FACULTAD DE CIENCIAS SOCIALES Y ECONOMICAS

DEPARTAMENTO DE ECONOMIA

EJERCICIOS SUGERIDOS - ECONOMETRIA I

Profesor: Juan Byron Correa F.

Monitores: María José Estupiñán, David Alejandro Barona

1. El Modelo Ingenuo: El siguiente proceso generador de datos (PGD) es tal que se

cumplen los supuestos estándar del modelo de regresión lineal simple:
𝑌𝑖 = 𝛽1 + 𝜀𝑖 , 𝑖 = 1,2, … , 𝑛
1.1 Justifique la existencia del término aleatorio 𝜀𝑖 .
1.2 Enuncie claramente los supuestos estándar.
1.3 Deduzca la expresión para el estimador mínimo cuadrático 𝑏1 . Cuente en qué consiste
el método de MCO.
1.4 Pruebe que 𝑏1 es lineal e insesgado.
1.5 Encuentre la expresión de la varianza teórica de 𝑏.
1.6 Demuestre que la anterior varianza es mínima.
1.7 Encuentre el estimador insesgado de 𝜎𝜀2 .

2. A partir del siguiente modelo ingenuo:

𝑌𝑖 = 𝛽1 + 𝜀𝑖 , 𝑖 = 1,2, … , 𝑛
2.1 Enunciar y explicar claramente los supuestos poblacionales. Cuál sería la contraparte
muestral de los mismos.
2.2 Suponga que el verdadero modelo es: 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝜀𝑖 y por error de especificación
se trabaja un modelo ingenuo. ¿Qué sucede con los supuestos?
2.3 Derive la expresión para estimar el coeficiente por los métodos de momentos y de
máxima verosimilitud. En cada uno ofrezca una explicación intuitiva del método.
2.4 Confirme que el estimador cumple con las propiedades de linealidad, insesgadez y
mínima varianza.
2.5 Se dice que el consumo de los estudiantes de econometría de la universidad del valle
sigue un modelo ingenuo. Además, se afirma que el consumo medio es mayor a 5000
pesos. Teóricamente cómo se verifica esta hipótesis, establezca la regla de decisión a
nivel teórico y grafíquela.
2.6 Repita el punto anterior, asumiendo la hipótesis de que el consumo medio es diferente
de 5000 pesos. Verifique esta nueva hipótesis, establezca la regla de decisión teórica
2.7 Construya teóricamente el intervalo de confianza para la constante.

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 .

4. Con respecto a la estimación mínimo cuadrática del intercepto en el modelo de

regresión lineal simple:
𝑏1 = 𝑌̅ − 𝑏2 𝑋̅
4.1 Muestre su linealidad en 𝑌𝑖 y en 𝜀𝑖 .
4.2 Demuestre que es insesgado.
4.3 Encuentre la expresión de su varianza.
4.4 Explique claramente que señala el Teorema de Gauss - Markov respecto a dicha
varianza.

5. Con el ánimo de estudiar la respuesta en gasto de la renta de sus hijos, un padre

entrega a los cinco que tiene las siguientes cantidades de mesada (𝑋𝑖 ) y observa sus gastos
de consumo (𝑌𝑖 ).
HIJO 𝑋𝑖 𝑌𝑖
1 5 4
2 10 9
3 15 14
4 20 18
5 25 21

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.

6. Obtener el estimador máximo verosímil de la media de una distribución normal si

𝑤𝑖 ~𝑁𝐼𝐷(𝜇, 1) y se tiene n observaciones de 𝑤𝑖 . Luego como ilustración suponga que tiene
cuatro realizaciones de 𝑤𝑖 cuyos valores son: 2, 1, 4 y 1. Obtenga la función de verosimilitud
muestral, su logaritmo natural y ensaye cuatro valores para 𝜇, verificando cuál es el que
maximiza la función.

7. Para el modelo de regresión lineal de tres variables:

𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖2 + 𝛽3 𝑋𝑖3 + 𝜀𝑖 , 𝑖 = 1,2, … , 𝑛
7.1 Justifique formalmente la posibilidad de trabajar con un modelo en desviaciones.
7.2 Encuentre las expresiones de los tres estimadores MCO, a partir de la expresión del
modelo en desviaciones.
7.3 Si el modelo no tiene intercepto, puede utilizarse el modelo en desviaciones?
7.4 Obtenga los estimadores MCO del modelo sin intercepto.

8. Las siguientes sumatorias se obtuvieron a partir de 16 pares de observaciones de las

variables Y y X.

