Material1 Problemas11-12

Material Docente de
Econometra
Curso 2011-2012. Primera parte
Problemas y cuestiones
Cuarto curso de Economa

Cuarto curso de Administracin y Direccin de Empresas
Cuarto curso de Derecho y A.D.E
Profesores:
Jess Cavero lvarez
Helena Corrales Herrero
Yolanda Gonzlez Gonzlez
Carmen Lorenzo Lago
Mercedes Prieto Alaiz
Pilar Zarzosa Espina
Econometra Curso 2011-12
PRCTICA 1: Dados los siguientes datos correspondientes a las variables Y (beneficio empresarial en
millones de euros) y X (gasto en publicidad, en miles de euros):
X 1 2 3 4 5
Y 2 2 5 6 8
Se pide:
a) Trazar un diagrama de dispersin para los datos de la tabla y determinar a la vista del mismo si
existe una relacin lineal aproximada.
b) Expresar la relacin que intente explicar el beneficio empresarial en funcin del gasto en publicidad
mediante una forma lineal exacta y forma estocstica.
c) Enumerar las hiptesis del modelo de regresin lineal clsico de dos variables y dar una explicacin
intuitiva de su significado.
d) Comentar:
la diferencia entre parmetros y estimadores.
la diferencia entre perturbacin y residuo.
e) Obtener los estimadores por MCO de los parmetros en notacin matricial y escalar, as como los
estimadores de sus varianzas. Analizar su precisin e interpretar su significado.
f) Analizar la bondad del ajuste. Calcular la suma de los residuos y ver si la suma de las observaciones
de la variable endgena es igual a la suma de las observaciones de la variable endgena estimada.
1
PRCTICA 2: Dado el siguiente modelo de regresin lineal clsico:
Yt = 0 + 1 X 1t + 2 X 2t + t
y disponiendo de las siguientes observaciones:
Yt X1t X2t
40 100 10
45 200 25
50 300 30
65 400 35
70 500 50
donde:
Yt= consumo per cpita en el ao t.
X1t= renta disponible per cpita en el ao t.
X2t= precios en el ao t.
a) Realiza la estimacin del modelo por MCO. Calcula la matriz de varianzas y covarianzas de los
estimadores, el coeficiente de determinacin, los valores de la variable endgena ajustada y los
residuos.
b) Comprueba qu sucede con los estimadores si al realizar el apartado anterior se supone que el
modelo no tiene trmino independiente.
Yt=270 X1t2=550.000 X1tYt=89.000

X1t=1.500 X2t2=5.350 X2tYt=8.800
X2t=150 X1t X2t=54.000 Yt2=15.250
Descriptivos
Y X1 X2
Mean 54.00000 300.0000 30.00000
Median 50.00000 300.0000 30.00000
Maximum 70.00000 500.0000 50.00000
Minimum 40.00000 100.0000 10.00000
Std. Dev. 12.94218 158.1139 14.57738
Skewness 0.243688 1.41E-16 0.000000
Kurtosis 1.396859 1.700000 2.223183
Jarque-Bera 0.584916 0.352083 0.125718

Probability 0.746427 0.838583 0.939076
Sum 270.0000 1500.000 150.0000

Sum Sq. Dev. 670.0000 100000.0 850.0000
Observations 5 5 5
2
Matriz de covarianzas
Y X1 X2
Y 134.0000 1600.000 140.0000
X1 1600.000 20000.00 1800.000
X2 140.0000 1800.000 170.0000
Matriz de correlaciones
Y X1 X2
Y 1.000000 0.977356 0.927580
X1 0.977356 1.000000 0.976187
X2 0.927580 0.976187 1.000000
Estimacin con trmino constante
Dependent Variable: Y
Method: Least Squares
Date: 10/09/09 Time: 12:34
Sample: 1 5
Included observations: 5
Variable Coefficient Std. Error t-Statistic Prob.
C 31.50000 3.640055 8.653716 0.0131

X1 0.125000 0.046098 2.711631 0.1133
X2 -0.500000 0.500000 -1.000000 0.4226
R-squared 0.970149 Mean dependent var 54.00000

Adjusted R-squared 0.940299 S.D. dependent var 12.94218
S.E. of regression 3.162278 Akaike info criterion 5.424171
Sum squared resid 20.00000 Schwarz criterion 5.189834
Log likelihood -10.56043 F-statistic 32.50000
Durbin-Watson stat 2.500000 Prob(F-statistic) 0.029851
Estimacin sin trmino constante
Date: 10/09/09 Time: 12:37
Sample: 1 5
X1 0.035849 0.227467 0.157601 0.8848

X2 1.283019 2.306342 0.556300 0.6168
R-squared -0.147564 Mean dependent var 54.00000

Adjusted R-squared -0.530085 S.D. dependent var 12.94218
Log likelihood -19.68340 Durbin-Watson stat 0.892001
3
PRCTICA 3: Dado el siguiente modelo de regresin lineal clsico:
Yt = 0 + 1 X 1t + 2 X 2 t + t
y disponiendo de las siguientes observaciones:
Yt X1t X2t
3 1 8
2 2 14
4 2 10
5 3 9
5 4 7
7 5 6
6 5 8
8 9 4
8 9 3
12 15 1
1) Realiza la estimacin del modelo por MCO. Calcula la matriz de varianzas y covarianzas de los
estimadores, los coeficientes de variacin, el coeficiente de determinacin, los valores de la
variable endgena ajustada y los residuos.
2) Comprueba qu sucede con los estimadores si al realizar el apartado anterior se supone que el
modelo no tiene trmino independiente.
Solucin apartado 1):
Yt = 5,41176 + 0,44706 X 1t 0,26723 X 2t

(1,3843) (0,104) (0,1203) R2=0,9576
4
PRCTICA 4: La compaa petrolfera Campsol desea elaborar un modelo de regresin lineal para
explicar las ventas totales de gasolina en una gasolinera (G) en funcin de la renta total de su rea (Y),
un ndice de precios de gasolina (P), el nmero total de vehculos matriculados en su rea (M) y un
ndice de cubitaje de los automviles de su rea (CU). Para ello dispone de los datos trimestrales
observados durante el perodo 1980-1985 que se presentan en la tabla siguiente:
obs G Y M CU P
1980:1 61.26 738.4 68.56 1.93 2.73
1980:2 73.41 737.7 68.86 1.87 1.76
1980:3 75.09 732.1 68.96 1.77 1.76
1980:4 70.75 737.7 68.88 1.82 2.02
1981:1 70.39 750.1 69.22 1.69 2.06
1981:2 73.82 759.6 69.54 1.84 1.9
1981:3 74.45 779 69.65 1.7 2.02
1981:4 67.46 789.2 70.23 1.73 2.41
1982:1 67.76 798.4 70.48 1.73 2.55
1982:2 65.47 805.5 70.62 1.7 2.73
1982:3 66.8 808 71.08 1.61 2.56
1982:4 65.12 815 71.41 1.49 2.88
1983:1 67.09 826.7 71.46 1.29 2.81
1983:2 64.03 839.7 71.66 1.17 3.05
1983:3 63.14 848.6 72.17 1 3.26
1983:4 63.15 864.2 72.36 0.92 3.49
1984:1 64.81 873.7 72.57 0.81 3.35
1984:2 64.68 880.9 72.97 0.77 3.35
1984:3 64.58 886.7 73.16 0.67 3.53
1984:4 64.18 906.7 73.77 0.62 3.67
1985:1 64.12 919.7 74.13 0.56 3.82
1985:2 64.37 934 74.56 0.51 3.79
1985:3 65.38 956.7 74.96 0.46 3.91
1985:4 62.74 975.4 75.71 0.44 4.42
Datos obtenidos de Prez Amaral T. y otros (1993) Ejercicios de Econometra Empresarial. McGraw-Hill
a) Estima el modelo por MCO, analiza los coeficientes y la bondad del ajuste.
b) Con objeto de determinar qu variables son las que tienen un mayor peso sobre las ventas de
gasolina, estima el modelo tipificando previamente todas las variables.
5
Apartado a)
Dependent Variable: G
Sample: 1980:1 1985:4
Y 0.079148 0.047316 1.672759 0.1108
M -0.301098 1.561042 -0.192883 0.8491
CU -3.109792 1.873974 -1.659464 0.1134
P -12.97219 1.201430 -10.79729 0.0000
C 64.18289 77.28260 0.830496 0.4166
80
75
70
65
3 60
2 55
1
0
-1
-2
1980 1981 1982 1983 1984 1985
Residual Actual Fitted
Apartado b)
Para generar las variables tipificadas se resta su media y se divide por su desviacin tpica.
Por ejemplo, para tipificar G: Genr gtip=(g-@mean(g))/@sqr(@var(g))
Dependent Variable: GTIP

Sample: 1980Q1 1985Q4
YTIP 1.446475 0.864724 1.672759 0.1108
MTIP -0.158801 0.823301 -0.192883 0.8491
CUTIP -0.416837 0.251188 -1.659464 0.1134
PTIP -2.450351 0.226941 -10.79729 0.0000
C -2.05E-15 0.064198 -3.20E-14 1.0000
R-squared 0.921694 Mean dependent var -1.77E-15
6
PRCTICA 5: Se dispone de datos sobre las variables gasto sanitario (GSAN) y gasto farmacutico
(GFAR), ambas medidas en miles de euros, as como del nmero de estancias ocurridas en centros
hospitalarios (ESTANCIAS) y de la poblacin mayor de 64 aos (MAYOR64) de la Comunidad
Autnoma de Madrid, estas dos ltimas medidas en miles de unidades, para los aos 1986 a 1995.
AOS GSAN GFAR ESTANCIAS MAYOR64

