Universidad Santa Mara

ICN 312 Econometra, Santiago

Prof. Pedro Fernndez de la Reguera
Certamen No. 1 / 4 de septiembre de 2003
PAUTA
1. (2 pts) Una de las limitaciones del modelo de regresin lineal clsico es que
se puede aplicar solamente a modelos intrnsecamente lineales y no es
aplicable a los otros modelos.

a) Qu se entiende por modelos lineales y no lineales en econometra?

Se entiende por modelos lineales en econometra a aquellos que sean lineales en los
parmetros , independiente de la forma que tengan las variables. En cambio, en
los modelos no lineales sus parmetros no son lineales.

b) De, a lo menos, dos ejemplos de modelos no lineales que se utilicen en la

literatura econmica
Cobb-Douglas: Y = 1 L2 K3
Modelo con sesgo: Y = x + x
Curva de Phillips: Y = 0 + 1 (1/X)
c) Por qu no puede utilizar el modelo de regresin en el caso de modelos no
lineales?
Al estimar el modelo de regresin se trata de minimizar e i2 y si no hay modelos
lineales, no se garantiza un mnimo. Adems, el coeficiente de una variable ser
irreal, pues la estimacin no es del coeficiente mismo, sino que de una funcin no
lineal del coeficiente mismo.

ICN 312, Stgo., PFR, Certamen No. 1 / 4 09 - 2003

2. (3 pts) Se trata de predecir EMPLEO a partir del PIB. Se dispone de la

siguiente informacin: Respuesta: Empleo (miles de personas); Predictores:
PIB ( MM $ ); Series trimestrales; Empleo, sin corregir estacionalidad; PIB,
estacionalidad corregida; Datos de 78 trimestres y uso de variables ficticias
para explicar estacionalidad del empleo.
Variables ficticias:
Q1 =1, si trimestre I, 0, otro caso
Q3 =1, si trimestre III, 0, otro caso

Q2 =1, si trimestre II, 0, otro caso

Q4 =1, si trimestre IV, 0, otro caso

Se proponen los siguientes modelos:

Modelo 1: Usando las cuatro ficticias
Modelo 2: Usando slo tres ficticias
Modelo 3: Usar tres ficticias y tendencia
Se le pide: Sealar, en cada modelo, el comportamiento del intercepto, si es
que el modelo lo lleva. Explicar en qu modelos no se puede definir un
intercepto.
Modelo 1: No puede llevar el intercepto, pues su variable asociada es X 0 = 1 y
Q1 + Q2 + Q3 + Q4 = 1 = X0 indicando una colinealidad perfecta; por lo tanto, el
modelo 1 queda planteado: Empleo = 1Q1 + 2Q2 + 3Q3 + 4Q4 + 5 PIB.
Modelo 2: Si debe llevar el intercepto, donde el valor del intercepto es el
coeficiente del trimestre omitido y es igual al que tiene en el modelo 1. Si
Empleo = 0 + 1Q1 + 2Q2 + 3Q3 + 5 PIB, entonces 0 = 4.
Modelo 3: Aqu, el intercepto es ms puro. La tendencia recoge la variacin
promedio de los trimestres y el intercepto ser el valor promedio remanente; por
lo tanto, el modelo 3 queda planteado: Empleo = 0 + 1Q1 + 2Q2 + 3Q3 + 5
PIB + 6Tendencia.

ICN 312, Stgo., PFR, Certamen No. 1 / 4 09 - 2003

3. (2 pts). Deduzca la expresin para el estimador MCO de 0 si el modelo es:
Yi = 0 + i
n

i2

Sea:

i 1

(Y
i 1

0
0 b 0

2 (Yi b 0 )(1) 0
i 1

(Y

i 1

Y
i 1

b0 ) 0
nb 0

b0 Y

)2

ICN 312, Stgo., PFR, Certamen No. 1 / 4 09 - 2003

4. (4 pts) En trabajos economtricos de series de tiempo es usual trabajar con

informacin de diferentes perodos, los cuales tambin se utilizan como una
variable exgena (predictora) del modelo. Esta variable cuantifica la tendencia
lineal a travs del tiempo, as por ejemplo, en una serie de tiempo de ingresos
se tendra la siguiente informacin:
Tiempo
1
2
3
4
5
6
7
8

