PUBLICACIONES DE 3er CURSO

Licenciatura: L.A.D.E

Asignatura: ECONOMETRA II

COLECCION DE PROBLEMAS RESUELTOS Y PROPUESTOS

Grupos: 32, 33 y 34

Departamento: ANLISIS ECONMICO

Curso Acadmico: 2005/2006

Facultad de Ciencias Econmicas y Empresariales

Universidad de Zaragoza

PROBLEMAS RESUELTOS
Problema 1. Se ha estimado por MCO un modelo lineal entre las variables y t y xt utilizando 10 observaciones. La serie de residuos MCO obtenida es: t

t u

1 -0,76

2 -0,57

3 -0,24

4 -0,16

5 0,24

6 0,66

7 0,89

8 0,53

9 0,15

10 -0,74

Se pide: 1.1. Obtenga una estimacin consistente de la funcin de autocorrelacin muestral de los residuos. 1.2. Obtenga el valor exacto del estadstico de Durbin-Watson, y resuelva el contraste correspondiente. 1.3. A la vista de los resultados anteriores identifique, razonando la respuesta, que error se ha cometido en la especificacin del modelo. Solucin Problema 1. 1.1. La estimacin consistente de cada uno de los elementos que integran la funcin de autocorrelacin muestral de los residuos viene dada por la siguiente expresin: rj =

cj c0

u u u
t

t j

2 t

( j = 1,2, ..)

En este caso solo vamos a calcular los tres primeros elementos de dicha funcin.

t u
-0,76 -0,57 -0,24 -0,16 0,24 0,66 0,89 0,53 0,15 -0,74

t2 u
0,5776 0,3249 0,0576 0,0256 0,0576 0,4356 0,7921 0,2809 0,0225 0,5476 3,122

t 1 u

t u t 1 u

t 2 u

t u t 2 u

t 3 u

t u t 3 u

t - u t 1 u

t u t 1 )2 (u
0,0361 0,1089 0,0064 0,1600 0,1764 0,529 0,1296 0,1444 0,7921 1,6068

-0,76 -0,57 -0,24 -0,16 0,24 0,66 0,89 0,53 0,15

0,4332 0,1368 0,0384 -0,0384 0,1584 0,5874 0,4717 0,0795 -0,1110 1,756

-0,76 -0,57 -0,24 -0,16 0,24 0,66 0,89 0,53

0,1824 0,0912 -0,0576 -0,1056 0,2136 0,3498 0,1335 -0,3922 0,4151

-0,76 -0,57 -0,24 -0,16 0,24 0,66 0,89

0,1216 -0,1368 -0,1584 -0,1424 0,1272 0,0990 -0,6586 -0,7484

0,19 0,33 0,08 0,4 0,42 0,23 -0,36 -0,38 -0,89

A partir de esta informacin se obtiene: r1 =

9 = 0,1951 = 0,62 3,122 0,3122 10

1,756

0,4151 8 = 0,1662 r2 = 3,122 10

 0,7484
r3 =

3,122

7 = -0,3424

10
2

1.2. El valor exacto del estadstico de Durbin-Watson viene dado por: DW =

u ) (u u
t t 1 2 t

Atendiendo a los resultados de la tabla anterior, resulta: DW =

1,6068 = 0,5147 3,122

Como DW = 0,5147 < dL = 0,6 se rechaza la H0: = 0, al nivel de significacin del 5%, y hay evidencia para pensar que existe autocorrelacin positiva de primer orden. 1.3. Dado que existe un problema de autocorrelacin sabemos que ello viene provocado por un error de especificacin bien en la forma funcional, o en la determinacin de otros elementos de la parte sistemtica del modelo. Si representamos los residuos en funcin del tiempo resulta la tpica estructura curvilnea que refleja claramente un error en la forma funcional del modelo. Problema 2. Se ha estimado por MCO el modelo y t = + xt + u t , con T = 50 lo que produce una varianza estimada de 0,327. Para estudiar el supuesto de homoscedasticidad se dispone de la siguiente informacin relativa al estadstico de Goldfeld-Quandt (se ha tomado c=16):
MUESTRA ORDENADA CON SR1 SR2

t x

4,58 3,97

4,21 5,12

donde t es el tiempo En relacin con el estadstico de Breusch-Pagan se han obtenido los siguientes resultados ( en los tres casos, se ha incluido tambin una constante):
EXPLICATIVAS REGRESION AUXILIAR
2 R BP 2 BP

t 0,040 0,73 0,158 0,64 x t, x 0,292 0,55 Por ltimo, la ecuacin auxiliar del contraste de White genera una varianza estimada de 0,06. Utilizando toda esta informacin indique si existen problemas de heteroscedasticidad en la especificacin. Solucin Problema 2. Aplicamos primero Goldfeld-Quandt, para verificar la hiptesis nula de homoscedasticidad, suponiendo que ordenamos la muestra respecto a la variable tiempo: GQ =

4,21 = 0,92 4,58

15 15 Dado que en este caso se verifica que F15 (0,025) = 0,35 < 0,92 < F15 (0,975) = 2,86 se acepta la H0 de homoscedasticidad respecto al tiempo.

Si ahora ordenamos la muestra respecto a la variable exgena, resulta:

GQ =

5,12 = 1,29 3,97

se acepta la H0 de

15 15 F15 (0,025) = 0,35 < 1,29 < F15 (0,975) = 2,86

homoscedasticidad respecto a x. Para contrastar la misma hiptesis nula podemos ahora aplicar Breusch-Pagan, suponiendo distintas explicativas en la regresin auxiliar:

t2 u SUPUESTO 1: ~ 2 = f (t)
2 BP (T-k) = 0,73 48 = 35,04 SRBP =

SRBP 35,04 STBP = = 36,5 STBP 1 0,040 SE BP 36,5 35,04 = = 0,73 BP = 2 2

2 R BP = 1-

BP = 0,73 < 2 (1) = 3,8 se acepta la H0 de homoscedasticidad, al nivel de significacin del 5%. SUPUESTO 2: ~t2 = f (x)
2 BP SRBP = (T-k) = 0,64 48 = 30,72

2 u

ya que la suma total es la misma para todas las regresiones podemos pasar a calcular el valor del estadstico: BP =

SE BP 36,5 30,72 = = 2,88 2 2

BP = 2,88 < 2 (1) = 3,8 se acepta la H0 de homoscedasticidad, al nivel de significacin del 5%. SUPUESTO 3: ~t2 = f (t, x) SRBP = 0,55 47 = 25,85 BP =

2 u

SE BP 36,5 25,85 = = 5,33 2 2

BP = 5,33 < 2 (2) = 6 se acepta la H0 de homoscedasticidad, al nivel de significacin del 5%. Por ltimo, podemos aplicar el contraste de White basado en la regresin auxiliar:
2 u t = 0 + 1 x t + 2 x 2 t + et

2 y calcular a partir de ella, el estadstico T Rw . Para obtener este ltimo, hallamos primero la suma residual de dicha regresin auxiliar como: 2 w SRw = (T-k) = 0,06 47 = 2,82

y para obtener la suma total de esa ecuacin, procedemos del modo siguiente: STw =

~ - ) = (u (u T ~ -2T ~ = +T = u u
2 t

2 t

2 t

2 2 4 t

) =

~4 - 2 ~2 u t4 + T t2 ) = (u

4 t

~4 . - T

2 (T k ) 48 0,327 2 ~ = = = 0,31 T 50 t4 u ~4 t4 = (STBP + T) STBP = ~ 4 - T u u

4 t

= (36,5 + 50) (0,31)2= 8,31.

STw = 8,31 50 0,0961 = 3,5

2 Rw =1-

2,82 = 0,195 3,50

Con lo cual: W = 50 0,195 = 9,75 W = 9,75 > 2 (2) = 6 se rechaza la H0 de homoscedasticidad, al nivel de significacin del 5%. En resumen, aunque los contrastes particulares no detectan sntomas de heteroscedasticidad en el modelo, el contraste genrico de White s que encuentra indicios de este problema. Problema 3. Los errores asociados a la forma funcional de un modelo tienen consecuencias mltiples sobre la estimacin MCO. En concreto, suponga que el proceso generador de los datos (PGD) es el siguiente:

1 y t = 0,25 + 4,5 x t

+ t

t iid N(0,2).

y se ha ajustado el modelo lineal simple: y t = + xt + u t Examine analticamente las consecuencias de este error en relacin a los supuestos asumidos habitualmente con respecto a: 3.1. E [ut] 3.2. V [ut] 3.3. Cov [ut , ut-s] para s 0 3.4. Normalidad de ut. Solucin Problema 3. La situacin planteada por el problema hace referencia a establecer un PGD del tipo:

y t = h(xt,) + t
cuando el modelo utilizado es de la forma: y t = xt + u t Bajo este planteamiento, la perturbacin aleatoria del modelo considerado ser: u t = y t - xt = h(xt,) + t - xt = g(xt,) + t A partir de aqu podemos analizar cada uno de los supuestos considerados: 3.1. E[ u t ] = E[g(xt,) + t] = g(xt,) 0 Con lo cual, el valor esperado de la perturbacin aleatoria del modelo considerado ser, en general, diferente de cero. 3.2. V[ u t ] = E[ u t - E( u t )]2 = E[t]2 = 2. De manera que se sigue cumpliendo la hiptesis de varianza constante. 3.3. Cov[ u t , u t s ] = E[t t-s] = 0. Satisface el supuesto de no autocorrelacin. 3.4. Dada la expresin u t = g(xt,) + t, donde el primer sumando del segundo miembro es una constante podemos concluir que u t tambin sigue una distribucin normal con esperanza g(xt,), distinta para cada u t , y varianza constante 2. Problema 4. Se desea modelizar la variable endgena y t en funcin de la exgena xt y de un trmino independiente. En este sentido se han planteado las siguientes regresiones con una muestra de 50 observaciones: ~ 2 = 3,23; ~ 2 = 3,19 t = 3,4 0,86 xt M1 : y R2 = 0,30; = -10,3; A (8,1)(-0,7)

t = 0,67 0,3 ln xt M2 : ln y (10,9) (-6,3)

R2 = 0,70;

~ 2 = 1,25; ~ 2 = 1,06 = -10,8; A

2 A donde es la log-verosimilitud estimada y es la estimacin de la varianza deducida de la ecuacin auxiliar del contraste RESET con p = 2. Utilizando esa informacin, discuta cada una de las siguientes tres posibilidades: 4.1. Utilizaremos M2 porque al resolver el contraste de forma funcional mediante el estadstico LR seleccionamos este modelo. Adems, los resultados de la estimacin son sensiblemente mejores. 4.2. Utilizaremos M1 porque el contraste RESET descarta M2 y la log-verosimilitud estimada es mayor. 4.3. Ninguno de los dos modelos es adecuado.

Solucin Problema 4. 4.1. Dado que los modelos analizados son un modelo lineal y un modelo doblemente logartmico no es posible aplicar el contraste LR puesto que no estamos en el marco de modelos anidados, con lo cual basndose en esta estrategia no se puede proceder a la seleccin. Lo que s es cierto es que los resultados de la estimacin para M2 son mejores en trminos de 2. significatividad individual, R2 y 4.2. La aplicacin del contraste RESET para M1 da como resultado: F=

3,23 3,19 47 = 0,58 3,19 1 1 F = 0,58 < F47 = 4 se acepta, al nivel de significacin del 5%, la hiptesis nula de

linealidad.

Aplicando el contraste para M2: F=

1,25 1,06 47 = 8,42 1,06 1 1 F = 8,42 > F47 = 4 se rechaza, al nivel de significacin del 5%, la hiptesis nula de

modelo doblemente logartmico. Por tanto, la posibilidad enunciada es correcta. 4.3. Esta alternativa tambin es correcta ya que observamos que en M1 la variable x no resulta significativa, lo que podra estar indicando algn tipo de problema en la especificacin del modelo. Problema 5. Se ha estimado una funcin de consumo de la economa espaola para el periodo 1971-1995 con los siguientes resultados:

= 40,63 + 0,72 Y M0: C t t Tambin se han resuelto estas otras estimaciones: = 38,59 +0,62 Y + 0,15 Z M1: C t t t = 48,23 12,94 D +0,68 Y M2: C t t t

SR = 110 SR = 88 SR = 100

= 45,63 8,34 D +0,65 Y + 0,10 Z SR = 85 M3: C t t t t

donde Dt =1 para t > 1985 y cero en otro caso y Z t = Yt Dt . Especifique y resuelva las siguientes hiptesis: 5.1. La entrada de la economa espaola en la CEE ocasion una ruptura total de la estructura en el comportamiento de la funcin de consumo. 5.2. La entrada de la economa espaola en la CEE solo afect a la distribucin entre consumo y ahorro de una unidad adicional de renta. 5.3. La escala de la funcin de consumo fue el nico elemento afectado por la adhesin a la CEE. Solucin Problema 5. 5.1. En el enunciado se est planteando el contraste de M3 frente a M0, es decir, se trata de verificar sobre el modelo M3: H0: 2 = 4 = 0 HA: No H0 . Para lo cual se puede utilizar el estadstico F de diferencia de sumas residuales dado por: F = que en este caso se concreta en: F =

SRR SR T k SR r

110 85 25 4 = 3,1 85 2

2 Es decir: F = 3,1 < F21 = 3,5 al nivel de significacin del 5%, hay evidencia para aceptar que la entrada de Espaa en la CEE no ocasion un cambio en el comportamiento de la funcin de consumo. 5.2. Aqu se plantea el contraste de M1 frente a M0 siendo, en este caso la H0 formulada sobre M1 del tipo H0: 3 = 0.