1986 666,59618 536,544048 4885,835 538,252
1987 723,11882 609,769824 5011,827 552,638
1988 789,92988 659,411946 5154,194 567,167
1989 858,688874 740,992776 5025,182 582,607
1990 944,680256 697,03805 4877,512 601,511
1991 1025,89471 751,853593 4706,299 625,302
1992 1116,72507 814,775348 4771,718 651,414
1993 1245,88372 932,984752 4659,465 678,986
1994 1260,27687 927,323952 4515,451 707,875
1995 1517,97026 907,248416 5463,543 732,66
Datos obtenidos de: Carrascal U. y otros (2001) Anlisis Economtrico con Ewiews. RA-MA
1) Realiza la estimacin de MCO que intenta explicar el gasto sanitario en funcin del gasto
farmacutico, el nmero de estancias en centros hospitalarias y la poblacin mayor de 64 aos.
Analiza sus resultados.
2) Realiza los siguientes contrastes:
a) Contrasta la significacin individual de todos los regresores.
b) Contrasta la significacin de la regresin.
c) Contrasta la significacin conjunta de los gastos farmacuticos y mayores de 64 aos.
d) Contrasta si es posible que el efecto del gasto farmacutico sobre el gasto sanitario sea
igual a 0.5 y el efecto de la poblacin mayor de 64 igual a 4.
e) Se puede aceptar que si el gasto en farmacia aumentara en 1000 , el gasto sanitario
se incrementara el doble?
f) Se puede aceptar que el efecto que tiene sobre el gasto sanitario el nmero de
estancias en centros sanitarios es el mismo, que el que tiene la poblacin mayor de 64
aos?
g) Se puede aceptar que si el gasto en farmacia aumenta en 2000 el gasto sanitario
aumentara en 3000 y a la vez el nmero de estancias no es significativo?
h) Se puede aceptar que si aumenta en 2 mil unidades las estancias y disminuye en 10
personas la poblacin mayor de 64 aos, el gasto sanitario disminuira en 100 y
conjuntamente, el gasto farmacutico sera no significativo?
7
Apartados 1 y 2.a) y 2.b)

Dependent Variable: GSAN
Date: 09/30/09 Time: 11:01
Sample: 1986 1995
GFAR 0.068178 0.268874 0.253570 0.8083
ESTANCIAS 0.111178 0.041898 2.653513 0.0379
MAYOR64 3.910869 0.540548 7.235013 0.0004
C -2022.009 222.7138 -9.078960 0.0001
1600
1400
1200
1000
800
40
600
20
0
-20
-40
-60
86 87 88 89 90 91 92 93 94 95
Apartado 2.c)
Modelo restringido:
Date: 09/30/09 Time: 11:01
Sample: 1986 1995
ESTANCIAS 0.023166 0.351672 0.065875 0.9491
C 901.2963 1728.089 0.521557 0.6161
Adjusted R-squared -0.124390 S.D. dependent var 271.5241
Wald Test:
Equation: EQ01
Test Statistic Value df Probability
F-statistic 334.6215 (2, 6) 0.0000

Chi-square 669.2431 2 0.0000
8
Apartado 2.d) Modelo restringido donde: GSAND=GSAN-0.5*GFAR-4*Mayor64

Dependent Variable: GSAND
Sample: 1986 1995
ESTANCIAS 0.157111 0.089014 1.765012 0.1156
C -2630.244 437.4081 -6.013249 0.0003
R-squared 0.280269 Mean dependent var -1859.285
Wald Test:
Equation: EQ01
F-statistic 18.63075 (2, 6) 0.0027

Chi-square 37.26149 2 0.0000
Apartado 2.e)
Wald Test:
Equation: EQ01
F-statistic 51.62236 (1, 6) 0.0004

Chi-square 51.62236 1 0.0000
Apartado 2.f)
Wald Test:
Equation: EQ01
F-statistic 46.53624 (1, 6) 0.0005

Chi-square 46.53624 1 0.0000

Sample: 1986 1995
GFAR 1.827285 0.208591 8.760133 0.0001
ESTANCIAS+MAYOR64 0.232483 0.103932 2.236866 0.0604
C -1655.578 592.1254 -2.795991 0.0267
9
Apartado 2.g)
Wald Test:
Equation: EQ01
F-statistic 27.76543 (2, 6) 0.0009

Chi-square 55.53087 2 0.0000
(GSAN-1-5* GFAR) = C + C(3)*MAYOR64

Dependent Variable: GSAN-1.5*GFAR
Date: 11/10/09 Time: 16:48
Sample: 1986 1995
MAYOR64 1.086540 0.431804 2.516278 0.0360
C -799.5434 270.7759 -2.952787 0.0183
Apartado 2.h)
Wald Test:
Equation: EQ01
F-statistic 6.385194 (2, 6) 0.0327

Chi-square 12.77039 2 0.0017
(GSAN - 10* MAYOR64)= C + C(2)*(ESTANCIAS + 200*MAYOR64)

Dependent Variable: GSAN-10*MAYOR64
Date: 11/10/09 Time: 16:52
Sample: 1986 1995
ESTANCIAS+200*MA -0.029968 0.001194 -25.09310 0.0000
YOR64
C -1337.328 155.6097 -8.594117 0.0000
10
PRCTICA 6: Se desea conocer el grado de relacin existente entre los gastos de alimentacin
mensual de las familias y sus ingresos mensuales y tamao. Para ello se selecciona una muestra al azar
de 15 familias obtenindose los datos recogidos en la siguiente tabla y donde las variables GASTOS e
INGRESOS vienen medidas en euros y TAM en nmero de miembros de la familia:
GASTOS INGRESOS TAM

1 259 1.265 3
2 187 663 4
3 193 542 5
4 277 964 4
5 753 3.735 4
6 265 1.386 3
7 313 1.084 6
8 175 602 5
9 777 5.361 3
210 211 1.446 2
11 211 723 4
12 470 2.831 3
13 259 2.108 2
14 283 1.747 3
15 229 843 4
Datos extrados de Hernndez, J. Ejercicios de Econometra. Ed. ESIC.
a) Estima el modelo que explica el comportamiento de los gastos mensuales en alimentacin de

las familias en funcin de sus ingresos y de su tamao. Analiza la bondad del ajuste realizado e
interpreta el significado econmico de los coeficientes estimados.
b) Crees que las variables seleccionadas son conjuntamente significativas para explicar el
comportamiento de los gastos de alimentacin? Y de forma individual?
c) Contrasta el conjunto de restricciones: 1 = 0,2 y 2 = 40.
d) Se puede aceptar que si el ingreso familiar aumentara en 30 euros, el gasto en alimentacin se
incrementara en 4 euros?
e) Es acertado pensar que el efecto del tamao familiar sobre el gasto alimenticio es 300 veces el
de los ingresos?
f) Podramos considerar que si los ingresos aumentan en 15 euros el gasto aumenta en 3 euros y
si conjuntamente aumentan en 2 los miembros de la familia y disminuye en 30 euros los
ingresos mensuales, el gasto en alimentacin permanece estable?
11
Apartado a)
Dependent Variable: GASTOS

Date: 10/08/09 Time: 20:19
Sample: 1 15
C -96.57616 54.41228 -1.774896 0.1013

INGRESOS 0.148697 0.009965 14.92243 0.0000
TAM 46.33852 12.10368 3.828466 0.0024

1000
800
600
400
120 200
80 0
40
-40
-80
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Apartado c)
Wald Test:
Equation: EQ01
F-statistic 16.80731 (2, 12) 0.0003

Chi-square 33.61463 2 0.0000
12
Apartado d)
Wald Test:
Equation: EQ01
F-statistic 2.377078 (1, 12) 0.1491

Chi-square 2.377078 1 0.1231
Si queremos hacer el contraste a mano el modelo restringido es el siguiente:
Dependent Variable: GASTOST

Date: 10/15/09 Time: 13:27
Sample: 1 15
C -44.80672 45.03453 -0.994941 0.3379

TAM 39.28821 11.78608 3.333443 0.0054

donde GASTOST=GASTOS-0,13333*INGRESOS
La regresin anterior se puede hacer sin generar previamente la variable GASTOST:
Dependent Variable: GASTOS-0.13333*INGRESOS

Date: 10/08/09 Time: 20:15
Sample: 1 15
C -44.80672 45.03453 -0.994941 0.3379

TAM 39.28821 11.78608 3.333443 0.0054

13
Apartado e)
Wald Test:
Equation: EQ01
F-statistic 0.023351 (1, 12) 0.8811

Chi-square 0.023351 1 0.8785
Apartado f)
Wald Test:
Equation: EQ01
F-statistic 31.05879 (2, 12) 0.0000