Ingreso
105
109
113
105
108
115
120
128

Yn

El modelo en este caso es YT = 0 + 1T + T . En base a esta informacin,

demuestre que la varianza de 0 y 1 tienden, necesariamente, a cero a medida
que la muestra tiende a infinito. De este modo obtendra muy buenos
estimadores si utilizara un nmero suficientemente grande de observaciones y
si no se presentaran otros problemas economtricos.
n

NOTAS:

1:

T n(n 1)/2 ;

T 1

n(n 1)(2n 1)/6

T 1

2: Es posible que tenga que utilizar adems la regla de LHopital.

a) Caso de Var( bo )
2
Lim n Var (b 0 ) Lim n

2
i

n(

2
i

n 2 )

Lim n

2 n(n 1)(2n 1)/6

n{ n (n 1)(2n 1) / 6 - n(n 1) 2 / 4}

Lim n

2 (n 1)(2n 1)/6
{2 n (n 1)(2n 1) - 3n(n 1) 2 } / 12

ICN 312, Stgo., PFR, Certamen No. 1 / 4 09 - 2003

2 2(n 1)(2n 1)
n (n 1){4n 2 - 3n - 3}

Lim n

Lim n

2 2(2n 1)
n2 - n

Lim n

2 4
2n - 1

aplicando L' Hopital

Lim n Var (b0 ) 0

b) Caso de Var( b1 )
Lim n Var (b1 ) Lim n

2
i

n 2

2
Lim n
{n (n 1)(2n 1) / 6} - {n(n 1) 2 / 4
Lim n

2
{2n (n 1)(2n 1) - 3n(n 1) 2 } / 12

Lim n

12 2
n (n 1){4n 2 - 3n - 3}

Lim n

12 2
n (n 1)(n - 1)

Lim n

12 2
n3 - n

Lim n Var (b1 ) 0

ICN 312, Stgo., PFR, Certamen No. 1 / 4 09 - 2003

5. (3 pts) Suponga que la regresin de la balanza comercial con un

determinado pas es:
= 100.000 + 0,6 X
Y

R2 = 0,4

Utilizando datos anuales en base a dlares de 1972.

a) Suponga que los nmeros cambiaron de base y se refirieron a dlares de

1982 mediante la multiplicacin por 0,74. Cmo habran cambiado la
pendiente y la constante?
La pendiente del modelo no cambia. Sigue siendo b1 = 0,6, debido a que b0 = ( Y b1 X )0,74 = 0,74 b0; en cambio, en la constante si se producen cambios,
disminuyendo a b0 = 74.000.

b) Basndose en las cifras anteriores Sera capaz de determinar los

resultados del procedimiento de MC si los datos se hubieran expresados en
la moneda de otro pas, si conociera los tipos de cambio?
S, efectuando el mismo procedimiento que se realiz en la alternativa (a).

c) Basndose en las cifras anteriores Sera capaz de determinar los

resultados del procedimiento de MC si los datos se hubieran expresados en
dlares nominales sin estar deflactados por inflacin?
No, se necesita la inflacin como variable predictora para poder determinar
soluciones al problema planteado, pues la inflacin anual cambia de ao en ao.

ICN 312, Stgo., PFR, Certamen No. 1 / 4 09 - 2003

6. (3 + 5 pts) Una teora extendida entre alumnos profesores de una facultad es

que las mejores calificaciones acadmicas son obtenidas por mujeres.
Suponiendo que tiene acceso a la siguiente informacin: i) Calificaciones en la
asignatura de Econometra (de 0 a 10) obtenidas por los estudiantes en el
primer semestre de 1993; ii) Nmero de horas que cada uno de ellos ha
invertido en la preparacin de la asignatura; iii) Si ha asistido o no
regularmente a las clases (medido como la relacin entre horas de asistencia
sobre el total de horas lectivas); iv) Sexo del estudiante.
NOTA IMPORTANTE: La respuesta correcta a la letra d) significan 5 puntos
adicionales sobre los alcanzados en el certamen, a ttulo de premio
a) Cmo docimara si la teora de los profesores es cierta?

