CAPITULO 11

11.1. Establzcase si las siguientes afirmaciones son ciertas, falsas o inciertas y

brevemente de sus razones:
a) En presencia de heteroscedasticidad los estimadores MCO son sesgados al igual
que ineficientes.
Falso que sean sesgadas, los estimadores siguen siendo insesgados ya que para establecer
el insesgamiento de los estimadores no es necesario que m
i
sean homoscedasticos ya que
son consistentes bajo las suposiciones del modelo de regresin lineal clsico; pero es
verdad que ya no sean eficientes ya que b
1
estimado ya no tendr varianza mnima en la
clase de los estimadores lineales
b) Si hay heteroscedasticidad, las pruebas convencionales t y F son invlidas.
Cierto, porque las conclusiones a las cuales se llegue o las inferencias que se hagan pueden ser
errneas, ya que si ignoramos la heteroscedasticidad se utilizara la formula usual de la
varianza y en promedio

,
_

^
1
var B
estara sobreestimada o subestimada.
c) En presencia de heteroscedasticidad, el mtodo MCO usual sobrestima siempre
los errores estndar de los estimadores.
Falso, no siempre sobreestima porque

,
_

^
1
var B
depende de la naturaleza de la relacin entre s
2
i
y
los valores tomados por la variable explicativa, por lo tanto puede estar sobreestimada o
subestimada
d) Si los residuos estimados a travs a travs de una regresin MCO exhiben un
patrn sistemtico, significa que hay presencia de heteroscedasticidad en los
datos.
Cierto, ya que segn este modelo informal (grfico) si nos muestra un grfico de
2
i
frente a
los
i
y
^
con relacin sistemtica entonces hay indicios de heteroscedasticidad
e) No hay una prueba general de heteroscedasticidad que est libre de supuesto
alguno sobre cul de las variables est correlacionada con el trmino error
Cierto, ya que todas la pruebas se basan en como estan relacionadas las regresoras con el
trmino error.
f) Si una regresora que tiene varianza no constante se omite (incorrectamente) de
un modelo, los residuos (MCO) sern heteroscedasticos.
Cierto, porque para corregir la heteroscedasticidad no consiste en eliminar la variable sino
darle forma, es decir, hay que transformarla de manera que la varianza del residual se haga
constante; y de nada me serviria eliminar la variable incorrectamente, es decir, sin saber
porque la estoy eliminando.
11.2. En una regresin de salarios promedio (W, $) sobre el nmero de empleados (N)
para una muestra aleatoria de 30 empresas, se obtuvieron los siguientes resultados:
= 7.5 + 0.009N (1)
t=n.a. (16.10) R
2
=0.90
/N= 0.008 + 7.8(1/N) (2)
t=(14.43) (76.58) R
2
=0.99
a) Qu est suponiendo el autor al pasar de la ecuacin (1) a ola (2)?, Estaba
preocupado por la heteroscedasticidad? cmo se sabe?
El autor talvez haya hecho el test de Goldfeld y Quandt rechazando la hiptesis de
heteroscedasticidad y est suponiendo que la varianza de las perturbaciones es proporcional al
cuadrado de la variable explicativa numero de empleados (N), y por lo tanto si estaba
preocupado por la heteroscedasticidad ya que se tiene que hacer ese cambio para que al aplicar
MCO sean los estimadores MELI.
b) Se pueden relacionar las pendientes y las intersecciones de los dos modelos?
Se puede decir que en la regresin transformada, el trmino de la interseccin b
1
es el
coeficiente de pendiente en la ecuacin original y el coeficiente de la pendiente b
0
es el
trmino de la interseccin en el modelo original
c) se pueden comparar R
2
de los modelos? Porqu si o porqu no?
No se pueden, ya que la segunda ecuacin est transformada y para poder comparar los R
2
se
tendra que llevar la segunda ecuacin al modelo original
11.3.
a) Se pueden estimar los parmetros de los modelos
|
i
| = i i
v X B B + +
2 1
|
i
| =
i i
v X B B + +
2
2 1
Mediante el mtodo de mnimos cuadrados ordinarios? Porqu si o porqu no?.
No, porque no son lineales en los parmetros desconocidos
b) Si la respuesta es negativa, se puede sugerir un mtodo informal o formal de
estimacin de los parmetros de tales modelos? (vase el capitulo 14).
El mtodo de ensayo y error, que consiste en ver la forma en que el modelo de regresion dado
se ajusta a los datos dados, y para eso se supone un valor para cada parmetro , y luego puesto
que se conocen los valores de Y, X, b
1
, b
2
, se determina con facilidad la suma error de
cuadrados, luego se sigue repitiendo el procedimiento hasta obtener la menor suma de error al
cuadrado.
11.4. Aunque los modelos logartmicos tales como el modelo de la ecuacin (11.6.12)
frecuentemente reducen la heteroscedasticidad, se debe prestar cuidadosa atencin a las
propiedades del trmino de perturbacin de tales modelos. Por ejemplo, el modelo
Y
i
=b
1
2
B
i
X
u
i
Puede escribirse como
lnY
i
=lnb
1+
b
2
lnX
i
+ln u
i
a) Si ln u
i
tiene valor esperado cero, Cul debe ser la distribucin de u
i
?
Su distribucin debe ser uniforme igual a 1
b) Si E(u
i
)=1, Ser E(ln u
i
)=0? Por qu si o por qu no?
Si, porque para que sea E(u
i
)=1, la suma de los u
i
debe ser igual al tamao de muestra lo cual
quiere decir que cada u
i
debe ser igual a uno, ytransformando la variable a ln u
i
siempre me va
a dar cero
c) Si E(ln u
i
) es diferente de cero, qu puede hacerse para volverlo cero?
Lo que puede hacerse es que hacer que cada uno de los residuales sea igual a la unidad o
tambin hacer que la mitad de residuales sean recprocos a la otra mitad
11.5. Mustrese que
*
2
B de 11.3.8 tambin puede expresarse como