∑ 𝑌𝑖2 = 526, ∑ 𝑋𝑖2 = 657, ∑ 𝑌𝑖 𝑋𝑖 = 492, ∑ 𝑌𝑖 = 64, ∑ 𝑋𝑖 = 96

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.

9. Un investigador A sabe que la verdadera relación entre las variables 𝑌, 𝑋 es:

𝑌𝑖 = 1 + 2𝑋𝑖 + 𝑒𝑖
Donde 𝑒𝑖 designa al término de error, que satisface las hipótesis habituales. También conoce
que la variable 𝑋 toma los valores 1, 2, 3, 4, 5, 6. A partir de una población normal con media
0 y varianza unitaria, se obtienen aleatoriamente seis valores para ui :
𝑒1 = 0.464 𝑒4 = −0.16
𝑒2 = 0.060 𝑒5 = 1.022
𝑒3 = −1.50 𝑒6 = 0.20
se generan los correspondientes valores de 𝑌 a partir del modelo especificado anteriormente.

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.

10. Sea la regresión de Y sobre X:

Yi = aˆ + eˆ X i + uˆ i
y sea la regresión de X sobre Y:
X i = gˆ + hˆ Yi + w
ˆi
10.1. Demostrar que eˆ * hˆ = R 2
10.2. Demostrar que gˆ = (1 - R2 ) X - aˆ R2 / eˆ
10.3. Qué sucede cuando la bondad del ajuste es perfecta?

11. En el modelo de regresión lineal simple, 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖 en el cual se cumplen las

hipótesis usuales, se definen los siguientes estimadores de los parámetros 𝛽1 y 𝛽2:
𝑌 −𝑌
𝑏1 = 𝑌1 − 𝑏2 𝑋1 y 𝑏2 = 𝑋𝑛 −𝑋1
𝑛 1

donde los subíndices 1 y n indican la primera y la última observación, respectivamente,

después de ordenarlas según X.

11.1 Son los anteriores estimadores lineales, aleatorios e insesgados?

11.2 Encuentre su varianza teórica y discuta si los estimadores pueden ser eficientes.
11.3 Bajo el supuesto de que la varianza del error aleatorio es conocida, establezca la
distribución muestral del estimador.
11.4 Encuentre, analíticamente, la expresión de los intervalos de confianza para 𝑏1 y 𝑏2 .
11.5 Explique cómo verificaría, bajo el mismo supuesto, la hipótesis nula 𝑏2 = 𝑏20

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 )

Donde 𝑌̅ es la media de los 𝑌𝑖 y 𝑋̅ es la media de los 𝑋𝑖 .

13.1 Muestre que 𝑐𝑜𝑣(𝑏1 , 𝑏2 ) = 𝑣𝑎𝑟(𝑏1 ) > 0, y que ρ12 (el coeficiente de correlación entre
𝑏1 y 𝑏2 ) es igual a [𝑣𝑎𝑟(𝑏1 )/𝑣𝑎𝑟(𝑏2 )]1/2 , con 0 < 𝜌12 ≤ 1. Muestre que la combinación
optima de 𝑏1 y 𝑏2 , dada por [𝑏 = 𝛼𝑏1 + (1 − 𝛼)𝑏2 ] donde 0 < 𝛼 < 1 ocurre si el valor óptimo
de 𝛼 denotado por 𝛼 ∗ = 1. Óptimo aquí se refiere a varianza mínima. Ayuda: Leer el artículo
de Samuel-Cahn (1994).
13.2 Similarmente muestre que 𝑐𝑜𝑣(𝑏1 , 𝑏3 ) = 𝑣𝑎𝑟(𝑏1 ) > 0 y que ρ13 (el coeficiente de
2 1/2
correlación entre b1 y b3 ) es igual a [𝑣𝑎𝑟(𝑏1 )/𝑣𝑎𝑟(𝑏3 )]1/2 = (1 − 𝜌12 ) , con 0 < 𝜌13 ≤ 1.
Concluya que la combinación óptima entre 𝑏1 y 𝑏3 de nuevo se da cuando α∗ = 1.
13.3 Muestre que 𝑐𝑜𝑣(𝑏2 , 𝑏3 ) = 0 y que la combinación óptima entre 𝑏2 y 𝑏3 es
2 )𝑏
[𝑏 = (1 − 𝜌12 2
3 + 𝜌12 𝑏2 ] = 𝑏1 .
Este ejercicio demuestra un resultado más general, que dice que el estimador MELI de 𝛽 en este
caso 𝑏1 , tiene una correlación positiva con cualquier otro estimador lineal insesgado de 𝛽, y que
esta correlación puede ser fácilmente calculada a partir de la razón de las varianzas de los dos
estimadores.

