Anda di halaman 1dari 225

Manual Soluciones de

Estudiantes
Para su uso con

Damodar N. Gujarati

Cuarta edicin

Manual Soluciones de Estudiantes


Para su uso con

Econometra Bsica
Cuarta Edicin

DamodarN. Gujarati EE.UU. Academia Naval de West Point

Me
Graw
Hill
Boston Burr Ridge, IL Dubuque, IA Madison, Wl Nueva York San Francisco St. Louis
Bangkok Bogot Caracas Kuala Lumpur Lisboa Londres Madrid Miln Montreal Ciudad de
Mxico Nueva Delhi Santiago Sel Singapur Sydney Taipei Toronto

CONTENIDO
Captulo 1: La naturaleza del Anlisis de Regresin .................................................................. 1
hapter 2: Two-Variable Regression Analysis: Some Basic Ideas ............................................... 5
Captulo 3: Modelo de regresin Two-Variable: El problema de la estimacin ....................... 11
Captulo 4: La suposicin de normalidad: clsico modelo de regresin lineal Normal (CNLRM)

................................................................................................................................................... 22
Captulo 5: Regresin Two-Variable : Intervalo Estimacin y pruebas de hiptesis ............... 24
Captulo 6: extensiones del modelo de regresin logstica Two-Variable............................................. 36
Captulo 7: Regresin mltiple Anlisis: El problema de la estimacin ................................... 43
Captulo 8: Regresin mltiple Anlisis: El problema de inferencia.................................................... 53
Captulo 9: Modelos de regresin Variable ficticia ................................................................... 70
Captulo 10: La multicolinealidad: Qu sucede si los regresores estn correlacionadas? ....... 86
Captulo 11: Heteroscdasticity: Qu sucede cuando es varianza del error no es constante..... 99
Captulo 12: La Autocorrelacin: Qu ocurre si el trmino de error estn correlacionados . 111
Captulo 13: Modelos economtricos: Especificacin del modelo y las Pruebas de Diagnstico
................................................................................................................................................. 124
Captulo 14: modelos de regresin no lineal ........................................................................... 134
Captulo 15: modelos de regresin Respuesta Cualitativa ...................................................... 138
Captulo 16: modelos de regresin Datos de panel ................................................................. 144
hapter 17: Dynamic Econometric Models: Autoregressive and Distributed Lag Models ....... 149
Captulo 18: Modelos Simultaneous-Equation ........................................................................ 160
Captulo 19: El problema de identificacin ............................................................................. 163
Captulo 20: Simultaneous-Equation Mtodos ........................................................................ 168
Captulo 21: Series de Tiempo Econometra: Algunos conceptos bsicos ............................. 173
Captulo 22: Series de Tiempo Econometra: La Previsin .................................................... 181

PREFACIO
Este manual proporciona respuestas y soluciones a unas 475 preguntas y problemas
en la cuarta edicin de Econometra bsica. La mayora de las respuestas y las soluciones
se describen en detalle. En los pocos casos en que las respuestas no eran necesarias, me han
proporcionado alguna orientacin.
Las soluciones ha sido una tarea larga y tediosa tarea. He hecho todo lo posible para
verificar la exactitud de las soluciones numricas pero algunos errores e imprecisiones y
errores tipogrficos que han aparecido. Le agradecera mucho si el lector va a aportar a mi
atencin para que yo pueda corregirlos en la reimpresin de este manual.
Las respuestas a algunas de las preguntas son de ndole cualitativa y, por lo tanto,
abierto a la discusin. En algunos casos, puede haber ms de una forma de resolver un
problema o de modelado un fenmeno econmico. Espero que los instructores se
complementan este manual soluciones con sus propios ejercicios.
QUISIERA alguna sugerencia el lector podra tener que ofrecer para mejorar la
calidad de las preguntas y problemas, as como cualquier otro aspecto de esta solucin
manual. Tambin me gustara algn comentario sobre la cuarta edicin de Econometra.
Damodar Gujarati Departamento de Ciencias
Sociales EE.UU. Academia Militar West
Point, NY 10996.
EE.UU.

CAPTULO 1 LA NATURALEZA DEL ANLISIS DE REGRESIN


1.1 (A) Estos tipos ( %) son las siguientes. Son ao con ao, a partir de
1974 puesto que no hay datos anteriores a 1973. Estas tasas son,
respectivamente, de Canad, Francia, Alemania, Italia, Japn, REINO
UNIDO y ESTADOS UNIDOS.
10,78431
10,84071
7,584830
7,792208
8,950086
9,320695
9,971098
12,48357
10,86449
5,795574
4,282869
4,106972
4,128440
4,317181
4,054054
4,951299
4,795050
5,608856
1,537386
1,789401
0,202840
2,159244
1,585205
1,625488

13,58382
11,70483
9,567198
9,563410
9,108159
10,60870
13,67925
13,27801
11,96581
9,487459
7,669323
5,827937
2,534965
3,239557
2,725021
3,456592
3,341103
3,157895
2,405248
2,135231
1,602787
1,783265
2,021563
1,188904

6,847134
5,961252
4,360056
3,638814
2,730819
4,050633
5,474453
6,343714
5,314534
3,295572
2,392822
2,044791
-0.095420
0,191022
1,334604
2,728128
2,747253
3,654189
4,987102
4,504505
2,742947
1,830664
1,498127
1,697417

19,41748
17,07317
16,66667
19,34524
12,46883
15,52106
21,30518
19,30380
16,31300
14,93729
10,61508
8,609865
6,110652
4,591440
4,985119
6,591070
6,117021
6,390977
5,300353
4,250559
3,916309
5,369128
3,870652
1,745283

23,17328
11,69492
9,559939
8,171745
4,225352
3,685504
7,701422
4,840484
2,938090
1,732926
2,304609
1,958864
0,672430
0,000000
0,763359
2,367424
3,052729
3,231598
1,652174
1,283148
0,760135
-0.167645
0,167926
1,676446

0,157706
0,244582
0,164179
0,158120
0,083026
0,134583
0,178679
0,119745
0,085324
0,046122
0,050100
0,060115
0,034203
0,041775
0,049290
0,077229
0,095344
0,058704
0,036966
0,015980
0,024803
0,033648
0,024557
0,031215

(B)

--------PC
-------- PI - - PUS
PF ------ PJ
------- PG
-------- PUK

(c)
Como se puede ver en esta figura, la tasa de inflacin de cada uno de
los pases en general ha disminuido en los ltimos aos.
(d)
Como una medida de variabilidad, se pueden utilizar la desviacin
estndar. Estas desviaciones estndar son 0.036,0 0.018,0 .044, .062, 0,051 ,
0,060 y 0,032 ,

L
Respectivamente, de Canad, Francia, Alemania, Italia, Japn, REINO UNIDO y

0,11036
0
0,09127
8
0,05762
1
0,06502
6
0,07590
8
0,11349
7
0,13498
6
0,1
3155
0,06160
6
0,03212
4
0,04317
3
0,03561
1
0,01858
7
0,03649
6
0,04137
3
0,04818
3
0,05403
2
0,042081
0,030103
0,02993
6
0,02560
6
0,028340
0,02952
8
0,02294
5

ESTADOS UNIDOS. La mayor variabilidad se encuentra en Italia y el ms bajo para


Alemania.
1.2 . (A) El grfico de las tasas de inflacin de los seis pases conspiraron contra los
ESTADOS UNIDOS tasa de inflacin es la siguiente:
Las tasas de inflacin en seis pases frente a ESTADOS UNIDOS tasa de inflacin

(b)
Como se muestra en el grfico, las tasas de inflacin de los seis pases se
correlacionan positivamente con los EE.UU. tasa de inflacin.
(c)
Recordar que correlacin no implica causalidad. Es posible que haya
que consultar un libro sobre macroeconoma internacional a fin de determinar si hay
alguna conexin causal entre el nosotros y los otros pases las tasas de inflacin.
1.3 (A)ParaMejorVisual Impresin El Logaritmo En el tipo de cambio es
Representa en el eje vertical y el tiempo en el eje horizontal.

- - CANAD - " -JAPN

-REINO UNIDO
FRANCIA - S U E C I A

ALEMANIA

- SUIZA

Como puede ver, los tipos de cambio muestran una buena cantidad de
variabilidad. Por ejemplo, en 1977 un dlar de los ESTADOS UNIDOS compr
unos 268 yenes, pero en 1995 se poda comprar slo unos 94 yenes.
(b) Una vez ms, los resultados son mixtos. Por ejemplo, entre 1977 y
1995, El dlar de EE.UU. por lo general se depreci frente al yen, luego comenzaron
apreciar. El panorama es similar respecto a las dems monedas.
El grfico de la Ml oferta de dinero es la siguiente:

M1 oferta de dinero: EE.UU. 1951,01 09 -1999 ... ... ... ... ...

Dado que el PIB aumenta con el tiempo, naturalmente, una mayor cantidad de la oferta de
dinero se necesita para financiar el aumento de la produccin.
Algunas de las variables ms relevantes seran: (1) los salarios o ingresos en actividades
delictivas, (2) los salarios por hora o de los ingresos de actividades no delictivas, (3) de
probabilidad de ser atrapado, (4) de probabilidad de condena, (5) condena esperada
despus de la condena. Tenga en cuenta que puede no ser fcil de obtener datos sobre los
ingresos en las actividades ilegales. De todos modos, consulte a la Becker el artculo
citado en el texto.
Uno de los factores clave en el anlisis sera la tasa de participacin de la fuerza laboral
de las personas en la categora 65-69 aos. Los datos sobre la participacin en la fuerza de
trabajo son recogidos por el Departamento de Trabajo. Si, despus de que la nueva ley
entr en vigor, encontramos un aumento de la participacin de estos "superiores" a los
ciudadanos en la fuerza de trabajo, que sera un claro indicio de que la ley anterior haba
restringido artificialmente su participacin en el mercado de trabajo. Tambin sera
interesante averiguar qu tipos de puestos de trabajo que los trabajadores de conseguir y
lo que ganan.
(a) , (B ) y (c). Como se muestra en la siguiente figura, parece que hay una relacin
positiva entre las dos variables, aunque no parece ser muy fuerte. Esto probablemente
sugiere que se paga por hacer publicidad; de lo contrario, es una mala noticia para la
industria de la publicidad.

100
80-

R
E
S 40-

S
I

O 20N

0
-

40

80

120

160

ADEXP

20

DOS ANLISIS DE REGRESIN


VARIABLE:
EL CAPTULO
2 ALGUNAS IDEAS
BSICAS
2.1

Narra cmo la media o promedio de las respuestas de las


subpoblaciones de Y vara con los valores fijos de la variable
explicativa (s).

2.2

La distincin entre la funcin de regresin y muestra la poblacin


funcin de regresin es importante, para la primera es
Es un estimador de la ltima; en la mayora de las situaciones que
tenemos una muestra de observaciones de una poblacin dada, por lo
que tratamos de aprender algo acerca de la poblacin de la muestra
dada.

2.3

Un modelo de regresin nunca puede ser una informacin


absolutamente precisa descripcin de la realidad. Por lo tanto, es
inevitable que se produzca cierta diferencia entre los valores reales de
la regressand y sus valores estimados en el modelo elegido. Esta
diferencia es simplemente el trmino de error estocstico, cuyas
diversas formas se analizan en el captulo. El residuo es la contraparte
muestra del estocstico trmino de error.

2.4

Aunque es verdad que se puede utilizar el valor de la media, la


desviacin estndar y otras medidas de resumen para describir el
comportamiento de la regressand, que a menudo estn interesados
en averiguar si hay un nexo causal las fuerzas que afectan el
regressand. Si es as, vamos a ser capaces de predecir el valor
medio de las regressand. Tambin, recuerde que los modelos
economtricos son a menudo desarrollado para probar una o ms
teoras econmicas.

2.5

Un modelo que es lineal en los parmetros; puede que tenga o no


lineal en las variables.

2.6

Modelos (a), (b), (c) y (e) son lineales (en el parmetro) modelos de
regresin. Si dejamos que un = En f3 \, luego modelo (d) es tambin
lineal.

2.7

(A) tomando el logaritmo natural, nos encontramos con que en Y =


/? \ + /? 2 Xj + u \, que se convierte en un modelo de regresin lineal.
(b)
La siguiente transformacin, conocida como
la transformacin logit, hace de este modelo un modelo de regresin
lineal :
En [ (1- Yi) /Yj, sellada,] = / ?! + / ?2 Xj + w,
(c)
Un modelo de regresin lineal
(d)
Un modelo de regresin no lineal
(e)
Modelo de regresin no lineal, como P 2 elevado a la tercera

potencia.
2.8

Un modelo que puede ser lineal en los parmetros se denomina un


modelo de regresin lineal intrnseca, como modelo (a) anterior. Si fi
2 es
0.8 En el modelo (d) de la pregunta 2.7 , se convierte en un
modelo de regresin lineal, como e' ' 8 (Xj * 2) puede ser
fcilmente calculado.

2.9

(A) la transformacin del modelo de (1/Y) = /? I + / ?2 Xj lo


convierte en un modelo de regresin lineal.
(b)
Escribir el modelo como (Xj/A) = J3\ + ft2 Xi hace de l
un modelo de regresin lineal.
(c)
La transformacin ln[ (l - Y, ) /Y] = - 3 \ - ^ 2X1
es un modelo de regresin lineal.
Ivote: Por lo tanto, los modelos originales son intrnsecamente modelos
lineales.

2.10 Este scattergram muestra que ms orientadas a la exportacin pases


tienen en promedio un mayor crecimiento de los salarios reales de los
pases menos orientadas a la exportacin. Esta es la razn por la que
muchos pases en desarrollo han seguido una poltica de crecimiento
impulsado por las exportaciones. La lnea de regresin esbozado en el
diagrama se muestra una lnea de regresin, ya que se basa en una
muestra
De 50 pases en desarrollo.
2.11 Segn el conocido modelo de Heckscher-Ohlin del comercio, los
pases tienden a exportar bienes cuya produccin hace uso intensivo
de los factores de produccin. En otras palabras, este modelo hace
hincapi en la relacin entre dotacin de factores y la ventaja
comparativa.
2.12 Esta figura muestra que el mayor es el del salario mnimo, el inferior
es PNB per cpita, lo que sugiere que las leyes de salario mnimo no
puede ser bueno para los pases en desarrollo. Pero este tema es
controversial. El efecto de los salarios mnimos puede depender de su
efecto sobre el empleo, la naturaleza de la industria donde se impone,
y la fuerza del gobierno hace que se cumpla.
2.13 Es una muestra lnea de regresin debido a que se basa en una muestra
De 15 aos de observaciones. La distribucin de puntos de la recta de
regresin son los puntos reales de datos. La diferencia entre el gasto
de consumo efectivo y que estiman a partir de la lnea de regresin
representa la (muestra) residual. Adems del PIB, factores tales como
la riqueza, la tasa de inters, etc. tambin podra afectar a los gastos
de consumo.

2.14 (A) El scattergram es la siguiente:

UNRM

La relacin positiva entre las dos variables puede parecer ser


sorprendente porque sera de esperar que los dos a ser negativamente
relacionados. Pero el trabajador aadido hiptesis de economa del
trabajo sugiere que cuando el desempleo aumenta la fuerza de trabajo
secundaria podra entrar en el mercado laboral para mantener cierto
nivel de ingreso familiar.
(b) El scattergram es la siguiente:

UNRF

En este caso, el trabajador desalentado hiptesis de economa del


trabajo parece estar en el trabajo: el desempleo desalienta las
trabajadoras de participar en la fuerza de trabajo porque temen
que no hay oportunidades de trabajo.

(C) El argumento de CLFPRM contra AH82 muestra lo siguiente:

AH82

Hay una
Y la correspondiente parcela para las mujeres es la siguiente:relacin

asimtrica entre
las dos variables
para los hombres y
las mujeres.
Responder
positivamente a
los hombres el
aumento de los
salarios mientras AH82
que las mujeres responden negativamente. Esto podra sonar extrao.
Es posible que el aumento de los ingresos para los hombres como
resultado de un aumento de salario pueden inducir a las
mujeres retirarse de la fuerza de trabajo, que es posible para las
parejas casadas. Pero tenga cuidado aqu. Estamos haciendo
regresiones bivariada simple aqu. Cuando estudiamos anlisis de
regresin mltiple, las conclusiones anteriores podra cambiar.

2,15 (A) El scattergram y la lnea de regresin de la forma siguiente:


2000

1500

Q.

Q 1000

Oooo
Lt-

500 0

1000

2000

3000

400C

TOTALEXP

(b)
Como el gasto total aumenta, en promedio, los gastos en
alimentos aumenta tambin. Pero hay una mayor variabilidad entre los
dos despus de que el gasto total supera el nivel de R. 2000.
(c)
No pensbamos que el gasto en alimentos para aumentar
linealmente (es decir, en una lnea recta, para siempre. Una vez
satisfechas las necesidades bsicas, la gente se gastan relativamente
menos en alimentos como los aumentos de los ingresos. Es decir, en
los niveles de ingresos ms altos los consumidores tendrn ms
ingresos discrecionales. Hay algunos indicios de la existencia de este
desde el scattergram se muestra en (a): En el nivel de ingresos ms
all. 2000, El gasto en alimentos muestra una mayor variabilidad.
2.16 (A) El diagrama de dispersin de los hombres y mujeres las puntuaciones
verbal es la siguiente:

Me MALEVERB FEMVERBj

Y la correspondiente parcela para hombres y mujeres matemticas


puntuacin es la siguiente:

1 MALEMATH FEMMATH [

(b)
En el transcurso de los aos, la proporcin de varones y mujeres las
puntuaciones verbales muestran una tendencia a la baja, mientras que
despus de llegar a su nivel ms bajo en 1980, los puntajes de matemticas
para los varones y las hembras se parecen mostrar una tendencia al alza, por
supuesto con variaciones ao a ao.
(c)
Podemos desarrollar un modelo de regresin simple regresin las
matemticas puntuacin verbal en la puntuacin de ambos sexos.
(d)

La trama es la siguiente:

MALEVERB

Como muestra el grfico, con el tiempo, los dos resultados obtenidos se han
movido en la misma direccin.
EL CAPTULO 3 DE DOS
VARIABLES MODELO DE REGRESIN:
EL PROBLEMA DE LA ESTIMACIN
3.1

(1) Y = fi\ + fiiX + Ui. Por lo tanto,


E(Yi|jf;) = E[ ( / ? ,+ / ? 2jf, + " , ) |A']
= / ?i + /tiX + E iUi|Xf ), ya que los pies son constantes y
X es nonstochastic.
= + Fiixi, ya que E(w/ |X,) es cero por supuesto.

10

(2)

Dado cov(m/W7) = 0 para V para todos i,j (/ * 7), luego


Covcf^y) = E{ [Yj, sellada, - E(Yj, sellada,) ] [Yj, sellada, E(Yj, sellada,) ]}
= E (UjUj), a partir de los resultados en la (1)
= E(w, )E( " / ), ya que el trmino de error no
estn correlacionados por hiptesis,
= 0, ya que cada w * tiene media cero por supuesto.
(3)
Dado var(w/ \Xj) = < j2, var (YjVXi) = E[Yj, sellada, E(Yj, sellada,) ]2 = E(w,2) = var( " , \Xi) = cr2, por supuesto.
3.2

Yi

Xt

Yi

Xj

Xiyi

Xi
2

4
5
7

-3

-3

4
5

-2
0

0
1

0
0

0
1

12

10

16

19

14

Sum
28
a

Nota: Y = 7 y X = 4
.
10
_
. _
Por lo tanto, ---------------- - = 1,357 ; p ,= Y - p 2 X = 1,572
3.3

3.4

La PRF: Yj, sellada, = fi\ + fiiX + u,


Situacin en la que me: fix = 0, colocar = 1 y E {u^ = 0, lo que da
E(Yj, sellada, \Xi ) = X-, la situacin 2: fix = \ ,fii = 0 y E (u,) = (X
-1), en la que se da
E(Yi|jr,) = X,
Que es la misma situacin 1. Por lo tanto, sin el supuesto E(uj) = 0,
se puede estimar los parmetros, ya que, como acabamos de ver, se
obtiene la misma distribucin condicional de Y a pesar de que la
asume los valores de los parmetros en las dos situaciones se sale
diferente.
Imponer la primera restriccin, obtenemos:
(Y I - I - X I ) = O

ESA

SIMPLIFICACIN PRODUCE EL PRIMER ECUACIN


NORMAL.

La segunda restriccin, obtenemos:


"" Xi= YSff' -P'- P2 = s XijXi]
Esa simplificacin produce el segundo ecuacin normal.
La primera restriccin corresponde a la hiptesis de que E(uj\Xi) =

11

0. La segunda restriccin corresponde a la hiptesis de que la


poblacin trmino de error est correlacionada con la variable
explicativa Xi, es decir, cov(uiXj) = 0.
3.5

Desde el Cauchy-Schwarz desigualdad se deduce que:


E(XY) ^2
E(X2 ) E(Y2)
2 Y(x,yi)2
Ahora a r = ^ 2_, -y < 1, por analoga con la Cauchy-Schwarz
_jXi 2 ^ yi
La desigualdad. Esto tambin se aplica en el caso de p2, la
poblacin coeficiente de correlacin al cuadrado.

3.6

Tenga en cuenta que:

^ XiVi

Ref * =

-Y

^ XiVi
P ** =

V-r

Multiplicando los dos, obtenemos la expresin de r2, el coeficiente


de correlacin al cuadrado muestra.
A

3.7

Aunque fiyx. fixy=1, an puede importar (por causalidad y teora)


si Y es retrocedido en X o X en Y, ya que es solo el producto
De los dos que es igual a 1. Esto no es decir que fiyx = fixy.
UN

UN

_-n + l
3.8

Los medios de los dos

variables son las siguientes:

El

Correlacin entre las dos clasificaciones es:


( ,)
En letras pequeas como de costumbre denotan desviacin de los
valores promedio. Desde las clasificaciones son permutaciones de
los primeros n nmeros naturales,
Y x 2 - Y X 2 ' -n(n + Wn+l) n(n + l)2 _ n{n2 -1) ^X'
' N
6
4
12
Y de igual manera,
Yy = ^lz] ) > * r

12

< /2 = ' EiXi-r.) = < - " 2+K,2 -2J5K)

12

_ 2N(n + 1) (2k +1) ^yi 6 Z-

Por lo tanto, Y XY = " (W + 1X2" + 1> - -^62

(2)

2 >ZK
Desde Yxyi = YXYi ------------------ ,Utilizando(2),Nos
Obtener
N
.2
V"1 J2
Z
W(w+L)2_" (W2-1) ^
X
3
2
4
12
2
Ahora sustituyendo a la anterior en las ecuaciones (1), obtendr la respuesta.

3.9

(A) 0 \=

Y-fiiX I Y A =

Y -Colocar X[Nota:Xi =(Xi -

X)]

= Y, desde Z * / = 0

Var( / ?i) = ------- (T2 Yvar() \ )= -------------- A2= RCY Xi2

Riy" Xi2

Por lo tanto, ni las estimaciones ni las variaciones de los


dos estimadores son los mismos.

UN

(b) Fii = --------- Y A\ = --------- ,DesdeXj = (Xj- X)


2X Zx'2
UN

UN

^J2

Es fcil comprobar que var( fii)- var(a2) = ---------2X


Es decir, los clculos y las variaciones de los dos pendiente los
estimadores son los mismos.
(c) Modelo II puede ser ms fcil de usar, con gran X nmeros,
aunque con alta velocidad ordenadores esto ya no es un problema.

3.10

Desde ^Tixi iyi = ^= 0, es decir, la suma de las desviaciones de valor medio

13

es siempre cero, x = y = 0 tambin son cero. Por lo tanto,


A-A-

Fi\ = y /h x = 0. El punto aqu es que si tanto Y y X se


expresan como desviaciones de los valores promedio, la lnea de
regresin pase por el origen.

Z O- * ) >> ' - >0


(H = ---------------------- = --------- ,DesdeMediosDe Los dos
2 > -i)2

2 >!

Las variables son cero. Esta ecuacin (3.1.6 ).

3.11

AXJ que Zj = + b y Wj = cYi + d. Desviacin en forma, estos son:


Zj = axi y wi = cy". Por definicin,
Y'ziWi
R2=

CAJ, xiyi
== ------1

=N EnEq. (3.5.13 )

^ | 2 >22 >2

3.12

(A) Verdadero. Vamos a y c iguales -1 y b y d igual a 0 en cuestin


3.11 .
(b)
Falso. Una vez ms usando pregunta 3.11 , ser negativo.
(c)
de X

Cierto. Desde rxy = ryx > 0, Sx y Sy ( las desviaciones estndar


Sx

E Y, respectivamente) son positivos, y ryx = fiyx y rxy =


Sy
Sy

Fixy-, y a continuacin, fixy fiyx debe ser positiva.


Sx

3.13

Y Z = Xi + X2 y W = X2 y X3. Desviacin en forma, podemos


escribir como z = xi + X2 y w = x2 + X3. Por definicin la
correlacin entre Z y W es la siguiente:
7 ZiWi

Y>l + * 2)( * 2 + X3)

14

^ 2 >22 >2 JX (x' +x2)2 (x2+x3)2


I>2
=.

, Debido a que el X son


J(ZX l2 + ZX22) (Z^22

No correlacionados. Nota: Se han omitido la observacin subscript


para mayor comodidad.
= , .a = = -, donde cr2 es la varianza comn. Y] (2a2 +
2cr2)
2
El coeficiente no nulo porque, a pesar de que la X son
individualmente, los pares no son combinaciones.
Como se muestra en la figura, ^zw = a2, lo que significa que la
covarianza entre z
Y w es una constante diferente de cero.
3.14

Los valores residuales y equipado los valores de Y no va a cambiar.


Deje que
Yj, sellada, = / ?i + / 3xix hasta mediadidos + w y Yj, sellada, =
a \ +aiZi + m, donde Z = 2X, mediante la desviacin tpica forma,
sabemos que
" 2>

/ ?2 = --------, Omitiendo la observacin subndice.

2 >!
.

Zz- >" 2I>' , .

"2 = ---------- = ---------- = - Fii

/ ?I= Y - f i i X \ \ = Y -cnzboard= . (Nota: Z = 2 X)


Que es la interseccin plazo no resulta afectada. Como resultado de
ello, los valores de Y y los residuos siguen siendo los mismos aunque
Xi se multiplica por 2. El anlisis es anlogo si una constante es
agregado a X{.
3.15 Por definicin,
2 >2

Ryy =

(2 > ' )2 > !) < 2 >Jx2 >2


>5 >.

15

( ,W h1 ^2
Desde s s ,ut =0. = ---------------- =------------- =R2,Utilizando(3.5.6 ).

2 >2 >2 2
3.16

(A) Falso . La covarianza puede asumir cualquier valor; su valor


depende de las unidades de medida. El coeficiente de correlacin, por
otro lado, es unidad, es decir, se trata de un puro nmero.
(b)
Falso. Ver Fig.3.1 \h. Recuerde que coeficiente de
correlacin es una medida de relacin lineal entre dos
variables. Por lo tanto, como Fig.3.1 \h muestra , existe una
perfecta relacin entre Y y X, pero esa relacin no es lineal.
(c)

Cierto. En desviacin forma, hemos


Yi = yi + ui
Por lo tanto, es obvio que si incurrimos ^, en yn la pendiente
coeficiente ser uno y la interseccin cero. Pero una prueba oficial
puede proceder de la siguiente manera:
Si incurrimos en yi y>, obtenemos la pendiente coeficiente, digamos,
una como:
PYJW hi a = =
------- = 1, porque
FZ S * '* 2 e
UN

UN

Yi = fixiand lLxlyi = ft para el modelo de dos variables. La


interseccin de esta regresin es cero.
3.17

Escribir la muestra regresin: Yf = f3x + m, . Por principio, se desea


minimizar:
-Fix)1. Distinguir esta ecuacin
Con el nico parmetro desconocido y establecer la expresin
resultante a cero, para obtener:
^ 4^ = 2 ff- ( -l) = 0
Dp\

Que en el proceso de simplificacin le da solucin = Y ,es decir, la


media de la muestra. Y
<J2

Sabemos que la varianza de la media de la muestra es -, donde n es el


N
Tamao de la muestra, y a2 es la varianza de Y. El RSS es
Y (Y - Y)2 = A yf y &2 =
. Vale la pena agregar el
6
^
^
(N-1) (W-1)
Variable X a la modelo si reduce el & 2 significativamente, lo cual lo

16

har si X tiene alguna influencia en Y. En breve, en los modelos de


regresin esperamos que la variable explicativa(s) predecir
mejor Y que simplemente su valor medio. De hecho, este puede ser
visto formalmente.
Recordemos que en el modelo de dos variables que obtenemos de (3.5.2
),
RSS = SAT - ESS
= 2 >M>,2
Por lo tanto, si J32 es diferente de cero, RSS de la modelo que
contiene al menos un regresor, ser menor que el modelo con un
regresor. Por supuesto, si hay ms los regresores del modelo y su
pendiente los coeficientes son diferentes de cero, el RSS ser mucho
menor que los no-regresor modelo.
Problemas
3.18

Tomando en cuenta la diferencia entre las dos filas,


obtenemos: d -2 1 -1 3 1-0-1 2
D2 4 1

1 901

14

1 4 D2 = 26

Por lo tanto, coeficiente de correlacin de Spearman es


Rs = 1 ---- ^ ----- = 1 - 6 (26)
= 0,842
N(n - 1 )
10 (102-1)
Por lo tanto, existe un alto grado de correlacin entre el estudiante de
Evaluacin intermedia y final. El mayor es el rango en el mediano
plazo, la
Ms alto es el rango en la final.
3.19

(A) El valor de la pendiente de -4.318 sugiere que en el perodo


1980-1994, por cada unidad de aumento en el precio relativo, en
promedio, la (GM/ $) disminucin del tipo de cambio de 4,32
unidades. Es decir, el
Depreciacin del dlar porque se obtiene menos marcos alemanes
por cada dlar intercambiado. Interpretaba literalmente, la
interseccin de 6,682 valor significa que si el precio relativo de cero,
un dlar, cambio de 6,682 marcos alemanes. Por supuesto, esta
interpretacin no es econmicamente significativa.
(b)
El valor negativo de la pendiente coeficiente hace
perfecto sentido desde el punto de vista econmico porque si los
precios suben ms rpido que los precios en Alemania, los
consumidores domsticos se cambiar a alemanes, con lo que
aumenta la demanda de GM, que dar lugar a la apreciacin

17

De la marca alemana. Esta es la esencia de la teora de la paridad del


poder adquisitivo (PPA), o la ley del precio nico.
(c)
En este caso la pendiente coeficiente se espera que sea
positivo, ya que cuanto mayor sea la relacin con IPC Alemn el
IPC de ESTADOS UNIDOS, la mayor tasa de inflacin relativa en
Alemania, en la que se conducen a la apreciacin del dlar de
EE.UU. Una vez ms, este es el espritu de la PPA.
3.20 (A) La scattergrams son los siguientes:

PRODBUS

PRODNFB

(b)
Como los diagramas muestran, existe una relacin positiva
entre salarios y productividad, lo cual no es sorprendente en vista de
la teora de productividad marginal del trabajo economa.
(c)
Como demuestran las cifras anteriores, la relacin entre los
salarios y la productividad, aunque positivo, no es lineal. Por lo
tanto, si tratamos de colocar un modelo de regresin lineal de los
datos puede que no obtengamos un buen ajuste. En un captulo
posterior, veremos qu tipos de modelos
Es adecuado para esta situacin. Pero si de forma sistemtica montar
el modelo lineal de los datos, obtenemos los siguientes resultados.
Wagebus + 2,0039 = -109.3833 Prodbus

18

Se = (9,7119 ) (0,1176 ).

0,8868 R^

Wagenfb = -123.6000 Prodnfb + 2,1386 r2 = 0,8777 se = (11,0198 )


(0,1312 ).
Cuando el autobs = sector empresarial, nfb = sector de empresas no
agrarias prod = productividad medida por la produccin por hora y
salario = remuneracin por hora.
Como era de esperar, la relacin entre las dos es positiva.
Sorprendentemente, el valor r2 es bastante alta.
3.21

En

I*,

I"

13210
Datos originales: 1110 1700 205500 322000 0
Datos Revisados 1110 1680 204200 315400 13330
0
Por lo tanto, corregir el coeficiente de correlacin es 0,9688
3.22 Si parcela estas variables en funcin del tiempo, se ve que por lo
general, se han desplazado hacia arriba; en el caso de oro hay una
gran volatilidad de los precios.
(b)

Si la hiptesis es cierta, se podra esperar que / ?2 > 1.

(c)

Oro Pricet = 186,183 + 1,842 IPCT


Se = (125,403 ) (1,215 )
R2= 0,150
NYSEt = -102.060 + 2,129 IPCT
Se (23,767 ) (0,230 )

R^ 0,868

Parece que el mercado de valores es una mejor cobertura contra la


inflacin que el oro. Como veremos en el Captulo 5, la pendiente de
la ecuacin precio del oro no es estadsticamente significativa.

19

3.23 (A) La trama es como se indica a continuacin, donde NGDP y RGDP


son nominales y
PIB.
E
ooo

8000.

R 6000

100001
6000.

4000.

4000

2000.

2000
60

5 ' '

(B)

'16

16

| NGDP

90

RGDP |

+ -986.3317

NGDPt =

201,9772
Tiempo

R2 = 0,9277

Se = (1907,715 )+ 128,7820
+ RGDPt = 1907,715 128,7820
Se = (45,1329 ) ( 1,9666 )

R2 = 0,9914

(c)
La pendiente hace que la tasa de cambio del PIB por unidad de
tiempo.
(d)
La diferencia entre las dos representa la inflacin a travs del
tiempo.
(e)
Como la figura y los resultados de la regresin indican, el
PIB nominal ha estado creciendo ms rpidamente que el PIB real lo
que sugiere que la inflacin ha aumentado con el paso del tiempo .
3.24

Este es muy sencillo.


3,25

(a)

Vase la figura del ejercicio 2.16 (d)

(b)

Los resultados de la regresin son los siguientes:


Y +1.436 -198.126 =
^, se=( 25,211 ) (0,057

) r2= 0,966
Donde 7= mujer verbal puntuacin yx = macho puntuacin verbal.
(c) Como se seala en el texto, una relacin estadstica, por fuerte
que sea, no demostrar la relacin de causalidad, la cual debe ser
establecido de antemano. En este caso, no hay razn para sospechar
relacin causal entre las dos variables.

20

3.26 Los resultados de la regresin son


los siguientes:
-189.057 +1.285
=X, se=( 40,927 )
(0,082 ) r2 = 0,918
3.27 Este es un proyecto de la clase.

21

EL CAPTULO 4
LA SUPOSICIN DE NORMALIDAD: CLSICO MODELO DE
REGRESIN LINEAL NORMAL (CNLRM)
Ejercicios Apndice 4A
4.1

Dado que el coeficiente de correlacin entre Yi y Y2, p, es


Cero, el PDF normal bivariada reduce a:

F(Yi,Y2) = ---expl-- ( --- )2

= F(Y), f(Y2)
Donde f(Yi) y f(Y2) son las normal univariante pdf Por lo tanto,
cuando p es cero, f(Yi,Y2) = f(Yi)f(Y2), que es la condicin de
independencia estadstica. Por lo tanto, en el caso normal
bivariada, cero correlacin implica independencia estadstica.
4.2
Para garantizar que los estimadores de m ima verosimilitud
maximizar la
Probabilidad funcin, el segundo derivados de Eq. (5) en Ap. 4A
debe ser menor que cero, lo que garantizar que RSS es
minimizada.

G2 de
LF ppp
A2De
de LF
LF n 1
a2

3 (Cr2)2 2(A2)2 (A2)3

Desde

22

En segundo lugar ya que todos los productos derivados son


negativos, los estimadores mximo la probabilidad.
4.3

Puesto que X sigue la distribucin exponencial, su PDF es:


F(X) =/( * ,) = (

n ^

- \E 0
UN

Por lo tanto, la LF se
LF(Xi,tf) = (i) exp"1 *
y el registro LF ser:
I*.

En LF = -n 0 0
Diferenciar la funcin anterior con respecto a 0 , obtenemos :
Dlnlf ",1, .^^ de ~ 0 02
De esta ecuacin a cero, se obtiene
--------- = X, que es la media de la muestra.
N
CAPTULO 5 REGRESIN de dos variables:
INTERVALO ESTIMACIN Y PRUEBAS DE HIPTESIS
0=

23

Preguntas
5.1

(A) La prueba t se basa en las variables con una distribucin normal.


Dado que los estimadores de / ?, y / ?2 son combinaciones lineales
de los error u \, que se supone que se distribuye normalmente en
CLRM, los estimadores son tambin normalmente distribuidos.
{B) Verdadero. Siempre que E( "i) = 0, la operacin estimadores son
imparciales.
No se requieren hiptesis probabilstica para establecer la
imparcialidad.
(c)
En este caso el Eq. (1) en Ap. 3, Sec. 3A. 1, va a estar
ausente. Este tema se examina con mayor detalle en el Captulo 6,
Sec. 6.1 .
(d)
El valor de p es el ms bajo nivel de significacin en el que
la hiptesis nula puede ser rechazada. El nivel de significacin y el
tamao de la prueba no son sinnimos.
(e)
1.

Es cierto, como se desprende de Eq. (1) del Ap. 3A, Sec. 3A.

( /) Falso. Todo lo que podemos decir es que los datos en la mano


no nos permite rechazar la hiptesis nula.
(g)

Falso. Un mayor 2 puede ser compensado por una

mayor ^x,2. es slo si sta se mantiene constante, la declaracin


puede ser verdad.
(h)
Falso. El promedio condicional de una variable aleatoria
depende de los valores de otro (acondicionamiento) variable. Slo
si las dos variables son independientes, que el condicional e
incondicional significa pueden ser el mismo.
(True 0 . Esto es evidente en la Ec. (3.1.7 ).
( / ") Cierto. Consulte de Eq. (3.5.2 ). Si X no tiene influencia en
Y , ser cero, en cuyo caso ^yf = ^uf .

24

5.2 ANOVA table for the Food Expenditure in India


Fuente de variacin
SS
Df
Debido a la regresin
139023
(ESS) a residual (RSS) 236894
Debido
TSS

1
53

MSS
139023
4470

375916

139023
F = ---------- = 31,1013 Con df = 1 y 53, respectivamente.
4470
Bajo la hiptesis de que no hay relacin entre los gastos
alimentarios y los gastos totales, el valor de p de obtener dicho
valor F es casi cero, lo que sugiere que uno puede rechazar
enrgicamente la hiptesis nula.
5.3

(A) Se coeficiente de la pendiente es: = 0,0664


9,6536
0,7347
El valor de t en Ho: B = 0, es: ------------ = 0,8797
Hx
0,8351
(b)
En promedio, los salarios por hora promedio sube por
unos 64 cntimos por un ao adicional de escolaridad.
(c)
En este caso n = 13, df = 11. Si la hiptesis nula es cierta,
Calcula el valor de t es 9,6536 . La probabilidad de obtener
un valor de t es extremadamente pequeo; el valor de p es
prcticamente nulo. Por tanto, se puede rechazar la hiptesis nula
de que educacin no tiene efecto sobre las ganancias por hora.
(d)
El ESS = 74,9389 ; RSS = 8,8454 ; df del numerador y
denominador = 1 df = 11. F = 93,1929 . El valor de p de F bajo
la hiptesis nula de que no hay relacin entre las dos variables
es 0,000001 , lo cual es extremadamente pequeo. As pues,
podemos rechazar la hiptesis nula con una gran confianza.
Tenga en cuenta que el F valor es de aproximadamente el cuadrado
del valor de t en las mismas hiptesis nula.
(e) En el caso bivariante, dado Ho: / ?2 = 0, se encuentra la
siguiente relacin entre el valor de t y r2 :
2 T2

R = -: -- . Dado que el valor de t es dada como 9,6536 ,


[T + (n - 2)]

25

5.4

Obtenemos: r2 = - (9-6536) ----- _ 0 3944


[ (9,6536 ) -11]
Verbalmente, la hiptesis afirma que no hay correlacin entre las
dos variables . Por lo tanto, si podemos demostrar que la covarianza
entre las dos variables es cero, entonces la correlacin debe ser
cero.

5.5
(A) utilizar la prueba de t para probar la hiptesis de que el verdadero
coeficiente pendiente
,
L-1
1,0598 -1
Es uno de ellos. Que se obtiene: t = ------------ - = =
0,821
Se(P2) 0,0728
A 238 df este valor de t no es importante, incluso en una = 10 %.
La conclusin es que, a lo largo del perodo de
muestreo, IBM no era un frgil en materia de
seguridad.
(b) Desde t = ^= 2,4205, lo que es significativo en los dos
0,3001
% Nivel de significacin. Pero no tiene mucho sentido
econmico. Interpretaba literalmente, la interseccin de unos
0,73 valor significa que, incluso si la cartera de mercado tiene
retorno a cero, el regreso de seguridad es de 0,73 por ciento.
*

5.6

Bajo la suposicin de normalidad, fi 2 se distribuye normalmente.


Pero, puesto que una distribucin normal variable es continua,
sabemos por teora de la probabilidad, la probabilidad de que una
variable aleatoria continua toma en un determinado valor es cero.
Por lo tanto, no hace ninguna diferencia si la igualdad es fuerte o
dbil.

5.7

Bajo la hiptesis de que / ?2 = 0 , obtenemos


Ji2 _FI2 y [Zxt _ fojLxf
T=
Se(P2)
I

I",2 2]yfQ-r)

Porque a2 = , De Eq. (3.5.10 )

(N- 2)
( N - 2)
M

Yl^yf^ -r2)

26

S
Pero, dado que r
= fi2

I*?
I

Y, a
continuacin, r
= ft2

27

I yi

, De Eq. (3.5.6 ).

, R j ( n - 2 ) UNA> /?
Por lo tanto, t =
V(l-r)2 o'
^

T = F=

R 2(n - 2) 1-R

= - ^ -, y

Desde Eq. (5.9.1 )


Cr

Problemas
5.8

(A)No hay asociacin positiva en las mismas fechas en 1972 y 1968,


Lo que no es sorprendente en vista de la realidad desde
la segunda guerra mundial se ha producido un
aumento constante en las mismas fechas de la mujer.
(b)

Utilizar una cola de prueba de t.


T = ^-- = -1,7542 . 17 Df, el valor de t de cola
0,1961
A = 5% es 1,740 . Desde el valor de t es significativo, a este
nivel de significacin, podemos rechazar la hiptesis de que el
verdadero pendiente coeficiente es 1 o mayor.

