FACULTAD CIENCIAS ECONMICAS Y ADMINISTRATIVAS

ESCUELA PROFESIONAL DE ECONOMA Y NEGOCIOS

INTERNACIONALES

INFORME: TALLER ECONOMETRA

AUTOR: ERICK HERRERA MATOS

CARLOS NUOVERO ALEGRE

CHIMBOTE PER
2017
CAPTULO 7
ANLISIS DE REGRESIN MLTIPLE: EL PROBLEMA
DE ESTIMACIN

Ejercicios:

7.1 Considere los datos de la tabla 7.5.

Y X2 X3

1 1 2

3 2 1

8 3 -3

Con base en estos datos, estime las siguientes regresiones:

Yi = 1 + 2X2i + u1i

Yi = 1 + 3X3i + u2i

Yi = 1 + 2X2i + 3X3i + ui

Solucin

a) Es 2 = 2? Por qu?

No, dado que el modelo (3) es el verdadero, 2, es un estimador sesgado 2.

b) Es 3 = 3? Por qu?

No porque 3 Es un estimador sesgado de 3

c) Qu conclusin importante obtiene de este ejercicio?

 una ecuacin parcial puede conducirnos a estimar de forma sesgada.

7.6. Si la relacin 1X1 + 2X2 + 3X3 = 0 se cumple para todos los valores de X1, X2 y X3,
encuentre los valores de los tres coeficientes de correlacin parcial.

El primer paso consiste en escribir la forma de la ecuacin:

X1 = (-2 / 1) X2 + (3 / 1) X3
X2 = (-1 / 2) X1 + (3 / 2) X3
X3= (-1 / 3) X1 + (2/ 3) X2

Los valores de los coeficientes de correlacin parcial son los siguientes:

123= (-2 / 1)
213= (-1/ 2)
312= (-1/ 3)
13.2= -(3/ 1)
23.1= -(2/ 3)
32.1= -(2/ 3)

Ejercicios empricos

7.18 Desembolsos del presupuesto de defensa de Estados Unidos, 1962-1981. Para

explicar el presupuesto de defensa de Estados Unidos, considere el siguiente modelo:

Yt = 1 + 2X2t + 3X3t + 4X4t + 5X5t + ut

Donde Yt = desembolsos del presupuesto de defensa durante el ao t, $ miles de

millones

X2t = PNB durante el ao t, $ miles de millones.

X3t = ventas militares de Estados Unidos/ayuda en el ao t, $ miles de millones.

X4t = ventas de la industria aeroespacial, $ miles de millones.

X5t = conflictos militares que implican a ms de 100 000 soldados. Esta variable adquiere
el valor de 1 cuando participan 100 000 soldados o ms, y es igual a cero cuando el
nmero de soldados no llega a 100 000.

Para probar este modelo, se proporcionan datos en la tabla 7.8.

YEAR Y X2 X3 X4 X5
1962 51.1 560.3 0.6 16 0
1963 52.3 590.5 0.9 16.4 0
1964 53.6 632.4 1.1 16.7 0
1965 49.6 684.9 1.4 17 1
1966 56.8 749.9 1.6 20.2 1
1967 70.1 793.9 1 23.4 1
1968 80.5 865 0.8 25.6 1
1969 81.2 931.4 1.5 24.6 1
1970 80.3 992.7 1 24.8 1
1971 77.7 1077.6 1.5 21.7 1
1972 78.3 1185.9 2.95 21.5 1
1973 74.5 1326.4 4.8 24.3 0
1974 77.8 1434.2 10.3 26.8 0
1975 85.6 1549.2 16 29.5 0
1976 89.4 1718 14.7 30.4 0
1977 97.5 1918.3 8.3 33.3 0
1978 105.2 2163.9 11 38 0
1979 117.7 2417.8 13 46.2 0
1980 135.9 2633.1 15.3 57.6 0
1981 162.1 2937.7 18 68.9 0

Solucin

a) Estime los parmetros de este modelo y sus errores estndar, y obtenga R2, R2
modificada y R2.
7.21. Considere la siguiente funcin de demanda de dinero para Estados Unidos durante
el periodo 1980-1998: Mt = 1Yt 2rt 3 eut

Donde M = demanda real de dinero, de acuerdo con la definicin M2 de dinero

Y = PIB real
r = tasa de inters

Para estimar la anterior funcin de demanda de dinero se presentan los datos de la tabla
7.10.

AO PIB M2 CPI TILP TITM

1980 2795.6 1600.4 82.4 11.27 11.506

1981 3131.3 1756.1 90.9 13.45 14.029

1982 3259.2 1911.2 96.5 12.76 10.686

 1983 3534.9 2127.8 99.6 11.18 8.63

1984 3932.7 2311.7 103.9 12.41 9.58

1985 4213 2497.4 107.6 10.79 7.48

1986 4452.9 2734 109.6 7.78 5.98

1987 4742.5 2832.8 113.6 8.59 5.82

1988 5108.3 2995.8 118.3 8.96 6.69

1989 5489.1 3159.9 124 8.45 8.12

1990 5803.2 3279.1 130.7 8.61 7.51

1991 5986.2 3379.8 136.2 8.14 5.42

1992 6318.9 3434.1 140.3 7.67 3.45

1993 6642.3 3487.5 144.5 6.59 3.02

1994 7054.3 3502.2 148.2 7.37 4.29

1995 7400.5 3649.3 152.4 6.88 5.51

1996 7813.2 3824.2 156.9 6.71 5.02

1997 8300.8 4046.7 160.5 6.61 5.07

1998 8759.9 4401.4 163 5.58 4.81

Solucin:

a) Con los datos anteriores, calcule la funcin de demanda anterior. Cules son las
elasticidades del ingreso y de la tasa de inters de la demanda de dinero?
 b) En lugar de estimar la funcin demanda anterior, suponga que debe ajustar la
funcin (M/Y) t = 1 rt2 eut. Cmo interpretara los resultados? Muestre los
clculos necesarios.

c) Cmo decidira cul es la mejor especificacin?

7.24. La tabla 7.12 presenta datos del gasto de consumo real, ingreso real, riqueza real
y tasas de inters reales de Estados Unidos de 1947 a 2000. Estos datos se volvern a
usar en el ejercicio 8.35.

AO C Yd Riqueza Tasa de Inters

1947 976.4 1035.2 5166.8 -10.351
1948 998.1 1090.0 5280.8 -4.720
1949 1025.3 1095.6 5607.4 1.044
1950 1090.9 1192.7 5759.5 0.407
1951 1107.1 1227.0 6086.1 -5.283
1952 1142.4 1266.8 6243.9 -0.277
1953 1197.2 1327.5 6355.6 0.561
1954 1221.9 1344.0 6797.0 -0.138
1955 1310.4 1433.8 7172.2 0.262
1956 1348.8 1502.3 7375.2 -0.736
1957 1381.8 1539.5 7315.3 -0.261
1958 1393.0 1553.7 7870.0 -0.575
1959 1470.7 1623.8 8188.1 2.296
1960 1510.8 1664.8 8351.8 1.511
 1961 1541.2 1720.0 8971.9 1.296
1962 1617.3 1803.5 9091.5 1.396
1963 1684.0 1871.5 9436.1 2.058
1964 1784.8 2006.9 10003.4 2.027
1965 1897.6 2131.0 10562.8 2.112
1966 2006.1 2244.6 10522.0 2.020
1967 2066.2 2340.5 11312.1 1.213
1968 2184.2 2448.2 12145.4 1.055
1969 2264.8 2524.3 11672.3 1.732
1970 2317.5 2630.0 11650.0 1.166
1971 2405.2 2745.3 12312.9 -0.712
1972 2550.5 2874.3 13499.9 -0.156
1973 2675.9 3072.3 13081.0 1.414
1974 2653.7 3051.9 11868.8 -1.043
1975 2710.9 3108.5 12634.4 -3.534
1976 2868.9 3243.5 13456.8 -0.657
1977 2992.1 3360.7 13786.3 -1.190
1978 3124.7 3527.5 14450.5 0.113
1979 3203.2 3628.6 15340.0 1.704
1980 3193.0 3658.0 15965.0 2.298
1981 3236.0 3741.1 15965.0 4.704
1982 3275.5 3791.7 16312.5 4.449
1983 3454.3 3906.9 16944.8 4.691
1984 3640.6 4207.6 17526.7 5.848
1985 3820.9 4347.8 19068.3 4.331
1986 3981.2 4486.6 20530.0 3.768
1987 4113.4 4582.5 21235.7 2.819
1988 4279.5 4784.1 22332.0 3.287
1989 4393.7 4906.5 23659.8 4.318
1990 4474.5 5014.2 23105.1 3.595
1991 4466.6 5033.0 24050.2 1.803
1992 4594.5 5189.3 24418.2 1.007
1993 4748.9 5261.3 25092.3 0.625
1994 4928.1 5397.2 25218.6 2.206
1995 5075.6 5539.1 27439.7 3.333
1996 5237.5 5677.7 29448.2 3.083
1997 5423.9 5854.5 32664.1 3.120
1998 5683.7 6168.6 35587.0 3.584
1999 5968.4 6320.0 39591.3 3.245
2000 6257.8 6539.2 38167.7 3.576

a) Con los datos de la tabla, estime la funcin de consumo lineal usando los datos
de ingreso, riqueza y tasa de inters. Cul es la ecuacin ajustada?
 La ecuacin ajustada es:

Consumo: -20.6332 + 0.7340X2 + 0.0359X3 - 5.5211X4

b) Qu indican los coeficientes estimados sobre las relaciones entre las variables
y el gasto de consumo?

Indican que si todo lo dems permanece constante (Ceteris paribus) cuando el

ingreso disponible aumente en un dlar, el consumo se incrementa en 0.73
dlares. Si la riqueza aumenta en un dlar, el consumo aumenta en 0.03 dlares.
Y si el inters aumenta 1 punto porcentual, la tasa de inters reduce el consumo
en un-5.52 dlares.

CAPTULO 8

Anlisis de Regresin Mltiple: El problema de la

inferencia

Ejercicios Empricos

8.12. Consulte el ejercicio 7.21.

 a) Cules son las elasticidades del ingreso real y de la tasa de inters de los
balances reales de efectivo?

