Profesores: Marco Batarce

Paula Fariña
Laura Ramaciotti

CII2752-ECONOMETRÍA
PAUTA SOLEMNE No 2
18 de junio de 2019

Instrucciones:
Respuestas ilegibles no serán corregidas.

Los alumnos involucrados en copia serán calificados con nota 1,0 en el curso.

No se permite el uso de calculadoras TI. Deben tener celulares apagados.

P.1 (6 puntos) La siguiente tabla presenta los resultados de 6 regresiones alternativas en las que
se emplean datos de empresas españolas entre los años 1983 y 2006. La variable dependiente,
rdintens, es el gasto en investigación y desarrollo (R&D) como porcentaje de las ventas, donde
las ventas están medidas en millones de euros. La variable exponsal representa las exportaciones
como porcentaje de las ventas. medtech y hightech son variables dummy que reflejan si la firma
pertenece al sector de media o alta tecnologı́a; la categorı́a de referencia corresponde a baja
tecnologı́a. Finalmente, la variable workers es el número de trabajadores de la empresa.

a) (1 pt) En el modelo (2), ceteris paribus, ¿hay evidencia que el gasto esperado en investigación
y desarrollo (expresado como porcentaje de la ventas) en empresas de alta tecnologı́a es mayor
que en empresas de baja tecnologı́a? Emplee un 5 % de significancia.

Respuesta:
El estadı́stico t asociado a la variable hightech es 1.448/0.2412=6.003> t(1978)0,975 '1.96.
Se concluye que el coeficiente asociado a hightech es significativamente distinto de cero y
positivo. Es decir gasto esperado en investigación y desarrollo es 1.448 (porcentaje sobre las
ventas) mayor en empresas de alta tecnologı́a que en empresas de baja tecnologı́a.

b) (1 pt) En el modelo (2), ceteris paribus, ¿hay evidencia que el valor esperado de rdintens es
igual en empresas de media y baja tecnologı́a? Emplee un 5 % de significancia.

Respuesta:
El estadı́stico t asociado a la variable medtech es 0.361/0.209=1.72< t(1978)0,975 ' 1.96. Se con-
cluye que el coeficiente asociado a medtech NO es significativamente distinto de cero. Es decir
gasto esperado en investigación y desarrollo es igual en empresas de media y baja tecnologı́a.
 Cuadro 1: Errores estándar entre paréntesis
(1) (2) (3) (4) (5) (6)
rdintens rdintens rdintens rdintens rdintens rdintens
MCO MCO MCO MCG MCG MCG
exponsal 0.0136 0.0101 0.00968 0.00584 0.0116 0.00977
(0.00195) (0.00193) (0.00189) (0.00792) (0.00300) (0.00169)
workers 0.000433 0.000392 0.000394 0.00196 0.0000563 0.000393
(0.0000740) (0.0000725) (0.000208) (0.000338) (0.0000815) (0.000121)
hightech 1.448 0.976 1.526 0.841
(0.241) (0.151) (0.041) (0.095)
medtech 0.361 0.472 0.283 0.620
(0.209) (0.212) (0.109) (0.112)
hightech 0.00153 0.00201
×workers (0.0271) (0.000197)
medtech -0.000326 -0.000264
×workers (0.0222) (0.000134)
intercept 0.394 0.137 0.143 1.211 0.577 0.142
(0.0598) (0.0691) (0.0722) (0.313) (0.103) (0.0443)
n 1983 1983 1983 1983 1983 1983
2
R 0.0507 0.0986 0.138 0.113 0.278 0.459
SCR 9282.7 8815.0 8425.3 9383.8 6318.9 8432.6
F 52.90 54.06 52.90 102.90 110.6 106.7
dfn 2 4 6 2 2 2
dfd 1980 1978 1976 293 613 1068

c) (1 pt) Emplee el modelo (3) para analizar si el efecto del número de trabajadores de la empresa
sobre el gasto esperado en investigación y desarrollo cambia para empresas de alto y bajo nivel
tecnológico. Justifique su respuesta con un test de hipótesis.