* 2
* *
*
2
i i
i i i
x w
x y w
B y
( )
*
2
var B dada en (11.3.9) tambin puede expresarse como
( )

* 2
*
2
1
var
i i
x w
B
donde
( )
*
i
y
=Y
i
-

Y
*
y
( )
*
i
x
=X
i
-

X
*
representan las desviaciones en relacion con las medias
ponderadas

Y
*
y

X
*
definidas como

Y
*
= i i i
w Y w /

X
*
= i i i
w X w /
SOLUCIN:
a)

2
_
*
_
*
_
*
* 2
* *
*
2
) (
)] )( ( [
X X w
X X Y Y w
x w
x y w
B
i i
i i i
i i
i i i

+
+

_
* 2
_
*
2
_
*
_
*
_
*
_
*
2
_
*
_
*
_
*
*
2
2 ) (
)] )( [
X w X X w X w
Y X w Y X w X Y w Y X w
X X w
X X Y w Y w
B
i i i i i
i i i i i i i i
i i
i i i i
( )

,
_

,
_

i
i i i i i
i
i
i i
i
i i
i i
i
i i
i i
i
i i
i i i
w
X w X w w
w
w
Y w
w
X w
X w
w
Y w
Y w
w
X w
Y X w
B
2
2
*
2
( ) ( )

,
_

i
i i i i i
i
i i i i i i i i
i
i i i i i
i
i i i i
i
i i i i
i i i
w
X w X w w
w
Y w X w Y X w w
w
X w X w w
w
Y w X w
w
Y w X w
Y X w
B
2
2
2
2
*
2
2
( )

2
2
*
2
i i i i i
i i i i i i i i
X w X w w
Y w X w Y X w w
B
b)
( )

_
* 2
2
_
*
2
2
_
*
* 2
*
2
2
1
) (
1 1
var
X w X X w X w X X w
x w
B
i i i i i i i
i i
( )
( )


1
1
]
1

,
_

+
1
1
]
1

,
_

2
2
*
2
2
1
var
i
i i
i
i
i i
i i i i
w
X w
w
w
X w
X w X w
B
( )
( )
( ) ( ) ( )

,
_

2 2
2
2
2
*
2
2
2
1
var
i i i i i i i
i
i
i i
i i
i
i i
i i
X w X w X w w
w
w
X w
X w
w
X w
X w
B
( )
( )

