICATION PROBLEM
19.1
19.2
"- S ^3 a\n *
TV
19.3
7V
(A) ElReducidoFormularioEcuaciones
Son los siguientes:
* I>
Y =Te0 +7txi, +w,
(1)
C = 7v2+JII, +wl
(2)
Para este sistema M= 2 (C,A) y K =1 (I). El orden condicin
aplicada a (2) demuestra que es exactamente. La identidad es
identificado por definicin.
(b)
183
184
19.6
19.7
UN
Nn
^12
K=A, = ^ =2
N"
7BN
( 2 - Ai^o) = -4 nx
Los restantes coeficientes no pueden ser identificados.
185
186
Pa 0 y22 y23 1 /
?35 0
0 0
Aj3
0 Ya3 * 0
R52 R *
187
188
(b)
Aqu M=2, K = 7 . Por la condicin de la orden, ambas
ecuaciones son overidentified.
19.16 (A) y (b) M = 2 y K = 2. Por la condicin de la orden, la funcin de
demanda no ha sido identificado y la funcin de oferta es
overidentified.
(c)
(d)
-17.7981
40,9533 0,7650
-3.8094 -0.1608
R2 = 0,9872 d = 0,5221
189
W = A+ M + M + " ,
0)
UN
2295.7898
0,3292
0,4791
78,9873
0,06825
0,0695
4,8238 4
29.0652
6,8929
R = 0,9928 d = 0,5946
Como demuestran estos resultados, el coeficiente de Yt es
190
191
CAPTULO 20 MTODOS DE
ecuaciones simultneas
20.1
Cierto.
(d)
Falso. En un sistema de ecuaciones simultneas hemos
endgena, as como variables exgenas. A veces no estamos
seguros de si es una variable exgena o endgena. La exogeneidad
prueba nos permite a esta prueba.
(e)
Cierto. Ver Ap. 20A. 1 En relacin con ILS y captulo
14 nota sobre 2SLS.
(J) Cierto. Slo las regresiones individuales tienen valores de R2 .
(g)
autocorrelacionados.
20.2
20.3
(h)
Cierto. Vase Sec. 20.4 .
(A) 2SLS est diseado para proporcionar las estimaciones de los
parmetros de una ecuacin estructural overidentified, lo cual no es
posible con ILS. Pero si una ecuacin es exactamente identificado,
2SLS le dar el mismo segn las estimaciones, el ILS.
(A) Las tres ecuaciones de forma reducida son:
Y t = n 0 + nxY"_x +k2G + v"
Ct=Tti + nJ,_X+7 riGl+v2t
Ti = Jt6 + ! + N %G + v3,
Para este sistema, M- 3 y K = 2 . Por la condicin de la orden,
la ecuacin para C overidentified y que para mi es
identificado.
(b) Para estimar la funcin consumo overidentified, use 2SLS y
para estimar la funcin de inversin, utilizar ILS.
20.4
192
193
1 -A -fi 1 -
En
1 0 1 0 -1
el
En--en/? P
prim
er
(b)
R/P son conocidos, pueden ser tratadas como constantes y ser absorbidas en el trmino
constante en A. Como resultado de ello, cualquier combinacin lineal de las ecuaciones
(2) y (3) se distinguen de la ecuacin (1).
(c)
Hay varias posibilidades. Por ejemplo, podramos aadir una
o ms variables exgenas a ecuacin (2) o la ecuacin (3),
asegurndose de que tericamente las variables no aparecen en la
funcin de produccin (1). Por ejemplo, es posible introducir
distribuido de lag mecanismo la productividad marginal en las
relaciones, lo cual puede dar lugar a la inclusin en el ltimo
perodo de capital
En relacin con la productividad marginal del capital.
20.6
194
* I;= o+ * , +v,
0)
C , = X 2 + X 3 I , + W , (2)
Las estimaciones de la reduccin de esas regresiones
formulario basado en los datos son los siguientes:
Y, 1831,8580 + 4,6722 = /,
/ = (7,6427 ). (17,5784 )
(1-a)
R2 = Q. 9 \ 69 \d = 0,3287
C = 1130,843 + 3,2059 /
T = (6,5225 ) (16,6752 )
(2-a)
R2 = 0,9085 ; = 0,3751 El ILS estimaciones
del original ecuaciones estructurales son:
^ = ^ = -= 3,2059
0,6862 4,6722 1 fcx
A = ^ d - A ) = 574,8370 de comparacin, la
regresin por MCO de C Y dio los siguientes
resultados:
C = 0,68891 + -142.1826^
/ = (-5.3883) ( 156,2434 )
R2 = 0.9988; * /= 1,2019 Como se puede ver, las
estimaciones de la propensin marginal a consumir (MPC) de la ILS
estimacin es 0,6862 y estimacin de la operacin es 0,6889 . Esta
diferencia puede no ser estadsticamente significativa, pero en la
prctica lo que podra ser. En el primer caso, el multiplicador, M=
---------- ,Es3,1565 Y En ElSegundo(OSS)CasoQue Es
----- 3,2144 . En
1 -MPC
Cualquier caso, desde la operacin estimaciones en la presencia de
la simultaneidad son parciales, as como contradiccin, no se pueden
conservar en cuenta este hecho en la operacin y comparando el ILS
estimaciones.
Problemas
20.8
(A) El modelo IS-LM de la macroeconoma puede ser usada para
justificar
195
Este modelo.
(b)
Por la condicin de la orden, el tipo de inters no es
identificado, pero la ecuacin de ganancias es identificado.
