ECONOMETRÍA I – Ciclo 2011-I

PRÁCTICA 2 – SOLUCIONARIO

1. Se plantea que las tasas de interés (x) proporcionan un indicador clave

para predecir el número de construcciones (y). Los datos de la tabla
siguiente representan a las tasas de interés en primeras hipotecas y el
registro de nuevas construcciones iniciadas en los 8 años referidos.
Año 1989 1990 1991 1992 1993 1994 1995 1996
Tasa de Interés (%) 6.5 6.0 6.5 7.5 8.5 9.5 10.0 9.0
Licencia de
construcción 2165 2984 2780 1940 1750 1535 962 1310

a) Realice el ajuste de regresión lineal para el número de licencias de

construcción a partir de las tasas de interés. Proporcione Se y R². Interprete
resultados.
b) ¿Es el coeficiente de correlación entre el número de licencias de construcción y
la tasa de interés significativamente distinto de cero? Use  = 0.05
c) ¿En qué porcentaje se reduce la suma de cuadrados de las desviaciones del
número de licencias al utilizar como predictor a la tasa de interés en lugar del
simple promedio del número de licencias anuales?
d) Si los indicadores económicos indican que la tasa de interés para primeras
hipotecas será del 8.5% el próximo año, obtenga una predicción interválica del
95% de confianza para el número de licencias de construcción que se
otorgarán durante el año entrante.

Solución:

Tasa de Interés: X
№ De construcciones: Y → 𝒚𝒊 = 𝜷𝟏 + 𝜷𝟐 𝑿𝟐 + 𝜺𝒊 ; 𝒊 = 𝟏, 𝒏

a) Realice el ajuste de regresión lineal para el número de licencias de

construcción a partir de las tasas de interés. Proporcione 𝑺𝒆 y 𝑹𝟐 .
Interprete resultados.

Podemos hallar estos resultados con EViews, en este caso los datos
obtenidos serían los siguientes:
Ajustaremos los datos a una regresión lineal con una variable independiente, esta será
la “Tasa de Interés” y la variable de dependiente es el “Número de Construcciones”.
Tendrá la siguiente forma:

La matriz 𝛽̂ será:

5344.22
𝛽̂ = [ ]
−430.3584
Entonces: 𝛽̂1 = 5344.22 ; 𝛽̂2 = −430.3584

2165
1 6.5
2984
Además: 𝑌 = [ ] ; 𝑋 = [1 6.0]
⋮
⋮ ⋮
1310
La ecuación de regresión será:

𝑌̂ 𝑖 = 5344.22 − 430.3584𝑋2𝑖
Observando el cuadro de EViews 𝑅2 = 88.39% el cual se indica con una
flecha, pero también podemos calcularlo de la siguiente manera:
 𝑛 ∑ 𝑋2𝑖
(𝑋 ′ 8 63.5
𝑋) = [ ]=[ ]
∑ 𝑋2𝑖 2
∑ 𝑋2𝑖 63.5 520.25

8 63.5 −1 4.0096 −0.4894

(𝑋 ′ 𝑋)−1 = [ ] =[ ]
63.5 520.25 −0.4894 0.0617
15426 ∑ 𝑌𝑖
𝛽̂ = (𝑋 ′ 𝑋)−1 𝑋′𝑌 𝑋′𝑌 = [ ]=[ ]
115464 ∑ 𝑌𝑖 𝑋2𝑖
5344.220
𝛽̂ = [ ]
−430.358

El modelo es: 𝑦̂ = 5344.22 − 430.36 𝑋2

2 15426
𝑌 ′
𝑌 − ̂ ′(𝑋 ′ 𝑌) ∑ 𝑌𝑖 − [5344.22 − 430.358] [
𝛽 ]
2
𝑆𝑒 = = 115464
𝑛−𝑘 8.2

33143750 − 32749081.61
𝜎̂𝜀2 = 𝑆𝑒2 = = 65778.065
6

263640.2527 −32179.06016
𝑉(𝛽̂) = 𝑆𝑒2 (𝑋 ′ 𝑋)−1 = [ ]
−32179.06016 4054.054

→ 𝑆𝑒 = 256.47, indica que debido a la perturbación aleatoria el número

de licencias de construcción tienden a variar en 256 unidades respecto al
valor medio o esperado para cada año.