2
2
*
2
var
i i i i i
i
X w X w w
w
B
11.6. Con propsitos pedaggicos Hanushek y Jackson estiman el siguiente modelo:
C
t
= b
1
+ b
2
PNB
t
+ b
3
D
t
+ u
i
(1)
Donde C
t
= gasto agregado de consumo privado en el ao t, PNB
t
=producto nacional
bruto en el ao t y D
t
=gastos de defensa nacional en el ao t, siendo el objetivo del
anlisis estudiar el efecto de los gastos de defensa sobre otros gastos en la economa.
Postulan que s
2
t
= s
2
(PNB
t
)
2
, luego transforman (1) y estiman
C
t
/ PNB
t
= b
1
(1/ PNB
t
)+ b
2
+ b
3 (
D
t
/PNBt) + u
i
/ PNB
t
(2)
Los resultados empricos basados en la informacin para 1964-1975 fueron los siguientes
(errores estndar entre parntesis):
^
t
C
=
26.19 +0.6248 PNB
t
- 0.4398 D
t

(2.73) (0.0060) (0.0736) R
2
=0.999
^
/
t t
PNB C
= 25.92(1/ PNB
t
)+ 0.6246

- 0.4315
(
D
t
/PNBt)
(2.22) (0.0068) (0.0597) R
2
=0.875
a) Qu supuesto hacen los autores sobre la naturaleza de la heteroscedasticidad?
Pueden justificarse?
Los autores hacen el supuesto de que la varianza del error es proporcional a (PNB
t
)
2
, si pueden
justificarse si previamente se ha utilizado un mtodo grafico y se ha observado y verificado lo
anteriormente dicho.
b) Comprense los resultados de las dos regresiones. La transformacin del modelo
original ha mejorado los resultados, es decir, ha reducido los errores estndar
estimados? Por qu si o por qu no?
Si ha reducido los errores estndar, porque ahora la regresin es homoscedastica
c) Se pueden comparar los valores de R
2?
Por qu si o por qu no? (Pista:
Examnese las variables dependientes)
No se pueden ya que el objetivo de la regresin es estudiar el efecto de los gastos de defensa
sobre otros gastos de la economa, entonces al ser transformada la ecuacin se distorsiona la
variable en estudio y no me dara la informacin que necesito.
11.7. Tngase en cuenta las regresiones estimadas (11.6.2) y (11.6.3). Los resultados de la
regresin son muy similares. A q puede deberse este resultado?
En la ecuacin 11.6.2podemos observar la correccin de la heterocedasticidad mediante el
mtodo de mnimos cuadrados ponderados que es un caso especial de la tcnica de estimacin
de mnimos cuadrados generalizados en el cual nos indica que de para hacer la correccin del
supuesto de heterocedasticidad debemos dividir a todo el modelo original entre la varianza
2
i

que suponemos como conocida , los resultados obtenidos de la ecuacin luego de

transfrmala resulta ser parecida a los valores obtenidos en la ecuacin 11.6.3, esto pudo darse
por que en el mtodo de MCP da mayor peso a las observacin que se encuentran agrupados
cerca a su media, que aquellas que estn ampliamente dispersas a su alrededor, de esta manera
es mas confiable estimar la funcin de regresin poblacional.
Por otra parte el MCO (sin ponderar) cada
2

recibir el mismo peso al minimizar la suma de

cuadrados de regresin.
11.8. Prubese que si wi=w una constante, para cada i,
2 y

3
son idnticos al igual q sus
varianzas.

a)
w
i
= w =1/
2

*
2
=[( w
i
)( w
i
x
i
y
i
)- ( w
i
x
i
) ( w
i


y
i
)]/[ ( w
i
) ( w
i
x
2
i
) - ( w
i
x
i
)
2
]

*
2
= [(n/
2
)(n/
2
) x
i
y
i
- (n/
2
) x
i *
(n/
2
)

y
i
]/[ (n/
2
)
2
x
2
i
- (n/
2
)
2
( x
i
)
2
]

*
2
=[n w
2
( x
i
y
i
- x
i

y
i
)]/[ n w
2
(x
2
i
( x
i
)
2
]