Chi-square 62.11759 2 0.0000
14
PRCTICA 7: Una empresa desea predecir el coste unitario de fabricacin de uno de sus productos
(Y) como una funcin de la tasa de produccin (X1) y de los costes de material y mano de obra (X2).
La tasa de produccin se midi como un porcentaje de la capacidad total de produccin, y se utiliz un
ndice apropiado para reflejar los costes de material y de mano de obra.
Los datos, de las variables mencionadas, que se adjuntan a continuacin se recogieron durante un
periodo continuado de 22 meses comprendido entre enero de 2000 y octubre de 2001.
Periodo Y X1 X2
01:00 13.59 87 80
02:00 15.71 78 95
03:00 15.97 81 106
04:00 20.21 65 115
05:00 24.64 51 128
06:00 21.25 62 128
07:00 18.94 70 115
08:00 14.85 91 92
09:00 15.18 94 93
10:00 16.3 100 111
11:00 15.93 102 116
12:00 16.45 82 117
01:01 19.02 74 127
02:01 18.16 85 133
03:01 18.57 86 135
04:01 17.01 90 136
05:01 18.03 93 140
06:01 19.22 81 142
07:01 21.12 72 148
08:01 23.32 60 150
09:01 22.56 69 147
10:01 23.9 71 149
Datos extrados y adaptados de Hernndez, J. Ejercicios de Econometra. Ed. ESIC.
El modelo que propone es el que recoge una relacin lineal entre las variables disponibles segn la
siguiente especificacin:
Yt = 0 + 1 X1t + 2 X2t + t
a) Estimar el modelo y comentar los resultados.

b) Para analizar la capacidad predictiva del modelo se ha vuelto a estimar el mismo para el periodo
enero2000-junio2001. Calcular dicha capacidad para los meses julio2001-octubre2001.
c) En vista de los resultados del apartado anterior, predice el coste unitario de fabricacin para
noviembre y diciembre de 2001 teniendo en cuenta que los valores que tomarn las variables
explicativas en esos meses previsiblemente sern:
Periodo X1 X2
11:01 73 151
12:01 72 150
d) Analiza la precisin de la prediccin de la variable endgena para noviembre. Se puede aceptar

que el coste unitario de fabricacin en ese mes ser igual a 22?
15
Apartado a)
Date: 10/08/07 Time: 20:24
Sample: 2000:01 2001:10
C 19.55332 2.324429 8.412096 0.0000

X1 -0.140054 0.017446 -8.027836 0.0000
X2 0.082875 0.011371 7.288014 0.0000

28
24
20
16
2
12
1
-1
-2
00:01 00:04 00:07 00:10 01:01 01:04 01:07 01:10
16
Apartado b)
Date: 10/08/09 Time: 20:24
Sample: 2000:01 2001:06
C 20.19488 2.281879 8.850113 0.0000

X1 -0.137175 0.017492 -7.842042 0.0000
X2 0.074654 0.012864 5.803360 0.0000

26
Forecast: YF
25 Actual: Y
Forecast sample: 2001:07 2001:10
24 Included observations: 4
23 Root Mean Squared Error 1.245670

Mean Absolute Error 0.895483
Mean Abs. Percent Error 3.838091
22
Theil Inequality Coefficient 0.027859
Bias Proportion 0.384081
21
Variance Proportion 0.071393
Covariance Proportion 0.544526
20
19
2001:07 2001:08 2001:09 2001:10
YF
Apartado c)
Periodo YF s.e
11:01 21.8435 1.052478
12:01 21.9006 1.049516
17
PRCTICA 8: Se dispone de datos mensuales sobre el nmero de vehculos importados (IMPORT), el

nmero de vehculos matriculados para uso privado (PRIVADO) y el nmero de vehculos de
fabricacin nacional (FABNAC) para el perodo 1996:12 a 1998:12 . Con objeto de definir estrategias
de produccin y ventas de los distintos fabricantes e importadores, se desea obtener una prediccin
acerca del nmero de vehculos que se podan importar a lo largo del ao 1999, para lo cual se plantea:
a) Realiza la estimacin por MCO del nmero de vehculos importados en funcin del nmero de
vehculos matriculados para uso privado. Analiza sus resultados.
b) Realiza la estimacin de un modelo alternativo al anterior en el que se incluya tambin como
variable explicativa la variable FABNAC. Analiza sus resultados y selecciona el mejor modelo
entre los dos estimados.
c) Evala la capacidad predictiva del modelo seleccionado para el perodo 1998:7 a 1998:12.
d) Realiza la prediccin de IMPORT para el ao 1999 suponiendo, ya que no disponemos de otros
datos sobre las variables, que el nmero de matriculaciones privadas, PRIVADO, en 1999 fuese
un 10% superior al dato del correspondiente mes del ao anterior y que la variable FABNAC ha
aumentado un 5% sobre el valor del mismo mes del ao anterior.
FABNAC IMPORT PRIVADO

1996.12 36696 54958 78945
1997.1 30284 43332 65013
1997.2 30850 48114 63763
1997.3 42361 60913 75430
1997.4 39712 56264 79649
1997.5 39179 55061 73967
1997.6 42074 57996 82636
1997.7 50608 75884 110144
1997.8 24385 40148 59694
1997.9 26274 43235 63470
1997.10 36137 59493 87922
1997.11 29556 54805 76592
1997.12 38440 65833 93374
1998.1 29314 49159 72996
1998.2 36636 57465 82674
1998.3 47777 72130 92699
1998.4 39718 68339 89643
1998.5 42231 64571 88307
1998.6 49101 75107 103694
1998.7 56397 90317 126546
1998.8 25663 46283 66475
1998.9 27130 52234 73321
1998.10 40921 69580 100041
1998.11 37406 72954 100888
1998.12 30217 60530 81245
Datos obtenidos de Carrascal U. y otros. Anlisis Economtrico con Eviews. RA-MA
18
Apartado a)
Dependent Variable: IMPORT
Date: 10/15/09 Time: 12:11
Sample: 1996M12 1998M12
PRIVADO 0.727192 0.035688 20.37619 0.0000

C -979.6938 3035.280 -0.322769 0.7498

Sum squared resid 1.83E+08 Schwarz criterion 18.90325
Apartado b)

Date: 10/16/09 Time: 10:50
Sample: 1996M12 1998M12
PRIVADO 0.595959 0.063267 9.419737 0.0000

FABNAC 0.294416 0.121859 2.416035 0.0244
C -954.4737 2759.007 -0.345948 0.7327

Sum squared resid 1.45E+08 Schwarz criterion 18.79667
19
Apartado c)

Date: 10/16/09 Time: 10:57
Sample: 1996M12 1998M06
PRIVADO 0.489319 0.086801 5.637271 0.0000

FABNAC 0.524422 0.156587 3.349090 0.0041
C -1267.498 3570.238 -0.355018 0.7272

Sum squared resid 99876494 Schwarz criterion 18.77779
100000
Forecast: IMPORTF2
90000 Actual: IMPORT
Forecast sample: 1998M07 1998M12
80000 Included observations: 6
70000 Root Mean Squared Error 3651.926

Mean Absolute Error 2819.863
Mean Abs. Percent Error 4.670612
60000
Theil Inequality Coefficient 0.027824
Bias Proportion 0.596228
50000
Variance Proportion 0.054131
Covariance Proportion 0.349641
40000
30000
1998M07 1998M08 1998M09 1998M10 1998M11 1998M12
IMPORTF2
Apartado d)
Prediccin IMPORT
Periodo Prediccin
1999M01 55960.45
1999M02 64568.41
1999M03 74584.44
1999M04 70089.73
1999M05 69990.77
1999M06 82201.56
1999M07 99437.77
1999M08 50556.92
1999M09 55498.35
1999M10 77278.08
1999M11 76746.73
20
PRCTICA 9: Se quieren estudiar los factores ms relevantes del absentismo laboral que sufre una
empresa. Se dispone de informacin (datos9.wf1) acerca de los das que en el ltimo ao han faltado al
trabajo cada uno de los empleados (ABSEN), aos de antigedad en la empresa (ANTIGUE), salario
mensual en euros (SALARIO) y gnero (S=1 si el empleado es hombre y S=0 si es mujer).
1) Estima un modelo para explicar el absentismo laboral de dicha empresa en funcin de todas las
variables explicativas mencionadas, incluyendo el posible efecto diferencial de las variables
cuantitativas debido al gnero. Analiza los resultados.Hay diferencias en el nmero de das de
absentismo laboral entre hombres y mujeres independientemente de otros factores? Si es as,
cuantifica esa diferencia.
2) Especifica un modelo donde la diferencia de gnero no afecte al trmino constante. Hay un
comportamiento diferente de los aos de antigedad sobre los das de absentismo entre hombres
y mujeres? y del salario?
3) Especifica un modelo en el que los das de absentismo vengan influidos nicamente por los
aos de antigedad y el salario, incluyendo un posible efecto diferencial de los aos de
antigedad sobre el absentismo debido al distinto gnero de los empleados.
4) Especifica un modelo que permita obtener estimaciones de los das de absentismo en funcin de
los aos de antigedad y del salario para la muestra de hombres y para la de mujeres de forma
separada. Compara los valores estimados resultantes en cada una de las submuestras con los
obtenidos en el modelo del apartado 1.
Datos obtenidos de Uriel, E. e I. Gea, Econometra Aplicada, ed. AC (1997).