Definir la variable Sexo: 1 si es mujer y 0 si es hombre

Estimar el modelo: C = 0 + 1 H + 2 A + 3 S
Si los profesores estn en lo correcto, se debe cumplir: 3 0
Realizar la dcima de la hiptesis: H0 : 3 0 vs Ha : 3 0 mediante una t de
Student a una cola.

b) Cmo docimara la hiptesis de que el aprovechamiento de las horas

dedicadas al estudio es superior en las mujeres que en los hombres?.
Especificar el modelo adecuado en cada caso y explique detalladamente el
mecanismo de cada contraste propuesto.
Definir los modelos: CMUJERES = 0 + 1 H + 2 A
CHOMBRES = 0 + 1 H + 2 A
Se trata de docimar si 1 1
Ajustar ambos modelos
Establecer el siguiente test de hiptesis: H0 : 1 1 vs Ha : 1 1 mediante una
t de Student a una cola con nM + nH 6 grados de libertad.
1 1
El estadgrafo ser: E
Var (a 1 b1 )

c) Hay alguna otra hiptesis que le parezca interesante docimar con estos
datos?, Cmo lo hara?

ICN 312, Stgo., PFR, Certamen No. 1 / 4 09 - 2003

Una hiptesis interesante de analizar es si la asistencia a clases es relevante y la

mejor manera de desarrollarla es mediante la dcima F parcial, es decir,
considerando el modelo original con las variables H y S, y ver si la variable A
debiera ingresar al modelo.
Otra manera de analizar la asistencia a clases es docimar el de la asistencia a
clases en el modelo general, pero es poco adecuado realizarlo debido a la falta
de independencia entre los b.
d) Si pudiera contar con el mismo tipo de datos para las convocatorias del
primer semestre de 1989 y quisiera docimar las mismas hiptesis,
Utilizara los mismos modelos?, los modificara de alguna forma? cmo
y por qu?

ICN 312, Stgo., PFR, Certamen No. 1 / 4 09 - 2003

7. (4 pts) Para estimar el modelo Yt = o + 1 L t + 2 K t + t donde Yt es el

volumen de produccin facturado en el perodo t, Lt es cantidad del factor mano de
obra en el perodo t y Kt es el factor de capital, en el perodo t.
Se dispone de las siguientes observaciones:
Y
L
K

230
30
160

140
10
50

180
20
100

270
40
200

300
50
240

240
20
190

230
30
160

350
60
300

120
40
150

El investigador estima el modelo tomando slo las primeras 8 observaciones y

obtiene los siguientes resultados (valores entre parntesis son desviaciones estndar
del estimado respectivo):
t = 97,258 + 0,970 Lt + 0,650 Kt
Y

(1,956) (0,12)

R2 = 0,999

(0,03)

Cuando se da cuenta del error cometido, piensa que este es irrelevante y decide
tomar los resultados obtenidos como vlidos, pero su honestidad profesional se
impone y, finalmente, estima el modelo con todas las observaciones (T = 9)
obteniendo, en este caso, los siguientes resultados:
t = 75,479 1,970 Lt + 1,272 Kt
Y

(32,05) (1,74)

R2 = 0,824

(0,38)

Su desconcierto es grande al comparar ambas estimaciones y no puede comprender

cmo, utilizando una sola observacin adicional, los resultados son tan diferentes:
a) Cabe encontrar alguna razn que pueda justificar estas diferencias?
Modelo mal formulado.
ltima observacin influyente
Colinealidad entre predictores
Ver ejemplo pg. 35 apuntes
b) Podra haber llegado a la misma conclusin sin necesidad de realizar la
segunda estimacin?, Puede explicar cmo?
S. Usar grficos de dispersin, calcular correlaciones entre todas las
variables.

ICN 312, Stgo., PFR, Certamen No. 1 / 4 09 - 2003

10

8.= ( 4 pts) Datos de nios, 1976. Y = Talla actual del beb (cm); X1 = Edad
(das); X2 = Talla al nacer (cm); X3 = Peso al nacer (kg); X4 = Tamao del
torax, al nacer (cm).
Y
57,5
52,8
61,3
67,0
53,5
62,7
56,2
68,5
69,2
Correlac.
X1
X2
X3
X4
Modelo
X1
X2
X3
X4
X1, X2
X1, X3
X1, X4
X2, X3
X2, X4
X3, X4
X1, X2, X3
X1, X2, X4
X1, X3, X4
X2, X3, X4
X1, X2, X3, X4

X1
78
69
77
88
67
80
74
94
102
Y
0,947
0,819
0,761
0,560
g.l. residual
7
7
7
7
6
6
6
6
6
6
5
5
5
5
4

X2
48,2
45,5
46,3
49,0
43,0
48,0
48,0
53,0
58,0
X1
1,000
0,952
0,534
0,390
SC(regre)
288,1468
215,3013
186,1065
100,8594
312,0172
317,4555
301,9647
318,2036
277,1571
187,2354
318,2503
312,0221
317,6410
318,2101
318,2744