Respuesta:
El estadı́stico t asociado a hightech×workers es 0.00153/0.0271=0.0564< t(1976)0,975 ' 1.96.
Se concluye que el efecto del número de trabajadores de la empresa sobre el gasto esperado en
investigación y desarrollo es igual en empresas de alta y baja tecnologı́a.

d) (1 pt) Suponga que se sabe que las varianzas de los errores del modelo cambian por tipo de
empresa. Concretamente se sabe que
V (|hightech = 1, medtech = 0) = 15
V (|hightech = 0, medtech = 1) = 4
V (|hightech = 0, medtech = 0) = 1,5
Explique cuál es la diferencia entre el estimador de MCO y el de MCG en este contexto.

Respuesta:
El estimador de MCO se obtiene mediante la formula β̂M CO = (X 0 X)−1 X 0 rdintens, donde
X es una matriz cuyas columnas son todas la variables explicativas. El estimador de MCG se
 calcula mediante la formula: β̂M CG = (X 0 Σ−1 X)−1 X 0 Σ−1 rdintens, donde Σ es la matriz:
 
15 0 0 0 0 0 0 0 0
 0 ... 0 0 0 0 0 0 0 
 
 0 0 15 0 0 0 0 0 0 
 
 0 0 0 4 0 0 0 0 0 
 
Σ=  0 0 0 0 ... 0 0 0 0 
 0 0 0 0 0 4 0 0 0 
 
 0 0 0 0 0 0 1,5 0 0 
 
 0 0 0 0 0 0 0 ... 0 
0 0 0 0 0 0 0 0 1,5

Las filas con 15 en la diagonal corresponden a observaciones de empresas de alta tecnologı́a,

las filas con valor 4 en la diagonal a observaciones de empresas de tecnologı́a media y las de
valor 1,5 corresponden a observaciones de empresas de baja tecnologı́a. El estimador de MCO
supone que las varianzas son iguales para todos los tipos de empresas.

e) (1 pt) Los modelos (4), (5) y (6) presentan estimaciones por mı́nimos cuadrados generalizados
considerando las varianzas detalladas en la parte (d). Indique si las conclusiones obtenidas en
las partes (a), (b) y (c) cambian si se reemplaza el modelo (2) por el (5), y el (3) por el (6).

Respuesta:
El estadı́stico t asociado a la variable hightech en el modelo (5) es 1.526/0.041=37.219>
t(1978)0,975 '1.96. Se concluye que el coeficiente asociado a hightech es significativamente dis-
tinto de cero y positivo. Esto coincide con las conclusiones en la parte (a), el gasto esperado
en investigación y desarrollo es 1.526 (porcentaje sobre las ventas) mayor en empresas de alta
tecnologı́a que en empresas de baja tecnologı́a.
El estadı́stico t asociado a la variable medtech en el modelo (5) es 0.283/0.109=2.596>
t(1978)0,975 ' 1.96. Se concluye que el coeficiente asociado a medtech es significativamente distin-
to de cero. Esto difiere del resultado obtenido en la parte (b). El gasto esperado en investigación
y desarrollo es 0.283 (porcentaje sobre las ventas) mayor en empresas de media tecnologı́a que
en empresas de baja tecnologı́a.
El estadı́stico t asociado a hightech×workers en el modelo (6) es 0.00201/0.000197=10.203>
t(1976)0,975 ' 1.96. Se concluye que el efecto del número de trabajadores de la empresa sobre el
gasto esperado en investigación y desarrollo es mayor en empresas de alta tecnologı́a que en
empresas de baja tecnologı́a. Este resultado difiere con respecto a la parte (d).

P.2 (6 puntos) Responda las siguientes preguntas

a) (1 pt) En el modelo que regresa la variables x1, x2 y x3 sobre y, indique si se cumple el

supuestos de homocedasticidad de los errores. Justifique su respuesta.

Respuesta:
 Cuadro 2: Regresión de la variables x1, x2 y x3 sobre y
Estimador Error Estándar T Valor p VIF
(Intercepto) 3.1416 45.432 0.069 0.4727
x1 -1.9808 0.2037 -9.723 3.79e-10 1.05
x2 11.2212 7.7355 1.450 0.0795 344.61
x3 -5.6194 7.4627 -0.753 0.2290 344.26
n 30
σ̂ 1.125
R2 0.9598
R̄2 0.9551
test F 206.7
valor p F <2.2e-16
test de BP 6.2412
valor p BP 0.1004

Cuadro 3: Regresión de la variables x1 y x2 sobre y

Estimador Error Estándar T Valor p VIF
(Intercept) 8.1716 1.3976 5.847 3.17e-06
x1 -1.9272 0.2009 -9.592 3.45e-10 1.002
x2 5.6766 0.2454 23.132 < 2e-16 1.002
n 30
σ̂ 1.136
R2 0.9574
R̄2 0.9543
test F 303.4
valor p F <2.2e-16
test de BP 5.202
valor p BP 0.0742

El test de Breusch-Pagan arroja un valor de p de 0.1> 0.05 (no se rechaza H0 ). Esto da

evidencia a favor de errores homecedásticos.

b) (1 pt) En el modelo que regresa la variables x1, x2 y x3 sobre y, indique si existen problemas
de multicolinealidad. Justifique su respuesta.