(c) Tal es la media: 0,2033 + 0,6560 (0,58 ) * 0,5838 . Para


establecer un intervalo de confianza del 95% para este valor
de previsin, utilizar la frmula: 0,5838 2,1 l(de la media
valor de previsin), donde 2,11 es el 5% de valor crtico 17.
Para obtener el error estndar del valor de previsin, utilizar el
ecualizador. (5.10.2 ). Pero tenga en cuenta que los autores no
dan el valor medio de las mismas fechas de la mujer en 1968,
no podemos calcular el error estndar.
(d) Sin los datos reales, no vamos a ser capaces de responder
a esta pregunta, porque necesitamos los valores de las
desviaciones en su parcela y obtener el grfico de
probabilidad normal o para calcular el valor de la prueba
Jarque-Bera.
S3)

(A)

PASAR

28

(b) Pagar, = 12129,37 + 3,3076 Pasar


Se = (1197,351 ) (0,3117 ). R2 = 0,6968 ; RSS = 2,65 E+08
(c) Si el gasto por alumno aumenta por un dlar, el salario promedio
aumenta en alrededor de $3.31 . El interceptar plazo viable no tiene
sentido econmico.
(d)
El 95% de Cl es: 3,3076 (0,3117 2) = (2.6842,3 .931) con
base en ese Cl no rechazar la hiptesis nula de que la verdadera
inclinacin coeficiente es 3.
(e) La media y valores de previsin individual son los mismos, a saber,
12129,37 + 3,3076 (5000) * 28.667 . El error estndar del promedio
valor de previsin, con eq. (5.10.2 ), es 520,5117 (dlares) y el error
estndar de la previsin individual, utilizando Eq. (5.10.6 ), 2382,337
. Los intervalos de confianza son:
Previsin Media: 28.667 + 2 (520,5117 ), es decir,
( $27.626 , $29.708 )
Cada prediccin: 28667 + 2 (2382,337 ), es decir,
( $23.902 , $33.432 )
Como era de esperar, el ltimo intervalo es ms amplio que el anterior.
Si)
Senes Residuos
Muestra 1 51 51
Observaciones
Significa
Mediana
Mximo
Mnimo
Std Dev
Oblicuidad
Curtosis

9 13E-12
5192 -217
5529 342
976 -3847
2301 414
0 499126
2 807557

Jarque-Bera
Probabilidad

2196273
0 333492

El
histograma de los
residuos se puede aproximar a una curva normal. El Jarque-Bera
estadstica es 2,1927 y su valor de p es de 0,33 . Por lo tanto, no
rechazamos la suposicin de normalidad sobre la base de esta
prueba, asumiendo que el tamao de la muestra de 51 observaciones
es bastante grande.
-4000

-2000

6000

5.10 La tabla ANOVA para el sector empresarial es la siguiente:

Fuente de Variacin

SS

Df MSS

Debido a la regresin (ESS)38685,997 1


Debido a residual (RSS)
4934,138 37
Total(SAT)

43620,135

29

38685,997
133,355

El valor es 38685 997 = 290,0978 133,355


Bajo la hiptesis nula de que no hay relacin entre los salarios y
la productividad en el sector empresarial, esta F valor sigue la
distribucin F con 1 y 37 df en el numerador y denominador,
respectivamente. La probabilidad de obtener dicho valor es
0,0000 F , es decir, prcticamente a cero. Por lo tanto, no
podemos rechazar la hiptesis nula, lo que no debera sorprender
a nadie.
(b) Para el sector de empresas no agrarias , la tabla ANOVA es
como sigue:
Fuente de Variacin SS
Df
MSS
Debido a la regresin (ESS) 37887,455
Debido a residual (RSS) 5221,585

1
37

37887,455
141,129

Total
43109,04
SAT = 43059,04 , RSS = 5221,585 ; ESS = 37837,455
Bajo la hiptesis nula de que el coeficiente es cierto
pendiente es igual a cero, el valor F calculado es:
459

141,129
Si la hiptesis nula es cierta, la probabilidad de obtener un valor
F es prcticamente nulo, lo que conduce al rechazo de la hiptesis
nula.
5.11

(A) El

Parcela se muestra a continuacin indica que la relacin entre

ADEXP

Las dos variables es lineal. En un principio, como los gastos de


publicidad, aumenta el nmero de impresiones retenidas aumenta,

30

pero poco a poco se.


(b)
Como resultado de ello, no sera conveniente que se ajuste a un
modelo de regresin lineal bivariado de los datos. En la actualidad no
tenemos
Las herramientas necesarias para montar un modelo
apropiado. Como se ver ms adelante, un modelo del tipo:
I; =A
Puede ser apropiado, donde A = impresiones retenidas y X 2
es los gastos de publicidad. Este es un ejemplo de un modelo de
regresin cuadrtico. Pero tenga en cuenta que este modelo
todava lineal en los parmetros.
(c)

Los resultados de ciegas utilizando un modelo lineal son los


siguientes:
Yj, sellada, 0,3631 = 22,163 + Xj
Se (7,089 ) (0,0971 ).
R2 = 0,424

5.12

(A)
200-I

150-

<

1003

S-l, ------------- , --------- , ------- ,


0

50

100

150

200

ICAN

El grfico muestra que las tasas de inflacin de los dos


pases.
(b)

Y (c) La siguiente salida es obtenida de decisivo 3 paquete


estadstico.

31

Muestra: 1973 1997


observaciones incluidas: 25
Variable

Ets.
Error
1,956380
0,017570

Coeficiente

C
ICAN

6,251664
0,940932

R-cuadrado
ajustado r-squared
S. E. de suma de
regresin squared
resid Log
probabilidad
Durbin-Watson stat

0,992044
0,991698
3,331867
255,3308
-64.51951
0,264558
-

TStatistic
3,195526
53,55261

Significa S. D.
dependentvar
dependiente var
Akaike info criterion
Schwarz criterion Fstatistic Prob(Fstatistic)

Prob.
0,0040
0,0000
104,7560
36,56767
5,321561
5,419071
2867,882
0,000000

Este resultado muestra que, la relacin entre estas dos variables es


positiva. Uno puede rechazar la hiptesis nula de que no hay
relacin entre las dos variables, como el valor de t obtenido en esa
hiptesis es 53,55 , y el valor de p de obtener el valor de t es
prcticamente nulo.
A pesar de que las dos tasas de inflacin estn relacionados
positivamente, no podemos inferir causalidad de este
hallazgo, por lo que debe inferirse de alguna teora
econmica. Recuerde que la regresin no implica
necesariamente causalidad.
5.13 (A) Las dos regresiones son los siguientes:

/= (1,484 )

Goldpricet= 186,183 + 1,842 IPC,


= (125,403 ) (1,215 )
(1,515 )

NYSEIndext = 102,060 + 2,129 IPC se = (23,767T


(0,230 )
T = (-4.294) (9,247 )

R2 = 0,150

)
R2 = 0,868

(b) La Jarqu-Bera estadstica para el precio del oro


ecuacin es 4,751 0,093 valor de ap . El JB NYSEIndex
estadstica para la ecuacin es 1,218 0,544 valor de ap .
Un nivel de significancia del 5 %, en ambos casos no
se rechaza la suposicin de normalidad.
(c) Desde la vertiente goldprice coeficiente en la regresin
no es estadsticamente diferente de cero, no tiene
sentido

32

find out if it is different from 1.


(d) Y (e) usando el procedimiento habitual prueba t, obtenemos:
0,230
Desde este valor supera el valor crtico de 2,160 , rechazamos la
hiptesis nula. El coeficiente estimado es en realidad mayor que
1. Para esta muestra, la inversin en el mercado burstil fue
probablemente una cobertura contra la inflacin. Era, por cierto, una
mejor cobertura contra la inflacin que la inversin en oro.
1

(A) Ninguna parece ser mejor que los dems. Todos los resultados
estadsticos
Son muy similares. Cada uno cuesta coeficiente es
estadsticamente significativo en el 99% de nivel de confianza.
14

(b) El consistente alto r s no se puede utilizar a la hora de


decidir cual es el mejor agregado monetario. Sin embargo,
esto no sugiere que no hay diferencia que ecuacin para
utilizar.
(c)
Uno no puede decir de los resultados de la
regresin. Pero ltimamente la Fed parece estar dirigida a
la M2 medida.
15

Escribir el modelo de curva de indiferencia:


> ; =A( -ir) + A+ " ,
/

Tenga en cuenta que ahora / ?, se convierte en la pendiente y el


parmetro / ?2 la interseccin. Pero todava se trata de un modelo
de regresin lineal, ya que los parmetros son lineales (ms sobre
esto en el captulo 6). Los resultados de la regresin son los
siguientes:
Yt = 3,2827 ( -) + 1,1009
= (1,2599 ). (0,6817 ).
= 0,6935 ?
El "slope" coeficiente es estadsticamente
significativo al 92% coeficiente de confianza. La tasa marginal
de sustitucin (MRS)
De Y en X es: - = -0.3287 X

16

(A) Deje que el modelo: Yt = +


Fi2X2i + w,
Donde Y es el tipo de cambio real y X la implcita. Si el PPP
tiene, uno esperara que la interseccin de ser cero y la
pendiente a ser uno.
(b) Los resultados de la regresin son

find out if it is different from 1.


los siguientes: Yi = 24,6338 +
0,5405 Xi

Se = ( 19,5071 ) (0,0094 ) t = ( 1,2628 ).


(57,1016 )
R2 =
0,9917
Para probar la hiptesis de que fi2 = 1 , se utiliza el test de la t, que da
, = ,5405-1 =-48.88 0,0094
Este valor de t es muy significativa, lo que conduce al rechazo de la
hiptesis nula. En realidad, la pendiente es coeficiente es menor que
1. En la regresin dado, el lector puede comprobar fcilmente que el
coeficiente de interseccin no es diferente de cero, ya que el valor
de t en la hiptesis de que el verdadero interceptar es cero, slo es
1,2628 .
Nota: En realidad, debemos probar el (comunes) hiptesis de que la
interseccin es cero y la pendiente es 1 a la vez.
En el Captulo 8, vamos a mostrar cmo se hace esto.
(c) Desde el Gran Max ndice es "crudo y desternillante" para
empezar, probablemente no le importa. Sin embargo, para los
datos de la muestra, los resultados no apoyan la teora.
5.17 (A) Dejar que los hombres Y representan las matemticas puntuacin
y X las mujeres matemticas
Puntuacin, obtenemos la siguiente regresin:
I; = 175,975 +0.714X". Se = (20,635 ) (0.045 ) t
= (8,528 ) (15,706 )
R2
= 0,918
(b) La estadstica es 1,0317 Jarque-Bera con ap valor de 0,5970 .
Por lo tanto, no podemos rechazar asintticamente la suposicin
de normalidad.
(c)
T = ------ = -6,36 . Por lo tanto, con 99% de confianza
podemos
0,045
Rechazamos la hiptesis de que f}2 = 1.
Id) La tabla ANOVA es:
Fuente de Variacin SS df MSS
ESS
RSS

948,193 1 948,193
87,782 22
3,990

TSS
1071,975 23
Bajo la hiptesis nula de que fi2 = 0, F es 264,665 ,
El valor de p de obtener dicho valor F es casi cero, lo que lleva a el

33

5.18

rechazo de la hiptesis nula.


(A)Los resultados de la regresin son los siguientes:
148,135 + 0,673 xs
Se= (11,653 ) (0,027 ) t = ( 12,713 )
(25,102 ) r? = 0,966
(b) La estadstica es 1,243 Jarque-Bera con ap valor de 0,5372
. Por lo tanto, podemos rechazar la hiptesis nula de nonormalidad.
(c)
hiptesis nula, obtenemos: t =

Bajo la

-I = 12,11 .
0,027
El valor crtico al 5% es 2,074 . Por lo tanto, no
podemos rechazar la hiptesis nula de que la
verdadera inclinacin coeficiente es 1.

(d) La ESS, RSS y SAT los valores son, respectivamente,


3157,586 (1 df), 110,247 (22 df), y 32367,833 (23 df). Bajo la
hiptesis nula habitual el valor F es 630,131 . El valor de p de F
valor es casi nulo. Por lo tanto, no podemos rechazar la
hiptesis nula de que no existe ninguna relacin entre las dos
variables.
5.19

(A)

IPM

El scattergram, as como la regresin estimada lnea se muestra


en la figura anterior.
(b) Tratar IPC como regressand e IPM como regresor. El IPC
representa los precios pagados por los consumidores,
mientras que el WPI representa los precios pagados por los
productores. Los primeros son por lo general un marcado en
el segundo.

34

(c) Y (d) Los siguientes resultados obtenidos de decisivo3 le ofrece los


datos necesarios.

Variable dependiente: IPC Mtodo: Mnimos Cuadrados


Fecha: 23/06/00 Hora: 16:50 Muestra: 1960 1999 observaciones
incluidas: 40
Variable

Coeficiente Ets. Error t-statistic

C
IPM
R-cuadrado
ajustado r-squared
S. E. de suma de
regresin squared
resid Log
probabilidad DurbinWatson stat

-13.77536
1,269994
0,958696
0,957609
9,887937
3715,309
-147.3843
0,093326

3,710747 0,042763
29,69864 -3.712286
Significa S. D.
dependentvar
dependiente var
Akaike info criterion
Schwarz criterion Fstatistic Prob(Fstatistic)

Prob.
0,0007
0,0000
86,17000
48,02523
7,469215
7,553659
882,0093
0,000000

Calcula el valor de la pendiente es 29,6986 coeficiente bajo


la hiptesis nula de que no hay relacin entre los dos ndices.
El valor de p de obtener el valor de t es casi nulo, lo que
sugiere el rechazo de la hiptesis nula.
El histograma y Jarque-Bera prueba basada en los residuos de la
regresin anterior se encuentran en el siguiente diagrama
Serie: Residuos
Muestra 19601999
Observaciones 40
Significa
Mediana
Mximo
Mnimo
Ski Dev
Oblicuidad
Curtosis

711E-15
3 781548
21,84709
19,05008
9 760345
-0119726
2 620663

Jarque-Bera
Probabilidad

0,335390
0,845612

El Jarqe-Bera
estadstica es 0,3335 0,8456 valor de ap . Por lo tanto, no
podemos rechazar la suposicin de normalidad. El
histograma muestra tambin que los residuos son
razonablemente distribuidos simtricamente.

35

EL CAPTULO 6
LAS EXTENSIONES DE LAS DOS VARIABLES DE MODELO DE
REGRESIN
6.1
Cierto. Tenga en cuenta que la habitual frmula para estimar LA
OPERACIN la interseccin es
/ ?, = (media de los regressand - / ?2 media del regresor).
Pero cuando Y y X son de desviacin, sus valores medios son
siempre iguales a cero. Por lo tanto, en este caso la ordenada
tambin es cero.
UN

6.2

UN

(A) y (b ) En la primera ecuacin la interceptacin trmino se incluye.


Desde la interseccin en el primer modelo no es estadsticamente
significativa, es decir al nivel del 5 por ciento, que puede ser bajado
desde el modelo.
(c)
Para cada modelo, un aumento de un punto porcentual en la
tasa de mercado mensual de cable de retorno a un promedio de 0,76
de punto porcentual de aumento de la tasa mensual de retorno de
Texaco las acciones comunes en el perodo de la muestra.
(d)
Tal como se explica en el captulo, este modelo representa la
lnea de caracterstica de la teora de la inversin. En el presente
caso, el modelo se refiere a la devolucin mensual en la Texaco de
retorno para el mes en el mercado, como la que representa un
amplio ndice de mercado.
(e)
No, los dos r^s no son comparables. El r2 del modelo
interceptless es la materia prima r2.
(f)
Ya tenemos una muestra bastante grande, podemos usar la
prueba de normalidad Jarque-Bera. El JB estadstica para los dos
modelos es el mismo, es decir, 1.12 y el valor de p de obtener un
valor de JB 0,57 . Por lo tanto no se rechaza la hiptesis de que el
trmino de error siguen una distribucin normal.
(g)
Segn comentario de Theil se explica en el captulo, si la
interseccin plazo est ausente del modelo y, a continuacin, ejecuta
la regresin a travs del origen le dar ms eficiente estimacin de
la pendiente coeficiente, que en el presente caso.

6.3

(A) Dado que el modelo es lineal en los parmetros, es un


modelo de regresin lineal.
(6) Definir Y * = (1/A) y X * = (1/X) y hacer una regresin de
MCO de Y * X * .

36

(c) Como X tiende a infinito, Y tiende a ( 1 // ? , ).

(D tal vez este modelo puede ser apropiado para explicar bajo
consumo de un bien cuando el ingreso es grande, como un bien
inferior.
6.4

Pendiente = 1

6.5 En el modelo I, sabemos


que una Sxv
/32 = - 2' , donde X e Y son en devii en el
modelo II, siguiente paso similar, obtenemos:

Esto demuestra que la pendiente coeficiente no vara con el cambio de escala.


6.6

Podemos escribir el primer modelo como:


( Yj, sellada, wi) = ax+a2 En (w2Xj) + u], es decir,
En wi + En Yt = a + a2 w2 + a2 En Xt + u * , usando las
propiedades
De los logaritmos. Desde la w son constantes, recogiendo
trminos podemos simplificar este modelo como:
En Yt = ( ", + un 2 en w2 - En wx) + 2Xi + u'

37

= A + a2 En Xt + w *
Donde A = (a + a2 En w2 - En w,)
Comparar esto con el segundo modelo, se ver que, con la
excepcin de la interseccin, los dos modelos son iguales. Por lo
tanto, la pendiente estimada los coeficientes en los dos modelos
ser el mismo, siendo la nica diferencia la estima intercepta.
(b) Los valores de r2 de los dos modelos es el mismo.
6.7

Ecuacin (6.6.8 ) es un modelo de crecimiento, mientras que


(6.6.10 ) es un modelo de tendencia lineal. El primero produce el
cambio relativo en la regressand, mientras que la ltima le da el
cambio absoluto. A los efectos de la comparacin es el cambio
relativo que puede ser ms significativo.

6.8

La hiptesis nula es que el verdadero coeficiente pendiente 0.005


.la hiptesis alternativa podra ser una o dos caras. Supongamos que
se
Usar las dos caras. Calcula el valor de la pendiente es 0,00743 .
Mediante la prueba t , obtenemos:
F_ 0,00743 0,00017 -0,005 pulg. )_H291

Esto es muy significativo. Por lo tanto, no podemos


rechazar la hiptesis nula.
6.9

Esto se puede obtener aproximadamente como: 18,5508 /3,2514 =


5,7055 , por ciento.

6.10

Como se discuti en segundos. 6.7 Del texto, en la mayor parte


de los productos bsicos Engel modelo representado en la Fig. 6.6
(C) parece adecuado. Por lo tanto, el segundo modelo que figura
en el ejercicio puede ser la eleccin.

6.11

Tal como est, el modelo no es lineal en el parmetro. Pero hay que


tener en cuenta la siguiente "truco." En primer lugar, en la relacin
de Y a (1-A) y, a continuacin, tomar el logaritmo natural de la
relacin. Esta transformacin
Hacer que el modelo lineal en los parmetros. Es
decir, ejecutar los siguientes regrssion:
En
r^rr /
Este modelo es conocido como el modelo logit , que
analizaremos en el captulo sobre las variables
dependientes cualitativas.

38

Problemas
6.13

100

100 -K

= 2,0675 + 16,2662

I)

Se = (0,1596 ) (1,3232 ) r2 = 0,9497


Como X aumenta indefinidamente,

Enfoques el valor lmite

De 2,0675 , es decir, que los enfoques Y el valor lmite de 51,6 .


6.14

Los resultados de la regresin son los siguientes:


(

Registro - registro = -0.4526 +1.3338 ff


\L)

Se = (1,3515 ) (0,4470 ).
R2 =0,4070
Para probar la hiptesis nula, utilice la prueba de la t de la siguiente
manera:
1 ^ 338 ^0,7468
0,4470
13 Df, el 5% (dos-tail) valor crtico es 2,16 . Por lo tanto, no se
rechaza la hiptesis de que la verdadera elasticidad de sustitucin
entre el capital y el trabajo es 1.

39

6.15

(A) SiUno Considera a priori que existe una estricta de uno a uno
Relacin entre los dos deflactores, el modelo apropiado sera uno
sin la interseccin.
(b)

Modelo I: Yt =516,0898 + 0,5340 ^


Se = (40,5631 ) (0,0217 ).
Modelo II: Y > = 0,7950
Se = (0,0255 ).

R * = 0,9789

^ = 0,7161 *

* Nota: Este valor r2 no es directamente comparable con el


anterior.
Plazo desde la interseccin en el primer modelo es estadsticamente
significativa, colocacin de la segunda modelo, sesgo de
especificacin.
(c)
6.16

Uno podra utilizar el modelo de doble registro.

Los resultados de la regresin son los siguientes:


* = 0.9892X *
Se = (0,0388 ).

R2 = 0,9789

Un aumento de una desviacin estndar el deflactor del PIB de las


importaciones en un 0,9892 resultados aumento de una desviacin
estndar del deflactor del PIB de los bienes nacionales, en
promedio. Tenga en cuenta que este es un resultado similar a la del
anterior problema cuando uno toma nota de la relacin entre los
coeficientes de la vertiente normalizados y no normalizados las
regresiones. Como se muestra en Eq. (6.3.8 ) en el texto.
, Donde * denota pendiente de la normalizacin
Regresin. En el problema anterior encontramos / ?2 = 0,5340 . Sy
y Sx son como 346 y 641, respectivamente. Por lo tanto,
=
6.17

UN0,5340=0,9892 =

Pies.

Para obtener la tasa de crecimiento del gasto en bienes duraderos,


podemos colocar el log-lin modelo, cuyos resultados son los
siguientes:
En Expdurt = 6,2217 + 0,0154 t
Se = (0,0076 ) (0,000554 )

0,9737

Como esta regresin muestra, a lo largo del perodo de muestreo, el


(trimestral)

40

Tasa de crecimiento de los bienes de consumo duradero gasto era


de un 1,5 %. Tanto los coeficientes estimados son
estadsticamente significativos individualmente como los valores
de p son extremadamente bajos. No tendra mucho sentido para
que se ejecute un doble modelo de registro aqu, como:
En Expdurt = / ?, + / ?2 a tiempo + u,
Desde la ladera coeficiente de este modelo es la elasticidad
coeficiente, cul es el significado de la afirmacin de que con el
tiempo aumenta en uno por ciento, en promedio, los gastos en
bienes duraderos se incrementa en / ?2 por ciento?
6.18

Los resultados correspondientes a los bienes no duraderos sector son:


En Expnondurt = 7,1929 + 0,00621
Se = (0,0021 ) (0,00015 )
7^ = 0,9877
De estos resultados se puede observar que durante el perodo
de la muestra (trimestral) tasa de crecimiento de los gastos en
bienes durables fue de 0,62 por ciento.
La comparacin de los resultados de las regresiones en
Problemas 6,17 y 6,18 , parece que en el perodo 1993:01 a
1998:03, los gastos en bienes duraderos aumentaron a un ritmo
mucho ms rpido que la de los bienes no duraderos. Esto no es
sorprendente en vista de una de las ms largas las expansiones
econmicas en la historia de los ESTADOS UNIDOS.

6.19

El scattergram de impresiones y gastos de publicidad


De la siguiente manera:
100

80

60
CO
< /3

CL

40

2
20
50

100

150

200

ADEXP

Aunque la relacin entre las dos variables parece ser positiva, no est claro
qu curva determinada se ajustan los datos. En la tabla siguiente se dan los
resultados de la regresin basada en unos pocos modelos.

41

Modelo
Interceptar
22,1627 Lineal
(3,1261 ).
58,3997 Recproca
( 78,0006 )
Doble sesin 1,2999
(3,686 )

Pendiente
0,3631
(3,7394 ).
-314.6600
(-3.5348)
0,6135
(5,1530 ).

R2
0,423
9
0,396
7
0,582
9

0,548
Diario de 3,9955 recproca
-10.7495
6
(21,7816 )
(4,8053 ).
Nota: Las cifras entre parntesis son las calcula los valores
de t. En cada regresin el regressand es impresiones y el
regresor es los gastos de publicidad.
Se deja al lector a comparar los distintos modelos. Tenga en cuenta que los
valores de r2 de los dos primeros modelos son comparables, ya que el
regressand es la misma en los dos modelos. De igual modo, el r2s de los
dos ltimos modelos son comparables ( Por qu?)
EL CAPTULO 7
ANLISIS DE REGRESIN MLTIPLE : EL PROBLEMA
DE LA ESTIMACIN
7.1

Los resultados de la regresin son: a, = -3.00 ;a2 =3.50


I,= 4,00 ; 4 =-1.357
Px = 2,00 ; fi2 =\ . 00;
.00

(a)
Modelo nO dado que (3) es el verdadero modelo a 2 es un estimador
parcializado de

A- ^
(b)

NO i, es un estimador sesgado de , por la misma razn que en (a).


La leccin aqu es que misspecifying una ecuacin parcial puede
conducir a estimar los parmetros del modelo.

7.2

Utilizando las frmulas indicadas en el texto, los resultados de la


regresin son los siguientes:
Yt = 53,1612 + 0.727X2i + 2.736X3, se
(0,849 ) R2 = 0,9988 ; R2 = 0,9986

7.3

(0,049 )

Omitir el subndice i observacin de conveniencia, recordar que

0 _
2

(X yx2 ) (X *3)-(Xyx3 XI * 2 * 3)
42- (ZX2X3)2
(ZX22) (ZX2)

_(Zyx2) - (Z yxj )I s2s3) / ( x])

Un> -o /o2)
22)

2x3)2

_(I^x2) - (Z>a3)623... .
/V

T /V1

" Bmu& 23 .

_D>2 * 3>

(1 ^ 2) ^ 23 (1 ^ 2 ^ 3)
IX * 2 = "ms)
IX2 (X2 - >23 * 3 )

2\

(1 ^ 3)

7.4
Ya que se nos dice que es, u ~ A^ (0,4 ), generar, digamos, 25
observaciones de una distribucin normal con estos parmetros. La
mayora de los paquetes no esta habitualmente. De estos 25 observaciones,
calcular la varianza de la muestra y(X - Y \2
Como S'2 = --- '-- -, Donde X\ - el valor observado de u, en el
24
Muestra de 25 observaciones. Repita este ejercicio, es decir, 99 veces
ms
Para un total de 100 experiencias. En todos hay 100 valores de S2.
La media de estos 100 S1 valores. Este valor promedio debera estar
cerca de a2 = 4. A veces es posible que necesite ms de 100
muestras para la aproximacin a ser buena.
7.5

En la Ec. (7.11.7 ) en el texto, hemos


R2 = r,3 + (1- rx 3 ) rX23. Por lo tanto,
"2
R2 ~r2
123

L-r,23

Este es el coeficiente de determinacin parcial y puede ser


interpretado como que describe la proporcin de la variacin de la
variable dependiente no explicada por las variables X3, pero ha sido
explicado por la incorporacin de la variable explicativa X2 a
la modelo.
7.6

La ecuacin se puede escribir como:


Xx = ( - "2 / ax )X2 + ( - "3 /
ax )X3 o X2 = ( -a, / a2) xx + ( - "3
/ a2 ) X3 o X3 = ( -a, / a3)xx + ( - "2
/a3)X2
Por lo tanto, los coeficientes de regresin parcial sera la siguiente:
Pi2 3 = ~ { &21 \) 9 Np2 = (fit31 & i )

P213 = ~ (\ ^ 2)5 ^23.1


)
Pi "(** i ^ &i) "Py2.\ = " ( ^2 ^ 3)
= ~ (2 ^ 3

= 1,2

Recordando pregunta 3.6 , la siguiente:


=

V (ai), " 2>

43

^=

7.7
(A) No. Un valor de r no puede ser superior a 1 en valor absoluto.
Conectar el
Dado los datos de Eq. (7.11.2 ), el lector puede comprobar
que: r\23 = 2,295 , lo que es lgicamente imposible.

(b)

S. Siguiendo el mismo procedimiento que en (a), el lector


encontrar rn.3 = 0,397 , que es posible.

(c)

S, s, otra vez se puede demostrar que r\2.s = 0,880 , que es


posible.
7.8

7.9

Si dejamos de lado a los aos de experiencia ( X^) de la modelo, el


coeficiente de la educacin (X2) ser parcial, la naturaleza de los
prejuicios en funcin de la correlacin entre^ andX3. El error
estndar, la suma residual de los cuadrados, y R2 se ven afectados
como resultado
La pendiente coeficientes en el doble registro de modelos dar
estimaciones directas de la elasticidad (constante) en la parte
izquierda del variable con respecto al lado derecho variable. Aqu:
Solicite el nmero7 dy/Y
= ------------------- = P7, y
Dlnx2 dx2/X2 2
Din Y Dy/Y
D\nx3 ~ dx3/X,

7.10 (A) y ( 6) Si se multiplica X2 por 2, se puede comprobar en las


ecuaciones
(7.4.7) Y (7.4.8 ), que las pistas no se vern afectados. Por otra parte, si se
multiplica por 2, la pendiente, as como la interseccin coeficientes y sus
errores estndar son multiplicados por 2. Tener siempre en cuenta las
unidades en las que el regressand y los regresores son medidos.
7.11

(7.11.5 ) sabemos que


Ri r * +r -2rl2rl3r3 ".

^ ~R23
Por lo tanto, cuando r23 = 0, es decir que no hay correlacin
entre las variables X2andX3,
R = r 12 + r 13, es decir, el coeficiente de
determinacin mltiple es la suma de los coeficientes de
determinacin en la regresin de Y sobre X2 y que de Y en
X3.
7.12

(A)Escribir Modelo B:
Y
= Pi + 0 + Pi)X21+ Pi^n + ut
+ = P\P\X2t + P 3X3 + u " donde /? * = (1 + fi2)
Por lo tanto, los dos modelos son similares. S, las

44

intercepciones en los modelos son los mismos.


()Las estimaciones de la pendiente del coeficiente de X3 en
los dos modelos ser el mismo.

7.13

(c)

/?2 * = (1 + A) = "2

(d)

No, porque el regressands en los dos modelos son diferentes.

(A)Utilizando

LA OPERACIN, obtenemos:

* _Z( ,- * ,)( * ,)

2V2

^ 2

Zx(.

*;

X f = Z L z,x.
Zxf
Zxf

=IEs decir, la pendiente en la regresin de las economas de los


ingresos (es decir, la propensin marginal al ahorro) es uno menos
la pendiente en la regresin de consumo sobre la renta, (es decir, la
propensin marginal a consumir). Dicho de otro modo, la suma de
los dos propensiones marginales es de 1, como debe ser en vista de
la identidad que los ingresos totales es igual
Total de los gastos de consumo y ahorro total. Por cierto,
Tenga en cuenta que a = - / ?,
*

(b)

S. El RSS para el consumo funcin es:


YiX-o^ -a, :r" ).
Sustituir (X\ -Yi) para Z \, a, = - / ?, y a2 = (l- / ? 2) y
comprobar que las dos RSS son los mismos.
UN

(c)
7.14

UN

No, ya que los dos regressands no son lo mismo.

(A) Como se discuti en segundos. 6.9 , Para utilizar el clsico lineal

normal
Modelo de regresin (CNLRM), debemos asumir que
En U\ ~ N(0, cr2)
Despus de estimar el modelo Cobb-Douglas, obtener la
Los residuos y los someten a prueba de normalidad, como el JarqueBera
Prueba.
(b) No. Como se discuti en segundos. 6.9 ,
U, de lognormal[ea "2,eal {e2 -1 )]
7.15

(A) Las ecuaciones normal sera:


I

^i^ 2i = Pi ^ * 2/ +

Pi

^ - ^ 2/ ^ 3/

45

T. Y,X"=

Pjlx],

(b)

No, por la misma razn que el caso de dos variables.

(c)

S, estas condiciones todava espera.

(d)

Eso depender de la teora subyacente.

(e)

Esta es una simple generalizacin de las ecuaciones

normales.
Problemas

7.16

(A) Modelo Lineal:


Y = 10816,04 - 2227.704XZ/ +1251.14 \XV + 6.283 -197.399X4,
X5/ (5988,348 )( 920,538 )(1157021) (29,919 ) (101,156 )
R2= 0,835
En este modelo la pendiente coeficientes medir la tasa de cambio
de Y con respecto a las variables relevantes.

(b)

Modelo logor
En Yt = 0,627 -1.274X 2i + 0,937 X 3i +1.713 en X4i - 0,182
En xsi se ( 6,148 ) (0,527 )(0,659 )
(1,201 )
(0,128 )
R2 = 0,778
En este modelo, todos los coeficientes parciales estn pendiente
las elasticidades parciales de Y con respecto a las variables
relevantes.
(c) La propia elasticidad-precio se espera que sea negativa, la
elasticidad cruzada se espera que sea positivo para sustituir
bienes y mercancas de cortesa negativa, y la elasticidad del
ingreso se espera que sea positivo, ya que las rosas son un bien
normal.
(d) La frmula general para elasticidad de ecuacin lineal es:
DY JC
Elasticidad = J-, donde X\ es el regresor.
Y dx
Que es de un modelo lineal, la elasticidad se puede calcular el
promedio de los valores.
(e) Ambos modelos ofrecen resultados similares. Una de las

46

ventajas del registro de modelo lineal es que la pendiente que los


coeficientes de la estimacin directa (constante) elasticidad de
las variables relevantes con respecto a la regresor en examen.
Pero hay que tener en cuenta que el R2s de los dos modelos no
son directamente comparables.
7.17

(A) A priori, parecen todas las variables relevantes para explicar

wildcat
Actividad. Con la excepcin de la tendencia variable,
todos los coeficientes son pendiente espera que sea
positivo; tendencia puede ser positivo o negativo.
(b) El modelo estimado es el siguiente:
T = + 2.775-37.186 Jf2i + 24,152 * 3i -0,01 LT4 (. -0.213JT5i se
= (12,877 ) (0.57 )
(5,587 )
(0.008 ) (0,259 )
R2 = 0,656 ; R2 = 0,603
(c)

Precio del barril y la produccin nacional las variables son estadsticamente


Significativo al nivel del 5 por ciento y los signos. Las otras
variables no son estadsticamente diferentes de cero.

(d)

El modelo log-lineal puede ser otra especificacin. Adems


Dar estimaciones directas de la elasticidad, puede capturar nolinealidades (en las variables), si los hay.

7.18

(A) El RegresinResultadosSon los siguientes:

Yt = 19,443 + 0,01 SX2i -0.284X" +1.343X4( +6.332 * 5i


Se=( 3,406 ) (0,006 ) (0,457 ) (0,259 ) (3,024 )
R2 = 0,978 ; R2 = 0,972 ; R2 modificado = 0,734
(b) A priori, todos los coeficientes pendiente se espera que sea positivo.
Excepto el coeficiente para militar de EE.UU. las ventas, todas las
otras variables que tienen los signos esperados y son
estadsticamente significativos al nivel del 5 por ciento.
(c) En general los desembolsos federales y algn tipo de tendencia
variable puede ser valiosa.
7.19

(A) Modelo (5) parece ser el mejor, ya que incluye todas las
Las variables pertinentes desde el punto de vista econmico,
entre ellos el precio real compuesto de pollo sucedneos, que
debe ayudar a aliviar la multicolinealidad problema que puede

47

existir en el modelo (4) entre el precio de la carne de vacuno y


el precio de la carne de cerdo. Modelo (1) contiene un sustituto
muy buena informacin y modelos (2) y (3) tener un sustitutivo
buena informacin.
(b) El coeficiente de X % representa elasticidad ingreso; el
coeficiente de X 3 representa elasticidad cruzada.
(c) Modelo (2) considera slo un cerdo como sustituto de las
buenas, y en el modelo(4) considera que tanto el cerdo y la
carne de vacuno.
(d) Es posible que exista un problema de multicolinealidad
entre el precio de la carne de vacuno y el precio de la carne
de porcino.
(e) S. Esto podra aliviar el problema de multicolinealidad.
( /) deben ser bienes sustitutivos porque compiten con pollo
como producto de consumo de alimentos.
(g) Los resultados de la regresin del modelo (5) son los
siguientes:
Ini = 2,030 + 0,481 Inx2l 3l -0.351 -0.061 Inx Inx6l se = (0,119
) (0,068 )
(0.079 )
(0,130 )
R2 = 0,980 ; R2 = 0,977 ; R2 modificado = 0,810
La elasticidad ingreso y elasticidad cruzada tienen la
Signos correctos.
(h) La consecuencia de la estimacin modelo (2) sera que los
estimadores es probable que estar sesgado debido al modelo
invariacin. Este tema se discute en detalle en el cap.
13.
7.20

(A) Ceteris paribus, en promedio, un incremento de un 1% en el


Tasa de desempleo conduce a un 0,34 % de incremento en
la tasa, un aumento de 1% en el porcentaje de empleados
menores de 25 aos conduce a un 1,22 % de incremento en la
tasa y 1% de incremento en el empleo manufacturero lleva
a
1.22 % DE aumento en la tasa, un aumento de 1% en el
porcentaje de mujeres entre los empleados conduce a un 0,80 % de
incremento en la tasa, y que en el perodo de tiempo de estudio, la
tasa se redujo a una tasa del 0,54 % anual.

48

{B) S, con bastante ritmo y la tasa de desempleo se espera que


sean negativamente relacionados.
(c) A medida que un mayor nmero de personas bajo la edad de
25 aos son contratados, se espera que la tasa sube porque
de rotacin entre los trabajadores ms jvenes.
(d) La tasa de descenso es de 0,54 %. Como las condiciones de
trabajo y beneficios las pensiones se han incrementado a
travs del tiempo, la tasa de abandono ha declinado
probablemente.
(e) NO baja es un trmino relativo.

49

( /) desde el los valores de t , podemos fcilmente


calcular el error estndar. Bajo la hiptesis nula de
que
El verdadero
Es cero, tenemos la relacin:
F = -4- = >je(A) = ^UN

Seifi.)
7.21

UN

'

(A) El RegresinResultadosSon Como


Siguiente:
En M2 = 1,2394 + 0,5243 en RGDP - 0,0255 en Tbrate se
= (0,6244 ) (0,1445 ).
(0,0513 ). R2 =
0,7292
Los resultados de la regresin mediante el largo plazo (30 aos) la
tasa de bonos son los siguientes:
En M2 i = 1,4145 + 0.4946En RGDP, - 0,0516 en LTRA
TE t se = (1,3174 ) (0,2686 ). (0,1501 ). R2 =
0,7270
Los ingresos elasticites (0,5243 o 0,4946 ) y la tasa de inters las
elasticidades (-0.0255 o -0.0516) no son muy diferentes, pero, como
veremos en el Captulo 8, regresin, utilizando el inters a corto plazo
(TBrate) da mejor resultados estadsticos.

(b) La relacin M/PIB es conocido en la literatura como


el Cambridge k. Representa la proporcin de los ingresos que las
personas desean mantener en forma de dinero. Esta relacin es
sensible a los tipos de inters , ya que ste representa el costo de
oportunidad de mantener dinero, que, en general, no producen
mucho los ingresos por concepto de intereses. Los resultados de la
regresin son los siguientes:
En

M2

= 3,4785 N TBrate -0.17191t


PIB"
Se = (0,0780 ) (0,0409 ) r2 = 0,5095

T a M = 3,8318 -0.3123 InLTRATE,


{PIB),
i m
Se ( 0,1157 ) (0,0532 ).

^ = 0,6692

Dado que estas son bi-variate regresiones, el lector puede


comprobar que el Cambride k es estadsticamente inversamente
relacionada con la tasa de inters, como por las expectativas
previas. En trminos numricos, es ms sensible a la longr2 valor
utilizando los tipos de inters a largo plazo, el regresor da un mucho
mejor.
(c) La respuesta est dada en el ejercicio 8,29

50

7.22

Los resultados de colocacin de la funcin de produccin


Cobb-Douglas, obtenidos de decisivo3 son los siguientes:

Variable dependiente: LOG(SALIDA)


Muestra: 1961 1987 observaciones incluidas: 27
Coeficient
Ets.
TVariable
e
Error
Statistic
C
-11.93660 3,211064
3.717335
LOG(TRABAJO)
2,328402
0,599490
3,883972
LOG(CAPITAL)
0,139810
0,165391
0,845330
R-cuadrado
0,971395 Significa S. D.
ajustado r-squared
0,969011 dependentvar
S. E. de suma de
0,081229 dependiente var
regresin squared
0,158356 Akaike info criterion
resid Log
31,06171 Schwarz criterion Fprobabilidad
0,373792 statistic Prob(FDurbin-Watson stat
statistic)

Prob.
0,0011
0,0007
0,4063
4,493912
0,461432
2.078645
1.934663
407,5017
0,000000

(a) La produccin estimada/trabajo y produccin/capital las


elasticidades son positivos, lo que uno puede esperar. Pero,
como veremos en el captulo siguiente, los resultados no tiene
sentido desde un punto de vista econmico en el sentido de que
el capital no tiene entrada en la salida, lo que de ser cierto, sera
muy sorprendente. Como veremos, quizs collinearity puede ser
el problema con los datos.
(b) Los resultados de la regresin son los siguientes:
Variable dependiente: LOG(PRODUCTIVIDAD)
Fecha: 07/29/00 Hora: 18:11 Muestra: 1961 1987 observaciones
incluidas: 27
Coeficient
e
C
-1.155956
LOG(CLRATIO)
0,680756
R-cuadrado
0,903345
ajustado r-squared
0,899479
S. E. de suma de
0,096490
regresin squared
0,232758
resid Log
25,86218
probabilidad Durbin- 0,263803
Watson stat
Variable

Ets. Error t-statistic


0,074217 0,044535
15,28571 -15.57533
Significa S. D.
dependentvar
dependiente var
Akaike info criterion
Schwarz criterion Fstatistic Prob(Fstatistic)

Prob.
0,0000
0,0000
-2.254332
0,304336
-1.767569
-1.671581
233,6528
0,000000

La elasticidad de la produccin/relacin laboral (es decir,


productividad de la mano de obra) con respecto a relacin
capital-trabajo es de 0,68 , lo que significa que si el segundo aumenta
en un 1 %, la productividad de la mano de obra, en promedio, alrededor
de 0,68 %. Una de las principales caractersticas de los pases

51

desarrollados

52

Las economas es relativamente alta relacin capital-trabajo.


7.23 Los resultados de la regresin son los siguientes: Nota que se han

utilizado todas las 528 observaciones en la estimacin de la


regresin.
Variable dependiente: LOG(HWAGE)
Ejemplo: 1 528 incluy observaciones: 528
Variable

Coefficien
T

C
LOG(EDUCACIN)
[LOG(EDUCACIN) ]2
R-cuadrado ajustado
r-squared S. E. de
suma de regresin
squared resid Log
probabilidad DurbinWatson stat

4,661661
-3.165721
0,836412
0,157696
0,154488
0,479275
120,5946
-359.3609
1,909008

Ets.
Error

TStatistic

1,954190
2,385470
1,566685
-2.020650
0,313436
2,668524
Significa S. D.
dependentvar
dependiente var
Akaike info criterion
Schwarz criterion Fstatistic Prob(Fstatistic)

Prob.
0,0174
0,0438
0,0079
2,063647
0,521224
1,372579
1,396835
49,14535
0,000000

Ya que se trata de una doble sesin modelo, la pendiente


coeficientes medir la elasticidad. Los resultados sugieren que el
cambio porcentual en el salario por hora disminuye a medida que
el nivel de educacin aumenta, pero disminuye a un ritmo ms
rpido, es decir, que se vuelve menos negativo.
(b) Aqu usted no ser capaz de estimar el modelo perfecto
de collinearity. Esto es fcil de ver: log(educacin2) =
2 log(educacin) debido a las propiedades de los
logaritmos.
Este es un ejercicio de clase. Tenga en cuenta que su respuesta
depender de
El nmero de repeticiones que lleve a cabo. Cuanto mayor sea el
nmero de repeticiones, la ms cercana aproximacin.
CAPTULO 8 ANLISIS DE
REGRESIN MLTIPLE:
EL PROBLEMA DE INFERENCIA
7.24

8.1

(A) en el primer modelo, donde la venta es una funcin lineal del


tiempo, la tasa de cambio de venta, (dy/dt) se postula a ser una
constante, igual a / ?" independientemente del tiempo t. En el
segundo modelo la tasa de cambio no es constante porque (dy/dt)
= a + 2a2t, que depende del tiempo t.