X3
2,75
2,15
4,41
5,52
3,21
4,32
2,31
4,30
3,71
X2

X4
29,5
26,3
32,2
36,5
27,2
27,7
28,3
30,3
28,7
X3

1,000
0,263
1,000
0,155
0,784
SC(error) CM(error)
33,0932
4,7276
105,9387
15,1341
135,1335
19,3048
220,3806
31,4829
9,2228
1,5371
3,7845
0,6307
19,2753
3,2126
3,0364
0,5061
44,0829
7,3471
134,0046
22,3341
2,9897
0,5979
9,2179
1,8436
3,5990
0,7198
3,0299
0,6060
2,9656
0,7414

ICN 312, Stgo., PFR, Certamen No. 1 / 4 09 - 2003

11

a) Seleccione un modelo por el mtodo de todas las regresiones posibles.

Modelo

g.l.
residual SC(regre)

X1
X2
X3
X4
X1, X2
X1, X3
X1, X4
X2, X3
X2, X4
X3, X4
X1, X2, X3
X1, X2, X4
X1, X3, X4
X2, X3, X4
X1, X2, X3, X4

7
7
7
7
6
6
6
6
6
6
5
5
5
5
4

288,1468
215,3013
186,1065
100,8594
312,0172
317,4555
301,9647
318,2036
277,1571
187,2354
318,2503
312,0221
317,641
318,2101
318,2744

SC(error)
33,0932
105,9387
135,1335
220,3806
9,2228
3,7845
19,2753
3,0364
44,0829
134,0046
2,9897
9,2179
3,599
3,0299
2,9656

CM(error)
4,7276
15,1341
19,3048
31,4829
1,5371
0,6307
3,2126
0,5061
7,3471
22,3341
0,5979
1,8436
0,7198
0,606
0,7414

R2

Cp

0,897

39,6

0,670

137,9

0,579

177,3

0,314

292,2

0,971

9,4

0,988

2,1

0,940

23,0

0,991

1,1

0,863

56,5

0,583

177,7

0,991

3,0

0,971

11,4

0,989

3,9

0,991
0,991

3,1
5,0

El mejor modelo seleccionado a travs del mtodo de todas las regresiones posibles
ser aquel que cumpla con la mayor SC(regresin) y menor SC (error), siendo los
posibles candidatos los modelos: (X2, X3), (X1, X2, X3), (X1, X2, X4), (X2, X3, X4) y
(X1, X2, X3, X4).
Adems, se seleccionan por Cp ms cercano al nmero de variables. Esto reduce la
seleccin a los modelos (X2, X3) (X1, X2, X3) y (X2, X3, X4). Si no se desea
colinealidad, cualquiera de los modelos con tres variables es admisible. El modelo
con dos variables tiene algo de colinealidad, mnimo valor del CME y menor
nmero de variables.
b) Partiendo de un modelo con dos o tres variables (a su eleccin), realice una
iteracin del mtodo paso a paso ascendente
Supongamos que partimos con el modelo: Y = 0 + 1 X1 + 2 X2, siendo los
candidatos a entrar X3 X4, entrando el que tiene mayor correlacin parcial.
Analicemos las dcimas parciales para ver cual debe entrar.
E3

SCR (1,2,3) SCR (1, 2)

CME(1, 2,3)

318,2503 - 312,0172
10,42
0,5979

ICN 312, Stgo., PFR, Certamen No. 1 / 4 09 - 2003

E4

SCR (1,2,4) SCR (1, 2)

CME(1, 2, 4)

12

312,0221 - 312,0172
0,00265
1,8436

Por lo tanto, E3 = 10,42 tiene la dcima parcial mayor y X3 es la variable candidata

a ingresar al modelo; adems E3 = 10,42 F1 ; 5 ; 0,95 = 6,61 entonces la variable X3
produce el incremento mas significativo en la SC(regresin), por lo cual debe
ingresar al modelo, quedando este establecido por Y = 0 + 1 X1 + 2 X2 + 3 X3

c) Partiendo del modelo con las variables X1, X2 y X3, realice una iteracin
del mtodo paso a paso descendente
Supongamos el modelo completo como Y = 0 + 1 X1 + 2 X2 + 3 X3, siendo los
candidatos a salir X1 X2 X3, saliendo el que tiene menor correlacin parcial.
Entonces, analizando las dcimas parciales tenemos:
E1

