Ejercicios Teórico-Prácticos

1. El siguiente modelo relaciona la demanda de un bien (y, en euros) con su precio

(x, en euros):
y i = 0 +1ln  x i  + i

Suponiendo que se cumplen los supuestos de Gauss-Markov, se ha estimado el

modelo por MCO utilizando una muestra de 500 productos (N=500) y se han
obtenido los siguientes resultados: ˆ0  2, ˆ1  50, R 2  0.40, STC=100 .

Responda a las siguientes preguntas:

a) ¿Es cierta la siguiente afirmación? "En promedio, un incremento de un 1%

en x provoca aproximadamente una disminución de 50 euros en y". Justifique
su respuesta.
b) En el modelo propuesto, calcule el valor de los coeficientes y del R 2 si la
variable precio (x) se multiplica por 10.
2
c) Calcule la SCE y la s del modelo de regresión.

d) Calcule el valor del estadístico F para el contraste de hipótesis

contra la alternativa .

2. Sea el modelo de regresión simple: Yi   0  1 X i   i , donde i cumple los

supuestos de Gauss-Markov. Si la variable explicada Y es dividida por una
constante c y la explicativa X es multiplicada por esa misma constante, ¿cómo se
ven afectados los estimadores de 0 y 1?

3. Utilizando datos anuales de una muestra aleatoria compuesta por 100 individuos
se ha estimado la siguiente regresión lineal que explica el salario-hora (medido en
euros) en función de la educación (medida en años):

Sali   0  1 Educi   i ˆ´0  3.2 ˆ1  0.8 R 2  0.68

Si hubiésemos estimado la ecuación con la educación medida en meses, ¿cómo

habrían cambiado la constante, la pendiente, y el R² del modelo? Demuestre su
respuesta.

4. El modelo verdadero que explica el comportamiento de la variable Y es:

Yi   0  1 X 1i   2 X 2i   i , donde  0  0, 1  0 y  2  0 , y se cumplen los
supuestos de Gauss-Markov. Sin embargo, por error, se estima el modelo:
Yi   0  1 X 1i  i . Sabiendo que Cov( X 1 , X 2 )  0 ,
a) Calcule el sesgo del estimador MCO de 1 en el modelo erróneo.
b) ¿Se sobreestima o se subestima el coeficiente?
5. Sea el modelo: yi   xi   i , donde se sabe que el término de error ε i sigue una
distribución normal y se cumplen los supuestos de Gauss-Markov. Se pide:

a) Calcule el estimador MCO.

b) Demuestre que el estimador MCO es insesgado.
c) Calcule el valor de su varianza ¿Hay algún otro estimador que tenga una
varianza menor?

6. Se han especificado dos modelos distintos para explicar el salario de los

trabajadores de una empresa:
M1: Sali   0  1 E1i   2 X i   i M2: Sali  1 E1i  2 E 2i  3 X i   i

donde Sal es el salario anual, E1 es una variable ficticia que toma valor 1 si el
individuo tiene estudios universitarios, E2 es una variable ficticia que toma valor 1 si no
tiene estudios universitarios, y X es la experiencia del individuo.

a) Interprete los coeficientes en cada uno de los modelos ¿Qué relación hay
entre los coeficientes de ambos modelos?
b) ¿Cómo contrastaría en M1 si la educación influye en la ecuación de
salarios?, ¿y en M2? Plantee las hipótesis nula y alternativa, y explique
cómo llevar a cabo ambos contrastes utilizando el estadístico t.
c) Suponga que dispone de datos también sobre el sexo de los individuos.
c.1) Reformule el M1 para permitir que el sexo influya en la constante de la
ecuación de salarios, y explique cómo contrastaría si existe
discriminación salarial a favor del hombre. Plantee claramente las
hipótesis nula y alternativa, el estadístico de contraste y la región
crítica.
c.2) Reformule el M1 para permitir que el sexo influya en la constante de la
ecuación de salarios y que además la discriminación salarial entre
hombres y mujeres varíe con el nivel de experiencia.

7. Considere el siguiente modelo de regresión lineal:

yi   1xi   2 x2i   i , i=1,,N

E( i x1i , x2i )  0 i
Var ( i x1i , x2i )  x1i2

Sabiendo que las N observaciones se han obtenido por muestreo aleatorio, responda
a las siguientes cuestiones:

a) ¿Qué problema presenta el modelo? ¿Conviene estimar por MCO? ¿Por

qué? (Justifique su respuesta basándose en las propiedades del estimador
MCO).
b) Explique cuál es el estimador ELIO de los parámetros del modelo.
c) Obtenga la expresión del estimador ELIO de los parámetros del modelo.

8. Considere el siguiente modelo yi   0  1 x1i   2 x2i   i , i  1, , N donde

E( i |x1i ,x 2i )=0, V( i |x1i ,x 2i )= x x , y se sabe que los datos se han obtenido por
2 2
1i 2 i
muestreo aleatorio.
 a) ¿Qué problema presenta este modelo? ¿Conviene estimar por mínimos
cuadrados ordinarios? ¿Por qué? Explique detalladamente.
b) ¿Cómo podríamos obtener una estimación ELIO de los coeficientes de esta
regresión?

Cuestiones Verdadero – Falso

Conteste verdadero o falso a las siguientes afirmaciones, justificando detallamente

su respuesta:

a) El correlograma nos da información sobre la dinámica de una serie

temporal, pero no permite discriminar entre series con tendencia en la
media y series con tendencia en la varianza.
b) Cuando no tenemos claro si una serie temporal tiene o no tendencia en la
media, debemos escoger la opción “Trend and intercept” para llevar a cabo
el test de Dickey-Fuller en Eviews.
c) La estacionalidad sólo se da en datos de frecuencia anual.
d) En el modelo de regresión con datos trimestrales:
Yt   0  1 X t  1T1t   2T2t   3T3t   t , donde T1t , T2t y T3t son 3 variables
ficticias estacionales, la hipótesis nula para el contraste de estacionalidad
es H 0 : 1   2   3  0
e) Si dos series económicas presentan tendencia en varianza, para evitar que
la regresión entre ellas sea espuria hemos de introducir una tendencia en la
ecuación.
f) Los cambios de origen de las variables de un modelo de regresión no
provocan cambios en la estimación de los coeficientes de pendiente.

g) Dado el modelo econométrico y   0  1 x1   2 x2   3 x3   , si

x1  x2  x 3 hay multicolinealidad fuerte, lo que afecta a la varianza
(precisión) de los estimadores.
h) La presencia de multicolinealidad (no exacta) en un modelo de regresión
provoca que el estimador MCO ya no sea ELIO.
i) En el modelo yi   0  1 x1i   2 x2i   i que cumple los supuestos del
modelo lineal clásico, el contraste: H 0 : 1  0.75 H1 : 1  0.75 solo se
puede llevar a cabo con el estadístico t, y la región crítica está en la cola
izquierda de la distribución.
j) En el modelo sal i  1educi   2 mujeri  3 hom brei   i , donde mujer es
una variable ficticia que toma valor 1 para las mujeres, y hombre es una
variable ficticia que toma valor 1 para los hombres, para contrastar si existe
discriminación salarial en función del sexo del individuo las hipótesis nula y
alternativa son: H 0 :  3  0 H1 : 3  0 .
k) La estimación que propone White cuando existe heteroscedasticidad en un
modelo de regresión corrige el sesgo que presenta la estimación MCO de
los parámetros del modelo