21
Modelo apartado 1
Dependent Variable: ABSEN
Sample: 1 48
S -0.100214 2.196012 -0.045634 0.9638
ANTIGUE -0.316467 0.062047 -5.100443 0.0000
SALARIO -8.963456 2.139478 -4.189552 0.0001
ANTIGUE*S 0.147781 0.071660 2.062259 0.0454
SALARIO*S 1.364712 2.584085 0.528122 0.6002
C 14.46590 1.704241 8.488174 0.0000
Modelo apartado 2
Sample: 1 48
ANTIGUE -0.315906 0.060108 -5.255672 0.0000
SALARIO -8.894210 1.490656 -5.966643 0.0000
ANTIGUE*S 0.147356 0.070224 2.098366 0.0418
SALARIO*S 1.257626 1.069460 1.175945 0.2461
C 14.40554 1.062246 13.56139 0.0000
22
Modelo apartado 3
Sample: 1 48
ANTIGUE -0.357368 0.048892 -7.309307 0.0000

SALARIO -7.802321 1.171211 -6.661753 0.0000
ANTIGUE*S 0.207146 0.048649 4.257980 0.0001
C 14.15999 1.046042 13.53674 0.0000

Modelo apartado 4
Sample: 1 48 IF S=1
ANTIGUE -0.168687 0.038929 -4.333229 0.0002
SALARIO -7.598743 1.573608 -4.828868 0.0001
C 14.36568 1.503839 9.552675 0.0000

Sample(adjusted): 2 42 IF S=0
Included observations: 21 after adjusting endpoints
ANTIGUE -0.316467 0.054134 -5.845948 0.0000
SALARIO -8.963456 1.866641 -4.801916 0.0001
C 14.46590 1.486908 9.728846 0.0000
23
PRCTICA 10: Se quiere estudiar el gasto medio diario de los turistas en sus vacaciones en la isla de
Gran Canaria. Para ello se dispone de 600 datos en el fichero datos10.wf1 procedentes de una encuesta
sobre las variables: gasto medio diario (G), ingresos anuales (I), gnero del turista (S=1 si es hombre y
S=0 si es mujer) y procedencia geogrfica (PG) que toma el valor 1 si el turista procede de la Pennsula,
el valor 2 si el turista procede del resto de la Unin Europea y el valor 3 si procede del resto del
mundo). Las variables monetarias estn medidas en euros.
1. Estima un modelo donde el gasto medio diario del turista est en funcin de sus ingresos
anuales. Analiza los resultados.
2. Construye las variables ficticias d2 y d3 (d2=1 si el turista procede de la Pennsula y d2=0 en
caso contrario, d3=1 si el turista procede del resto de la Unin Europea y d3=0 en caso
contrario Reespecifica el modelo del apartado 1 de forma que pueda analizarse el efecto de las
variables gnero y procedencia geogrfica sobre el gasto medio diario autnomo. Existen
diferencias entre el gasto medio diario autnomo de un hombre respecto al de una mujer? Y
entre el gasto medio diario autnomo de un turista peninsular, de uno del resto de la Unin
Europea y de otro del resto del mundo? Cuantifica estas diferencias, si las hay.
3. Se desea analizar si el efecto de la procedencia del turista sobre el gasto medio diario autnomo
es diferente dependiendo de si el turista es un hombre o una mujer. Reespecifica el modelo del
apartado 2 adecuadamente para poder cuantificar dicho efecto, si es que existe.
4. Partiendo del modelo del apartado 2, introduce las variables ficticias relativas a la procedencia
geogrfica de forma que pueda estudiarse si el efecto del ingreso sobre el gasto medio diario es
distinto segn la procedencia del turista Puede aceptarse que el comportamiento del ingreso
anual del turista sobre el gasto medio diario es el mismo para los tres tipos de procedencia o
para alguno de ellos? Cuantifica esas diferencias, si es que existen.
Datos obtenidos de la web del departamento de Mtodos Cuantitativos en Economa y Gestin de la Universidad
de Gran Canaria.
24
Modelo apartado 1
Simple: 1 600
I 0.001388 3.85E-05 36.04074 0.0000
C 18.93297 1.798354 10.52795 0.0000
S.E. of regresin 9.798555 Akaike info criterion 7.405675
Durban-Watson stat 2.002064 Prob(F-statistic) 0.000000
Modelo apartado 2
Genr D2 if PG=1
Genr D3 if PG=2
Simple: 1 600
I 0.001413 3.07E-05 45.96165 0.0000
D2 21.73265 1.183688 18.36012 0.0000
D3 9.304507 0.813263 11.44096 0.0000
S 1.796574 0.641580 2.800234 0.0053
C 8.120703 1.615997 5.025197 0.0000
S.E. of regresin 7.811349 Akaike info criterion 6.957331
Wald Test:
Equation: EQ02
F-statistic 170.4158 (2, 595) 0.0000

Chi-square 340.8317 2 0.0000
25
Modelo apartado 3
Sample: 1 600
I 0.001413 3.07E-05 45.95699 0.0000
D2 22.34301 1.563720 14.28836 0.0000
D3 10.28009 1.106628 9.289567 0.0000
S 3.400969 1.436577 2.367412 0.0182
D2*S -1.280174 2.394351 -0.534664 0.5931
D3*S -2.122467 1.631603 -1.300847 0.1938
C 7.368429 1.723889 4.274305 0.0000
Modelo apartado 4
Sample: 1 600
I 0.001149 7.26E-05 15.82641 0.0000
D2 8.413863 5.307365 1.585318 0.1134
D3 -5.675737 3.821170 -1.485340 0.1380
S 1.786587 0.634096 2.817534 0.0050
I*D2 0.000289 0.000115 2.523893 0.0119
I*D3 0.000325 8.11E-05 4.009400 0.0001
C 20.32322 3.441092 5.906038 0.0000
Wald Test:
Equation: EQ04
F-statistic 8.083404 (2, 593) 0.0003

Chi-square 16.16681 2 0.0003
Wald Test:
Equation: EQ04
F-statistic 0.141456 (1, 593) 0.7070

Chi-square 0.141456 1 0.7068
26
PRCTICA 11: El fichero datos11.wf1 contiene datos sobre los ahorros personales (ahorro) y el
ingreso personal disponible (ingreso), en miles de millones de dlares, para USA durante el periodo
1970 a 1995. Se especifica un modelo en el que los ahorros son funcin de los ingresos de la siguiente
manera:
AHORROt = 0 + 1 INGRESOt + t
a) Estima el modelo propuesto y analiza los resultados.

b) Estudia, mediante el contraste de Chow, la posible existencia de un cambio estructural en 1982,
ao en el que Estados Unidos experiment una gran recesin y tuvo una alta tasa de desempleo
que pudo afectar a la relacin entre los ahorros y los ingresos. Realiza, adems, la regresin
recursiva y analiza los coeficientes y los residuos recursivos.
c) Estudia si se ha cometido un error de especificacin en la forma funcional.
d) Comprueba que las perturbaciones son normales.
e) Especifica y estima el modelo ms adecuado para corregir los problemas que has detectado.
27
Modelo del apartado a)

Dependent Variable: AHORRO
Sample: 1970 1995
INGRESO 0.037679 0.004237 8.893776 0.0000

C 62.42267 12.76075 4.891772 0.0001

Apartado b): CONTRASTE DE CAMBIO ESTRUCTURAL
Chow Breakpoint Test: 1982
F-statistic 10.69006 Prob. F(2,22) 0.000571

Log likelihood ratio 17.65293 Prob. Chi-Square(2) 0.000147

Sample: 1970 1981
INGRESO 0.080332 0.008367 9.601576 0.0000
C 1.016117 11.63771 0.087313 0.9321

Sample: 1982 1995
INGRESO 0.014862 0.008393 1.770773 0.1020
C 153.4947 32.71227 4.692266 0.0005
28
ESTIMACIN RECURSIVA
Coeficientes recursivos
0.12 100
80
0.10
60
0.08
40
20
0.06
0
0.04
-20
0.02 -40
76 78 80 82 84 86 88 90 92 94 76 78 80 82 84 86 88 90 92 94
Recursive C(1) coef.INGRESO 2 S.E. Recursive C(2) CONSTANTE 2 S.E.
Residuos recursivos
80
60
40
20
-20
-40
-60
-80
72 74 76 78 80 82 84 86 88 90 92 94
Recursive Residuals 2 S.E.
Apartado c) CONTRASTE DE LINEALIDAD (RESET)
Ramsey RESET Test:

F-statistic 13.94523 Probability 0.001086
Log likelihood ratio 12.32250 Probability 0.000448
29
Test Equation:
Date: 11/29/09 Time: 13:29
Sample: 1970 1995
INGRESO 0.134225 0.026078 5.147038 0.0000
C 26.65482 14.05420 1.896573 0.0705
FITTED^2 -0.007516 0.002013 -3.734331 0.0011
Apartado d) NORMALIDAD
8
Series: Residuals
Sample 1970 1995
Observations 26
6
Mean -2.79E-14
Median -9.271248
Maximum 67.39897
4
Minimum -62.23596
Std. Dev. 30.49479
Skewness 0.515262
2 Kurtosis 2.862708
Jarque-Bera 1.170900
Probability 0.556855
0
-60 -40 -20 0 20 40 60
Apartado e): REESPECIFICACIN DEL MODELO:
Variables omitidas:
0 t < 1981
D1 = D1 = @ year > 1981
1 t 1982
Omitted Variables: D1 D1*INGRESO