53

(b)
La cosa ms fcil de hacer es grafique Y contra el tiempo.
Si la grfica resultante es parablico, quizs el modelo cuadr ico
es la adecuada.
(c)
Se trata de un modelo que puede ser apropiado para
describir el perfil de ganancias de una persona. Normalmente,
cuando una persona entra en el mercado de trabajo, el nivel de
entrada las ganancias son bajas. Con el paso del tiempo, ya que de
la experiencia acumulada, aumentar los ingresos, pero despus de
cierta edad, comience a disminuir.
(d)
Buscar los sitios web de varios fabricantes de automviles,
o el Motor Magazine, o la Asociacin Americana de Automviles
para los datos.
8.2

F = (ESSn ~ ESSoid)/ NR
(8.5.16 )
RSSneJ(n-k)
Donde NR = nmero de nuevo los regresores. Divida el numerador y
Denominador por SAT y recordar que R2 = -------- Y(1-R2) = ----TSS
TSS
Sustituyendo estas expresiones en (8.5.16 ), que se obtiene (8.5.18 ).

8.3

Este es un problema de definicin. Como se ha sealado en el


captulo, la regresin sin restricciones se conoce como el tiempo, o
nuevo, regresin, regresin y la restriccin es conocido como el
breve regresin. Estos dos difieren en el nmero de regresores
incluidos en los modelos.

8.4

En el marco de la OPERACIN EN que minimizamos la estimacin


RSS sin poner ninguna restriccin a los estimadores. Por lo tanto, el
RSS en este caso representa la verdadera mnimo RSS o RSSur.
Cuando se imponan restricciones a uno o ms parmetros, no se
puede obtener el mnimo absoluto RSS debido a las restricciones
impuestas. (Alumnos de matemticas se recordar limitada e
ilimitada optimizacin).
Por lo tanto, RSSR>RSSUR, A MENOS QUE LAS restricciones son
vlidas, en la que
Caso de que los dos trminos RSS ser el mismo.
DCC

Recordando que R2 = 1 ---- , Se deduce que


TSS

54

UR

TSS

Tenga en cuenta que si utilizamos la regresin restringido o no


restringido,
N

El SAT sigue siendo el mismo, ya que es simplemente igual a -Y)2


I
8.5
(A)Deje que El coeficiente de log K ser /? * = ( / ?2 + / ?3 -1). Probar
la hiptesis nula
Hiptesis de que fi * = 0, utilizando la habitual prueba de t . Si es
cierto que hay rendimientos constantes a escala, el valor t ser
pequea.
(6) Si definimos la relacin (Y/K) como la salida/ratio de capital,
una medida de la productividad del capital, y la relacin (L/K) en
relacin al capital de trabajo, a continuacin, la pendiente de esta
regresin coeficiente da el porcentaje promedio de la productividad
del capital cambio de un porcentaje de cambio en el trabajo y el
capital.
(c) A pesar de que el anlisis es simtrico, suponiendo
rendimientos constantes a escala, en este caso la pendiente media
coeficiente da el porcentaje de cambio en la productividad de la
mano de obra (Y/L) para un porcentaje de cambio en la relacin
capital trabajo (K/L). Lo que distingue los pases desarrollados de
los pases en desarrollo es, por lo general mayor relacin
capital/trabajo en estas economas.
Comenzar con ecuacin (8.5.11 ) y escribir como:
( N-k)R 2
F = - ---------, El cual se puede reescribir como:
( * -l)(l- / ? 2)
(K-1) _
R2 F^ -= ---, despus de ms manipulacin algebraica,
(N-k) ~ (lRl) obtener
8.6

R2 = ----- -- ------------ , El cual es el resultado deseado.


F(k-l) + (n-k)
De la regresin (8.2.1 ), n=64, k = 3. Por lo tanto,
Fo.o5 (2,62 ) = 3,15 , aprox. (ntese el uso 60 df en lugar de 62
df).
Por lo tanto, poner estos valores en la frmula R2 anterior,
Obtenemos:
2 (3.15 ) = 630 =0,0936
2 (3.15 ) + 61 67.3
Este es el valor de R crtico a un nivel de significacin del 5 %.
Dado que el observado de R2 de 0,7077 en (8.2.1 ) supera el valor
crtico, se rechaza la hiptesis nula de que el verdadero valor R2 es
igual a cero.

55

8.7

Desde regresin (2) es una forma limitada de (1), podemos


calcular en primer lugar la relacin F en (8.5.18 ):

56

J,

( * L * LV 1
(l-OO * - * )

(0-9776 -0.9388) 27033


(I" 0-9776) /17

Ahora recordar que FXX1 = autobs jetexpress. Es decir, 27,033 = txl,


que da
T = ^27,033 = 5,1993 . Bajo la hiptesis nula de que la verdadera
bazofia coeficiente variable de la tendencia es cero, obtenemos:
-Ar
" (A)
AB
23 195
Desde el que obtener: se(B. ) = - = -; --------- = 4,461 , que es
T 5,1993
Aproximadamente igual a 4,2750 debido a errores de redondeo.
UN

8.8

El primer modelo tambin se puede escribir como:


En i' - En X2l = ax+a2 X 2i + a3 lnx3/ +ut
que, despus de la recoleccin, se puede
escribir como: ln^ =ax + (l + a2)lnx2i +a3 +
ui InXv
Ahora, el modelo anterior y el segundo modelo con
el P coeficientes son observacionalmente la misma, con las
siguientes relaciones entre a y /? Coeficientes:
UN

UN

UN

UN

UN

P2 = (1 + a2); = " 3 y fijar = ax


Por lo tanto, los errores estndar de los coeficientes estimados
pueden ser fcilmente obtenidos a partir de los errores estndar de la
estimacin de los coeficientes reductores, que ya se conocen.
8.9
La mejor manera de entender este trmino es el de averiguar la
velocidad de los cambios Y (gastos de consumo) con respecto al Xj y Aj,
que es la siguiente:

W, - * +AJr"
Como se puede ver el cambio promedio en los gastos de consumo
con respecto a los ingresos no slo depende de los ingresos, sino
tambin en el nivel de riqueza. De igual manera, el cambio
promedio en los gastos de consumo con respecto a la riqueza
depende no slo de la riqueza sino tambin de los ingresos. Es decir,
las variables ingresos y riqueza interactuar. Este es capturado por
presentar los ingresos y la riqueza en interactivo o multiplicacin, la
forma en la regresin adems de las dos variables en el aditivo. Es
slo cuando fa es cero al MPC que ser independiente de la riqueza.

57

8.10

8.11

Recordando la relacin entre la t y F distribuciones, sabemos


que en la primera ecuacin: Fj^k) = ^ n-k. Por lo tanto,
F = (-4.728)2
= 22,3540 ahora uso (8.5.11 ):
Qn-k)R2 _ (N-2) (0,6149 ).
(K- \ ) (l-R2)
(1X0.3851)
Para resolver esta ecuacin para el n , obtenemos n "16
. Nota: En la primera ecuacin, k = 2 y R2 = 0,6149
1. Poco probable, salvo en el caso de muy alta multicolinealidad.

Probable. Estos casos ocurren con frecuencia en trabajos aplicados.


3.
Probablemente, en realidad, esta sera la situacin ideal.
4.
Probable. En esta situacin, el modelo de regresin es intil.
5.
Puede ocurrir si el significado de uno de los coeficientes es
insuficiente para compensar la insignificancia de los dems.1
6.
Poco probable.
2.

8.12

Consulte los resultados de la regresin en ejercicio 7,21 .


(a)
Utilizando las tasas de las letras del tesoro como el tipo de
inters, los ingresos y la tasa de inters las elasticidades son,
respectivamente, 0,5243 y 0,0255 . Utilizando la tasa de inters de
largo plazo, la correspondiente elasticidad, 0,4946 y 0,0516 .
(b) Individualmente, la elasticidad ingreso es importante en ambos
casos, pero no el tipo de inters.
(c) Con la versin R2 de las aditivas en (8.5.11 ), la F valores
21,5429 (de corto plazo a tasa de inters) y 21,3078 (utilizando
la tasa de inters de largo plazo). El valor de p de
dichos valores son casi cero en ambos casos, lo que llev al
rechazo que los ingresos y la tasa de inters colectivo no tienen
impacto en la demanda de dinero.

(d) Aqu la hiptesis nula es que la elasticidad del ingreso


coeficiente es la unidad. Para probar la hiptesis nula que
utilizamos la prueba t de la siguiente manera:
5243-1 0
T = - -----------= -3.2920 (Con tasa de inters de corto
plazo
0,1445
Como la tasa de inters variable)
(0,4946 -1)
,001 * , - , .,
T = ------------= -1.8816 (ConLargoTrminoInters
0,2686
La tasa de inters variable)
Con 19 observaciones y dos regresores, tenemos 16. Desde
1

Para una discusin ms amplia de este punto, vase Adrian C. Darnell, un diccionario de
Econometra, Edward Elgar, REINO UNIDO., 1994, pgs. 394-395.

58

elasticidad ingreso coeficiente se espera que sea positivo, se puede


utilizar una prueba de una cola. El 5% una cola crtica valor de
t para 16 df es 1,746 . A este nivel de significacin, podemos
rechazar la hiptesis nula de que la elasticidad con respecto al
ingreso es de 1 ; en realidad es menor que uno.
8.13

{A) La elasticidad es de -1,34 . Es significativamente diferente de cero,

para
El valor de t en la hiptesis nula de que la verdadera elasticidad
coeficiente es cero es:
-1 43 T = - ^= 0.32 -4.4687
El valor de p de obtener el valor de t es extremadamente baja.
Sin embargo, la elasticidad coeficiente no es diferente de uno
porque en la hiptesis nula de que la verdadera elasticidad es 1,
el valor de t es
0,32
Este valor de t no es estadsticamente significativa.
(b)
La elasticidad de ingresos, aunque positivo, no es
estadsticamente diferente de cero, como el valor cero en virtud de
la hiptesis nula es inferior a 1.
(c)

Utilizando la frmula (7.8.4 ), obtenemos:


/ ? 2 =l- (l-tf2) -n-k

Ya que en este ejemplo R2 = 0,27 ," = 46,y k = 3, por la sustitucin


el lector puede comprobar que R2 = 0,3026 , aproximadamente.
8.14

(A) A priori, el sueldo y cada una de las variables explicativas son


Espera que se relaciona de forma positiva, a la que estn. El
coeficiente parcial de 0,280 medios, ceteris paribus, la elasticidad
de sueldo GERENTE GENERAL es un 0,28 por ciento. El
coeficiente 0,0174 significa, ceteris paribus, si la tasa de retorno
sobre el capital va por 1 punto porcentual (Nota: no en un 1 por
ciento), entonces el GERENTE GENERAL de salario vaya en un
1,07 %. De la misma forma , ceteris paribus, si volver sobre las
acciones de la empresa pasa por 1 punto porcentual, el gerente
general de sueldos por sobre 0,024 %.
(b) En virtud de la persona, o separada, hiptesis nula de que cada
cierto coeficiente de poblacin es cero, usted puede obtener
los valores t simplemente dividiendo cada coeficiente estimado por
su error estndar. Estos los valores de t para los cuatro coeficientes
se muestra en el modelo son, respectivamente, 13.5 , 8,4.25 y 0.44 .

59

Dado que la muestra es lo suficientemente grande, con los dos-/


regla de oro, se puede observar que los tres primeros coeficientes
son

60

Individualmente estadsticamente muy significativa, mientras que el


ltimo es insignificante.
(c) Para probar el significado global, es decir, que todos los
pendientes son iguales a cero, utilice el aditivas en (8.5.11 ), lo que
R2/ (k-1)
^
0,283 /3
_2? Q2
produce:
F=

;> ------ ^ -=
(I - R ) / (n-k) ( 0,717 ) /205
Bajo la hiptesis nula, esta F tiene la distribucin F con 3 y 205 df
en el numerador y denominador, respectivamente. El valor de p de
obtener dicho F valor es muy pequeo, lo que da lugar al rechazo de
la hiptesis nula.
(d) Dado que la variable dependiente es en forma logartmica y las
huevas y ros se encuentran en forma lineal, los coeficientes de
estas variables dan semi elasticidad, es decir, la tasa de crecimiento
de la variable dependiente de una absoluta (unidad) cambio en el
regresor.

Mediante la ecuacin (3.5.8 ), el lector puede comprobar que: rn =


0,9989 ; rn = 0,9885 , y r23 = 0,9839 utilizando las frmulas indicadas en
la Seccin 7.11 , el lector debe verificar
8.15

Ri2.3 = 0,9705 ; r,3 2

= 0,678 ; r231 =-0.4930

Mediante la prueba exacta de Fisher en el ejercicio, el lector debe


verificar que

Siguiendo exactamente el mismo procedimiento, compruebe que:


tj3 2 =3,20 y fo.i = 1,963 cada uno de estos valores es
estadsticamente significativo al nivel del 5 por ciento.
8.16

{A) los registros de ndice de precios reales y la tasa de inters en el


Ao anterior explica aproximadamente el 79% de la variacin en el
registro de las existencias de tractores, una forma de capital. Ya que
se trata de una doble modelo de registro, la pendiente los
coeficientes (parcial) elasticidad cruzada de la demanda. Estas dos
elasticidades precio tienen signos esperados a priori.
(b)
Cada coeficiente parcial pendiente es individualmente
significativos al nivel del 5 por ciento y cada uno es tambin
significativamente diferentes de la unidad.
(c)

Mediante la ecuacin (8.5.12 ), obtenemos:


_ 0,793 /2
R2/ (k-1)

61

63

(1 -R2) / (n-k)
0,207 /28
Con n = 31, k = 3, el lector puede comprobar que este F valor es
altamente significativa.

62

(d) Vase la parte (a).


(e) Utilice la prueba F en (c).
8.17

(A) Ceteris paribus, un 1 (Gran Bretaa) libra aumento de los precios de

final
Salida en el ao en curso en un promedio de 0,34 libras (o 34
peniques) aumento de sueldos y salarios por empleado. De manera
similar, un aumento de 1 libras los precios del producto final en el ao
anterior, en promedio un aumento de sueldos y salarios por empleado
de 0.004 libras. Con todo lo dems constante, el aumento de la tasa de
desempleo de 1 puntos porcentuales, en promedio, alrededor de 2,56
libras disminucin de sueldos y salarios por empleado. Los tres
regresores explican aproximadamente el 87 por ciento de la variacin
en los sueldos y salarios por empleado.
(b)
Si usted divide los coeficientes estimados por sus errores
estndar, se obtiene los valores t bajo la hiptesis nula que el
correspondiente coeficiente de poblacin real los valores son cero. El
estimado de t los valores de los coeficientes son tres pendiente 4,55 ,
0,055 , y -3,89 , respectivamente. De estos, la primera y la tercera son
estadsticamente significativos pero el segundo no.
(c) Como estudiaremos en el captulo sobre modelos de los rezagos
distribuidos, esta variable se incluye para medir el efecto de
rezago, si los hubiere, de los precios del producto final un ao
antes.
(d) Dado que el valor de este coeficiente no es significativo, esta
variable puede ser lanzada desde el modelo, siempre y cuando no
cometan el error de especificacin de omitir una variable
importante del modelo. Pero ms sobre esto en el captulo sobre
especificaciones del modelo.
(e)

Utilice la siguiente (estndar) elasticidad frmula:

Du

W
W
En el bar sobre las variables denota sus valores promedio de los
datos de la muestra.
8.18

(A) CeterisParibus, un aumento de 1 punto porcentual en el trabajo


Tasa de vacantes en promedio a aproximadamente 5,29 libras aumento
de los sueldos y salarios por empleado, lo que supone un incremento
del PIB de alrededor de 1 libras por persona en promedio de unos
12 peniques disminucin de los sueldos y salarios por empleado, lo
que supone un incremento de los precios de importacin en la actual

63

Ao y el ao anterior, en promedio, a un aumento de los sueldos y


salarios por empleado de 5 peniques.
(6) como en el ejercicio anterior, en virtud de la nula hiptesis nula
la calcula los valores de t para las cuatro variables explicativas son,
respectivamente, 6,51 , -1.04,2 .45 y 2.42 . Pero el segundo de estos
valores t son estadsticamente significativas.
(c) A priori, uno podra esperar una mayor productividad per capita
para llevar a salarios ms altos y los salarios. Este no es el caso
en el ejemplo que nos ocupa, ya que el coeficiente estimado no
es estadsticamente significativamente diferente de cero, ya que
el valor de t es slo alrededor de -1.
(d) Estos estn diseados para recoger el efecto de rezagos
distribuidos ao en curso y el anterior los precios de importacin
sobre los sueldos y salarios. Si los precios de las importaciones
suben, el costo de la vida se espera que vaya hacia arriba, y, por
ende, los sueldos y salarios.
(e) La variable X puede ser sacado de la modelo, ya que tiene el
signo equivocado y porque su valor de t es baja, por supuesto
con la condicin de que no hay error de especificacin.
(f)

Utilice la prueba F de la siguiente manera:


F- * 2/( * -Q

934/4

(1 -R2) / (n-k)
0,66 /14
Este F valor es muy importante; para los das 4 y 14 numerador y
denominador de grados de libertad, el 1% nivel de
significancia F valor es 5,04 .
8.19

Para la elasticidad de ingresos, la estadstica de prueba es:


0,4515 -1
0,0247
Este valor de t es muy significativa, para refutar la hiptesis de que
la verdadera elasticidad es 1.
Para la elasticidad del precio, la estadstica de prueba es:
( = -0.3772- ( -l) =9
808 0,0635
Este valor de t tambin es significativo, lo que llev a la conclusin
de que la verdadera elasticidad-precio es diferente de -1.

8.20

La hiptesis nula es que / ?2 = - / ?3, es decir, / ?2 + / ?3


= 0. Mediante el estadstico t en (8.6.5 ), obtenemos:

64

,=

0,4515 + (-0.3772)
= Q G59
V (0,0247 )2 + (0,0635 )2 -2 (-0.0014)
Este valor de t no es significativo en el nivel del 5 %. Por lo tanto, no
hay razn para rechazar la hiptesis nula.
8,21(a)

La elasticidad cruzada es -1.274

(b)

De la prueba t , obtenemos:
1,274 -0"... .
T =----------- = 2,4174
0,527
El valor de p de obtener la estadstica t bajo la hiptesis nula es de
aproximadamente 0,034 , que es pequeo. Por lo tanto, se rechaza la
hiptesis de que la verdadera elasticidad-precio es cero.
(c)

Una vez ms, utilizando la frmula estndar, obtenemos:

, -- 1-274- (-1) -0.il99


0,527
Dado que este valor de t no es estadsticamente significativa, no
rechazamos la hiptesis de que el verdadero precio elasticidad es la unidad.
(d)
Tanto los signos se espera que sea positivo, aunque ninguna de
estas variables es estadsticamente significativa.
(Ejperhaps nuestro tamao de la muestra es demasiado pequea para
detectar la significacin estadstica de clavel los precios sobre la demanda
de rosas o de los ingresos de la demanda de rosas. Por otra parte, los gastos
de las rosas puede ser una pequea parte del total de los ingresos que no se
puede notar el efecto de la renta en demanda de rosas.
8,22(a) Los coeficientes oiXi y X3 son estadsticamente significativos, pero
los de X4 y X$ no lo son.

(b)

S. Usando la prueba F , obtenemos


F. 0656/4
= 12,392
(1 -0.656) /26
El 5% de valor de 4 y 26 df., es 2,74 . Para rechazar Ho.

(c)

Utilizando el modelo semi-log, obtenemos:


Log(gatos) = 2,53203 -0,0127 tiempo valor de t =(38,3766 ) (3.3514):
R2
=0,2792

Por lo tanto, la tasa de crecimiento instantneo es -1.27 por ciento. La


correspondiente tasa compuesta de crecimiento tambin es de -1,27 % .
(tome el antilogaritmo de -0.0127 (= 0,9873 ), restar 1 de ella y multiplique
por 100). Nota: Para pequeos r, (1 + r) * r.

65

8.23

(A) se refieren a los resultados de la regresin en ejercicio 7.18 . A priori,


Todos los coeficientes se espera que sean positivos, lo que es el
caso, a excepcin de la variable militar de EE.UU. las ventas. El
R2 es muy alto. En general, el modelo parece satisfactoria.
(b) Podemos utilizar la versin R de la tabla ANOVA en la tabla
8.5 Del texto.

SS

Df

Debido a la
regresin

VO
00
M
N>

Fuente de variacin

Debido a los
residuos

0,022 (Z^)

15

MSS

Zyf 0,978 4
(0,022 )1^
15

Bajo la hiptesis nula habitual, la relacin F es:


F= - =166,33 0,022
/15
Este F valor es evidente que es muy importante, lo que conduce al
rechazo de la hiptesis nula de que todos los coeficientes son
simultneamente iguales a cero. En otras palabras, las cuatro
variables en conjunto tienen un impacto significativo en la defensa.
8.24 {A) Esta funcin permite que el producto marginal de la mano de obra y
el capital
A subir antes de que caigan. Estndar de la funcin de produccin
Cobb-Douglas los productos marginales caen desde el principio.
Esta funcin permite adems de la variable elasticidad de
sustitucin, a diferencia del habitual modelo Cobb-Douglas.
(b)

Si / ?4 = / ?5 = 0, entonces e = 1. Este es el modelo estndar.

(c)
Uno podra utilizar la prueba F de la restriccin de los mnimos
cuadrados.
(d)

Los resultados son los siguientes:

66

Dependent Variable: LOG(GDP)


Muestra: 1955 1974 observaciones incluidas: 20
Variable

Coeficiente

Ets. Error

T-Statistic

Prob.

C
LOG( TRABAJO)
LOG(CAPITAL)
TRABAJO
CAPITAL

-11.70601
1,410377
0,942699
- 9,06 E-05
-3.54E-07

2,876300
0,590731
0,194542
4,35 E-05
4,15 E-07

-4.069814
2,387512
4,845735
-2.082179
-0.853032

0,0010
0,0306
0,0002
0,0549
0,4071

R-squared
R-cuadrado
ajustado
S. E. de la regresin
Sum squared resid
Probabilidad de
registro

0,999042
0,998787
0,013289
0,002649
60,91475

Significa depender
var
D. E. dependentvar
Informacin Akaike
criterio
Schwarz criterio
F-estadstica

12,22605
0,381497
-5.591475
5.342542
3911,007

Durbin-Watson stat

1,065992

Prob(F-statistic)

0,000000

Como estos clculos demuestran, los resultados son


mixtos. Mientras que el coeficiente de la mano de obra es
estadsticamente significativa, la del capital no lo es. Comparar
estos resultados con los del ejemplo 8.3 , utilizando la funcin de
produccin Cobb-Douglas estndar.
8.25 A) S. El ndice de precios de combustibles es negativa y
estadsticamente significativa
En el nivel del 1 %.
(b)

La prdida de produccin sera 6,48 % [ (-0.1081) (60%) ].

(c)

El ndice de tendencia de crecimiento fue de 0,45 %

(d)
En promedio, para la muestra, un aumento de 1% en la
mano de obra/ratio de capital de 0,71 % de incremento de la
produccin.
(e)
Vase la respuesta a la pregunta 8.11. Si cada coeficiente
es estadsticamente significativo, es poco probable que R2 = 0. En
el presente caso,
F = ---------------- = 1928,37
(1 - 0,98 ) /l 18
Este F valor es altamente significativa. Por lo que se puede
rechazar la hiptesis de que R2 es igual a cero .
8.26

(A) ElDecisivo3SalidaEsComoSiguiente:

67

Variable dependiente: Y
Muestra: 1968 1983 observaciones incluidas: 16
Variable
C
X2
X3
X4
X5
X6

Coeficiente
5962,656
4,883663
2,363956
-819.1287
12,01048
-851.3927

R-squared
R-cuadrado
ajustado
S. E. de la
regresin
Sum squared resid
Probabilidad de
registro
Durbin-Watson
stat

Ets. Error t-statistic


2507,724 2,377716
2,512542 1,943714
0,843559 2,802361
187,7072 -4.363863
147,0496 0,081676
292,1447 -2.914284
Significa depender
var
D. E. dependentvar
Informacin Akaike
criterio
Schwarz criterio
F-estadstica
Prob(F-statistic)

0,822750
0,734125
627,6005
3938824.
-122.0134
2,484497

Prob.
0,0388
0,0806
0,0187
0,0014
0,9365
0,0155
7543,125
1217,152
16,00168
16,29140
9,283507
0,001615

(b)
Uno esperara que P2,fiiand/ ? 6a ser positivos y J34y/ ?5
a ser negativo.
(c)

P2,P3y responder a las expectativas ; los otros no.

(d)
Como los resultados de la regresin muestran,
X3 ,XAandX6 son significativas a nivel del 5 por ciento, Xi
es significativa en el nivel del 10 %, pero^ es estadsticamente
insignificante.
(e)
Utilizamos la metodologa de mnimos cuadrados se explica
en el captulo. La regresin Y en X2, X3, anda ^ slo, obtener
Rl = 0,6012 . Incluidos todos los regresores, como puede verse en
Los resultados de la regresin en (a), tenemos R2m = 0,8227 .
Por lo tanto, utilizar el ecualizador. (8.7.10 ), obtenemos
_ (0,8227 -0.6012) /2
F = ---------------------- - = 6,25
(1 -0.8227) /10
Para los das 2 y 10 df en el numerador y el denominador,
respectivamente, el 5% F valor crtico es 4,10 . Por lo tanto, se
rechaza la hiptesis de que las variables X $ y X$ no pertenecen en
el modelo.
8.27 (A) Dado que ambos modelos son log-lineal, la pendiente estimada
coeficientes
Representan la (parcial) elasticidad de la variable dependiente con
respecto al regresor bajo consideracin. Por ejemplo, el coeficiente
0,94 en Eq. (3) significa que si la salida en kwh aumenta en un 1 %,
en promedio, el costo total de produccin se incrementa en 0,94 %.

68

De manera similar, en Eq. (4), si el precio de la mano de obra en


relacin con el precio del combustible aumenta en un 1 %, en
promedio, el costo relativo de la produccin se incrementa en 0,51
por ciento.
(b)

Utilice la F estadsticas de la siguiente manera:


F (RSSR-RSSUR) /NR ( 0,364 -0.336)71
{ Qn
( \ -RSSUR) /n-k (1 -0.336) /24 donde
NR = nmero de restricciones.
Este F no es importante; el 5% valor crtico de F 1 y 24 numerador y
denominador df., respectivamente, es 4,26 . Por lo tanto, no rechazamos la
hiptesis nula de que la suma de las elasticidades de precios es 1.
Nota: no use la versin R2 de la prueba F del apartado 8.7.10 ),
porque las variables dependientes en las Ecs. (3) y (4) no son las
mismas.
8.28
(A) No.
El Estimado Es
Diferente de cero, como su t
Valor es 5.3 .

Significativamente

(6) S, ya que arroja luz sobre la validez de la teora. Adems,


estadsticamente es significativo, como se observa en (a).
(c)
No parece demasiado alta rentabilidad de letras del tesoro de
ESTADOS UNIDOS.
(d)

No. Una vez ms, esto parece relativamente alta.

(e)
Un estudio de la literatura reciente sugiere que el CAPM el
modelo puede no ser adecuada en todas las situaciones.
8.29

Slo incluiremos los resultados en base a las tasas de las letras del
tesoro; los resultados basados en la tasa de largo plazo son
paralelos.
El modelo en ejercicio 7,21 (a) es el modelo sin restricciones y que en
(b) Es el modelo restringido. Dado que la variable dependiente en
los dos modelos son diferentes, se utiliza la prueba F del apartado
8.7.9 ). El restringido y no restringido RSS son, respectivamente,
0,0772 y 0,0463 . Tenga en cuenta que solamente hemos puesto una
restriccin, es decir, que el coeficiente de Y en el primer modelo es
la unidad.
F_(0,0772 - 0,0463 ) /l_1069

(0,0463 ) /

(19- 3)
Para los das 1 y 16 numerador y denominador df,
respectivamente, el 5% F valor crtico es 4,49 . Por lo tanto,

69

8.30

rechazamos el modelo restringido y concluir que la elasticidad


ingreso real es menor que la unidad.
Para usar la prueba t en (8.7.4 ), tenemos que saber la covarianza entre
los dos estimadores pendiente. De los datos, se puede
UN

Demostrado que cov (


, / ?3 ) = -0,3319 . Aplicar (8.7.4 ) a la mexicana
Datos, obtenemos:
(0,3397 + 0,8460 -1)
/ = -,
=1,94
YJ, sellada,0.0345 + 0,0087 + 2 (-0.0173)
En la tabla de t , nos encontramos con que el 5% de dos colas valor de
t es 2.12 . Por lo tanto, en este nivel de significacin, no rechazamos la
hiptesis de rendimientos constantes a escala, aunque numricamente
la suma de los dos coeficientes ( =1.19 ) es mayor que 1.
8.31

(A) A priori, sera de esperar una relacin positiva entre CM


y FECUNDIDAD, ya que mientras ms grande es el nmero de nios de
una mujer mayor es la probabilidad de un aumento de la tasa de
mortalidad debido a los servicios de salud y otros motivos.
(b)
Los coeficientes de PGNP no son muy distintos, pero que son
diferentes de la FLR. A ver si la diferencia es real, se puede usar la prueba
t . Supongamos que utilizar la Eq. (1) y es que el verdadero coeficiente de
PGNP es -1,7680 . Ahora podemos usar la prueba de la t de la siguiente
manera:
_ -2.2316 - (-1.7680) _ -04636 _
0,2099
0,2099
Este valor de t es mayor que 2 en trminos absolutos, de manera que puede
rechazar la hiptesis de que el verdadero coeficiente es de -1,7680 . Nota
aqu hemos utilizado el 2-t regla general ya que el nmero de observaciones
es razonablemente alto.
(c)
Podemos tratar modelo (1) como la versin restringida del modelo
(2). Por lo tanto, podemos utilizar la versin R de la prueba F del apartado
8.7.10 ), ya que las variables dependientes en los dos modelos son iguales.
La estadstica F es de la siguiente manera:
0,0397 G
^
F _ (0,7474 -0.7077) /!
(1 - 0,7474 ) / (64-4) 0,0042 conforme a los criterios
generales, este tiene la distribucin F con 1 y 60 df en el numerador y
denominador, respectivamente. El 1 % de estos crticos de F dfs es 7,08
. Desde la calcula F excede este valor crtico, podemos rechazar el
modelo restringido (1) y concluir que la tasa global de fecundidad es
variable en el modelo.
(d)

Recordar que
Fxk = t \. Por lo tanto, y teniendo el (positivo) raz cuadrada de

70

la F valor dado en el apartado c) supra, se encuentran: t = V9.4523 =


3,0744 , aprox.
Por lo tanto, bajo la hiptesis nula de que el verdadero valor de coeficiente
de fecundidad en el modelo (2) es cero, podemos obtener el error estndar
de la fecundidad estimada coeficiente dividiendo el coeficiente estimado
por el anterior valor de t , que da
12,8686 . 10C" se =
= 4,1857
, aprox.
3,0744
8.32

(A) en el modelo I la pendiente coeficiente nos indica que por cada unidad
de aumento en el gasto en publicidad, en promedio, se mantienen las
impresiones de 0,363 unidades. En el modelo II (promedio) la tasa de
incremento de las reservas impresiones dependen del nivel de los gastos de
publicidad. Tomando la derivada de Y con respecto a X, se obtiene:
- = 1,0847 -0.008X dx
Esto podra sugerir que conserva las impresiones aumentar a una
tasa decreciente, los gastos de publicidad aumenta.
(b) &C)podemos tratar Modo 11 como la versin abreviada, o
restringido, la versin del modelo II y, por lo tanto, pueden utilizar la
restriccin tcnica de los mnimos cuadrados a la hora de decidir entre los
dos modelos. Dado que la variable dependiente en los dos modelos es el
mismo, podemos utilizar la versin R2 de la prueba F del apartado 8.7.10 ).
Los resultados son los siguientes: 0,53 (-0.424) /l_0.1Q6_
(1 - 0,53 ) /18 0,0261
En virtud de la hiptesis habitual de la prueba F , el valor F anterior
siguiente la distribucin F con 1 df y 18 df en el numerador y el
denominador, respectivamente. El dfs para estos crticos de F valor es 4,41
(5% nivel) y 3.01 (10% de nivel) .; thep valor es 0,0591 o alrededor del 6
%, que es cerca de 5 %. Parece que deberamos mantener el cuadrado X
variable en el modelo.
(d) Como se ha sealado en la letra b), existen rendimientos decrecientes
para los gastos de publicidad; si el coeficiente del ^ -trmino al cuadrado
fueron positivos, no se habra producido un nmero cada vez mayor de
regresos a la publicidad. Equiparar el valor de la derivada en (6) a cero,
obtenemos:
1,0847 =0,008 X, X = 135,58 . En este valor de X, la tasa de
incremento de Y con respecto a X es cero. Puesto que X se mide en
millones de dlares, podemos decir que en el nivel de los gastos de unos
136 millones de dlares no hay ganancia adicional en las reservas las
impresiones, que se miden en millones de impresiones.

8.33

(A) utilizando los datos de la regresin (7.9.4 ) en (8.7.4 ), obtenemos:


(1,4988 + 0,4899 -1)
0,9887
V( >2+0,5398 (0,1020 )2 -2 (0,03843 ) 0,4742

71

Puesto que el tamao de la muestra es 15, tenemos 12 d. f. . El valor de t es


significativo al nivel del 5 por ciento, lo que sugiere que tal vez hubo
rendimientos crecientes a escala en el sector agrcola taiwanesa.
(6) La constante imposicin de las devoluciones de restriccin, los
resultados de la regresin son los siguientes:
Ln( -) = 1,7086 +0.6129 ln( ^ -)
X2
X2
Se = (0,4159 ) (0,0933 ).

J?2 = 0,7685
RSS = 0,0915

El irrestricto RSS, RSSur, de la regresin (7.9.4 ) es 0.0672y el restringido


RSS, RSSr, de la regresin en (b) es 0,0915 . Usando la prueba F del
apartado 8.7.9 ), obtenemos: f . (0.09I5 - 0,0672 ) / 1 =4 3393 (0,0672 ) /12
En virtud de la hiptesis habitual de la prueba F , el anterior valor F tiene
la distribucin F con 1 df en el numerador y 12 df en el denominador. El
valor de p de obtener una F valor de tanto como 4.34 o superior es de
0,0593 o a cerca del 6 por ciento , que cerca del 5% de significancia. Una
vez ms, parece que no hubo rendimientos crecientes a escala en el sector
agrcola taiwanesa.
Tenga en cuenta que la pequea diferencia en la t y F nivel de significancia
es debido a errores de redondeo. Tambin tenga en cuenta que, dado que las
variables dependientes en el restringido y no restringido modelos son
diferentes, no podemos utilizar la versin R de la prueba F .
8.34

Siguiendo exactamente los pasos que se indican en segundos. 8.8 , Aqu


estn las sumas de cuadrados residual:

RSS = 1953,639 (1970-1982)


RSS2 = 9616,213 (1983-1995)
RSS = 23248,30 (1970-1995), que es el RSS RSS Ahora UR =
(1953,639 Y 9616,213 ) = 11569,852
Usando la prueba F , obtenemos:
R (RSS, -RSSIM) /k

RSSm / (Mj + 2 - 2k)


11678,448 /2
11569,852 /22
El valor de p obtener una F valor de tanto como 11 o superior es de 0,0005
, una muy pequea probabilidad de hecho.

72

Aunque la conclusin general de este ejercicio y el ejemplo discutido en


segundos. 8.8 Sigue siendo el mismo, es decir, que no haba una variacin
estadsticamente significativa en las economas de ingresos regresin. Sin embargo,
como se puede ver los valores de la F, la respuesta depende del punto de rotura
elegido a dividir la muestra.
CAPTULO9 MODELOS DE
REGRESIN VARIABLE FICTICIA
9.1
(A)Si la interseccin est presente en el modelo, introducir 11
maniques.
Si la interseccin est suprimido, introducir 12 maniques.
(B) Si la interseccin est incluida en el modelo, introducir 5 for
dummies, pero si la interseccin est suprimido (es decir, regresin
a travs del origen), introducir 6 for dummies.
9.2

{A)
Segn la teora, los coeficientes de Xi, Xs se espera
Para ser positivo y de X3, X$, y X9 se espera que sean negativos. El
coeficiente de X4 podra ser positivo o negativo, dependiendo de la
edad y esposa del nmero de hijos. Tal vez, un maniqu interactivo
de edad y los nios menores de 6 o entre 6 y 13 podran arrojar ms
luz sobre la relacin entre la edad y horas de trabajo deseado.
(b)
Suponiendo que todos los dems factores constantes, uno
esperara que horas de trabajo deseado sera mayor que el (comn)
interceptar valor de 1286 horas. Este coeficiente, sin embargo, tiene
un signo negativo. Sin embargo, puesto que no es estadsticamente
significativa, se puede decir muy poco sobre el impacto
de X^ (promedio) Y. como de xy, su coeficiente se espera que sea
positivo, que lo es. No slo eso, sino que es estadsticamente
significativo, dado que el valor de t es bastante alta.
(c)
Tal vez, esto se debe a collinearity entre la edad y la
educacin, as como collinearity de estas variables con el nmero de
nios. Adems, observe que el modelo no incluye aos de escolaridad
del marido.

9.3

(A) La relacin entre las dos variables se prev que se


Negativo, ya que si la tasa de desempleo es alta, lo que indica
debilidad en el mercado laboral, es menos probable que los
empleadores publican ofertas de trabajo.
(b)
Es 3,8998 ( =2,7491 +1.1507). Dado que el falso
coeficiente es estadsticamente significativa, la tasa de desempleo
de 1966 4o trimestre es estadsticamente mayor que en el 4o
trimestre 1964 .
(c)

Dado que el coeficiente del diferencial es slo ficticia sobre

73

importantes al nivel del 5 por ciento, se podra decir que la


pendiente de la funcin de regresin en los dos perodos son
diferentes.

74

(d) Probablemente s. De prestaciones por desempleo ms generosa, el


gobierno reduce el costo de oportunidad de permanecer en la situacin de
paro.
Los resultados muestran que el precio promedio fue superior en 5,22
dlares por barril en 1974 que en los otros aos en la muestra. El slope
coeficiente, 0,30 dlares es el mismo en toda la muestra. El grfico se
asemejar a Fig. 9.3 B en el texto, con la lnea de regresin para el ao 1974
a partir de 5.22 en el eje vertical con una pendiente de 0,30 ; para el resto de
los aos la lnea de regresin pase por el origen, pero con la misma
pendiente.
(Un): Masculino Profesor: E(Yi) = (a + a2) + / ?Xi
Es Profesora:
E(Yi) = ax + fix
Celebracin X constante, el salario medio masculino es diferente por a2
() macho Profesor:E(Yj, sellada,)=(Al + 2a2) + f5xt
Es Profesora:
E{Yt) =(A + a2) + / 3Xj
Celebracin X constante, el salario medio masculino tambin es diferente de a2
(c) Profesor macho
E(Yt) = (A,-A2) + licencia para usar una copia
Es Profesora
( ^) = (A,+A2) + licencia para usar una copia
Celebracin X constante, la diferencia entre el hombre y la mujer salario
promedio es de 2 a2.
Dado que la escala de la variable ficticia es arbitraria, no hay ninguna
ventaja particular de uno de los mtodos. Para un dado de datos, la
respuesta es invariante a la eleccin del maniqu.
Despus del Captulo 8, podemos usar la prueba t de la siguiente manera:
(A) - (A-A) se(A-A)
Sin embargo, bajo la hiptesis nula de que / ?2 = / ?3, el segundo trmino en
el numerador de la expresin anterior se convierte en cero.
.