̂ 𝑋 ′ 𝑌 − 𝑛𝑌 2
𝛽′
𝑅2 = 2
𝑌 ′ 𝑌 − 𝑛𝑌
[5344.220 − 430.358] [ 15426 ] − 8(378148.063)
= 115464
(33143750 − 813718148.063)
 32749081.61 − 29745184.5
𝑅2 = = 0.8838720653
3398565.496
𝑅2 = 88.39%
𝑅 2 Este coeficiente indica que la variabilidad del número de construcciones
está explicada en un 88.39% por la tasa de interés.

b) ¿Es el coeficiente de correlación entre el número de licencias de

construcción y la tasa de interés significativamente distinto de cero? Use
𝜶 = 𝟎. 𝟎𝟓

𝐶𝑜𝑣(𝑋, 𝑌)
𝜌=
√𝑉𝑎𝑟𝑋√𝑉𝑎𝑟𝑌

𝐶𝑜𝑣(𝑋, 𝑌) = 𝐶𝑜𝑣(𝑋; 𝛽1 + 𝛽2 𝑋 + 𝜖)

= 𝐶𝑜𝑣(𝑥, 𝛽1 ) + 𝐶𝑜𝑣(𝛽2 𝑋, 𝑋) + 𝐶𝑜𝑣(𝑋, 𝜀)

= 𝛽2 𝐶𝑜𝑣(𝑋, 𝑋) = 𝛽2 𝑉𝑎𝑟(𝑋)

𝑉𝑎𝑟(𝑋) = 2.027

𝐶𝑜𝑣(𝑋, 𝑌) = 𝛽2 𝑉𝑎𝑟(𝑋)

= −430.36(2.027)

= −872.34

𝑉𝑎𝑟(𝑌) = 424820.51
−872.34
𝜌=
√2.027√424820.51
𝜌 = −0.94
∴ 𝐿𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑒𝑠𝑡𝑎𝑛 𝑎𝑙𝑡𝑎𝑚𝑒𝑛𝑡𝑒 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑑𝑎𝑠 𝑝𝑒𝑟𝑜 𝑑𝑒 𝑚𝑎𝑛𝑒𝑟𝑎 𝑖𝑛𝑣𝑒𝑟𝑠𝑎.
𝑆𝑦
La relación entre el parámetro y el coeficiente de correlación es: 𝛽2 = 𝜌
𝑆𝑥
es por eso que realizamos la prueba de hipótesis para 𝛽2 .

Planteamos la hipótesis: 𝐻0 ∶ 𝛽2∗ = 0 𝐻1 ∶ 𝛽2∗ ≠ 0

Valor calculado:

(𝛽̂2 − 𝛽2∗ ) −430.36 − 0

𝑇0 = = = −6.759
𝑆𝛽̂2 63.67

Valor Crítico: 𝑇(1−𝛼)(𝑛−𝑘) = 𝑇(0.975)(8−2) = 𝑇(0.975)(6) = 2.447

2

R.A.

R.C. R.C.
-6.759 -2.447 2.447 6.759

Decisión:

Como 𝑡0 < 𝑡𝑐𝑟í𝑡𝑖𝑐𝑜 → 𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0 . 𝑆𝑒 𝑎𝑐𝑒𝑝𝑡𝑎 𝑙𝑎 ℎ𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝑎𝑙𝑡𝑒𝑟𝑛𝑎𝑡𝑖𝑣𝑎.