*
2
=
^
2
B comprobado.
b)
Var(
*
2
)=[ w
i
] / [( w
i
)( w
i
x
2
i
) (w
i
x
i
)
2
]
Var(
*
2
)=[nw] / [(nw)(wx
2
i
) - w
2
( x
i
)
2
]
Var(
*
2
)=[nw] / [w
2
(nx
2
i
- ( x
i
)
2
)]
Var(
*
2
)=[n
2
] / [nx
2
i
- ( x
i
)
2
]
Var(
*
2
)=[
2
] / [x
2
i
- n

x
2
]
Var(
*
2
) =
2
/ x
2
i
=
^
2
B
11.9. Refiranse las formulas (11.2.2) y (11.2.3). Supngase que:

2
i
=
2

K
i
donde
2

es una constante, y donde K
i
son ponderaciones conocidas, no necesariamente
todas iguales.
Utilizando este supuesto, mustrese que la varianza dada en (11.2.2) puede expresarse
como:
Var(
1
)=(
2
*x
2
i
k
i
) / (

x
2
i
*x
2
i
)
El primer termino del miembro derecho es la formula de la varianza dada en (11.2.3), es
decir, var(
2
) bajo heteroscedasticidad y bajo homoscedasticidad derecho.) Puede
derivarse alguna conclusin general sobre las relaciones entre (11.2.2) y (11.2.3)?

2
i =

2
k
i
(
2
i
)/(
2
) = k
i

,
_

^
2
B Var
= (
2
( X
2
i
k
i
))/ ( X
2
i
* X
2
i
)

,
_

^
2
B Var
=( X
2
i

2
i
)/( X
2
i
)
2
Comprobado.
Lo que se puede decir es q la varianza bajo heterosedasticida es igual a la varianza bajo
homocedasicidad pero afectado por ponderaciones conocidas que nos proporcionan las
variables regresoras.
11.10. En el modelo:
Y
i
=
2
X
i
+ u
i
( nota: no hay interseccin)
Se dice que var(u
i
) =
2


X
2
i
. Demustrese que:

,
_

^
2
B Var
= (
2
X
4
i
) / ( X
2
i
)
2

,
_

^
2
B Var
= ( X
2
i

2
i
)/( X
2
i
)
2

,
_

^
2
B Var
= [( X
2
i
(
2
i
X
2
i
)] / ( X
2
i
)
2

,
_

^
2
B Var
= ( X
4
i

2
i
) / ( X
2
i
)
2
= (
2
X
4
i
) / ( X
2
i
)
2
11.12 La tabla 11.6 presenta informacin sobre la razn ventas/efectivo en las industrias
manufactureras de estados unidos, clasificadas por tamao de activos del
establecimiento para el periodo 1971-I a 1973-IV. (Informacin trimestral.) La razon
ventas/efectivo puede considerarse como una medida de velocidad del ingreso en el
sector empresarial, es decir, el numero de veces q un dlar circula.
Tabla 11.6
Ao y
Trimestre

110 1025 2550 50100 100250 2501000 1000 +


1971 I 6.696 6.929 6.858 6.966 7.819 7.557 7.86
II 6.826 7.311 7.299 7.081 7.907 7.685 7.351
III 6.338 7.035 7.082 7.145 7.691 7.309 7.088
IV 6.272 6.265 6.874 6.485 6.778 7.12 6.765
1972 I 6.692 6.236 7.101 7.06 7.104 7.584 6.717
II 6.818 7.01 7.719 7.009 8.064 7.457 7.28
III 6.783 6.934 7.182 6.923 7.784 7.142 6.619
IV 6.779 6.988 6.531 7.146 7.279 6.928 6.919
1973 I 7.291 7.428 7.272 7.571 7.583 7.053 6.63
II 7.766 9.071 7.818 8.692 8.608 7.571 6.805
III 7.733 8.357 8.09 8.357 7.68 7.654 6.772
IV 8.316 7.621 7.766 7.867 7.666 7.38 7.072
a) Para cada tamao de activos, calclese la media y a desviacin estndar de la
razon ventas/efectivo.
prom
7.025833333 7.265417 7.299333 7.3585 7.66358 7.37 6.9898333
Des.Estan
0.621392254 0.802579 0.462716 0.644182 0.46739 0.2563332 0.3651692
b)Grafiquese el valor de la media frente a la desviacin estndar obtenida en (a),
utilizando el tamao de activos como unidad de observacin.
x y
0.621392254 7.025833
0.802579416 7.265417
0.462716354 7.299333
0.644181581 7.3585
0.467389162 7.663583
0.256333235 7.37
0.36516916 6.989833
6.9
7
7.1
7.2
7.3
7.4
7.5
7.6
7.7
0 0.2 0.4 0.6 0.8 1
Desv.estand.
P
r
o
m
e
d
i
o
c) Utilizando un modelo de regresin apropiado, decdase si la desviacin estndar
de la razn se incrementa con el valor de la media. De no ser as, Cmo se
interpreta el resultado?
Estaditica de la Regresion
Coef.Correl.Mult.
0.080018567
Coef.Deter R
2
0.006402971
R
2
ajustado
-0.192316435
Error tipico
0.248503584
observaciones
7
Coeficientes
Intercepcin
7.33272701
Variable X
1
-0.09851176
y=7.332-0.00985X .. * El valor de la media disminuye cuando la desviacin aumenta
en una unidad.
11.13. Prueba de Homogeneidad de Varianza de Bartlett: Suponga que hay K varianzas
muestrales independientes S
1
2
,
S
2
2
,S
k
2
cada una conf
1,
f
2,.
f
k
g de l ,
provenientes de la poblaciones normalmente distribuidas con media y varianza
.Supngase adems que se desea probar la hiptesis nula Ho =
1
2
=
2
2
... =
k
2
, es decir