30
Test Equation:
Date: 11/23/09 Time: 13:30
Sample: 1970 1995
INGRESO 0.080332 0.014497 5.541347 0.0000

C 1.016117 20.16483 0.050391 0.9603
D1 152.4786 33.08237 4.609058 0.0001
D1*INGRESO -0.065469 0.015982 -4.096340 0.0005

Linealidad
Ramsey RESET Test:
F-statistic 1.408998 Probability 0.248478
Log likelihood ratio 1.688443 Probability 0.193806
Normalidad
6
Series: Residuals
Sample 1970 1995
5
Observations 26
4 Mean -7.93E-15
Median -1.397796
Maximum 50.53452
3
Minimum -38.72936
Std. Dev. 21.71659
2 Skewness 0.359908
Kurtosis 2.821533
1
Jarque-Bera 0.595818
Probability 0.742369
0
-40 -30 -20 -10 0 10 20 30 40 50 60
31
PRCTICA 12: El nuevo director de personal de una pequea empresa desea establecer una nueva
poltica salarial pero sin romper totalmente con la lnea llevada a cabo por su antecesor en el puesto.
Para estudiar la relacin de los salarios del personal de la empresa, especifica el siguiente modelo:
SALARIOi = 0 + 1 EDADi + 2 ANTIGi + i

donde SALARIOi es el salario mensual en miles de unidades monetarias, EDADi es la edad del
trabajador en aos y ANTIGi es el tiempo de servicios en la empresa medido en meses. Los datos con
los que estima el modelo corresponden a los 18 trabajadores fijos de la empresa y estn recogidos en el
fichero datos 12.wf1.
1) Estima el modelo propuesto por el director de personal de la empresa y analiza sus resultados.
2) Calcula y analiza la matriz de correlaciones, el coeficiente de correlacin mltiple y el Factor
de Inflacin de la Varianza.
3) El director de personal considera que la mayor parte de la informacin suministrada por la edad
del empleado puede venir recogida por los aos de antigedad en la empresa, por lo que decide
eliminar la edad del modelo.
a) Con la informacin obtenida en los apartados anteriores Crees que la consideracin del
responsable de personal es acertada?
b) Estima, como propone el director de personal, el modelo de salarios eliminando la variable
EDAD. Crees que es preferible al modelo del apartado 1)? Razona tu respuesta.
4) El director de personal intuye que la poltica de su predecesor estableca diferencias en el
salario mnimo, es decir, en la parte del salario que no depende de la experiencia laboral, por
razn del gnero. Comprueba esta intuicin partiendo del modelo que explica el salario en
funcin de la experiencia laboral y sabiendo que la variable GENERO, contenida en el fichero,
toma el valor 1 si se trata de una trabajadora.
a) Existan diferencias en el salario mnimo que reciba un hombre y una mujer? Razona tu
respuesta y en caso afirmativo cuantifica la diferencia.
b) A la vista de los resultados obtenidos hasta este momento, especifica el modelo ms
adecuado para analizar el comportamiento de los salarios de esta empresa.
32
Apartado 1)
Dependent Variable: SALARIO

Sample(adjusted): 1 18
C -79.21766 40.51720 -1.955162 0.0695
ANTIG 3.613511 4.287330 0.842835 0.4126
EDAD 0.137861 12.05294 0.011438 0.9910
Apartado 2)
Matriz de correlaciones entre las variables

1 0.94293114444 0.94014310391
0.94293114444 1 0.99696198698
0.94014310391 0.99696198698 1
Dependent Variable: EDAD

C 0.789175 0.816914 0.966044 0.3484
ANTIG 0.354628 0.006926 51.19869 0.0000
FIV=164,83
Apartado 4)
C -79.10887 38.13439 -2.074475 0.0545
ANTIG 3.662401 0.323336 11.32692 0.0000
33

C -84.72449 39.62335 -2.138246 0.0483
EDAD 10.26564 0.930263 11.03519 0.0000
Apartado 5)

C -15.92820 36.22622 -0.439687 0.6664
ANTIG 3.413810 0.268955 12.69289 0.0000
GENERO -57.26166 17.90195 -3.198626 0.0060
34
PRCTICA 13: El fichero datos13.wf1 contiene informacin para los aos 1980-2002 de las variables
Consumo per cpita de carne de pollo, en kilos (Y), Ingreso real per cpita disponible, en euros (I),
Precio real del kilo de carne de pollo (PP), Precio real de la carne de cerdo (PC) y Precio real de la
carne de ternera (PT). Dicha informacin se quiere utilizar para explicar una funcin de demanda.
1) Especifica un modelo para explicar la demanda en funcin del resto de variables de las que se tiene
informacin y estima el modelo por MCO. Analiza los resultados de la estimacin.
2) Analiza si las variables PC y PT son variables redundantes conjuntamente.
3) Estudia si puede aceptarse, en el modelo del apartado 1), que los efectos de los precios de la carne
de cerdo y de la carne de ternera sobre la demanda de carne de pollo son iguales. Selecciona el
modelo ms adecuado de los tres planteados.
4) Calcula la matriz de correlaciones de las variables del modelo en el que introduces la restriccin del
apartado anterior. Analiza los resultados.
5) Realiza las regresiones auxiliares necesarias para completar la tabla adjunta de coeficientes de
correlacin mltiple y los factores de inflacin de la varianza de cada uno de los estimadores.
Interpreta los valores.
RI2 PP, PC + PT = FIVI=

2
RPP I , PC + PT = FIVPP=
2
RPC + PT I , PP = FIVPC+PT=
6) Analiza la posible existencia de un cambio estructural a partir de 1995 mediante un contraste.
35
Apartado 1)
Date: 11/27/09 Time: 09:48
Sample: 1980 2002
I 0.342555 0.083266 4.113970 0.0007

PP -0.504592 0.110894 -4.550212 0.0002
PC 0.148545 0.099673 1.490334 0.1535
PT 0.091105 0.100716 0.904568 0.3776
C 2.189792 0.155715 14.06283 0.0000

S.E. of regression 0.027591 Akaike info criterion -4.152987
Sum squared resid 0.013703 Schwarz criterion -3.906140
Log likelihood 52.75935 F-statistic 249.9282
Apartado 2)
Redundant Variables: PC PT

Test Equation:
Sample: 1980 2002
I 0.451528 0.024695 18.28435 0.0000

PP -0.372212 0.063466 -5.864740 0.0000
C 2.032820 0.116183 17.49673 0.0000

36
Apartado 3)
Wald Test:
Equation: EQ01
F-statistic 0.306916 (1, 18) 0.5864

Chi-square 0.306916 1 0.5796
Modelo restringido:
Sample: 1980 2002
I 0.339987 0.081607 4.166164 0.0005

PP -0.499732 0.108512 -4.605330 0.0002
PC+PT 0.120384 0.084158 1.430460 0.1688
C 2.174286 0.150359 14.46064 0.0000

Apartado 4)
I PP PC+PT
I 1.000000 0.907175 0.987080
PP 0.907175 1.000000 0.950839
PC+PT 0.987080 0.950839 1.000000
37
Apartado 5) COEFICIENTES DE CORRELACIN MLTIPLE
Dependent Variable: I
Sample: 1980 2002
PP -0.840898 0.230322 -3.650967 0.0016

PC+PT 0.985367 0.068023 14.48569 0.0000
C 0.967763 0.350583 2.760437 0.0121

Dependent Variable: PP
Date: 11/27/09 Time: 10:27
Sample: 1980 2002
I -0.475601 0.130267 -3.650967 0.0016

PC+PT 0.637153 0.098877 6.443911 0.0000
C 1.220884 0.146537 8.331578 0.0000

38
Dependent Variable: PC+PT

Date: 11/27/09 Time: 10:29
Sample: 1980 2002
I 0.926539 0.063962 14.48569 0.0000

PP 1.059279 0.164385 6.443911 0.0000
C -1.175126 0.300927 -3.905015 0.0009

RI2 PP, PC + PT =0.9846 FIVI=64.94

2
RPP I , PC + PT =0.9425 FIVPP=17.39
2
RPC + PT I , PP =0.9917 FIVPC+PT=120.48
Apartado 7)
Chow Breakpoint Test: 1995

39
40
EXAMEN PARCIAL DE ECONOMETRA (ADE). 17 de enero de 2011.

