Universidad Diego Portales

Departamento de Economa

AYUDANTA 3
Profesor: Andrs Elberg
Ayudante: Stefano Zecchetto
17 de abril 2013

1. Ejercicio

Utilizando datos de 1988 sobre las casas vendidas en Andover, Massachusetts, de Kiel y McClain (1995), la siguiente ecuacin relaciona el precio de las viviendas (price) con la distancia a un incinerador de basura construido
recientemente (dist):
= 9, 40 + 0, 312log(dist)
log(price)
n = 135, R2 = 0, 162

a) Interpretar el coeciente de log(dist). Es el signo de esta estimacin el que se puede esperar?

Podemos observar que tanto la variable dependiente como la independiente estn en logaritmo, en consecuencia
. Si el estimador es 0, 312 entonces decimos que si
el estimador corresponde a la elasticidad dist en relacin a price
dist aumenta en un 1% el precio de las casas aumentan en un 0,312%. Podemos decir que el signo del estimador

es de esperar, dado que mientras ms lejano se encuentra una casa de un incinerador de basura, se espera que el
precio aumente, dado que nadie valora el hecho de vivir cercano a un incinerador de basura debido a que genera
externalidades negativas para los que viven cerca.

b) Ofrece la regresin simple un estimador insesgado de la elasticidad ceteris paribus de price con respecto a
dist? (Responder teniendo en cuenta la decisin de la ciudad sobre donde situar un incinerador)

El supuesto que requerimos para el insesgamiento es que E(u | X) = 0 es decir que el trmino de error no est
relacionado con el regresor, la decisin de instalar el incinerador en un determinado lugar depende de si dicho lugar
se encuentra cercano a los colegios, parques, hospitales etc. El precio de las casas depende tambin de la cercana
de la casa a los colegios, parques, hospitales o el tipo de barrio en donde est ubicada. Como en el modelo no se
esta considerando como variables la distancia de la casa a lugares como colegios, parques etc. el efecto de estas
variables se encuentra en el trmino de error, por lo tanto podemos esperar que dist tenga alguna relacin con el
error y por lo tanto se presente un sesgo.

Universidad Diego Portales

Departamento de Economa

c) Que otros factores de una casa tienen incidencia sobre su precio?. Pueden estar correlacionados con la
distancia del incinerador?.
Otros factores a considerar en el precio pueden ser el tamao, el nmero de habitaciones, los materiales usados en
la construccin de la casa, el barrio en donde esta ubicada. Por ejemplo el barrio donde se ubicar el incinerador, se
espera que tenga una dependencia con la distancia del incinerador. Si pensamos por ejemplo en que es ms probable
que el incinerador se instale en un barrio de bajo ingreso debido a que las personas ms pobres no tienen un poder
inuenciador grande en las decisiones de la ciudad. La decision de ver en que barrio se instalar el incinerador tiene
su efecto contenido en el trmino de error y dado que el barrio en donde se instala el incinerador, si tendr relacin
con la distancia, entonces se concluye que el trmino de error y la variable dist no son independientes por lo que se
rompe el supuesto de media condicionada nula.

2. Ejercicio

Consideremos la funcin de ahorro

sav = 0 + 1 inc + u

en donde u = inc e

e es una variable aleatoria con E(e) = 0 y V ar(e) = e2 . Establezcamos el supuesto de que e es independiente

de inc
a) Demostrar que E(u | inc) = 0 de tal forma que se cumple el supuesto de media condicionada nula (pista: Si
e es independiente de inc, entonces E(e | inc) = E(e).)

E(u | inc) = E( inc e | inc)

E( inc e | inc) = incE(e | inc)

incE(e | inc) = incE(e) = inc 0 = 0

b) Demostrar que V ar(u | inc) = e2 inc, de tal forma que el supuesto de homoscedasticidad no se cumple. En
particular, la varianza de sav aumenta con inc (pista: V ar(e | inc) = V ar(e), si e e inc son independientes).

V ar(u | inc) = V ar( inc e | inc)

V ar( inc e | inc) = incV ar(e | inc)

incV ar(e | inc) = incV ar(e) = ince2

entonces V ar(u | inc) = ince2

Universidad Diego Portales

Departamento de Economa

c) Argumentar a favor del supuesto de que la varianza del ahorro aumenta con los ingresos de la familia
Si la familia fuera de bajos ingresos, probablemente su nivel de consumo sera bajo tambin, quizas a nivel
de subsistencia, por lo cual no tendra muchas oportunidades de ahorro, en consecuencia la varianza del ahorro
sera baja. En cambio si el ingreso es alto, el ahorro podra tener mayor varianza debido a que la familia tendra
oportunidades de ahorro. Se debe considerar tambin si la familia tiene una propensin marginal al ahorro alta
debido al obtener un ingreso ms alto.