i
2
, cada varianza muestral es una estimacin de la misma varianza poblacional
2
.
Si la hiptesis nula es verdadera, entonces.
f
S f
S
i i

2
2
Constituye una estimacin de la estimacin comn (agrupada) de la varianza
poblacional
2
, donde fi= (ni-1), siendo n
i
el nmero de observaciones en el grupo i-simo
y donde f=fi.
Barlett a demostrado de que la hiptesis nula puede probarse por la razn A/B, que esta
distribuida aproximada con la distribucin X
2
con k-1g de1, donde
) ln ( ln
2 2
i i
S f S f A


y
1
]
1

+

f f k
B
i
1 1
) 1 ( 3
1
1
Aplquese la prueba de Barlett sobre los datos de la tabla 11.1 verifquese que no se
puede rechazar la hiptesis de la que las varianzas poblacionales de la compensacin
salarial son las mismas para cada tamao de empleo del establecimiento, al nivel de la
significancia del 5%.
NOTA: f1, los g de l para cada varianza muestral, es 9, puesto que n
i
para cada muestra
(es decir, clase de empleo) es 10.
Pregunta 11.13 Tamao de empleo (nmero promedio de empleados )
1-4 5-9 10-19 20-49 50-99 100-249 250-499 500-999 1000-2499
A. productos similares 2994 3295 3565 3907 4189 4486 4676 4968 5342
P. del tabaco 1721 2057 3336 3320 2980 2848 3072 2969 3822
P. textiles. 3600 3657 3674 3437 3340 3334 3225 3163 3168
R. P. relacionados 3494 3787 3533 3215 3030 2834 2750 2967 3453
Papel y P. similares 3498 3847 3913 4135 4445 4885 5132 5342 5326
I. y publicacin 3611 4206 4695 5083 5301 5269 5182 5395 5552
Qumicos Similares 3875 4660 4930 5005 5114 5248 5630 5870 5876
P. P. y carbonferos 4616 5181 5317 5337 5421 5710 6316 6455 6347
P. de caucho y plstico 3538 3984 4014 4287 4221 4539 4721 4905 5481
P. productos de piel. 3016 3196 3149 3317 3414 3254 3177 3346 4067
Compensacin
promedio 3396 3787 4013 4104 4146 4241 4388 4538 4843
Desviacin estndar 742.2 851.4 727.8 805.06 929.9 1080.6 1241.2 1307.7 1110.5
Productividad
promedio 9355 8584 7962 8275 8389 9418 9795 10281 11750
fi 9 9 9 9 9 9 9 9 9
Si^2= 550831 724942.2 529697.6 648114 864890.9 1167697.1 1541283 1710095 1233718
fi*Si^2 4957482 6524480 4767278 5833024 7784019 10509274 1.4E+07 1.5E+07 11103460
ln(Si^2)= 13.2192 13.49385 13.18006 13.3818 13.67036 13.970544 14.2481 14.3521 14.02554
fi*ln(Si^2)= 118.973 121.4446 118.6206 120.436 123.0332 125.7349 128.233 129.169 126.2299
fi*ln(Si^2)= 1111.87 A= 6.92345
fi*Si^2= 8.1E+07 B= 3.96296
S^2 996808 A/B= 1.74704
ln(S^2)= 13.8123 X
2
0.98780920
4
f*ln(S^2) 1118.8
Se verifica que no se puede rechazar la hiptesis Ho entonces nos indica que no existe
heteroscedastisidad con nivel de significancia del 5%.