F=

110 88 25 3 = 5,5 88 1

1 = 4,3 al nivel de significacin del 5%, hay evidencia para rechazar la F = 5,5 > F22 H0 y, por tanto, concluir que la entrada de Espaa en la CEE s que afect a la distribucin entre consumo y ahorro de una unidad adicional de renta.

5.3. Se trata del contraste de M2 frente a M0 siendo, en este caso la H0 formulada sobre M2 del tipo H0: 2= 0. F =

110 100 25 3 1 = 2,2 < F22 = 4,3 al nivel de significacin del 5%, hay 100 1

evidencia para aceptar la H0 y, por tanto, concluir que la entrada de Espaa en la CEE no afect a la escala de la funcin de consumo. Problema 6. En un muestreo efectuado entre 100 grandes empresas de la industria qumica se ha obtenido el siguiente modelo de regresin estimado: = 2,3 +0,05 T 2,4 C +1,9 F E
(0,37) (0,53) (0,61)

donde E es el nmero de empleados de la empresa (en cientos de personas), T es igual a 1 si la empresa incorpora los ltimos adelantos tecnolgicos y 0 en caso contrario, C es igual a 1 si existen empresas competidoras en un radio de 50 Km de la empresa en cuestin y 0 en otro caso y F es igual a 1 si hay una empresa complementaria en un radio de 50 Km y 0 en otro caso. A partir de aqu, indique razonadamente si las siguientes afirmaciones son verdaderas o falsas: 6.1. Una empresa con tecnologa punta tiene por trmino medio 5 empleados ms que una que no incorpora los ltimos adelantos tecnolgicos. 6.2. Por cada empresa de la competencia existente en un radio de 50 Km, una empresa de la industria qumica contrata 240 trabajadores menos. 6.3. El coeficiente que acompaa a la variable C indica el efecto diferencialprovocado por la competencia. Solucin Problema 6. Dado que los nmeros entre parntesis representan las desviaciones tpicas estimadas de los estimadores, podemos calcular el t-ratio asociado a cada parmetro de posicin individual, resultando: t-ratio asociado al parmetro que acompaa a la variable T 0,13. t-ratio asociado al parmetro que acompaa a la variable C 4,52. t-ratio asociado al parmetro que acompaa a la variable F 3,11. en consecuencia la variable T que recoge la incorporacin por parte de la empresa de las ltimas tecnologas no resulta significativa. 6.1. Falsa, dado que dicha variable no es significativa en la estimacin. 6.2. Falsa, la interpretacin no es por cada empresa de la competencia, sino que la existencia de empresas competidoras hace que las empresas qumicas contraten 240 empleados menos. 6.3. Verdadera, ya que el hecho de que exista competencia o no tiene una influencia sobre el empleo autnomo reflejado por el coeficiente de la variable C. Problema 7. El PGD de la variable y t es el siguiente:

y t = 0 + 0 xt + u t y t = 1 + 1 xt + u t u t iid N(0, ) t 1 = 2 0 , 1 = 2 0
2

t = 1,2,..,T-1 t=T

Razone qu tipo de resultados esperara encontrar en trminos de: 7.1. Contraste de Chow. 7.2. Estimacin recursiva de los parmetros de posicin. 7.3. Anlisis de atpicos Solucin Problema 7.

7.1. En este caso tiene lugar una ruptura en la estructura paramtrica en una observacin muy prxima del final de la muestra. Ello implica que el contraste de Chow tendr muy poca potencia para detectar la existencia de la ruptura porque, con independencia de donde se situemos el punto de corte del contraste, tendern a constituirse dos submuestras con caractersticas muy similares. 7.2. Cuando se van estimando recursivamente los parmetros de posicin obtenemos unos valores de los mismos que si los representamos grficamente en trminos de T lo ms probable es que hasta T-1 los valores sean muy parecidos y en el periodo T se produzca un salto. 7.3. En el anlisis de atpicos, utilizando los residuos internamente o externamente estudentizados, es muy probable que detectemos un atpico en respuesta en el periodo T. Problema 8. En la tabla adjunta aparecen los datos de beneficios ( y t ) y gastos en publicidad ( xt ) de la empresa A, tomados de los ltimos 10 aos. Utilizando esas series se ha estimado un MLS con los siguientes resultados: t = 5,05 + 0,70 xt y FAV = 16,7 ST = 35,7
(5,6) (4,1)

entre parntesis aparece el t-ratio y ST es la suma total. Los elementos de la diagonal de la matriz M aparecen en la cuarta columna de la tabla y en la quinta las sumas residuales (SRt) de la estimacin del mismo MLS, pero excluyendo de la muestra la observacin t-sima. t 1 2 3 4 5 6 7 8 9 10

yt
6,593 7,053 7,137 7,295 8,227 8,451 9,303 5,876 10,485 12,972

xt
2 2,5 2,5 3 4 4,5 5,5 6 7 10

Mt
0,770 0,814 0,814 0,849 0,891 0,899 0,889 0,870 0,806 0,399

SRt
13,308 13,258 13,199 13,311 13,185 13,271 13,167 0,067 12,743 11,375

Realice un anlisis de puntos atpicos utilizando los residuos interna y externamente estudentizados Solucin Problema 8. Los residuos internamente estudentizados vienen dados por: bj =

j u 1 hj

j y posteriormente u j = yj - y j. para cuya obtencin calculamos y

j y

j u

1 hj

bj

( j)

( j) 1 h j

rj

6,45 0,143 1,053 0,13 1,38 1,21 0,12 6,8 0,253 1,083 0,23 1,38 1,24 0,20 6,8 0,337 1,083 0,31 1,37 1,24 0,27 7,15 0,145 1,106 0,13 1,38 1,27 0,11 7,85 0,377 1,133 0,33 1,37 1,29 0,29 8,2 0,251 1,138 0,22 1,38 1,31 0,19 8,9 0,403 1,131 0,36 1,37 1,29 0,31 9,25 -3,374 1,119 -3,01 0,09 0,08 42,17 9,95 0,535 1,077 0,50 1,35 1,21 0,44 12,05 0,922 0,758 1,22 1,.27 0,80 1,15 2 aplicamos SR = (1-R ) ST y el estadstico del anlisis de la varianza: Para obtener

R2
FAV =

1 R2

k 1 T k

8R 2 16,7 = 16,7 16,7 R2 = 8 R2 2 1 R

R2 = 16,7 / 24,7 = 0,676.

2 = 11,5668 / 8 =1,445 = 1,20. SR = (1-0,676) 35,7 = 11,5668, por tanto, Teniendo en cuenta la regla habitual de comparar los bj con un punto de referencia de 2,5, podemos concluir que para el periodo 8 hay evidencia de atpico en respuesta. Los residuos externamente estudentizados se definen como:
rj =

j u ( j) 1 h j

( j ) denota la desviacin tpica estimada del modelo omitiendo la observacin j-sima donde
de la muestra. Este conjunto de valores los obtenemos a partir de SRt. Ya que se cumple que rj tT k 1 , resulta claro que existe evidencia de atpico en respuesta para el periodo 8. Problema 9. Se ha estimado por MCO, el modelo lineal general con k=3: y t = xt + u t t = 1,2,.100 Utilizando los residuos MCO y sus cuadrados se han obtenido las siguientes funciones de autocovarianzas muestrales: 1 -0,52 -7,62 2 1,10 25,60 3 -0,01 -9,71 4 -0,31 -7,92 5 -0,29 -2,57 6 -0,43 -5,20

) C j(u
2 C j( u )

La estimacin MV de 2 es 2,89 y la media muestral de los residuos elevados a la cuarta es 86,5. Chequee la estimacin de ese MLG, empleando la informacin anterior (utilice dL=1,4 y dU=1,5). Solucin Problema 9. A partir de la informacin suministrada, podemos analizar de forma inmediata el supuesto de no autocorrelacin. t y u t2 , Como disponemos de las autocovarianzas, el conocimiento de la varianza de u permitir obtener la funcin de autocorrelacin para cada una de las series.

t ) = C0 ( u t2 ) = C0 ( u

u
T

2 t

~ 2 = 2,89 =

= 86,5 (2,89)2 = 78,15.

1 ~2 t2 u T

1 T

[ u

4 t

1 ~ 4 2 ~2 u + T t2 = T

[ u

4 t

~4 = T

Los valores de la funcin de autocorrelacin muestral para ambas series son: 1 -0,18 -0,10 2 0,38 0,33 3 0.00 -0,12 4 -0,11 -0,10 5 -0,10 -0,03 6 -0,15 -0,07

) r j(u
2 r j(u )

El valor del estadstico de Durbin-Watson viene dado por:

) = 2 (1- r1 ) = 2 (1 + 0,18) = 2,36 DW 2( 1-

Teniendo en cuenta los valores de tablas, concluimos que existe evidencia de autocorrelacin en los residuos ajustndose a un esquema autoregresivo de orden 1. Calculando el estadstico de Box-Pierce resulta: Q=T r j2 = 100 [(-0,18)2 + (0,38)2 +.+ (-0,15)2] = 22,14

Q = 22,14 > 2 (6) = 12,6 existe evidencia para rechazar la H0:

) = 2 (u ) = = 6 (u ) = 0, al nivel de significacin del 5%, es decir, hay 1 (u

evidencia de problemas de autocorrelacin. Tambin podemos calcular el contraste LM: ) = 0 y no LM(1) = T r12 = 100 (-0,18)2 = 3,24 < 2 (1) = 3,84 acepto la H0: 1 (u hay evidencia para aceptar la existencia de autocorrelacin de orden 1. LM(2) = T( r12 + r22 ) = 100 [(-0,18)2 + (0,38)2] = 17,68 > 2 (2) = 6 rechazo la H0: de orden 2. LM(3) = T( r12 + r22 + r32 ) = 100 [[(-0,18)2 + (0,38)2 + (0,00)2] = 17,68> 2 (3) = 7,8

) = 2 (u ) = 0 y hay evidencia para aceptar la existencia de autocorrelacin 1 (u

) = 2 (u ) = 3 (u ) = 0 y hay evidencia para aceptar la rechazo la H0: 1 (u existencia de autocorrelacin de orden 3.