(c)
En este ejemplo, la variable exgena. Utilizando los datos
que figuran en el cuadro 20.2 , obtenemos los siguientes resultados por ILS:
Y,= 2834,488 +1.2392M,
t = (32,0163 ) (37,3812 )
R2 =0.9803; * / = 0,3074 se deja como
ejercicio para el lector para recuperar el
original coeficientes estructurales, es decir, a0y a,.
20.9
20.10
(-0.2281)
196
20.13
individual.
(c)
R2= 0,501
Dado que los coeficientes de los dos regresores son individualmente
no estadsticamente significativa, no se puede decir mucho acerca
de esta funcin de demanda. Tenga en cuenta que el precio
coeficiente es positivo, contrariamente a las expectativas previas.
Funcin de la alimentacin
= 66,287 + 0,330 ^ .,
t = (8,288 ) (4,579 )
r2= 0,525
197
21.1
21.2
21.3
21.4
21.5
21.6
21.7
21.8
21.9
198
21.13
21.14
21.15
Problemas
21.16
21.17
199
R 2 = 0,022
* En trminos absolutos, este tau valor es menor que el valor crtico
tau, lo que sugiere que hay una raz unitaria en el PCE series de
tiempo, es decir, esta serie es fluctuantes.
200
R2 = 0,037
*
Este tau valor no es estadsticamente significativa, lo que
sugiere que esta serie tiene una raz unitaria.
Los dividendos, = 0,565 + 0,113 - 0,063
Dividendst_, t= (1,515 )(3,138 )(-2.640) *
R2 = 0,148
*
Este tau valor no es significativo, lo que
sugiere que los dividendos series de tiempo son
fluctuantes.
Por lo tanto, vemos que todas las series de tiempo son
fluctuantes. Los resultados del test de Dickey-Fuller con ninguna
tendencia y no tendencia y no interceptar no altera la conclusin.
21.18 Si el trmino de error del modelo se correlacionaron en serie, ADF es el
Ms apropiado. Las estadsticas de la r el coeficiente que
corresponda de la ADF las regresiones para las tres series son:
PCE
-1.605
Benefici
-2.297
os
Dividendos -3.158 los valores t crticos siguen siendo los
-13.3114
0,6281
201
7,3626
0,0526
-1.8079
11,9253
R-squared 0,6231
=0,0712
202
203
C
11,8978
BENEFICI 0.1096
OS
1,6472
Tendencia
2,3538
0,02939
0,0554
204
5,05457
-3.7293
29,7008
R-squared 0,9668
Pero hay que tener cuidado de esta regresin porque esta regresin se
supone que hay una tendencia determinista. Pero sabemos que el
dividendo series de tiempo tiene una tendencia estocstica.
Ahora retrocesos las primeras diferencias de los dividendos de las
primeras diferencias de los beneficios y la interseccin, se obtiene el
siguiente resultado:
Coeficiente variable Ets. Error t-statistic
C
Las
utilidades
1,3502
-0.0238
0,1953
0,02080
6,9112
-1.1470
R-squared 0,0152
En esta regresin la interseccin es importante, pero no el
coeficiente pendiente. La interseccin de 1,3502 valor en teora es
igual al coeficiente de la variable tendencia en la ecuacin anterior;
los dos valores no son idnticos porque de los errores de redondeo,
as como el hecho de que la tendencia de los dividendos serie no es
determinista.
Este ejercicio muestra que hay que ser muy cuidadoso en particular
la tendencia variable en una serie de tiempo regresin a menos que
uno est seguro de que la tendencia es en realidad deterministas.
Por supuesto, uno puede usar el DF y ADF pruebas para determinar
si la tendencia es estocstico o determinista.
21.22
21.23
(A) Dado que |r| es menor que la crtica |r| valor, parece que
el alojamiento inicio series de tiempo son fluctuantes. Por lo
tanto, hay una raz unitaria en esta serie.
205
206
X
Y presenta una tendencia lineal, mientras que X representa
una tendencia cuadr ica.
Aqu est el grfico de la real y equipado Y valores:
207
208
prueba F
Utilizando el 2 versin de la prueba F, el 2 valor de regresin (1) es
0,0304 , que es el limite 2. El 2 valor de regresin (3), que es 0,4483
, es el irrestricto 2. De ah el valor F es:
(0,44 " 3 -0.0304) /2 ( 1 - 0,4483 ) /37
Refirindose a la DF F valores dados en la Tabla D. 7 en App. D, se puede
ver que el valor F observado es altamente significativa (Nota: La tabla no
da el valor F de 40 observaciones, pero mentalmente la interpolacin de la
dado F, se puede llegar a esta conclusin. ). Por lo tanto, la conclusin es
que las restricciones impuestas por regresin
(1) Son vlidos. Ms positivamente, es un retroceso (3) que parece vlido.
CAPTULO 22 SERIES DE
TIEMPO ECONOMETRA: LA PREVISIN
22.1
22.2
22.3
22.4
22.5
22.6
209
22.8
22.9
210
211
14,655
(0,878 )
PCEt.i
1,106
(8,756 )
PCEt-2
-0.102
(0.707), PDIt-i0,069
(0,806 )
PDIt.2
; -0,072
(-0.877)
R2
0,998
0,998
Nota: Las cifras entre parntesis son
los t ratios.
212
60,944
(2,582 )
0,623
(3,489 )
-0.400
(A
2.120 )
0,682
(5,630 )
0,099
(0,850 )
0,997
213
22.18
22.19
22.22
214
-6.1385
14,8173
-2.5822
(1 -0.2153)7 (649-4)
Este F valor es altamente significativa, lo que sugiere que se debe
elegir el modelo que figura en Eq. (22.11.4 ) sobre que en el
presente ejercicio.
215