11.16. Gasto alimentario en India. En la tabla 2.8 se proporcionaron datos sobre el gasto
en alimentos y el gasto total de 55 familias de Indias.
A.-Haga la regresin del gasto alimentario sobre el gasto total y examine los residuos
obtenidos en dichas regresin.
Residuos 33.62985657
-138.0920413 29.4286704
-160.0506179 100.8488353
-53.5299062 -23.50627537
-90.36421257 159.6654417
-41.91448597 69.76005764
-107.553537 -46.19268069
-69.47069022 -8.382005149
-45.42926681 126.0559523
-36.98547106 84.04409063
-31.50025191 54.63578743
-52.9381168 159.6654417
-20.571237 8.422739537
-70.92625508 84.04409063
-31.56530614 37.83104274
-62.52388274 67.23934594
-17.6836455 -15.10390302
1.677303435 -60.48848279
28.80157365 80.68314169
18.48204812 109.2512077
-9.476528472 1.700841663
-77.796054 50.43460125
-126.5948678 25.22748422
25.76608111 218.4820481
-94.71320719 151.2630694
14.48797898 8.422739537
-176.3108348 -37.79030835
5.411063027
-47.9084625
Resultados de la regresin de MCO.
=294.0626648 + 0.23299933Xi
e.e = 53.37118857 0.107620702
t = 5.509764213 1.484498448 R^2= 0.039920046
Con una significancia al 5% no sigue un patrn sistemtico por eso presenta
heteroscedastisidad.
B.-Grafquese los residuos obtenidos en el inicio a.-En comparacin con el gasto total y
verifquese si existe algn patrn sistemtico.
Variable X 1 Grfico de los residuales
-200
-150
-100
-50
0
50
100
150
200
250
0 100 200 300 400 500 600 700
Variable X 1
R
e
s
i
d
u
o
s
C.- Si la grfica del inicio b.-sugiere que existe heteroscedasticidad, aplquese las
pruebas Park, Glejser y White a fin de averiguar si la sensacin respecto a la
heteroscedasticidad observada en b.-Se justifica con estas pruebas.
La grafica indica que en este caso existe heteroscedasticidad.
Prueba de Park.
= -0.124788408+ 1.234059717lnxi
e.e = 8.126031722 1.318323492
t = -0.015356623 0.936082627 R^2= 0.016264136
La prueba de Park sugiere que existe una relacin positiva estadsticamente significativa entre
los residuos al cuadrado y el gasto total
Prueba de Glejser
= 21.53138352 -0.020349671xi
e.e = 32.6820581 0.065901962
t = 0.658813574 1.323774692 R^2= 0.032005539
La prueba de Glejser sugiere que existe una relacin sistemtica entre los valores absolutos
de los residuos al cuadrado y el gasto total, con la que surge la posibilidad que la regresin
presente heteroscedasticidad.
Prueba de White
= -35311.52981+ 158.9744757X1 - 0.142801612X1
2
e.e = 31684.75592 134.5201531 0.137685315
t = -1.114464315 1.181789286 -1.037159353 R^2= 0.066688662
Ho = No hay heteroscedasticidad.
H1= Si hay heteroscedasticidad.
n *R
2
= 3.667876411
X2
2
= 0.159783069