Por lo tanto, el coeficiente de correlación y el número de licencias de

construcción y la tasa de interés es significativamente distinto de cero

∴ 𝐸𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎.

c) ¿En qué porcentaje se reduce la suma de cuadrados de las desviaciones del

número de licencias al utilizar como predictor a la tasa de interés en lugar
del simple promedio del número de licencias anuales?

Si utilizamos como predictor al promedio del número de licencias anuales, el

modelo será:

𝑌𝑖 = 𝑌 + 𝜀𝑖 → 𝑌𝑖 = 1928.25 + 𝜀𝑖
𝑛
2 2
∑ 𝜀𝑖,1 = 𝑒 ′ 𝑒 = 𝑌 ′ 𝑌 − 𝑛𝑌 = 33143750 − 8(1928.25)2 = 3398565.5
𝑖=1

Si ahora utilizamos la tasa de interés como predictor, el modelo será:

𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2 + 𝜀𝑖 → 𝑌𝑖 = 5344.22 − 430.36 𝑋𝑖 + 𝜀𝑖
 𝑛

∑ 𝜀12 = 𝑒 ′ 𝑒 = 𝑌 ′ 𝑌 − 𝛽̂ ′ (𝑋 ′ 𝑌)
𝑖=1
15426
= 331437050 − [5344.22 − 430.36] [ ]
115464
𝑛
2
∑ 𝜀𝑖,2 = 393666.536
𝑖=1

Finalmente, hallamos el porcentaje de reducción de la suma de cuadrados de las

desviaciones:

∑𝑛𝑖=1 𝜀𝑖,2
2
− ∑𝑛𝑖=1 𝜀𝑖,1
2
393666.54 − 3398565.5
⇒ Variacion% = 𝑛 2 = = −0.88
∑𝑖=1 𝜀𝑖,1 3398565.5

∴ 𝐸𝑙 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑎𝑗𝑒 𝑑𝑒 𝑟𝑒𝑑𝑢𝑐𝑐𝑖ó𝑛 𝑒𝑠 𝑑𝑒𝑙 88% (𝑒𝑠𝑡𝑜 𝑒𝑠 𝑒𝑙 𝑅2 𝑑𝑒𝑙 𝑚𝑜𝑑𝑒𝑙𝑜 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜)

d) Si los indicadores económicos indican que la tasa de interés para primeras

hipotecas será del 8.5% el próximo año, obtenga una predicción interválica
del 95% de confianza para el número de licencias de construcción que se
otorgarán durante el año entrante.

𝑌̂𝑖 = 𝛽̂1 + 𝛽̂2 𝑋2 ; 𝑆𝑒2 = 𝜎̂𝜀2 𝑋𝑜2 = 8.5%

𝑌𝑖 − 𝑌̂𝑖
𝑇= ⇒ 𝑡(𝑛−𝑘)
√𝑆𝑢̂2 (1 + 𝑋0 ′(𝑋 ′ 𝑋)−1 𝑋0 )

𝐿 = 𝑌̂𝑖 ± 𝑡(𝑛−𝑘) √𝑆𝑢̂2 (1 + 𝑋0 ′(𝑋 ′ 𝑋)−1 𝑋0 )

Dónde:

 𝑌̂𝑖 = 5344.21965 − 430.36(8.5) = 1686.18695

 𝑡(𝑛−𝑘) = 𝑡(8−2) = 2.447

 𝑆𝑢̂2 = 𝜎̂𝑢̂2 = 65751.70167

1
 𝑋′1 = [1 8.5] 𝑋1 = [ ]
8.5
Reemplazando:
𝐿
= 1686.18695
4.009633911 −0.489402 1
± (2.447)√65751.70167[1 + [1 8.5] [ ][ ]
−0.4894026975 0.06165703276 8.5

𝐿 = 1686.18695 ± (2.447)(274.3235182)

𝐿𝑖 = 1014.917301 𝐿𝑠 = 2357.456599

∴ [1014.917301 2357.456599] 𝑒𝑠 𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒

𝑐𝑜𝑛𝑠𝑡𝑟𝑢𝑐𝑐𝑖𝑜𝑛𝑒𝑠 𝑝𝑟𝑒𝑑𝑖𝑐ℎ𝑜 𝑐𝑜𝑛 95%

Solucionado por el Grupo 10: Carrasco Carrasco Josué , De la Zota Solano Katherine ,
Fernandez Ferrel Jhonny, Rojas Mezarina Carlomagno, Santamaría Bances Anabel.