Las elasticidades del ingreso real son, 0.5243 y -0.0255 y las tasas de inters de los
balances reales son 0.4946 y -0.0516.

b) Son las elasticidades anteriores, consideradas en forma individual,

estadsticamente signicativas?

La elasticidad ingreso es significativa en ambos casos si consideramos de forma

individual.

8.16 Al estudiar la demanda de tractores agrcolas en Estados Unidos durante los

periodos 1921-1941 y 1948-1957, Griliches obtuvo los siguientes resultados:

Donde Yt = valor de las existencias de tractores en las granjas el 1 de enero, en dlares

de1935-1939, X2 = ndice de precios pagado por los tractores dividido entre un ndice de
precios recibidos por todas las cosechas en el tiempo t 1, X3 = tasa de inters prevalente
en el ao t 1, y los errores estndar estn dados entre parntesis.

a) Interprete la regresin anterior.

Los registros de ndice de precios reales y la tasa de inters en el ao anterior

explican aproximadamente el 79% de la variacin en el registro de las existencias
de tractores, una forma de capital. Ya que se trata de una doble modelo de
registro, la pendiente los coeficientes (parcial) elasticidad cruzada de la demanda.

b) Son los coecientes de pendiente estimados estadsticamente signicativos de

manera individual? Son signicativamente diferentes de la unidad?

Cada uno de los coeficientes parciales es individualmente significativos a un

 nivel del 5%.

c) Utilice la tcnica de anlisis de varianza para probar la signicancia de la

regresin en general. Sugerencia: Utilice la variante R2 de la tcnica ANOVA.

0.793
F = 2 = 53.63
0.207
28

El resultado del valor F es estadsticamente significativa.

d) Cmo calculara la elasticidad tasa de inters de la demanda de tractores

agrcolas?

e) Cmo probara la signicancia del R2 estimado?

Utilizando la prueba F dad en el ejercicio (C).

8.18 Una variacin de la ecuacin de determinacin de salarios del ejercicio 8.17 es la

siguiente:

Donde:

W = sueldos y salarios por empleado

V = empleos vacantes como porcentaje del nmero total de empleados en Gran
Bretaa X = producto interno bruto por persona empleada
M = precios de importaciones
M t1 = precios de importaciones en el ao anterior (o rezagado)

(Los errores estndar estimados estn dados entre parntesis.)

a) Interprete la ecuacin anterior.

Un aumento de 1 punto porcentual en la tasa de vacantes en promedio es

aproximadamente 5,29 libras. Aumento de los sueldos y salarios por empleado,
ello supone un incremento del PIB de alrededor de 1 libra por persona.

b) Cules de los coecientes estimados son estadsticamente signicativos

individualmente?
 Los valores estimados son los siguientes: 6.51, -1.04, 2.45 y 2.42. De los cuales se
afirma que el segundo es estadsticamente significativa de forma individual.

c) Cul es el razonamiento para la introduccin de la variable X? A priori, se

espera que el signo de X sea negativo?

Se puede esperar una mayor productividad per cpita y de este modo llevar a cabo
salarios ms elevados. Adems el coeficiente estimado no es estadsticamente
significativamente distinto a cero.

d) Cul es el propsito de incluir Mt y Mt1 en el modelo?

El principal propsito es que buscan recoger el efecto de rezagos distribuidos en

curso y el anterior en cuanto a los precios de importacin sobre los sueldos y
salarios.

e) Cules variables pueden sacarse del modelo? Por qu?

nicamente podra salir la variable X ya que tiene el signo equivocado porque su

valor t es baja.

f) Pruebe la signicancia general de la regresin observada.

0.934 4
F= = 49.53
0.66 14

El valor F es altamente significativa.

8.26 La demanda de cable. La tabla 8.10 presenta los datos de un fabricante de cable
telefnico para pronosticar las ventas a uno de sus principales clientes durante el
periodo 19681983. Las variables en la tabla se denen de la siguiente forma:

Y = ventas anuales en millones de pies de cables pareados (MPC)

X 2= Producto Interno Bruto (PIB), $, miles de millones
X 3= construccin de nuevas viviendas, miles de unidades
X 4= tasa de desempleo, %
X 5= tasa preferencial rezagada 6 meses
X 6= ganancias de lnea para el cliente, %
AO X2 PIB X3, X4, Desempleo X5, Tasa X6, ganancias Y, Ventas
Construccin de % Referencial, lnea Anuales
Nueva rezago, 6 clientes, %
Viviendas meses
1968 1051.8 1503.6 3.6 5.8 5.9 5873

1969 1078.8 1486.7 3.5 6.7 4.5 7852

 1970 1075.3 1434.8 5.0 8.4 4.2 8189

1971 1107.5 2035.6 6.0 6.2 4.2 7497

1972 1171.1 2360.8 5.6 5.4 4.9 8534

1973 1235.0 2043.9 4.9 5.9 5.0 8688

1974 1217.8 1331.9 5.6 9.4 4.1 7270

1975 1202.3 1160.0 8.5 9.4 3.4 5020

1976 1271.0 1535.0 7.7 7.2 4.2 6035

1977 1332.7 1961.8 7.0 6.6 4.5 7425

1978 1399.2 2009.3 6.0 7.6 3.9 9400

1979 1431.6 1721.9 6.0 10.6 4.4 9350

1980 1480.7 1298.0 7.2 14.9 3.9 6540

1981 1510.3 1100.0 7.6 16.6 3.1 7675

1982 1492.2 1039.0 9.2 17.5 0.6 7419

1983 1535.4 1200.0 8.8 16.0 1.5 7923

Considere el siguiente modelo:

a) Estime la regresin anterior.

b) Cules son los signos esperados para los coecientes de este modelo?
 La regresin hallada nos muestra que tanto B2, B3 y B6 son positivas mientras que
B4 y B6 son negativos.

c) Corresponden los resultados empricos a las expectativas a priori?

