Professional Documents
Culture Documents
Solucionario Prctica 3
1. En el modelo de regresin mltiple
Y = 1 +3 2 X 4 i+ 3 X 3 i + 4 X 4 i+u i
Y = 1 + 3 X 3i + ( 3 2 + 4 ) X 4 i+ui
Notamos que existe multicolinealidad perfecta en la regresin.
Los parmetros estimables son
3 , ya que el coeficiente de
Jeanmarco Velsquez.
2. Comente la siguiente proposicin;
Solucin
si
definimos
el
parmetro
se tiene
Y
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
X2
10227
10872
11350
8775
8539
9994
11046
11164
10559
8979
8535
7980
9179
10394
11039
11450
X3
112
111
111.1
117.5
127.6
135.7
142.9
153.8
166
179.3
190.2
197.6
202.6
208.5
215.2
224.4
X4
121.3
125.3
133.1
147.7
161.2
170.5
181.5
195.3
217.7
247
272.3
286.6
297.4
307.6
318.5
323.4
X5
776.8
839.6
949.8
1038.4
1142.8
1252.6
1379.3
1551.2
1729.3
1918
2127.6
2261.4
2428.1
2670.6
2841.1
3022.1
X6
4.89
4.55
7.38
8.61
6.16
5.22
5.5
7.78
10.25
11.28
13.73
11.2
8.69
9.65
7.75
6.31
79367
82153
85064
86794
85846
88752
92017
96048
98824
99303
100397
99526
100834
105005
10750
109597
SOLUCION:
a) Desarrolle un modelo lineal o log-lineal apropiado para estimar una funcin
de demanda de automviles en Estados Unidos.
Se propone el modelo log lineal siguiente:
Test de Ortogonalidad:
|R|=0.0000291
2CALC = n1
( 2k + 5 )
ln|R|
6
2CALC = 161
10+ 5
(10.44477238)
6
Test F
El
X3 :
R2max =0.996132
FCALC =
R 2max / ( K1 )
2
max
(1R ) / ( N K )
0.996132/4
=93.64783304
(10.996132)/11
Test t
El
X2 :
r max =0.996865
t CALC =
r 2max n2
1r
2
max
0.996865 14
=66.61646657
10.996865
Sin
Solucionado por: Valencia Ortiz, Stephania; Ramos Torres, Luis; Torres Polanco,Diana;
BarrantesLimahuaya, Jess, Meza Sales, Richard.
4. Dada la funcin de consumo Keynesiana, en la que el consumo es funcin lineal de la renta
disponible, se pretende contrastar para datos referidos a una muestra de familias peruanas,
si el consumo autnomo difiere segn la familia reside en las ciudades de Lima, Trujillo o
Arequipa.(unidades en cientos de S/.)
Familia
1
2
3
4
5
6
7
8
9
10
11
12
13
Ciudad de Residencia
Lima
Lima
Lima
Lima
Lima
Trujillo
Trujillo
Trujillo
Trujillo
Arequipa
Arequipa
Arequipa
Arequipa
Consumo
9
16
62
20
6.8
19
12
30
10
6
25
15
22
Renta disponible
10
20
100
25
8
30
20
50
18
10
40
25
34
Included observations: 13
Variable
Coefficient
C
0.794799
RENTAD
0.594686
LIMA
2.578428
TRUJILLO
-0.588044
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.996094
0.994792
1.059430
10.10153
-16.80650
3.212438
Std. Error
0.631800
0.012637
0.713896
0.749670
t-Statistic
1.257992
47.06096
3.611772
-0.784404
Prob.
0.2401
0.0000
0.0056
0.4530
19.44615
14.68063
3.200999
3.374830
765.0773
0.000000
Series: Residuals
Sample 1 13
Observations 13
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
3
2
5.12E-16
-0.100481
1.759616
-1.330718
0.917494
0.370236
2.102938
1
Jarque-Bera
Probability
0.732885
0.693196
0
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
2.0
0.995827
0.994993
1.038852
Std. Error
0.508275
0.012382
0.594543
t-Statistic
1.006235
47.99738
4.834033
Prob.