Bajo la hiptesis nula la existencia de heteroscedasticidad, tiene una distribucin ji-
cuadrado con 2 g de l, al obtener se juzga que lo suficiente bajo entonces se concluye que
existe heteroscedasticidad.
D.-Obtngase los errores estndar de White consistentes en heteroscedasticidad y
comprense con los errores estndar MCO. Decdase si vale la pena corregir este
ejemplo a causa de la heteroscedasticidad.
e.e = 31684.75592 134.5201531 0.137685315 Errores estndar de White.
e.e = 53.37118857 0.107620702 Errores estndar de MCO.
Si vale la pena corregir este ejemplo a causa de la heteroscedasticidad.
11.17. Reptase el ejercicio 11.16, pero en esta ocasin efectese la regresin del
logaritmo del gasto alimentario sobre el logaritmo del gasto total. Si se observa
heteroscedasticidad en el modelo lineal del ejercicio 11.16, pero no en el modelo Log-
lineal, qu conclusin se puede deducir? Muestre todos los clculos necesarios.
Resultados de la regresin de MCO.
=294.0626648 + 0.23299933Xi
e.e = 53.37118857 0.107620702
t = 5.509764213 1.484498448 R^2= 0.039920046
log= 1.977499824+ 0.217354397log xi
e.e = 0.36949803 0.1380293
t = 5.35185491 1.57469751 R^2= 0.04469515

Al comparar el modelo lineal de MCO con el modelo Log lineal el modelo Log lineal sigue
un patrn sistemtico eso quiere decir que no presenta heteroscedasticida.
11.18. Un atajo de la prueba White. Como se dijo en el texto, la prueba White puede
consumir grados de libertad si existe varias regresoras y si se introducen todas las
regresoras, sus trminos cuadrados de sus productos cruzados. Por consiguiente, en vez
de estimar las regresiones como la (11.5.22), por qu no simplemente se efecta la
siguiente regresin?
i
i Y i Y + + +

2
2 2 1
2
1
Donde
i Y

son valores estimados Y (es decir, la regresada) de cualquier modelo que se

est calculando. Despus de todo
i Y

es simplemente el promedio ponderado de las

regresoras, donde los coeficientes estimados de la regresin sirven como ponderaciones.
Obtngase el valor R
2
de la regresin anterior y utilic (11.5.22) para privar la hiptesis
de que no existe heteroscedasticidad.
Aplquese la prueba anterior al ejemplo de gasto alimentario del ejercicio 11.6.
Resultados de la regresin de MCO.
=294.0626648 + 0.23299933Xi
e.e = 53.37118857 0.107620702
t = 5.509764213 1.484498448 R^2= 0.039920046

= -811718.6673+ 4285.489808
i Y

-5.594766574
2
i Y

e.e = 744661.676 4011.729165 5.394317233

t = -1.090050278 1.068240061 -1.037159353 R^2= 0.066688662
11.19 Reconsidrese el ejemplo sobre I y D analizado en la seccin 11.7. Reptase ese
ejemplo utilizando las ganancias como la regresara A priori, se esperara que lo
resultados fuesen? Por que si porque no?

VENTAS ID UTILIDADES
1. Containers and
packaging
6,375.30 62.5 185.1
2. Nonbank nancial 11,626.40 92.9 1,569.50
3. Service industries 14,655.10 178.3 276.8
4. Metals and mining 21,869.20 258.4 2,828.10
5. Housing and
construction
26,408.30 494.7 225.9
6. General
manufacturing
32,405.60 1,083.00 3,751.90
7. Leisure time
industries
35,107.70 1,620.60 2,884.10
8. Paper and forest
products
40,295.40 421.7 4,645.70
9. Food 70,761.60 509.2 5,036.40
10. Health care 80,552.80 6,620.10 13,869.90
11. Aerospace 95,294.00 3,918.60 4,487.80
12. Consumer
products
101,314.10 1,595.30 10,278.90
13. Electrical and
electronics
116,141.30 6,107.50 8,787.30
14. Chemicals 122,315.70 4,454.10 16,438.80
15. Conglomerates 141,649.90 3,163.80 9,761.40
16. Ofce equipment
and computers
175,025.80 13,210.70 19,774.50
17. Fuel 230,614.50 1,703.80 22,626.60
18. Automotive 293,543.00 9,528.20 18,415.40
11.20 la tabla 11.8 proporciona datos sobre la mediana de los salarios de profesores de
estadstica de tiempo completo, que laboraron en centros universitarios de investigacin
de estados unidos, durante el periodo 2000-2001
a) Grafquense la mediana de los salarios respecto a los aos de rangos (medidos como
aos de experiencia). Para propsitos de la grafica, supngase que la mediana de los
salarios se refiere al punto medio de los aos de rango.
0
20000
40000
60000
80000
100000
120000
140000
0.00 10.00 20.00 30.00 40.00
Serie1
b) Considrense los siguientes modelos de regresin
+ +
i i
X Y
1
+ + +
2
2 1 i i i
X X Y
Donde Y= mediana del salario, X= ao en el rango (medido en el punto medio del
rango), y u y v son los trminos de error. Se puede argumentar a raspn por la que el
modelo (2) seria preferible al modelo (1)? A partir de los datos dados, estmese los
modelos
c) Si se observa que hay heteroscedasticidad en el modelo (1), pero no en el modelo (2)
Qu conclusiones se pueden deducir? Muestre los clculos necesarios
Modelo (1)
ANOVA
Model Sum of
Squares
df Mean
Square
F Sig.
Regressio
n
12920304
21.428
1 12920304
21.428
18.983 .001
Residual 88481006
4.972
13 68062312.
690