Los coeficientes que tienen signos positivos (B2, B3 y B6) consiguen satisfacer las
expectativas mientras que los coeficientes con signos negativos no.

d) Son los coecientes de regresin parcial estimados estadsticamente

signicativos considerados en forma individual en el nivel de 5% de signicancia?

La regresin X3, X4 y X6 son significativos a un nivel de significancia del 5%.

e) Suponga que efecta la regresin de Y sobre X2, X3 y X4 solamente y luego decide

agregar las variables X5 y X6. Cmo averiguar si se justica agregar las variables
X5 y X6? Qu prueba utiliza? Muestre los clculos necesarios.

(0.8227 0.6012) 2
= 6.25
(1 0.8227)/10
8.28. Estimacin del modelo de asignacin de precios de activos de capital (CAPM). En
la seccin 6.1 consideramos brevemente el conocido modelo de asignacin de precios
de activos de capital de la teora moderna de portafolios. En el anlisis emprico, el
CAPM se estima en dos etapas.

Etapa I (Regresin de serie de tiempo). Para cada uno de los N ttulos incluidos en la
muestra efectuamos la siguiente regresin a travs del tiempo:

Donde Rit y Rmt son las tasas de rendimiento del i-simo ttulo y el portafolios del
mercado (por ejemplo, el S&P 500) en el ao t; i, como ya vimos, es el coeciente beta
o coeciente de volatilidad del mercado del i-simo ttulo y eit son los residuos. En total
hay N regresiones, una para cada ttulo, y se producen, por consiguiente, N valores
estimados para i.

Etapa II (Regresin transversal). En esta etapa efectuamos la siguiente regresin para los
N ttulos
Donde Ri es el promedio o tasa media de rendimiento para el ttulo i, calculado sobre el
periodo muestral cubierto por la etapa I, i es el coeciente beta estimado de la
regresin de la primera etapa y ui es el trmino residual. Al comparar la regresin (2)
de la segunda etapa con el CAPM, ecuacin (6.1.2), escrita como

Donde rf es la tasa de rendimiento libre de riesgo, vemos que 1 es una estimacin de

rf y es 2 una estimacin de (ERm rf), la prima del riesgo del mercado.

As, en la prueba emprica de CAPM, Ri y i se utilizan como estimadores de ERi y i

respectivamente. Ahora, si se mantiene CAPM, estadsticamente,

Considere ahora otro modelo:

Donde s2 ei es la varianza residual del i-simo ttulo de la regresin de la primera etapa.

Entonces, si CAPM es vlido, 3 no debe ser signicativamente diferente de cero. Para
probar el CAPM, Levy efectu las regresiones (2) y (4) sobre una muestra de 101 acciones
durante el periodo 1948-1968 y obtuvo los siguientes resultados.

a) Apoyan estos resultados el CAPM?

No, porque el estimado que nos arroja es diferente de cero.

 b) Se justica agregar la variable s2 ei al modelo? Cmo sabe?

S, porque arroja luz sobre la validez de la teora. Y esto demuestra tambin que es
estadsticamente significativa.

c) Si el CAPM se mantiene, 1 en (2) debe aproximar el valor promedio de la tasa

libre de riesgo rf. El valor estimado es 10.9%. Parece una estimacin razonable
de la tasa de rendimiento libre de riesgo durante el periodo de observacin,
1948-1968? (Se puede considerar la tasa de rendimiento de los bonos del Tesoro
o de un activo libre de riesgo relativamente parecido.)

No parece demasiado alta rentabilidad de letras del tesoro de Estados Unidos.

d) S i el CAPM se mantiene, la prima de riesgo del mercado (Rm rf) de es cerca de

3.7%. Si se supone que rf es 10.9%, esto implica que Rm para el periodo de la
muestra fue aproximadamente 14.6%. Parece una estimacin razonable?

No, debido a que tiene valores elevados.

e) Qu puede decir sobre el CAPM en general?

Es un modelo financiero y que vincula linealmente la rentabilidad de cualquier

activo financiero con el riesgo de mercado de ese activo. Sin embargo no puede
ser adecuada en todas las situaciones presentadas en el presente enunciado.

CAPTULO 10

MULTICOLINEALIDAD: qu pasa si las regresoras

estn correlacionadas?

Ejercicios
10.1. En el modelo de regresin lineal de k variables, hay k ecuaciones normales para
estimar las k incgnitas. Estas ecuaciones normales estn dadas en el apndice C.
Suponga que Xk es una combinacin lineal perfecta de las variables X restantes. Cmo
se demostrara que en este caso es imposible estimar los k coecientes de regresin?