0.3380
0.0000
0.0007
19.44615
14.68063
3.113283
10.79213
-17.23634
2.934236
Schwarz criterion
F-statistic
Prob(F-statistic)
3.243656
1193.212
0.000000
Series: Residuals
Sample 1 13
Observations 13
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
4
3
2
1
Jarque-Bera
Probability
1.81E-15
-0.328586
1.756759
-1.339966
0.948338
0.365802
2.105622
0.723210
0.696557
0
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
2.0
^ 1=0.7948
^ 2=0.5947
^ 3=2.5784
Es el efecto diferencial, es decir, el cambio en el
consumo medio que se produce por ser una familia residente en
Lima y no en Arequipa. Se estima que entre las familias con la
misma renta disponible, el consumo medio de la residente en
Lima es 257.84 ms que la que reside en Arequipa.
^ 4=0.5880
R2=0.996
Series: Residuals
Sample 1 13
Observations 13
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
3
2
5.12E-16
-0.100481
1.759616
-1.330718
0.917494
0.370236
2.102938
residuos.
Estos
resultados
nos
indican que la media
aritmtica del error
ser siempre nula.
1
Jarque-Bera
Probability
0
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
2.0
0.732885
0.693196
Aparecen en primer
lugar dos medidas de
tendencia central de
la serie:
residual.
La desviacin tpica (Std. Dev.) de la serie residual 0.92 que
tiende a uno (raz de la varianza de los residuos).
Por ltimo algunos clculos que ayudan a valorar la normalidad
estadstica de la serie residual:
hiptesis nula.
Para:
q= 1
k= 4
n= 13
Se puede expresar as:
1
'
F=( R ^r ) [ RV ( ^ ) R ' ] ( R ^r )
Calculando R:
R= [ 0 0 1 1 ]
Necesitamos
^ '
RV ( ) R :
][ ]
[]
0
RV ( ^ ) R =[ 0.013489 0.000495 0.227127 0.279485 ] 0
1
1
'
RV ( ^ ) R ' =0.506612
1
[ RV ( ^ ) R' ]
=1.973897
^
R r :
[ ]
0.794799
R ^r= [ 0 0 1 1 ] 0.594686 [ 0 ]
2.578428
0.588044
^ )' =3.166472
R ^r=( R r
Remplazamos:
F=( 3.166472 ) [ 1.973897 ] (3.166472 )
F=19.791
El F tabulada:
F( q ,nk )=F (1,134 )=F( 1,9)
F( 1,9)=5.117
Regin de
Rechazo
0.05
Regin de
Aceptacin
0.95
F= 19.79
5.12
Como
rechazamos
la
Hiptesis
nula
( H0) , y
concluimos
que
los
consumos
autnomos
si
difieren
significativamente respecto a una familia que reside en Lima sobre
una que reside en Trujillo.
a) Se estim un segundo modelo obtenindose los siguientes
resultados:
Dependent Variable: CONSUMO
Method: LeastSquares
Date: 12/07/01 Time: 00:21
Sample: 1 13
Included observations: 13
Variable
Coefficie Std. Error t-Statistic
nt
C
0.51144 0.508275 1.006235
4
RENTAD
0.59431 0.012382 47.99738
0
LIMA
2.87403 0.594543 4.834033
9
R-squared
0.99582
Mean dependent
7
var
Adjusted
R- 0.99499
S.D. dependent var
squared
3
S.E. of regression 1.03885 Akaike info criterion
2
Sum
squared 10.7921
Schwarz criterion
resid
3
Log likelihood
F-statistic
17.2363
4
Durbin-Watson
2.93423 Prob(F-statistic)
stat
6
Prob.
0.3380
0.0000
0.0007
19.446
15
14.680
63
3.1132
83
3.2436
56
1193.2
12
0.0000
00
Series: Residuals
Sample 1 13
Observations 13
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
4
3
2
1
Jarque-Bera
Probability
1.81E-15
-0.328586
1.756759
-1.339966
0.948338
0.365802
2.105622
0.723210
0.696557
0
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
2.0
RENTAD
0.004350
0.000153
LIMA
0.116521
0.000648
0.353481
0.000648
Modelo estimado:
^
CONSUMO i=0.511444 +0.594310 RENTADi +2.874039 LIMA i+ i
Donde se puede observar que a diferencia del modelo anterior, todos
los regresores son significativos para la explicacin del modelo y la
^ 1=0.5114
^ 2=0.5943
^ 3=2.8740
Al igual que en el
modelo
anterior,
analizando
el
Mean
1.81E-15
4
histograma
de
Median
-0.328586
Maximum
1.756759
frecuencias
en
los
3
Minimum
-1.339966
residuos con un JB de
Std. Dev.