Tenga en cuenta tambin que se{ft2 - ft) = ^var( / ? 2) + var(ft) - 2 co\ {ft, ft) J
En nuestro ejemplo, se puede demostrar que se(ft - ft) = 84,8392 .
Por lo tanto, el estadstico t se vuelve
Este valor de t no es lo importante, lo que llev a la conclusin de
que los coeficientes de >2 y >3, aunque cada uno de ellos son

estadsticamente significativamente diferente de la interseccin del


primer trimestre, no son significativamente diferentes uno del otro.
Exactamente por el mismo razonamiento, para poner a prueba la
hiptesis de que los coeficientes de >2 y D4 son los mismos,
obtenemos el siguiente valor de t:
( = 245,3750 - (-62.1250) =36245
84,8392
Este valor de t es estadsticamente significativa, lo que sugiere que
los coeficientes de >2 y >4 son diferentes.
La respuesta a la ltima parte de la pregunta es por lo general no.
Lgicamente, si A es diferente de B y si A es diferente de C, no se
desprende necesariamente que B y C son tambin diferentes. Por
supuesto, uno puede utilizar la prueba de t para responder a esta
pregunta.
9.7
(A)& (6) :ElEstndarErroresDe
ElCoeficientes
De El
Regresin
(9.5.6) Pueden ser obtenidos directamente de (9.5.4 ). Sin
embargo, para obtener los errores estndar de los coeficientes en
(9.5.7 ), tendremos que obtener
Los errores estndar de ( "2 + 3 )y( / ?, + J32) por la bien conocida
frmula estadstica para el error estndar de la suma o diferencia de
dos (o ms) los coeficientes. Ver la frmula que figura en la
sugerencia para Ejercicio 9.6 . Dado que esta frmula implica la
covarianza de los trminos involucrados en la suma o diferencia de
coeficientes, sin esa informacin no podemos calcular el error
estndar.
Para nuestro ejemplo,
Var(") = 406,6205 , var( " 2) = 1094,443 ; var( / ? ,) = 0,00021 ; var( / ? 2) =
0,000255 ; cov(, ,2) = -406.6205 y cov( / ?, ,fi2) = -0.00021
Por lo tanto, se(minimum+ ",2) = J~ [406,6205 +1094.443- 2 (406,6205 ) ]
=26,2263 y
Se ( ft + j32) = 0,00021 +0.000255 [yT -2. (00021)] = 0,0067
Nota: Debido al redondeo y aproximacin los errores, estos errores estndar
son algo diferentes a las reportadas en (8.8 .2a).
9.8

(A)Descuidar Los maniques de momento, ya que se trata de un doble


Regresin de registro, cada pendiente estimada coeficiente representa una
elasticidad. Por lo tanto, si X2 ( el nmero total de oficinas o sucursales en un
banco), el aumento en un 1 %, en promedio, la Corporacin Federal de
Seguros de Depsitos examinador horas de cerca del 0,22 por ciento, quiz
como reflejo de algunas economas de escala.
Otro coeficiente de la sesin X las variables han de interpretarse

76

Del mismo modo. A priori, todos los coeficientes X deben ser positivos, que
son.
(b) & (C): Desde la regressand se encuentra en el formulario de registro,
tenemos que interpretar los coeficientes de las variables dummy como por la
sugerencia hecha por Halvorsen y Palmquist. El antilogaritmo de cada
estimado cofficient conectado a una variable indicadora y restar 1. Multiplicar
la diferencia por 100, lo que dar entonces el porcentaje de cambio en
el regressand cuando una variable ficticia va del estado 0 al estado 1. Por
ejemplo, considerar el coeficiente de ZXj, que es de 0,2572 . Tomando el
antilogaritmo de este nmero, tenemos 0,7732 . Restando 1 a partir de este, y
multiplicando el resultado por 100, obtenemos -22.68 %. Por lo tanto,
cuando el examen se lleva a cabo en forma conjunta con el estado, LA FDIC
horas examen por cerca de un 23 por ciento. Otro falso los coeficientes se han
de interpretar de manera similar.
9.9

(A) & (C): Ceteris paribus, si la tasa de inflacin esperada sube un 1


Punto porcentual, la media tasa de letras del Tesoro (TB) espera que se vaya
abajo en aproximadamente 0,13 puntos porcentuales, lo que no tiene sentido
econmico. Sin embargo, la TB coeficiente no es estadsticamente
significativa, como su valor de t es slo de 1,34 . Si la tasa de desempleo sube
en 1 punto porcentual, la media TB se espera que la tasa se reducen un 0,71
punto porcentual. Este coeficiente es estadsticamente significativa, ya que su
valor de t es de -4,24 . Tambin tiene sentido desde el punto de vista
econmico, como una tasa de desempleo ms elevada significa
desaceleracin de la economa y la Fed probablemente reducir el ndice de
TB para reanimar la economa. Si el cambio en el crecimiento de la base
monetaria se incrementa en una unidad, en promedio, el ndice de la TB se
espera que se vaya hacia abajo, como un aumento de la base monetaria, a
travs del efecto multiplicador, conduce a un aumento en la oferta de dinero,
lo que tendr el efecto de reducir la tasa de inters, ceteris paribus. La zaga
valor de Y es positivo y estadsticamente significativo. Este valor rezagado
tenga en cuenta la dinmica del cambio, un tema discutido en el captulo
sobre modelos de los rezagos distribuidos.
(b) A finales de 1979, el entonces Gobernador de la Reserva Federal, Paul
Volcker, el cambio de poltica monetaria centrarse en el tipo de inters
objetivo de la evolucin de la base monetaria, con el objetivo de reducir la
elevada tasa de inflacin en la economa estadounidense. Apretando la base
monetaria, la cual dara lugar a aumentos en el ndice de la TB, la tasa de
inflacin fue posteriormente reducido considerablemente. Por cierto, nota que
la falsa coeficiente es estadsticamente significativa.

9.10

Escribir el modelo como:


Y =a+ a2D + / 3xxi + fi2 ( X, -X') D + u, donde D =
l, cuandoX\ > )C = 0, si Xj < )C

77

Suponiendo que E(u,) = 0 , obtenemos :


E(Yi\D=0,Xi<X') = al + ftXi
E(Xi \D = IX, > X ') = (a + a2) + (A + fi^X, -X'.
Por lo tanto, cuando X\ supera Jl * , los saltos de interceptar a2 y cambia la
inclinacin de fi2.
9.11

(A) La asignacin de las variables dummy se supone una constante


(proporcional) de diferencia; el almacn de la cadena es de 10 veces la escala
de las tiendas de descuento y tiendas de conveniencia es 10 veces la escala de
cadenas de tiendas (o 100 veces la escala de descuentos). Evidentemente,
todo esto es arbitrario.
(6) Como era de esperar, la marca las colas son ms caros que el precio de
nonin cola.
(c) La variable ficticia es la configuracin con los ms altos valores
asignados para los contenedores ms pequeos.

9.12

(A) el coeficiente de la variable de renta en el formulario de registro es una


semi un porcentaje de cambio en los ingresos.
(b)
Este coeficiente muestra que la esperanza media de vida es probable
que aumente por .0939 aos si el aumento de los ingresos per cpita en un 1
%, ceteris paribus. (Ver el Captulo 6 en el lin-log modelo).
(c)
Este regresor es introducido para capturar el efecto de aumentar los
niveles de ingreso per cpita superior al valor de umbral de $1097 en la
esperanza de vida. Este regresor proporciona el nmero de aos adicionales
que se pueden esperar vivir como uno de los ingresos por encima del valor
umbral. El coeficiente estimado valor, sin embargo, no es estadsticamente
significativa, como el valor de p el coeficiente estimado es de 0,1618 .
(d)
La ecuacin de regresin para los pases por debajo del nivel de
ingreso per cpita de $1097 es:
+ 9,39 -2,40 InXi para los pases con ingresos per cpita
de 1097 dlares, la regresin

78

Ecuacin es:
-2,40 + (9,39 - 3,36 ) inx{ + (3.36 ) (7), es decir,
21,12 + 6,03 lnXi
Si bien numricamente las dos regresiones son diferentes estadsticamente
No lo son, para el coeficiente de la pasada legislatura en la ecuacin
es estadsticamente cero. Parece que no hay estadsticamente
diferencias apreciables en la esperanza de vida entre los pases ricos y
los pobres, si se asume que los pases con ingresos per
cpita superiores a los $1097 son pases ms ricos.
9.13

(A) &(B). Px da el valor esperado de Y para los 20 primeros


Observaciones y fi2 indica el cambio en el valor esperado de Y para
los prximos 30 observaciones, es probable que el valor de Y en los
ltimos 30 observaciones (+ / ? 2).
(c) De la conocida frmula para encontrar la suma o diferencia de
dos o ms variables aleatorias (ver Ap. A), se puede demostrar que
Var(N + A) = var(A ) + var( / ? 2) + 2 cov( / ?" } 2)
Para obtener los valores numricos, seguimos las frmulas indicadas
en el captulo 3 de las dos variables de modelo. Por lo tanto, tenemos:

Var(A)= ZP ; . <R *
,2
" 2 (0 - Dy .III"

>00 = 15
50U2J

<T2 _ 300
E(Z) , . -D)2
~~vi
Se nos dice que la covarianza entre los dos estimadores es 15. Que
todos estos nmeros juntos, obtenemos:
Var( / ? , + / ? 2) = 10
Nota: Verifique que Z(A - D) 2 =12.
V

9.14

(A) La relacin entre las dos variables es negativa.


(b)

S, s lo son.

(c)
& (D). Los estados que no tienen el derecho de trabajar
leyes, miembro de la unin el promedio fue de 19,8 %. Por otro
lado, en los estados con esas leyes los miembros de la unin fue
inferior en un 9,39 puntos porcentuales, para un ingreso efectivo
de 10,42 %.

79

9.15

Las frmulas de la operacin dada en el Captulo 3, sabemos que:

Pl Y(D-Df

(1)

Ahora es fcil comprobar que: D =


Nn
(D, -D) = ^ifd = 1
N
Y

= --IFD = 0
N

Ahora el denominador en Eq. (1) se puede escribir como:


I (A - Df = (A - Df + f; ( D, Df

El numerador de Eq. (1) se puede escribir como:


Z(D-D)Yl= ' (Dl-D)Yl+fj(D-D)yl

9.16

(A) 2,4 %.
(b) Dado que tanto el intercepto y la pendiente diferencial
coeficientes son altamente significativas, los niveles y las tasas de
crecimiento de la poblacin en los dos perodos son diferentes. La
tasa de crecimiento para el perodo antes de 1978 es de un 1,5 % y
que, despus de 1978, es del 2,6 % (= 1,5 % + 1,1 %).

Problemas
9.17 En la regresin para los dos perodos por separado, nos encontramos
con que
Para el primer perodo <r,2 = 0,00768 (df = 30) y para el segundo
perodo
S\ = 0,03638 (df = 17). A continuacin, bajo el supuesto de que las
respectivas las varianzas de la poblacin son los mismos, y tras Eq.

80

(8.8.8) , La siguiente relacin sigue la distribucin F.

81

F = - F
JL2

U r (nt-k) Xn2-k) .

\
En nuestro ejemplo, k = 2, 32 Y " 2 =19. Poner la correspondiente
Los valores en la expresin anterior, obtenemos:
F = 4,7369
El valor de p de obtener una F de 4,7369 o superior es de 0,00001 ,
lo cual es extremadamente pequeo. La conclusin es que las
variaciones en los dos sub-perodos no son los mismos.
9.18

Dado que la variable dependiente en los modelos (9.7.3 ) y (9.7.4 )


es el mismo, podemos utilizar la versin R2 de las aditivas en Eq.
(8.7.10 ). En el presente caso, la restriccin R2 (es decir, R^) se
obtiene a partir de
(9.7.3) , Que es 0,5318 y la libre R2 (p. ej., R^r) es dada por (9.7.4 ),
que es 0,7298 . En nuestro ejemplo n = 2 , k =5 y m = 1 (asegrese
de que usted obtenga este derecho). Poner estos valores en Eq.
(8.7.10 ), obtenemos:
^ G
R (0,7298 -0.5318)71
(1 - 0,7298 ) / (32-5) en el que se encuentra la
distribucin F con 1 y 27. en el numerador y denominador,
respectivamente. El valor de p para obtener una F valor de tanto
como 19.8 o superior (para 1 y 27 df) es prcticamente nulo. La
conclusin que surge es que la restriccin impuesta por el modelo
(9.7.3) , La de excluir la variable X, no es vlido. Poner
positivamente, la variable X, los gastos en bienes duraderos, se debe
introducir en el modelo.

9.19

En este caso, la variable Z toma el valor de 2 cuando D = 0


y toma el valor de 5 cuando D = 1 . Con esta falsa asignacin, es
la siguiente: los resultados de la regresin

Variable
dependiente: AHORRO
Mtodo: Mnimos
Cuadrados
Ejemplo: 1970 1995 proporcionen observaciones: 26
Variable
Coeficiente
Ets. Error T-Statistic
C
INGRESOS
Z
Z * INGRESOS

-100.6363
0,123978
50,82618
-0.021823

37,88404
0,024574
11,02746
0,005327

82

-2.656429
5,045035
4,609058
-4.096340

Prob.
0,0144
0,0000
0,0001
0,0005

R-squared
\Djusted R-squared
3.E. de regresin
Sum squared resid
_OG probabilidad
Durbin-Watson stat

0,881944
0,865846
23,14996
11790,25
-116.4125
1,648454

Significa depender
var
D. E. dependentvar
Informacin Akaike
criterio
Schwarz criterio
F-estadstica
Prob(F-statistic)

162,0885
63,20446
9,262501
9,456055
54,78413
0,000000

Ahora, en la comparacin de los resultados anteriores con los indicados en


el apartado 9.5.4 ),
(9.5.6) Y 9.5.7 ), tenemos que tener cuidado, para la variable Z
toma el valor de 2 (cuando D = 0) y el valor de 5 (cuando D = l)
.Para obtener los ahorros de regresin ingresos comparables a (9.5.6
) (es decir, cuando el valor ficticio original era cero), donde Z
aparece, ponga el valor de 2, que da como resultado:
Ahorro de Regresin ingresos 1970-1981:
Ahorro = [ -100.6363 + 2 (50,826180 0,123978 ] + [- 2 (0,02182 ) ]Ingresos
= 1,0161 + 0,0803 los ingresos, que es el mismo
que el obtenido en (9.5.6 ), excepto para los errores de redondeo.
Ahorro ingresos Regresin: 982-1995:
Ahorro = [ -100.6363 + 5 (50,8262 )] + [0,12398 - 5 (0,021820 ]Ingresos
+ 0,0148 = 153,4947 ahorro
que es la misma que (9.5.7 ).
El mensaje de este ejercicio es que la eleccin de los valores
numricos de las variables dummies es esencialmente arbitraria.
9.20 Tal como lo hara sospechoso, el signo del coeficiente de la ficticia (9.5.4 )
Se convertir en -152.4786 y el signo del coeficiente de ( MQ llega
a ser positivo. El interceptar plazo ahora se 153,4973 y coeficiente
de la renta variable ser 0,0148 . Todo esto es una consecuencia
lgica.

9.21

(A) Dado que el falso entra en el formulario de registro, y puesto


que el registro de cero no est definida, en la redefinicin de la
ficticia como 1 y 10, podemos obtener los registros de estos nmeros.
(b) Los resultados de la regresin son los siguientes ( los valores de t entre
parntesis):
\Aisavings), = -0.1589 + 0,6695 en los ingresos , + -

83

0.00029 en D, t = (-0.2074) (6,2362 ). (-0.00505)


R2 = 0,8780
Dado que el falso coeficiente no es estadsticamente significativo, a
todos los efectos prcticos las dos interceptar trminos son los
mismos. La interpretacin del coeficiente de interseccin de -0.1589
es que representa el valor del registro de ahorros cuando todos los
regresores tome un valor de cero. Tomando el antilogaritmo de este
valor, podemos obtener el valor de 0,8531 (miles de millones de
dlares). Por supuesto, este nmero puede que no tengan mucho
sentido econmico.
Puede ser interesante para comparar los resultados de la
regresin anterior con los siguientes resultados, que permiten el
efecto de interaccin:
En (Ahorro), = -2.0048 + 0,9288 ( ingresos), + 2,3278 en D, - 0,2985
(ln Dt * Ingresos") t = (-2.6528) (8,7596 ).(3,9696 ).
(-3.9820)
R2 = 0,9291
Ahora tienes un panorama totalmente diferente, para el intercepto y
la pendiente diferencial dummies son importantes. Para el perodo
1982-1995, los diputados (propensin marginal al ahorro) es 0,6303
, mientras que para el perodo anterior es 0,9288 . De la misma
manera, la interseccin plazo para el primer perodo es negativo pero
es positiva para el segundo perodo.
Segn los clculos anteriores muestran, vea cmo errores de
especificacin pueden cambiar los resultados.
9.22

(A) se presentan los resultados de los tres aparatos de la siguiente


forma tabular:
Tipo de aparato Interceptar D2 D 3 D 4 R
Lavavajillas
748,2500
8,25 42,875 49,875 0,0219
T
(13,824 )
(0.10 ) (0.56 ) (0.65 )
Residuos
T
Lavado
Las mquinas
T

887,00
(18,8066 )

0,0810 11,12 -77.50 -55.50


(-1.16) (-0.83) (0.16 )

1225,625

1.00 -45.25 0,169 -106.875

(33,2219 ) (-0.8673) (0.01 ) (-2,05)

(b)
El "slope" coeficientes son de hecho diferencial intercepta, con
el primer trimestre como el trimestre de referencia. Slo el 4to
trimestre falsa para las lavadoras es significativamente diferente del
primer trimestre; lo que sugiere que las lavadoras slo presentan algn
tipo de estacionalidad. Esto es en contraste con los resultados de los
frigorficos en (9.7.3 ) donde hubo estacionalidad en el segundo y tercer
84

trimestre (pero no el 4o trimestre ).


(c)
Ya que no hay estacionalidad estadsticamente visible en
lavavajillas y eliminadores de ventas, no hay necesidad de
desestacionalizar los datos. Para las lavadoras, los residuos de la
regresin desestacionalizados representar series de tiempo.
9.23

Los resultados de la regresin, que se obtiene a partir de 5 decisivo son


las siguientes: En la siguiente tabla, D \, D2 y D 3 son los maniques
para el segundo, tercer y cuarto trimestre. PLATO, DISP y LAVAR
representan, respectivamente, las ventas de los lavavajillas, autogestin
y lavadoras, en miles de unidades y DUR representa bienes duraderos
los gastos en miles de millones de dlares. No todas las estadsticas que
se presentan en la tabla se han discutido, pero sern a medida que
avanzamos a travs del libro.

Variable dependiente: PLATO


Mtodo: Mnimos Cuadrados
Ejemplo: 1978:1 1985:4 incluy observaciones: 32
Variable
C
D1
D2
D3
DUR
R-squared

Coeficiente
106,8419
5,840220
24,14839
29,81285
2,322680

Ets. Error

T-Statistic

168,8010
62,14176
62,32067
62,34750
0,590194

0,632946
0,093982
0,387486
0,478172
3,935452

Prob
.
0,5321
0,9258
0,7014
0,6364
0,0005

0,378492SignificaDependienteVar 773,5000

85

R-cuadrado ajustado
S. E. de suma de
regresin al
cuadrado resid Log
probabilidad DurbinWatson stat

0,286416
124,2775
417012,1
-197.0082
0,183078

S. D. Dependentvar
Akaike info criterion
Schwarz criterion Fstatistic Prob(Fstatistic)

147,1194
12,62551
12,85453
4,110677
0,009944

Variable dependiente: DISP


Mtodo: Mnimos Cuadrados
Ejemplo: 1978:1 1985:4 incluy
observaciones: 32
Variable

Coeficient
e

C
D1
D2
D3
DUR

56,40125
-80.62057
-79.75024
-14.85471
3,007781

R-cuadrado ajustado
r-squared S. E. Suma
de regresin de
cuadrados resid Log
probabilidad DurbinWatson stat

0,820847
0,794306
59,98346
97146,41
-173.6979
0,733166

Ets.
Error

TStatistic

81,47305
29,99319
30,07954
30,09249
0,284862

0,692269
-2.687963
-2.651312
-0.493635
10,55875

Significa S. D.
dependentvar
dependiente var
Akaike info criterion
Schwarz criterion Fstatistic Prob(Fstatistic)

Prob.
0,4947
0,0122
0,0133
0,6256
0,0000
856,5312
132,2576
11,16862
11,39764
30,92730
0,000000

Variable dependiente: LAVAR


Mtodo: Mnimos Cuadrados
Ejemplo: 1978:1 1985:4 incluy
observaciones: 32
Variable

Coeficient
e

C
D1
D2
D3
DUR

741,0680
-47.07049
-13.14717
-122.0311
1,754688

R-cuadrado ajustado
r-squared S. E. de
suma de regresin
squared resid Log
probabilidad DurbinWatson stat

0,541230
0,473264
78,96307
168349,5
-182.4950
0,926092

Ets.
Error

TStatistic

107,2523
39,48345
39,59713
39,61418
0,374996

6,909578
-1.192157
-0.332023
-3.080491
4,679221

Significa S. D.
dependentvar
dependiente var
Akaike info criterion
Schwarz criterion Fstatistic Prob(Fstatistic)

Prob.

0,0000
0,2436
0,7424
0,0047
0,0001
1187,844
108,7996
11,71844
11,94746
7,963248
0,000224

(6) La adicin de los gastos en bienes duraderos en la ecuacin


para lavavajillas no cambia los resultados en la medida en como la
estacionalidad se refiere; no hay una estacionalidad en los datos

(como en comparacin con el primer trimestre del ao). Los


resultados de residuos son sustancialmente diferentes en que ahora
hay marcada estacionalidad en el segundo y tercer trimestre. Los
resultados para una lavadora son cualitativamente los mismos.
Tenga en cuenta, sin embargo, en cada regresin el coeficiente de
gastos bienes duraderos es estadsticamente significativa.
(c) La inclusin de variables ficticias en el modelo de regresin se
ocupa de la estacionalidad, si es que la hay, no solamente en la
venta de los distintos aparatos sino tambin en los bienes duraderos
los gastos, a la Frisch, Waugh teorema mencionado en el captulo.
9.24

(A) & (6) :se deja para cada estudiante. El ao 2000 EE.UU.
Se celebraron elecciones presidenciales en noviembre 7,2000 . Si
se hubiera usado su modelo, le han pronosticado los resultados de
las elecciones del ao 2000 correctamente?
(c) Los resultados de este modelo son los siguientes:

Variable
dependiente: V
Mtodo: Mnimos
Cuadrados
Muestra: 1 21 incluy observaciones: 21
Ets.
TVariable
Coeficiente
Error
Statistic
C
0,505678
0,026324
19,21007
I
-0.019753
0,016347
1.208325
DUM
0,055755
0,019637
2,839255
G*l
0,009625
0,001706
5,642862
P
0,000155
0,002804
0,055370
N
-0.004637
0,003293
1.407866
Significa depender
R-squared
0,788321
var
R-cuadrado
0,717762
D. E. dependentvar
ajustado
S.
E. de la
0,039879
Informacin Akaike
regresin
criterio criterio
Sum
squared resid
0,023855
Schwarz
Probabilidad de
F41,39511
registro
estadstic
Durbin-Watson stat
2,229997
Prob(F-statistic)
a

Prob.
0,0000
0,2456
0,0124
0,0000
0,9566
0,1796
0,490690
0,075065
3.3709633.072528
11,17242
0,000125

Los autores no incluyen G como un regresor. Tal vez que se podra


agregar al modelo.
9.25 Los resultados de la regresin basada en decisivo3 son los siguientes:
Variable dependiente:
HWAGE Mtodo: Mnimos
Cuadrados

87

Ejemplo: 1 528 incluy observaciones: 528


Coeficient Ets.
TVariable
e
Error
Statistic
-0.261014
1,106956
-0.235794
C
-2.360657
0,430203
-5.487303
EL GNERO
-1.732729
0,794716
-2.180314
RAZA
2,128986
1,222109
1,742059
SEXO * RAZA
EDUCACIN
0,802807
0,081014
9,909478
R-cuadrado
0,203263
Significa S. D.
ajustado r-squared
0,197169
dependentvar
S. E. de suma de
4,609140
dependiente var
regresin squared
11110,70
Akaike info criterion
resid
-1553.493 Schwarz criterion FLog probabilidad
1,873724
statistic Prob(FDurbin-Watson stat
statistic)

Prob.
0,8137
0,0000
0,0297
0,0821
0,0000
9,047538
5,144082
5,903384
5,943811
33,35678
0,000000

Como demuestran estos resultados, el gnero de raza ficticia es


estadsticamente significativa en el 8 %. Si este valor de p lo
suficientemente bajo, el maniqu interactivo es importante y los
resultados (9.6.4 ) tienen que interpretar. El salario promedio en
relacin con el gnero por s solo (nota sexo es 1 para las hembras)
es inferior en alrededor de $ 2,36 por hora, en comparacin con los
varones salario promedio por hora. Asimismo, el salario promedio
por hora es menor de $1.73 para los no-blancas/no-trabajadores
hispanos. Sin embargo, estos resultados deben ser modificados
para tener en cuenta el gnero interactivo de raza ficticia.
Por ejemplo, si usted espera carrera constante, el salario promedio
por hora de las mujeres es ahora menor por slo $0,2317 (= 2.3606 + 2,1289 ). De igual modo, si se le espera gnero
constante, el salario medio de las blancas/no-trabajadores hispanos
es mayor de $0,3962 (= - 1,7327 + 2,1289 ). Para que usted pueda
ver cmo el maniqu interactivo aumenta o atena el efecto aditivo
de los maniques.
9.26 Los resultados de la regresin, que se basa en Eviews3, son los
siguientes :
Variable dependiente: HWAGE
Mtodo: Mnimos Cuadrados
Ejemplo: 1 528
Incluy observaciones: 528 __________________________________
Variable ____________ Coeficiente Ets. Error t-statistic Prob.
C
9,067519
0,446115
20,32552 0,0000
MSTATUS
0,713991
0,551188
1,295367 0,1958

88

REGIN
* REGIN MSTATUS
R-cuadrado ajustado
r-squared S. E. de
suma de regresin
squared resid Log
probabilidad DurbinWatson stat

-2.540727 0,826694
1,020982
1,323573 1,296373 -3.073359
0,035309
Significa S. D.
0,029786
dependentvar
5,066893
dependiente var
13452,87
Akaike info criterion
-1603.992
Schwarz criterion F1,860478
statistic Prob(Fstatistic)

0,0022
0,1954
9,047538
5,144082
6,090880
6,123221
6,392958
0,000293

Como estos resultados sugieren, no parece haber mucha


interaccin entre estado civil y la regin, como la multiplicacin
ficticia no es importante; su valor de p es de alrededor del 20
% . Parece que no hay necesidad de introducir la maniqu
interactivo. Por lo tanto, los resultados que se indican en el
apartado 9.3.1 ) pueden ser invocados.
9.27

Ft, el valor medio de los primeros 40 observaciones y


($ + / ? 2) le dar el valor medio de los prximos 60 observaciones. El
Varianza de = 100 / 40 ,y la varianza de (j}x + j } 2) = 100 / 60.
Recuerde que si X es una variable aleatoria con media E(X) y
Var = cr ], y, a continuacin, la media muestral X tiene el mismo
valor esperado pero
^2.
La varianza es igual a --, donde n es el tamao de la muestra.
N

9.28

Los resultados, sido realizados en Eviews 3 son los siguientes:


Variable dependiente: (ahorros) Mtodo: Mnimos Cuadrados
Muestra: 1970 1995 observaciones incluidas: 26
VariableCoeficiente Est. Error t-statistic Prob.

C
3,677198
0,108486
INGRESOS 0,000709
7,80 E-05
DUM
1,3971 .
0,1779 .
DUM * INGRESOS-0.0006 8,60 E-05

33,89569
9,084319
7,8500 .
-7.4361

0,0000
0,0000
0,0000
0,0000

R-squared
0,933254
F-estadstica 102,5363
Durbin-Watson stat 1,612107
0,341255 Sum squared resid

(a) Modelo (9.5.4 ) es un modelo lineal, mientras que el actual es

89

una modelo log-lin. Por lo tanto, la pendiente de los coeficientes el


regresor

90

En este modelo se han de interpretar como semi-elasticidad cruzada de la


demanda.
Cualitativamente, ambos modelos dan resultados similares. Desde la
regressand en los dos modelos son diferentes, no podemos comparar los
dos R2 directamente.
(b)
Como se seal en el captulo, si tomamos el antilogaritmo del
maniqu coeficiente de 3,6772 , lo que obtenemos es el ahorro promedio
en el periodo 1970-1981, suponiendo que todos los dems factores
constantes. Ahora antilog (3,6772 ) = 39,5355 . Por lo tanto, si los ingresos
son cero, el ahorro promedio en 1970-1981 sera de unos 40 mil millones
de dlares. Una vez ms, se debe interpretar este nmero con un grano de
sal.
Ahora bien, si tomamos el antilogaritmo de (3,6772 + 1,3971 ) = 159,8602
, esto sera ahorro promedio en el perodo 1982-1995, manteniendo
constante los ingresos. Una vez ms, tenga cuidado al aceptar este nmero
en su valor nominal.
(c) Regresin log de Y (ahorros) en X (los ingresos), el error que se
estima las variaciones en los dos perodos son: &2 = 0,0122 (df = 10)
y a2 = 0,0182 (df = 12) Bajo la hiptesis nula que las varianzas de las
dos poblaciones son las mismas, formamos
0,0122
12 Y 10 df en el numerador y denominador, respectivamente, este
valor no es importante, incluso en el 25 %. Por lo tanto, podemos
concluir que las dos varianzas error son las mismas. Tenga en cuenta
que en el modelo original se explica en el captulo que hemos
retrocedido Y (no en Y) en X. Por lo tanto, si no se la
heteroscedasticidad en el modelo original, y no en el log-lin modelo,
sugiere que la transformacin log puede ser ms apropiado.
CAPTULO 10
LA MULTICOLINEALIDAD: QU SUCEDE SI LOS REGRESORES SON
CORRELACIN?
10.1

Si es una perfecta combinacin lineal de las restantes variables


explicativas, luego hay ( 1) ecuaciones con k incgnitas. Con
ms incgnitas que ecuaciones, soluciones nicas no son
posibles.

10.2

(A) n Variable xy, es una combinacin lineal de xr" porque


Xv= 2X2i- \.
(B) Escribir la ecuacin da,
Y, =P\ ^pix1 ^m(2X2- \) + ui
= ( - A)

+ ( A+ 2 A ) ^ 2 / + u i

91

= ", + " 2-^ 2, + U i

Whereax = (ft -ft)anda2 = (fi2+2 fi2)

10.7

Por lo tanto, podemos estimar hacha y un 2 nicamente, pero no la


original beta porque tenemos dos ecuaciones para resolver las tres
incgnitas.

10.3 (A) Aunque los valores numricos de la interseccin y la pendiente


de los coeficientes y FLR PGNP han cambiado, sus signos no.
Adems, estas variables son estadsticamente significativas. Estos
cambios se deben a la incorporacin de la tasa global de fecundidad
variable, lo que sugiere que puede haber algunos multicolinealidad
entre los regresores.
(b) Dado que el valor de la TGF coeficiente es muy importante ( el
valor de p es slo .0032), parece TGF pertenece en el modelo. El signo
positivo de este coeficiente tambin tiene sentido en que, cuanto mayor
fuera el nmero de los nios materiales para una mujer, mayores sern
las probabilidades de la mayor mortalidad infantil.
(c) Este es uno de esos "felices" casos en los que a pesar de la posible
collinearity, los coeficientes son estadsticamente significativos.
10.4 La relacin se puede reescribir como:

92

X*

-Tx>'
/Lj

/Lj

A+A. .A

-X * = Aia+AJA
*2*2

^3 = I-f-f"
*3
Por lo tanto,

= A,

A+ala

*3

^12.3 - "JiPn.s^iPii.i) ~ sqrt


\ 'N

= 1

' .H.V V
K Ay "
UN
\
=

^ * 13,2 = ^ (Pni^h) - sqrt

^23.1 - V ^23.l) ( ^32,1

U
N

SQRT

V "b
Por lo tanto,
R\n
= rn + (1 - rn)rni =1 Asimismo,

U
N

* 2,3 = * 3 , 2 = 1

= 1

El grado de multicolinealidad perfecta.


10.5 (A) S. Econmico Datos de serie de tiempo tienden a moverse en la
misma
Direccin. En este sentido, el rezago de los ingresos variables,
generalmente en la misma direccin.
(b) Como se explica brevemente en el Captulo 10 se discuten
detalladamente en el Captulo 17, la primera diferencia
transformacin puede aliviar el problema.
10.6

Cuando la riqueza se elimina de la modelo, el modelo es no habia


espeficado debidamente esa cuestion y el efecto ingreso coeficiente
es imparcial. Por lo tanto, lo que uno observa en Eq. (10.6.4 ) es un
parcial estimacin del coeficiente de ingresos. La naturaleza de los
prejuicios es el siguiente:
Dado que ^
+ P2X2i +Faxi + ,Que Sigue Que
^12 =

Pi P&.32

Que bl 2 es la pendiente de la regresin coeficiente de Y


sobre Xi. y >32 es la pendiente de la regresin coeficiente
de X3 en Xi.
De los datos conocidos, tenemos
P2 = 0,9415 ; y#3 = -0.0424 ;Z>j2 = 10,191 ;612 =0,5091

93

Por lo tanto, el sesgo de bl2 (ft) (b32) = ( -0.0424) (10,191 ) = -0,4321


.
10.7

10.8

Como se ha comentado en Cuestin 10.5 , las variables econmicas


estn a menudo influidas por factores similares, tales como ciclos
de negocios y tendencia. Por lo tanto, en anlisis de regresin,
utilizando variables tales como el PNB y la oferta de dinero, uno
debera esperar la multicolinealidad.
(a)
S. Esto es debido a que el coeficiente de correlacin es
cero entre X2 y Xj especial. Como resultado, el producto trminos
desaparecen en las frmulas de los pies los coeficientes (ecuaciones
7.4.7 y 7.4.8 ) y las frmulas sean las mismas que las de
los coeficientes a y y (ecuacin 3.1.8 ).
(b)

Ser una combinacin, como se muestra a continuacin:

Ft = ? -p2x2-p3x
i=-2X2 =-ft2X2
Yx=-y,x, =-ftX^
Por lo tanto, m = " , + / ,- 7
(c)

No, por las siguientes razones:


Vaf( A) = TT-27;

*2

*2

----------- 27= - &T(n0te : r 23 = 0)


* 2/0- * 23)
Cr:
<T2
Var( " 2) = (Vase eq.3.3.1)
* 2,
"2 Em, * 2 Zw,- Nota
que a = - ^ <r, = -- n-3 1
N-2
10.9

(a)
El coeficiente de correlacin entre el trabajo y el capital es
de aproximadamente 0,698 , la cual es relativamente alta.
(b)
No. a pesar de la correlacin entre las dos variables, los
coeficientes de regresin son estadsticamente significativos al
nivel del 5 por ciento. Para soltar una variable wold de sesgo
especificacin.
(c)
Si el trabajo de parto se deja caer, el coeficiente de capital
ser parcial. El sesgo puede ser calculado siguiente Ejercicio 10.6
Aqu se trata de un sesgo: (ft2) (b23) = ( 1,4988 (0,1319 ) =0,1975 .

94

10,10

(a) No. La multicolinealidad se refiere a asociacin lineal entre las


variables. Aqu la asociacin es lineal.

95

(b) No hay ninguna razn para dejarlos caer. Tericamente estn


as como estadsticamente significativa en el ejemplo presente.
10.7 (c) Si una de las variables se caen, no se las especificaciones sesgo que
se muestran en el coeficiente de la variable restante(s).

10.11 NO Variables deben ser aadidos a la base de la teora, y no sobre la


base de agregar una variable ms para aumentar la (ESS) o R2. Por otra
parte, si las variables estn correlacionadas, aadiendo o restando las
variables cambian los valores de los otros coeficientes
10.12 (A) Falso. Si relacin lineal exacta(s) existen entre las variables, no
podemos ni siquiera estimar los coeficientes o sus errores estndar.
(b)
Falso, uno puede ser capaz de obtener uno o ms importante los
valores de t .
(c)
Falso. Como se seal en el captulo (ver Eq. 7.5.6 ), la
varianza del estimador de la operacin est dado por la siguiente
frmula:
Zf i A
Var ( / ? .) = ^2

Como se puede observar en esta frmula, un alto Rj puede ser


contrarrestada por una baja cr2 o alta X x2.
(d)
Incierto. Si el modelo tiene slo dos regresores, por pares altos
coeficientes de correlacin puede sugerir la multicolinealidad. Si uno
o ms los regresores introducir de manera no lineal, las correlaciones
pares puede dar respuestas errneas.
(e)
Incierto. Si el observado collinearity contina en el futuro los
valores de la muestra, a continuacin, puede no haber ningn dao. Pero
si ese no es el caso, o si el objetivo es estimacin precisa, la
multicolinealidad puede ser problema.
( /) Falso. Vase la respuesta a (c) anteriores.
(g)

Falso. VIF y TOL proporcionan la misma informacin.

(h)
Falso. normalmente se obtiene alta R2 en modelos altamente
correlacionados con los regresores.
(i)
Es cierto, como se puede ver en la frmula dada en (c), si la
variabilidad en X3 es pequeo, R * tienden a ser pequeas y en el
extremo

96

Caso de no variabilidad en A3, Hxy ser cero, en cuyo caso la varianza


de las estimaciones, es infinita.
10.13 (A) refirindose a Eq. (7.11.5 ), vemos que si todos los r2 son iguales a
cero,
R2 es nulo ipso facto.
(6) Si el regressand est correlacionada con cada uno de los regresores,
entonces, ninguno de la variacin en los regressand se explica por el
modelo.
10.14 (A) Considerar Eq. (7.11.5 ). Si todos los de orden cero, o bruto, las
correlaciones r, esta frmula reduce a:
2R\l-r)_2r2
2
(1-r2)
1+ R
(B) usando (7.11.1 ), se puede ver, por ejemplo, que
_R(l-r)_ r
12.3 - ,

1-R

" 1 .

1+R

10.15 (A) Si no existe multicolinealidad perfecta, (A^A.) se convierte, por


tanto, singular, no puede ser invertida. Como resultado, los coeficientes y
sus errores estndar estn definidos.
(B) una prueba sera la de examinar los factores determinantes de (X'X).
Si el valor es cero, perfecto collinearity.
10.16 (A) Dado que en el caso de la multicolinealidad perfecta (X'X) matrix no
puede ser invertido, la matriz de varianza-covarianza es indefinido.
(b) Si collinearity es alta, la matriz de varianza-covarianza se define,
pero las diferencias (de los elementos de la diagonal principal) tienden a
ser muy grandes, al igual que el factor determinante del (X'X) tiende a
cero como el grado de multicolinealidad se fortalece.
10.17 (A) Si el determinante de R es cero , hay una perfecta collinearity.
(b)
Si el determinante es pequeo, no es perfecta, ni mucho menos
collinearity.
(c)
Si el factor es 1, las variables son ortogonales (vase Ejercicio
10,18 ).
10.18 (A) no habr elementos de la diagonal principal.
(b) Obtener el (X'X) matrix , su inversa y (xy)
(c)
No habr elementos fuera de la diagonal, es decir,
elementos covarianza.

97

(d)
NO desde todos los regresores son ortogonales, todos
covarianzas (es decir, cruzada de productos ) trminos ser cero.
10.19 (A) desde la tercera regresor, ( Mt - Mt_x ) es una combinacin lineal
de M y M,_X, es posible que haya un problema collinearity.
(b)

Si volver a especificar el modelo como


PNB = px + (P2 + p 4 ) M, + (A - p 4 ) M,_X + u,
=+ Axmt + (x ^Mt_x + ut podemos estimar
fijar,ax anda2 nica, pero no podemos estimar / ?2, / ?3
p4 nicamente.
(c)
Todos los parmetros pueden estimarse singularmente, como
ya no hay multicolinealidad perfecta.
(d)

La respuesta es la misma que en (c).

10.20 Recordar que


2 _ G * 2/S3 < )2
23 (I4XS4)
Por lo tanto, (L x2ixM )2 = r23 (Z x]t ) (Z * 32 ).
Sustituir la expresin anterior en los denominadores de (7.4.7 ) y (7.4.8
) y simplificar.
10.21 Cuando hay una perfecta collinearity, r23 = 1. Por lo tanto, los
denominadores (7.4.12 ) y (7.4.15 ) ser cero. Como resultado, las
diferencias son indefinidos.
10.22 Recordar que se(fi2 + ft ) = ^ [vai(ft ) + var( >93 ) + 2 cov(pies, pies )]
Dado que la covarianza los valores se dan, es una cuestin de
sustitucin simple para comprobar las respuestas.
10.23 (A) Ceteris paribus, como cr2k aumenta , la varianza de la
estimacin coeficiente J3k, disminuir. Esto permitir el uso de la
calculadora para poder hacer una estimacin ms precisa.
(b) Cuando collinearity es perfecta, la varianza es indefinido.
(c) Cierto. Como el conjunto R aumenta, ( \ -R ) disminuye. Esto reduce
la varianza del coeficiente estimado.
10,24 (A) Dada la relativamente alta R de 0,97 , el significativo valor F y
(econmicamente hablando) mal firmado insignificante coeficiente de
log K, puede ser que hay collinearity en el modelo.

98

(b)
A priori, se espera que los capitales tienen un impacto positivo en
la produccin. No es en el presente caso debido probablemente a
collinearity en los regresores.
(c)
Se trata de una funcin de produccin tipo Cobb-Douglas,
como el modelo se puede escribir como:
Y = pxKPlL/hep>'
(C/ )En promedio, a lo largo del perodo de muestreo, un aumento de 1%
en el ndice de la obra real como consecuencia de aumento de 0,91 % en el ndice
de produccin real. La variable en el modelo representa el tiempo. Muy a
menudo, el tiempo es tomado como un proxy del cambio tcnico. El
coeficiente de 0,47 indica que en el perodo de la muestra, en promedio,
la tasa de crecimiento de la produccin real (medido por el ndice de la
salida) fue de 4,7 %.
(e) Esta ecuacin asume implcitamente que hay rendimientos
constantes a escala, es decir, ( ) = 1. Un hallazgo incidental aprovechar la
transformacin puede ser reducir los problemas collinearity.
( /) Habida cuenta de que la relacin capital-trabajo coeficiente es
estadsticamente insignificante, parece que el collinearity problema
no se ha resuelto.
(g)
Como se mencion en el apartado e ), el autor est tratando de
averiguar si hay rendimientos constantes a escala . Uno podra utilizar la
prueba F se examina en el Captulo 8 para averiguar si la restriccin es
vlida. Pero, dado que las variables dependientes en los dos modelos son
diferentes, no podemos utilizar la versin R2 de la prueba F .
Necesitamos que el restringido y no restringido las sumas de cuadrados
residual para utilizar la prueba F .
(h)
Como se ha sealado en la letra g) los dos R no son
comparables. Uno puede seguir el procedimiento descrito en el
Captulo 7 para representar los dos valores de R2 comparables.
10.25 (A), (b) y (c) y (d) Todos los puntos de vista expresados
fundamentalmente nos dicen que la multicolinealidad es muy a menudo
una carencia de datos.
Problemas
10,26 (A) Los resultados de la regresin del modelo modificado son:

99

^= 20,995 +0.710zy se = (6,341


) (0,066 ) t = (3,311 ) (10,771
) r2= 0,906 ^ = (0.75x0.710) = 0,532
por lo tanto, m = (0,625 ) (0,710 ) =
0,444
(b) Z puede ser interpretado como una media ponderada de los
diferentes tipos de ingresos.
10,27 (A)
Variable dependiente: LIMPORTS Mtodo: Mnimos Cuadrados
Fecha: 11/11/00 Hora: 10:16 Muestra: 1970 1998 observaciones
incluidas: 29

Variable

Coeficient
e

Ets. Error t-statistic

C
LGDP
LCPI

1,975260
1,043167
0,446142

0,782070 2,525683
0,405783 2,570749
0,569840 0,782925

R-squared
R-cuadrado
ajustado
S. E. de la regresin
Sum squared resid
Probabilidad de
registro
Durbin-Watson
stat

0,982318
0,980958
0,124862
0,405356
20,76993
0,461405

Significa depender
var
D. E. dependentvar
Informacin Akaike
criterio
Schwarz criterio
F-estadstica
Prob(F-statistic)

Prob.
0,0180
0,0162
0,4407
12,49048
0,904848
1.2255121.084068
722,2174
0,000000

(b) Juzgado por el alto valor R2 e insignificante valor


de coeficiente IPC registro, probablemente hay multicolinealidad
en los datos.
(C)
Variable dependiente: LIMPORTS
Mtodo: Mnimos Cuadrados Fecha:
11/11/00 Hora: 10:21 Muestra: 1970
1998 observaciones incluidas: 29

100

Coeficiente variable

Ets. Error

T-Statistic

C 1,407426 1,359628 LGDP

0,290493
0,035525

4,844960
38,27295

Coeficiente variable

Ets. Error

T-Statistic

C 3,898610 1,905351 LCPI

0,250312
0,055221

15,57499
34,50388

Ets. Error

T-Statistic

Prob.
0,0000
0,0000

R-squared 0,981901
Variable dependiente: LIMPORTS
Mtodo: Mnimos Cuadrados
Muestra: 1970 1998
observaciones incluidas: 29
Prob.