LM(4) = T ( r12 + r22 + r32 + r42 ) = 18,89 > 2 (4) = 9,5 rechazo la H0:

) = 2 (u ) = 3 (u ) = 4 (u ) = 0 y hay evidencia para aceptar la existencia 1 (u

de autocorrelacin de orden 4. La informacin disponible tambin permite estudiar el posible problema de heteroscedasticidad provocada por un esquema condicional autoregresivo (ARCH). Suponiendo un ARCH(1):

t2 = 0 + 1 u t21 + vt u

t = 1,2,.100

10

se trata de contrastar la H0: 1 = 0, a partir del estadstico TR2. En nuestro caso, R2 = r = (0,1)2 = 0,01 , por tanto:

2 2 u u t1 t 1

TR2 = 1 < 2 (1) = 3,84 acepto la hiptesis nula de homoscedasticidad bajo este esquema, al nivel de significacin del 5%. Problema 10. Con objeto de analizar los principales determinantes del consumo anual de productos de bollera en Espaa en el ao 1995, se encuesta a 10.000 familias preguntndoles acerca de su renta anual ( y i ), su gasto en productos de bollera ( g i ) y el nmero de hijos. Con estos datos se efecta la siguiente regresin: i = 77,67+0,002 y i M1: g
(1,4) (17,0)

W = 2,5

SR = 9991,85

4 i

= 20900,8

donde SR es la suma residual y W es el estadstico del contraste de White. Se sabe tambin que i = de la estimacin de la regresin auxiliar del contrate de Breusch-Pagan (planteada como z

y ) se ha obtenido que + 2 = 1,0935. 0 1 i

El MLS inicial se ha estimado igualmente agrupando las familias en funcin del nmero de hijos, distinguiendo tres categoras: familias sin hijos, familias con 1 o 2 hijos y familias con ms de 2 hijos. El porcentaje de familias incluidas en cada grupo es del 30%, 40% y 30% respectivamente, de la muestra original. Los principales resultados obtenidos se resumen en: Sin hijos: SR = 2090,5 1-2 hijos: SR = 2543,2 Ms de 2 hijos: SR = 5356,3 Se pide: 10.1. Analizar los problemas que presenta el modelo inicialmente propuesto, prestando atencin a las cuestiones de heteroscedasticidad y permanencia estructural. Para intentar solucionar los problemas encontrados en el apartado anterior se han especificado y estimado los siguientes modelos alternativos:

i = 1753 56738400 M2: g

(5,7) (-13,1)

1 yi

W= 1,75 SR= 1998,37

i = 1850 53427300 M3: g

(8,7) (-13,2)

1 + 80 D1i + 100 D2i W=2 yi

SR= 983,7

donde D1i toma el valor 1 para las familias de 1 2 hijos y cero en el resto de los casos y D2i toma el valor 1 para las familias con ms de dos hijos y cero en el resto. En el modelo M2 tambin se ha realizado una reestimacin por grupos de familias, como la llevada a cabo en M1 con los resultados: Sin hijos: SR = 577,8 1-2 hijos: SR = 612,3 ms de 2 hijos: SR =609,9 Se pide: 10.2. Compruebe si alguno de los modelos anteriores, M2 M3, mejora la especificacin del primer modelo. 10.3. Contraste la significatividad conjunta de las variables ficticias en M3.

11

10.4. Interprete el conjunto de resultados obtenidos y haga una lectura econmica del modelo M3. Solucin Problema 10. 10.1. Anlisis de H0: Homoscedasticidad.

2 Contraste de White: W= 2,5. Teniendo en cuenta que W p , siendo p en

nuestro caso igual a 2, el punto crtico es 6 con lo cual existe evidencia para aceptar la hiptesis nula de varianza constante. Contraste de Breusch-Pagan:

as

SE as 2 p , siendo p el nmero de parmetros 2

incluidos en la hiptesis nula que, en nuestro caso, es 1 ya que la regresin auxiliar solo incluye a la variable y i (Renta). Para hallar la suma explicada que interviene en el contraste necesitamos conocer la ST y la SR de la ecuacin auxiliar. En concreto: SR(Regr. Aux.) = 1,0935 9998 =10932,81 Para obtener la ST, deberemos tener en cuenta que la variable dependiente de la regresin auxiliar es:

con lo cual: ST(Regr. Aux.) =

i2 u ~2
u ~4
4 i

-T=

20900,8 9991,8510000
2

10000 =

20900,8 - 10000 = 0,99837

= 10934,91. SE (Regr. Aux.) = ST(Regr. Aux.) - SR(Regr. Aux.) = 10934,91 - 10932,81 = 2,1. B.P. =

2,1 = 1,05 2

B.P. = 1,05 < 12 = 3,8 aceptamos H0: Homoscedasticidad, al nivel de significacin del 5%. Contraste de Goldfeld-Quandt. Se supone que la varianza del modelo responde al nmero de hijos de cada familia. En consecuencia, se ordenan las observaciones de acuerdo con esa informacin ( sin hijos, 1-2 hijos, 2 hijos) y se elimina el grupo central que contiene 4000 observaciones, es decir, c = 4000. G.Q. =

5356,3 = 2,56 2090,5

F2998 (0,025) = 0,93
2998

Valor que debemos comparar con los valores de

2998 2998

(0,975) = 1,07 . En este caso se cumple que G.Q. = 2,56 > 1,07 se rechaza H0:

Homoscedasticidad, al nivel de significacin del 5%, y obtenemos evidencia de que el modelo presenta problemas de varianza no constante provocados por la variable nmero de hijos. Anlisis de H0: Permanencia estructural. La permanencia estructural se puede verificar a travs del test de Chow aunque, en este caso, habr que tomarlo con ciertas reservas dado que no se mantiene la homoscedasticidad de la perturbacin. A efectos ilustrativos simplemente para su clculo tendremos en cuenta que las submuestras se corresponden con la categoras constituidas al analizar heterocedasticidad con

12

Goldfeld-Quandt, nmero de hijos. Por tanto existen tres segmentos diferentes que conducen a la hiptesis nula H0:1=2=3= .

9991,85 (2090,5 + 2543,2 + 5356,3) / ( p 1)k 0,4625 = = 0,46 2090,5 + 2543,2 + 5356,3 / T pk 0,9996 4 Como F = 0,46 < F =2,4 aceptamos H0: Permanencia estructural, al nivel de
F= significacin del 5%. De esta forma, el modelo propuesto presenta nicamente problemas de varianza no constante provocados por la variable nmero de hijos. 10.2. Comenzamos con el anlisis de las mismas cuestiones anteriores en el modelo M2. Anlisis de H0 : Homoscedasticidad. 2 Contraste de White: W =1,75 < 2 = 6 aceptamos H0: Homoscedasticidad, al nivel de significacin del 5%. Contraste de Goldfeld-Quandt :

609,9 = 1,05. Se cumple que 0,93<1,05<1,07 577,8

existe evidencia para aceptar H0: Homoscedasticidad, al nivel de significacin del 5%.

1998,37 (577,8 + 612,3 + 609,9 ) / 4 = 275,36 577,8 + 612,3 + 609,9 / 10000 6 4 Como F = 275,36 > F =2,4 rechazamos H0: Permanencia estructural, al nivel de
F= significacin del 5%. En cuanto al modelo M3, solo podemos analizar la cuestin de la heteroscedasticidad a travs del contraste de White resultando: 2 W = 2 < 4 = 9,5 aceptamos H0: Homoscedasticidad, al nivel de significacin del 5%. Por lo tanto y teniendo en cuenta que los t-ratios no evidencian ningn problema de falta de significatividad individual, el modelo que incorpora las variables ficticias mejora la especificacin del modelo inicial. 10.3. Para contrastar M3 la significatividad conjunta de las variables ficticias, es decir, H0: 3 = 4= 0 se puede utilizar el estadstico F de diferencia de sumas residuales: F=

Anlisis de H0 : Permanencia estructural.

SRR SR / r 1998,37 983,7 / 2 = = 5155,3 SR / T k 983,7 / 10000 4

Valor suficientemente alto como para concluir rechazando la H0, al nivel de significacin del 5%, con lo cual hay evidencia para aceptar la significatividad conjunta de las variables ficticias. 10.4. El modelo M1 presenta problemas de varianza no constante provocados por la variable nmero de hijos. El modelo M2 no satisface la hiptesis de permanencia estructural. El modelo M3 no presenta ninguno de estos problemas, por lo tanto es la especificacin finalmente seleccionada. Tal modelo hace depender el gasto de productos de bollera de la inversa de la renta y del nmero de hijos de la familia. La forma de la dependencia respecto a la renta esta indicando que conforme esta crece, el gasto en bollera tiende a un umbral. El consumo autnomo estimado para cada uno de los grupos distinguidos viene dado por: a) Grupo sin hijos 1850. b) Grupo 1 2 hijos 1850 +80.

13

c) Grupo ms de 2 hijos 1850 +100. Problema 11. Se ha estimado el MLS: y t = + xt + u t t = 1,2,.,100. bajo el supuesto de normalidad de la perturbacin. El coeficiente de asimetra de los residuos MCO es 2,7 y el de kurtosis 7,8. Se pide: 11.1. Contraste el supuesto de normalidad.

] y E[ ], E[ 2 ]. 11.2. Sabiendo que u t 2 (1), t, obtenga E[ 11.3. El economista A indica que, dados los resultados de los apartados anteriores, la especificacin propuesta no tiene ninguna utilidad, mientras que el B afirma que esa especificacin todava es til. Con cul de ellos estara de acuerdo?.
Solucin Problema 11. 11.1. Aplicando el contraste de Jarque-Bera para verificar la hiptesis nula de normalidad, resulta:

(c.as.)2 (c.k . 3)2 (2,7 )2 (7,8 3)2 JB = T + + = 100 = 217,5 24 24 6 6

Como JB = 217,5 > 2 (2) = 6 existe evidencia para rechazar la hiptesis nula de normalidad, al nivel de significacin del 5%. 11.2. Si u t 2 (1), entonces E( u t ) = 1 y Var( u t ) = 2.

= + k t u t E( ) = + k t = +1

siendo k t =

( xt x ) 1 x T ( x t x )2 ( xt x ) ( x t x )2

= + w u E( )= + w = t t t

siendo wt =

2)= E(
2 E u1 E(u u ) A = E[uu '] = 1 2 E(u T u1)

( )

Con

2 E u2 t = V[u t ] + (E[u t ]) = 2 + 1 = 3 y E[u t u t s ] = Cov[u t ; u t s ] + E[u t ]E[u t s ] = 0 + 1 = 1 . 2 ) = 2 =2. En consecuencia, no hay ninguna garanta de que E(

[ ]

1 1 trME (uu ) = trMA T k T k E(u1 u 2 ) E(u1 u T ) 3 1 E u2 E(u 2 u T ) 1 3 2 = 2 E(u T u 2 ) E u T 1 1

( )

( )

1 1 , 3

dado

que

De este modo, cuando el vector de perturbaciones se distribuye como una 2 (1), los estimadores MCO del parmetro y del parmetro de dispersin 2 dejan de ser insesgados mientras que al estimador MCO del parmetro sigue siendo insesgado. 11.3. El conocimiento de la distribucin de probabilidad del trmino de perturbacin nos permite plantear la estimacin MV del modelo con lo cual aseguraremos buenas propiedades

14

asintticas de los estimadores y la posibilidad de utilizar contrastes de significatividad individual y conjunta adecuados. Todo esto no es posible cuando se plantea la estimacin MCO. Problema 12. Un equipo de investigacin desea explicar el comportamiento de la tasa de desempleo de la economa nacional (variable y ) en funcin del stock de capital productivo del pas (variable x ). Los datos observados en el periodo 1978 a 1997 son los del Cuadro 3. Con esta informacin se ha resuelto: Ma, una regresin esttica entre y y x ; Mb, una regresin donde a Ma se le aade un retardo de y ; Mc, una regresin donde a Ma se le aade una ficticia aditiva, la cual contiene un nico valor diferente de cero. Los principales resultados de la estimacin se recogen el Cuadro 1. Otros resultados relativos a esas estimaciones se adjuntan en el Cuadro 2. CUADRO 1 Constante Ma Estimacin t-ratio 6,014 10,009 0,744 8,841 0,813 1,812 78,155 CUADRO 2 r1 r2 r3 r4 r5 JB Mb Estimacin t-ratio 6,641 4,328 0,874 4,3 -0,106 0,810 1,939 34,115 Ma -0,145 -0,231 -0,316 -0,008 0,070 17,03 321,09 -0,055 0,044 0,002 Mb -0,039 0,330 -0,318 0,090 0,071 12,62 279,63 -0,005 0,161 0,002 Mc -0,010 -0,220 0,249 -0,144 0,045 0,84 30,94 -0,058 0,152 0,055 -0,595 Mc Estimacin t-ratio 5,936 14,591 0,793 13,708 -4,489 0,919 0,829 96,604 -4,728

xt y t 1
~2
FAV Dt R2

4 t

2 W

2 R BP

donde: rj es el coeficiente de autocorrelacin de orden j entre los residuos del modelo. t2 y u t21 . es el coeficiente de correlacin entre u
2 RW es el coeficiente de determinacin de la ecuacin auxiliar del contraste de White. 2 R BP es el coeficiente de determinacin de la ecuacin auxiliar del contraste de Breuch-

Pagan. Se pide: 12.1. Chequee cada una de las tres alternativas, prestando atencin a las hiptesis bsicas asociadas a la perturbacin. 12.2. Seleccione la alternativa que considere ms adecuada, justificando su decisin. NOTA: Tome dL=1,4 y dU=1,5 en todos los casos.