0.948338
Skewness
0.365802
2
0.7232 no rechazamos
Kurtosis
2.105622
la hiptesis nula de
1
Jarque-Bera
0.723210
distribucin normal en
Probability
0.696557
0
los residuos. Adems de
-1.5 -1.0 -0.5
0.0
0.5
1.0
1.5
2.0
una
probabilidad
de
69.66% (mayor al 5%) de no rechazar la hiptesis nula de normalidad.
5
Series: Residuals
Sample 1 13
Observations 13
^
CONSUMO i=0.511444 +0.594310 RENTADi +2.874039 LIMA i+ i
Prediccin puntual:
^ =0.511444 +0.594310 (30)+2.874039( 1)
Y
Y^ =21.214783
Prediccin intervlica:
1
L=Y^ i t S 2e ( 1+ X 'i ( X ' X ) X i )
1
L=Y^ i t
S + X V ( ^ ) X
2
e
'
i
Donde:
Y^ =21.214783
t ( nk )=t (133 )=2.228
S 2e =
e 2 = 10.79213 =1.079213
nk
133
X 'i= [ 1 30 1 ]
Remplazamos:
][ ]
[]
1
X 'i V ( ^ ) X i=[ 0.011323 0.000408 0.21752 ] 30
1
X 'i V ( ^ ) X i=0.216603
Intervalos:
L=21.214783 2.228 1.079213+0.216603
L=21.214783 2.536220
Li=18.678563
Ls=23.751003
Por lo tanto el consumo medio de una familia residente en Lima y con
una renta disponible de S/3000 soles se estima con 95% de confianza
entre los intervalos [ 18.678563,23.751003 ] .
Solucionado por: Delgado Aragn, Rodrigo, Ibaez Campos, Marcia, Ppampas Ogosi, Liliana
Con i
N(0,2)
Se pide:
a) Obtener la estimacin MCO del modelo. hay problema de multicolinealidad?
Justifique.
b) Contrastar al nivel del 5% de significancia : H 0 : 1 + 32 = 2 y 3 =1
c) Dados los valores postmuestrales X2 11 = 1; X3 11 = 1
c1) Obtener una prediccin puntual e intervlica para Y11
c2) Si Y11= 0.8, verificar si puede aceptarse que exista permanencia estructural, al nivel de
significancia del 5%
Solucin
a
Obtener la estimacin MCO del modelo. hay problema de multicolinealidad?
Justifique.
SOLUCIN:
^
=
0.058152
^= 1.446192
0.464622
Por lo tanto:
1=0.058152
2=1.446192
3=0.464622
Yi = -0.058152 + 1.446192 x2i 0.464622 x3i
Hay problema de multicolinealidad?
rX
2 X3
1 r 23
r 32 1
X 2 X 3n X 2 X 3
SX SX
2
= 0.9627
Determinando la matriz de correlaciones:
R =
1
0.9627
0.9627
1
13.6596 13.15
13.15 13.6596
FIV X 3 X 2 = 13.6596 10
FIV X 2 X 3 = 13.6596 10
El factor de incremento de varianza es mayor que 10, por lo tanto existe
multicolinealidad entre las variables.
b
H 0 : 1 +3 2=2
3=1
SOLUCIN:
A partir de la hiptesis mencionada, obtenemos la matriz de las restricciones lineales:
H 0 : R=r 1 3 0
0 0 1
][
] []
0.058128
2
1.450738 =
1
0.455894
F( q ;nk )
es
][] [
( R ^r ) = 4.294086 2
0.455894
2.294086
1.455894
'
( R ^r ) = [ 2.2940861.455894 ]
][
][ ]
'
1 '
R( X X ) R = 0.3048970.049069
0.049069 0.012241
= 9.2421356937.0478193
37.0478193 230.201736
R ^r
][
144.55
1.2000497
F=120.45589
F(q ,nk )=F(2,7) =4.74
se rechaza la
H 0 , por lo tanto se
X 2 11 =1; X 311 = 1
Y 11
X 2 11 =1 X 311 =1
De acuerdo al modelo estimado con la data inicial se predice el valor de la variable Y un
horizonte adelante
Prediccin puntual:
Y^ i= ^ 1 + ^ 2 X 2 i + ^ 3 i X 3i
Reemplazando
para
i=11
S 2u^ =
e ' e 8.778
=
=1.254
nk 103
'
Hallando: X 0 '( X X ) X 0
)( )
'
0.012241
X 0 ' ( X X ) X 0 =0.1017
L1=3.716 L2=1.848
Y 11
que en el momento t=11 Y tomar un valor situado entre -1.848 y 3.716 u.m.