14. Considere las siguientes formulaciones de la función de regresión poblacional

Yi = 1 + 2 X i + ui Yi = 1 +  2 ( X i − X ) + ui
Demuestre la relación en los estimadores en las dos ecuaciones ¿son idénticos tanto el
intercepto como la pendiente? ¿difieren los interceptos? ¿difieren las pendientes?

15. En el modelo Yi = a + bX i + ui en donde

E (ui ) = 0; E(ui2 ) =  2 ; E(uiu j ) = k para todo i  j

15.1 Verifique si se cumplen las propiedades de linealidad (en Yi y en Ui) y de insesgadez de

los estimadores MCO de a y b.
15.2 Encuentre las expresiones de sus varianzas.
15.3 Pueden ser estimadores de mínima varianza? Por qué?

16. Se estima un modelo Yt =  +  X t + ut y se obtiene lo siguiente: (Se utiliza la letra S

para denotar errores estándar estimados)
Yt = ˆ + ˆ X t + uˆt
( Sˆ ) ( S ˆ ) ( Suˆ )

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 ) / Sˆ

Igualmente pruebe que para el contraste de la hipótesis g = o, el estadístico de prueba es

t 0 = ˆ / Sˆ
17. Se obtienen 12 observaciones de una realización concreta de un proceso de generación
de datos que corresponde a un modelo de Regresión Lineal Simple con intercepto y se calcula
(datos en desviaciones):

x 2
i = 100 x y i i = 200 y
2
i = 560

17.1 Explique claramente en qué consiste el supuesto de exogeneidad de Xi.

17.2 Obtenga el estimador mínimo cuadrático de la pendiente del modelo y su
correspondiente error estándar de estimación.
17.3 Calcule el coeficiente de determinación y haga dos interpretaciones del mismo.
17.4 Se propone un estimador alterno   para el cual E (  ) =  + 10 y la estimación de  2ˆ
es 0.01. Con qué criterio se puede elegir entre los dos estimadores? Con base en dicho criterio
elija entre los dos.
17.5 Verifique la hipótesis de que la pendiente del modelo es 2.5, asumiendo un valor de
tabla de 3.

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.

Dependent Variable: CONDUR

Method: Least Squares
Sample: 1950 1995
Included observations: 46

Variable Coefficient Std. Error t-Statistic Prob.

C 1818.429 1025.266 -- --
INGRESO 0.131489 -- 48.41853 --

R-squared -- Mean dependent var 45723.38

Adjusted R-squared -- S.D. dependent var 23640.91
S.E. of regression 3245.048 Akaike info criterion 19.05015
Sum squared resid 4.63E+08 Schwarz criterion 19.12966
Log likelihood -436.1535 F-statistic --
Durbin-Watson stat 0.290265 Prob(F-statistic) 0.000000

A partir de la información de la tabla, se pide:

18.1 Interprete los estimadores y la varianza del modelo estimado.

18.2 Obtenga e interprete la bondad de ajuste del modelo estimado?
18.3 Calcule e intérprete los intervalos de confianza para 2 y  2 .
18.4 Elabore la tabla ANOVA.
18.5 Puede probarse la hipótesis de que 2 = 0.5 utilizando la prueba F de la ANOVA.
18.6 Si el ingreso de una familia es de 2000, entre qué valores espera que se cifren los gastos
familiares a un 95% de confianza? Si X = 333900 y  X i2 = 6.56E + 12

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

20 Se cree que dos variables X y Y están relacionadas según la ecuación Yt = 1 + 2 X t + ut

. Para verificar esta relación, dos investigadores toman muestras diferentes de 8 estudiantes
y estiman  2 por MCO obteniendo;

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

Yt = 1.875 + 0.750 X t Yt = 1.500 + 0.97 X t

e.e. (1.20) (0.339) e.e. (0.27) (0.038)
R = 0.45 ˆ = 0.48
2
R 2 = 0.99 ˆ = 0.48

Es posible explicar por qué el error estándar de ˆ2 del primer investigador es mayor que el
del segundo.