Parte terica (5 puntos)
Duracin: 2 horas
Nota 1: Recuerda que es necesario alcanzar el 30% de la puntuacin tanto en teora como en
prctica para sumar las puntuaciones de estas dos partes.
Nota 2: El nivel de significacin de los contrastes es del 5%.
1. (1 punto) Se ha estimado un modelo por MCO dando el siguiente resultado:

Modelo 1: Yi = 18,24+ 14 X 1i 150,7 X 2 i + 86 X 3i R 2 = 0,963 N=20 SCT=723534,3
( 4,88) ( 2,18) (3,72)
Con los mismos datos se estimaron tres modelos restringidos del anterior
Modelo 2: Yi = 8,97 + 19,82( X 1i + X 2 i )+ 33,17 X 3i R 2 = 0,9494 SCT=723534,3
(10,64) (3,34)
Modelo 3: Yi = 20,44+ 13 X 1i + 95,34( 2 X 2 i + X 3i ) R 2 = 0,962 SCT=723534,3

(5,35) (5,18)
Modelo 4: Yi * = 36,28+ 115,14 X 2i ; Yi * = (Yi 2 X 1i X 3i ) R 2 = 0,057 SCT=611185,2

(109,79)
(entre parntesis el estadstico t)
a) Se puede aceptar que si aumentamos en una unidad X1 la variable endgena se incrementa

en 2 unidades y que el efecto de X3 sobre la variable endgena es la mitad que el efecto que
tiene X1?
b) Se puede aceptar que el efecto de X2 sobre la variable endgena es el doble, pero de signo
contrario, que el efecto de X3?
2. (1,25 puntos) Se parte de un modelo de regresin lineal normal clsico (MRLNC) y se quiere
contrastar la significacin de un subconjunto de variables, es decir:
j 0

Ho : =

0
k Hx1
H1 :
Expresa el estadstico general
e' r e r e ' e
FNHk 1
S2 H
2
a) En funcin de los coeficientes de determinacin del modelo restringido ( Rr ) y del modelo sin
restriccin ( R 2 ).
b) Demuestra que la expresin anterior del estadstico general es igual a:
(R 2
) (
Rr2 ( N k 1 + H ) + 1 R 2 H )
FNH k 1
(1 R )H 2
c) Demuestra que Rr2 > R 2 si el valor muestral del estadstico es menor que 1.
41
3. (0,5 puntos) Contesta si son verdaderas o falsas las siguientes cuestiones justificando adecuadamente
tu respuesta:
a) Un coeficiente de asimetra de los residuos prximo a cero es condicin necesaria y suficiente
para que las perturbaciones se distribuyan como una normal.
b) La existencia de un cambio estructural en un modelo no afecta a la insesgadez de los estimadores
MCO.
4. (1,25 puntos) En un MRLNC Y = X + N (0, 2 I ) , completa las siguientes distribuciones

realizando las demostraciones oportunas:
a) La distribucin de la variable endgena es una N( , 2 I )

b) La distribucin de los residuos MCO es una N ( )
, 2 M , donde M = I X ( X ' X ) X
1
c) La distribucin de la variable ajustada es una N ( X , )

d) La distribucin de cualquier combinacin lineal de los estimadores por mnimos cuadrados
ordinarios ( R ) es una N ( , ).
5. (1 punto) Un investigador quiere elaborar un modelo economtrico para explicar la intencin de voto
al partido socialista en las prximas elecciones en las diferentes provincias espaolas. La variable
endgena (Y) es el porcentaje de voto provincial de las elecciones pasadas y dispone de las siguientes
variables explicativas:
1. Tasa de desempleo provincial (T)
2. Variable cualitativa (R) que distingue entre provincias con renta media por encima de la
media nacional (R=1) y provincias con renta media por debajo de la media nacional (slo de
forma aditiva) (R=0).
3. Variable que recoge la presencia del dirigente socialista en la realizacin de un mitin en la
provincia en las elecciones pasadas (M) (slo de forma aditiva) que toma el valor 1 si el
presidente fue a una provincia y 0 en caso contrario.
4. Interaccin entre las dos anteriores.
El investigador especifica dos modelos:
Modelo 1: contiene las variables explicativas 1, 2 y 3
Modelo 2: contiene las variables explicativas 1, 2, 3 y 4
a) Especifica cada uno de los dos modelos e interpreta los coeficientes de las ficticias en cada uno
de ellos.
b) Especifica en el modelo 2, para cada uno de los casos siguientes, la hiptesis nula, la alternativa,
y el estadstico de contraste, utilizando en cada caso una expresin diferente del estadstico de
contraste.
b.1. La realizacin de un mitin en la provincia con el presidente o sin l no tiene influencia en la

intencin de voto.
b.2. No hay diferencias provinciales segn si el nivel de renta media est por debajo o por encima
de la media nacional en la intencin de voto.
42
EXAMEN PARCIAL DE ECONOMETRA (ADE). 17 de Enero de 2011

PARTE PRCTICA (5 puntos)
NOMBRE Y APELLIDOS:
Nota 1: Recuerda que es necesario alcanzar el 30% de la puntuacin tanto en teora como en prctica para
sumar las puntuaciones de estas dos partes.
Nota 2: Rellena solamente los espacios en blanco en las tablas y, si lo necesitas, utiliza la parte de atrs de las
hojas para responder. Utiliza 4 decimales. El nivel de significacin de los contrastes es 5%.
Nota 3: En todos los apartados es necesario que expliques en qu se basan tus respuestas. Por ejemplo, si se
fundan en el resultado de un contraste, has de indicar claramente, al menos, las hiptesis, el estadstico que
utilizas y la conclusin a la que llegas. Si necesitas especificar cuadros, grficos, estimaciones, etc. para los
cuales no tienes asignado explcitamente el recuadro, debers hacerlo claramente como lo consideres oportuno.
Duracin: 1 hora y 45 minutos
Se desea estimar un modelo que explique la calidad del aire a partir de los datos del fichero
calidad.wf1 que contiene informacin de las siguientes variables para 15 ciudades:
AIRQ: Indicador de la calidad del aire (cuanto mayor es, peor calidad)
VALA= Valor aadido de las empresas asentadas en la ciudad (en miles de euros)
RAIN= Nivel de lluvia (en litros/ao)
MEDI= Renta media per cpita (en euros)
2
DENS: Densidad de poblacin (en hab./km )
COAS: Ficticia que toma el valor 1 si la ciudad es costera, 0 en caso contrario
1) Plantea y estima tres modelos que expliquen la calidad del aire en funcin de:
a) la variable cuantitativa ms relacionada. (Modelo 1)
b) todas las variables cuantitativas (Modelo 2).
c) todas las variables cuantitativas y la cualitativa incluida de forma aditiva (Modelo 3).
Completa la siguiente tabla con los resultados de las estimaciones. Entre parntesis los estadsticos t.
MODELO 1 MODELO 2 MODELO 3

i
VALA
(t)
i
RAIN
(t)
i
MEDI
(t)
i
DENS
(t)
i
COAS
(t)
i
Constante
(t)
2
R
R2
F
P-valor
43
2) En base nicamente a los resultados de la tabla anterior, selecciona entre los tres modelos
estimados el que mejor explica la calidad del aire justificando adecuadamente tu seleccin y
explicitando claramente los problemas de cada uno de ellos.
3) A partir del modelo elegido en el apartado anterior, realiza una seleccin de regresores
eliminando en cada paso la variable que consideres ms oportuna. Completa el cuadro con la
ecuacin finalmente seleccionada (Modelo 4) y explica claramente los pasos realizados para
llegar a dicha seleccin.
Dependent Variable:
Sample:
Included observations:
R-squared Mean dependent var

Adjusted R-squared S.D. dependent var
S.E. of regression Akaike info criterion
Sum squared resid Schwarz criterion
Log likelihood F-statistic
Durbin-Watson stat Prob(F-statistic)
44
4) A partir del modelo seleccionado en el apartado anterior, responde a las siguientes cuestiones:
4.1. Crees que las ciudades costeras tienen mejor o peor calidad del aire que las ciudades del
interior?
4.2. Crees que la lluvia mejora la calidad del aire en las ciudades?
5) En el modelo seleccionado, contrasta si la forma funcional lineal del modelo es la adecuada.
6) Contrasta asimismo si las perturbaciones del modelo seleccionado se distribuyen como una
normal.
45
7) El grfico siguiente se corresponde a la secuencia del coeficiente recursivo de la variable RAIN.

Cul es el valor del coeficiente recursivo obtenido utilizando las 12 primeras observaciones?.
Expresa el resultado con cuatro decimales
0.0
-0.2
?
-0.4
-0.6
-0.8
-1.0
-1.2
8 9 10 11 12 13 14 15
Recursiv C(3) Estimates_RAIN 2 S.E.
8) A la vista de los resultados obtenidos, contrasta si la calidad del aire se mantendra si la renta
media aumentara en 500 euros y el nivel de lluvia disminuyera en 10 litros.
9) Analiza la capacidad predictiva del modelo seleccionado en el apartado 3 para las 5 ltimas
observaciones.
10) Para un nivel de significacin del 5%, calcula un intervalo de confianza para la prediccin de la
calidad del aire para una nueva ciudad costera cuyo valor aadido se eleva 2 millones de
euros, con una renta media per capita de 3500 euros y una densidad de poblacin de 650 hab.
sabiendo adems que el nivel de lluvia es de 40 litros.
46
EXAMEN DE ECONOMETRA. 4 CURSO. ECO. Primer Parcial

PARTE TERICA. Valladolid 17-Enero-2010. Puntuacin: 6 Puntos
NOMBRE Y APELLIDOS:
Nota 1: Recuerda que es necesario alcanzar el 30% de la puntuacin tanto en teora

como en prctica para sumar las puntuaciones de estas dos partes.
1. (1 punto) Demuestra que en un modelo de regresin lineal clsico el estimador MCO de

es insesgado y obtn a qu es igual su matriz de varianzas y covarianzas.
2. (1,25 puntos) Partiendo de Yi = o + 1 X 1i + L + k X ki + i , rellena el cuadro adjunto,

indicando las hiptesis clsicas del modelo de regresin (formulacin y significado), la
definicin y significado de cada una de las propiedades del estimador MCO de y de
qu hiptesis clsicas depende cada uno de las propiedades sealadas.
3. (1punto) Sea el modelo de regresin lineal clsico Yi = o + 1 X 1i + 2 X 2i + i Indique,

realizando las demostraciones oportunas (y en su caso, justificando la respuesta), si las
siguientes cuestiones son ciertas.
3.1. E (e) = 0
3.2. e = 0
3.3. Cov ( e1e2 ) = 0
3.4. Var ( R ) < Var ( ) donde R es el estimador restringido bajo la restriccin 1 = 1
4. (1,25 puntos) Un analista, partiendo de una muestra de 100 observaciones, ha estimado

por MCO los siguientes modelos para explicar la variable Y.
Modelo 1 Modelo 2
X1 2,3 (0,2)
X2 1,2 (0,3)
X3 3,5 (1,0) 2,5 (2,3)
X4 5,2 (1,5)
(2X1-X2) 0,2 (5,3)
C (trmino cte) 5,2 (0,3) 3,5 (1,3)
SCT 150
R2 0,93 0,78
Entre parntesis aparecen las desviaciones tpicas estimadas de los estimadores de los
parmetros.
4.1. Qu hiptesis se ha/n incorporado en el modelo 1, para llegar al modelo 2?