15

Solucin Problema 12. 12.1. Anlisis del modelo Ma : y t = 0 + 1 xt + u t T = 20. - Los t-ratios indican que ambos parmetros son individualmente significativos y el anlisis de la varianza permite acepta la significatividad conjunta del modelo. - Heteroscedasticidad. H0: homoscedasticidad Contraste de White: 200,044 = 0,88, valor inferior a la 2 (2) = 5,99 y, por tanto, aceptaramos al nivel de significacin del 5% la hiptesis nula de homoscedasticidad. Contraste de Breuch-Pagan. El estadstico de contraste exige calcular la suma explicada de la regresin auxiliar. Como disponemos del R2 de dicha regresin, hallando la suma total de la misma podremos obtener la suma explicada. STBP =

321,09 T = - 20 = 77,79 4 ~ (1,812) 2

BP =

4 t

2 STBP = 0,002 77,79 = 0,1556 SEBP = R BP

0,1556 = 0,078 2

De nuevo el valor del estadstico es menor que el punto crtico correspondiente a una (1), con lo cual se acepta la hiptesis nula.
2

Contraste ARCH. El estadstico, en este caso, es T veces el R2 de la regresin auxiliar: t2 = 0 + 1 u t21 + vt . Como esa regresin se corresponde con un MLS, el R2 ser igual al u

t2 y u t21 , por tanto: cuadrado del coeficiente de correlacin entre u ARCH = 20 (-0,055)2 = 0,006 Este valor es pequeo e inferior al punto crtico de la 2 (1), con lo cual se acepta la hiptesis nula de varianza constante.
- Normalidad. H0: distribucin normal. JB = 17,03 > 2 (2) = 5,99 se rechaza, al nivel de significacin del 5%, el supuesto de normalidad de las perturbaciones. -Autocorrelacin. Contraste de Durbin-Watson. H0: =0

) = 2(1-(-0,145)) = 2,29 DW 2(1- Como 2,29 < 4- du = 2,5 acepto H0: =0, al nivel de significacin del 5%. Esto es, no existen problemas de autocorrelacin provocados por la existencia de un esquema AR(1) en las perturbaciones. Para determinar si existen problemas de autocorrelacin provocados por AR MA de ordenes superiores, podemos aplicar el contraste de Breuch-Godfrey.
LM(2) = T

r
j =1

2 j

= 20 [ (-0,145)2 + (-0,231)2] = 1,49.

LM(2) = 1,49 < 2 (2) = 5,99 se acepta, al nivel de significacin del 5%, la no existencia de autocorrelacin de orden 2. LM(3) = T

r
j =1

2 j

= 20 [ (-0,145)2 + (-0,231)2 + (-0,316)2] = 3,48.

16

LM(3) = 3,48 < 2 (3) = 7,81 se acepta, al nivel de significacin del 5%, la existencia de autocorrelacin de orden 3. LM(4) = T

no

r
j =1

2 j

= 20 0,1743 = 3,49

LM(4) = 3,49 < 2 (4) = 9,49 se acepta, al nivel de significacin del 5%, la no existencia de autocorrelacin de orden 4. Anlisis del modelo Mb: y t = 0 + 1 xt + 2 y t 1 u t T = 19. -Los t-ratios indican la significatividad individual de todos los parmetros excepto el que acompaa a la endgena retardada. El anlisis de la varianza nos permite concluir con la significatividad conjunta del modelo. -Heteroscedasticidad. H0: homoscedasticidad Contraste de White: 190,161 = 3,059, valor inferior a la 2 (5) = 11,07 y, por tanto, aceptamos al nivel de significacin del 5% la hiptesis nula de homoscedasticidad. Contraste de Breuch-Pagan. STBP =

279,63 T = - 19 = 55,37 4 ~ (1,939) 2

BP =

4 t

2 SEBP = R BP STBP = 0,002 55,37 = 0,1107

0,1107 = 0,055 2

De nuevo el valor del estadstico es menor que el punto crtico correspondiente a una (2), con lo cual se acepta la hiptesis nula.
2

ARCH = 19 (-0,005)2 = 0,00047 valor pequeo e inferior al punto crtico de la 2 (1), con lo cual se acepta la hiptesis nula de varianza constante. -Normalidad. H0: distribucin normal. JB = 12,62 > 2 (2) = 5,99 se rechaza, al nivel de significacin del 5%, el supuesto de normalidad de las perturbaciones. -Autocorrelacin. Contraste h de Durbin. H0: =0 h=

Contrate ARCH.

T = -0,039 1 TV 2

19 = -0,26 1 190,03174

Para obtener la varianza estimada del estimador que acompaa a la variable endgena retardada un periodo, razonamos a partir de:

( )= DT
2

0,106 ) = 0,03174 ( = 0,1781 V 2 0,595

Dado que h = -0,26 > -1,64 acepto H0: =0, al nivel de significacin del 5%, es decir no existen problemas de autocorrelacin de primer orden.

17

T = 20. Anlisis del modelo Mc: y t = 0 + 1 xt + 2 Dt + u t -Tanto los t-ratios como el anlisis de la varianza determinan que los parmetros son significativos individual y conjuntamente. -Heteroscedasticidad. H0: homoscedasticidad Contraste de White: 200,152 = 3,04, valor inferior a la 2 (4) = 9,49 y, por tanto, aceptaramos al nivel de significacin del 5% la hiptesis nula de homoscedasticidad. Contraste de Breuch-Pagan. STBP =

30,94 T = - 20 = 25,02 4 ~ (0,829) 2

BP =

4 t

2 SEBP = R BP STBP = 0,055 25,02 = 0,68

1,37 = 0,078 2

De nuevo el valor del estadstico es menor que el punto crtico correspondiente a una (2), con lo cual se acepta la hiptesis nula.
2

ARCH = 20 (-0,058)2 = 0,067 valor pequeo e inferior al punto crtico de la 2 (1), con lo cual se acepta la hiptesis nula de varianza constante. -Normalidad. H0: distribucin normal. JB = 0,84 < 2 (2) = 5,99 se acepta, al nivel de significacin del 5%, el supuesto de normalidad de las perturbaciones. -Autocorrelacin. Contraste de Durbin-Watson. H0: =0

Contraste ARCH.

) = 2(1-(-0,010)) = 2,02 DW 2(1- Como 2,02 > du = 1,5 acepto H0: =0, al nivel de significacin del 5%, y no existen problemas de autocorrelacin provocados por la existencia de un esquema AR(1) en las perturbaciones.
Para determinar si existen problemas de autocorrelacin provocados por AR MA de ordenes superiores, podemos aplicar el contraste de Breuch-Godfrey. LM(2) = T
2

r
j =1

2 j

= 20 [ (-0,010)2 + (-0,220)2] = 0,97. del 5%, la no

LM(2) = 0,97 < (2) = 5,99 se acepta, al nivel de significacin existencia de autocorrelacin de orden 2. LM(3) = T
2

r
j =1

2 j

= 20 [ (-0,010)2 + (-0,220)2 + (0,249)2] = 2,21. del 5%, la no

LM(3) = 2,21 < (3) = 7,81 se acepta, al nivel de significacin existencia de autocorrelacin de orden 3.

18

LM(4) = T

r
j =1

2 j

= 20 0,1312 = 2,62 del 5%, la no

LM(4) = 2,62 < 2 (4) = 9,49 se acepta, al nivel de significacin existencia de autocorrelacin de orden 4.

12.2. El modelo Ma no resulta adecuado por presentar problemas de falta de normalidad. Anlogamente, el modelo Mb tampoco resulta adecuado por cuanto presenta los mismos problemas de falta de normalidad. En consecuencia, el modelo finalmente seleccionado atendiendo al cumplimiento de las hiptesis bsicas asociadas a la perturbacin es el modelo M c.

19

PROBLEMAS PROPUESTOS
Problema 1.

La asociacin espaola de productores de cava ha observado que sus ventas en Espaa han aumentado considerablemente en los ltimos meses. Con el objeto de conocer los motivos de esta evolucin decide encargar un estudio economtrico de la funcin de demanda. En el estudio se plantea una funcin de demanda del tipo CobbDouglas tal que una vez linealizada, se estima por MCO. Las variables, todas ellas expresadas en logaritmos, son las siguientes: CE: Consumo per-capita de cava, M: Gasto per-cpita en bebidas alcohlicas, PE: Precio medio del cava, PC: Indice de precios de bebidas alcohlicas, excluido el cava, PF: Indice de precios del champagne, DQ: Variable ficticia que toma valor unitario en el cuarto trimestre de cada ao y cero en el resto de los casos. Utilizando una muestra de 50 datos trimestrales se estiman los siguientes modelos MODELO 1. C E t = -0,073 + 1,36 Mt - 0,5 PEt + 0,47 DQt (-0,24) (1,98) (-2,15) (9,97) R2= 0,9763 d = 1,90 FAV = 260,6 MODELO 2. C E t = -0,06 + 1,3 Mt - 0,5 PEt + 0,1 PCt + 0,47 DQt (-0,19) (1,84) (-1,86) ( ) (9,53) 2 R = 0,9764 d = 1,89 FAV = 386,48 MODELO 3. C E t = -0,2 + 1,7 Mt - 0,6 PEt + 0,1 PFt + 0,48 DQt (-0,6 (3,01) (-3,02) (?????) (10,2) R2= 0,9782 d = 1,88 FAV = 222,24 donde FAV es el estadstico del anlisis de la varianza. En base a esta informacin se pide: a) Obtenga los t-ratios que faltan en las ecuaciones 2 y 3. Qu modelo resultara preferido? b) Anlisis econmico de los coeficientes del modelo elegido, atendiendo al anlisis de los signos y a la cuanta de los coeficientes estimados. c) Comente brevemente la siguiente afirmacin: Suponiendo que ambos bienes siguen una funcin de demanda ordinaria, podemos considerar que el champagne es un bien complementario del cava .
Problema 2. Dados los siguientes modelos anidados: y t = 1 + 2 x 2t + 3 x3t + u t
^ ^ ^

y t = 1 + 2 x 2t + vt
Demuestre que para contrastar H0: 3 = 0, solo necesitamos conocer el tamao muestral y el coeficiente de determinacin de ambos modelos. Problema 3. La ecuacin que relaciona las variables y i , x 2i y x3i es la siguiente: ( i = 1,2,.,N); u N( 0, 2 I ) Sin embargo, los N individuos se han agrupado en M grupos diferentes, cada uno

y i = 1 + 2 x 2i + 3 x3i + u i

compuesto por Nj individuos (

j =1

Nj = N ), observndose las variables agregadas Y j =

y
i j

20

X2j =

x
i j

2i

y X3j =

x
i j

3i

. Con estas M observaciones se ha estimado el modelo: Y j = 1 +

2 X 2 j + 3 X 3 j + v j ( j = 1,2,,M ) con v j =

u
i j

Discuta cual sera el mtodo eficiente de estimacin del modelo agregado. Problema 4. Dada la siguiente estimacin obtenida con T = 20: t = 0,3 y t 1 - 0,6 xt y
(0,2) (0,1)

d=1 dL = 0,86 dU = 1,27 Contraste, al nivel de significacin del 5%, la posible existencia de autocorrelacin. Problema 5. Se desea modelizar las ventas de automviles en el mercado aragons. Con este fin se dispone de informacin anual sobre el nmero de vehculos vendidos ( y t ), renta per cpita (Rt) as como de un ndice de precios sinttico para el sector del automvil (pt). La informacin muestral abarca desde el ao 1947 a 1996 y ha permitido estimar los siguientes modelos: t = 20,3 + 0,2 Rt + 0,3 pt. M1: y
(8,3) (4,1) (1,5)

t = 15,8 + 0,15 Rt 0,4 pt + 0,2 y t 1 M2: y

(6,9) (3,7) (-2,7) (3,8)

Los valores entre parntesis corresponden a los t-ratios. Adems se dispone de la siguiente informacin sobre los residuos de los modelos:
) rj( u M1 M2
1 0,17 -0,09 2 0,32 0,03 3 0,10 0,08 4 0,11 0,15 5 -0,05 -0,12 6 -0,04 -0,03

Examine el supuesto de incorrelacin utilizando todos los instrumentos disponibles. Cul de los modelos planteados seleccionara?. Justifique su decisin. Problema 6. Utilizando datos de la economa espaola para el periodo 1964 1988 ( T = 25), se ha estimado la siguiente relacin: t = -0,18 + 0,64 ln x 2t -0,25 ln x3t ln y SR = 52,3
(-1,23) (7,07) (-4,62)

donde y t es consumo, x 2t renta y x3t tipo de inters. Con datos deducidos de la anterior, se han estimado tambin los siguientes modelos: t = 0,67 u t 1 u SR = 38,9 SR = 31,4 Utilizando la informacin anterior, analice el supuesto de incorrelacin por todos los mtodos posibles. Problema 7.