21 Considérese los siguientes modelos M1 y M2

M1: Yt = 1 + 2 X t + ut M 2 : Wt = 1 + 2 Zt + vt
Yt − Y X −X
Donde Wt y Z t son variables tales que: Wt = y Zt = t . De Wt y Z t se dice que son
SY SX

 
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

22 Suponga n pares (𝑥𝑖 , 𝑦𝑖 ) de observaciones de las variables observadas X y Y.

22.1 Pruebe que el coeficiente de correlación muestral es invariante bajo la transformación
lineal 𝑥𝑖∗ = 𝑎1 𝑥𝑖 + 𝑏1 y 𝑦𝑖∗ = 𝑎2 𝑦𝑖 + 𝑏2 para todo 𝑖 = 1, 2, ⋯ , 𝑛, con 𝑎1 y 𝑎2 constantes
positivas.
22.2 Muestre por medio de un ejemplo, que el coeficiente de correlación muestral es en
general no invariante bajo transformaciones no lineales.
22.3 Pruebe que el coeficiente de correlación muestral es igual a 1 o -1 si y solo si 𝑦𝑖 es una
función lineal de 𝑥, es decir 𝑦𝑖 = 𝑎 + 𝑏𝑥𝑖 (𝑖 = 1, 2, ⋯ , 𝑛), para algunos números a y b que no
dependen de i.

23. Suponga una función de salarios: log(𝑆𝑎𝑙𝑎𝑟𝑖𝑜) = 𝛽1 + 𝛽2 𝐸𝑑𝑢𝑐𝑎𝑐𝑖ó𝑛𝑖 + 𝜀𝑖 donde el

salario esta expresado en pesos. Suponga que se cambia la escala de medición del salario de
pesos a centavos. ¿Cómo se afecta(n) el(los) coeficientes del modelo estimado?

24. Suponga un grupo de datos que es generado a partir de un proceso generador de

datos (PGD) que satisface todos los supuestos del MCRL excepto el supuesto de media cero
en los errores. Suponga que la 𝐸(𝜀𝑖 ) = 𝜇𝑖 .
24.1 Muestre que el estimador MCO de la pendiente, 𝑏2 es insesgado si 𝜇𝑖 = 𝜇 con 𝜇 una
constante para todo 𝑖 = 1, 2, ⋯ , 𝑛.
24.2 Suponga que 𝜇𝑖 = 𝑥𝑖 /10 es proporcional al nivel de 𝑥𝑖 . Obtenga el sesgo 𝐸(𝑏2 ) − 𝛽
bajo los supuestos definidos.
24.3 Discuta si el supuesto de media cero, puede ser chequeado a partir de los residuales
𝑒̂𝑖 . Considere una situación particular para 𝑏1 y 𝑏2 .

25. Pruebe los siguientes resultados

25.1 𝑒𝑖 = (𝑌𝑖 − 𝑌̅) − 𝑏2 (𝑋𝑖 − 𝑋̅) = −(𝑋𝑖 − 𝑋̅)(𝑏2 − 𝛽) + 𝜀𝑖 − 𝜀̅
1 (𝑋 −𝑋̅ )
25.2 E[(𝜀𝑖 − 𝜀̅)2 ] = 𝜎 2 (1 − 𝑛), y 𝐸[(𝑏2 − 𝛽)(𝜀𝑖 − 𝜀̅)] = 𝜎 2 ∑(𝑋𝑖 −𝑋̅)2
𝑖

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

27.4 Bajo Ho:  = 0, t0 = r n − 2 / 1 - R2

27.5 ˆ = cov(
ˆ X , Y )/S2 X

28. Usando el modelo de regresión simple 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝜀𝑖

28.1 Muestre que 𝑏1 = 𝛽1 + (𝛽2 − 𝑏2 )𝑋̅ + 𝜀̅ ; y dedusca que 𝐸(𝑏1 ) = 𝛽1.
28.2 Usando el hecho que 𝑏2 − 𝛽2 = ∑𝑛𝑖=1 𝑥𝑖 𝜀𝑖 / ∑𝑛𝑖=1 𝑥𝑖2 ; use el resultado en (1) para mostrar
1
que 𝑉𝑎𝑟(𝑏1 ) = 𝜎 2 [( ) + 𝑋̅ 2 / ∑𝑛𝑖=1 𝑥𝑖2 ]
𝑛

28.3 Muestre que 𝑏1 es un estimador consistente para 𝛽1.

28.4 Muestre que 𝐶𝑜𝑣(𝑏1 , 𝑏2 ) = −𝑋̅𝑉𝑎𝑟(𝑏2 ). Esto significa que el signo de la covarianza es
determinado por el signo de 𝑋̅. Si 𝑋̅ es positiva, la covarianza podria ser negativa. Esto también
significa que si 𝑏1 es sobreestimado 𝑏2 puede estar subestimado.