1.

3. en el siguiente grfico muestra que el PBI per cpita y los niveles de educacin
se encuentran altamente correlacionados. Una interpretacin puede ser que la
educacin superior genere un incremento en el PBI per cpita. Sustente las
razones economtricas por las cuales Ud. sera reticente a que una educacin
superior genere un mayor ingreso.
Las razones economtricas por las cuales no se aceptara que una educacin superior
genere mayor ingreso son:
Ho: La educacin superior genera un incremento en el PBI per cpita
Hi : la educacin superior no genera un incremento en el PBI per cpita

Si el P-Value < , entonces no tendramos el criterio suficiente de aceptar la

Ho.
En el grfico se ve que son datos de 2000-2012
n = 12 , para un buen anlisis economtrico y ver la veracidad de un dato se
debera trabajar con n 30, por ello, en este caso no se podra aceptar con
una seguridad al 100% la Ho.

Coeficiente de determinacin (r cuadradro) sea muy bajo: No habra una

relacin entre la educacin superior y mayor ingreso, por ello, dudaras en

aceptar ese supuesto.

El valor de Durbin Watson : Si en el anlisis economtrico el valor de Durbin
Watson sale muy lejano de 2 este modelo se encontrara en una zona de
indecisin, por ello, estaramos reticentes a aceptar el supuesto. Se encontrara

problemas de autocorrelacin.
Autocorrelaciones: ya que son datos de series de tiempo se pueden
problema, con lo cual, uno estara reticente a aceptar que la educacin superior
genere mayor ingreso.

Coeficiente de asimetra: Si el coeficiente de asimetra no tiende a cero es

muestra que no existe una normalidad, por lo cual, no estaramos aceptando la

Ho.
Las perturbaciones: otra duda que se dara para aceptar el supuesto de que
la educacin superior genera mayor ingreso sera la existencia de
perturbaciones, esto existe por varias razones:
- Algunos datos no los puedes describir a travs de alguna variable
- Son datos totalmente aleatorios (las personas actan de forma inexplicable
-

a veces que no se pueden descifrar)

Omisin de algunas variables.

6. responda y sustente las siguientes preguntas

a

es de esperar que el coeficiente de determinacin permanezca

inalterado, en un modelo de regresin lineal si transformamos las
variables en logaritmos? Cundo podemos comparar los coeficientes de
determinacin de dos regresiones distintas?
El coeficiente de determinacin vara cuando se aplica logaritmo
al modelo de regresin lineal.
Se aplica logaritmo en un modelo porque este no sigue una
distribucin normal por ello debemos recurrir a las pruebas de
contraste no paramtricas. Por ello se debe transformar los datos
de tal forma que los nuevos datos transformados si sigan la
distribucin norma. Por ello como nuestros datos ya siguen una
distribucin normal el coeficiente de determinacin aumentara o
se aproximara ms a 1.
Se puede comparar el coeficiente de determinacin de dos
regresiones distintas en el caso de que la variable dependiente
sea igual en ambos modelos y gracias a ellos determinamos cul
de los modelos es explicado mejor por las variables
independientes. En este caso de veramos escoger el modelo
donde el coeficiente de determinacin es ms cercano a 1, debido
a que en ese modelos las variables independientes explican mejor
el comportamiento de la variable dependiente.
es correcto comparar la volatilidad de dos variables comparando su
desviacin estndar? Si no es correcto, hay alguna manera mejor de
hacerlo
Es correcto comparar las desviaciones estndar de dos variables para
ver su volatilidad del grado de dispersin de los datos con respecto al
valor promedio. Adems la desviacin estndar, es una medida de
dispersin usada en estadstica que nos dice cuanto tienden a alejarse
los valores concretos del promedio en una distribucin de datos.
el estimador beta por MCO es insesgado debido a que la regresin es
lineal?