t = -0,007 0,004 ln x 2t +0,002 ln x3t + 0,61 u t 1 u t = -0,002 - 0,01 ln x 2t +0,003 ln x3t + 0,57 u t 1 + 0,001 u t 2 u

SR = 33,2

En un anlisis acerca de los flujos comerciales espaoles, un investigador pretende realizar un estudio de las exportaciones de Espaa a 3 pases para el periodo muestral 1965-1992, planteando el siguiente modelo lnYt = 1 + 2lnX2t + 3 lnX 3t + ut. Las

21

variables utilizadas son los logaritmos neperianos de: Yt, exportaciones espaolas, X2t, P PIB del pas destino de las exportaciones y X3t= it , precios relativos de las Pet Pr ecio del pas destino . exportaciones: Pr ecio de Espaa Los resultados obtenidos se resumen en el siguiente cuadro: FRANCIA USA JAPON ^ 3,83 2,71 2,23 1 (4,2) (3,6) (2,2) ^ -0,367 0,49 2,22 2 (-1,6) (3,2) (1,12) ^ -0,433 0,95 0,1 3 (-0,23) (2,63) (1,23) 2 0,96 0,95 0,7 R GQ(c = 8) 1,32 2,27 2,12 d 2,04 3,72 2,20 CHOW(86) 0,23 16,22 15,22 Para realizar el test de Chow se considera como el ao de posible ruptura estructural 1986 por la entrada de nuestro pas en la CEE. Se pide: a) Evaluacin de los tres modelos estimados. b) Plantee las soluciones que considere oportunas a los problemas existentes.
Problema 8. Se ha estimado el siguiente modelo economtrico: t = 2,3 0,6 x1t + 0,9 x 2t y con una muestra de 50 observaciones y se est estudiando el supuesto de homoscedasticidad. Se dispone de la siguiente informacin adicional: El grfico de x1t contra x 2t no revela ninguna tendencia significativa. Se ha ordenado la muestra con respecto al tiempo y se han omitido las 16 observaciones centrales. Despus de estimar la primera y la segunda submuestra, el valor del estadstico de Goldfeld-Quandt es GQ = 0,24. La estimacin de la ecuacin auxiliar del contraste de Breuscht = 0,031 x1t + 0,022 x 2t , la cual proporciona una suma explicada de 0,75. Pagan es v Por ltimo, la estimacin de la ecuacin auxiliar del contraste de White es: 2 t2 = 1,32 + 0,15 x1t + 0,07 x 2t - 0,02 x12t + 0,31 x 2 u t - 0,32 x1t x 2 t 2 El R de la regresin es 0,36, lo que conduce a un estadstico W = 6 0,36 = 2,16. Utilizando toda esta informacin concluimos que puede aceptarse el supuesto de varianza constante. Se pide: 6.1. En el planteamiento anterior parece que existen errores. Indique cuales son y cmo debera haberse resuelto el anlisis. 6.2. Con la informacin aprovechable, contraste el supuesto de varianza constante.

Problema 9
Se ha especificado y estimado, con una muestra de 70 datos, un MLS con los siguientes resultados: t = 2.22 + 1.02 xt y SR=359.75 Adems, se dispone de la siguiente informacin auxiliar:

t t2 = 0.71 + 1.4 xt + u

ST=2800.39

22

t t2 = 3.66 + 4.75 xt 0.56 xt2 + u t t2 = 4.64 + 0.8 zt + u t t2 = 6.46 0.037t + u

SR=2492.64

y x

Varianzas muestrales 6.265 1.003 5.245 414.167

z
t

Analice la posible existencia de heteroscedasticidad con todos los instrumentos que tenga a su alcance, indicando, en su caso, la causa y la direccin a seguir para resolver el problema, si existe. Problema 10 Se ha estimado una relacin lineal entre la variable y y las variables explicativas x1 y

~ 2 de 5.2 junto con que x 2 , con una muestra de 50 observaciones, obtenindose un valor de
t =1 4 u t =9921.03. Adems, la suma residual obtenida de la estimacin del modelo utilizando las T

17 primeras observaciones es 39.45 y 104.58 la deducida de la estimacin del mismo empleando las 17 ltimas. Por otro lado, se han realizado las siguientes regresiones auxiliares: t = 0.97 + 0.93x 2t SR=272.381 v

t = 0.058 + 0.036 t SR=313.57 v t = 1 + 0.015 x1t v SR=315.7

siendo vt la variable dependiente de la regresin de Breusch-Pagan. Se sabe tambin que la suma residual de la regresin de White es 5424.35. Analice la hiptesis de homocedasticidad con todos los instrumentos disponibles, justificando, en su caso, los posibles resultados contradictorios. Problema 11 Un investigador (A) ha especificado la siguiente relacin:

y = + x + x
t 0 1 1t

2 2t

+u

De la estimacin de dicho modelo con una muestra de 100 observaciones, se obtiene que la suma residual es 886.416. Adems, se dispone de las siguientes regresiones auxiliares:

u t = x t + u t 1 + 1t

u t = 0.8u t 1 + t

SR=221.86 SR=209.46 SR= 208.84

u t = x t + 1 u t 1 + 2 u t 2 + 2 t

En todos los casos, con x se est indicando la parte sistemtica de la ecuacin de

t

u t = x t + 1 u t 1 + 2 u t 2 + 3 u t 3 + 3 t

referencia. Otros dos investigadores (B y C) consideran que este modelo incumple al menos una de las hiptesis bsicas del modelo, y plantean como soluciones alternativas dos modelos, de cuyas estimaciones se obtiene la siguiente informacin:

23

Investigador B: y = + y
t 0

t 1

+ x + x
1 1t

2 2t

+u

SR=83.27

u t = 0.1u t 1 + t

u t = x t + u t 1 + 1t

SR=81.68 SR=79.054 SR= 78.457 SR=742.702

u t = x t + 1 u t 1 + 2 u t 2 + 2 t

u t = x t + 1 u t 1 + 2 u t 2 + 3 u t 3 + 3 t
t 0 1 1t

Investigador C: y = + x

+ x

2 2t

+ x

3 1t 1

+u

u t = 0.82u t 1 + t

u t = x t + u t 1 + 1t

SR=195.3 SR=194.67 SR= 194.47

u t = x t + 1 u t 1 + 2 u t 2 + 2 t

donde x tiene la misma interpretacin que antes. Se pide:

t

u t = x t + 1 u t 1 + 2 u t 2 + 3 u t 3 + 3 t

- Estudie si es correcta la afirmacin de los investigadores B y C acerca del problema que presenta el modelo del primer investigador. - Cul de las dos especificaciones propuestas (B C) le parece adecuada? Justifique su respuesta utilizando toda la informacin de la que dispone. Problema 12. Suponga que se especifica el siguiente modelo de regresin: y t = 0 + 1 xt + 2 xt2 + u t Determinar, razonando la contestacin, con cul o cules de los comportamientos siguientes es compatible esta especificacin no lineal en variables: 11.1. Una variacin unitaria en x genera siempre el mismo efecto sobre la variable endgena. 11.2. Una variacin unitaria en x no genera siempre el mismo efecto sobre y, sino que depende de que x tome un valor reducido o elevado. Problema 13. Se est especificando una funcin de consumo para las familias de la regin aragonesa. Los datos de consumo se recogen en la variable y t y los de renta en xt ( t = 1946,.,1995). Se han ensayado formas funcionales diferentes: M1: y t = + xt + u1t

= + xt( 2 ) + u 2t M3: ln y t = + ln xt + u 3t
M2: y t con los siguientes resultados: MODELO Mtodo estimacin M1 MCO 2,1 0,21 0,8 0,12 -53,62 0,741 M2 MV 1,6 0,07 0,6 0,05 -31,17 0,921 M3 MCO 0,8 0,01 0,9 0,17 -82,41 0,653

( 1 )

[ ] V

[]
2

Log-verosimilitud

24

2 RA

0,862

0,923

0,655

2 Siendo R A el coeficiente de determinacin de la ecuacin auxiliar del contraste Reset con p = 2. Se pide: 12.1. Seleccione la forma funcional que considere ms adecuada. 12.2. De acuerdo con los resultados del apartado anterior, cree que la elasticidad renta de las familias aragonesas es constante?. Obtenga su expresin utilizando el modelo terico correspondiente.

Problema 14. Los economistas A y B han especificado la siguiente funcin de demanda en transformadas Box-Cox: y t( 1 ) = + xt( 2 ) + u t u t iid N(0, 2) mismo, los valores que puede tomar 2 se limitan a 1; 2 5. El problema es que no saben cul Estn seguros de que el parmetro 1 solo puede tomar tres valores: -0,5; 0 0,5. As

es el par correcto ( 1 , 2 ). El economista A sugiere la siguiente estrategia: Linealicemos el modelo para los distintos cruces posibles, y obtengamos la estimacin MCO de cada caso. A continuacin nos quedaremos con la alternativa que asegure un R2 ms elevado. El economista B coincide con el planteamiento de A aunque sugiere utilizar como criterio de seleccin la logverosimilitud estimada en cada modelo. Indique, razonando su decisin, con cul de las propuestas se quedara, A B. Problema 15. En la Lonja Agropecuaria del Ebro se est estudiando la relacin entre precio alcanzado en las subastas ( y t ) y cantidad total ofrecida de carne de vacuno ( xt ), utilizando datos semanales. Especifique el modelo economtrico, suponiendo una ecuacin de comportamiento lineal, que mejor se ajusta a cada uno de los siguientes planteamientos: 14.1. La reaccin del precio con respecto al volumen ofertado de vacuno parece diferente en aquellas semanas en las que se producen importaciones de carne de porcino. 14.2. Cuando se ofertan grandes volmenes de carne de vacuno, tiende a aumentar la variabilidad de los precios. 14.3. La parte del precio no explicada por la oferta de vacuno mantiene una cierta dependencia temporal, que no alcanza ms all de dos semanas. Problema 16. Para explicar la relacin entre las variables y y x1 se ha considerado la especificacin general Box-Cox:
(2 ) 1 ) y( = + 1 x 1 + ut t t

Utilizando 20 observaciones, la estimacin mximo verosmil del mismo ofreci el siguiente resultado:

~ 1

~ 2

~2

0 0,5 0,00636 Se sabe que la media muestral de los logaritmos neperianos de la variable endgena es 6,995212, y se dispone tambin de la la siguiente informacin:

~ 1R
0,0 0,0 0,0

~ 2R
0,4 1,0 0,0

~2 R
0,006366 0,006647 0,006598

25

1,0 1,0

1,0 0,0

26250,3 36121,7

Se pide: 15.1- Contrastar si puede aceptarse que una variacin unitaria de x1 provoca una variacin porcentual constante en y. 15.2- Podra aceptarse que una variacin unitaria en x1 provoca una variacin en y fija e independiente de los valores de las variables? 15.3- En funcin del resultado obtenido en los dos apartados anteriores, especifique el modelo original que le parezca ms adecuado, y proporcione una interpretacin econmica a los coeficientes del modelo. Problema 17. Para cada uno de los siguientes supuestos especifique un modelo econmetrico (detallando qu variables se introducen y cmo se miden) donde pueda contrastarse tal afirmacin, indicando las hiptesis del contraste y el estadstico de prueba asociado: 16.1- La elasticidad-precio de la demanda de petrleo en los pases desarrollados (renta per cpita, rpc, igual o superior al 75% de la media de la zona UEM) es inferior en un 50% a la existente en los pases subdesarrollados (rpc inferior al 25% de la zona UEM). 16.2- La demanda mundial de petrleo es poco sensible a la temperatura media del planeta. Por el contrario, el parque automovilstico mundial es un elemento que parece determinante. 16.3- El precio del petrleo responde a varios factores entre los que se puede citar el volumen de la demanda mundial, las expectativas sobre reservas futuras y el grado de consenso existente en la OPEP. La crisis poltica rusa apenas ha tenido incidencia al igual que los conflictos surgidos en las zonas productoras. 16.4- La energa elctrica y la petrolfera pueden entenderse como bienes sustitutivos, de manera que por cada peseta que aumenta el precio de la primera la demanda de petrleo aumenta en un 0.2%. Problema 18. Se dispone de informacin diaria sobre temperatura (yt) y consumo de energa elctrica en Zaragoza (xt). Los datos tomados abarcan un ao (364 das), con los cuales se han estimado varios modelos: MODELO M1 y t = 106821+ 12846.3 x t
( 3.7 ) ( 8. 0 )