.
C2) verificar si puede aceptarse que exista permanencia estructural, al nivel de
significancia del 5 %
Solucin
Hacemos el Test predictivo de un periodo.
Hiptesis nula: Hay estabilidad
X t 1 X t 1
1 X t
1+ X t
e
et
T =
X t 1 X t 1
1 X t
1+ X t
e
T= t
Para
e t=Y 11 Y^ 11
e t=0.80.936=0.136
1
T=
0.136
=0.1296
1+0.1017
t tab = 2.3
El t calculado es muy cercano a cero y cae dentro de la regin de aceptacin de la
hiptesis nula, entonces concluimos que hay estabilidad en el modelo.
Solucionado por: Alarcon Alvarez, Debora Mabel; Caari Maza, Edith Lucia; Espinoza
Vega, Whinny Daise; Ruiz Delgado, Diego; Paucar Ramirez,Ibeth del Rosario; Pichiua
Tenorio, Flor Maria.
6. En un muestreo de 100 grandes y medianas empresas de la industria qumica de un pas
se ha obtenido la siguiente regresin referida al personal empleado en dicho sector:
E = 2.3 + 0.05 T 2.4 C + 1.9 F + e
(S =0.037) (S =0.53) (S =0.61)
donde:
E = n de empleado de una empresa (medido en cientos de personas)
T = 1 si la empresa incorpora los ltimos adelantos tecnolgicos y 0 en caso contrario.
C = 1 si existen empresas competidoras en un radio de 50 km y 0 en caso contrario.
F = 1 si hay una empresa complementaria (farmacutica, por ejemplo) en un radio de 50
km y 0 en caso contrario.
a) Justifique si es verdadero o falso y, en caso de que lo sea corregirlo:
a1) Una empresa con tecnologa de punta tiene, por trmino medio, cinco empleados ms
que una que no est en la vanguardia de la innovacin.
a2) Por cada empresa de la competencia existente en un radio de 50 km, una empresa de
la industria qumica contrata 240 trabajadores menos.
b) Dar una interpretacin del coeficiente de F y analizar su significancia
Solucionario
representa el efecto
2=0.05
El coeficiente
en cientos de personas, un
H 0 : ^ 4 =0 H 1 : ^ 4 0
*Estadstica de prueba:
T0=
( ^ 4 4 )
S ^
1.90
=3.115
0.61
*Valor Crtico:
T
*En la grfica:
=T (0.975)(1002) =T (0.975)(98)=1,984
(1 )(nk)
2
Conclusin: Con una confianza del 95% podemos decir que se rechaza
la hiptesis nula, ya que como apreciamos en el grafico T tabla < T
calculado, T tabla>Tcalculado , esto nos muestra que el coeficiente
4
Plantee el modelo para evaluar el efecto diferencial de la instruccin en las ventas medias.
Proporcione la matriz (XX), (XY).
Plantee el modelo para evaluar el efecto total de la instruccin en las ventas, considerando
el efecto interactivo en la puntuacin de razonamiento verbal y en la puntuacin de inters
vocacional. Proporcione las matrices (XX), (XY).
Agente
1
2
3
4
5
6
7
8
Y
1
3
4
2
1
2
2
5
X2
1
2
3
4
1
2
3
4
X3
1
5
4
3
2
3
2
5
I
0
0
0
0
1
1
1
1
9
10
Media
S
c)
3
6
2.9
1.66
5
5
3.0
1.49
2
6
3.3
1.64
1
1
0.6
0.516
Se estim el siguiente modelo. Analice e interprete a los coeficientes del modelo e indique
la importancia relativa de las variables regresoras. Es vlido hacer inferencia con el modelo
por qu?
Dependent Variable: Y
Method: Least Squares
Sample: 1 10
Included observations: 10
Variable
Coefficient
C
-0.849928
I
0.257129
X2
0.420735
X3
0.707105
R-squared
0.891747
Adjusted R-squared
0.837620
S.E. of regression
0.670262
Sum squared resid
2.695505
Log likelihood
-7.634388
Durbin-Watson stat
2.628830
Std. Error
t-Statistic
0.593732 -1.431501
0.455372
0.564658
0.177132
2.375255
0.154547
4.575339
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
Prob.