0,0000
0,0000

R-squared 0,977824

Variable dependiente: LGDP


Mtodo: Mnimos Cuadrados
Muestra: 1970 1998
observaciones incluidas: 29
Coeficiente variable
C 1,8437 1,3988 LCPI

R-squared

0,1080
0,0238

17,0680
58,6972

Prob.

0,0000
0,0000

0,9922

La regresin auxiliar de LGDP el LCPI muestra que las dos variables


estn altamente correlacionados, lo cual sugiere que los datos sufren
las collinearity problema.
(d) La mejor solucin sera expresar las importaciones y el PIB en
trminos reales, dividiendo cada por IPC (recordar el mtodo de
porcentaje en el captulo). Los resultados son los siguientes:

101

Variable dependiente:
LOG(IMPORTACIONES/IPC) Mtodo:
Mnimos Cuadrados Fecha: 11/11/00 Hora:
10:26 Muestra: 1970 1998 observaciones
incluidas: 29
Variable

Coeficiente

C
LOG(PIB/IPC)
R-squared

0,106099
2,162167

Ets. Error

T-Statistic

0,494911
0,135693

0,214380
15,93429

Prob.
0,8319
0,0000

0,903881

10,28 (A) teniendo en cuenta que existen cinco variables explicativas,


habr cinco regresiones auxiliares. Para ahorrar espacio, damos a
continuacin slo los valores de R2 obtenido a partir de estas
regresiones:
Variable dependiente
X2
X3
X4
X5
X6

R2
0,9846
0,9482
0,9872
0,9889
0,9927

(b)
Dado que los valores de R en todas las regresiones son
uniformemente alta, parece los datos sufren la multicolinealidad
problema.
(c)
Es probable que existan demasiadas variables producto
sustitutivo de la ecuacin. Uno slo puede utilizar el compuesto sustituto
buen precio, precio de la carne de pollo y la renta disponible como
regresores. Esto se ha hecho en Problema 7,19 .
(d)
Creacin de un precio relativo variable, es decir el precio de la
carne de vacuno dividido por el precio de la carne de cerdo, podra
aliviar los problemas collinearity.
10,29 (A) y (c) Examinar los coeficientes de correlacin entre las posibles
variables explicativas, se observa una correlacin muy alta entre el nuevo
coche del IPC y el IPC general (0,997 ) y entre el PDI y el coche nuevo
IPC (0,991 ). Otros son relativamente altos, pero deben permanecer en el
modelo por razones tericas. PDI tambin est estrechamente relacionado
con el nivel de empleo, la correlacin entre los dos es 0,972 por lo tanto,
uno podra caer IPC general y PDI y estimar el siguiente modelo
Variable dependiente: LY
Mtodo: Mnimos Cuadrados

102

Ejemplo: 1971 1986


Incluy observaciones: 16
Variable
Coeficient
e
C
-22.10374
LX2
-1.037839
LX5
-0.294929
LX6
3,243886
R-squared
R-cuadrado ajustado
S. E. de la regresin
Sum squared resid
Probabilidad de
registro
Durbin-Watson stat

0,684855
0,606069
0,075053
0,067595
21,03144
1,309678

Ets. Error
8,373593
0,330227
0,073704
0,872231

TStatistic
-2.639696
-3.142805
-4.001514
3,719068

Prob.
0,0216
0,0085
0,0018
0,0029

Significa depender var 9,204273


D. E. dependiente var
0,119580
Informacin Akaike
-2.128930
criterio criterio
Schwarz
-1.935783
F8,692569
estadstic
Prob(F-statistic)
0,002454
a

Nota: La letra L representa el "logaritmo".


Parece que el modelo no sufren el problema collinearity.
(b) Si sumamos todas las variables X, obtenemos los siguientes resultados:
Variable dependiente: LOG(Y)
Mtodo: Mnimos Cuadrados
Ejemplo: 1971 1986
Incluy observaciones: 16
Variable
Coeficiente
C
3,254859
LOG(X2)
1,790153
LOG(X3)
-4.108518
LOG(X4)
2,127199
LOG(X5)
-0.030448
LOG(X6)
0,277792
R-squared
R-cuadrado ajustado
S. E. de la regresin
Sum squared resid
Probabilidad de
registro
Durbin-Watson
stat

0,854803
0,782205
0,055806
0,031143
27,23099
1,793020

Ets. Error T-Statistic


19,11656
0,170264
0,873240
2,050012
1,599678
-2.568341
1,257839
1,691154
0,121848
-0.249884
2,036975
0,136375

Prob.
0,8682
0,0675
0,0280
0,1217
0,8077
0,8942

Significa depender var 9,204273


D. E. dependiente var
0,119580
Informacin Akaike
-2.653874
criterio criterio
Schwarz
-2.364153
F11,77442
estadstic
Prob(F-statistic)
0,000624
a

Claramente, este modelo adolece de collinearity, como se sospecha.

Las 10.30 En primer lugar, se presenta la matriz de correlaciones de los regresores:


TASA
ERSP
ERNO
NEIN
ACTIVO
EDAD
DEP
ESCUELA

TASA
1,000000
0,571693
0,058992
0,701787
0,778932
0,044173
-0.601358
0,881271

ERSP
0,571693
1,000000
-0.040994
0,234426
0,274094
-0.015300
-0.692881
0,549108

ERNO
0,058992
-0.040994
1,000000
0,359094
0,292243
0,775494
0,050212
-0.298555

NEIN
0,701787
0,234426
0,359094
1,000000
0,987510
0,502432
-0.520832
0,539173

ACTIVO
0,778932
0,274094
0,292243
0,987510
1,000000
0,417086
-0.513552
0,630899

EDAD
0,044173
-0.015300
0,775494
0,502432
0,417086
1,000000
-0.048360
-0.331067

Nota: Tratar la ltima fila de la tabla anterior como la ltima columna

DEP
-0.60135
0.69288
0,0502
-1
0.52083
-0.51355
0.04836
1,0000
-0
0.60257

Como se puede apreciar en el cuadro anterior, las comparaciones entre


pares, o manifiestas, las correlaciones de rango muy bajo (p. ej., -0.0409
entre el ERSP y ERNO a comparativamente alto (p. ej., entre la
escolarizacin y 0,8812 tasa salarial).

103

(a)

La regresin horas de trabajo en todos los regresores,


obtenemos los siguientes resultados:

Variable dependiente:
HORAS Mtodo: Mnimos
Cuadrados
Ejemplo: 1 35 incluy observaciones: 35
Ets.
Variable
Coeficiente
Error
C
1904,578
251,9333
TASA
-93.75255
47,14500
ERSP
0,000225
0,038255
ERNO
-0.214966
0,097939
NEIN
0,157208
0,516406
ACTIVO
0,015572
0,025405
EDAD
-0.348636
3,722331
DEP
20,72803
16,88047
ESCUELA
37,32563
22,66520
R-squared
R-cuadrado
ajustado
S. E. de la
regresin
Sum squared resid
Probabilidad de
registro
Durbin-Watson
stat

0,825555
0,771879
30,62279
24381,63
-164.2220
1,779824

TStatistic
7,559849
-1.988600
0,005894
-2.194896
0,304427
0,612970
-0.093661
1,227930
1,646826

Prob.
0,0000
0,0574
0,9953
0,0373
0,7632
0,5452
0,9261
0,2305
0,1116
Significa depender var 2137,086
D. E. dependentvar
64,11542
Informacin Akaike
9,898400
criterio
Schwarz criterio
10,29835
F15,38050
estadstic
Prob(F-statistic)
0,000000
a

La interpretacin es muy sencillo. Por lo tanto, ceteris paribus, si el


salario de un dlar, en promedio, horas de trabajo anuales por sobre 93
horas.
(c)
Para ahorrar espacio, vamos a calcular la VIF y TOL slo
El regresor. La regresin de todos los dems regresores, obtenemos un
valor R2 de 0,9416 . Por medio de la frmula, (7.5.6 ), se puede
comprobar que el VIF de este regresor es de 2224, por lo tanto TOL es la
inversa de este nmero, que es 0,00045 .
(d)
No todas las variables son necesarias en el modelo.
Utilizando una o ms de las pruebas de diagnstico en el captulo,
una o ms variables puede omitirse o una combinacin lineal de
ellas podran utilizarse.
(e)
Aunque los resultados son mixtos, y tal vez hay alguna evidencia
de que impuesto negativo sobre la renta puede ser vale la pena intentarlo.
10.31 Esto es para un proyecto de clase.
10.32 Los resultados de la regresin, sido realizados en Eviews, son los
siguientes:
Variable dependiente: Y Mtodo:
Mnimos Cuadrados Muestra:
1947 1961 observaciones

104

incluidas: 15
Variabl
e
C
XI
X2
X3
X4
X5
X6

Coeficiente

Ets. Error

T-Statistic

Prob.

-3017441.
-20.51082
-0.027334
-1.952293
-0.958239
0,051340
1585,156

939728,1
87,09740
0,033175
0,476701
0,216227
0,233968
482,6832

-3.210973
-0.235493
-0.823945
-4.095429
-4.431634
0,219430
3,284049

0,0124
0,8197
0,4338
0,0035
0,0022

0,8318
0,0111

R-squared 0,9955 R-squared 0,9921


S. E. de la regresin
295,6219
Sum squared resid
699138,2
F-estadstica
295,7710 ; Durbin-Watson 2,492491
Comparando estos resultados con los de seg. 10.10 , Vemos
Que caiga una sola observacin puede alterar la magnitud y/o signos de
algunos de los coeficientes, justificando as el punto en el texto que, en
situaciones de alta collinearity pequeos cambios en los datos puede hacer
diferencias sustanciales en los resultados.
CAPTULO 11
HETEROSCDASTICITY: QU SUCEDE CUANDO ES VARIANZA DEL ERROR NO ES
CONSTANTE
11.1

{A)
(b)

Falso. Los estimadores son imparciales pero son ineficientes.


Cierto. Vase Sec. 11.4

(c)
Falso. Normalmente, pero no siempre, la varianza se insistir lo suficiente.
Vase Sec. 11,4 Y 11,9 Ejercicio
(Id) Falso. Adems la heterocedasticidad, ese esquema puede resultar de autocorrelacin,
modelo errores de especificacin, etc.
(E) Verdadero. Desde la verdad no son directamente observables, algunas suposiciones
sobre la naturaleza de la heteroscedasticidad es inevitable.
( /) Cierto. Vase la respuesta a (d) anteriores .
(G) Falso. La heteroscedasticidad es acerca de la varianza del trmino de error ux y no
sobre la varianza de un regresor.
11.2
(A)
Como ecuacin (1) muestra, como N aumenta en una unidad, en promedio, los
salarios aumentan en unos
0.009 Dlares. Si se multiplica la segunda ecuacin a travs de N, ver que los resultados
son bastante similares a Eq. (1).
(b)
Al parecer, el autor se preocupa por la heterocedasticidad, ya que divide la
ecuacin original de N. Este equivale a asumir que la varianza del error es proporcional

105

a la raz cuadrada de N, por lo tanto, el autor es ponderado con menos plazas para la
estimacin Eq. (2).
(c)
El coeficiente de interseccin en Eq. (1) es el coeficiente de pendiente Eq. (2)
y la pendiente coeficiente en Eq. (1) es la interseccin en Eq. (2).
(d)
11.3

11.4

NO Las variables dependientes en los dos modelos no son lo mismo.

(A)No. Estos modelos no son lineales en el


Estimado por MCO.

Parmetros y no se puede

(B) que estn especializados no-lineales procedimientos de clculo. Discutir este tema en
el captulo de modelos de regresin lineal.
Informalmente, podemos estimar los parmetros de un proceso de ensayo y error.
(A)Vase Ejercicio 7.14 y en la Seccin 6.9 .
No. E\\n{ui)] = [ln(l)] = 0. Pero E[ln(iu)] < a E{ut) debido a la
concavidad propiedad de transformacin logartmica . La expectativa del
(b)

registro de una variable aleatoria es menor que el registro de su esperanza, a menos que
la variable tiene una varianza cero, en cuyo caso son iguales.
(c)

Deje que

Yl = 111/ ?, + fi2 \nXi+ \siui =cc + P2 + ui donde u * = [en interfaz de


usuario - (ln ui)] y a - [en

106

+ (ln w" ) ].

Ahora E(u]

) = [ln ui - (ln W, )] = 0. Por cierto, aviso que no queremos

una estimacin directa de .


11.5

Esta es una cuestin de sustituir la definicin y la simplificacin.

11.6

(Tf)La suposicin es que la varianza del error es proporcional al cuadrado del PIB, que
se describe en la postulacin. Los autores hacen de este supuesto al observar los datos a
travs del tiempo y observar esta relacin.

(b)

Los resultados son esencialmente los mismos, aunque los errores estndar de
dos de los coeficientes son inferiores en el segundo modelo, esto se puede tomar como
justificaciones empricas de la transformacin de heterocedasticidad.

(c)

No. El R1 trminos pueden no ser directamente comparados, las variables


dependientes en los dos modelos no son lo mismo.
11.7

11.8

Como se ver en el problema 11,13 , la Bartlett prueba demuestra que no existe


No era un problema de heterocedasticidad en este conjunto de datos. Por lo tanto, este
diagnstico no es
Sorprendente. Adems, consulte Problema 11.11 .
Sustituyendo W[ = w (11.3.8 ), obtenemos:
2 (

Nwxkzx'ri-iwZX" ) "- nLXX-CLX^ZY") ~ nl.x! -a.xf)


La igualdad de las varianzas se puede demostrar de manera similar.
11.9

En la

Ec. (11.2.2 ), tenemos : , Zxfc rf

A :* ! )2 Var(A)= ^ 2 \2
Sustituir el fer = (J2ki en la ecuacin anterior, obtenemos ,0,
A2 Zxfkt
El primer trmino de la derecha es la varianza en Eq. (11.2.3 ). Por lo tanto, si Zjc2 .
AVPP
> 1, entonces la varianza heterocedasticidad dado anteriormente es mayor que la

2 > ,Homoscedsticos varianza. En este caso, la varianza homoscedsticos subestimar la


varianza heterocedasticidad de inflado las estadsticas t y F. Uno no puede sacar
conclusiones generales debido a que el resultado se basa en una forma especfica de
heterocedasticidad.
11,10

De Anexar 3A. 3 y 6A. 1, tenemos ^

T. X2 var(w )

Dado que var(wi)= < J2X?, obtenemos


2

YX]a2X2 a2ZX?
(ZX2)2
(ZX2)2

107

Problems
11.11

Los resultados de la regresin ya estn dados en (11.5.3 ). Si aumenta la productividad


media por un dlar, en promedio, la indemnizacin aumenta en unos 23 centavos.
(a)

Los residuos de esta regresin son los siguientes:


-775,6579 , -205,0481 165,8512 , , , 199,3785 183,9356 , 54,6657 ,
, 150,6239 112,8410 113,4100 ,

(b)

Esta es una cuestin de fcil verificacin.

(c)

Los resultados de la regresin son los siguientes:

1^ | = 407,3455 -0.0203 X". T=( 0,6433 ) (0.3013) r2 = 0,0128


1 ^1 = 575,2976 -3.7097^ t=( 0,4479 ) (-0.2787) r2
= 0,0109
Como demuestran estos resultados, hay pocas pruebas de heterocedasticidad sobre la
base de las pruebas Glejser.
(d)
Si ests en una categora la absoluta los residuos de bajo a alto valor
Y, de la misma forma las cifras de la productividad promedio rango de baja a alto valor
y calcular el coeficiente de correlacin de Spearman en (11.5.5 ) se puede observar que
este coeficiente es de aproximadamente
-0,5167 . Mediante la frmula dada en t (11.5.6 ), el valor de t es de aproximadamente
-0,8562 . Este valor de t no es estadsticamente significativa; el 5% valor crtico de 7 gl es
2,447 En valor absoluto. Por lo tanto, sobre la base de la
Rank test de correlacin, no tenemos ningn motivo para esperar heterosccdasticity.
En resumen, todas las pruebas anteriores sugieren que no tenemos el problema de
heterocedasticidad.

108

(J)The results based on Whites procedure are as follows:

11.12

(A) (b)

Por lo tanto
Media v Standard dev lectivo

(C) Los resultados de la regresin son los siguientes:

109

Sty = 0,9910 -0.0650significa t =


(0,3756 ) (-0.1795) r2 = 0,0064
Dado que la pendiente coeficiente no es estadsticamente diferente de cero, no hay
ninguna relacin sistemtica entre las dos variables, que pueden ser vistos en la
figura ( a).
( <D) no hay necesidad de ninguna transformacin, porque no hay una relacin
sistemtica entre el promedio de ventas o relacin de efectivo y la desviacin estndar de
las distintas clases de activos.
11.13

Utilizando la prueba de Bartlett, el valor %2 es 6,6473 , cuyo valor de p es 0,5748 .


Por lo tanto, no se rechaza la hiptesis nula de que las varianzas son iguales.
11.14 Utilizando la frmula (11.3.8 ) sobre la ponderacin de los mnimos cuadrados, puede ser
demostrado que

Ft = j (2Y1 - Y2 ) y var(/? * ) = |cr2


Si utilizamos LA OPERACIN, luego de Eq. (6.1.6 ), obtenemos:

Un ix,r, r, -r,
P

Yo,"

ZXf 2

21

Y usando (6.1.7 ), obtenemos:

(J2

Al comparar las dos estimaciones, vemos que los mnimos cuadrados ponderados da un peso de
2/3 y 1/3 a Yx a Y2, mientras que LA OPERACIN da igual
Peso a los dos Y observaciones. La variacin de la pendiente estimador es mayor en
la media ponderada de los mnimos cuadrados que en el Sudn.
11.15

(A) Los resultados de la regresin son los siguientes:

189,9597 MPGi = 0.3904 -1.2716spt + HP( 1.903207; se = (22,5287 ) (0,2331 ). (0,0762 ).


(0,1855 ).
T = (8,4318 ) (-5.4551) (5,1207 ).
(-10.2593)
R2 = 0,8828
Como era de esperar, MPG se relaciona de forma positiva y negativamente a HP relacionadas
con la velocidad y el peso.

(b) Ya que se trata de un los datos transversales de una diversidad de coches, a priori uno
puede esperar la heterocedasticidad.
(Ic) Regresin el cuadrado de los residuos obtenidos a partir del modelo se muestra en
(a) en los tres regresores, su cuadrado, y sus trminos de producto, obtenemos un valor
de R1 0,3094 . Multiplicando este valor por el nmero de observaciones ( = 81),
obtenemos 25,0646 , que bajo la hiptesis nula de que no hay la heterocedasticidad, tiene
la distribucin Chi cuadrado con 9 g.l. (3 Regresores, 3 al cuadrado los regresores, 3 tres
trminos de producto). El valor de p de la obtencin de un valor del Chi cuadrado de
25,0646 o superior (bajo la hiptesis nula) es 0,0029 , que es muy pequeo. Por lo tanto,
debemos rechazar la hiptesis nula. Es decir, hay heterocedasticidad.

110

(J)The
results basedMPG
on Whites
procedure
areCuadrados
as follows:
Variable
dependiente:
Mtodo:
Mnimos

Muestra: 1 81
Incluy observaciones: 81
Blanco Heteroscedasticity-Consistent errores estndar y covarianza
Coeficiente variable Ets. Error
C
189,9597
-1.271697
SP
0,390433
HP
WT
-1.903273
R-squared

0,882864 ;

T-Statistic
Prob.
33,90605
5,602531
0,336039
-3.784375
0,108781
3,589180
0,285077
-6.676352

Durbin-Watson

0,0000
0,0003
0,0006
0,0000

1,0237

Cuando se compara los resultados con los resultados de los MOC, usted encontrar que
los valores de los coeficientes estimados son los mismos, pero sus variaciones y errores
estndar son diferentes. Como puede ver, el error estndar de la pendiente estimada
todos los coeficientes son mayores en el blanco
Procedimiento, por lo tanto, | son ms bajos, lo que sugiere que
LA OPERACIN haba subestimado los errores estndar. Todo esto podra ser debido a
la heterocedasticidad.
(e) No existe una frmula sencilla para determinar la naturaleza exacta de heterocedasticidad en
el presente caso. Tal vez se podra hacer algunas suposiciones sencillas y probar diferentes
transformaciones. Por ejemplo, si se considera que el "culpable" variable es HP, y si
consideramos que la varianza del error es proporcional al cuadrado de HP, podramos dividir a
travs de HP y ver qu sucede. Por supuesto, cualquier otra regresor es un posible candidato para
la transformacin.
11,16

{A) Los resultados de la regresin son los siguientes:


Variable dependiente: FOODEXP
Coeficiente variable Ets. Error
C
94,20878
TOTALEXP
0,436809
R-squared

T-Statistic
Prob.
50,85635
1,852449
0,078323
5,577047

0,369824

111

0,0695
0,0000

The residuals obtained from this regression looks as follows:

100 -

(B) graficar los residuos (Rl) respecto al total de gastos, observamos

- 100 -

" "
200-1

-200-I
--------- 1 - 1 -- 1 -- 1
300

400 500

600

700

800

900

TOTALEXP

Parece que como el gasto total aumenta, el valor absoluto de las


desviaciones tambin aumento, quizs forma no lineal.
(Ic) Prueba Parque
Variable dependiente: LOG (RESQ)
Coeficiente variable
Ets. Error
C
-16.86288
LOG(totalexp) 3,703235

T-Statistic

10,00140
1,551873

Prob.

-1.686053
2,386300

0,0977
0,0206

R-squared
0,097018
Habida cuenta de que la estimacin pendiente coeficiente es
significativo, el Parque prueba confirma la heterocedasticidad.
Prueba Glejser
Variable dependiente: |u, |, valor absoluto Variable de residuos
Coeficiente
Ets. Error
T-Statistic
Prob.
C

-32.21965

29,48998

112

-1.092563

0,2795

TOTALEXP 0.130709
R-squared
0,135158

0.045417

2.877997

0.0058

Desde la pendiente estimada coeficiente es estadsticamente


significativo, Glejser prueba tambin sugiere la heterocedasticidad.
Test de White
Variable dependiente: uf
Variable

Coeficiente

C
13044,00
TOTALEXP -53.12260
0,059795 TOTALEXPSQ

Ets. Error t-statistic Prob.


21156,58
71,48347
0,058860

0,616546
-0.743145
1,015887

0,5402
0,4607
0,3144

R-squared 0,134082
Si se multiplican los r-squared valor por 55, y la hiptesis nula es que
no hay la heterocedasticidad, el producto resultante de 7,3745 sigue la
distribucin Chi cuadrado con 2 gl y el valor de p de tal valor del Chi
cuadrado es aproximadamente 0,025 , que es pequeo. As pues, al igual
que en el Parque Glejser y pruebas, el test de White sugiere tambin la
heterocedasticidad.
(d) La heterocedasticidad de resultados corregidos son los siguientes:
Variable dependiente: FOODEXP
Coeficiente variable

Ets. Error

T-Statistic

Prob.

C
94,20878
0,436809 TOTALEXP

43,26305
0,074254

2,177581
5,882597

0,0339
0,0000

R-squared 0,369824
En comparacin con los resultados de la regresin OLS en (a), no hay
mucha diferencia en el error estndar de la pendiente, aunque el
coeficiente error estndar de la ordenada ha disminuido.
Si esta diferencia es vale la pena molestarse, es difcil de decir. Pero, a
menos que se nos vaya a travs de este ejercicio, no sabremos cmo
grande o pequeo es la diferencia entre el blanco y LA OPERACIN
de los procedimientos.
11.17 Los resultados de la regresin son los siguientes:

113

Variable Coefficient Std. Error t-Statistic


Prob.
C
1,154332
0,777959
LOG(TotalEx)0,736326 0,120713

1,483795
6,099834

0,1438
0,0000

R-squared 0,412469
El Parque, Glejser y blanco del test aplicado a los residuos
obtenidos de la regresin doble registro no mostr evidencia de
heterocedasticidad.
Este ejemplo muestra que transformacin logartmica a menudo
pueden reducir la heterocedasticidad. Por lo tanto, la forma
funcional en el que un modelo de regresin se expresa puede ser
crucial para determinar si existe o no la heterocedasticidad.
11,18

El cuadrado de los residuos de la regresin de gasto en alimentos


sobre el importe total de los gastos fueron los primeros obtenidos,
denotada por Ri2 . a continuacin, se ha perdido en el pronstico y
previsin al cuadrado valor obtenido a partir de la regresin de
gasto en alimentos sobre el gasto total. Los resultados fueron los
siguientes:
Variable dependiente: Ri
Variable

Coeficiente

C
27282,63
FOODEXF -180.6629
0,313387 FOODEXFA2
R-squared

Ets. Error

T-Statistic

Prob.

39204,59
221,5542
0,308486

0,695904
-0.815434
1,015887

0,4896
0,4185
0,3144

0,134082

Multiplicando el anterior R2 por 55, obtenemos 7,3745 . Bajo la


hiptesis nula de que no hay la heterocedasticidad, este valor se
ajusta a la distribucin Chi cuadrado con 2 g.l. El valor de p de la
obtencin de un valor del Chi cuadrado de en la medida de lo
7,3745 o mayor es de unos 0.025 , que es bastante pequea. Por lo
tanto, la conclusin es que la varianza del error es
heterocedasticidad.
Se puede demostrar que si el procedimiento anterior se aplica al
cuadrado de los residuos obtenidos de la regresin del logaritmo del
gasto en alimentos sobre el registro de los gastos totales, no hay

114

TOTALEXP 0.130709

0.045417

evidencia de heterocedasticidad.

115

2.877997

0.0058

11.19 No hay ninguna razn para creer que los resultados sern
diferentes porque las ganancias y las ventas estn altamente
correlacionados, como puede verse en la siguiente regresin de las
ganancias de las ventas.
Variable dependiente : BENEFICIOS
Coeficiente variable Ets. Error t-statistic Prob.
C
LAS
VENTA
S

338.5385
1105,311

0,100713
0,011097
-

0.306283
9,075346

0,7636
0,0000

R-squared 0,845936
11,20 (A)110000-120000-100000 - 90000 Y
80000-

70000
6000030

40

20

10

X
Salario Promedio en relacin con los aos de experiencia

Tal como se muestra en esta figura, con aumentos de sueldo promedio aos
de graduacin, pero no lineal.
(b)
De la cifra indicada en (a) parece que modelo (2) puede ser ms
apropiado, que se corresponde tambin con la teora econmica del capital
humano.
(c)
Los resultados de los modelos lineales y cuadrticas son los
siguientes:
Coeficiente variable Ets. Error t-statistic

Prob.

C
X

73586,8
18,6551
0,0000
3944,58
0,000
0
5
4
8
949,562
4,356950,593535
217,941R-squared
4
7
Variable1
Coeficiente
Prob.
T-Statistic
Ets. Error
C
X
XA2

66356,18
2285,920
-40.07090

R-squared 0,693747

116

5100,501
702,5469
20,22169

13,00974
3,253761
-1.981580

0,0000

0,0069
0,0709

117

(c)
La heterocedasticidad de White prueba aplicada al modelo (1)
se demostr que no haba evidencia de heterocedasticidad. El valor
de n.R2 de la regresin auxiliar del cuadrado de los residuos se
11,4108 con un valor de p de 0,0033 , lo cual sugiere una fuerte
heterocedasticidad. Cuando el mismo se aplic la prueba con el
modelo (2), n .R2 fue 7,6494 , con ap valor de 0,0538 , lo que sugiere
que no hay heterocedasticidad al nivel del 5 por ciento. Pero este
valor es tan cerca del nivel del 5% que uno podra sospechar la
heteroscedasticidad leve en el modelo, aunque la posibilidad de error
en la especificacin no puede descartarse.
(d)
Suponiendo que la varianza del error es proporcional al
cuadrado de la experiencia, nos hemos dividido modelo (1) a travs
de X y obtener los siguientes resultados:
Coeficiente variable Ets. Error
T-Statistic
Prob.
C 1403,809
1/X 68292,06

154,6360
289,4419

9,078151
235,9439

0,0000
0,0000

R-squared 0,999767
Cuando este modelo se someti a prueba la heterocedasticidad
de White, no hubo pruebas de heterocedasticidad.
11.21 La estadstica de prueba,
A = F)es
"8, /jr_M0/2S
RSS ldf 55/25 el 5% crticos de F de 25 gl en el numerador y el
denominador es de 1,97 . Dado que el valor estimado de 2,5454
supera este valor crtico, rechazar la hiptesis nula de
homocedasticidad.
11.22 (A) El grfico es el siguiente.

(b) Los resultados de la regresin son los siguientes:


Coeficiente variable Ets. Error t-statistic Prob.

118

C
X

4,610282
0,757433

1,084906
0,149941

4,249478
5,051559

0,0005
0,0001

R-squared 0,586380
Los residuos de esta regresin cuando se trazan contra X mostr la
siguiente imagen.
1 -I

5- 0- <

-5" 1 U i --1 ------ 1 -----1 ---- 1 ----- I ---- 1


0

10

15

20

25

30

Un residual, que pertenecen a Chile, domina el otros residuos.


(c) No incluye la observacin de Chile, los resultados de la regresin
fueron los siguientes:
Coeficiente variable Ets. Error t-statistic Prob.
C
X

6,738082
0,221484

2,384860
0,555568

2,825358
0,398663

0,0117
0,6951

R-squared 0,009262
Como se puede ver, en (a) la pendiente coeficiente fue muy significativa,
pero en esta regresin no lo es. Ver cmo un solo punto extremo, un caso
atpico, ya que puede distorsionar los resultados de la regresin. El
cuadrado de los residuos de esta regresin cuando se trazan contra X
mostr el siguiente grfico.
0-
o

-51 U H --- 1------- 1 ------- I ------ 1


2

10

(d) Comparando los grficos residual en las letras b) y c), vemos


que una vez Chile se retira de los datos existe poca relacin entre Y
y X Por lo tanto, cualquier aspecto de la heteroscedasticidad es
falsa.
CAPTULO 12
Autocorrelacin: QU SUCEDE SI EL TRMINO DE
ERROR estn correlacionados

119

12.1

(A) Falso. Los estimadores son imparciales pero no son muy eficientes.
(b)

Realidad: estamos manteniendo las dems hiptesis de CLRM.

(c)

Falso. El supuesto es que p = +1.

(d)
True. Para comparar R2s, regressand en los dos modelos
deben ser los mismos.
(e)

Cierto. Podra tambin significar errores de especificacin.

( /) Es cierto. Ya que el error de previsin implica cr2, que est mal


estimado por la frmula habitual LA OPERACIN.
(g)

Cierto. Ver (e) anterior.

(h)
Falso, slo puede ser hecha por el B-W g, estadstica, a
pesar de que use el Durbin-Watson tablas para probar que p = 1.
(i)
.True escribir el modelo como: Yt = fa + faXt + grasa +
grasa2 + ut. Tomar la primera diferencia de la ecuacin y verificar.
12.2

Para n = 50 y K = 4 y a = 5 %, los valores crticos son:


1,38 DL=
4 - C/l =2.62
U=1.72
4 -C/u =2,28
(a)
Autocorrelacin positiva; (b) no son concluyentes, (c) no son
concluyentes; y
(d) Autocorrelacin negativa.

12.3

(A) No hay correlacin serial en el modelo A, pero no en el Modelo B.


(b) La autocorrelacin puede deberse a falta de un modelo porque
excluye a la tendencia cuadrtica.
(c) Sera necesario un conocimiento previo de la probable
forma funcional.

12.4

(A) calcular la Von Neumann (V-N), la relacin, su media y


su varianza.

120

Utilizando la distribucin normal tabla, determinar cuntas unidades de


desviacin estndar de la proporcin entre el valor de la media calculada.
Seleccione un nivel de confianza y realizar un intervalo de confianza.

(B) V-N =

N
(C^Los lmites son 2

N
N-1

Y4

N
N-1

. Por lo tanto, si n es
suficientemente

Grande, el V-N, al igual que el Durbin-Watson d, est entre 0 y 4.


(I/ )La OPERACIN desviaciones son estimaciones del error
verdadero; de ah que en muestras grandes la suposicin de
normalidad puede ser vlida.
(e) Dado n = 100 , la media y la varianza de la V-N puede
considerarse 2,02 y 0,04 respectivamente. Con estos valores, el
Intervalo 2,02 + 3 (7 ^ 04) = (1.4203,2 .6197) cubre un rea de
unos 99,7 % del rea bajo la curva normal. Desde la puesta en
valor de 2.88 no se encuentran en el intervalo anterior,
podemos concluir que existe autocorrelacin en el presente
caso.
12.5

S, hay evidencia de autocorrelacin con 3 o 14, positivo en el


primer caso, y negativo en el segundo.

Dividiendo el numerador y el denominador por n ,


obtenemos:
12.6

P=
IN
Para un determinado k, n -> oo, la segunda parte en el numerador como el
denominador tiende a cero. Como resultado, p& 1- ~
La principal ventaja es la sencillez. Tambin puede manejar los
problemas en los que hay ms de un mnimo local mediante el ajuste de el
proceso de bsqueda.

12.7(a)

(b)
12.8(a)

Se trata de un tema de ensayo y error, y ajuste fino de la cuadrcula.


Esta es una cuestin de la verificacin.

(b)
El C-0 procedimiento no garantiza el mnimo global. Davidson y
MacKinnon, por lo tanto, sostienen que es recomendable utilizar el
procedimiento C-0 "slo despus de una bsqueda preliminar tiene una

121

cuadrcula

122

Estableci que slo hay un mnimo local o determinado


aproximadamente en el punto en que el mnimo global se encuentra.
" (pg. 335).
12.9

Utilizando el p estimado a partir de Eq. (3) de la C-0 procedimiento,


puede verse que este valor es 0,9142 . Este valor no es muy diferente del
valor de p subyacente (12.9.16 ), que es de 0,9610 0,8919 o subyacentes
(12.9.17 ). Por lo tanto, no se ver una gran diferencia en los resultados
de la regresin mediante la C-0 procedimiento de dos pasos.

12.10 (A) Los resultados de la regresin son los siguientes:


Variable dependiente: Y
Muestra(ajustada): 1960 1998
Incluy observaciones: 39 despus de ajustar puntos finales
Coeficiente variable Ets. Error
T-Statistic
Prob.
C 4,445970
X 0,601715
X( -l) -0.554695
Y( -l) 0,907369

1,865601
0,144098
0,162254
0,057311

2,383131
4,175736
-3.418688
15,83237

0,022
7
0,0002

0,001
60,0000

R-squared 0,995363
Desde el coeficiente de Ft-i, vemos que p = 0,9073 , lo cual no es muy
diferente de la C-0 procedimiento de dos pasos o el C-0 mtodo
iterativo. Por lo tanto, los resultados a travs de la p estimado a partir de
la Durbin- Watson procedimiento de dos pasos no va a ser muy distinto
de los que utilizan estos mtodos.
(b) Este es un tema de no-lineal (en el parmetro) modelos de regresin.
12.11 (A) La figura muestra que probablemente hay especificacin sesgo
debido a una falta de la forma funcional.
(b) Introducir [log(salida) ]2 como un regresor adicional. Esto
probablemente se levante el binomio naturaleza de la relacin entre el
coste y los resultados.
12.12 (A) hay muchas razones para un outlier. Puede ser una observacin que
es simplemente muy diferente del resto de la muestra, que puede ser el
resultado de errores de medicin, o puede ser debido a una mala
muestra.
(b) La observacin no debe ser descartado a no ser que haya alguna
razn plausible para creer que es un error (por ejemplo, mide mal,

123

grabado en el error, etc).


(c) No. Los valores atpicos pueden dominar el RSS.
12.13 Vase la respuesta al ejercicio 12.3
La uit E^ = EiU< ~Pu>-1) = 0
12,14
Var( * ,) = E [ (u, - put_x ) (u, - pu,_X)] = (1 + p )un
Debido a la independencia de la w's.
Cov(f" ,_") = - per1. Una vez ms, tenga en cuenta que el de w son
independientes.
Por lo tanto, aunque los de w estn correlacionadas, la e no se.
12.14 Desde el modelo contiene la variable dependiente rezagada como
regresor, el Durbin-Watson d no es el apropiado estadsticas de la
prueba. Se trata de la Durbin h estadstica dado en ejercicio 12,36 que se
debe emplear en este caso.
12.16Dada la AR(1) esquema,
(a)

La primera diferencia mtodo es apropiado cuando p es cercana a

1.
(b)
Si p es de -1, la media mvil regresin es apropiado.
(c)
La Theil-Nagar transformacin es apropiado cuando el primer
y el segundo las diferencias de los regresores son pequeas en
comparacin con el rango de las variables.
(d)

El C-0 procedimiento es apropiado cuando el RSS converge.

(e)

Vase la respuesta al ejercicio 12.7 .

(f)
Si el valor de p estimado a partir de los coeficientes de zaga Y
variable es aproximadamente el mismo que el estimado dividiendo el
coeficiente de la variable X cierto rezago por el coeficiente de la variable
X (prestar atencin a los signos de los coeficientes).
12.17 Transformar el modelo de la siguiente manera:
(Xl ~ P^t-\ ~ P^t-1 ) = P \ (1 - P \ ~ Pi) Pi (Xf ~ pl^i-l ~ pl^t-l) t
Si el p son conocidos, se puede transformar los datos tal como se ha
sugerido. Si no se conoce, la primera estimacin del modelo original
de la operacin y obtener las desviaciones u,. a continuacin, ejecute
la siguiente regresin:
=M- . +M-i+vt donde v es un trmino de error.

124

12 >18

c =

Utilice el estimado p de la regresin anterior y


transformar los datos como se dijo al comienzo. Si la
muestra es bastante grande, se estima que la p de
proporcionar estimaciones de la poblacin.
) [ (! - P1 )x,2]
( * , - Pxi-\ ) 2 [ 0 - P1 ) * I-V| ] - Z (x, - px ,_X ) (y, -

E(x - px ,_X )2 [ (1 - p2 ) x2 + I(x - px ,_X )2 ]


Todas las sumas desde t = 2 a f = n.
12,19 Comenzar (12.9.6 ), que en forma desviacin puede ser escrita como:
Y = P'lX, + { , - ).
Utilizando la frmula estndar de MCO, obtenemos:
> _ Zy,x, _Z(y, -py,_| )s, - px,_")
2

Ex, * 2
* ,-/> ( * ,_, )2
Tenga en cuenta que la primera observacin es omitida debido a la
diferenciacin.
12.20 Esta secuencia tiene 22 signos positivos y 11 signos negativos. El
nmero de ejecuciones es de 14 aos. Mediante la aproximacin normal
dada en el texto, se puede observar que el nmero esperado de corridas
es 18,83 y la varianza de las carreras es 0,4955 . Por lo tanto, el intervalo
de confianza del 95% es: 18,83 1,96 (0,7039 ), es decir, 17,45 a 18,83
. Dado que el nmero de ejecuciones de 14 se encuentra por debajo del
lmite inferior, podemos concluir que la secuencia no es aleatoria.
12.21 La frmula sera:
( " / - " / -a)2
12 =- -------------11
N

12.22 Como se seala en el texto, si hay una interseccin en la primera


diferencia regresin, significa que ha habido una tendencia lineal en la
regresin inicial. Dado que el capital y la mano de obra son fijos, se podra
interpretar como la interseccin de la tasa de crecimiento de la produccin
por cuenta de los cambios tecnolgicos, si suponemos que el tiempo o la
tendencia es un proxy de cambio tecnolgico.
12.23 Desde entonces, p" \ -^ & 1 cuando dis muy pequea. En este caso, la
Ecuacin diferencia generalizada reduce a la primera diferencia
de regresin.
12.24 Si r = 0 , Eq. (12.4.1 ) reduce a:
0-2(N

125

~)

20

E(a2) = ------------------------ (N ----- -)


N-2
N-2
1 -P
(a) Si p es positivo, pero menor que uno, E(a2) sigue sesgada en el sentido
de que
Se subestima el verdadero o2.
(b)
Si p es negativa, pero menor que -1, E( a2) tambin es
parcial, pero en este caso, se sobrestiman la verdadera o2.
(c)

El sesgo ser razonablemente pequeo, si p es cercano a cero.

12.25 (A) como se puede ver en la salida del calculador, slo el residual
de lag 1 es estadsticamente significativa. Por supuesto, es
posible que la falta de importancia de las otras cinco han quedado
residuos se debe a collinearity.
(b) Desde estadsticamente la AR(1) coeficiente de 0,8149 no es
significativamente diferente de 1, la primera diferencia transformacin puede
ser apropiada.

Problemas
12.26 (A) La regresin estimada es la siguiente:
En C, = -1.500 + 0,468 En I, en L + 0,279 -0,005 pulg. ), + en H,
Se

= (1,003 ) (0,166 )

(0,115 )

( 0,143 )

(0,107 )

= (-1,496) (2,817 )

(2,436 )

(-0,036)

(4,415 )

+ 0,441 En UNA.

R2 = 0,936 ; R2
= 0,926 ; F = 91,543 ; d = 0,955
Como puede ver, los coeficientes de I, L y una individual y
estadsticamente significativas econmicamente el impacto significativo
en C.
(6) Si se dibuja los residuos estandarizados y residuos, usted ver que
ellos probablemente indican autocorrelacin.
(c)
Como se muestra en la regresin resultado dado en el apartado a)
anterior , la d estadstica es 0,955 . Ahora para n = 30 , k = 4 y a =
5 %, el lmite inferior de d es 1,138 .Desde el valor d es calculado por
debajo de este valor crtico d, hay indicios positivos de autocorrelacin
de primer orden .
(d)
Para la prueba de corridas, n = 30, n = 17,\ ri2 = 13 y R = 9.
Desde el Sueco y Eisenhart tablas, el 5% inferior y superior son los
valores de 10 y 22. Desde la R = 9 cae por debajo del lmite inferior, se
podra sugerir que hay (positivo) autocorrelacin de los datos,
reforzando la conclusin basada en la prueba d

126

(e)
Tal vez se podra usar la prueba Breusch-Godfrey se discute en
el texto.
12.27 Los resultados de la regresin son los siguientes:
Y = 246,240 + 15,1 % 2X, se=( 5,849 )

(a)

(0,643 ) t = (42,104 ) (23,603 )


R2 =0,911 ;d = 0,4148
De los resultados anteriores, d = 0,4148 .