R 2 = 0.940
MODELO M2

~ 2 = 1687419
( 4.95)

364 t =1
( 29.3)

y t = 28569996

R2 A = 0.970

ln y t = 1.07 + 2.53 ln x t

R 2 = 0.700
MODELO M3

~ 2 = 3.72
( 21.55)

364 t =1
( 61.69)

ln yt = 2446.08

R2 A = 0.780

ln y t = 2.02 + 0.32 x t

R 2 = 0.870
MODELO M4

~ 2 = 2.08
~) 1 y( t
( 3.7 )

364 t =1
(5.4)

ln yt = 2446.08
~

R2 A = 0.871

) = 1.39 + 0.49 x ( t 2

26

R 2 = 0.891
R2 A

~2 = 1

364 t =1

ln yt = 2446.08

~ l( ) = 3094.67

R2 A = 0.892

se refiere al coeficiente de determinacin obtenido en la ecuacin auxiliar Donde del contraste RESET, en la que se ha introducido en todos los casos solo un trmino cuadrtico. ~ Adems l( ) indica la log-verosimilitud del modelo correspondiente. Se pide: - En M4 obtenga la estimacin de 1 - Utilizando toda la informacin aportada seleccione el modelo que considere ms adecuado. Problema 19. La verdadera relacin entre la variable y y la variable x viene dada por:

y t = 1 xt + t

Sin embargo se ha especificado y estimado un modelo lineal sin trmino independiente. Demuestre que el sesgo existente en la estimacin MCO de 1 aumenta a medida que toma valores mayores. Problema 20. Indique si en las siguientes especificaciones puede encontrarse algn problema de multicolinealidad y de que tipo: 19.1. Ct = 0 +1 Yt +2 YRt + 3 Pt + ut. con Ct e Yt consumo y renta en trminos corrientes, YRt renta en trminos reales y Pt el deflactor de la renta. 19.2. Mt = 0 + 1 POt + 2 Nt + 3 Dt + 4 It + ut. con Mt gasto sanitario anual en Aragn, POt poblacin final de ao, Nt y Dt nmero de nacimientos y defunciones anuales e It saldo migratorio anual. 19.3. Rt = 0+1Mt +2 M t 1 +3 M t 2 +4 M t 3 +5 M t 4 +6VAMt +7IPCt+ ut. con Rt tipo de inters del trimestre, Mt masa monetaria en circulacin en el trimestre, VAMt variacin en la masa monetaria a lo largo del ltimo ao e IPCt ndice de precios del trimestre. Problema 21. Se ha observado la variable y t para T individuos, estimndose el siguiente modelo:

y t = 1 D1t + 2 D2t ++k Dkt + ut.

donde Djt toma el valor 1 si el individuo en cuestin pertenece al grupo j ( j = 1,2,..,k) y cero en otro caso. Los grupos son excluyentes. Demuestre que cada uno de los parmetros estimados presentar una varianza menor cuanto mayor sea el nmero de individuos que forman parte del grupo al que se asocia el parmetro. Problema 22. Se ha estimado por MCO el modelo y t = 1 + 2 x 2t + 3 x3t + u t utilizando 23 observaciones con los siguientes resultados: t = 1,5 + 3,5 x 2t - 0,7 x3t y R2 = 0,982 El mismo modelo se ha reestimado con la restriccin 3 = 0 resultando: t = 1,2 + 3,8 x 2t y R2= 0,876 Contrastar al nivel de significacin del 5%, la hiptesis nula 3 = 0. Problema 23. Dado el modelo y t = + xt + u t ( t = 1, .,T), se desea contrastar la hiptesis de que el parmetro es constante en el tiempo. Desarrolle una estrategia para resolver el contraste

27

empleando tcnicas de regresin (especifique claramente el modelo que plantea y la hiptesis nula objeto de contraste). Problema 24. Indique razonadamente qu tipo de problemas presenta cada una de las siguientes especificaciones: 23.1. y t = + xt + u t ; u t N(0,1) t 24

y t = + xt + u t ; u t N(0,2) t = 24 23.2. y t = + xt + u t ; u t N(0,1) ; xt = 3,8 t 23.3. y t = + xt + u t ; u t N(0,1) t 24 y t = + xt + u t ; u t N(1,1) t = 24 23.4. y t = + xt + u t u t = t + 0,1 t 4 ; t N(0,1)
Problema 25. Un equipo de investigacin desea modelizar la evolucin de la renta per cpita ( y t ) de un determinado pas en funcin de la productividad ( x1t ) y del tipo de inters real de la economa ( x 2t ). Con 16 observaciones se han obtenido las siguientes estimaciones:

t = 2,99 + 0,60 x1t + 0,80 x 2t M1: y

(0,025) (0,004) (0,005)

R2 = 0,99

SR = 0,00145

t = 0,81 + 0,61 ln x1t + 0,22 ln x 2t M2: ln y

(0,105) (0,062) (0,030)

R2 = 0,99

SR = 0,00249

t = -0,002 + 0,60 x1t +0,79 x 2t M3: y

(0,005) (0,007) (0,005)

R2 = 0,99

SR = 0,00260

Las FAM de los residuos de cada especificacin son: M1 M2 M3 1 0,08 0,37 0,55 2 -0,03 0,21 0,46 3 -0,02 -0,16 0,22 4 0,04 -0,04 0,15 5 0,06 -0,01 0,07

Los valores propios (j) asociados a la correspondiente matriz de correlaciones de las variables explicativas de cada modelo son: 1 2 3 M1 0,0017 0,41 2,58 M2 0,20 0,34 2,46 M3 0,80 1,01 1,19

Adems, para los modelos M1 y M2 se ha estimado tambin la ecuacin auxiliar:

28

z t = xt +

j =2

tj z

donde z t y xt hacen referencia a la endgena y exgenas del modelo respectivo, con sumas residuales iguales a 0,00110 en M1 y 0,00014 en M2. Utilizando toda la informacin, se pide: 24.1. Indique qu problema, o problemas, existen en M1 para que se hayan planteado tambin otras alternativas (modelos M2 y M3). En funcin de la respuesta anterior: 24.2. Analice los resultados de M2, aceptara esta propuesta?. 24.3. Resuelva la misma cuestin en relacin a M3. 24.4. Exponga razonadamente cul sera su decisin final. Problema 26. Se pretende explicar las exportaciones de la economa espaola (variable y ) a travs del tipo de cambio de la peseta con respecto al franco, marco y dlar (variables x2, x3 y x4, respectivamente). Con datos de los ltimos 50 aos se han obtenido los siguientes resultados de la estimacin mximo-verosimil: t = 62,3 0,68 x2t 0,76 x3t +1,25 x4t = 2,0 y R2 = 0,98
(2,1) (-0,65) (-0,32) (0,89)

La tabla de correlaciones entre las variables es la que aparece en el siguiente cuadro, donde en la ltima fila se reproducen las races caractersticas obtenidas en la aplicacin:

y y
x2 x3 x4 1

x2 0,82 1

x3 0,73 0,92 1

x4 0,93 0,85 0,90 1

1
1204,8

2
25,3

3
1,2

Para intentar solucionar el problema evidente en los anteriores resultados se han ensayado algunas variaciones con la forma funcional, tomando como marco de referencia el planteamiento general Box-Cox. El resumen de los resultados obtenidos es:

y
1 0 -0,45

Parmetro asociado a : x3 x4 x2 1 1 1 0 0 0 0,03 0,26 -0,89

Mtodo estimacin RESTRINGIDO RESTRINGIDO MV

2,00 2,24 1,1

A
1,95 2,10 1,03

A indica la desviacin tpica estimada obtenida al aadir a la ecuacin bsica las donde potencias dos, tres y cuatro de las estimaciones de la correspondiente variable endgena de la ecuacin. Adems, se sabe que ln y t = 0,20. Se pide: 25.1. Indique qu problemas presenta la estimacin del modelo lineal inicial, utilizando todos los instrumentos que considere oportunos. 25.2. De acuerdo con los resultados reflejados en el cuadro anterior, considera que alguna de las alternativas propuestas es preferible al planteamiento inicial?. Justifique su decisin.

29

Problema 27. Se dispone de una muestra de las variables y t y xt de tamao 50, con la que se ha estimado un MLS como el siguiente: t = 5,39 1,74 xt y ST = 126,68 R2 = 0,459 La funcin de autocovarianzas de los residuos es:

) j (u

1 -0,162

2 0,108

3 0,071

4 -0,235

5 0,257

6 -0,148

t , R2t = u t2 y E2t = y t2 . Los Definimos adems las siguientes variables: R1t = u momentos muestrales de estas variables son:
Media Varianza R1 0,000 1,396 R2 1,371 4,444 E2 4,936 17,088

Si cada una de estas variables instrumentales, por separado, se aade al MLS estimado anteriormente, el coeficiente de determinacin del modelo ampliado aparece en la segunda fila de la tabla siguiente. En la tercera fila se indica el coeficiente de correlacin entre cada una de estas variables y la variable x. R2 (Modelo amplio) Coef. Correlacin con x. R1 1,000 0,000 R2 0,635 -0,313 E2 0,569 -0,961

Analice la hiptesis de linealidad as como los supuestos de homoscedasticidad e incorrelacin en relacin con los resultados aportados para la estimacin del MLS. Problema 28. Para explicar la variable y, se ha especificado y estimado un Modelo Lineal Simple. De la estimacin del mismo se proporciona la siguiente informacin:

t u
-0,0802 0,0869 0,0325 0,1317 0,1171 -0,0384 0,0392 0,1273 0,0016 -0,1097 -0,2103 -0,0327

h tt
0,3698 0,3279 0,1936 0,0968 0,0839 0,1115 0,1585 0,2075 0,1424 0,1037 0,1004 0,1038

(t)
0,1118 0,1113 0,1161 0,1072 0,1093 0,1159 0,1159 0,1066 0,1167 0,1102 0,0904 0,1162

rt -0,9036 0,9524 0,3118 1,2927 1,1193 -0,3515 0,3687 1,3414 0,0148 -1,0515 -2,4527 -0,2973

bt -0,9109 0,9558 0,3263 1,2495 1,1031 -0,3673 0,3853 1,2894 0,0156 -1,0448 -1,9992 -0,3114

= 0,11075

Realice un anlisis de puntos atpicos. Si es posible, indique cmo resolver los problemas detectados.

30

Problema 29. Se ha especificado el MLG: yt =0 + x1t1 + x2t2 + ut, y se conocen los siguientes resultados:

20 8 4 1 = [X' X ] X' Y = 8 24 20 4 20 18

3 0,083 0,167 0,167 3 0,250 12 = 0,167 0,896 0,958 12 = 1,625 9 0 , 167 0 , 958 1 , 083 9 1 , 250

R =0,98 Indique, utilizando todos los instrumentos oportunos, qu problemas presenta esa regresin. Problema 30. El PGD de yt es un MLS sin trmino constante, con parmetro =2. La perturbacin sigue un esquema AR(1) con coeficiente de autocorrelacin de primer orden igual a 0,9. Dados los siguientes seis valores de xt y del ruido blanco del proceso AR(1), t: 1 xt t 2 0,1 2 2,1 0,2 3 2,5 -0,1 4 3,2 0,3 5 3,3 0,1 6 3,5 0,1

= 32,3

Se pide: 29.1- Obtenga los valores de yt y de ut (t=1, 2, , 6) suponiendo que u0=0. 29.2- Obtenga una estimacin insesgada del parmetro de posicin. 29.3- Contraste el supuesto de incorrelacin en esa estimacin por todos los medios posibles. Explique las discrepacias que se producen en ese terreno. 29.4- Obtenga el sesgo del estimador MCO de y de , sabiendo que =1. Problema 31. Con una muestra de 100 observaciones se ha obtenido la estimacin recursiva del MLS: yt=+xt+ut. Los resultados aparecen en las Figuras 1 y 2. Adems se ha resuelto el contraste de Chow de forma iterativa, dividiendo la muestra siempre en dos perodos y con un punto de corte movindose desde 4 hasta 97. La sucesin de estadsticos obtenidos se representa en la Figura 3. Utilizando la informacin existente en esos grficos, indique razonadamente qu especificacin propondra.
2 2

31

Problema 32.