4.2. Sin realizar el contraste, podras intuir si los datos van a permitir rechazar o no esa
hiptesis? Justifica la respuesta.
4.3. Contrasta si los datos admiten dicha restriccin.
4.4. Cul sera el modelo que el analista debera estimar si quiere contrastar que al
aumentar en 2 unidades la variable X4 y en 4 unidades la variable X3, la variable Y
disminuye en 5 unidades?
47
5. (1,5 puntos) Se quiere estudiar el consumo telefnico de los empleados de una empresa.
Para ello se dispone de los registros telefnicos que incluyen datos sobre las variables:
gasto telefnico (G), nmero de llamadas (L), gnero del empleado (S=1 si es hombre y
S=0 si es mujer) y su categora profesional (C1=1 si el empleado es directivo y C1=0 en
caso contrario, C2=1 si el empleado es tcnico y C2=0 en caso contrario).
5.1. Especifica un modelo donde el gasto telefnico dependa slo del nmero de
llamadas y en el que el efecto de esta variable pueda ser diferente para cada
categora profesional. Indica cul sera el efecto del nmero de llamadas para cada
categora. Cmo contrastaras que para los directivos y tcnicos dicho efecto es el
mismo?
5.2. Especifica un modelo en el que pueda analizarse el efecto de las variables gnero y
categora profesional sobre el gasto telefnico autnomo de los empleados.
Interpreta los coeficientes del modelo planteado.
5.3. Se desea analizar si el efecto de la categora profesional del empleado sobre el
gasto telefnico autnomo es diferente dependiendo de si el empleado es un
hombre o una mujer. Reespecifica el modelo anterior adecuadamente para poder
cuantificar dicho efecto y seala cmo contrastaras esa hiptesis.
48

PARTE PRCTICA. Valladolid 17-Enero-2010. Puntuacin: 4 Puntos
NOMBRE Y APELLIDOS:
Nota 2: Rellena solamente los espacios en blanco en las tablas y, si lo necesitas, utiliza la
parte de atrs de las hojas para responder. Utiliza 2 decimales. El nivel de significacin de los
contrastes es 5%.
Nota 3: En todos los apartados es necesario que expliques en qu se basan tus respuestas.
Por ejemplo, si se fundan en el resultado de un contraste, has de indicar claramente, las
hiptesis, el estadstico que utilizas, la regla de decisin y la conclusin a la que llegas. Si
necesitas especificar cuadros, grficos, estimaciones, etc. para los cuales no tienes asignado
explcitamente el recuadro, debers hacerlo claramente como lo consideres oportuno.
Un banco ha realizado un estudio de mercado entre sus clientes para conocer el uso que
hacen de la tarjeta de crdito con el objetivo de disear su prxima campaa comercial. El
fichero Tarjeta contiene parte de los datos de la encuesta efectuada a un total de 200
clientes.
1. Estima por MCO un modelo de regresin lineal que trate de explicar el Gasto
mensual con tarjeta de crdito (GASTOTM, euros) a partir de las variables
cuantitativas Ingresos familiares mensuales (INGRESOS, euros), Edad (EDAD, aos)
y Nmero de compras (NCOMPRAS):
Dependent Variable:
Sample:

49
1.1. En conjunto, las tres variables explicativas consideradas explican adecuadamente

el gasto familiar?
1.2. Qu porcentaje de la variabilidad del gasto mensual en tarjeta se explica por el

modelo?
50
1.3. Cada una de las variables explicativas influye en el gasto en tarjeta?
1.4. Interpreta los coeficientes estimados.
1.5. Cul de los regresores es ms relevante a la hora de explicar el gasto? Seala en

qu te basas para contestar.
51
1.6. Puede admitirse que el efecto de los ingresos mensuales sobre el gasto en tarjeta
es el triple que el del nmero de compras y que, simultneamente, si la edad
aumenta en 20 aos el gasto en tarjeta aumenta en 2,5 euros?
2. La empresa se plantea la posibilidad de que la modalidad de pago (MODOPAGO: En

12 meses=1/Al mes siguiente=0) influya en el gasto autnomo mensual y que la
influencia de los ingresos y de la edad sea diferente para hombres y mujeres (SEXO:
Hombre=1/Mujer=0). Reespecifica el de modo que puedas contrastar ambas
afirmaciones y estmalo por MCO.
Dependent Variable:
Method:
Sample:

52
2.1. Es preferible este modelo al anterior? Justifica la respuesta.
2.2. Contrasta si efectivamente el gasto autnomo es diferente para los clientes con
modalidad de pago aplazado en 12 meses o al mes siguiente.
2.3. En caso afirmativo, cul es el gasto autnomo estimado para cada modalidad de
pago?
2.4. Contrasta si el sexo del cliente tiene un efecto significativo en el gasto mensual con
tarjeta de crdito.
53
2.5. Cul es el efecto de la edad sobre el gasto en tarjeta para las mujeres? y para los
hombres?
3. Realiza una prediccin puntual del gasto en tarjeta para una mujer de 45 aos con
unos ingresos de 1000 euros que realiza 20 compras y que tiene la modalidad del
pago a 12 meses.
4. Construye el intervalo de confianza al 95% para esa prediccin Podra admitirse un

gasto en tarjeta para esa mujer de 35 euros?
54

PARTE TERICA. Valladolid 21-Enero-2011. Puntuacin: 6 Puntos
NOMBRE Y APELLIDOS:
Nota 1: Recuerda que es necesario alcanzar el 30% de la puntuacin tanto en teora

como en prctica para sumar las puntuaciones de estas dos partes.
1. (1 punto) Demuestra que en un modelo de regresin lineal clsico el estimador MCO de

los parmetros es consistente. (Explica los pasos de la demostracin).
2. (1,5 puntos) Partiendo del siguiente modelo, Yi = o + 1 X 1i + 2 X 2i + i , indica,

justificando la respuesta, cules son las PROPIEDADES QUE NO CUMPLE el
estimador MCO de en cada uno de los siguientes casos (se supone que el resto de
condiciones habituales del modelo de regresin se cumplen):
2.1. E ( i ) 0
2.2. X2 es un regresor estocstico (no podemos considerar que X2 no es
aleatorio)
2.3. Var ( 1 ) Var ( 3 )
2.4. Cov( e1e3 ) 0
2.5. X1+X2=1
2.6. X2=(X1)2
3. (0,75 puntos) Contesta, justificando la respuesta (realiza las demostraciones que

consideres oportunas), si son verdaderas o falsas las siguientes afirmaciones:
3.1. La varianza poblacional de la perturbacin es la misma que la de los errores y

la varianza poblacional de la variable endgena es la misma que la de la variable
endgena estimada.
3.2. Las variables explicativas tienen una relacin lineal perfecta con los errores
mnimo cuadrticos, sin embargo, la variable endgena estimada est
linealmente incorrelacionada con ellos.
4. (1,25 puntos) Un analista ha estimado el siguiente modelo para explicar el

comportamiento de los gastos en telfono mvil de una muestra de 100 individuos. Entre
parntesis los estadsticos t.
Yi = 2,5 + 3,6 X 1i + 2,7 X 2i + 5,2 X 3i R 2 = 0,9 S 2 = 20

( 3,5) (1,2) ( 4,6) ( 2,9 )
donde X1 es la edad, X2 los ingresos mensuales y X3 el nmero de llamadas.
Plantea la hiptesis nula y alternativa, el modelo restringido y realiza el contraste en los dos
casos siguientes, sabiendo que los resultados que aparecen en cada apartado
corresponden al modelo restringido.
a) El efecto del nmero de llamadas es el doble que el de los ingresos y la edad no tiene
ningn efecto sobre el gasto en mvil (SCE= 12500)
b) Por cada llamada adicional el gasto en mvil aumenta en 6 euros (SCT=17500).
55
5. (1,5 puntos) Un analista quiere estudiar la venta de coches a nivel provincial. Para ello
considera como factores explicativos, la localizacin de las provincias, (distinguiendo si
son costeras peninsulares, interiores peninsulares o se encuentran en las islas), el nivel
econmico de las provincias (diferenciando aquellas que tienen una crecimiento del PIB
por encima de media de las que lo hacen por debajo) y la tasa de paro provincial.
5.1. Especifica el modelo que el analista estimara para contrastar si la
localizacin y el nivel econmico de las provincias influye en las ventas
autnomas de coches. Interpreta los coeficientes del modelo. Cmo
contrastaras que las ventas autnomas de coches son las mismas para las
provincias costeras y las que pertenecen a las Islas?
5.2. Reespecifica el modelo anterior para poder contrastar si el efecto de la
localizacin de las provincias sobre las ventas autnomas de coches difiere en
funcin del nivel econmico de las provincias. Cmo contrastaras dicha
hiptesis?
5.3. Especifica un modelo en el que las ventas de coches dependan slo de la
tasa de paro provincial y en el que el efecto de esta variable pueda ser diferente
en funcin de la localizacin de la provincia. Interpreta los coeficientes del
modelo estimado. Cmo contrastaras que el efecto de la tasa de paro es el
mismo en las distintas localizaciones?
56