(b)
S. Para n = 15, k = 1 y a = 0,05 , dl = 1,077 . Desde la
d es menor que du hay pruebas positivas de autocorrelacin de
primer orden.
(c)
( / ): Theil-Nagar estadstica (vase Ejercicio 12.6 ) para n =
15 y k = 2, es: p = 0,8251 .
( //) La Durbin mtodo en dos pasos pueden no ser apropiados aqu
debido a la alta multicolinealidad entre la actual y quedaron las
variables explicativas.
(Hi) El C-0 mtodo proporciona una estimacin de p de
0,6691 (0,005 convergen en el nivel despus de tres
repeticiones).
(d)
Mediante la estimacin de la fop Theil-Nagar 0,8251 ,
transformar los datos. [Y, - (0,8251 )Y,_L\e[Xl - (0,8251 )X,_" ].
Utilizando los datos transformados, los resultados de la regresin son los
siguientes:
Y' = 32.052+19.404 * ;
Se = ( 4,925 ) (2,038 )
T = (6,508 ) (9,522 )
R2 = 0.883; * / = 1,923
Nota: * indica las variables transformadas.
Tenga en cuenta que la regresin anterior no se resuelve por la prdida
de la primera observacin de la manera sugerida por Prais-Winsten .
(e)
A pesar de que el valor d de 1,923 puede sugerir que no hay
autocorrelacin, no est claro si el Durbin-Watson d es apropiado aqu,
porque apuntan a un AR(2) modelo de regresin inicial. Por lo tanto, se
podra usar una prueba no paramtrica, como la prueba de corridas, para
realizar la prueba de correlacin serial en la regresin anterior. De esta
regresin, n = 14 , n\ = 8 , n2 = 6 y R = 10. Desde el Swed-Eisenhart
tabla, la crtica se ejecuta los valores son 3 y 12. Se ejecuta desde el
valor de 10 se encuentra entre estos lmites, podemos concluir que no
existe autocorrelacin en el presente caso.
12.28 (A) Los resultados de la regresin para el C-0 proceso en dos etapas:

127

Y * = -1.214+ 0,398 * In/, +0.336 En I * , -0.055 yr. en H


* +0.456 en UN * se=( 1,137 ) (0,247 )
T = (-1.067) (1,610 )

( 0,147 )

(0,162 )

(2,766 )

(-0.378)

(0,121 )
(2,818 )

R2 = 0,951 ; F = 89,476 ; d = 1,448 Nota


: Las estrellas variables transformadas.
El coeficiente de En es insignificante, mientras que los coeficientes
de L y de una se sigue siendo importante, aunque sus valores
numricos han cambiado un poco. Sobre la base de la prueba de
corridas, esta regresin demasiado no parece sufrir de
autocorrelacin: n = 29,
"I = 15, 2 = 14, R = 11 y el 5% se ejecuta los valores crticos son
10 y 22 .
(b) El valor de p de la C-0 procedimiento de dos pasos es 0,524 ,
mientras que la estimada de la d estadstica (Ver Problema 12,26 )
: P = \ -d/2 = \-0.955/2 = 0,5225 .Por tanto, los dos mtodos
esencialmente la misma estimacin.
12.29 Los resultados de la regresin lineal costo total son:
Yt = 166,4667
+19.933JT, se = (19,021
) (3,066 )
/ = (8,752 ) (6,502 ) R2=0,841 ;radiofrecuencia = 0,716
Para n = 10, K = 1 y a 0.05 , dh = 0,879 . Desde la d se
encuentra por debajo de este valor, "parece" que hay
autocorrelacin positiva. Sin embargo, esta autocorrelacin puede
ser ms aparente que real. Como se seal en el Captulo 7., el
costo total funcin puede ser ms apropiado especificado como un
polinomio de tercer grado. De ah que el observado en la
autocorrelacin regresin anterior es debido al modelo invariacin.
12.30 Los resultados de la regresin en el nivel forma ya estn en Problema
7.21 .Que la regresin muestra que el valor d es 0,2187 , lo cual es
bastante bajo, lo que sugiere que el trmino de error es
autocorrelacionadas. De este valor d, podemos calcular pas: p = \ -d
12 = 0,8906 . Este valor puede ser lo suficientemente cerca de 1
para intentar la primera diferencia transformacin. Los resultados de
la primera diferencia transformacin son los siguientes:
Variable dependiente: DLOG(RM2)
Variable
Coeficiente Ets. Error
T-Statistic Prob.

128

DLOG(RGRDP) 0,6086
0,1665
3,6551
0,0021
DLQG(LTRATE)-0.1354
0,0427
-3.168
0,0060
R-squared 0,5461 ; d = 0,3832
Nota: La letra " D" es decisivo para tomar primeras diferencias. Tambin
tenga en cuenta que no hay ninguna intercepcin en este modelo ( por
qu? ).
Los resultados de esta regresin son interesantes en comparacin con el
original en los resultados de la regresin 7,21 problema . Mientras que
antes de la larga
0.
6086 Y es tambin muy importante. Tal vez esta diferencia en los
resultados puede tener que ver con la naturaleza de las series de tiempo. Es
muy posible que la serie de tiempo en cuestin no puede ser parado. Pero
todava no tenemos las herramientas para tratar esta cuestin, que vamos a
hacer cuando se discuta el tema de las series de tiempo econometra ms
adelante en el texto.
12.31 Desde los valores de X ya estn dispuestas en orden ascendente, el valor
de d y calcula el valor de d calculado por el procedimiento propuesto por
Theil es el mismo. Para la justificacin de este procedimiento, consulte
de Theil.
12.32 Los resultados de la regresin ya estn dadas en Problema 11,22 . De esta
regresin estima el valor d es 2,6072 , lo que parece sugerir que no hay
autocorrelacin. Pero esta autocorrelacin es sospechoso, hay una
observacin inusual (el de Chile).
Renunciar a esta observacin, podemos obtener los resultados de la
regresin se muestra en Problema 11,22 . Como esta regresin muestra,
ahora no hay relacin entre las dos variables y el estimado valor d es de
2,6199 . En realidad no hay autocorrelacin en estos datos. Vamos a
estudiar en el captulo 13 el papel de observaciones inusuales, llamados
atpicos, apalancamiento, etc.
12.33 Un conjunto de datos
generados por el esquema
propuesto es el siguiente:
Ut
XT
Yt
09,464
12,96
1
4
14,54
10,544
2
416,44
11,944
3
4
15,42
10,427
4
714,81
09,316
5
6
14,68
08,681
6
114,02
07,525
7
5
15,07
08,070
8
015,00
07,504
9
4
13,79
05,797
10
7

129

Y =14.694-0.003 * ,
(A)
(B)
(C)

5E = (0,688 ) (0,111 )
T = (21,354 ); -0,027) r2 = 0,000 ,d = 1,296
Resultados individuales pueden variar
como ut vara.
Una vez ms, los resultados individuales
pueden variar.

12,34 (A) Los resultados de la regresin de inventario sobre las ventas,


cada uno en millones de dlares, son:
Y,= 1668.154+1.554 * ,
Se = (1806,696 ) (0.007 )
T =(

0,910 ) (222,832 ) r2 = 0,999 ,d = 1,374

Donde Y= X= inventario y ventas.


(b)
(0 Para n = 42 , = 1, el 5% es 1,46 . Dado que el observado
D de 1,374 por debajo de este valor, hay evidencia de primer orden de
autocorrelacin positiva. ( / ' / ), desde el valor d de 1,374 , podemos
obtener una estimacin de pas: p = \ -d/2 = 0,3218 . Con este valor,
podemos obtener:
Z = (yfn ) (0,3218 ) = 2,027 . Este valor de z es significativa en sobre
nivel de significancia del 5 %, lo que sugiere que hay autocorrelacin.
(c)
A la vista de los resultados en (b) no parece probable que el
verdadero p es uno de ellos. Pero si usted aplicar mecnicamente la
prueba, se obtiene el siguiente resultado:
2.93X10"
32P
2,22 X109

41 Observaciones y K = 1 y a = 0,05 , d ^ = 1,45 . Desde la g est por


debajo de este valor, no rechazamos la hiptesis nula de que la verdadera
p= 1. Pero hay que tener en cuenta la advertencia anterior.
(I/ )La prueba Breusch-Godfrey estadstica es importante para 3 lag (valor
p es de 0,03 ), 4 lag valor de ip es de 0,04 ) y 7 lag valor de ip es de 0,07
), aunque no qued cada coeficiente es cero. En el nombre de la
parsimonia, uno puede elegir 3 lag.
(e) Lf se utiliza slo el primer orden de AR sistema, utilizando el valor de p
0.
3218 Obtenida en el apartado b) anterior, podr transformar los datos
como:
[Y, -0.3128 ^ . ,] y [X, -0.3128 * ,_,] y ejecute la regresin de estos datos
transformados. Si desea utilizar un AR(3) esquema, tendr que
transformar los datos como: [ Yt - pxYt_{ - p2Yt_2 - pji, .\ ] e incluso
de xt. Usted tendr que obtener los tres valores de p de

130

( /) Los
resultados del modelo
log-lineal son los siguientes:
the
Breush-Godfrey
procedure.
Coeficiente variable Ets. Error t-statistic Prob.
C
0,507409
LOG(VENTAS) 0,995128

0,048561
0,004091

10,44886
243,2302

0,0000
0,0000

R-squared 0,999324 ; d = 1,2077


Los resultados del modelo log-lineal son cualitativamente los mismos que los
del modelo lineal, con la salvedad de que en el primero la Breusch-Godfrey
estadstica slo es significativo en el primer lapso.
(G) ver la discusin en el Captulo 6 y Sec. 8.11 .
12.35 (A) Los resultados de la regresin son los
siguientes: Variable Coeficiente
Ets. Error
C
23,98694
LA INFLACIN -4.375620

5,235037
1,022227

T-Statistic

Prob.

4,582000
-4.280479

0,0001
0,0002

R-squared
Durbin-Watson 2,076724
0B)
Variable

C
3,531812
CRECIMIENTO 3,943315
LA INFLACIN -2.499426
R-squared

Prob.

Coeficiente Est. Error t-statistic

0,572374

8,111369
1,293445
1,082101

0,435415
3,048693
-2.309789

0,6670
0,0054
0,0294

D= 1,8965 .

(D) Fama en la declaracin es correcta. Para ver esta nueva, la regresin


actual de la inflacin en el crecimiento de la produccin, obtenemos:
Variable

Coeficiente Est. Error t-statistic

C
6,326759
0,788408
CRECIMIENTO
-0.679792
0,0016
R-squared 0,323439 Durbin-Watson
stat 0,538786

131

Prob.
8,024730
0,192818

0,0000
-3.525570

(e) En tanto estas regresiones el d los valores son alrededor de 2, lo


cual sugiere que no hay autocorrelacin de primer orden. Este
resultado no debe sorprender porque las variables en ambos
estas regresiones se expresan en forma de crecimiento, lo que
implica en primer lugar implcito de diferenciacin, que por lo
general, reduce autcorrelation.
12.36 (A) Los resultados de la regresin son los siguientes:
Variable
Coeficiente Ets. Error
T-Statistic
Prob.
C
8,176797
1,723142
4,745284
0,0000
X
0,124403
0,040598
3,064274
0,0041
Y( -l)
0,801918
0,055007
14,57853
0,0000
R-squared
0,993815
Durbin-Watson 1,5005
Estos resultados indican que, el ndice de salarios reales depende no slo
En el ndice de productividad sino tambin en el ndice de
salarios reales vigentes en el actual perodo.
(b) Mediante el estadstico h, podemos obtener:
H = p ----------------- =(0,2497 ). I----- - -------- = 1,6835
Y l-w[var( / ? 3)]
"V1 " 40 ^ -003)
En caso de que una estimacin de p se obtiene a partir de el valor de
d en (a) y donde la var( / ? 3)es igual al cuadrado del error estndar
de 7t-i de la regresin en (a).
Si asumimos el tamao de la muestra de 40 observaciones que
razonablemente grande, entonces el valor h obtenida anteriormente
sigue la distribucin normal estndar. Ahora el 5% crtico Z (es
decir, variable normal estndar) es de 1,96 . Desde la calcula h es
menor que este valor, podemos concluir que no hay autocorrelacin
en el presente caso.
12.37 Los resultados de la regresin en el Maddala procedimiento
descrito en el texto son las siguientes:

C
ISTAR
UN
ADDE
NDUM
R-squared PROD.

Coeficiente

Ets. Error

T-Statistic

Prob.

-4.041785
0,086407
67,37838
-0.067809

23,34284
0,031605
35,50361
0,036959

-0.173149
2,733972
1,897789
-1.834690

0,8642
0,0124
0,0716
0,0808

0,55124
9
132

133

Durbin-Watson stat 2,203363


Nota: ISTAR es la renta variable transformada, UN ADDENDUM es la variable
transformada y PROD es el producto de UN ADDENDUM y ISTAR.
Si se comparan estos resultados con los de Eq. (9.5.4 ), se puede observar que el
coeficiente de la variable de renta diferencial pendiente y coeficiente de la renta
variable se acerca del mismo. Porque de transformacin de datos, los coeficientes
de interceptar y la variable ficticia (UN ADDENDUM) no se pueden comparar
directamente.

134

CAPTULO 13
Modelos economtricos: ESPECIFICACIN DEL MODELO Y LAS
PRUEBAS DE DIAGNSTICO
13.1

Pues al parecer, el modelo se basa en la teora econmica, que parece estar


bien especificado. Sin embargo, las variables de precios estn fuertemente
correlacionados, lo que podra llevar a los problemas derivados de la
multicolinealidad. La eleccin de la forma funcional es una cuestin
emprica.

13.2

Desviacin en el verdadero modelo se puede escribir como:


Y, =fiixi+ (iu-u)
Ahora
+ ( "/ -")] * <
1 _ V' 2.
V2
Lx,
Lxi
Por lo tanto, ( " ,) = , Haciendo uso de las diversas propiedades de ux
Y x \. es decir, incluso si se introducen las innecesarias interceptar en el
segundo modelo, el coeficiente pendiente sigue siendo imparcial. Esto es,
segn lo indicado en la teora.
Las varianzas de los estimadores son dos:
UN (J1
(J2
UN
Var(Hx/ ? ,) = ", Y var(a,) = - --------1
ZXf
Z(X-X)2
Que no son los mismos .

13.3

Sabemos que

"LXjYj _ IlXt(a0+axXi+vi)
UN Zxf
XXF
" ZXf
XXf aJLXf ZXf
* ! .x.
, Ev,. * ,
+ (Xt + *
Aqu, la pendiente estimador del
Por lo tanto,
+ A.
modelo incorrecto da un estimador
parcializado del verdadero coeficiente
pendiente. Las diferencias son las que aparecen en el ejercicio 13.2 .
13.4

(A) recordar la frmula siguiente en el Captulo 7:


J(j2 _ r\2 +r!3 ~ ^ri2r!1 3r23 - r23

Puesto que X 3 es irrelevante, rb = 0, lo que reduce la frmula anterior a:

135

Por lo general, entonces, la adicin de X 3 aumentar el valor de R . Sin


embargo, si el r23 es cero, el valor R1 no se modificar.
(b)
S, estos son imparciales por las razones indicadas en el captulo.
Esto puede ser fcilmente demostrado de la regresin mltiple las frmulas
dadas en el Captulo 7, sealando que el verdadero / ?3 es cero.
(c)

Las variaciones de f32 en los dos modelos son:


UN

(J2

Var P2 = _ " 2 (true mod el)


2 ^Xi

<J2
Var^2 =

V: modelo incorrecto)

* ,(1-/ * )
Por lo tanto, las diferencias no son lo mismo.
13.5

(A) Tal como se explica en el captulo, omitiendo la variable relevante


Dar lugar a estimaciones sesgadas. Por lo tanto E(J3X) un{ y E( f32) *
a2 . Las derivaciones con escalares lgebra lleva a manejar expresiones.
Pueden ser fcilmente obtenidos mediante lgebra matricial. Pero si desea
continuar, estimar los parmetros de la "incorrecta" modelo y, a
continuacin, poner el verdadero modelo de los parmetros estimados, las
expectativas, y averiguar si se espera que los valores de los parmetros del
modelo especificado incorrectamente igual a la suma de sus valores reales.
Si no lo hacen, entonces hay un prejuicio.
(b) Si 2 es un irrelevante variable, las estimaciones siguen siendo imparcial,
excepto que no tienen grandes variaciones debido a la presencia de la
"molestia" variable L2.

13.6

Si el menor varianza en un 2 ms que compensa el sesgo, sobre la base


de la PEQUEA Y MEDIANA EMPRESA criterio podemos elegir que
calculadora.
El punto de este ejercicio es que tenga en cuenta que a veces un estimador
parcializado puede ser elegido debido a su menor varianza. Por supuesto,
todo esto depende de la finalidad de la investigacin.

13.7

En la Ec. (13.5.3 ), aplicando LA OPERACIN, obtenemos:


O _ I>x,y y = ZXX
"Zxi(a + / 3Xi + ui+ I)
P
Zxf
Zxf
Zxf
_ N . Libras, " , + x,g,
PTomando las expectativas de la expresin anterior en ambos lados y

136

Tomando nota de las propiedades de xj,ui yf, puede verse


que 3 es imparcial.
13.8

Eq. (2), obtenemos de SUDN (Nota: Para su comodidad hemos


omitido la observacin subscriptos):
_ [/+("-")][ ** - (v-v)]
Ex2
* +E[x (v-v) ]2
Eq. (1), obtenemos:
1

Ex
Sustituyendo en la expresin anterior y, por otra parte, simplificar y
Tomando el lmite cuando n -> oo, obtenemos la expresin
*3
*
P lim( / ?) = -t-r-, mostrando que ft es imparcial.
1 + - ^<R2.
X
(b) No, como se puede ver en la frmula anterior. En otras
palabras,
Fi no es un estimador consistente.
13.9

(a)
El mtodo y los resultados son los mismos que en cuestin
13.8 .
(b)

13,10

Hay varias medidas correctivas en la literatura avanzada.

El modelo correcto es:


Pero si se omite A3 de este modelo, y de retroceso Y
conectadox2 y, a continuacin, retroceso slo los residuos de esta
regresin de X3 y obtener su coeficiente, es decir, a3, a3 es
un sesgo, as como estimador inconsistente de la verdadera / ?3.
Para una prueba oficial, vase A. R. Pagn y A. D. Hall", las
pruebas de diagnstico como Anlisis Residual", los exmenes
economtricos, Vol. 2,1983 , pgs. 159-218.

13,11

P\ (irue) = A
+ 5 Pi (< * ) .
Pl(irue) Pi
, P \ (tnte) ~ P\
UN

(O)

UN

"

Pldrue) ~ ^ >02

(c)
El coeficiente de interseccin ser imparcial pero la
pendiente coeficiente ser sesgados e inconsistentes.
13,12

Eq. (13.3.2 ), obtenemos

137

Ai=Y -a2X2 Por lo tanto,

( " ,) = F (A + PMX" usando (13.3.3 )


= (P\

Pi-X 2 + P-i^i) ~ (Pi + P * b32) ^2

= ft+MXi-bnXi)
13.13 Estudiante se est ocupando de la cuestin terica y econometra
aplicada en forma algo escptico. Esencialmente, afirma que los
tericos examinar el campo y determinar las esferas de
preocupacin cuando paso de la teora a la prctica. Algunas de
estas reas de inters son la heterocedasticidad, autocorrelacin,
multicolinealidad, y la especificacin de los modelos. Los
profesionales, entonces, se espera para examinar la forma en que sus
resultados pueden ser influenciados por las esferas de preocupacin
que han sido identificadas por los tericos.
13.14 De Theil comentario se refiere a la regresin estrategias, el ttulo
del captulo en el que esta cita. Que se refiere a pensar
cuidadosamente acerca de las pruebas de hiptesis. Basndose en el
hecho de que pruebas de regresin se inform bom dinmico de la
toma de decisiones en el cual cada una de las sucesivas decisiones
depende de la informacin disponible en el momento de la decisin
que se hizo. Para un nuevo debate, leer el captulo.
13.15 Blaug puede tener un punto. Algunas veces, los investigadores se
"imponer" un modelo que han desarrollado un conjunto de datos sin
evaluar crticamente la aplicabilidad del modelo a los datos. Cada
vez que una nueva tcnica economtrica se encuentra disponible, los
investigadores estn enamorados de ella y empezar a utilizar esa
tcnica indiscriminadamente. Por ejemplo, cuando modelos de
expectativas racionales se convirti en la moda del da, los
investigadores aplicaron a todo tipo de economas sin estudiar la
estructura de las economas.
13.16 Como una ilustracin de Blaug, recordar que en pruebas de
hiptesis si la estadstica de prueba (por ejemplo, la t) no es
estadsticamente significativo, no digamos que aceptamos la
hiptesis nula. Decimos que no se rechaza la hiptesis nula. Esto es
porque es muy posible que sobre la base de un conjunto de datos
que tenga la posibilidad de rechazar la misma hiptesis nula . Por lo
tanto, cuando no se rechaza la hiptesis nula, lo que estamos
diciendo es que la muestra de que se trata no nos da una razn para
rechazar la hiptesis nula.
13.17 Se podra argumentar que estipula que "los cambios en la oferta

138

de dinero ... determinar los cambios en el PIB (nominal)" sobre


la base de la
St. Louis Modelo es demasiado fuerte. Dos de los cinco coeficientes
para la tasa de crecimiento en su totalidad, o alta, empleo los gastos
del gobierno son estadsticamente significativas a un nivel del 95 %.
De la misma manera, dos de los coeficientes de la tasa de
crecimiento de la oferta de dinero no son estadsticamente diferentes
de cero. Adems, puede haber collinearity en el modelo entre la tasa
de crecimiento de la oferta de dinero y la tasa de crecimiento de
pleno empleo presupuesto del gobierno.
Sera interesante para replicar el modelo de San Luis ms datos del
mdem. La primaca de la Ml oferta de dinero se ha ido, Ml se
sustituye por M2 oferta de dinero.
13.18

Se puede demostrar que


( " ,) = +4/ ?3 Y E( cc2) = fi2 + 7/ ?4
(Sugerencia: Debido a los valores de X, X =0.)

13.19

Supresin de la observacin subscript / para mayor comodidad,


Dado que Y = j}x + fi2Xj, se sigue que Y2 = fi2 +2 3xf32X + f } \X2.
Si sustituye el ltimo valor en la RESET ecuacin, se obtiene Y =
ax + a2X + a3 ( / ?,2 + 2 fixfi2X + $ X2)
= (, + aj2) + ( a2+ 2 aJxfr )X + (aj22 )X2
= Aj + X^X + AjX2, que es el resultado, en la
que el es una mezcla de los coeficientes originales.

13.20

(A) Verdadero (ver Fig. 13.4


(b)

Cierto. Ver Fig. 13.4

(c)
Cierto. Ver Fig. 13.4
(d)
En un segundo grado ecuacin lineal y cuadrtica trminos
son necesarios.
(e)

El primer modelo de desviacin es:


Yt=Pixv+PyXyi + ( " / - " ).
En el segundo modelo a, se espera que sea cero ( por qu? ).
Por lo tanto, los dos modelos son bsicamente las mismas por lo que
se estima que el lnea de regresin (avin) es el mismo.
13.21

(A) Ecuacin (1) es el modelo sin restricciones y Eq. (2) es el


modelo restringido. Aplicacin de la prueba F restringido se
discuti en el Captulo 8, podemos poner a prueba si la restriccin (la

139

variable X(, no pertenece a

140

El modelo es vlido. Los restringidos y no


restringidos R2 son, respectivamente, 0,9803 y 0,9801 . Por
lo tanto, obtenemos
R (4r-R2r) /NR

(L-R2R) / (n-k)

(0,9803 -0.9801)71 _ P 2 2 P 6
(1 - 0,9803 ) / (23-4)

Desde este F valor no es significativo, el modelo restringido


(2) es aceptable. Por lo tanto, no hay necesidad de llevar a
cabo una explcita RESET prueba aqu. Lo mismo es cierto de
la LM.
(b)
En el presente caso, la variable X & no es estadsticamente
significativa. Pero es muy posible que en otra muestra lo que
puede ser importante.
(c)
NO La base para introducir las variables explicativas en un
modelo es una buena teora econmica. No se basa en estadsticas
o F.
13.22

(A) Este sera el caso de incluir variables innecesarias.


(6) Los estimadores que ser imparcial y coherente. Sus
variaciones , sin embargo, sera mayor.

13.23

Los resultados de la regresin de Y sobre X , ambos medidos


correctamente son:
T =28.302+0.584 * ,.
Se= (12,677 ) (0,071 ) R2 = 0,895
Los resultados son similares a los de los datos correctos (ver Eq.
13.5.11 ). Pero los coeficientes indicados anteriormente reflejan los
prejuicios.

13.24

(A) El sesgo de underfitting un modelo.


(b)
Como se indica en el texto, j}2 original en el CES
funcin ser sesgada, as como incoherente.
(c)

Los resultados del modelo ampliado son los siguientes:

- =-3.385 en el En JF + 2,126 + 1.5051n(l+ -) L) E


T = (-0.534) (1,229 )
(0,471 )
R2 = 0,895 ; F = 67,91 ; </ = 2,362 para
la comparacin, los resultados del modelo original CES
son:

141

Ln^jj = -0.472 + 1340W


T = (-0.352) (3,022 )
R2 = 0.413; * / = 1,826 Como se puede
apreciar, los resultados del modelo ampliado son pobres en la
medida en que ninguna de la pendiente los coeficientes son
estadsticamente significativos. Tampoco significa que la variable
adicional en el modelo extendido es superfluo o que hay graves
errores de medicin en las elasticidades calculadas o que hay
collinearity en los dos regresores, o todos estos factores.
13.25

Esto es como un ejercicio de clase, como el resultado real


depender de la muestra.

13.26

Desde un modelo no se puede derivar de Modelo B y viceversa,


la J prueba puede ser ms adecuado. Sin embargo, la prueba
F puede ser utilizado para comparar el modelo sin restricciones en
el problema restringido 8,26 con modelos A y B. Los resultados son
los siguientes:
Comparacin con el modelo A:
(0,823 -0.601) /2
^
(1 -R2R) / (n-k) (1 -0.823) / (16-6) en el que
el R2 es sin restricciones en el modelo de Problema 8,26 y la
restriccin R2 es a partir del modelo estimado A. desde
el valor F es significativo al nivel del 5 por ciento,
rechazamos un modelo como el modelo correcto.
(R2ur-R2r) /NR

Comparacin con el modelo B


F_(0,823 -0.189) /2 _17910 (1 -0.823) / (16-6) en la que los valores son 0,823 y

del modelo en 8,26 y Problema de Modelo B,


respectivamente.
0,189 los valores de R

Una vez ms, esta F valor es significativo al nivel del 5 por


ciento, lo que sugiere que el modelo B no es el modelo
correcto.
Parece que el modelo que figura en Problema 8,26 es el modelo
ms apropiado.
13.27

Los pasos implicados en este caso de la siguiente manera:


1.
Estimacin Modelo B y obtener los valores estimados de Y
desde este
Modelo, Y) B
2.
Aadir 1/como un agregado variable explicativa al modelo A y
estimar la regresin resultante. Y probar la hiptesis de que el coeficiente de
la variable aadida en esta regresin no es estadsticamente significativa. Si

142

esta hiptesis es rechazada, probablemente un modelo no es el modelo


correcto.

3.

Repita los pasos 1 y 2, intercambiando los papeles de A y B.

Los resultados de la regresin son los siguientes (para mayor


comodidad, el subndice t observacin se omite):
= -820.0106042.059+1.226 * 3 * X4 -1115.888 +1.213B 6 t =
(1,8480

(0,831 ) (-3.658)
(03,908 )
R2 = 0,722 ; F = 7,138
UNA

(2,184 )

El valor de p de la Y coeficiente es de 5,15 %. Si nos atenemos al


nivel del 5 %, entonces este coeficiente no es significativo. Esto
hace pensar que tal vez es el modelo "correcto" modelo.

= -8944.403 + 3.177X2 +108.21IX, + 572.812 +1.210X6 Y4 t ( 3.016)

(1,921 ) (1,070 )
(2,293 )
2 = 0,808 ;F = 11,583

(5,960 )

El coeficiente de la variable y es significativa en el nivel 0.0001.


Con base en estos resultados, parece que el modelo es el "correcto"
modelo.
13.28

(A) La diferencia entre el modelo (1) y el modelo (2) en ejercicio


7:19 es que hay una variable explicativa adicional en el modelo (2).
Si el modelo (2) es correcta, estimar Modelo (1) sera el sesgo de
variables omitidas.
Ramsey se puede aplicar la prueba de restablecer en el captulo.
Aplicacin de la estadstica F , cuyo valor es 1,474 , no rechazamos
la hiptesis de que Modelo (2) es el modelo correctamente
especificado.
(b) Sobre la base de la prueba Ramsey, se encontrar con que
Modelo 5 est correctamente especificado.

13.29

Hay varias posibilidades. Slo se consideran, a saber, la DavidsonMac Kinnon y prueba. Los pasos que se siguen son los siguientes:
1. Modelo de estimacin y obtener los valores de previsin de este

modelo, Yf *
2.
Estimacin Modelo B y obtener valores de previsin de este
modelo,
Yfs

3.

Vuelva a ejecutar un Modelo incluyendo la variable Yf8. Si el


coeficiente de Yf8 es estadsticamente significativo, elija el

143

modelo B.
4.
Vuelva a ejecutar Modelo B incluyendo la variable Yf\ si el
coeficiente de
5.
Yf * es importante, elija el modelo A.
6. Si Yf en el modelo A y Yf * en el modelo B son
estadsticamente significativos, lo que significa que ambos
modelos son aceptables.
Si se llevan a cabo los pasos anteriores, usted encontrar que ambos
modelos son aceptables. Por lo tanto, no hay una clara preferencia
aqu. Sin embargo, si lleva en la tasa de inters, es muy posible que
uno de los dos modelos puede ser preferible. Citamos a
continuacin los resultados de la regresin sin el tipo de inters
variable.
Y = -39.2316 + 0,3616 * , -0.3801 * ,
+1.11881/" t = (-1.7725) (3,8804 ) (-3.9028)
(4,2355 ).
R2 =0.8965; * /= 1,8193 Y =43.4574-0.0269 * , +0.5864 ^ ., +1.14301^^ t ( 1.8294) (-2.1177) (4,2355 ).

(3,9027 ).

R2 = 0,8965
Donde Y = ahorro y X = ingreso. El Durbin-Watson para el
segundo modelo es 1,8193 , pero no puede ser utilizado para las
pruebas de correlacin serial del modelo debido a la presencia de
la zaga regressand.
Como puede ver, ambos modelos son igualmente aceptables sobre
la base de la J . Uno podra preguntarse por qu el coeficiente de la
variable de renta en el segundo modelo es negativo.
13.30 Los resultados de la regresin de los ahorros de los ingresos son los
siguientes:
Perodo de
tiempo

Interceptar

Pendiente

1970-1981

1,0161
(0,873 )
9,7255
(0,8999 ).
50,2516
(3,6396 ).
62,4226
(4,8917 ).

0,0803
(9,6015 ).
0,00591
(12,2197 )
0,0444
(7,6745 ).
0,0376
(8,8938 ).

1970-1985
1970-1990
1970-1995

R2
0,902
1
0,914
2
0,756
1
0,767
2

Como puede ver, hay un poco de la variabilidad de la ordenada y

144

las pendientes los coeficientes, tal vez la cuestin


La estabilidad de las economas de ingreso relacin a lo largo
de los distintos perodos.
13.31 Siga Eq. (13.10.1 ). Utilizando los datos, obtenemos las siguientes
F valor:
R (23248,30 -1785.032) /14 5gg5 ( 1785,032 ) /10
Aqu nx = 12 y " 2 =14
Este F valor es estadsticamente significativa ( valor de p = 0,0008
), lo que llev a la conclusin de que las economas de ingreso
relacin no ha sido estable durante el perodo de observacin.
13.32 Vamos a ver el efecto de excluir del X6 en el coeficiente de la
variable InXi. A raz de la ecuacin dada en el problema, se
deduce que:
E(Pi)= Pi P(p61
En el modelo (1), los valores de / ?2 y son, respectivamente,
0,4813 y 0,0610 . Ahora el valor de >62 se pueden mostrar
como 0,4875 . Por lo tanto, obtenemos:
(A) = 0-4812- (0,0610 (0,4875 ) = 0,4515
Es decir, el sesgo es -0,0297 . Dicho de otra manera, por la
exclusin En X6, el coeficiente de fi2 es subestimada por
alrededor de -0,03 .

14.1

Siga el procedimiento anterior para encontrar el sesgo en el


coeficiente de en * 3.
Si un modelo de regresin no lineal se parece superficialmente en
los parmetros, pero con las transformaciones pueden ser
linealizadas en los parmetros, y luego ese modelo es bsicamente,
o intrnsecamente, un lineal (en el parmetro) modelo de regresin.
Pero si no hay manera de hacer un modelo de este tipo un lineal en
el parmetro modelo y, a continuacin, es intrnsecamente un
modelo de regresin no lineal.
Ejemplos de ello son ya dadas en ejercicios 2.6,2 .7 y 2.9 .

14.2

Si el trmino de error se introduce aditiva, la Cobb-Douglas (C-D)


modelo intrnseca se convierte en un modelo de regresin no lineal.
Si el trmino de error entra en multiplicatively, el modelo se hace
lineal en la pendiente los parmetros (pero no la interseccin). Pero
las propiedades del trmino de error en este modelo depende cmo
entra en el trmino de error multiplicatively, en la forma (14.1.2 ) o
en la forma (14.1.3 ). La diferencia tiene implicaciones diferentes

145

para la estimacin y la inferencia. Tradicionalmente, se ha


introducido en la forma (14.1.2 ).
Para determinar si el aditivo o multiplicativo formulario para el
trmino de error es apropiado en un caso determinado, se puede
utilizar una prueba similar a la J prueba para elegir entre las dos
formas. Adems, si se estima el C-D modelo con aditivos y
multiplicativos trminos error, uno puede examinar los residuos
estimados de estos dos especificaciones para averiguar si el trmino
de error se distribuyen normalmente, o si no estn correlacionados
en serie, etc.
14.3

En el marco de la operacin en que podemos obtener estimacin


explcita o analticas, las soluciones a los parmetros desconocidos.
En NLLS no podamos obtener soluciones explcitas, las
estimaciones deben ser obtenidos por un procedimiento iterativo.

14.4

Primero escriba la ecuacin como:


&L

U, =A-fi\o+.
Por lo tanto, queremos minimizar:
J_
Z" /2 = Z( ^ -aio(yw)2
Hay tres incgnitas en esta expresin, y; - ".
Por lo tanto, tenemos que diferenciar la ecuacin anterior con
respecto a cada una de las incgnitas, las expresiones resultantes del
conjunto a cero, y resolver a la vez. Como se puede imaginar, el
que las expresiones son altamente no-lineales y no soluciones
explcitas
Se puede obtener. Por lo tanto, tendremos que recurrir a uno de los
mtodos de estimacin no lineal en el captulo. Para el
emprendedor estudiantes, aqu estn los tres derivados:
?) Y 11 2
^
^ 2T
^ = 2- = 2 libras [ ( ^ - / ? ,l 0 (r+ ,) )-10 (r+
, )] dfi,

= 2L[ (Yi - Aio^^x^X-todo-en-uno)] dp2


Y+t
R) V u2

^
^
R T
= 2 [ (ij - Aio^X^X-todo-en-uno- ^ -r)]

Ver George G. Juez, R. Carter Hill, William E. Griffiths, Helmut Lutkepohl y Tsoung-Chao
Lee, Introduccin a la teora y la prctica de Econometra, 2d ed., John Wiley & Sons, New
York, 1988, pg. 514

146

...

(Y + t )

Establecer estas expresiones a cero para obtener las ecuaciones de


normal, que debe resolverse iterativamente.
14.5 (A) Verdadero. Ver la discusin en Sec. 14.5
(b) Cierto. Ver la discusin en Sec. 14.5
14.6 Consulte a Ap. 14A, Sec. 14A. 3. Utilizando slo las primeras derivadas,
Podemos generalizar Eq. (2) a ms de dos incgnitas. Para utilizar
esta frmula que necesitamos la derivada de la funcin ESC con
respecto a las incgnitas A, P y 8. Estos derivados tienen que
manejar las expresiones. La emprendedora estudiante puede
encontrar en el libro por el juez, 2 et al.
Dy
14.7 (A) - = P2. Este modelo
Sugiere que Y creceCon el tiempo en
Dt
Un ritmo constante, P2, positivo o negativo, en funcin del signo de
Pi

1 Dy
Aqu = P2 , lo que sugiere que el cambio relativo en
Y dt
Y es una constante igual a P2. Si se multiplica esta por 100, se
obtiene el porcentaje de cambio, o la tasa de crecimiento.
(b)

(c)
El modelo de crecimiento logstico tiene una forma en S.
Cuando t = 0,
Y = - ^ --, de modo que este es el valor inicial de Y. asimismo,
1 + Pi
Como / -> oo, Y = px, que es el limitar el crecimiento valor
de Y. Se deduce que P2 >0.
(d) Al igual que la curva de crecimiento logstico, la curva de crecimiento
Gompertz es tambin con forma de S, pero no es simtrico respecto a su
punto de inflexin, que est dada por Y = / ?, / e = 0,368 / ? ,. (Nota: Para
obtener
El punto de inflexin, -- = 0.) Por otra parte, tenga en cuenta que
Dt
^ * = (lnfl-lnl')
Lo que implica que la tasa de crecimiento relativo en Y est linealmente
relacionado con el registro de la Y.
Gompertz La curva de crecimiento se ha utilizado para
estudiar crecimiento de la poblacin y crecimiento de los animales.
Problemas

147

14.8

En los siguientes modelos, Y = poblacin y / = tiempo.


Modelo Lineal
Yt =221,7242 + 0,1389 /
/ = (109,2408 ) (44,4368 ); r2 = 0,8178 log-lin Modelo
En 1 ^ =5,3170 + 0,0098 /
/ =(8739,399 ) (285,9826 );R2=0,9996
Modelo Logstico
Y = ---- 1432,739 ------ R2 =99997
' L + 1.7986e" ' 01117' '
Nota de la / las proporciones de la estima / ? " / ? / ?2 y 3 son,
respectivamente, 2.8209,4 .3618 y -14,0658 .
Modelo de Gompertz
Y = 1440.733exp{ 1.9606e00054 '} ,R2 = 0,9995 Nota que la t de
las relaciones estimadas
/ ?3 Son, Respectivamente,
2,7921 , 5,4893 , 5,0197
Se deja para que el lector pueda interpretar estos resultados en vista de
la discusin terica de estos modelos en el ejercicio 14.7 .

14.9

Funcin de produccin Cobb-Douglas con aditivo Error


PIB = 0,5292 (mano de obra)0 mo (Capital)0 ** 27; R2 = 0,9942
Nota: Los / las proporciones de los tres coeficientes son, respectivamente,
.2814 1.9511,1 Y 12,4658
Funcin de produccin Cobb-Douglas con Error multiplicativo
En el PIB, = -1.6524 + 0,3397 + 0,8459 De la mano de obra en la
Capital , t = (-2.7258) (1,82950 )(9,0624 ).
R2 = 0,9950

Como puede ver, cualitativamente los resultados de las dos especificaciones


difieren en la produccin-trabajo elasticidad, que es ms alto que el modelo
multiplicativo. Adems, la significacin marginal de este coeficiente en el modelo
multiplicativo es mucho mayor que la obtenida en el modelo aditivo trmino de
error. Pero hay que tener en cuenta que los resultados del modelo aditivo trmino
de error (es decir, modelo de regresin no lineal) no se puede comparar
directamente con el otro modelo. Adems, se estima que la proporcin no se han de
interpretar en el contexto de gran muestra el modelo no lineal.
15.1
Los resultados de la regresin de la desercin escolar en las 12
observaciones son las siguientes:
T = -1.246-^ ^ vw + 0,120 \M/
T = (-10.332) (17,454 )

148

(e) This probability is 0.6936.


Y aquellas basadas en el mantenimiento de las 12 observaciones
despus de realizar el ajuste son:
I>=_0.635^ + 0.0820i Vw/
Vw
<
T = (-12.576)
(26,305 )
La diferencia entre los dos resultados es notable. No debemos
olvidar que la regresin revisado se basa en las 40 observaciones,
mientras que la original se basaba nicamente en 28 observaciones.
Tal vez los resultados de la versin revisada del modelo son
preferibles ya que incluyen todas las observaciones. Adems,
observe el cambio en el estimado de t ratios.
15.2

Estos datos se podr obtener un ajuste perfecto ya que todos los


valores de X por encima de 16 corresponden a Y=1 y a todos los
valores de * por debajo de 16 corresponden a Y= 0. Por lo tanto, un
nmero infinito de curvas que colocar estos datos en situaciones
como esta el mtodo de mxima probabilidad puede romper. Por lo
tanto, el ML estimaciones dadas en el ejercicio son de dudoso
valor.

15.3

Hace referencia al modelo original, se observa que los resultados son


Desde un modelo de Probabilidad lineal y la unidad de renta
disponible X\ es miles de dlares.
(a)
De los distintos regresores, slo las variables * " * 13
y X16son estadsticamente significativos al nivel del 5 por
ciento y tienen los signos correctos. El bajo valor R2 no debera
preocuparle, ya que esta medida puede no ser adecuado para el
modelo en cuestin.
(b)
Dado que este coeficiente no es estadsticamente
significativa, y no hay mucho sentido puede ser conectado a esta
variable.
(c)
El cuadrado se utilizan estos trminos para capturar el tipo
de cambio de estos efectos. Ya que ni coeficiente es
estadsticamente significativa, los signos negativos no tienen
sentido prctico.
(d)

Esta probabilidad es 0,6431 .

149

(e) This probability is 0.6936.


15.4

Desde la medida convencional no es especialmente til en los


modelos con regressand dicotmicos, tiene poco sentido en
probar su significado mediante el aditivas discutido en el
Captulo 8. Otras medidas de bondad de ajuste se expone en el captulo y en las
referencias (vase tambin Ejercicio 15,13 ).

15.5

Las probabilidades estimadas en los diferentes niveles de


ingresos son: 0.2458,0
.2761,0.3086,0.3611,0.3981,0.4950,0.5923, 0,6828, 0,7614 y
0,8254 .
Si parcela estas probabilidades contra los ingresos, casi
obtener una inclinada lnea recta.
1. 2.

TR
0

20

40

6(

INGRESOS

15.6

X, -Mx

Recordar que
I, = & + / } 2X,
tanto, la variable normal estandarizada es la siguiente:
Por lo
^

/ ,=

Por lo tanto,

P\ =
15.7

--y/ ?2 = -

(A) El registro de las probabilidades a favor de una mayor tasa de


asesinatos es positivamente al tamao de la poblacin, la tasa de
crecimiento de la poblacin pero negativamente relacionadas con la
lectura. El coeficiente de 0,0014 de Pi se ha de interpretar de la
siguiente manera: Tome su antilogaritmo, reste uno de la misma y
multiplicar el resultado por 100. Por lo tanto, antilog (0,0014 ) =
1,0014 , restando de esta y multiplicando la diferencia por 100, da
0,14 %. Esto significa que si la poblacin aumenta en una unidad

150

(e) This probability is 0.6936.


(es decir, por un mil), las probabilidades a favor de una mayor tasa
de asesinatos aumenta un 0,14 %. Otros coeficientes son para ser
interpretado de una manera similar.

151

(b)
Individualmente, los coeficientes de C y R
son estadsticamente significativos al 5% o mejor nivel.
(c)
Siguiendo los pasos de (a) anterior, el efecto de un aumento
en el cociente de lectura 49,93 % de reduccin en el odds ratio.
(d)

El odds ratio de 5,77 %.