Para analizar las calificaciones de una determinada asignatura de la UZ se ha especificado el modelo:

Yi = 0 + 1D1i + 2D2i + 3D1iD2i + 4Zi + ui Donde Yi es la calificacin obtenida por el estudiante i, Zi son las horas de estudio invertidas en preparar la asignatura, D1i toma valor 1 si los datos corresponden a una mujer y D2i es otra ficticia con valor 1 si el estudiante proviene de un centro privado y cero en caso contrario. Se pide: - Aporte una interpretacin precisa para cada uno de los cuatro parmetros de posicin del modelo diferentes de 0. - Indique como analizara el supuesto de que en esa asignatura se discrimina en funcin del centro de procedencia entre mujeres pero no entre hombres. - Cmo contrastara el supuesto de que el nmero de horas invertidas en la preparacin de la asignatura por los estudiantes procedentes de la educacin pblica, no tiene ningn impacto en la calificacin obtenida? En los apartados segundo y tercero indique claramente cual es la hiptesis a contrastar y con qu estadstico puede resolverse el contraste planteado. Problema 33. Disponemos de 364 datos de las variables yt y xt Estos datos son observaciones diarias de ambas variables y se han tomado a lo largo de un ao. Se sabe adems que las dos variables estn relacionadas a travs de un MLS como:

yt = + x t + u t u t ~ iidN(0; 2)
Sin embargo, en lugar de utilizar esa informacin se aplican las transformaciones siguientes: - Los datos diarios se acumulan en semanas y en la estimacin se utilizan los 52 datos semanales. - Los datos diarios se acumulan en meses y en la estimacin se utilizan los 12 datos mensuales. - Los 364 datos se convierten en 363 al agregarlos como y* t = y t + y t 1 ; t = 2,...,364 . En la estimacin se utilizan los 363 datos as obtenidos. Analice cada una de las alternativas propuestas y seale los problemas resultantes de esas transformaciones. En cada caso indique, detallando su propuesta, cual ser el mtodo de estimacin que se debera utilizar. Por ltimo, si tuviera que elegir entre estimar el modelo utilizando la informacin original o la conseguida con alguna de las tres transformaciones propuestas, cul sera su decisin?. Razone su contestacin. Problema 34. Se ha especificado un modelo lineal con tres variables explicativas:

32

yi = 1 + 2 x 2i + 3 x3i + 4 x 4i + ui donde x3 es ortogonal con x 2 y con x 4 , mientras que el coeficiente de correlacin simple entre x 2 y x 4 es prximo a 1 ( ( x 2i x 2 )( x3i x3 ) = ( x 4i x 4 )( x3i x3 ) = 0 , r2,4 1 ). Demostrar que la elevada correlacin entre x 2 y x 4 tiene consecuencias negativas
sobre la precisin de la estimacin de 2 y 4 , mientras que no tiene efectos sobre la estimacin de 3 . Problema 35. De la estimacin del modelo yt = 1+ 2x2t+3x3t +ut, se ha obtenido la siguiente informacin: T 2

0.8193 1-25 1.5134 26-75 1.5761 76-100 1.6256 1-100 La estimacin recursiva de los parmetros del modelo se muestra en los siguientes grficos:
beta1 2.5 2.0 1.5 1.0 0.5 0.0 1 25 49
beta 2

73

97

3.0 2.5 2.0 1.5 1.0 0.5 0.0 1 26

51

76

beta 3 2.5 2.0 1.5 1.0 0.5 0.0 1 26 51 76

Determine si la especificacin inicial es la adecuada, y en caso de no serlo, proporcione una especificacin que resuelva los problemas existentes.

33

Problema 36

Una empresa fabricante de prendas deportivas desea analizar los determinantes de la venta de uno de sus productos. El servicio de estudios considera que el problema se puede abordar mediante una regresin entre las ventas anuales (Vt), la renta disponible del periodo (Yt) y una variable que mida la influencia del precio sobre la ventas. En este punto se presentan ciertos problemas ya que el clculo del verdadero ndice de precios del producto (P1t) es una tarea complicada. En consecuencia, optan por aproximarse a esta variable de precios a travs de un ndice alternativo, P2t, pero ms sencillo de calcular y que, en su opinin, puede desarrollar el mismo papel que el anterior. A partir de esta especificacin, estiman dos modelos:
^

M1: V t = 0,29 + 0,04 Yt - 0,04 P2t (2,66) (0,59) (-39,67) 2 = 0,89 d = 2,12 Chow = 3,69 LM(1) = 0,68 LM(2) = 1,37 LM(3) = 1,48
_

l = -580,06 LM(4) = 2,82

Reset = 5,80

M2: ln V
_

= -3,70 + 1,19 ln Yt - 1,54 ln P2t (-26,07) (29,06) (-142,82)

2 = 0,99 d = 2,06 Chow = 0,88 l = -180,06 Reset = 1,80 LM(1) = 0,68 LM(2) = 1,37 LM(3) = 1,48 LM(4) = 1,12 En la estimacin se utiliz informacin trimestral para las diversas variables tomada durante los ltimos 25 aos. Asimismo, LM(p) representa el valor del estadstico de Breusch-Godfrey, l el logaritmo neperiano de la funcin de verosimilitud, el contraste Reset se ha calculado para p = 2 y d el estadstico de Durbin-Watson. Chow es el contraste del mismo nombre para intentar captar una posible ruptura estructural que se poda haber producido justo en la mitad de la muestra. Con esta informacin se pide: a) Contraste cul de las dos formas funcionales es la ms adecuada b) Se puede interpretar en el modelo M1 los resultados del estadstico de Chow como evidencia en favor de la existencia de una posible ruptura estructural? Por qu? c) Interprete econmicamente los resultados de las estimaciones del modelo elegido. Una vez acabado el estudio, un nuevo economista indica que, tal vez, los resultados no sean correctos debido a que el ndice de precios utilizado no es el adecuado. Para demostrarlo obtiene el ndice de precios real y reestima las ecuaciones anteriores. Los resultados obtenidos son los siguientes:

M3: V t = 0,49 + 0,24 Yt - 0,14 P1t (2,66) (1,59) (-29,67) 2 = 0,89 d = 2,11 Chow = 2,89 LM(1) = 0,69 LM(2) = 1,34 LM(3) = 1,28
_

l = -575,06 LM(4) = 2,12

Reset = 6,20

M4: ln V t = -3,38 + 0,76 ln Yt - 1,45 ln P1t (-25,05) (28,57) (-136,96) 2 = 0,99 d = 2,07 Chow = 0,89 LM(1) = 0,68 LM(2) = 1,37 LM(3) = 1,48 En virtud de los nuevos resultados:
_

l = -175,06 LM(4) = 2,80

Reset = 2,10

34

d) Considera acertada la observacin del economista? Por qu?. Reinterprete el mejor de los cuatro modelos anteriores en trminos econmicos. En un ltimo intento, el servicio de estudios estima un nuevo modelo introduciendo una forma funcional doblemente logartmica donde se utilizan, como variables explicativas, las dos variables de precios.
^

M5: ln V t = -4,04 + 0,81 ln Yt + 6,49 ln P1t - 794 ln P2t (-13,76) (2477) (2,04) (-2,50)
_

2 = 0,99 d = 2,07

Chow = 1,15

l = -174,12

Reset = 1,90

LM(1) = 0,21 LM(2) = 0,23 LM(3) = 1,76 LM(4) = 2,76 e) El servicio de estudios, a la vista de estos resultados, se ratifica en su opinin aunque, como los dos precios son significativos, admiten la existencia de un efecto cruzado de precios. Frente a ello, el economista argumenta que tal efecto cruzado no es sino consecuencia de un evidente problema de multicolinealidad aproximada. Ms an, contina, si tenemos en cuenta que la correlacin entre los dos precios es muy elevada, el modelo M5 es cualitativamente idntico al modelo M4. Cul de las dos ltimas posturas le parece ms correcta? Por qu?
Problema 37.

Un investigador desea modelizar la demanda de tabaco en Aragn en el periodo 1953-1976. Los modelos que estima son los siguientes M1 M2

Q t = 7,3 + 0,00093 Rt - 0,017 Pt (18,3) (1,78) (-3,35)

^

R 2 = 0,29 R 2 = 0,3
_

d=0,71 d=0,73

LQt = 2,42 + 0,078 LRt - 0,24 LPt

(10,1) (0,96) (-2,74) Las variables utilizadas en ambos modelos son Qt: consumo de tabaco en Aragn, Pt: precio del tabaco y Rt: renta de los consumidores, mientras que LQt, LRt y LPt son sus respectivos logaritmos neperianos. a) Comente los resultados obtenidos Posteriormente se consider la posibilidad de que la demanda de tabaco hubiese sufrido un cambio importante desde 1961 debido a una agresiva campaa publicitaria. A tal fin se introduce en las especificaciones anteriores una variable Dt que toma valor unitario a partir de ese ao y cero en otro caso. Tras la inclusin de la nueva explicativa se estiman dos nuevo modelos, cuyos resultados son los siguientes: M3 M4

Q t = 8,42 - 0,0005 Rt - 0,025 Pt+ 0,44 Dt R 2 = 0,41 d=1,27 LM(1)=2,8 (14,11) (-0,66) (-4,37) (2,36)
^

LQt = 4,04 - 0,08 LRt - 0,4 LPt + 0,1 Dt

R 2 = 0,65 d=1,38 LM(1)=1,8

(10,03) (-2,1) (-6,64) (4,46) b) Analice la existencia de una ruptura estructural en la serie original. c) Analice estadsticamente los dos ltimos modelos d) Elija razonadamente el mejor los cuatro modelos estimados e) Interprete econmicamente dicho modelo.

35

Problema 38.

Un centro de estudios est interesado en estudiar el comportamiento de la funcin de consumo en Espaa. Tras diversos trabajos, considera que las variables ms adecuadas para el estudio son Yt : Consumo privado de las familias, Rt : Renta nacional disponible, Pt: ndice de precios. La informacin disponible incluye una muestra de 50 datos. Asimismo, existe una cuarta variable ficticia (Dt) que intenta recoger el efecto de la primera crisis del petrleo. A partir de esta informacin, se estiman diversos modelos: MODELO 1.

Y t = 34,07 - 0,03 Rt - 0,06 Pt

(4,73) (-0,14) (0,33) SR = 136,6 FAV = 0,07 R2 = 0,02 d = 0,98 Chow(1973) = 14123 l = -96,06 LM(1) = 16,28 LM(2) = 19,27 LM(3) = 19,97 MODELO 2.

LM(4) = 19,14

Y t = 11,0 + 0,54 Yt-1 + 0,13 Rt

(1,34) (4,15) (0,73) SR = 100,31 FAV = 8,65 R2 = 0,27 Chow(1973) = 43,96 d = 2,15 h Durbin = -2,11 l = -88,31 LM(1) = 2,26 LM(2) = 2,69 LM(3) = 3,44 LM(4) = 5,32 MODELO 3.

Y t = 13,4 + 0,64 Rt - 2,95 Dt

(2,38) (3,79) (-7,09)

SR = 66,05 FAV = 25,24 R2 = 0,52 d = 1,93 Chow(1973) = 1,05 l = -77,90 LM(1) = 0,07 LM(2) = 0,25 MODELO 4.
^

LM(3) = 0,20 (2,4) (4,08)

LM(4) = 0,85 (-7,15)

Y t = 12,12 + 0,71 Rt - 0,09 (Dt Rt)

SR= 65,56 FAV = 25,60 2 R = 0,52 d = 1,96 Chow(1973) = 0,29 l = -77,72 LM(1) = 0,14 LM(2) = 0,31 LM(3) = 0,23 LM(4) = 0,93 donde LM(p) es el estadstico de Breusch-Godfrey y l es el logaritmo de la funcin de verosimilitud. A partir de estos resultados considere las siguientes cuestiones: a) Contraste la existencia de autocorrelacin en los modelos b) Podemos afirmar que los problemas de autocorrelacin existentes tienen una naturaleza dinmica?. Qu otras causas pueden ser determinantes en este aspecto? c) Analice econmicamente el mejor de los tres modelos planteados. d) Con respecto al modelo anterior, conteste razonadamente a los siguientes puntos: d1) Cmo influy la primera crisis del petrleo? d2) Cul es la propensin marginal al ahorro para el conjunto de la muestra?
Problema 39.