E2

E3

SCR (1,2,3) SCR ( 2,3)

CME (1, 2,3)
SCR (1,2,3) SCR (1,3)
CME (1, 2,3)
SCR (1,2,3) SCR (1, 2 )
CME (1, 2,3)

318,2503 - 318,2036
0,078
0,5979

318,2503 - 317,4555
1,329
0,5979

318,2503 - 312,0172
10,42
0,5979

Por lo tanto, la dcima E1 es la menor, entonces X1 debiera salir del modelo. Como
E1 no es significativo, debemos retirar esta variable del modelo, quedando este
establecido por Y = 0 + 2 X2 + 3 X3

ICN 312, Stgo., PFR, Certamen No. 1 / 4 09 - 2003

13

d) Partiendo del modelo con las variables X3 y X4, realice una iteracin del
mtodo paso a paso mixto (puede usar sus resultados previos, si lo desea)
Comenzaremos el anlisis del paso a paso mixto con una iteracin del mtodo
ascendente, partiendo con el modelo: Y = 0 + 3 X3 + 4 X4, siendo los candidatos
a entrar X1 X2. Analicemos las dcimas parciales para ver cual debe entrar.
E1

SCR(1,3,4) SCR (3,4)

317,6410 - 187,2354

181,169
CME(1,3,4)
0,7198

E2

SCR(2,3,4) SCR (3,4)

318,2101 - 187,2354

216,129
CME(2,3,4)
0,6060

Por lo tanto, E2 = 216,129 tiene la dcima parcial mayor y X2 es la variable

candidata a ingresar al modelo; adems debemos notar que ambas dcimas
parciales son mayores que F1 ; 5 ; 0,95 = 6,61 pero la que produce un incremento ms
significativo en la SC(regresin) es X2, por lo cual debe ingresar al modelo,
quedando este establecido por Y = 0 + 2 X2 + 3 X3 + 4 X4
Ahora, realizar una iteracin del mtodo descendente, partiendo con el modelo
establecido en la parte anterior Y = 0 + 2 X2 + 3 X3 + 4 X4 siendo los candidatos
a salir X2 X3 X4. Analizando las dcimas parciales tenemos:
E2

SCR(2,3,4) SCR (3,4)

318,2101 - 187,2354

216,129
CME(2,3,4)
0,6060

E3

SCR(2,3,4) SCR (2,4)

318,2101 - 277,1571

67,74
CME(2,3,4)
0,6060

E4

SCR(2,3,4) SCR (2,3)

318,2101 - 318,2036

0,011
CME(2,3,4)
0,6060

Por lo tanto, la dcima E4 es la menor, entonces X4 debiera salir del modelo. Como
E4 no es significativo, debemos retirar esta variable del modelo, quedando Y = 0 +
2 X2 + 3 X3

ICN 312, Stgo., PFR, Certamen No. 1 / 4 09 - 2003

14

9. (3 pts) En un estudio de las remuneraciones de gerentes de empresas se

ajusta el modelo siguiente usando los datos de 50 empresas:
Ln R = 7,57 + 0,165 ln V 0,196 ln NE;
(4,54)
(-5,04)

R2 = 0,54; S = 0,25

Donde V = Ventas, NE = No. Empleados de la empresa, R remuneraciones

gerenciales y los valores entre parntesis son los estadgrafos t.
a) Interpretar los coeficientes
Al ser un modelo logartmico, los coeficientes son elasticidades de la respuesta
con respecto a cada predictora.
Las rentas gerenciales son inelsticas respecto a las ventas, aunque tienden a
aumentar un poco con el aumento de las ventas. No as con el nmero de
empleados, pues, aunque siguen siendo inelsticas, la tendencia es a disminuir
segn el aumento en la cantidad de empleados.
Ambos casos interpretados son consecuentes con la economa de una empresa.
b) Calcular los coeficientes de correlacin parcial. Qu podra decir de las
correlaciones parciales entre las variables originales, no transformadas?
R

2
(R V, NE)

R 2 (R NE, V)

E 12
4,54 2
2

0,305 rR V, NE 0,552
E 1 g.l.
4,54 2 47
E 22
5,04 2
2

0,351 rR NE, V 0,592

E 2 g.l. 5,04 2 47

Como log es una transformacin montona, las correlaciones moderadas que se

aprecian arriba sern tambin moderadas entre las variables originales.