Respuesta:
Los indicadores VIF para x2 y x3 son muy grandes (mayores a 10). Además se observa un
R2 grande (0.96) junto con variables explicativas no significativas (x2 y x3). Todo esto estarı́a
indicando la presencia de multicolinealidad.

c) (2 pt) En el modelo que regresa la variables x1 y x2 sobre y, indique si se cumple el supuestos de

homocedasticidad de los errores y si existen problemas de multicolinealidad. Indique, además,
qué regresión escogerı́a (Cuadro 2 o 3). Justifique todas su respuesta.
 Respuesta:
El test de Breusch-Pagan arroja un valor p de 0.07> 0.05 (no se rechaza H0 ). Nuevamente,
esto da evidencia a favor de errores homecedásticos.
Los indicadores VIF en este modelo son todos menores a 10. Al eliminar la variables x3 de la re-
gresión se soluciona el problema de multicolinealidad. En función de lo afirmado anteriormente
el modelo del Cuadro 3 es preferible.

d) (1 pt) Compare la significatividad de la variable x2 en los Cuadros 2 y 3, y explique a qué se

debe la diferencia.

Respuesta: El valor p del test t para la variable x2 es 0.079 en el modelo del Cuadro 2 (variable
no significativa). Por otro lado, el mismo test en el modelo del Cuadro 3 indica que x2 si es
significativa (p valor <2e-16). Esta diferencia se explica por la presencia de multicolinealidad
en el modelo del Cuadro 2. Las estimaciones de los errores estándar se hacen muy grandes lo
que se traduce en test t no significativos.

e) (1 pt) Analice el ajuste global del modelo presentado en el Cuadro 3 empleando tanto el
coeficiente R2 como un test de hipótesis.

Respuesta:
En del Cuadro 3 es R2 = 0,957. Indica que el 95.7 % de la variabilidad de y es explicada por el
modelo. El ajuste del modelo es bueno. Por otro lado el test F = 303,4 con un valor p < 2.2e-16
rechaza la hipotesis nula que todos los coeficientes de la regresión (excepto el intercepto) son
cero. El modelo del Cuadro 3 es preferible al modelo nulo (modelo con sólo el intercepto).

P.3 (3 puntos) Considere el siguiente modelo, que analiza los determinantes del consumo en Chile
en los últimos 54 años.
Ct = β1 + β2 Yt + β3 Rt + β4 rt + et , (1)

donde Ct es el nivel de consumo total (en millones de pesos) del paı́s en el año t. Yt es el ingreso
total (en millones de pesos) del paı́s en el año t. Rt es el nivel de riqueza real en pesos del paı́s en
el año t, y rt es la tasa de interés real de los préstamos bancarios en el año t.

a) (0.5 pts) Con base en los resultados obtenidos anteriormente, ¿Cómo estimarı́a las elasti-
cidades del ingreso, riqueza y tasa de interés? ¿Qué información adicional necesitarı́a para
calcular las elasticidades?

RESPUESTA:
Para la estimación de la elasticidad ingreso:
δC Y
∗
δY C
 Y
0,734 ∗
C

Para la estimación de la elasticidad riqueza:

δC Y
∗
δR R
R
0,036 ∗
C

Para la estimación de la elasticidad tasa de interés:

δC Y
∗
δr r
r
−5,513 ∗
C
Para encontrar la elasticidad, necesitarı́amos seleccionar una observación para un perı́odo t
en particular y remplazar los valores en las fórmulas de arriba.

b) (0.5 pts) Suponga que en lugar de la función lineal de consumo, hace la regresión del
logaritmo del gasto de consumo sobre los logaritmos del ingreso y de la riqueza y la tasa
de interés. ¿Cómo interpretarı́a estos resultados? Use los resultados del Cuadro 5, donde se
presentan los valores t de cada estimación abajo del parámetro estimado.