El departamento de marketing de una empresa dedicada a la distribucin de aceite de oliva se dispone a realizar un estudio de mercado entre 30 familias. Realiza las siguientes regresiones relacionando Qol,i (litros consumidos de aceite de oliva, por la familia i y mes) con Pol,i (Ptas/litro aceite de oliva para la familia i), Pgi,i (Ptas/litro aceite de girasol), Pma,i
36

(Ptas/litro de aceite de maiz) y Ri (renta mensual de la familia i, medida en cientos de miles de pesetas). Se estiman los siguientes modelos alternativos donde L representa el logaritmo neperiano de la respectiva variable: Qol,i = 91,58 - 0,93 Pol, i+ 0,82 Pgi,i - 0,36 Pma,i + 0,54 Ri (2,86) (-3,93) (4,03) (-2,12) (5,62) 2 l=-105,1 SR=1936 Reset=4,80 BP=5,2 d=2,3 R =0,65 M2: LQol,i = 4,27 - 0,89 LPol, i+ 0,55 LPgi,i - 0,34 LPma,i + 0,74 LRi (3,54) (-4,12) (4,26) (-1,91) (5,50) l =37,4 SR=0,145 Reset=1,10 BP=4,01 d=2,2 R2 =0,66 M3: LQol,i = 4,49 - 0,01 Pol, i+ 0,01 Pgi,i - 0,003 Pma,i + 0,01 Ri (16,5) (-4,08) (4,36) (-2,23) (5,88) l=37,79 SR=0,14 Reset=6,50 BP=5,97 d=2,3 R2 =0,67 En el estadstico de Breusch-Pagan se ha supuesto que la variable renta se asocia al posible problema de heterocedasticidad y el contraste Reset se ha calculado para p = 2. Se pide: a) Elija la especificacin ms adecuada. b) Suponiendo que elegimos el modelo lineal, y sabiendo que la renta mensual media de las familias encuestadas es de 200000 ptas y que en media consumen un litro y medio de aceite de oliva al mes, indique si calificara al aceite de oliva como un bien de lujo, de primera necesidad o como inferior. No satisfechos con las estimaciones anteriores, el departamento decide introducir dos variables ficticias D1i y D2i definidas como: D1i toma el valor 1 para las familias de menor renta y cero en el resto, y D2i toma valor 1 para la familias de renta media y cero el resto. Los modelos estimados son los siguientes: M1:Qol,i=95,12-0,84 Pol,i+0,92 Pgi,i0,36 Pma,i+0,45 Ri-0,09 (D1i Ri)-0,04 (D2i Ri) (2,89) (-3,27) (4,01) (-2,15) (3,59) (-0,95) (-0,96) l=-104,4 SR=1856 Reset=5,00 BP=5,4 d=2,3 R2 =0,66

M1:

M2:LQol,i=4,42-0,79 LPol,i+0,66 LPgi,i-0,41 LPma,i+0,60 LRi-0,03 (D1i LR)-0,02 (D2i LRi) (3,61) (-3,54) (4,65) (-2,23) (3,01) (-1,8) (-1,9) 2 l=39,4 SR=0,127 Reset=1,30 BP=5,38 d=2,1 R =0,85 M3:LQol,i=4,53 - 0,01 Pol, i+0,01 Pgi,i -0,003 Pma,i+0,01 Ri-0,001 (D1i Ri)-0,0003(D2i Ri) (16,12) (-3,41) (4,29) (-2,23) (3,77) (-0,98) (-0,9) 2 l=37,79 SR=0,14 Reset=4,50 BP=5,97 d=2,3 R =0,67 c) A la vista de los resultados aparecen discrepancias en el equipo de investigacin. El investigador A piensa que el mejor modelo es el M1, mientras que el investigador B dice el mejor modelo es el M2.Qu investigador piensa que tiene razn? El economista C considera excelente el modelo M2. Desde esta posicin, considere las siguientes cuestiones: d) Cree que, econmicamente, el modelo elegido es satisfactorio teniendo en cuenta las diferencias observadas segn los niveles de renta? Posteriormente se decide utilizar una serie de contrastes adicionales tras estimar los modelos que se presentan a continuacin: M4: Q*ol,i = 99,23 C*- 0,91 P*ol, i+ 0,75 P*gi,i - 0,38 P*ma,i + 0,53 (3,81) (-4,76) (4,55) (-2,57) (6,52) l=-87,5 SR=0,047 Reset=590 BP=1,93 d=2,1 R2 =0,95 M5: LQ*ol,i = 4,35 C* - 0,89 LP*ol, i+ 0,55 LP*gi,i - 0,34 LP*ma,i + 0,74 (3,72) (-4,29) (4,30) (-2,94) (5,66)

37

BP=1,87 d=2,2 R2 =0,98 l=-54,2 SR=0,005 Reset=1,80 M6: LQ*ol,i = 4,56 C* - 0,01 P*ol, i+ 0,01 P*gi,i - 0,004 P*ma,i + 0,01 (20,4) (-4,96) (4,97) (-1,67) (6,85) BP=3,2 d=2,1 R2 =0,93 l=-196,9 SR=0,08 Reset=6,20 donde el signo * en la parte superior de cada variable indica la variable transformada. e) A la vista de estas estimaciones qu modelo preferira de entre los anteriores?. Suponiendo que el modelo elegido es el M5 atienda a los siguientes puntos f) Cual es la estructura correspondiente a la varianza del trmino de perturbacin: V(Ui). g) Discuta la naturaleza de la demanda, as como el carcter complementario, sustitutivo o independiente de los distintos aceites. A pesar de que el modelo anterior parece satisfactorio, se decide ampliar todas las especificaciones anteriores incluyendo las variables ficticias D1 y D2, con resultados: t-ratio D1 t-ratio D2 BP SR R2 l Reset -1,01 -0,89 2,08 0,045 0,95 -89,7 4,50 M1 -1,29 -1,06 2,35 0,004 0,99 -54,80 1,20 M2 -0,93 -0,71 2,07 0,07 0,94 -108,2 5,90 M3 h) A la vista de estos resultados analice la significatividad conjunta de las variables ficticias. i) Qu tipo de campaa de marketing cree ms aconsejable para la empresa en cuestin?
Problema 40.

El gerente del principal matadero de corderos de Zaragoza est preocupado por la variabilidad de las ventas mensuales de cordero de su empresa (Vt). Dispone de informacin sobre el precio del producto (PPt) y el precio de la competencia (PCt). Utilizando informacin procedente de 52 meses anteriores plantea dos modelos con los siguientes resultados: M1: LVt = 4,77 - 0,89 LPPt+ 0,57 LPCt (3,26) (-2,82) (14,56) Reset= 0,95 SR=70 BP=2,01 d=1,90 R2 =0,83 LM(1)=12,1 LM(2)=24,9 LM(12)=134,56 M2: Vt = 334,72 - 0,79 PPt+ 0,02 PCt (4,24) (-2,79) (15,86) Reset= 6,30 SR=80 BP=1,98 d=1,98 R2 =0,85 LM(1)=22,9 LM(2)=23,7 LM(12)=110,89 Se supone que la variable precio del producto se halla vinculada con el posible problema de heteroscedasticidad en el estastico BP; LM indica el estadstico de Breusch-Godfrey y el contraste Reset se ha calculado para p = 2. a) Sabiendo que los valores crticos son dL=1,48, dU=1,63. Qu modelo seleccionara? Algunos expertos consideran que, como existe cierta inercia en el consumo, los modelos anteriores estn mal especificados, por lo que deciden estimar formas alternativas.

M3:

M4:

M5:

LVt = 4,63 - 0,97 LPPt+ 0,08 LPCt +0,87 LVt-1 (6,65) (-6,27) (2,01) (1,2) 2 Reset= 1,30 Var[ep] =0,2 BP=1,91 d=1,80 R =0,90 LM(1)=9,12 LM(2)=11,57 LM(12)=25,41 2 =0,01 SR=50 Vt = 84,3 - 0,87 PPt+ 0,18 PCt +0,7 Vt-1 (2,65) (-3,27) (3,01) (0,2) 2 Reset= 5,80 Var[ep] =0,3 BP=2,9 D-W=d=1,90 R =0,91 LM(1)=12,3 LM(2)=15,2 LM(12)=26,14 2 =0,02 SR=70 LVt = 5,3 - 0,97 LPPt+ 0,88 LPCt +0,27 LVt-12
38

(6,65) (-6,27) (2,01) (.....) Reset= 1,80 Var[ep] =0,2 BP=1,91 d=1,80 R2 =0,98 LM(1)=1,12 LM(2)=1,57 LM(12)=5,41 2 =0,01 SR=30 M6: Vt = 84,3 - 0,87 PPt+ 0,18 PCt +0,17 Vt-12 (2,65) (-3,27) (3,01) (4,2) Reset= 7,10 Var[ep] =0,3 BP=2,9 d=1,90 R2 =0,97 LM(1)=2,4 LM(2)=3,2 LM(12)=6,4 2 =0,02 SR=40 b) Discuta las diferencias existentes entre el modelo M1 y el modelo M3. Qu modelo seleccionara de esos dos? c) Y entre el modelo M2 y el modelo M4 ? d) Considerando ahora todos los modelos Qu modelo elegira? e) En base a la informacin disponible, calcule el valor del t-ratio correspondiente a la variable LV t-12 del modelo M3. Con independencia del modelo elegido en el apartado anterior, decidimos trabajar con el modelo M3. f) Calcule las ventas medias para el primer mes del prximo ao 1998, sabiendo que: 1) el precio esperado del producto es de 1200; 2) el precio aproximado de la competencia ser aproximadamente de 1500; y 3) se dispone de la siguiente informacin muestral en relacin a las ventas de los anteriores meses: Diciembre 1996, 400; Enero 1997, 405; Octubre 1997, 600; Noviembre 1997, 607; Diciembre 1997, 625. g) Calcule el intervalo de confianza, al nivel de significacin del 5%, para dichas ventas medias. h) Seale cul de las siguientes afirmaciones es cierta: h1) La sensibilidad de las ventas de cordero del matadero con respecto a su propio precio es mayor en el largo plazo que en el corto. h2) La sensibilidad de las ventas de cordero del matadero al precio de la competencia es menor en el largo plazo que en el corto. h3) No existen diferencias significativas entre las respuestas a largo plazo y a corto plazo. h4) Tanto en el largo como en el corto plazo, el comportamiento de la demanda es muy inelstico.
Problema 41.

Un empresario quiere estudiar los determinantes que llevan a la compra de su producto. Para ello, contrata los servicios de una empresa de consulting. Para una muestra de 100 individuos, dicha empresa estima el siguiente modelo por Mnimos Cuadrados ponderados: D i = -1,3 + 0,12 Ri + 0,8 RBi, donde Di es una variable dicotmica que toma valor unitario si el individuo compra el producto y 0 si no lo compra, Ri es la renta del individuo y RBi es una variable que toma valor 1 si el individuo compra este tipo de productos durante la poca de rebajas y 0 en otro caso. a) Por qu es conveniente la estimacin por Mnimos Cuadrados Ponderados? b) Para una persona que tiene una Renta de 10 y compra este tipo de bien en las rebajas, cul es la probabilidad de que compre el producto? c) De igual forma, para una persona que tiene una Renta de 4 y compra este tipo de bien en las rebajas, cul es la probabilidad de que compre el producto? Cmo debe interpretarse ese resultado? Una segunda empresa de asesora realiza un estudio paralelo, estimando a tal fin un modelo LOGIT. Los resultados de esta estimacin son los siguientes: L i = -4,7 + 0,48 Ri + 3,2 Rbi.
^ ^

39

d) Cul es ahora la probabilidad de comprar el producto por parte de un individuo que tenga una renta de 4 u.m. y que compre este tipo de bien en las rebajas? e) Cmo se interpretan los estimadores del modelo LOGIT?
Problema 42.

Supongamos que un servicio de estudios pretende realizar un anlisis de la funcin de inversin. A tal fin estiman los siguientes modelos, donde todas las variables se expresan en logaritmos neperianos: I t = -0,50 + 0,80 Yt + 0,20 rt (-5,22) (7,12) (5,4) LM(1) = 5,76 d = 0,38 EG= -1,00 R2 = 0,97 (YT) = -1,20 (It) = -2,0 (rt) = -1,70 En la estimacin anterior It representa la inversin, Yt el PIB y rt el tipo de inters real. Asimismo, R2 es el coeficiente de determinacin, LM el estadstico de Breusch-Godfrey, D el de D y EG el de Engle-Granger que es un contraste para determinar la existencia de races unitarias en los residuos de la mencionada regresin. Por ltimo, los valores expresados entre parntesis son t-ratios y el tamao muestral es de 100 observaciones. A partir de esta informacin conteste a las siguientes preguntas: a) Qu podemos decir sobre el vector de estimadores de posicin? b) Qu se puede decir sobre el estadstico de Engle-Granger? c) En base a los resultados anteriores, Cul es la especificacin correcta del modelo?. = 2'89; EG = 3'62 Datos: = 3'45;

40