Nota: Si se toman los coeficientes de los regresores a su valor


nominal, que le dar el porcentaje aproximado de la odds ratio. Pero
para ser ms precisos, usted tiene que seguir los pasos descritos en
el apartado a) anterior .
15.8

Los coeficientes estimados no difieren mucho; la principal


diferencia entre la estimacin error estndar. Ecuacin (15.7.1 )
corrige la heterocedasticidad, mientras que Eq. (15.7.3 ) no.

15.9

(A) Tenga en cuenta que aqu el registro de la odds ratio es una


funcin de la
Registro de los ingresos, por lo que es un doble modelo de registro.
Por lo tanto, si un aumento de los ingresos en un 1 %, en promedio,
el registro de las posibilidades a favor de poseer una casa va por
alrededor del 34,8 %.
(b)

Tomando el antilogaritmo de la ecuacin, obtenemos


--- = 0,0625 * 3475

Donde * es el ingreso. Compruebe que el registro de esta expresin


se obtiene de la ecuacin dada en la pregunta.
De la expresin anterior, obtenemos la expresin para la
probabilidad de un coche de la siguiente manera:
O. Q625 *
03475 "1 + 0,0625
* 03475
(c)

Esta probabilidad es:


0,0625 (20000)
3475 " 1 + 0,0625
(20000) 3475 * 0,66
Es decir, la probabilidad es de 66 %. Siguiendo este procedimiento, el lector
puede comprobar que en el nivel de ingresos de 25.000 esta probabilidad es de 68 %.
Siguiente nota de pie de pgina 19 en el texto, el lector puede comprobar que el cambio
en la probabilidad del nivel de ingresos

20,0

A 25.000 es bastante pequeo.

152

(d)

De los resultados se puede ver que los coeficientes son

153

Uno muy importante y que el x2 valor, una medida de bondad de


ajuste, tambin es muy significativa.
15.10 Como se muestra en el Apndice A, una distribucin Bernoulli el
valor medio es P y la varianza es ,P(1 - P ).
15.11 A) a pesar de que los resultados no son uniformes, en varios casos,
los coeficientes logit, en valor absoluto, son menores para
matriculados negros de todos matriculados. En algunos casos, la
diferencia no es estadsticamente significativa. Sin embargo, en la
mayora de los casos las variables tienen los signos esperados.
(b)

En la mayora de los casos lo hacen.

(c)
Como se puede ver, si usted toma todos los matriculados,
todos los coeficientes son estadsticamente muy significativa. Pero
no es este el caso de matriculados negros. El significado global del
modelo
Se puede juzgar por el x2 los valores, los cuales son altamente
significativos para todos
As como para matriculados negros. El x2 valor mide la bondad de
ajuste del modelo, que compara los valores reales con las
predicciones del modelo. Sobre este tema vase Ejercicio 15,13 .
15.12 (A) para que el trmino de error homoscedsticos, el peso
debera ser el inverso del error estndar de la perturbacin plazo u\.
El peso en el presente caso es:
F.

(b) Los pesos y los datos transformados son los siguientes:


Probabilidad Peso ( w ), r = i w/ *, =/ * > ,. Xj=X,w,
11,15779,690
0,20
0,075
0.24
0,30
0,35
0,45
0.51
0,60

0,66
0.75
0,80

0,086
0,114
0,140
0,415
1,991
0,243
0,168

0,102
0,095

(c) La ponderacin de los


cuadrados los resultados son:

154

8,113 92,717
4,571 87,896
2,708 92,636
0,289 36,181

0.015
1,029
2,388
6,557
8,820

mnimos

10,044
102,856
179,124
342,509
420,000

/; =-1.086 + 0,049 * ;
5E = (0,031 ) (0,001 )
Como puede ver, los resultados de las sin ponderar y ponderado
mnimo de plazas no son muy diferentes, aunque los errores
estndar son relativamente menor para la media ponderada de los
mnimos cuadrados, como uno podra esperar.
15.13 La estadstica de prueba aqu es 2,3449 , cuyo valor de p es de 0,97
. Por lo tanto, no se rechaza la hiptesis nula de que no hay
diferencia estadstica entre los valores de probabilidad estimada y la
real valores de probabilidad.
15.14 Los resultados del modelo logit ponderada, sobre la probabilidad
de muerte en funcin del log de la dosis son:
Z = -4.837+7.058 En * ,
Se=( 0,434 ) (0,599 )
T = (-11.141) (11,782 ) ;/ =1,4069
Estos resultados muestran que los coeficientes estimados son
muy importantes. El valor de p de la que se observa es 0,7039
libras esterlinas, lo que indica que no hay diferencia estadstica
entre los gastos estimados y los reales valores de probabilidad.
Es decir, el modelo es bastante buena.
15.15 (A) Los resultados de la LPM modelo son los siguientes:
Yt = -2.867 + 0,0030 . + 0.002
^ t = (-3.442) (2,976 ) (3,441 )
Donde Y = 1 si es admitido al programa de posgrado; de lo contrario, 0.
(b) A pesar de que la estadstica de los resultados son
satisfactorios, el LPM no es un buen modelo porque de los
problemas que se han abordado en el captulo, a saber, npnnormalidad del trmino de error , de heteroscedasticidad, etc. ^
15.16 (A) El modelo logit estimado es la siguiente:
Yt = -2.085 + 0,136 * ,
T = (-143.597) (151,621 )
(b)

El modelo probit es:


1 =3,122 + 0,083 * ,

(c)

T = (316,543 ) (115,254 )
Correspondiente a la tasa de descuento de 17 cntimos, el

155

estimado

156

(D) Nos wdnt para averiguar

Solucin a este problema, obtenemos el valor de * como de 21,56 centavos.


15.17

(A) El estado civil coeficiente es estadsticamente


insignificante en ambos perodos, por lo que no se puede
decir mucho acerca de la importancia de esta variable. Pero
la variable tiene un signo positivo en ambos perodos, que
tiene sentido desde el punto de vista econmico.
(b)
El coeficiente estimado negativo para que las minoras
variable es probablemente capturar algunos ingresos, lo que indica
que las minoras tienen menores ingresos y menor necesidad de
cuentas bancarias.
(c)
Esta variable tambin puede representar el efecto ingreso, lo
que sugiere que el nmero de los hijos aumenta una familia puede
tener menos dinero para poner en cuenta corriente o de ahorros.
(d)
El dato es una medida de la bondad del ajuste. En el
presente caso, el ajuste del modelo es bueno: En 1977 el modelo
predeca 91% y en 1989 se predijo correctamente el 90 %, quin
puede y quin no tiene una cuenta bancaria.

15.18

(A) Los resultados de la ponderacin LPM son:


Y =0.184+0.874 * ,. T =
(1,373 ) (5,042 )
(b)

Dado * = 48,
Verdadera E(Y \X = 0,48 ) = 0,440
Estimado E(Y\X) = 0,603
(c)
Utilizando los datos, podemos confirmar los autores los
resultados:
I>(y * | * = 0,48 ) = -0.969 + 2,764 (0.48 ) = 0,3579 La
probabilidad es 0,6398 ; esto coincide con los autores.
(d)
P(Y * | * = 0,79 ) = -0.969 + 2,764 (0.79 ) = 1,2145
La probabilidad es 0,8878 . La previsin del cambio es 24,80 , lo
que concuerda con los clculos de los autores.

Logito valor es 1 548 libras, de la que la probabilidad estimada es de


aproximadamente 56 %.
En el modelo probit, la probabilidad
correspondiente es aproximadamente la misma, f

157

CHAPTER 16
PANETL DATA REGRESSION MODELS
16.1

En los datos transversales que reunimos informacin acerca de


varios microunits en el mismo momento. En general, se supone que
estos datos son recogidos en la base de una muestra aleatoria.
En datos de series de tiempo , obtener informacin acerca de un
determinado micro, o individual, en un perodo de tiempo. Datos de
Panel combina las caractersticas de ambos seccin transversal y
datos de serie de tiempo en que los datos sobre varios microunits se
obtienen durante varios perodos de tiempo.

16.2

En un modelo de efectos fijos (FEM), que nos permitir que cada


microunit a ser representado por su propio interceptar pero que
interceptan sigue siendo el mismo a lo largo del tiempo. No
podemos permitir que tanto el tiempo y el espacio mediante la
introduccin de corte transversal y dummies variables indicadoras
del tiempo.

16.3

Componentes de error en el modelo (ECM), a diferencia FEM,


suponemos que la interseccin de un microunit es un sorteo al azar
con ciertos y determinados varianza. Este es un modelo econmico
que no introducir N independiente dummies para
interceptar N transversal. Como se seala en el texto, si el trmino
de error y los regresores estn correlacionadas, ECM puede ser
adecuado, pero si que estn correlacionadas, entonces, FEM puede
ser apropiado.

16.4

Todos ellos son sinnimos.

16.5

La respuesta la proporciona en segundos. 16.1 . Brevemente, en el


que se combinan tanto el espacio como dimensiones de tiempo,
podemos estudiar muchos aspectos de
Un problema que no puede ser posible si se nos fueron a estudiar
slo transversales o series de datos de tiempo. Dos ejemplos
importantes de datos de panel son el grupo Estudio de Dinmica
de los ingresos y la Encuesta de Ingresos y participacin en el
programa. Siguiendo el mismo corte transversal las unidades en el
tiempo, es posible estudiar la dinmica del cambio.

16.6

El nuevo trmino de error ser:


Con la hiptesis de que
N(0,a2 ) ;v, 0 N (0,a2v); uit N(0,a2)
Adems, suponemos que

158

E{s,v,) = E( siull) = E(v,uil) = 0 E( e ,S j) = 0 (/


* j ) ;E(V'Vs) = 0 (t * s)
E(uuuis) = E(unuj") = E(wu ' p r i m e r e ) = 0 ;

( * * j;t

* s)

Como resultado,
Var(w/) = a2 = <j] + a] + cru2 es decir, wit
es homoscedsticos. El coeficiente de correlacin entre wjt y wjt (i
* j), es decir, entre los errores de dos diferentes unidades
transversales en un momento dado es:
Cov( Adr, Wjt) = Al
^
^ [Var^ ,) vai(Wjt) ct 2 + cr2v + cr2u .
Y el coeficiente de correlacin entre ingenio y wjt {t s), es decir,
Entre los errores de la unidad de corte transversal en dos momentos
diferentes,
- .Cov^) = ,
Vvar(w/) var(wj cr +crv + au
16.7

Aqu tenemos N = 50 unidades de corte transversal y T= 2 datos de


series de tiempo. Consulte el punto #2 en segundos. 16.5 . Ya que
no podemos considerar el 50 estados de la unin como un sorteo al
azar, aqu FEM puede ser ms apropiado.

16.8

Son -245,7924 , -84,22 , 93,8774 y -59.2258 de GE, GM, USS,


y Westinghouse, respectivamente. En comparacin con GE, las
intercepciones (es decir, efectos fijos) de las otras empresas son
estadsticamente diferentes, como puede ser visto de la regresin
(16.1.5 ).

16.9

Los resultados no son muy diferentes en cuanto a los


coeficientes de las variables X . Las intercepciones son
diferentes, cosa que es de esperar debido a las diferencias en
los supuestos de los dos modelos.

16.10

(A) En general, los resultados tienen sentido econmico. Por


ejemplo, el registro de los ingresos es menor este ao si uno est
desempleado en el ao anterior; tambin es menor si su salud en el
ao anterior era mala.
(6) cualitativamente, los dos modelos dar resultados similares.

159

(c) Desde 3774 tenemos observaciones, tenemos suficientes grados


de libertad para un modelo de efectos fijos. Sin embargo, debido a
que los dos modelos por lo general dan resultados similares, se
puede optar por uno u otro modelo. Ms formalmente se puede
utilizar la prueba de Hausman para decidir entre los dos modelos.

160

Problems
16,11 (A) Ao
1990

Interceptar
3118,484
(3,5718 ).
3149,356

Pendiente
R2
D
-22.4984 0,0834 1,9
8
(-2.0894)
1991
-23.3485 0,0972 1.
(3,8837 ).
(-2.2742)
9
Nota: Las cifras entre parntesis son los t ratios.
(b)
Los resultados de la regresin son agrupados de la siguiente
manera:
Huevos = 3132,258 - 22,8952 Pr ice
T = (5,3281 ) (-3.1173)
R2 = 0,0902 ; d = 2,0037 los supuestos
en que se basa el presente que las intercepciones, as como las
pendientes de los dos perodos de tiempo son los mismos, as
como las variaciones que el error en los dos perodos de tiempo
son los mismos.
(c)
Dejar que D = 0 para el ao 1990, y D = 1 para el
ao 1991, los resultados de la regresin son los siguientes:
Huevos = 3153,082 - 34.6977D - 22,9403
Pr ice t = (5,0767 ) (-0.1087)
(-3.1027)
R2 = 0,0903 ; d= 2,0047 Como se puede ver, el
maniqu coeficiente para 1991 no es estadsticamente significativa,
lo que sugiere que las intercepciones de los dos perodos de tiempo
son estadsticamente iguales.
(d)
Si lo hacemos, tendremos que utilizar 49 maniques. Este
consumir una gran cantidad de grados de libertad. Adems,
tenga en cuenta la observacin formulada en # 2 de la Sec. 16. 5.
(e)

No, por la misma razn que en (d).

( /) desde el ECM requiere el nmero de unidades de corte


transversal para que sea mayor que el nmero de coeficientes a
estimar, en el presente caso no podemos estimar el ECM. Si se
intenta estimar un modelo de este tipo para los datos utilizando,
por ejemplo, decisivo, recibir la instruccin anterior.
16.12 Aqu estn los datos necesarios:
Ao
RSS
Df
1990
1.24E+08 48
1991
1.22E+08 48
Agrupados
2,46 E+08
98
Nota: 1,24 E+08 significa 124.000.000 , etc.
Si se utiliza el Chow de prueba, usted encontrar que se puede
161

rechazar la hiptesis nula de que el error las variaciones de los


dos perodos son diferentes, lo que sugiere que los datos pueden
ser agrupadas.
16.13 (A) Los resultados de la regresin se presentan a continuacin en
forma de cuadros (t relaciones entre parntesis).
Empresa Interceptar F_,
C_, R2 RSS d
GE
-9.9563 0,0265 0,1516 0,7053 1,07 13217
(-0.3173) (1,7057 ) (5,9015 ).
0,1192 MM -149.4667
0,3715 0,9214 0,93 143118
(-1.4137) (4,6192 ) (10,0270 )
US Steel -50.0780
0,1714 0,4087 154988 0,92 0,4810
(-0.3413) (2,3254 ) (2,8208 ).
Westinghouse -0.5804
0,0530 0,0916 0,7450 1769
1.42
(-0.0724) (3,3776 ) (1,6334 ).
Agrupar -63.3041 0,1101
0,3034 1560690 0,22 0,7565
(b)
Chow test: Aadir el RSS para las 4 empresas,
tenemos el resumen RSS, como 313092. Despus del Captulo 8,
obtenemos los siguientes resultados:

_ ( 1560690-313092) /3 415866
Q32
313092/ (80-12)
" 46043
Este F valor es altamente significativa, lo que conduce al
rechazo de la hiptesis nula de que los cuatro error las varianzas
son iguales.
(c)
En vista de los Chow test, parece que uno no debe
reunir los datos que figuran en el presente caso. Sin embargo,
esto no destruye la utilidad de la tcnica de mezcla, el cual es
claro en nuestro
Ejemplo de problema huevos 16,11 .
16.14 (A) A priori uno puede esperar una relacin inversa entre los
dos porque si el desempleo es alto, habr menos presin para
conseguir aumentos salariales, suponiendo constantes a las
otras cosas.
(6) Y (c) en forma de tabla, los resultados son los siguientes (/
relaciones de

162

Pas
Intercepto Pendiente R2 RSS
Canad -0.7294 85,8286 0,0048 0,0088 5372
( 3,8706 ) (-0.2946)
REINO UNIDO
0,4248 156,4412 -9.1186 7856
(6,6952 ) (-3.6463)
EE.UU.
0,5420 152,4665 -9.6686 3375
(10,9253 ) (-4.6159)
Agrupados
0,3365 132,3895 -6.3409 1941
(13,4746 ) (-5.4242)

163

D
0,3591
0,4910
0,2440

(d) Los resultados aqu y en (e) a continuacin se obtienen a


partir de decisivo.
Variable dependiente: COM?
Mtodo: Mnimos Cuadrados agrupados
Muestra: 1980 1999 observaciones
incluidas: 20 el nmero de secciones: 3
Total de (equilibrado) observaciones:
60
Variable
NACIONES
UNIDAS?
Efectos
CAN-CFijos

Coeficiente Est. Error t-statistic


-6.7307

1,4553

-4.6247

138,7603
134,5800
133,3699

REINO
UNIDO-R-squared
Sum squared resid 0,3462 DurbinC
Watson
stat
0,2674
ESTADO
S
(e) Variable dependiente: COM?
UNIDOSMtodo:
GLS (Componentes de varianza)
C

19123,6604

Muestra: 1980 1999 observaciones


incluidas: 20 el nmero de secciones: 3
Total de (equilibrado) observaciones:
60
Variable

Coeficiente Est. Error t-statistic

C
131,3202
NACIONES UNIDAS?
5.8231
Efectos Aleatorios
USA-C
0,8264
CAN-C
-1.7597
UK-C
0,9333

8,8974
-6.2098

14,7592
1,0664

R-squared
0,3312 Sum squared resid 19561,0217
Estadstico Durbin-Watson 0,2358
(J) ya que los resultados de los dos modelos son similares, se
puede elegir uno u otro modelo.

164

CAPTULO 17: modelos economtricos


DINMICOS Y rezagos distribuidos autorregresivos
MODELOS
17.1

(A) Falso. modelos economtricos dinmicos si que representan


La ruta de la variable dependiente en relacin con sus valores
anteriores. Los modelos con los datos transversales no son
dinmicas, a menos que uno utiliza modelos de regresin en panel
valores desfasados de regressand.
(b)
El modelo Koyck se supone que todos rezagos distribuidos
los coeficientes tienen el mismo signo.
(c)

Falso. Los estimadores son sesgados, as como incoherente.

(d)

De prueba, vea el Johnston texto citado en la nota No 30.

(e)
Falso. El mtodo produce estimaciones coherentes, aunque
en pequeas muestras las estimaciones obtenidas de este modo son
parciales.
(f)
En estas situaciones, utilice el estadstico Durbin h. Sin
embargo, la Durbin d estadstica se puede utilizar en el clculo de
la
H estadstica.
(g)
Falso. Estrictamente hablando, es vlido para muestras
grandes.
(h)
La prueba Granger es una medida de precedencia y al
contenido de la informacin , pero no por s mismo, indicar
causalidad en el uso comn del trmino.
17.2 Hacer uso de las ecuaciones
(17.7.1 ), (17.6.2 ), y (17.5.2 ).
Y = / 30+ftx; +u,

(I)

Y-Y-Y-Y^Stf-Y, ^)

(2)
(3)

X; -xu=r(X' -K. i)
Escribir Ecuacin (2)
Y, =SX+I

(4)

Escribir Ecuacin (3 )

*
I
I

(5)

1-0-R)L

Donde L es el operador que lag lxt = X,_X. Sustituir Eq. (1) en

165

Eq. (4) para obtener


R, = 60s+S0lx; 5ul+QS)Yl_l (6) sustituto Eq. (5) en Eq. (6) para

obtener
Y^spt+spi ' ^ X" ] + (l-S)Z- , +S",

(7)

1(1- y)L Simplificar Eq. (7),

obtenemos
Y, =ax + a2Xt + " 3 ^_, + a4Y"_2 -" (17.7.2 )
Cuando la ds (no lineal) las combinaciones de los
diversos parmetros de Eq. (7).
17.3

Cov[i;_" (M, -A" , . , )] = E{ [ (Y,_X-E(Y,_X ) ] [u, -Au"_x] }, ya que

E(u,) = 0
Libras esterlinas = [ ( " , . ,) (w, -iw, . , ) ],
puesto que [Yt.i-E (Yt-i)] = w,_, = AE[ (u,_X )2], dado que no hay serie
Correlacin.
= - Ac2 .
17.4

La P * los valores son 100.105 , 115.135 , y 160, respectivamente.

17.5

(A) calcula los valores de Y , que son una funcin lineal de la


Nonstochastic las variables X , son asintticamente no
correlacionados con el trmino de error poblacin, v.
(B) El problema de multicolinealidad podra ser menos grave.

17.6

(A) La mediana es el valor del tiempo para el que la fraccin de


ajuste terminado es Vi . Para obtener la mediana Koyck lag para
el rgimen, resolver
Perodo t respuesta _ (1 - A' ) / (I - A) _ 1
Respuesta larga
/ ?0 / (I -A)
2
Simplificando, podemos recibir
A' = -. Por lo tanto,
2
T\micronanzas NANCIERAMENTE = ln ( ^ -) = - 2. Por lo
tanto,
T = - - " , que es la respuesta necesaria.
En un

166

En un lapso promedio de 2 0,2(b)

1.6094 0,6932

0,4307

0,6932 0,4 -0.9163

0,7565

0.6 -0.5108 0,6932

1,3569

0.8 -0.2231 0,6932

3,1063

167

17.7

(a)

Desde fik = J3aX ; 0 <A< 1 ;A: = 0,1,2 ...

Significa lag = - b = - ----------- -= - --------- 1= ----Ya / > ,ZA


1/0-A) l-A
0

(b)

17.8

Si X es muy grande, la velocidad de ajuste ser lento.

5 >UN
Utilice la frmula . Para los datos de la Tabla 17.1 , esta pasa a ser:
2 >.

"K

10,959

= 11,316 10,986
1.03

17.9

(Un) siguiendo los pasos de ejercicio 17.2 , podemos


escribir la ecuacin de Mt como :
M = a+ ^l~r^Y +
~ -2- R + u,
\ -Yxl l2L
Que se puede escribir como:
M = A + (1 -yx )Y - repblica federativa2 ( 1
- yx )Y,_X + (1 - y2 )R, -P 2Yi( \ -y2)R, -

\ +Oi +riW, -t - (r,r2)M(.2 +

+K -i/i +r2)u, -\ + (rj2 ) u, -2]


Donde A es una combinacin de a, y {, y .
Tenga en cuenta que si y = y2 = y , el modelo se puede simplificar an
ms.
() El modelo desarrollado es altamente no lineal en los parmetros
y necesidades que se calcula utilizando sistemas no lineales
procedimiento iterativo que se examinan en el Captulo 14.
17,10

La estimacin de Eq. (17.7.2 ) plantea el mismo problema de


estimacin como la Koyck las expectativas adaptativas o modelo
en que cada uno de ellos es autoel, que requieren tcnicas de
estimacin no lineal.

Tal como se ha explicado, Griliches, ya que la correlacin serial


17.11 modelo incluye valores desfasados de los regresores y la Koyck y
ajuste parcial modelos no la correlacin serial modelo puede ser
apropiado en situaciones donde estamos transformando un modelo
para deshacerse de (de primer orden) correlacin serial, a pesar de
que puede parecer a la Koyck o la PAM.

168

17.12

A) S , en este caso el modelo Koyck puede ser estimado con MCO.


(b)
Habr una muestra finita sesgo debido a la zaga
regressand, pero las estimaciones son coherentes. La prueba
puede encontrarse en Henri Theil, principios de
Econometra, John Wiley & Sons, Nueva York, 1971, pgs. 408411.
(c)
Puesto que ambos p y X se supone que se encuentran entre
0 y 1, la hiptesis de que ambos son iguales es plausible.

17.13

Similar a Koyck, Alt, Tinbergen, y otros modelos, este enfoque es


especial y tiene poco fundamento terico. Se supone que la
importancia de los valores anteriores disminuye continuamente
desde el principio, lo que puede una hiptesis razonable, en algunos
casos.
Mediante el promedio ponderado de las variables explicativas,
este modelo triangular evita los problemas de multicolinealidad
que pueden estar presentes en otros modelos.

17.14

(A) en promedio, a lo largo del perodo de muestreo, el cambio en


el empleo est relacionada positivamente a la salida, lo que ha
tenido consecuencias negativas relacionadas con el empleo en el
perodo anterior, y negativamente con el tiempo . El signo negativo
del coeficiente de permanencias y el signo negativo de la variable
tiempo de cuadrado sugieren que a lo largo del perodo de muestreo
el cambio en el empleo ha disminuido, pero disminuyendo a un
ritmo ms rpido.
Tenga en cuenta que el tiempo coeficiente no es significativo al
nivel del 5 por ciento, pero el tiempo de coeficiente es cuadrado.
0B) es 0,297
(c)
Para obtener el largo plazo curva de la demanda, dividir la
demanda a corto plazo a travs de S y la zaga empleo plazo. Esto
le da al largo plazo de la demanda:
47,879 + 0.579Q, + 0,094 / + 0.002 /2
(d)
La estadstica de prueba aqu es la Durbin h. Dado que n
= 44 y d = 1.37 , obtenemos:

Desde h asintticamente sigue la distribucin normal, el 5% valor crtico es


de 1,96 . Suponiendo que la muestra de 44 observaciones es bastante
grande, podemos concluir que no hay evidencia de primer orden de
autocorrelacin positiva en los datos.

169

17.15 (A) es (1 - 0,0864 ) = 0,136 .


(b)
El precio a corto plazo elasticidad es de -0,218 , y los
precios a largo plazo es elasticidad (-0.218/0,136 ) = -1,602 .
(c)
El corto plazo elasticidad tasa de inters es de -0,855 . La
elasticidad de largo plazo (-0.855/0,136 ) = -6,287 .
(I/ )El valor de la adaptacin de 0,136 es relativamente baja. Esto
puede ser debido a la naturaleza de la tecnologa en este mercado.
Recuerde que los tractores son un bien duradero con una
relativamente larga vida.
17.16

La zaga trmino representa la influencia combinada de todos los


valores desfasados de un regresor (s) en el modelo, como hemos
visto en el desarrollo del modelo Koyck.

17.17

El grado del polinomio debe ser de al menos uno ms que el


nmero de puntos de inflexin en la serie de tiempo observada
trazados en el tiempo. Por lo tanto, para la primera figura en la parte
superior de la izquierda comer, utilizar un polinomio de grado 4; de
la figura en la parte superior derecha comer, utilizar un segundo
polinomio de grado; para la figura en la parte inferior izquierda
comer, utilizar un polinomio de grado 6, y a la figura en la parte
inferior derecha comer, utilizar un segundo polinomio de grado.

17.18 (A) var(nO) = i2J var(a,) + 2^ ij+P cov(^ > op)


>0
J<p
Semejante expresin se indica, salvo que ahora tenemos un plazo
adicional.
(b) Esto no es necesariamente as. Esto se debe a que, como se ha
visto en la primera parte (a), las variaciones de las estimaciones
de la fii implica tanto las variaciones y la covarianza de las
estimaciones de los coeficientes y la covarianza puede ser negativo.
17.19

Dado que =A0+ axi + a2i2


Si
/ ?0 =0 -> a0 = 0 y cuando / ?4 = 0 -" a0 + 4a, +16a2 =0 - >a, =-4 a2.
Por lo tanto, el modelo transformado es:
J; ="+(/?, * , > + ",
/ =0

= A + E(tf0 + V + V2 )X, i + ut = ct + ci 2 [ "4 X + X Xt_i ]

170

+ ut

17,20 R, =a + ' filx,_L+ul


/
=0
k/
2

= A + / ?Z + W,
17,21 Aqu n = 19 y d = 2.54 . Aunque la muestra no es muy grande,
slo para ilustrar la prueba h, encontramos el valor h como:

Este valor h no es significativo al nivel del 5 por ciento. Por lo


tanto, no hay ninguna evidencia de primer orden de
correlacin serial positiva, teniendo en cuenta que nuestra
muestra no puede ser lo suficientemente grande como para
aceptar este resultado.
Problemas
17.22 Mediante el ajuste de existencias, o modelo de ajuste parcial
(PAM), la de corto plazo funcin de gasto puede ser escrito como
(ver Eq. 17.6.5 ):
Yl=S/ 30+Spx, + ( \ -S)X,_L+ul
(1)
Donde Y= gastos para nuevas instalaciones y equipo y * = ventas.
Los datos de los resultados de la regresin son los siguientes:
Y =-15.104 + 0,629 * , +0.272 ^ ., t = (-3.194)
(6,433 )

(2,365 )

(2)

R2 = 0,987 ; F = 690,056 ; = 1,519


Desde el coeficiente de la zaga valor Y nos encontramos con que 8
= 0,728 .
El largo plazo es funcin de gasto:
Y * = 20,738 + 0,864 * , que se obtiene a partir de (2)
dividiendo por 0,728 y disminuyendo el rezago Y plazo.

171

Tenemos que utilizar el h estadstica para averiguar si hay


correlacin serial en el problema. Mediante la frmula de que el
h las estadsticas, se puede demostrar que en el presente ejemplo
h = 1,364 . Asintticamente, este
Valor no es significativo al nivel del 5 por ciento. Por lo tanto,
asintticamente, no hay correlacin serial de los datos.
17.23 Se propone utilizar la misma notacin como en el ejercicio
17,22 , el corto plazo funcin de gasto se puede escribir como:
En } ;= En < 5 $, + pies * , + ( ! - < ? ) } ;_" + ", (1)
Los resultados de la regresin son los siguientes:
Ini; = -1.078 + 0,905 * , +0.260en Y,_X t = (-5.854)
(8,131 )

(2,962 )
(2)
R2 = 0,994 ; F = 1425,219 ; d = 1,479
UN

De estos resultados, nos encontramos con que 8 = 0,740 .


El largo plazo es funcin de gasto:
Ini * =0,376 + 1,222 * ,
La h estadstica para este problema es 1,34 . Asintticamente, por
lo tanto, se rechaza la hiptesis de que no es de primer orden
correlacin positiva en el trmino de error.
Ambos modelos ofrecen resultados similares. La ventaja del
registro modelo es que la pendiente estimada coeficientes dar
estimaciones directas de la elasticidad los coeficientes, mientras que
en el modelo lineal las laderas slo medir la tasa de cambio.
17.24 Los resultados estadsticos son los mismos, como en el problema
17,22 . Sin embargo, ya que este es el modelo las expectativas
adaptativas, la interpretacin es diferente. Ahora, el estimado 8
se interpreta como la fraccin que las expectativas de inversin
en plantas y equipos en el sector de la manufactura se revisan
cada perodo. El error de poblacin estructura es ahora diferente,
como se seala en el texto.
17.25Aqu se utiliza la combinacin de las expectativas adaptativas y PAM.
La estimacin de ecuaciones es:
Yt = J 308y + fifiyX, + [ (1 - 8) + (1 - r>K-i + [0 - * ) +0
- rw,.2 +vt donde vt= [ 8u, + 8 (l-y)u,_X]
Que, para su comodidad, expresamos como:
Y = a 0 + axX, Yt_x + a2 + a3Yt_2 + v,

172

Sobre la base de los datos, los resultados de la regresin son los


siguientes:
Yt = -19.7701 + 0,715 * , +0.565 ^_, -0.409 ^_2 t =
(-4.467) (8,323 ) (4,250 ) (-3.460)
R2 = 0,992 ; F = 5653,234 ;d = 1,367
Los coeficientes estimados son estadsticamente significativos.
Pero, puesto que los coeficientes estimados son combinaciones
lineales de los coeficientes originales, no es fcil conseguir sus
estimaciones directas. En principio, debemos estimar este modelo,
utilizando mtodos discutidos no lineal en el Captulo 14. Que las
estimaciones directas de los diferentes parmetros, que luego se
pueden comparar con los obtenidos por problemas 17.22,17 y .23
17,24 .
17.26 Se har hiptesis nula Ho: las ventas no Granger causa inversin en
instalaciones y equipo. Los resultados de la prueba Granger son los siguientes:
Nmero de rezagos estadstica
Valor de p
Conclusin
F
17,394
0,0001 Rechazar Ho
2
3
5,687
0,0117 Rechazar Ho
4
3,309
0,0628 No se rechaza Ho
5
2,379
0,1606 No se rechaza Ho
1,307
0,4463 No se rechaza Ho
6
Ho: la inversin en planta y gastos no causalidad de Granger
Ventas:
Nmero de rezagos
2

3
4
5
6

Estadstica F
22,865
13,009
7,346
5,867
3,053

Valor p Conclusin
0,0001 Rechazar Ho
0,0004 Rechazar Ho
0,0065 Rechazar Ho
0,0262 Rechazar Ho
0,1939 No se rechaza Ho

Como puede ver en estos resultados, el test de causalidad de


Granger es sensible al nmero de rezago en trminos del
modelo.
Hasta 3 lag, hay causalidad bilateral, hasta 5 rezagos hay
causalidad de las inversiones para el departamento de ventas. En
seis lag, ninguna variable variable hace que los dems.
17.270Ne modelo ilustrativo instala aqu es el segundo polinomio de grado
Modelo con 4 lag. Utilizando el formato de Eq. (17.13.15 ) y
dejando que Y representan inversiones y X las ventas, los resultados
de la regresin son los siguientes:
Y= -35.4923 + 0,8910 * t * ,.,-0.0312 +0.3255 * t.2 - 0,1792
* ,.3 / = (-4.3321) (5,1042 ).
(3,6176 ) (-0.2530) (2.1109)

173

-0.1183 *
1-4 (0.6562)
El lector se insta a otras combinaciones de los gal y el grado del
polinomio. Puede utilizar el criterio de informacin de Akaike para
elegir entre los modelos de la competencia.
Coeficiente RVSUCNEO
FER
BER
Intercept
-23.3844
-36.0936
-5.9303
ar
((-2.3578)
(-4.6740)
0.8799)
0,3188
0,8712
0,1215
(19,9423
(3,5791 ).
(5,5205 ).
) 0,1945
Xt.i
0,4414
0,3515
(19,9423
(3,9542 ).
(10,4464 )
) 0,2188
Xu2
0,3677
0,0045
(19,9423
(5,4213 ).
(0,0993 ).
*T-3
) 0,1945
0,0976
-0.1697
(19,9423
(2,1948 ).
(-2.2065)
*1-4
) 0,1215
-0.3686
-0.1712
(19,9423
(-1.6678)
(-2.7730)
)
Notas: NER, FER, y BER denotan cerca, lejos, tanto de las
restricciones. Las cifras entre parntesis son los t ratios.
Como se puede ver, poner restricciones a los coeficientes de los
modelos producen resultados muy diferentes. Nota el hallazgo
interesante tanto que la imposicin de las restricciones que idnticos
errores estndar y el t ratios. A menos que exista una fuerte
expectativa a priori, es mejor no impone ninguna restriccin. Por
supuesto, el nmero de trminos desfasados y el grado del
polinomio son las preguntas que necesitan respuesta en cada caso.
(A) de la Direccin de la
causalidad
de lag
Y- #>x2
2
X2 - >Y
2
Y^X2
X2 ^Y

3
3

F Probabilidad
0,0695 0,9329
2,8771 0,0705 *
0,1338 0,9392
2,4892 0,0793 *

Y^x2

4
0,1407 0,9655
4
1,8239 0,1533
* Significativa al nivel del 10 por ciento.
En cada caso la flecha indica la direccin de la causalidad. La
hiptesis nula en cada caso es que la variable de la izquierda de la

174

17.28 Using Eviews 4, we obtained the following results.

flecha hace que la variable en el lado derecho de la flecha. En cada


caso, parece que la inversin en el procesamiento de la
informacin equipo no causalidad de Granger las ventas. Pero hay
algunos dbiles
Pruebas de que las ventas causa inversin. Pruebe otros rezagos
y ver si esta conclusin los cambios.
(b)
Los resultados de la causalidad entre la inversin y la tasa
de inters son interesantes en la medida en que hasta 5 lag, no
existe una relacin de causalidad entre los dos, pero en lag 6 tasa
de inters inversin causas pero no a la inversa. En los grupos 7 y
8 una vez ms, no hay ninguna relacin de causalidad entre los
dos. Es difcil de justificar estos resultados intuitivamente.
(c)
En la forma lineal no hay rezagos distribuidos efecto
discernible de la venta de la inversin. En el modelo log-lineal con
4 lag y el segundo polinomio de grado y se impona restriccin
cerca del final, se obtiene los siguientes resultados:
^ =-15.1508 afectacin ganglionar + 0,2008 En X2, + 0,3288 x 2 (
,_x) + 0,3841 x2 ( ,_2) t = (-73.2185) (3,8962 ). (5,0794 ).
(9,6896 ).
0,3665 * 2 ( ,_3) + 0,2762 * 2 ( ,_4)
(15,0782 )
(2,1921 ).
Si parcela los coeficientes de la X2 en diversos trminos, usted
encontrar que los coeficientes de lag 2 y, a continuacin, descenso,
mostrando una forma de U invertida curva.
17,30 (A) (b) al aplicar el test de causalidad de Granger, se puede afirmar
que hasta 4 lag no es bilateral causalidad entre las dos variables, pero va
ms all de los 4 lag no hay causalidad unilateral o bilateral. Por ejemplo,
para el desfase 3 encontramos que
La productividad - "indemnizacin F= 3,84 0,0314
valor de ip ) La indemnizacin "productividad F= 3,97 0,0284 valor de ip )
En lag 4 nos encontramos con que
La productividad -" indemnizacin F = 2,27 0,0888
valor de ip ) la indemnizacin de
"productividad F= 3,26 0,0265 valor de ip )
(c)
Por ejemplo, se puede retroceder una indemnizacin para la
productividad y la tasa de desempleo para ver el (parcial) del paro

175

de la productividad. Los resultados son los siguientes:


Y = 26,7834 0.6907xlt + + 0.6680X"
T = (12,8468 ) (33,2341 )(2,7053 ).
R2 = 0,9694 ; = 0,2427 Y
= indemnizacin, X2 = productividad y * 3 = la tasa de
desempleo.
Cada uno de los coeficientes estimados parecen ser
estadsticamente significativa. El signo positivo de la variable tasa
de desempleo puede ser contra-intuitivo, a menos que uno puede
hacer un argumento que una mayor tasa de desempleo aumenta la
productividad que, a continuacin, conduce a una mayor

176

Indemnizacin. Desde la d estadstica en el presente caso es


bastante baja, es posible que este modelo sea sufre de
autocorrelacin o especificacin parcialidad, o ambos.
17,31 Slo para dar una idea de la prueba de la Sim, nos encontramos Y
(inversin en plantas y equipos) * (ventas) con dos lag y dos
trminos de * y obtuvo los siguientes resultados:
; = -2.6549+ 1,4421 * ,- 0,4043 * , _2 + 0,3290 * ,+1 - 0,5576 * ,+2
T = (-0.4039) (7,1142 ). (-2.0425) (1,6786 ). (-3.0060)
R2 = 0,9912 ;/ = 3,0561 Estos resultados ponen en duda
que las ventas "causa" las inversiones, plazo para el plomo,
* t+2 parece ser estadsticamente significativa.
El lector debe intentar otro cable de lag estructuras para ver si esta
conclusin.

177

18.1

CHAPTER 18
El nmero
de dentistas exigido sera una funcin
del precio de la
SIMULTANEOUS-EQUATION
MODELS
atencin estomatolgica, con los ingresos de la poblacin de pacientes,
la disponibilidad de seguro dental, el nivel de educacin de la
poblacin odontolgica, el tamao de la familia, etc. El nmero de
dentistas se suministra la funcin del precio de la atencin
estomatolgica, el costo de la educacin odontolgica, el tamao de la
poblacin odontolgica, el nmero de escuelas de odontologa, el
estado requisitos para la obtencin de licencias, etc. Las variables
endgenas son el nmero de dentistas exigi y se suministra y el
precio de la atencin estomatolgica. Las otras variables pueden
considerarse exgenas.

18.2

Brunner y Meltzer utiliza variables tales como la tasa de inters real,


riqueza pblica, relacin de las actuales al ingreso permanente, etc.
Tiegen utiliza los ingresos, tasa de inters de corto plazo, han quedado
cantidad de dinero, etc. se debate en la literatura si es el tipo de inters
a corto plazo o el tipo de inters a largo plazo que este es el costo de
oportunidad del dinero.

18.3

Forma de desviacin (desviacin de los valores promedio) la oferta y


la demanda las funciones se pueden expresar de la siguiente manera:
Ql = "i P + ( " 1/ - " ,) = " , / > ,+ "u (1)
Qs = P\P, + ( " 2/ " : "2 ) = Px P, + U2,
(2)
De (1), obtenemos:

_ JLq,p, S[(iA +uj]p


= " , + ^ TL

(3)

I A2

IP2

Zp,uu
I A2
En equilibrio, (1) = (2), por lo tanto, obtener, tras simplificacin,

^ 2( ^ ^ 1/

/A\
(4)

P=J
"1 ~Px

( "2,

_Zu2lUu -St/,7

Ai ~P\

"1 -Px

^P2 Z^ +S" 1 ? -2Z" >1,<

(6)

( "1 -Px)2

Sustitucin de las expresiones anteriores (3 ), y de la


simplificacin, obtenemos:

178

( "i- &>
< ?)
(8)
Lu2i + ! ,"" -2Lu2,uu recordando que u\
y u2 no estn correlacionados, al tomar la
I=g, +-

179

Probabilidad
lmite (plim),
obtendremos
CHAPTER
18
SIMULTANEOUS-EQUATION MODELS

Plim, = a, (a, -ft)

Ya que en general el ltimo trmino en (8) es distinto de cero, t no es


un estimador consistente de a,.

(B) Si un = ft, el anterior probabilidad ser igual a un".


Igualando Las Ecuaciones (18.2.13 y 18.2.18 ), obtenemos:
(1)
Por lo tanto,
18.4

R< = (4 ^o) +_JI-m o, - ^)

O, - ^)

Sustituyendo (2) en la ecuacin, obtenemos

(2)

~ - " ^2 ) + (4, ~ j ^ * 1 ^1 j^
(Nx-kj)
Or,-> * 2)
18.5

(A)El Las variables Y (ingreso real per cpita) y L ( real


Per cpita base monetaria) reflejan la preferencia por la liquidez. La
variable / (tasa de inflacin esperada) refleja teora de Fisher. Las
variables N1S ( una nueva cuestin variable) y E ( espera al final de
perodo, aproximados por retraso de relaciones de precios)
introducir elementos de flujo. La variable / ?bt-i (rendimiento de los
bonos desfasados) permite un efecto rezago distribuido. Estos se
describen en el artculo de Oudet.
(B) y (c) las variables endgenas son y Rbt . /Fbt-i es una variable
predeterminada (endgena rezagada). No hay rezago en Rst plazo
del modelo. Todas las dems variables estn predeterminados
(exgenos).

18.6

( A ) Cada Variable es endgena. Cada variable X es exgeno.


( >) S, cada ecuacin puede ser estimada por MCO. Sin embargo,
dado que este es un sistema de ecuaciones simultneas, la operacin
puede tener un sesgo estimadores as como incoherente.

18.7

( A ) Bass Al parecer no se trata de desarrollar un general


Modelo de oferta y demanda; l est estudiando la relacin entre los
gastos de publicidad y venta de cigarrillos.
(b) Si Xi ha de ser tratada como endgeno, necesitamos una ecuacin
para
Explicar * 2-

18.8

(A)El Las variables endgenas son Y, C, Q, y I.