La insesgades de los estimadores depende principalmente de los

siguientes supuestos:
Supuesto N 1: linealidad de los parmetros
En el modelo poblacional, la variable dependiente Y esta relacionada
con la variable independiente, X y con el error u de la manera
siguiente:
Y= 0+ 1X+u
Donde 0 y 1 representan los parmetros poblacionales del intercepto
y pendiente, respectivamente. La idea es usar los datos de Y y X para
estimar los parmetros 0 y en especial 1.
Supuesto N 2: Media condicional cero
Para todo valor de la variable explicativa, el valor esperado del error u
es cero. Es decir:
E (u/x) = 0
Hay que recordar que el insesgamiento es una propiedad de las
distribuciones mustrales de

^
1 y

^
0 que no dice nada

acerca de las estimaciones que se obtienen a partir de una

determinada muestra. Se espera que, si la muestra es de alguna
manera representativa, la estimacin deber estar cerca del
valor poblacional. Desafortunadamente, siempre es posible tener
una muestra con la que la estimacin puntual que se obtiene este
lejos de 1 y nunca se podr saber con seguridad si este es el
caso.
Comparando con la regresin no restringida, la estimacin de una
regresin por MCO bajo una restriccin (por decir 2=3) dar como
resultado un coeficiente de determinacin ms elevado si al restriccin
es verdadera y un coeficiente ms pequeo si es falsa sustente esta
afirmacin.
Para ilustrar se considerara un modelo sencillo en el que se compara el
rendimiento de la educacin para carreras universitarias cortas (dos
aos) y largas (cuatro aos); para simplificar al ltimo se le llamara
universidades. La poblacin consta de personas trabajadoras que
tiene bachillerato terminado y el modelo es:
Log(Salario)= 1+ 2jc+ 3univ+ 4exper + u
Donde:
Jc = cantidad de aos de asistencia a una carrera universitaria corta
Univ = cantidad de aos de asistencia a una universidad larga.
Exper = meses en la fuerza laboral
La hipotesus que interesa es si un ao ms de estudio en una carrera
corta vale lo mismo que un ao ms de estudio en una universidad: se
expresa como
H0: 2=3
De acuerdo con H0 un ao ms de estudio en una carrera corta y un ao
ms en la universidad conducen al mismo aumento porcentual en el
salario. En la mayora de los casos la alternativa que interesa es la de
una cola: un ao ms de una carrera costa vale menos que un ao de
universidad. Esto se expresa como:

H1: 2<3
En las hiptesis intervienen dos parmetros 2y 3, situacin que no
haba sido encontrado para probar H0 no pueden usarse simplemente
los estadsticos individuales correspondientes a 2y 3 estimados. Sin
embargo de manera conceptual, no hay ninguna dificultad para
construir un estadstico t para probar la hiptesis nula. Para las hiptesis
nulas y alternativas se escriben de la siguiente manera:
H0: 2 - 3=0
H1: 2 - 3 =0
El estadstico t se basa en si la diferencia estimada de H1: 2 - 3 es
suficientemente menor a cero para rechazar la hiptesis nula o a favor
de H1. Para tomar en cuenta e error e muestreo en este estimador se
estandariza esta diferencia dividiendo entre el error estndar.

t=

^
2 ^
3
^
ee( 2 ^3)

Una vez que se tiene el estadstico t, la prueba se realiza como antes.

Se elige un nivel de significancia para la prueba y de acuerdo con los gl,
se obtiene un valor crtico. Debido a que la alternativa es de la forma
dada, la regla de rechazo es de la forma t<-c, donde c es un valor
positivo elegido de la distribucin t adecuada. Tambin se puede
calcular el estadstico t y calcular despus el valor-p.
Por ello si 2=3 es verdadero, el coeficiente de determinacin ser ms
elevado cercano a 1 explicando mejor al modelo, y sucede lo contrario si
eso no ocurre y no resulta un modelo muy adecuado para sacar las
conclusiones y recomendaciones adecuadas.