Beruflich Dokumente
Kultur Dokumente
DEPARTAMENTO DE ECONOMIA
3. El siguiente proceso generador de datos es tal que se cumplen los supuestos estándar
del modelo de regresión lineal simple:
𝑌𝑖 = 𝛽2 𝑋𝑖 + 𝜀𝑖 , 𝑖 = 1,2, … , 𝑛
3.1 Justifique la existencia del término aleatorio 𝜀𝑖 .
3.2 Enuncie claramente los supuestos estándar.
3.3 Deduzca la expresión para el estimador mínimo cuadrático de 𝛽2.
3.4 Pruebe que dicho estimador es lineal, aleatorio e insesgado.
3.5 Encuentre la expresión de la varianza teórica del estimador.
3.6 Demuestre que la anterior varianza es mínima.
3.7 Encuentre el estimador insesgado de 𝜎𝜀2 .
El quiere obtener:
5.1 Una discusión acerca de si en este caso el supuesto de que 𝑋𝑖 es estocásticamente fijo
tiene sentido o no.
5.2 Las ecuaciones normales.
5.3 Estimar por MCO la función consumo-renta de sus hijos.
5.4 Comprobar las restricciones que impone el método de los momentos.
5.5 Calcular los coeficientes de correlación y de determinación.
Calcular:
8.1 Los coeficientes de la regresión de Y en X.
8.2 Los errores estándar de los coeficientes.
8.3 El coeficiente de determinación r 2 y el coeficiente de correlación.
Otro investigador B sólo tiene acceso a los datos de 𝑋 e 𝑌, a partir de ellos trata de obtener
una estimación del coeficiente de la variable 𝑋, para lo cual utiliza dos estimadores
alternativos:
1 =
( X i − X )(Yi − Y )
2 = 0.01*(Y6 + Y5 − Y2 − Y1 )
(X i − X )2
9.1 Generar los valores de Y, y calcular ambos estimadores.
9.2 Discutir las propiedades de los dos estimadores.
9.3 Con base en la varianza de ambos estimadores, el investigador B decide utilizar el
segundo para aproximar el valor del parámetro de X. Comentar, en función de la
información de que dispone A, si la decisión es correcta o no, prestando especial
atención al error cuadrático medio.
12. En el modelo de regresión lineal simple sin intercepto en el que se cumplen todos los
supuestos se define el siguiente estimador:
∑𝑛𝑖=1 𝑌𝑖
𝑏=
∑𝑛𝑖=1 𝑋𝑖
12.1 Encuentre la expresión lineal y aleatoria de 𝑏
12.2 Encuentre la expresión de la varianza de 𝑏. Puede ser mínima la varianza? (Sustente).
12.3 Suponga que el modelo tiene intercepto. Repita 12.1 y 12.2 en este nuevo contexto.
12.4 Puede apelarse al Teorema de Gauss-Markov para señalar que este estimador es de
varianza mínima? Cómo puede comparase con el estimador MCO del mismo parámetro del
modelo. ?
13. Basado en Baltagi (1995). Para el modelo de regresión sin constante 𝑌𝑖 = 𝛽𝑋𝑖 + 𝜀𝑖 , (𝑖 =
1, 2, … , 𝑛) donde 𝛽2 es un escalar y 𝜀𝑖 ~𝑖𝑖𝑑(0, 𝜎 2 ) independiente de 𝑋𝑖 . Considere los siguientes
tres estimadores insesgados de 𝛽.
∑𝑛
𝑖=1 𝑋𝑖 𝑌𝑖 𝑌̅ ∑𝑛 ̅ ̅
𝑖=1(𝑋𝑖 −𝑋)(𝑌𝑖 −𝑌)
𝑏1 = ∑𝑛 2 ; 𝑏2 = 𝑋̅ y 𝑏3 = ∑𝑛 ̅ 2
𝑖=1 𝑋𝑖 (𝑋
𝑖=1 𝑖 −𝑋 )
16.1 Suponiendo conocido el número de datos, encuentre una expresión para calcular el
R 2 del modelo con base en la información disponible.
16.2 Se define una nueva variable Zt = X t − Yt y un nuevo modelo
Zt = g + hX t + vt
Suponiendo que la perturbación aleatoria vt está bien comportada, pruebe que para la
verificación de la hipótesis nula h = 0
t 0 = (1 − ˆ ) / Sˆ
x 2
i = 100 x y i i = 200 y
2
i = 560
18. Al estudiar el Consumo de bienes durables en función del Ingreso personal disponibles
para Colombia durante el periodo de 1950 a 1996 se obtuvieron los siguientes resultados.
C 1818.429 1025.266 -- --
INGRESO 0.131489 -- 48.41853 --
1 − R2 ˆ 2
19 Demostrar que =
n − 2 STC
r 2
Usando el resultado anterior pruebe que =
(1 − R ) /(n − 2)
2
ˆ / x 2
i
Primer Investigador
Yi 4.0 4.5 4.5 3.5 4.5 4.5 5.5 5.0
Xi 3.0 3.0 3.0 3.0 4.0 4.0 4.0 4.0
Segundo Investigador
Yi 2.0 2.5 2.5 1.5 11.5 10.5 1.5 11.0
Xi 1.0 1.0 1.0 1.0 10.0 10.0 10.0 10.0
Es posible explicar por qué el error estándar de ˆ2 del primer investigador es mayor que el
del segundo.
n n
(Yt − Y ) (Xt − X )
variables estandarizadas, donde SY = t =1
y SX = t =1
n n
21.1 En el modelo (M2) muestre que el estimador MCO del intercepto es cero y que el de la
pendiente es igual al coeficiente de correlación entre X, Y.
S
21.2 Demuéstrese que ˆ 2 = ˆ2 X
SY
1 (𝑋 −𝑋̅)2
25.3 𝐸(𝑒𝑖 ) = 0 y 𝑉𝑎𝑟(𝑒𝑖 )=𝜎 2 (1 − 𝑛 − ∑(𝑋𝑖 −𝑋̅)2)
𝑖
26. Bajo los supuestos del modelo de regresión lineal, pruebe los siguientes resultados
para el error de predicción ef . La notación ̅
X, ̅
Y y e̅ es usada para denotar los
promedios muéstrales sobre la estimación muestral i = 1,2, … , n.
26.1 𝑒𝑓 = (𝑌𝑛+1 − 𝑌̅) − 𝑏2 (𝑋𝑛+1 − 𝑋̅)
1
26.2 E[(𝜀𝑛+1 − 𝜀̅)2 ] = 𝜎 2 (1 + 𝑛) Explique la diferencia con el primer resultado en 25.2,
(ejercicio anterior)
26.3 Calcule la varianza del error de predicción para Xn+1. Comente sobre la diferencia
entre este resultado y el 25.3; en particular, explique porque Var(ef ) > 𝑉𝑎𝑟(ei ).
27. Demostrar que en el modelo de Regresión Lineal Simple (la letra S denota error
estándar estimado)
27.1 𝑏2 = 𝑟̂ ∗ 𝑆𝑌 /𝑆𝑋
(1 − R 2 ) yi2
27.2 ˆ u =
2
n−2
27.3 𝑅 = 𝑏2 ∗ 𝑆𝑋2 /𝑆𝑌2
2