Y X2 X3
-10 1 1
-8 2 3
 -6 3 5
-4 4 7
-2 5 9
0 6 11
2 7 13
4 8 15
6 9 17
8 10 19
10 11 21

Si es una combinacin perfecta lineal de las variables explicativas, existen ms incgnitas

que ecuaciones, por lo tantos soluciones nicas no son posibles.
10.3. Consulte el ejemplo de la mortalidad infantil analizado en el captulo 8 (ejemplo
8.1). Dicho ejemplo implic hacer la regresin de la tasa de mortalidad infantil (MI)
sobre el PIB per cpita (PIBPC) y la tasa de alfabetizacin de las mujeres (TAM). Ahora,
suponga que aadimos la variable tasa de fecundidad total (TFT). Lo anterior da los
siguientes resultados de la regresin
a) Compare estos resultados de la regresin con los obtenidos en la ecuacin
(8.1.4). Qu cambios observa? Cmo los explica?

Las variables que se muestran son estadsticamente significativas. Por lo tanto los
cambios que se han efectuado se deben a la incorporacin de la tasa de fecundidad
global, por ello puede existir alguno multicolinealidad entre los regresores.

b) Vale la pena aadir la variable TFT al modelo? Por qu?

Dado el valor del coeficiente TFT, revela que es muy importante (p = 0.0032).
El signo positivo de este coeficiente tiene mucha coherencia, debido a la relacin
entre el nmero de los nios para una mujer, mayores son las probabilidades de la
mayor mortalidad infantil.
 c) Como todos los coecientes t individual son estadsticamente signicativos,
podemos decir que no existe un problema de colinealidad en el presente caso?

En este caso existe colinealidad, debido a que los coeficientes son

estadsticamente significativos.

Ejercicios Empricos
10.26 Klein y Goldberger intentaron ajustar el siguiente modelo de regresin a la
economa de Estados Unidos:

Donde Y = consumo, X2 = ingreso salarial, X3 = ingreso no salarial, no procedente del

campo, y X4 = ingreso procedente del campo. Pero, como se espera que X2, X3 y X4 sean
muy colineales, obtuvieron las siguientes estimaciones de 3 y 4 del anlisis de corte
transversal:
AO Y X2 X3 X4
1936 62.8 43.41 17.10 3.96
1937 65.0 46.4 18.65 5.48
1938 63.9 44.35 17.09 4.37
1939 67.5 47.82 19.28 4.51
1940 71.3 51.02 23.24 4.88
1941 76.6 58.71 28.11 6.37
1945 86.3 87.69 30.29 8.96
1946 95.7 76.73 28.26 9.76
1947 98.3 75.91 27.91 9.31
1948 100.3 77.62 32.30 9.85
1949 103.2 78.01 31.39 7.21
1950 108.9 83.57 35.61 7.39
1951 108.5 90.59 37.58 7.98
1952 111.4 95.47 35.17 7.42

3 = 0.752 y 4 = 0.6252. Con estas estimaciones reformularon su funcin de consumo

de la siguiente manera:
Yi = 1 +2 (X2i +0.75X3i +0.625X4i) + ui = 1 +2Zi + ui donde Zi = X2i + 0.75X3i + 0.625X4i.

a) Ajuste el modelo modicado a los datos de la tabla 10.12 y obtenga estimaciones

de 1 a 4.

b) Cmo interpretara la variable Z?

La variable Z puede interpretarse como una media ponderada de los diferentes

tipos de ingresos.

10.27. La tabla 10.13 proporciona cifras sobre importaciones, PIB e ndice de precios al
consumidor (IPC) de Estados Unidos de 1975 a 2005. Se le pide considerar el siguiente
modelo:

Ln Importacionest = 1 + 2 ln PIBt + 3 ln IPCt + ut

a) Estime los parmetros de este modelo con la informacin de la tabla.

b) Sospecha multicolinealidad en los datos?

Debido al alto valor de R2 y el valor t de los coeficientes mostrados es muy probable

que exista multicolinealidad.

c) Efecte las siguientes regresiones:

1) Ln Importacionest = A1 + A2 ln PIBt
2) Ln Importacionest = B1 + B2 ln IPCt

3) Ln PIBt = C1 + C2 ln IPCt
Con base en estas regresiones, qu puede decir sobre la naturaleza de la
multicolinealidad en los datos?