2. Dado el siguiente modelo Consumo-Renta: Ci = α + β Yi + εi

Se han obtenido los intervalos de confianza del 95% (29,48; 37,78) y (0,10; 0,41)
para α y β, respectivamente. Con esta información, ¿Puede admitirse, al nivel de
confianza supuesto, que un aumento en una unidad de la renta produce un aumento
de 0.7 unidades en el consumo?

Resolución

Los intervalos de confianza al 95% de α y β son:

29.48    37.78 0.10    0.41

RPTA: ya que el intervalo para este parámetro se encuentra solo entre

0.10    0.41 entonces al 95% de confianza NO se pude afirmar que el aumento
de una unidad del ingreso afecte en un 0.7 unidades al consumo ya que no se
encuentra en el intervalo hallado.

Solucionado por el Grupo 12: Cotacallapa Amanqui Pavel, Medina Bautista Ingrin, Monzón
Morillas Stefany, Ramos Torres Luis, Vicharra Chamorra Rosa.

3. Para las variables Y, X2, X3, X4 se obtuvo los siguientes resultados acerca de sus
productos cruzados:

Y`Y = 10
  3  10 4 2 0  0.1364  0.0682 0.0455 0 
  3 4 8 0 0   0.0682 0.1591  0.0227 0 
X ´Y    X `X   ( X ` X ) 1  
  2  2 0 6 0  0.0455  0.0227 0.1818 0 
     
 3 0 0 0 8  0 0 0 0.125

a) Obtenga las estimaciones por MCO del modelo lineal para Y en X2

b) Obtenga la predicción interválica para Y, al 95% de confianza, dado X2 = 0.5
c) Obtenga las estimaciones MCO para el modelo completo
d) Probar la significancia conjunta de las variables X2 y X3

Solución:

a) Obtenga las estimaciones por MCO del modelo lineal para Y en X2

Modelo: Y = β1 + β 2 X2+ µ1

10 4 −1 3 0.5625 β
𝛽= ( X `X ) 1 ( X ´Y ) = [ ] [ ]= [ ] = [ 1]
4 8 −3 −0.656 β2

Y = 0.5625 – 0.656 X2

Solucionado por el Grupo 9: CABREJO CULCAS, Araceli de Jesús; ESPINOZA RIVERA,

Lady Isabel; GONZALES CAPUÑAY, María Elizabeth; LLOJA MORAN, Andrés Alejandro;
URRIOLA CANCHARI, Nadia.

b) Predicción Y (individual)
A un 95% de confianza dado X2i = 0,5

L= yˆ i  t ( n  k ) x S 2ˆ (1  X 01 ( X ' X ) 1 X 0 )

Donde:

 yˆ i  ˆ  ˆ X 2i  0,5625  (0,65625)(0,5)  0,234375

 t(n-k) = t(10-2)97,5% = t(8, 97,5%) = 2,306

  3
10  0,5625  0,65625 
 uˆ  y' y  (ˆ )' ( x' y) 
2

S uˆ2   3
nk nk 8

10  (3,65625)
 S uˆ2   0,79296875
8

 1
 X 01  1 0,5  X0 = 0,5
 
Reemplazando

L = 0,234375  (2,306)

  0,125  0,062 1  
0,792968751  1 0,5  0,5 0,8738912109
  0,062 0,1562    

Li = 1,921323347

LS = 2,390073347

Solucionado por el Grupo 14: De la cruz vilcas, Josué; Fernández Torres, Karl; Huanca
Medina, José; Quispe Saavedra, Luis.