RESPUESTA:
la fórmula de la elasticidad ingreso es:

δln(C)
= 0,8036147
δln(Y )

un aumento de un 1 % en el ingreso equivale a un aumento de x % en el consumo.

La fórmula de la elasticidad riqueza es

δln(C)
= 0,202287
δln(R)

un aumento de un 1 % en la riqueza equivale a un aumento de x % en el consumo.

La fórmula de la semi elasticidad de la tasa de interés es
δln(C)
= −0,0026742
δr
un aumento de un 1 punto porcentual en la tasa de interés equivale a un aumento de x % en
el consumo.

c) (2 pts) Suponga que en lugar de estimar el modelo (1), sólo hace la regresión del logaritmo
 del gasto de consumo sobre el logaritmo del ingreso. ¿Cómo decidirı́a si vale la pena agregar
el logaritmo de la riqueza al modelo? ¿Y cómo decidirı́a si vale la pena agregar tanto el
logaritmo de la riqueza como tasa de interés al modelo? Muestre los cálculos necesarios,
usando los resultados de la siguiente tabla.

RESPUESTA:
Para decidir si agregar el logaritmo de la riqueza, podrı́a evaluar el valor t asociado a este estimador
y ver si es significativamente diferente de cero (a través de evaluar si el valor absoluto del valor
t es mayor o igual a 2). En este caso, el valor t asociado a la riqueza R es la que aparece en el
Modelo 3. Este valor es de 10.05, por lo que concluyo que sı́ es significativo y por lo tantop decido
agregarlo.
Para evaluar si corresponde incorporar tanto el logaritmo de la riqueza como la tasa de interés,
correrı́a el modelo completo, corresponderı́a hacer un test de restricciones lineales, donde el modelo
1 es el modelo libre, y el modelo 2 es el modelo restringido. Harı́a la comparación usando el test
F de restricciones lineales, con
RN2 −R2
R R
m
F = 1−RN2 ,
R
(n−k)

con m = 2, n = 54 y k = 4

0,9996−0,9984
2
F = 0,0004 ,
50

lo que se comprara con F( 1 − α, 2, 50) = 3, 18 Por lo tanto, rechazo la hipótesis nula de que el
modelo restringido es igual al no restringido. Luego, corresponderı́a agregar las dos variables.

Cuadro 4: Modelo Consumo

Estimador Error Estándar t p
Constante -20.197 12.847 -1.572 0.1222
Y 0.734 0.014 53.268 0.000
R 0.036 0.002 14.486 0.000
r -5.513 2.311 -2.385 0.0209
R2 0.9994
R̄2 0.994

Cuadro 5: Modelo Logaritmo Consumo

Modelo 1 Modelo 2 Modelo 3
Constante -0.4667641 -0.07374 -039290
valor t -10.852 -1.577 -9,5
Y 0.8036147 0. 0.80308
valor t 45.757 177.428 41.41
R 0.2022287 0.19456
valor t 11.448 10.05
r -0.0026742
valor t -3.492
R2 0.9996 0.9984 0.9994
F(2,50)0,95 = 3.1826
 Formulario

Estimadores MCO, regresión multiple (matricial): Yi = β1 xi1 + · · · + βK xiK + i = β T xi + i

β̂ = (X T X)−1 (X T y)
Var(β̂) = σ 2 (X T X)−1
êT ê
σ̂ 2 =
n−K
Test de significancia individual

β̂j − bj
t= ∼ t(n−K)
Err.Est.(β̂j )

Elasticidades y semi-elasticidades

∂E(Y ) x ∂(E(ln(Y )))

Elasx (E(Y )) = =
∂x E(Y ) ∂ln(x)
∂E(Y ) 1 ∂(E(ln(Y )))
SElasx (E(Y )) = 100 = 100
∂x E(Y ) ∂x
Test de significancia lineal

(β̂1 ± β̂2 ) ± bj β̂1 ± β̂2 ± bj

tC = q =q
V ar(β̂1 ± β̂2 ) V ar(β̂1 ) + V ar(β̂2 ) ± 2COV (β̂1 , β̂2 )

Test de Restricciones Múltiples

2 2
(SCRR − SCRN R )/q (RN R − RR )/q
F = = 2
SCRN R /(n − K) (1 − RN R )/(n − K)