0.2022
0.5928
0.0551
0.0038
2.900000
1.663330
2.326878
2.447912
16.47520
0.002660
Series: Residuals
Sample 1 10
Observations 10
2.0
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
1.5
1.0
4.83E-16
-0.004350
0.759304
-0.954326
0.547266
-0.142098
2.142203
0.5
Jarque-Bera
Probability
0.340243
0.843562
0.0
-1.0
-0.5
0.0
0.5
1.0
Solucionario:
a) Plantee el modelo para evaluar el efecto diferencial de la instruccin en las
ventas medias. Proporcione la matriz (XX), (XY).
El modelo que planteamos es el siguiente:
Y = 1 + 2 X 2+ 3 X 3 + 4 I +
Esto dado que queremos saber cul es el efecto diferencial de tener un nivel de
instruccin superior frente a la opcin de no tenerlo respecto a las ventas
medias mensuales.
Nuestra matriz (XX) sera la siguiente:
[ ]
[
]
[]
n
X2i
( X X )=
X2i
i=1
n
i=1
n
X
i=1
2
2i
X3i
i=1
X 23 i
X 3 i X 3 i X 2i
i=1
i=1
n
n2
i=n1 +1
X2i
X2i X3i
i=1
n2
i=1
i=n1+1
X3i
i=n1+1
n
i=n1+1
n2
10 30 33 6
= 30 110 109 20
33 109 133 20
6 20 20 6
X 2i
X3i
4x4
4x 4
Yi
i=1
( X Y )=
29
103
=
117
19
X2iY i
i =1
n
X3iY i
i =1
4 x1
i=n1+1
Yi
4x 1
( X X )=
X2i
i=1
n
X2i
i=1
n
i=1
X2i X3i
2
2i
i=1
X 3 i X 2i
i=1
X 23 i
i=1
i=1
n
n2
n
X2i
X3i
i=n1+1
n
i=n1+1
X2i
2
2i
i=n1+1
n
i=n1+1
n
i=n1 +1
n2
i=1
X3i
X3i
i=n1+1
n
X3i X2i
10 30 33 6 20
30 110 109 20 80
( X X )= 33 109 133 20 74
6 20 20 6 20
20 80 74 20 80
20 74 82 20 74
i=n1+1
20
74
82
20
74
82
X2i
X3i
i=n1+1
X3i
n2
X 23 i
X2i
X3i
i=n1+1
n
i=n1+1
X 22 i
i=n1+1
n
i=n1+1
n
X3i X2i
X2i
X 22 i
i=n1+1
n
X2i X3i
i=n1+1
n
i=n1+1
n
X2i
i=n1+1
n
i=n1+1
n
i=n1+1
X 2i X 3 i
i=n1 +1
n
i=n1+1
n
X3i
X 2 i X 3i
X 23 i
X3i
i=n1 +1
n
i=n1 +1
n
i=n1+1
n
X 2 i X 3i
i=n1 +1
X 23 i
6x6
[]
n
Yi
i=1
X2iY i
i=1
n
X3iY i
( X Y )=
i =1
Yi
i=n1+1
n
X2iY i
X3iY i
[]
29
103
117
=
19
76
79
6x1
i=n1 +1
n
i=n1 +1
6x1
6x6
1=0.849928
I :
S 0.2571290.455372
2= ^ 2 I =
=0.0704
Sy
1.663330
Un cambio es una desviacin estndar en la variable (estandarizada) I
provocar un cambio de 0.0704 desviaciones estndar de la variable Y .
Por lo que podemos decir que es relativamente poco importante.
Para
X2
3= ^ 3
S x 0.4207350.177132
=
=0.0448
Sy
1.663330
2
0.0448
X2
Y .
X3
4= ^ 4
S x 0.7071050.154547
=
=0.0657
Sy
1.663330
3
0.0657
X3
Y .
2.5
Series: Residuals
Sample 1 10
Observations 10
2.0
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
1.5
1.0
4.83E-16
-0.004350
0.759304
-0.954326
0.547266
-0.142098
2.142203
0.5
J arque-Bera
Probability
0.340243
0.843562
0.0
-1.0
-0.5
0.0
0.5
1.0