c) Obtenga los estimadores MCO para el modelo completo

El modelo completo se representa por 𝑌𝑖 = 𝛽̂1 + 𝛽̂2 𝑋2𝑖 + 𝛽̂3 𝑋3𝑖 + 𝛽̂4 𝑋4𝑖 + 𝜀𝑖

Reemplazando los valores en: 𝛽̂ = (𝑋′𝑋)−1 𝑋′𝑌

 0.1364 −0.0682 0.0455 0 3 0.5228
𝛽̂ = [−0.0682 0.1591 −0.0227 0 ] × [−3] = [−0.6365]
0.0455 −0.0227 0.1818 0 −2 −0.159
0 0 0 0.125 3 0.375

𝛽̂1 = 0.5228

𝛽̂2 = −0.6365

𝛽̂3 = −0.159

𝛽̂4 = 0.375

Por lo tanto el modelo completo se representaría de la siguiente manera:

𝑌𝑖 = 0.5228 − 0.6365 𝑋2𝑖 − 0.159 𝑋3𝑖 + 0.375𝑋4𝑖

Solucionado por el Grupo 13: CHIRIHUANA ALVARADO PAMELA; LANDA PALOMINO

ADRIÁN DANIEL; PAREDES MINAYA DANIELA RAISA; VILCATOMA CASTILLO MARIA
ISABEL.

d) Probar la significancia conjunta de las variables X2 y X3


H0 :  2 = 0 ;  3 = 0 H1 :  2  0 o 3  0

Usaremos la prueba F; calculando R

0 1 0 0
𝑅=[ ]
0 0 1 0

Ahora necesitamos: 𝑅(𝑋´𝑋)−1 𝑅´

0.1364 −0.0682 0.04550 0 0 0

0 1 0 0 −0.0682 0.1591 −0.0227 0 1 0
𝑅(𝑋´𝑋)−1 𝑅´ = [ ][ ][ ]
0 0 1 0 0.0455 −0.0227 0.1818 0 0 1
0 0 0 0.125 0 0
0.1591 −0.227
𝑅(𝑋´𝑋)−1 𝑅´ = [ ]
−0.0227 0.1818
6.39936 0.79904
[𝑅(𝑋´𝑋)−1 𝑅´ ]−1 = [ ]
0.79904 5.60032
0.5228
0 1 0 0 −0.6365 0
También tenemos que: 𝑅𝛽̂ − 𝑟 = [ ][ ]−[ ]
0 0 1 0 −0.159 0
0.375
 −0.6365
𝑅𝛽̂ − 𝑟 = [ ]
−0.159

Tenemos que la formula de la prueba F es:

{(𝑅𝛽̂ − 𝑟)[𝑅(𝑋´𝑋)−1 𝑅`]−1 (𝑅𝛽̂ − 𝑟)}/𝑞

𝐹=
𝑒è/(𝑛 − 𝑘)

Reemplazando los valores tenemos:

[−0.6365 −0.159] [6.39936 0.79904] [−0.6365] /2

𝐹= 0.79904 5.60032 −0.159
0.84652

𝐹 = 1.71

El F de tabla:

𝐹(𝑞,𝑛−𝑘)

𝐹(2,6) = 5.14

Zona de
rechazo

5.14 𝐹(𝑞,𝑛−𝑘)

Como el 𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑑𝑜 < 𝐹𝑡𝑎𝑏𝑙𝑎 , entonces aceptamos la hipótesis nula.

Solucionado por el Grupo 15: Mery Gamarra Caya, Luis Gustavo Pezo Hualpa, Alex Roman
Rojas.

