Professional Documents
Culture Documents
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
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.
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
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).)
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).
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
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
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:
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
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
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]
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
x2i
i=1
n
X
i=1
n
X
xi
= 0 el estimador tambin sera insesgado.
x2i
i=1
Departamento de Economa
n
X
Tenemos que: 1 =
yi xi
i=1
n
X
i=1
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
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
i=1
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
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
n
X
i=1
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
Departamento de Economa
n
X
i=1
1 =
(xi x
)(yi y) =
n
X
(xi x
)yi esto es una propiedad de sumatorias.
i=1
(xi x
)(yi y)
i=1
n
X
(xi x
)2
i=1
(xi x
)yi
i=1
n
X
(xi x
)2
i=1
n
X
di yi
i=1
n
X
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
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
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
i=1
V ar(1 | x) =
1
n
X
d2i
"
!2 V ar
n
X
#
di ui | x
i=1
i=1
tenemos:
V ar(1 | x) =
Departamento de Economa
n
X
1
n
X
!2
d2i
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
(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
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 )