3. Ejercicio

Consideremos el modelo estndar de regresin simple y = 0 + 1 x + u con todos los supuestos RLS.1 a RLS.5.
Los estimadores MCO 0 y 1 habituales son insesgados para sus parmetros poblacionales respectivos. Sea 1 el
estimador 1 obtenido con el supuesto de que el trmino constante es cero

a) Obtener E(1 ) en trminos de las xi , 0 y 1 . Comprobar que que 1 no tiene sesgo para 1 cuando el
trmino constante poblacional (0 ) es cero. Hay otros casos para los que 1 no tenga sesgo?
Primero tenemos que obtener el estimador 1 por el mtodo de MCO en este caso tenemos el modelo as:
despejando ui tenemos:

yi = 1 xi + u
i

ahora elevamos al cuadrado en ambos lados obteniendo:

u
i = yi 1 xi

u
2i = (yi 1 xi )2 ahora debemos aplicar sumatoria en ambos lados
n
n
X
X
u
2i =
(yi 1 xi )2 ahora debemos derivar esta expresin con respecto al estimador e igualar a 0
i=1

i=1

n
X

u
2i

i=1

= 2

n
X
(yi 1 xi )xi = 0
i=1

n
X

(yi 1 xi )xi = 0

i=1

n
X
(yi xi 1 x2i ) = 0
i=1
n
X

n
X
i=1

yi xi 1

n
X
i=1

x2i

=0

= 1 =

yi xi

i=1
n
X

entonces este sera el estimador MCO para este caso. Ahora

x2i

i=1

debemos calcular su valor esperado, primero vamos a reemplazar yi en la sumatoria del numerador por el modelo
original, es decir yi = 0 + 1 x1 + ui por lo tanto tenemos:

Universidad Diego Portales

n
X

1 =

Departamento de Economa
n
X


0 xi + 1 x2i + ui xi

[0 + 1 xi + ui ] xi

i=1
n
X

i=1
n
X

x2i

i=1

0
1 =

n
X

xi

i=1
n
X

x2i

=
x2i

xi

i=1
n
X
i=1

n
X

i=1
n
X

x2i

x2i

i=1

n
X

ui xi

+ i=1
n
X

x2i

i=1

ui xi

1 + i=1
n
X

i=1

n
X

x2i

i=1
n
X

, ahora debemos aplicar la esperanza, en general cuando aplicamos esperanza

x2i

i=1

de un estimador estamos
usando esperanzacondicionadaen x por lo tanto tenemos que:

n
n
X
X
xi
ui xi

i=1
i=1

E(1 | x) = 0 E n
| x + 1 + E n
| x

X
X

x2i
x2i
i=1
n
X

E(1 | x) = 0

i=1
n
X

E(1 | x) = 0

i=1
n
X

" n
#
X
1
+ 1 + n
E
ui xi | x
X
2
i=1
2
xi
xi
i=1

xi
+ 1 +
x2i

i=1
n
X

E(1 | x) = 0

las esperanzas

i=1
n
X

i=1

xi

i=1
n
X

recordar que: E(1 | x) = 1

n
1 X
E [ui xi | x]
n
X
i=1
2
xi
i=1

xi
+ 1 +
x2i

i=1

1
n
X

n
X

xi E [ui | x]

recordar que la esperanza de la suma es igual a la suma de

x2i i=1

i=1

y que adems cuando se condiciona a x todo lo que esta en trminos de x se trata como si fuera una constante
y puede salir del valor esperado multiplicandolo, como sabemos que E [ui | x] = 0 tenemos entonces que :
n
X

E(1 | x) = 0

i=1
n
X

xi
+ 1

como podemos ver si 0 = 0 entonces quedara E(1 | x) = 1 en el caso de que

x2i

i=1
n
X
i=1
n
X

xi
= 0 el estimador tambin sera insesgado.
x2i

i=1

b) Obtener la varianza de 1 (pista: la varianza no depende de 0 )

4

Universidad Diego Portales

Departamento de Economa
n
X

Tenemos que: 1 =

yi xi

i=1
n
X

reemplazamos yi al igual que en la pregunta anterior y realizamos el mismo

x2i

i=1

procedimiento por lo tanto tenemos:

n
X

1 =

n
X


0 xi + 1 x2i + ui xi

[0 + 1 xi + ui ] xi

i=1
n
X

i=1
n
X

x2i

i=1

0
1 =

n
X

x2i

=
x2i

xi

n
X

x2i

i=1
n
X

x2i

x2i

i=1

n
X

ui xi

+ i=1
n
X

i=1

x2i

i=1

ui xi

1 + i=1
n
X

i=1

n
X

i=1
n
X

i=1
n
X

xi

i=1
n
X

ahora estamos en condiciones de aplicar varianza tenemos entonces:

x2i

i=1

n
X

n
X

xi ui
xi

i=1

i=1
+ V ar(1 | x) + V ar

|
x
|
x
V ar(1 | x) = V ar
n
n

2
2
xi
xi
i=1

recordar que la varianza de una

i=1

constante es 0 por lo tanto tendramos que V ar(1 | x) = 0 y que V ar(0 | x) = 0

n
X

xi

i=1

V ar(0 | x) + V ar(1 | x) +
V ar(1 | x) = n

x2i
i=1

1
n
X

"
!2 V ar

x2i

n
X

#
xi ui | x

i=1

i=1

n
X

xi

i=1
V ar(0 | x) + V ar(1 | x) +
V ar(1 | x) =
n
X

2
xi
i=1

n
X


1
n
X

!2
x2i

x2i V ar(ui | x)

i=1

i=1

Recordar que: V ar(ui | x) = homoscedasticidad

2

V ar(1 | x) =

n
X

1
n
X

!2
x2i

x2i 2

i=1

i=1

V ar(1 | x) =

2
n
X

x2i

i=1

c) Demostrar que V ar(1 ) V ar(1 )

(Pista: Para cualquier muestra de datos

n
X
i=1

desigualdad estricta a no ser que x = 0

x2i

n
X
(xi x
)2 con
i=1

Necesitamos obtener V ar(1 ), podemos resolver obteniendo V ar(1 | x), esto es en realidad lo que debemos cal5

Universidad Diego Portales

Departamento de Economa
n
X

cular. Es importante tener en cuenta que

i=1

Adems deniremos di = (xi x)

n
X

Tenemos que por MCO 1 =

n
X

1 =

(xi x
)(yi y) =

n
X
(xi x
)yi esto es una propiedad de sumatorias.
i=1

(xi x
)(yi y)

por la propiedad denida antes tenemos que

i=1
n
X
(xi x
)2
i=1

(xi x
)yi

i=1
n
X

(xi x
)2

i=1
n
X

Para abreviar escribimos 1 =

di yi

i=1
n
X

ahora reemplazamos yi = 0 + 1 xi + ui por lo tanto tenemos:

d2i

i=1
n
X

1 =

n
X

di (0 + 1 xi + ui )

i=1
n
X

(di 0 + di 1 xi + di ui )

i=1

n
X

d2i

i=1

0
=

n
X

d i + 1

i=1

Por propiedad de sumatoria:

di =

d2i

n
X

di ui

i=1

d2i

i=1

n
X

n
X

i=1

i=1

i=1

di xi +

i=1
n
X

i=1
n
X

n
X

(xi x
) = 0 y

di xi =

n
X
i=1

(xi x
)xi =

n
n
X
X
d2i
(xi x
)2 =
i=1

i=1

(Ver apendice A)
0
1 =

n
X

di

n
X

i=1
n
X

i=1
n
X

d2i

i=1

di xi
+

d2i

di ui

i=1
n
X

i=1
n
X

1 = 1 +

n
X

jandonos en las propiedades recien descritas obtenemos lo siguiente:

d2i

i=1

di ui

i=1
n
X

esta es una forma abreviada de escribir el estimador, ahora podemos aplicar la varianza.
d2i

i=1

n
X

di ui

i=1

V ar(1 | x) = V ar(1 | x) + V ar n
| x

d2i

tenemos que V ar(1 | x) = 0 dado que 1 es una constante

i=1

V ar(1 | x) =

1
n
X

d2i

"
!2 V ar

n
X

#
di ui | x

i=1

i=1

Universidad Diego Portales

V ar(1 | x) =

tenemos:
V ar(1 | x) =

Departamento de Economa
n
X

1
n
X

!2
d2i

por homoscedasticidad tenemos que V ar(ui | x) = 2

nalmente

i=1

i=1

1
n
X

! 2
d2i

i=1

V ar(1 | x) =

d2i V ar(ui | x)

2
n
X

V ar(1 | x) =

2
n
X

!
d2i

i=1

comparamos con V ar(1 | x) =

(xi x
)2

i=1

n
n
X
X
2
2
como
tenemos
que
x

(xi x
)2
i
n
X
i=1
i=1
x2i
i=1

entonces V ar(1 ) V ar(1 ) queda entonces demostrado

d) Comentar la relacin inversa entre sesgo y varianza al escoger entre 1 y 1

Podemos ver que 1 es un estimador sesgado, en cambio 1 es insesgado, por lo cual es preferible en este sentido
a 1 pero tenemos que 1 es ms eciente debido a que tiene menor varianza por lo tanto hay un trade o entre
insesgamiento y eciencia.
El error cuadrtico medio nos sirve para ver que estimador sera ms preferible en este caso, el estimador que
h

tenga menor error cuadrtico medio ser ms preferido, el error cuadrtico medio se calcula as: E (1 E(1 ))2 =
V ar(1 ) + sesgo2 (1 )