4. En un estudio sobre 89 empresas, la variable dependiente fue el costo total (X 1) y

las variables explicativas la tasa de producción (X2) y la tasa de absentismo (X3).
Las medias fueron:
x 1 = 5.8; x 2 = 2.9; x 3 = 3.9;
 y la matriz de las sumas de los cuadrados y productos cruzados en desviaciones de
media:

X1 X2 X3

113.6 36.8 39.1 


A   36.8 50.5  66.2
 39.1  66.2 967.1 

Estime la relación entre X1 y las otras dos variables. Elaborar una tabla de análisis de
varianza para indicar la reducción en la suma de los cuadrados debida al ajuste de X 2, la
reducción adicional debida al ajuste de X3, y la reducción total debida a X2 y X3
conjuntamente.

Solución:

113.6 36.8 39.1 


𝑥̅ ´𝑥̅  36.8 50.5  66.2

 39.1  66.2 967.1 

(X1 - 𝑋̅1) = 𝛽2 (X2 - 𝑋̅2) + 𝛽3 (X3 - 𝑋̅3)

̂2
𝛽 50.5 −66.2 −1
36.8 0.8587
−1
[ ] = [𝑥̅ ´𝑥̅ ] [𝑥̅ ´𝑥̅ ] = [ ] [ ]=[ ]
𝛽̂3 −66.2 967.1 39.1 0.0994

̂1 = 𝑋̅1 - 𝛽
𝛽 ̂2 𝑋̅ 2 - 𝛽̂3 𝑋̅ 3 = 2.923

X1= 2.923 + 0.8587x2 + 0.0994x3+ e

Para el modelo x1 = β1 + β2 x2 + ε

SCR = 𝛽̂ ∑(X1 – 𝑋̅ 1)2

36.8
𝛽̂ = = o.73
50.5

SCR = o. 732 (50.5) = 26.32

En el modelo bivariante la SCR es 26.32

X1= 𝛽1 + 𝛽2 x2 + 𝛽3 x3 +ε

̂2 ´[𝑥̅ ´𝑥̅ ] = [0.8587 36.8

SCR = 𝛽 0.0994] [ ]
39.1
SCR = 35.487
ANALISIS DE VARIANZA

Grados Razón
Suma de
Fuente de variación de Cuadrado Medio
Cuadrados F
libertad

35.48
Debido a x2 y x3 35.48 K -1 = 2 = 17.74 19.54
2

Debido a x2 26.82 1 26.82 29.54

Debido a la adición
8.66 1 8.66 9.54
de x3

78.117
Debido al error 78.117 86 =0.908
86

Total 113.60 88

Solucionado por el Grupo 20: Huaman Tauccaya, Helber Francisco; Miralles Rosas,
Ronald Oswaldo; Alex sandher Quillilli Bonilla; Elias Moreno Alfaro; Requena Suárez,
Oscar David.

6. Para estimar la relación entre las variables X e Y se han estimado los modelos
a) yi =  +  xi + I
b) lnyi =  +  xi + i
c) yi =  + lnxi + i
d) lnyi =  + lnxi + I
 ln y y / y
Si en d)    se interpreta como la elasticidad de Y ante los
 ln x x / x
cambios en X, ¿cómo se interpretaría  para los otros modelos?

Solución:

𝜕𝑦
a) yi =  +  xi + i ⟹ = 𝑐𝑎𝑚𝑏𝑖𝑜𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜𝑒𝑛𝑌
 = 𝑐𝑎𝑚𝑏𝑖𝑜𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜𝑒𝑛𝑋
𝜕𝑥

: Representa el cambio absoluto en Y cuando hay un cambio absoluto en el valor de X.

 𝜕𝑙𝑛𝑦
=
cambio relativo en Y
c) lnyi =  +  xi + i ⟹  = cambio absoluto en X
𝜕𝑥

: Representa el cambio proporcional constante o relativo en Y cuando hay un cambio

absoluto en el valor de X.

𝜕𝑦
c) yi =  + lnxi + i ⟹ = =
cambio absoluto en Y
𝜕𝑙𝑛𝑥 cambio relativo en X

: Representa el cambio absoluto en Y cuando hay un cambio relativo en el valor de X.

Solucionado por el Grupo 34: Cahuana Castillo Bernith, Alvarez Escalante Leonardo.