AO IPC PBI IMPORTACIONES

1975 53.8 1,638.3 98185

1976 56.9 1,825.3 124228
1977 60.6 2,030.9 151907
1978 65.2 2,294.7 176002
1979 72.6 2,563.3 212007
1980 82.4 2,789.5 249750
1981 90.9 3,128.4 265067
1982 96.5 3,255.0 247642
1983 99.6 3,536.7 268901
1984 103.9 3,933.2 332418
1985 107.6 4,220.3 338088
1986 109.6 4,462.8 368425
1987 113.6 4,739.5 409765
1988 118.3 5,103.8 447189
1989 124.0 5,484.4 477665
1990 130.7 5,803.1 498438
1991 136.2 5,995.9 491020
1992 140.3 6,337.7 536528

1993 144.5 6,657.4 589394

1994 148.2 7,072.2 668690
1995 152.4 7,397.7 749374
1996 156.9 7,816.9 803113
1997 160.5 8,304.3 876470
1998 163.0 8,747.0 917103
1999 166.6 9,268.4 1029980
2000 172.2 9,817.0 1224408
2001 177.1 10,128.0 1145900
2002 179.9 10,469.6 1164720
2003 184.0 10,960.8 1260717
2004 188.9 11,712.5 1472926
2005 195.3 12,455.8 1677371

d) Suponga que existe multicolinealidad en los datos, pero que 2 y 3 son

signicativos individualmente en el nivel de 5%, y que la prueba global F es tambin
signicativa. En este caso, debe preocupar el problema de colinealidad?

Una solucin apropiada es expresar las Importaciones y el PBI en trminos reales y

dividirlas por el IPC
10.29 La tabla 10.14 proporciona informacin sobre los automviles de pasajeros
nuevos vendidos en Estados Unidos como funcin de diversas variables.

AO Y X2 X3 X4 X5 X6

1971 10227 112 121.3 776.8 4.89 79367

1972 10872 111 125.3 839.6 4.55 82153

1973 11350 111.1 133.1 949.8 7.38 85064

1974 8775 117.5 147.7 1038.4 8.61 86794

1975 8539 127.6 161.2 1142.8 6.16 85846

1976 9994 135.7 170.5 1252.6 5.22 88752

1977 11046 142.9 181.5 1379.3 5.5 92017

1978 11164 153.8 195.3 1551.2 7.78 96048

1979 10559 166 217.7 1729.3 10.25 98824

1980 8979 179.3 247 1918 11.28 99303

1981 8535 190.2 272.3 2127.6 13.73 100397

1982 7980 197.6 286.6 2261.4 11.2 99526

1983 9179 202.6 297.4 2428.1 8.69 100834

1984 10394 208.5 307.6 2670.6 9.65 105005

1985 11039 215.2 318.5 2841.1 7.75 107150

1986 11450 224.4 323.4 3022.1 6.31 109597

a) Desarrolle un modelo lineal o log-lineal apropiado para estimar una funcin de
demanda de automviles en Estados Unidos.

b) Si decide incluir todas las regresoras dadas en la tabla como variables

explicativas, espera encontrar el problema de multicolinealidad? Por qu?

c) Si espera lo anterior, cmo resolvera el problema? Plantee los supuestos

claramente y muestre todos los clculos de manera explcita.

Al examinar los coeficientes de correlacin entre todas las variables explicativas

se aprecia una correlacin muy alta entre el IPC del nuevo coche y el IPC general,
y entre el IPD y el IPC del automvil nuevo. Adems el IPD tambin se encuentra
estrechamente relacionado con el nivel de empleo.
CAPTULO 11

HETEROSCEDASTICIDAD: qu pasa si la varianza del

error no es constante?

Ejercicios:

11.5 Muestre que 2 de (11.3.8) tambin se expresa como

Y var (*2) dada en (11.3.9) tambin se expresa como

Donde yi = Yi Y y xi = Xi X representan las desviaciones en relacin con las medias

ponderadas Y* y X* definidas como
Ejercicios Empricos

11.11. Con la informacin de la tabla 11.1, efecte la regresin de la remuneracin

salarial promedio Y sobre la productividad promedio X, y considere el tamao de la
planta laboral como unidad de observacin. Interprete sus resultados y vea si estn de
acuerdo con los presentados en (11.5.3).

IND A B C D E F G H I

1 2994 3295 3565 3907 4189 4486 4676 4968 5342

2 1721 2057 3336 3320 2980 2848 3072 2969 3822

3 3600 3657 3674 3437 3340 3334 3225 3163 3168

4 3494 3787 3533 3215 3030 2834 2750 2967 3453

5 3498 3847 3913 4135 4445 4885 5132 5342 5326

6 3611 4206 4695 5083 5301 5269 5182 5395 5552

7 3875 4660 4930 5005 5114 5248 5630 5870 5876

8 4616 5181 5317 5337 5421 5710 6316 6455 6347

9 3538 3984 4014 4287 4221 4539 4721 4905 5481

10 3016 3196 3149 3317 3414 3254 3177 3346 4067

11 3396 3787 4013 4014 4146 4241 4387 4538 4843

12 743.7 851.4 727.8 805.06 929.9 1080.6 1243.2 1307.7 1112.5

13 9355 8584 7962 8275 8389 9418 9795 10281 1750

Si la productividad media aumenta en un dlar, en promedio, la compensacin aumenta

en unos 23 centavos.
a) De la regresin anterior, obtenga los residuos ui.

Los residuos son los siguientes:

-775.6579, -205.0481. 165.8515, 183.9356, 199.3785, 54.6657, 112.8410, 150.6239,

113.4100.

b) Segn la prueba de Park, efecte la regresin de ln u 2i sobre ln Xi y verique la

regresin (11.5.4).

c) Segn el mtodo de Glejser, efecte la regresin de |ui| sobre Xi y luego la regresin

de |ui| sobre Xi. Comente sus resultados.

| = 407.3455 0.0203x
|U

t = (0.6433)(0.3013)r 2 = 0.0128

|u| = 575.2976 3.7097 + x

t = (0.4479)(0.2787)r 2 = 0.0109

d) Encuentre la correlacin de orden entre |ui| y Xi, y comente sobre la naturaleza de

la heteroscedasticidad presente en los datos, si existe.