Total 21768404
86.400
14

Coefficients

Unstandardize
Coefficients
Standardized
Coefficients
t Sig.
Model B Std. Error Beta
1(Constant) 73586.804 3944.584 18.655 .000
AOS 949.562 217.942 .770 4.357 .001

Modelo (2)
ANOVA
Mode Sum of
Squares
df Mean
Square
F Sig.
Regressio
n
15101771
34.369
2 75508856
7.184
13.592 .001
Residual 66666335
2.031
12 55555279.
336

Total 21768404
86.400
14

Coefficients
Unstandar
dized
Coefficient
s
Standardiz
ed
Coefficient
s
t Sig.
Model B Std. Error Beta
1 (Constant) 66356.180 5100.501 13.010 .000
AOS 2285.920 702.547 1.855 3.254 .007
XCUA -40.071 20.222 -1.130 -1.982 .071

d) Si se observa la presencia de heteroscedasticidad en el modelo (2) Cmo se podran
transformar los datos, de manera que en el modelo transformado no existiera
heteroscedasticidad?
11.21 Si se tiene la siguiente informacin:
SRC1 basado en la primeras 30 observaciones =55 g de l =25
SRC2 basado en las ultimas 30 observaciones =140, g de l = 25
Realzece la prueba sobre heteroscedasticidad Goldfeld- Quandt al nivel de
significancia del 5%
5 2.54545454
) 1 / 1 (
) 2 / 2 (

gl SCE
gl SCE

7 1.95544720
) 25 , 25 , 05 . 0 (
F
Por lo tanto existe heteroscedasticidad
11.22 la tabla 11.9 presenta informacin acerca de los precios de acciones (Y) y los
precios al consumidor (X) expresados en cambios porcentuales anuales para un corte
transversal de 20 pases
a) Grafquense los datos en un diagrama de dispersin
0
10
20
30
40
50
60
70
80
90
100
0 5 10 15 20 25
Serie1
b) Efectese la regresin de Y sobre X y examnense los residuos de esta regresin
Que se observa?
ANOVA
Model Sum of
Squares
df Mean
Square
F Sig.
Regression 255.145 1 255.145 15.302 .001
Residual 300.137 18 16.674
Total 555.282 19

Coefficients
Unstandar
dized
Coefficient
s
Standardiz
ed
Coefficient
s
t Sig.
Model B Std. Error Beta
1 (Constant) 4.508 1.300 3.466 .003
PCONSU
MI
.705 .180 .678 3.912 .001

Los posibles datos atipicos pueden ser los que los siguientes pases: Chile, Francia, India,
Israel y Japon
c) Puesto que los datos en el caso de chile parecen ser atpicos reptase la regresin
en b) eliminando la informacin sobre chile, ahora examnense los residuos de
esta regresin Qu se observa?
ANOVA
Model Sum of
Squares
df Mean
Square
F Sig.
Regressio
n
18.775 1 18.775 1.458 .244
Residual 218.910 17 12.877
Total 237.685 18

Coefficients
Unstandardiz
ed
Coefficients
Standardized
Coefficients
t Sig.
Model B Std.
Error
Beta
1 (Constant) 10.045 2.483 4.045 .001
PCONSU
MI
-.704 .583 -.281 -1.207 .244

observamos en el modelo en b) de ser significante, en c) ya no lo es pues pasa de 0.01 a 0.244
d) Si, con base en los resultados obtenidos en b, se concluye que hubo
heteroscedasticidad en la varianza del error pero con base en los resultados en c)
se modifica esta conclusin, Qu conclusiones generales se obtienen?