Las variables predeterminadas son P, R, rt-h Tc-i y Qi-u los dos

180

primeros

(8)

181

De estos exgenas y el resto se qued endgeno.


(c) Esta variable puede tener en cuenta la inflacin.
18.9

(A) No hay un sistema de ecuaciones simultneas. Ninguno de los


Ecuaciones de variables dependientes se utilizan como regresores
en otra ecuacin. Los estimadores ser imparcial y coherente.
(b) Cuando las variables se expresan en primera diferencia, la
tendencia (lineal), si los hubiere, en estas variables.
Normalmente, esto reduce el valor R2 cuando las variables se
usan en la primera forma de diferencia.

Problemas
18.10 Los resultados de la regresin son los siguientes:
PC, =-142.1826 + 0.6889GD/ t = (-5.3883) (156,2434 )
R2 =0.9988; * / = 1,2019
18,11
/, = PIB -289.0339 +
66.8100t = (-4.3262) (17,5783
)
R2 =0.9169; * /= 0,3851
18,12
Los resultados de la regresin son
los siguientes: /, =588,1915 +
1.5007tf- ^_") t = (7,1598 ) (4,0243
).
R2 =0.3749; * / = 0,5245

182

CHAPTER 19
THE IDENTIFICATION PROBLEM
19.1

Utilizando las definiciones de M, m, K y k, y dejar que R sea


igual al nmero de variables (endgenos, as como
predeterminado) excluidos de una ecuacin dada, entonces,
por definicin 19.1 ,
R = ( M - m ) + ( K - k ) > ( M -1)
Restando (M - m ) d e c a d a l a d o ,
obtenemos ( K - k ) > m - l , q u e e s
la definicin 19.2 .

19.2

Los coeficientes estructurales son:


O L^S

"- S ^3 a\n *

TV

19.3

7V

(A) ElReducidoFormularioEcuaciones
Son los siguientes:
* I>
Y =Te0 +7txi, +w,
(1)
C = 7v2+JII, +wl
(2)
Para este sistema M= 2 (C,A) y K =1 (I). El orden condicin
aplicada a (2) demuestra que es exactamente. La identidad es
identificado por definicin.
(b)

La forma reducida las ecuaciones son:


Wt = n 0 + nxUN, + n2M, + wt (1)
P, =nr4 + nJJN, + njt + zr7M , (2)
Para este sistema, M = 2 ( W , P ) y K = 3 (ONU,R,M).
Por la condicin de la orden, Eq. (1) overidentified, pero Eq.
(2) se acaba de demostrar.
(c)
Este problema se ha diseado para mostrar la
tediosa naturaleza de ecuaciones de forma reducida en
desarrollo. La solucin est en manos del lector.
19.4
C
onsulte el ejercicio 19.3 . La prueba de estado proporciona el mismo resultado.
19.5

La razn de ello es que la ecuacin oferta es overidentified es que


la ecuacin de la demanda contiene dos variables preestablecidas,
/R.
Si contiene slo uno, la ecuacin oferta sera slo identificados. Por

183

lo tanto, si a2 = 0 y a3 = 0, la ecuacin oferta sera de slo


identificados.

184

19.6

(A) para este sistema, M = 2 ( Y u Y2) y K = 2 ( XuX2). Por la


CHAPTER
condicin de
la orden, 19
Y1 y Yl son exactamente identificado.
THE IDENTIFICATION PROBLEM
(b) En este caso Y\ se identifica, pero no Y2.

19.7

(A) a continuacin el sistema (19.2.12 ) y (19.2.22 ), se puede


demostrar que:
Un (* "
=
H = ^- = 1-25
UN

UN

Nn

^12

K=A, = ^ =2
N"

7BN

F = [ " - ^4 = 2.25 ;^ = [ #k-5 ^L] = -6


^11 ^11
( >) para probar esta hiptesis, es necesario que el error estndar
de yn. Pero como se puede ver en (a), yn es una funcin no lineal de
los n coeficientes y no es fcil estimar su error estndar.
19.8

(A) En este ejemplo, Y \ no est identificado, pero Y2 es . Este


sistema es similar al sistema (19.2.12 y 19.2.13 ). Por lo tanto,
UN
Ai = i= 1 -5; Ao =

( 2 - Ai^o) = -4 nx
Los restantes coeficientes no pueden ser identificados.

( >) en este caso ambos Y\ y Y2 son identificados.


19.9

En este sistema M = 4 y K = 5. Aqu todas las


ecuaciones son overidentified.

19.10 En este caso M = 4 y K = 4 . Por la condicin de la orden, Y \


y Y2 no se identifican, pero Y% y K" son identificados.
19.11 En este caso M = 5 y K = 4. Por la condicin de la orden, 1 ^,1
^ ,y Ys son identificados, Y $ no se identific y Y4
es overidentified.
Para mostrar cmo el rango estado obras, considerar la primera
ecuacin.
Se excluyen las variables Y3,YS,X2 y X3. Para esta ecuacin
para ser identificados, debe haber al menos un 4x4 no es igual a
cero factor determinante de los coeficientes de las variables
excluidas de esta ecuacin sino que se incluye en las restantes

185

ecuaciones. Uno de los factores determinantes es la siguiente:

186

Pa 0 y22 y23 1 /
?35 0
0 0

Aj3
0 Ya3 * 0

R52 R *

Por lo tanto, el rango de condicin tambin la primera


ecuacin se identifica. Seguir un procedimiento similar para
las otras ecuaciones.
19.12 Para este modelo, M = 4 y K = 2 . Por la condicin de la
orden, la ecuacin de C se identifica, y los de / y T
son overidentified.
Con r tratadas como exgenas, M = 4 y K = 3. Por la
condicin de la orden ahora las ecuaciones para C, T y yo
estamos overidentified.
19.13 En la Ec. (19.1.2 ), la forma reducida de la ecuacin de ganancias
es:
Yt +nxI, +u,
La operacin los resultados son:
Y = 10,0000 + 5,0000 /,
t = (8,458 ) (12,503 )
R2 = 0,897
En la Ec. (19.1.4 ), la forma reducida para el consumo es la
siguiente:
C = n2 + nj, + wt La
operacin los resultados son:
C = 10,000 + 4,000 /, t =
(8,458 ) (10,002 ) r2= 0,848
Para este modelo, M = 2 y K = 1. Por la condicin de la
orden, el consumo se acaba de demostrar. Las estimaciones
de los coeficientes estructurales son:
^ = A= 2 ;A=^ = 0,8
Jt\
N2
19.14 Consulte el ejercicio 19.1 . En la Ec. (19.3.1 ), con Definicin 19.2
,
K-k>m-1 Agregar
k a cada lado. Esto produce K
>m + k-\

187

19.15 (A) la forma reducida las ecuaciones son:

188

(b)
Aqu M=2, K = 7 . Por la condicin de la orden, ambas
ecuaciones son overidentified.
19.16 (A) y (b) M = 2 y K = 2. Por la condicin de la orden, la funcin de
demanda no ha sido identificado y la funcin de oferta es
overidentified.
(c)

La forma reducida las ecuaciones son:


Yt =x0+xir, +x2Pt+v,
M = iTj +x4R, +ksp, + w,

(d)

Para probar la simultaneidad en la funcin de suministro,


(1) Estimacin de la forma reducida de Yt
y obtener las desviaciones, v,
(2) Retroceso Mt en Yt y v
(3) La hiptesis nula es que no hay simultaneidad, es
decir, el coeficiente de v, en el paso (2) no es
estadsticamente significativa.

Los resultados de este ejercicio son los siguientes:


Variable dependiente: M2 Mtodo: Mnimos Cuadrados Muestra:
1970 1999 observaciones incluidas: 30
Coeficiente variable Ets. Error t-statistic C -2021.6072
113,5850
0,0186
0,0422

-17.7981

40,9533 0,7650
-3.8094 -0.1608
R2 = 0,9872 d = 0,5221

Dado que el coeficiente del trmino residual es estadsticamente


muy significativa, rechazar la hiptesis nula de que no hay
simultaneidad.
(e) Aqu se utiliza el test exogeneidad se explica en el captulo.
Se estima la siguiente regresin:

189

W = A+ M + M + " ,

0)

UN

Cuando Yt es obtenida de la regresin de la forma reducida para


Y en (c).
Si el estimadoEs estadsticamente diferente de cero y rechazar la
Hiptesis que Yx es exgeno.
Variable dependiente:
M2 Mtodo: Mnimos
Cuadrados
VariableCoeficiente Est. Error t-statistic
C
Yt

2295.7898
0,3292
0,4791

78,9873
0,06825
0,0695

4,8238 4
29.0652
6,8929

R = 0,9928 d = 0,5946
Como demuestran estos resultados, el coeficiente de Yt es

190

estadsticamente significativa, lo que llev a la conclusin de


que Y no es exgeno.

191

CAPTULO 20 MTODOS DE
ecuaciones simultneas
20.1

(A) Falso. LA OPERACIN se puede utilizar en el sistema recursivo.


(b)
Cierto. Si una ecuacin no es identificado, ningn
mtodo se proporcionan estimaciones de los parmetros
estructurales.
(c)

Cierto.

(d)
Falso. En un sistema de ecuaciones simultneas hemos
endgena, as como variables exgenas. A veces no estamos
seguros de si es una variable exgena o endgena. La exogeneidad
prueba nos permite a esta prueba.
(e)
Cierto. Ver Ap. 20A. 1 En relacin con ILS y captulo
14 nota sobre 2SLS.
(J) Cierto. Slo las regresiones individuales tienen valores de R2 .
(g)

Falso. 2SLS puede ser modificada para tratar con errores

autocorrelacionados.

20.2

20.3

(h)
Cierto. Vase Sec. 20.4 .
(A) 2SLS est diseado para proporcionar las estimaciones de los
parmetros de una ecuacin estructural overidentified, lo cual no es
posible con ILS. Pero si una ecuacin es exactamente identificado,
2SLS le dar el mismo segn las estimaciones, el ILS.
(A) Las tres ecuaciones de forma reducida son:
Y t = n 0 + nxY"_x +k2G + v"
Ct=Tti + nJ,_X+7 riGl+v2t
Ti = Jt6 + ! + N %G + v3,
Para este sistema, M- 3 y K = 2 . Por la condicin de la orden,
la ecuacin para C overidentified y que para mi es
identificado.
(b) Para estimar la funcin consumo overidentified, use 2SLS y
para estimar la funcin de inversin, utilizar ILS.

20.4

Si el valor de la R2 en la primera etapa de 2SLS es alta, lo que


significa que los valores estimados de las variables endgenas son
muy cerca de sus valores reales; por lo tanto, esta ltima es menos

192

probable que se correlaciona con el trmino de error estocstico en


el original ecuaciones estructurales. Sin embargo, si el valor R2 de
la primera fase de regresin es baja, el 2SLS

193

Las estimaciones sern prcticamente no tiene sentido porque uno


proceder a la sustitucin de la original Ys de la segunda etapa de la
regresin estimada Fs de la primera fase de las regresiones, lo que
en esencia representan los disturbios en la primera fase de las
regresiones. En otras palabras, la estima Y valores sern muy
pobres sustitutos de los valores de Y. En el sistema de resultados
que se muestran en este problema, los valores estimados de las
variables endgenas son cerca de los valores reales.
Los valores son 2SLS no tendra sentido porque en muestras
grandes que proporcionan estimaciones consistentes de los
coeficientes estructurales.
20.5

(A) Escribir El sistema de notacin matricial, obtenemos :


En un

1 -A -fi 1 -

En

1 0 1 0 -1

el

En--en/? P

prim

En- -en una


.P

er

Que se puede escribir


trim en notacin matricial como:
Ay = x estre
Ahora si (a + /? )de
= 1, se puede afirmar que el factor determinante
L
de la UN, |j4| , es cero, lo que significa que la matrix no puede ser
invertido. Por lo en
tanto, no hay solucin.
K

(b)

Incluso si (" + /?) * 1 , hay un problema de identificacin. Desde W/P y

R/P son conocidos, pueden ser tratadas como constantes y ser absorbidas en el trmino
constante en A. Como resultado de ello, cualquier combinacin lineal de las ecuaciones
(2) y (3) se distinguen de la ecuacin (1).

(c)
Hay varias posibilidades. Por ejemplo, podramos aadir una
o ms variables exgenas a ecuacin (2) o la ecuacin (3),
asegurndose de que tericamente las variables no aparecen en la
funcin de produccin (1). Por ejemplo, es posible introducir
distribuido de lag mecanismo la productividad marginal en las
relaciones, lo cual puede dar lugar a la inclusin en el ltimo
perodo de capital
En relacin con la productividad marginal del capital.
20.6

(A) El Funcin de demanda es identificado.


(b) La funcin de suministro es overidentified.

194

(c) 2SLS puede ser utilizado para estimar los


parmetros de la funcin de oferta overidentified.
(d) Las funciones son ahora overidentified. Por lo tanto, utilice 2SLS.
20.7

La forma reducida las ecuaciones son:

* I;= o+ * , +v,

0)

C , = X 2 + X 3 I , + W , (2)
Las estimaciones de la reduccin de esas regresiones
formulario basado en los datos son los siguientes:
Y, 1831,8580 + 4,6722 = /,
/ = (7,6427 ). (17,5784 )
(1-a)
R2 = Q. 9 \ 69 \d = 0,3287
C = 1130,843 + 3,2059 /
T = (6,5225 ) (16,6752 )
(2-a)
R2 = 0,9085 ; = 0,3751 El ILS estimaciones
del original ecuaciones estructurales son:
^ = ^ = -= 3,2059
0,6862 4,6722 1 fcx
A = ^ d - A ) = 574,8370 de comparacin, la
regresin por MCO de C Y dio los siguientes
resultados:
C = 0,68891 + -142.1826^
/ = (-5.3883) ( 156,2434 )
R2 = 0.9988; * /= 1,2019 Como se puede ver, las
estimaciones de la propensin marginal a consumir (MPC) de la ILS
estimacin es 0,6862 y estimacin de la operacin es 0,6889 . Esta
diferencia puede no ser estadsticamente significativa, pero en la
prctica lo que podra ser. En el primer caso, el multiplicador, M=
---------- ,Es3,1565 Y En ElSegundo(OSS)CasoQue Es
----- 3,2144 . En
1 -MPC
Cualquier caso, desde la operacin estimaciones en la presencia de
la simultaneidad son parciales, as como contradiccin, no se pueden
conservar en cuenta este hecho en la operacin y comparando el ILS
estimaciones.
Problemas
20.8
(A) El modelo IS-LM de la macroeconoma puede ser usada para
justificar

195

Este modelo.
(b)
Por la condicin de la orden, el tipo de inters no es
identificado, pero la ecuacin de ganancias es identificado.
(c)
En este ejemplo, la variable exgena. Utilizando los datos
que figuran en el cuadro 20.2 , obtenemos los siguientes resultados por ILS:
Y,= 2834,488 +1.2392M,
t = (32,0163 ) (37,3812 )
R2 =0.9803; * / = 0,3074 se deja como
ejercicio para el lector para recuperar el
original coeficientes estructurales, es decir, a0y a,.
20.9

(A) Por la condicin de la orden, el tipo de inters no es


Y en la ecuacin de ganancias es overidentified.
(b) Aqu usted puede usar 2SLS. Usamos M y 7 t-i como instrumentos.
Los resultados de la regresin, sido realizados en Eviews 4, son los
siguientes:
Y = 16977,06 -1627.870/ ?,
T = (3,0842 ) (-2.0350) donde R es el de
seis meses tasa de inters letras del tesoro.
Tenga en cuenta que no hemos presentado el R2 por las razones que
se indican en el captulo.

20.10

Aqu tanto las ecuaciones son exactamente identificado. Uno


puede utilizar ILS o 2SLS para estimar los parmetros, pero que
se darn los mismos resultados por las razones que se indican en
el captulo.
A continuacin, se muestran las estimaciones de la la forma
reducida (RF) ecuaciones. Tenga en cuenta que en la RF, slo las
variables exgenas (/ y M) aparece en el lado derecho de cada
ecuacin.
R = 8,7056 - 0.00049M, -0.00084/ , ., t =
(6,0589 ) (-05192)

(-0.2281)

/E2 = 0,1172 Y = 2421,074 + 0.8944M, +1.4585/,


/ = (32,7247 ) (18,3144 ) (7,6607 ) si2
= 0,9938
Se deja para que el lector pueda recuperar el original parmetros
estructurales de la forma reducida los coeficientes.

196

20.11 (A) ahora las ecuaciones para R e Y no son identificados,


mientras que la ecuacin de la inversin es exactamente
identificado.
(b) En primer lugar, hemos obtenido el RF para la funcin de
inversin. Ya que hay slo una variable exgena,
M, incurrimos en M, que arroja los siguientes resultados:
/ ,= 283,4482 + 0.2364M,
t = (5,6424 ). (12,5681 )
R2= 0,8494
Dejar que el lector para estimar la forma reducida las regresiones
para R y Y y recuperar los coeficientes de la funcin de inversin.
20.12

Si se sigue el procedimiento descrito en el Apndice 20A. 2, usted


debe recibir los errores estndar se muestran en la (20.5.3 ), que se
obtiene directamente de la decisivo paquete 4.

20.13

(A) puesto que la oferta es una funcin del precio en el perodo


anterior, el sistema es recursiva, por lo que no hay simultaneidad
problema aqu.
(b)

Cada ecuacin se puede calcular mediante LA OPERACIN

individual.
(c)

Los resultados de la regresin son los siguientes:


Funcin de demanda:
De = 69,512 + 0,201 + 0,00
^ IX, t = (7,393 ) (1,782 ) (1,586
)

R2= 0,501
Dado que los coeficientes de los dos regresores son individualmente
no estadsticamente significativa, no se puede decir mucho acerca
de esta funcin de demanda. Tenga en cuenta que el precio
coeficiente es positivo, contrariamente a las expectativas previas.
Funcin de la alimentacin
= 66,287 + 0,330 ^ .,
t = (8,288 ) (4,579 )
r2= 0,525

197

Como era de esperar , el coeficiente de la variable de precios


desfasados es positiva. Tambin es estadsticamente significativa.
20.14

Este es un ejercicio de clase.


CAPTULO 21
SERIES DE TIEMPO ECONOMETRA: ALGUNOS CONCEPTOS
BSICOS

21.1

Un proceso estocstico es dbilmente estacionaria si su media y la


varianza son constantes en el tiempo y si el valor de la covarianza
entre dos periodos de tiempo depende nicamente de la distancia o
diferencia entre los dos perodos y no la hora real a la que se calcula
la covarianza.

21.2

Si una serie de tiempo tiene que ser diferenciada d veces antes


de que se quede inmvil, es integrada de orden d , I ( d), en su
forma no diferenciadas pueden, por ejemplo una serie de
tiempo es fluctuantes.

21.3

Dicindolo, el trmino de raz significa que una determinada


serie de tiempo es fluctuantes. Ms tcnicamente, el trmino se
refiere a la raz del polinomio en el lag.

21.4

Tiene que ser diferenciado tres veces.

21.5

El DF es una prueba estadstica que se puede utilizar para determinar


si una serie de tiempo es estacionaria. El ADF es similar al DF
excepto que toma en cuenta la posible correlacin en el trmino de
error.

21.6

El EG y AEG pruebas son procedimientos estadsticos que se


pueden utilizar para determinar si dos series de tiempo estn
cointegrados.

21.7

Dos variables son cointegrados se dice que si hay una relacin


estable a largo plazo entre ellos, aunque individualmente cada una de
las variables es fluctuantes. En ese caso, la regresin de una variable
en el otro no es falsa.

21.8

Las pruebas de la unidad popular se realizan en las distintas


series de tiempo. Cointegracin se refiere a la relacin entre
un grupo de variables, donde (incondicionalmente), cada
uno de ellos tiene una raz unitaria.

21.9

Si una variable es retrocedido fluctuantes en otro fluctuantes


variable(s), la regresin puede pasar el habitual criterios estadsticos
(alto valor R2 t, ratios, etc. ) aunque a priori no podemos esperar una

198

relacin entre los dos. Esto es especialmente cierto si las dos


variables no estn cointegrados. Sin embargo, si las dos variables
estn cointegrados, aunque cada uno de ellos son fluctuantes, la
regresin no puede ser falsa.
21.10 Vase la respuesta a la pregunta anterior.
21.11 La mayora de las series de tiempo econmicas mostrar tendencias.
Si estas tendencias son perfectamente previsibles, que denominamos
determinista. Si no es as, nosotros los llamamos estocstico. Una
serie de tiempo no estacionarias presenta generalmente una
tendencia estocstica.
21.12

Si una serie de tiempo presenta una tendencia determinista, los


residuos de la regresin de series de tiempo sobre la evolucin
variable representa lo que se llama una tendencia de proceso
estacionario. Si una serie de tiempo es fluctuantes, pero se queda
inmvil despus de tomar su primer (o superior) para las diferencias,
nos llaman a este tipo de series de tiempo una diferencia de proceso
estacionario.

21.13

Una caminata aleatoria es un ejemplo de un proceso fluctuantes. Si


una variable sigue un paseo aleatorio, es decir su valor hoy es igual
a su valor en el perodo anterior ms un shock aleatorio (trmino de
error). En tales situaciones, puede que no seamos capaces de prever
el curso de este tipo de variable en el tiempo. Los precios de las
acciones o los tipos de cambio son ejemplos tpicos de la caminata
aleatoria fenmeno.

21.14

Esto es cierto. La prueba est dada en el captulo.

21.15

Cointegracin implica un largo plazo, o de equilibrio, relacin entre


dos (o ms variables). En el corto plazo, sin embargo, puede haber
un desequilibrio entre los dos. El ECM pone las dos variables de
equilibrio de largo plazo.

Problemas
21.16

(A) Los autocorrelogramas de todas estas series de tiempo muy


similar al PIB correlogram dada en la Fig. 21.8 . Todos estos
autocorrelogramas sugieren que estas series de tiempo son
fluctuantes.

21.17

Los resultados de la regresin son los siguientes:


APCE, = 93,392 + 0,799 / - 0.044PC
,_, x = ( 1,678 ) (1,360 ) (-1.376) *

199

R 2 = 0,022
* En trminos absolutos, este tau valor es menor que el valor crtico
tau, lo que sugiere que hay una raz unitaria en el PCE series de
tiempo, es decir, esta serie es fluctuantes.

200

NUMRICA, = 326,633 + 2,875 / 0,0157 PDI,_X t = (2,755 ) (2,531 ) (2.588) *


R2 = 0,076
* Este tau valor no es estadsticamente significativa, lo que sugiere
que la PDI serie de tiempo contiene una unidad raz, es decir, es
fluctuantes.
UN Pr su, = 6,522 + 0,084 - 0,069 Pr su, .,
t

= (2,154 ) (1,142 ) (-1.715) *

R2 = 0,037
*
Este tau valor no es estadsticamente significativa, lo que
sugiere que esta serie tiene una raz unitaria.
Los dividendos, = 0,565 + 0,113 - 0,063
Dividendst_, t= (1,515 )(3,138 )(-2.640) *
R2 = 0,148
*
Este tau valor no es significativo, lo que
sugiere que los dividendos series de tiempo son
fluctuantes.
Por lo tanto, vemos que todas las series de tiempo son
fluctuantes. Los resultados del test de Dickey-Fuller con ninguna
tendencia y no tendencia y no interceptar no altera la conclusin.
21.18 Si el trmino de error del modelo se correlacionaron en serie, ADF es el
Ms apropiado. Las estadsticas de la r el coeficiente que
corresponda de la ADF las regresiones para las tres series son:
PCE
-1.605
Benefici
-2.297
os
Dividendos -3.158 los valores t crticos siguen siendo los

mismos, como en el problema 21,17 . Una vez ms, la conclusin


es la misma, es decir, que las tres series de tiempo son fluctuantes.
21.19 (A) Probablemente s, porque por separado las dos series
de tiempo son fluctuantes.
( >) la regresin por MCO de los dividendos sobre los
beneficios dio los siguientes resultados:
Coeficiente variable Ets. Error t-statistic
C
BENEFICI
OS

-13.3114
0,6281

201

7,3626
0,0526

-1.8079
11,9253

R-squared 0,6231

=0,0712

202

Cuando los residuos de esta regresin fueron sometidos a


pruebas de la raz con una constante, constante, y la constante
y tendencia, los resultados muestran que los residuos fueron
no estacionaria, lo que llev a la conclusin de que los
dividendos y las utilidades no estn cointegrados. Ya que este
es el caso, la conclusin, en (a) permanece encendida .
(c)
No tiene mucho sentido para este ejercicio, ya que no
hay una larga relacin entre los dos.
(d)
Ambos presentan tendencias estocsticas, lo cual est
confirmado por la prueba de la raz de cada serie de tiempo.
(e)
Si los dividendos y las utilidades estn cointegrados,
no importa que es el regressand y que es el regresor. Por
supuesto, en teora podra resolver esta cuestin.
21.20 Los correlogramas de las primeras diferencias del PDI, beneficios
y dividendos, todos muestran diagramas similares a la de la Fig.
21.9 . La primera diferencia en cada una de estas series de tiempo
parado. Esto puede ser confirmado por el test de ADF. El r las
estadsticas para el coeficiente que corresponda de la ADF las
regresiones para las cuatro series de tiempo son:
PCE
-4.852
PDI
-6.856
Benefici
-5.517
Dividendos -6.305 todos estos valores de r , en trminos
os

absolutos, superar la crtica valores de r , lo que confirma que las


primeras diferencias de las series de tiempo son en realidad
inmvil.
21.21 En teora no debera haber una interseccin en el modelo. Pero si
hay una tendencia en el modelo original, a continuacin, una
interseccin podra incluirse en la regresin y el coeficiente de que
interceptan trmino indicar el coeficiente de la tendencia variable.
Por supuesto, esto supone que la tendencia no es determinista y
estocstico.
Para ver esto, ahi los dividendos sobre los beneficios y la
tendencia variable, que dio los siguientes resultados:
Variable dependiente: dividendo
Coeficiente variable Ets. Error t-statistic

203

C
11,8978
BENEFICI 0.1096
OS
1,6472
Tendencia

2,3538
0,02939
0,0554

204

5,05457
-3.7293
29,7008

R-squared 0,9668
Pero hay que tener cuidado de esta regresin porque esta regresin se
supone que hay una tendencia determinista. Pero sabemos que el
dividendo series de tiempo tiene una tendencia estocstica.
Ahora retrocesos las primeras diferencias de los dividendos de las
primeras diferencias de los beneficios y la interseccin, se obtiene el
siguiente resultado:
Coeficiente variable Ets. Error t-statistic
C
Las
utilidades

1,3502
-0.0238

0,1953
0,02080

6,9112
-1.1470

R-squared 0,0152
En esta regresin la interseccin es importante, pero no el
coeficiente pendiente. La interseccin de 1,3502 valor en teora es
igual al coeficiente de la variable tendencia en la ecuacin anterior;
los dos valores no son idnticos porque de los errores de redondeo,
as como el hecho de que la tendencia de los dividendos serie no es
determinista.
Este ejercicio muestra que hay que ser muy cuidadoso en particular
la tendencia variable en una serie de tiempo regresin a menos que
uno est seguro de que la tendencia es en realidad deterministas.
Por supuesto, uno puede usar el DF y ADF pruebas para determinar
si la tendencia es estocstico o determinista.
21.22

La primera diferencia de regresin en el ejercicio anterior,


podemos obtener los residuos de esta regresin (u), y los someten a
pruebas de raz. Hemos retrocedido Aw, en su propia zaga valor sin
interceptar, con interceptar y con intercepto y tendencia. En cada
caso, la hiptesis nula es que estos residuos son fluctuantes, es
decir, contienen una prueba de la raz. El Dickey-Fuller r los
valores de las tres opciones fueron -3,9592 , -3,9367 y 3,9726 . En
cada caso la hiptesis fue rechazada en 5% o mejor nivel (es decir,
valor de p inferior a 5%). En otras palabras, aunque los dividendos
y las utilidades no eran cointegrados, fueron cointegrados en la
primera diferencia.

21.23

(A) Dado que |r| es menor que la crtica |r| valor, parece que
el alojamiento inicio series de tiempo son fluctuantes. Por lo
tanto, hay una raz unitaria en esta serie.

205

( >) Normalmente, una absoluta del valor de t en la medida de lo


2.35 o mayor sera significativo al nivel del 5 por ciento. Pero a
causa de la unidad

206

Situacin raz, el verdadero | /| valor aqu es de 2,95 y 2,35 no . Este


Ejemplo nos muestra por qu uno tiene que ser cuidadoso en el uso
de la estadstica t indiscriminadamente.
(c) Desde el |r| de AA" , ., es mucho mayor que el correspondiente
Valor crtico, la conclusin es que no existe una segunda unidad en la
caja raz inicio series de tiempo.
21.24 Esto se deja para el lector.
21.25 (A) (b)

X
Y presenta una tendencia lineal, mientras que X representa
una tendencia cuadr ica.
Aqu est el grfico de la real y equipado Y valores:

Real Residual equipado


Habida cuenta de los resultados de la regresin se podra pensar que
esto es un "buen" regresin en que tiene un alto R2 y t relaciones
significativas. Pero es una relacin totalmente espurios, porque
estamos retrocediendo una tendencia lineal variable (7) en una
variable con tendencias quadratically (X). que algo no est bien con
este modelo se puede extraer de la muy baja Durbin-Watson valor
d.
El punto de este ejercicio es que nos advierten contra la lectura

207

demasiado en los resultados de la regresin de dos variables con


tendencia determinista tiempo caminos divergentes.
21.26

(A) Regresin (1) muestra que la elasticidad de Ml con respecto al


PIB es de aproximadamente 1,60 , lo que me parece
estadsticamente significativa, como el valor de este coeficiente es
muy alta. Pero mirando el valor d, tenemos la sospecha de que no
hay correlacin en el trmino de error o que esta regresin es falsa.
(b)
En la primera forma, an hay relacin positiva entre las dos
variables, pero ahora la elasticidad coeficiente ha disminuido
drsticamente. S, d valores podra sugerir que no hay correlacin
serial problema ahora. Pero la importante cada
El coeficiente de elasticidad sugiere que el problema aqu puede ser
uno de falta de cointegracin entre ambas variables.
(c)
Y (d) de la regresin (3) parece que las dos variables estn
cointegrados, del 5% valor crtico -1.9495 es tau y el valor estimado es ms
negativo que esto. Sin embargo, el 1% valor crtico tau es de -2,6227 , lo que sugiere que
las dos variables no estn cointegrados. Si permitimos que para interceptar y interceptar
y tendencia en la ecuacin (3), entonces el DF para mostrar que las dos variables no
estn cointegrados.

(e) Ecuacin (2) da el corto plazo relacin entre los registros de


dinero y en el PIB. La ecuacin dada aqu tiene en cuenta el
mecanismo de correccin de errores (ECM), que intenta restablecer
el equilibrio en el caso de que los dos variables desve de su larga
trayectoria. Sin embargo, el trmino de error en esta regresin no es
estadsticamente significativa al nivel del 5 por ciento.
Ya que, como se expone en los apartados c) y d) anteriores, los
resultados de los tests de cointegracin son ms bien mezclado, es
difcil decir si los resultados de la regresin presentado en (1) son
falsas o no.
21.27

(A) y ( b) El tiempo del IPC grfico muy parecida a Fig. 21,12 .


Este grfico muestra claramente que en general hay una tendencia
al alza en el IPC. Por lo tanto, regresin (1) y (2) no son dignas de
consideracin. Tenga en cuenta que el coeficiente de los datos del
IPC es positivo en tanto facilita. De la estacionalidad, que
requieren de este valor a ser negativo.

Por lo tanto, el ms significativo es regresin ecuacin (3).


La DF de la raz las pruebas sugieren que la serie de tiempo es IPC
Tendencia estacionaria. Es decir, los valores del IPC en torno a su
valor de tendencia
(Lo cual es estadsticamente significativo) estn fijas.
(c) Desde Ecuacin (1) omite dos variables, tenemos que utilizar la

208

prueba F
Utilizando el 2 versin de la prueba F, el 2 valor de regresin (1) es
0,0304 , que es el limite 2. El 2 valor de regresin (3), que es 0,4483
, es el irrestricto 2. De ah el valor F es:
(0,44 " 3 -0.0304) /2 ( 1 - 0,4483 ) /37
Refirindose a la DF F valores dados en la Tabla D. 7 en App. D, se puede
ver que el valor F observado es altamente significativa (Nota: La tabla no
da el valor F de 40 observaciones, pero mentalmente la interpolacin de la
dado F, se puede llegar a esta conclusin. ). Por lo tanto, la conclusin es
que las restricciones impuestas por regresin
(1) Son vlidos. Ms positivamente, es un retroceso (3) que parece vlido.
CAPTULO 22 SERIES DE
TIEMPO ECONOMETRA: LA PREVISIN

22.1

Como se discuti en segundos. 22.1 , En lneas generales, existen


cinco mtodos de previsin econmica: (1) suavizamiento
exponencial, (2) una ecuacin de regresin, (3) modelos de
ecuaciones simultneas, (4) ARIMA y (5) VAR.

22.2

Ecuaciones simultneas (SE) las previsiones econmicas se basa en


un sistema de ecuaciones (compuesto de por lo menos dos variables
pero generalmente muchas ms) que explican algunos fenmenos
econmicos sobre la base de una teora econmica. El B-J mtodo
se basa en el anlisis de la estocstica propiedades de una sola vez.
A diferencia SE prev que se basa en k regresores, B-J anlisis se
basa en las anteriores (retrasado) los valores de la variable en
estudio. B-J anlisis es a menudo descrito como una terica ya que
no deriva de una teora econmica.

22.3

Los principales pasos en el B-J metodologa son: (1) identificacin


(2) estimacin, (3) control de diagnstico, y (4) las previsiones.

22.4

Desde el B-J mtodo asume explcitamente que las series de


tiempo son estacionarias, si se aplica a tiempo fluctuantes series, los
resultados pueden ser totalmente fiables. Pensar en un paseo
aleatorio pronstico variable!

22.5

El B-J enfoque de pronstico se basa en el anlisis de la


probabilstica propiedades de un solo series de tiempo sin depender
de ninguna teora econmica subyacente. El VAR enfoque se basa
en un sistema simultneo en que todas las variables se consideran
endgenos. En VAR, la elaboracin de modelos del valor de una
variable se expresa como una funcin lineal de la zaga los valores
de la variable y que el resto de las variables incluidas en el modelo.

22.6

Se trata de una terica ya que utiliza menos informacin previa de

209

un modelo. En modelos, la inclusin o exclusin de determinadas


variables desempea un papel crucial en la identificacin del
modelo.
22.7

Tal y como hemos comentado en el ejercicio 22.1 , hay cinco


mtodos de previsin. Cada mtodo tiene sus fortalezas y
debilidades. No hay un mtodo que se adapte a todas las
situaciones.

22.8

Deseamos que los gal lo suficientemente largo como para captar


plenamente la dinmica del sistema que se modela. Por otro lado,
cuanto ms largo sea el lag, cuanto mayor sea el nmero de
parmetros que deben ser estimadas y, por tanto, menos los grados
de libertad. Por lo tanto, hay un trade-off entre tener suficiente
nmero de rezagos y tener suficientes grados de libertad. Esta es la
debilidad de VAR. Por supuesto, uno podra utilizar informacin
Akaike y Schwarz criterio para elegir la longitud del rezago.

22.9

Ver las respuestas a los ejercicios 22,2 y 22,6 .

22.10 Desde el punto de vista operacional, los dos procedimientos son


similares. La diferencia estriba en el propsito de la investigacin.
En causalidad de Granger nuestro objetivo es poner a prueba la
existencia de una relacin causal entre dos o ms variables. En el
VAR nuestro principal objetivo es el de desarrollar un modelo
principalmente para fines de pronstico. Tenga en cuenta que a
menos que las variables son estacionarias o cointegrados, uno no
debe utilizar estos procedimientos.
Problemas
22.11 Los pasos que se siguen son los siguientes:
(1)
Analizar la serie de estacionariedad. Ya hemos visto que la
PDI serie es fluctuantes, pero sus primeras diferencias son
estacionarias.
(2)
Examinar la funcin de autocorrelacin (ACF) y la funcin
de autocorrelacin parcial (PACF) de la primera serie ENTREGA
diferenciada para decidir qu ARMA modelo puede ser apropiado.
Tenga en cuenta que el PDI serie ya est en primera diferenciada.
(3)
Haber elegido un modelo apropiado ARMA, la siguiente
tarea consiste en estimar y examinar los restos del modelo estimado.
Si estos residuos son ruido blanco, no hay ninguna necesidad de
afinar ms el modelo. Pero si no lo son, tendremos que iniciar la
bsqueda, o iterativo, el procedimiento una vez ms.
Un examen de la ACF y PACF funciones no presenta ninguna pauta

210

clara. La punta de lag 5 parece un poco pronunciada, ya que se


encuentra muy cerca de la parte superior 95% limt. Como un juicio,
entonces, se podra montar un autoregessive modelo utilizando la
interseccin y cinco grupos de accin local.
Sin embargo, no hay necesidad de introducir todos los cinco
rezagos, como correlaciones de lag 4 son muy pequeas. Por lo
tanto, slo introducir el intercepto y la quinta lag como los
regresores. Los resultados de la regresin fueron de la siguiente
manera:

211

PDI] = 22,2768 -0.2423PD/ ;_5


t = (5,9678 ) (-2.1963)
R2 =0.0568; * / = 2,11
PDf donde representa las primeras diferencias del PDI.
Los residuos de esta regresin parece ser ruido blanco, lo que
sugiere que no hay necesidad de perfeccionar el modelo.
Por supuesto, usted puede aadir un MA componente para el
modelo y tratar de volver a estimar el modelo. Dejamos como
ejercicio.
22.12 Siga Ejercicio 22,11 y pruebe el modelo ARIMA (0,1,14 ).
22.13 Siga Ejercicio 22,11 y pruebe el modelo ARIMA (8,1,8 ).
22.14 Siga Ejercicio 22,11 y pruebe el modelo ARIMA (2,1,0 ).
22.15 Segn el criterio Schwarz, elija el modelo
Que tiene el valor ms bajo de Schwarz estadstica. Lo mismo se
aplica igualmente a los (rival) Akaike criterio. As, en la
comparacin de un modelo VAR con 8 lag contra un modelo VAR
con 10 retrasos, elija el modelo que tiene el valor ms bajo de
Schwarz estadstica.
22.16 Sobre la base de los Schwarz criterio, se determin que un modelo
VAR con 2 rezagos de PDI y PCE podra bastar.
Los resultados de la regresin son los siguientes:
PDI

Variable dependiente: " PCE


Las variables explicativas
X
Interceptar

14,655
(0,878 )
PCEt.i
1,106
(8,756 )
PCEt-2
-0.102
(0.707), PDIt-i0,069
(0,806 )
PDIt.2
; -0,072
(-0.877)

R2
0,998
0,998
Nota: Las cifras entre parntesis son
los t ratios.

212

60,944
(2,582 )

0,623
(3,489 )
-0.400
(A
2.120 )
0,682
(5,630 )
0,099
(0,850 )
0,997

Basndose en este modelo, los valores reales y de los dos

213

Las variables de 1991:1 a 1991:4 son los siguientes:

Trimestre actual PCEPCE ENTREGA Real Previsin


PDI Previsin
1991:1 3241,1
3262,062
3514,8
3532,343
1991:2 3252,4
3277,870
3537,4
3550,343
1991:3 3271,2
3295,359
3539,9
3569,230
1991:4 3271,1
3313,034
3547,5
3588,260
22.17

Lo dejamos para el lector para llevar a cabo los pasos con


un desfase de 3.

22.18

Vase, por ejemplo, decisivo 4 para una discusin de la respuesta


al impulso anlisis, as como los pasos involucrados.

22.19

Vase la respuesta al ejercicio 22,18 .

22.20 A pesar de que el modelo no era especficamente para probar causalidad,


podemos
Hacerse una idea de la estadstica F. En el caso de la variable x,
slo a sus propios valores desfasados son significativos. Para la
variable y, parece que, aparte de su propios valores desfasados, la
zaga los valores de x son tambin importantes. Tal vez haya alguna
causalidad de x a y. Para la variable z, parece que adems de sus
propias valores desfasados, la zaga los valores de y son tambin
importantes. Esto sugiere que hay una cierta causalidad de y a z.
22.21

Para la aplicacin de la metodologa VAR todas las variables en el


modelo debe ser (conjuntamente estacionarios). Tal vez en el nivel
de los autores encontraron que todas las tres variables son no
estacionarias. Teniendo variaciones porcentuales es una manera de
lograr la estacionalidad.

22.22

En el formulario, Ml fluctuantes sobre la base de la DF prueba en


sus diversas formas. Lo mismo es cierto acerca de R.
A ver si stos estn integrados, se realiz una regresin Ml en R y
obtuvo los siguientes resultados:
Ml = 36622,11 -744.4635J?,
t = (19,2627 ) (-4.7581)
R2 = 0.3997; * / = 0,2346 Los residuos de esta
regresin fueron sometidos a anlisis de la raz. Aplicacin del DF
las pruebas en diversas formas, se comprob que

214

Las dos series de tiempo no son cointegrados.


22.23 Los resultados de la regresin son los
siguientes:

Coeficiente variable Ets. Error t-statistic


-7.8618
1,2807
1,4254
0,0962
C
-0.0780
0,0302
LOG(PIB)
LOG(R)

-6.1385
14,8173
-2.5822

R-squared Durbin-Watson 0,9316 d 0,3476

Ya que se trata de una doble sesin modelo, la pendiente los


coeficientes representan (parcial) elasticidad cruzada de la
demanda. Aqu la elasticidad ingreso es 1,4254 y la tasa de inters
elasticidad es de -0,0780 , y ambos son estadsticamente
significativos. Pero tenga en cuenta que el bajo valor DurbinWatson sugiere la posibilidad de correlacin serial, que pueden
plantear dudas sobre la calcula los valores de t .
(b) A ver si el arco efecto est presente, hemos obtenido los
residuos ( " ,) de la regresin en (a) y obtuvo los siguientes ARCO
(1) regresin:
W,2 = 0,00064 + 0.3442m,1, t =
(3,1173 ) (2,9206 ).
R2 = 0,2054 ; = 2.11
Hemos probado un arco (2) modelo, pero los resultados no fueron
significativos.
Parece, entonces, que hay algn efecto ARCO en el presente
ejemplo.
22.24 El modelo es la versin restringida del modelo
Dada en la ecuacin (22.11.4 ). Por lo tanto, podemos usar
la prueba F del captulo 8. La libre R2 aqu es 0,2153 y el R2
es 0,1397 . De ah el valor F es:
F_ (0,2153 -0.1397)72_31g

(1 -0.2153)7 (649-4)
Este F valor es altamente significativa, lo que sugiere que se debe
elegir el modelo que figura en Eq. (22.11.4 ) sobre que en el
presente ejercicio.

215