Sobre las bases de las pruebas realizadas de correlacin, no tenemos ninguna razn
de heteroscedasticidad. Es decir todas las pruebas que se han mostrado hasta el
momento sugieren que no existe problema de heteroscedasticidad.
11.13 Prueba de homogeneidad de varianza de Bartlett.* Suponga que hay k varianzas
muestrales independientes s2 1, s22,..., s2k con f1, f2,. . ., fk gl, cada una proveniente de
poblaciones normalmente distribuidas con media y varianza 2 i. Suponga adems que
deseamos probar la hiptesis nula H0: 21 = 22 == 2 k = 2; es decir, cada varianza
muestral es una estimacin de la misma varianza poblacional 2. Si la hiptesis nula es
verdadera, entonces.

Constituye una estimacin de la estimacin comn (agrupada) de la varianza poblacional

2, donde fi = (ni 1), con ni como el nmero de observaciones en el i-simo grupo y
donde f = k

Bartlett demostr que la hiptesis nula se prueba por la razn A/B, distribuida
aproximadamente como la distribucin 2 con k 1 gl, donde

Aplique la prueba de Bartlett a los datos de la tabla 11.1 y verique que no se puede
rechazar la hiptesis de que las varianzas poblacionales de la remuneracin salarial son
las mismas para cada tamao de la planta laboral del establecimiento, en el nivel de
signicancia de 5%.

Nota: fi, los gl para cada varianza muestral, es 9, pues ni para cada muestra (es decir,
clase de empleados) es 10.

Utilizando la prueba de Bartlett, el valor X2 es 6.6473, cuyo valor p es 0.5748. Por lo tanto,
no se rechaza la hiptesis nula ya que las varianzas son iguales.
11.15 La tabla 11.7 proporciona datos sobre 81 automviles respecto de su MPG (millas
promedio por galn), CF (caballos de fuerza de su motor), VOL (pies cbicos de su
cabina), VM (velocidad mxima en millas por hora) y su PS (peso del vehculo en cientos
de lb).

HP MPG VM CF VOL PS
1 65.4 53.7006814 89 17.5 96
2 56 50.0134012 92 20 97
3 55.9 50.0134012 92 20 97
4 49 45.6963224 92 20 105
5 46.5 50.5042318 92 20 96
6 46.2 45.6963224 89 20 105
7 45.4 50.0134012 92 20 97
8 59.2 46.7165543 50 22.5 98
9 53.3 46.7165543 50 22.5 98
10 43.4 42.2990782 94 22.5 107
11 41.1 44.6528342 89 22.5 103
12 40.9 39.3540941 50 22.5 113
13 40.9 39.3540941 99 22.5 113
14 40.4 44.6528342 89 22.5 103
15 39.6 45.7348929 89 22.5 100
16 39.3 44.6528342 89 22.5 103
17 38.9 42.7899089 91 22.5 106
18 38.8 39.3540941 50 22.5 113
19 38.2 42.7899089 91 22.5 106
20 42.2 38.901834 103 25 109
21 40.9 38.4110033 99 25 110
22 40.7 42.8284794 107 25 101
23 40 38.310606 101 25 111
24 39.3 40.4747233 96 25 105
25 38.8 38.310606 89 25 111
26 38.4 38.4110033 50 25 110
27 38.4 38.4110033 117 25 110
28 38.4 38.4110033 99 25 110
29 46.9 43.4694339 104 27.5 90
30 36.3 35.4041924 107 27.5 112
31 36.1 39.4312352 114 27.5 103
32 36.1 39.4312352 101 27.5 103
33 35.4 36.2854565 97 27.5 111
34 35.3 36.2854565 113 27.5 111
35 35.1 39.5316325 101 27.5 102
36 35.1 37.9587432 98 27.5 106
37 35 37.9587432 88 27.5 106
38 33.2 34.0706683 86 30 109
39 32.9 34.0706683 86 30 109
40 32.3 31.0141309 92 30 120
41 32.2 35.152727 113 30 106
42 32.2 35.152727 106 30 106
43 32.2 34.0706683 92 30 109
44 32.2 35.152727 88 30 106
45 31.5 35.6435576 102 30 105
46 31.5 34.561499 99 30 108
47 31.4 34.561499 111 30 108
48 31.4 35.0523296 103 30 107
49 31.2 31.0141309 86 30 120
50 33.7 29.629936 101 35 109
51 32.6 29.629936 101 35 109
52 31.3 29.629936 101 35 109
53 31.3 29.629936 124 35 109
54 30.4 24.4873667 113 35 133
55 28.9 26.8522787 113 35 125
56 28 27.8562519 124 35 115
57 28 31.1135839 92 35 102
58 28 29.629936 101 35 109
59 28 30.1319226 94 35 104
60 28 28.8602252 115 35 105
61 27.7 27.3542653 111 35 120
62 25.6 24.6091316 116 40 107
63 25.3 23.5159169 131 40 114
64 23.9 23.5159169 123 40 114
65 23.6 23.6051583 121 40 117
66 23.6 23.1031717 50 40 122
67 23.6 23.1031717 114 40 122
68 23.6 23.1031717 127 40 122
69 23.6 23.1031717 123 40 122
70 23.5 21.2737079 112 40 148
71 23.4 19.6785067 50 40 160
72 23.4 23.203569 135 40 121
73 23.1 23.203569 132 40 121
74 22.9 19.0863405 160 45 110
75 22.9 19.0863405 129 45 110
76 19.5 18.7628367 129 45 121
77 18.1 20.2018546 50 45 165
78 17.2 19.1978876 115 45 140
79 17 20.0568397 50 45 147
80 16.7 19.8337332 119 45 157
81 13.2 12.1012629 107 55 130
a) Considere el siguiente modelo:

Estime los parmetros de este modelo e interprete los resultados. Desde el punto
de vista econmico, tiene sentido?

Se puede observar que MPG se relaciona de manera negativa con PS, debido
a la velocidad y el peso.

b) Esperara que la varianza del error en el modelo anterior sea heteroscedstica?

Por qu?

Al observarse que se tratan de datos transversales, ello implica una mayor

diversidad de automviles, lo cual permite que se espere heteroscedasticidad.
c) Con la prueba de White determine si la varianza de error es heteroscedstica.

d) Obtenga los errores estndar de White consistentes con la heteroscedasticidad,

as como los valores t, y compare los resultados con los obtenidos mediante
MCO.

e) Si se establece heteroscedasticidad, cmo puede transformar los datos de

manera que en los datos transformados la varianza del error sea
homoscedstica? Muestre los clculos necesarios.

No existe una frmula sencilla para determinar la naturaleza exacta de la

heteroscedasticidad en el presente caso. Tal vez uno podra hacer una suposicin
simple y probar varias transformaciones. Por ejemplo, si se cree que la variable
culpable es HP, y si creemos que la varianza de los errores es proporcional al
cuadrado de HP, podramos dividirla por HP y ver qu sucede. Por supuesto,
cualquier otro regresor es un candidato probable para la transformacin.
11.20. La tabla 11.8 proporciona datos sobre la mediana de los salarios de catedrticos
en estadstica que laboraron en centros universitarios de investigacin de Estados
Unidos durante el ao acadmico 2007.

Years in Rank Year Year^2 Count Median

0 to 1 0.5 0.25 40 101478

2 to 3 2.5 6.25 24 102400

4 to 5 4.5 20.25 35 124578

6 to 7 6.5 42.25 34 122850

8 to 9 8.5 72.25 33 116900

10 to 14 12 144 73 119465

15 to 19 17 289 69 114900

20 to 24 22 484 54 129072

25 to 30 27.5 756.25 44 131704

31 or more 32 1024 25 143000

a) Graque la mediana de los salarios respecto de los rangos de aos (como medida
de los aos de experiencia). Para propsitos de la grca, suponga que la
mediana de los salarios est referida al punto medio del rango de aos
correspondiente. Por consiguiente, el salario de $124 578 del rango 4-5 est
referido a 4.5 aos del rango correspondiente, y as sucesivamente. Para el
ltimo grupo, suponga que el rango es 31-33.

Se aprecia un aumento de los salarios mediano con el paso de los aos.

b) Considere los siguientes modelos de regresin:

Donde Y = mediana del salario, X = ao en el rango (medido como el punto medio

del intervalo), y u y v son los trminos de error. Puede justicar por qu el modelo
(2) sera preferible al modelo (1)? A partir de estos datos, estime los modelos.

De la imagen observada, se puede afirmar que el modelo (2) es el ms apropiado ya

que encaja en la teora econmica del capital humano.
11.20. La tabla 11.8 proporciona datos sobre la mediana de los salarios de catedrticos en
estadstica que laboraron en centros universitarios de investigacin de Estados Unidos durante el
ao acadmico 2007.

a) Grafique la mediana de los salarios respecto de los rangos de aos (como

medida de los aos de experiencia). Para propsitos de la grfica, suponga
que la mediana de los salarios est referida al punto medio del rango de
aos correspondiente. Por consiguiente, el salario de $124 578 del rango 4-5
est referido a 4.5 aos del rango correspondiente, y as sucesivamente.
Para el ltimo grupo, suponga que el rango es 31-33.

b) Considere los siguientes modelos de regresin:

Donde Y _ mediana del salario, X _ ao en el rango (medido como el punto medio del intervalo), y
u y v son los trminos de error. Puede justificar por qu el modelo (2) sera preferible al modelo
(1)? A partir de estos datos, estime los modelos.

c) Si observa heteroscedasticidad en el modelo (1) pero no en el modelo (2), a

qu conclusiones llega? Muestre los clculos necesarios.
d) Si observa heteroscedasticidad en el modelo (2), cmo puede transformar
los datos de manera que en el modelo transformado no existiera
heteroscedasticidad?
RESPUESTA

a)

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:

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:

Cuando este modelo se someti a prueba la heterocedasticidad de White, no hubo pruebas de

heterocedasticidad.