PARTE PRCTICA. Valladolid 21-Enero-2011. Puntuacin: 4 Puntos
NOMBRE Y APELLIDOS:
Nota 2: Rellena solamente los espacios en blanco en las tablas y, si lo necesitas, utiliza la
parte de atrs de las hojas para responder. Utiliza 2 decimales. El nivel de significacin de los
contrastes es 5%.
Nota 3: En todos los apartados es necesario que expliques en qu se basan tus respuestas.
Por ejemplo, si se fundan en el resultado de un contraste, has de indicar claramente, las
hiptesis, el estadstico que utilizas y la conclusin a la que llegas y por qu. Si necesitas
especificar cuadros, grficos, estimaciones, etc. para los cuales no tienes asignado
explcitamente el recuadro, debers hacerlo claramente como lo consideres oportuno.
Un analista desea realizar un estudio para determinar el gasto en tabaco. Para ello recoge
datos del Gasto mensual destinado a tabaco, los ingresos mensuales, la edad y el nmero
de veces al mes que se acude a un bar/caf/restaurante cada mes. El fichero Tabaco
contiene los datos de la encuesta efectuada a un total de 200 fumadores.
1. Estima por MCO un modelo de regresin lineal que trate de explicar el Gasto mensual en
tabaco (GASTOTM; euros) a partir de las variables cuantitativas Ingresos mensuales
(INGRESOS, miles de euros), Edad (EDAD, aos) y Nmero de veces al mes que se
acude a un bar/caf/restaurante (NBARES):
Dependent Variable:
Sample:

57
1.1. En conjunto, las tres variables explicativas consideradas explican adecuadamente

el gasto en tabaco?
1.2. Qu porcentaje de la variabilidad del gasto mensual en tabaco se explica por el

modelo?
1.3. Cada una de las variables explicativas influye en el gasto en tabaco?
58
1.4. Interpretar los coeficientes de la regresin.
1.5. Cul de los regresores es ms relevante a la hora de explicar el gasto? Justifica tu

respuesta.
1.6. Puede admitirse que si los ingresos mensuales aumentan en 500 euros el gasto en
tabaco aumenta en 14 euros y que, simultneamente, el efecto del de la edad es el
doble que el del nmero de bares a los que se acude?
59
2. La empresa se plantea la posibilidad de que la situacin laboral (SITLABORAL

trabajando=1/parado o inactivo=0) influya en el gasto autnomo mensual y que la
influencia de los ingresos y de la edad sea diferente para hombres y mujeres (SEXO:
Hombre=1/Mujer=0). Reespecifica el modelo de modo que puedas contrastar ambas
afirmaciones y estmalo por MCO.
Dependent Variable:
Method:
Sample:

2.1. Es preferible este modelo al anterior? Justifica la respuesta.
2.2. Contrasta si efectivamente el gasto autnomo es diferente para los individuos que
estn trabajando y los parados o inactivos.
60
2.3. En caso afirmativo, cul es el gasto autnomo estimado para cada situacin
laboral?
2.4. Contrasta si el sexo del cliente tiene un efecto significativo en el gasto mensual en
tabaco.
2.5. Cul es el efecto de la edad para las mujeres? y para los hombres?
61
3. Realiza una prediccin puntual del gasto en tabaco para un hombre de 45 aos con
unos ingresos de 1000 euros que acude 20 veces al mes a un bar y que est parado.
4. Construye el intervalo de confianza al 95% para esa prediccin Podra admitirse un

gasto mensual en tabaco para ese hombre de 35 euros?
62
CUESTIONES: Temas 1 a 6
Pregunta 1. Se estima por mnimos cuadrados ordinarios el siguiente modelo de regresin

Yi = 0 + 1 X i + i obtenindose una estimacin de 1 igual a 1.2. Di si son ciertas o falsas las
siguientes afirmaciones, razonando tus respuestas:
a) Si tomamos distintas muestras de la variable Y podemos obtener otras estimaciones de
1 .
b) La distribucin del estimador MCO de 1 est centrada en el valor 1.2.
Pregunta 2. Responde brevemente a la siguiente cuestin:

Qu relacin existe entre las siguientes expresiones?
E ( )' ( ) y E ( )( )'
siendo el estimador por MCO en un modelo de regresin lineal clsico
Pregunta 3. Responde o comenta brevemente los siguientes apartados:

a) Cul de los dos modelos estimados presenta mayor R2?
11,5 11
9
9,5
Y2
7
Y1
7,5
5
5,5
3
3,5 0 1 2 3 4 5
0 1 2 3 4 5 X
X
i) ii)
b) El siguiente grfico muestra las distribuciones normales de dos estimadores lineales e
insesgados de la pendiente en un modelo de regresin lineal simple Cul de ellas no es la
del estimador por mnimos cuadrados ordinarios?.
0,4
0,3
0,2
0,1
0
-15 -5 5 15 25
63
Pregunta 4. Comenta si son ciertas o falsas las afirmaciones siguientes, justificando

adecuadamente tu respuesta:
a. En el modelo de Regresin Lineal Clsico Y = X + , para que el estimador de
sea insesgado, es condicin necesaria y suficiente que se cumpla la hiptesis de
homoscedasticidad e incorrelacin entre las perturbaciones
b. Los residuos de una regresin mnimo cuadrtica ordinaria de Y sobre X no estn
muestralmente correlacionados con X pero si lo estn con Y.
c. Si las perturbaciones de un modelo de regresin lineal clsico son independientes e
igualmente distribuidas, ocurre lo mismo con los residuos por mnimos cuadrados
ordinarios?
d. El R2 de un modelo de regresin lineal tiene que ser cercano a uno si se rechazan las
hiptesis nulas de que cada uno de los parmetros del modelo es 0.
Pregunta 5. Sea el modelo de regresin lineal clsico

Yi = 0 + 1 X 1i + .......... + K X Ki + i
donde i cumple las hiptesis clsicas. Indique, justificando brevemente su respuesta si las
siguientes igualdades son ciertas:
1) E ( ) = 0 4) = 0
2) E (e ) = 0 ( )
5) E + 3 =
3) e = 0 6) MCO = MV
Pregunta 6. Responde razonadamente a las siguientes preguntas:

a) En el modelo de regresin lineal clsico las variables del segundo miembro suelen
llamarse variables independientes, las columnas de X se suponen linealmente
independientes y las perturbaciones se suponen variables aleatorias distribuidas
independientemente. El vocablo independiente es utilizado de tres maneras
distintas en la frase anterior. Explica los tres significados de la palabra. Qu papel
desempean estos tres conceptos diferentes en la teora de la estimacin del modelo
lineal?
b) Estimado el modelo: Yi = X i + ui se calcula el coeficiente de determinacin R2 para
medir la bondad del ajuste y se obtiene un valor igual a 1,5. A qu obedece este
resultado?
c) La inclusin de una variable explicativa adicional en un modelo economtrico hace
aumentar el coeficiente de determinacin (R2) slo si la variable es significativa.
Pregunta 7. Dado el siguiente modelo de regresin lineal clsico:
Yi = 0 + 1 X 1i + 2 X 2 i + 3 X 3i + 4 X 4i + i
se consideran las siguientes hiptesis nulas:
1 / 2 = 2
a) 1 = 2 = 3 b)
3 / 4 = 4
Supn en cada caso que dichas restricciones son ciertas. Escriba el modelo restringido
correspondiente que se deriva
64
Pregunta 8. Se estima, con 65 datos anuales, el siguiente modelo en el que el consumo

nacional (C) de un pas se pone en funcin de la renta (Y), la riqueza (R), el ahorro (S) y el
tipo de inters (I):
MODELO 1: C t = 0 + 1 Yt + 2 Rt + 3 S t + 4 I t + i con e1 ' e1 = 150
Resuelve lo que se te pide en los siguientes apartados tomando un nivel de significacin del
5%:
a. Se estima un segundo modelo para explicar el consumo:
MODELO 2: C t = 0 + 1 Yt + 4 I t + i con e2 ' e2 = 320
Seala si este segundo modelo puede obtenerse del primero y selecciona el mejor de los dos.
b. Se estima un tercer modelo:
MODELO 3: Ct = 0 + 1 Yt + 3 S t + 4 I t + i con e3 ' e3 = 159
Seala si este tercer modelo puede obtenerse del primero y selecciona el mejor de los dos.
c. Se estima un cuarto modelo:
MODELO 4: C t = 0 + 1 Yt + 4 ( I t S t ) + i con e4 ' e4 = 228
Seala si este cuarto modelo puede obtenerse del primero y selecciona el mejor de los dos.
d. A partir del MODELO 3 cmo analizaras que el efecto de la renta sobre el consumo
es la mitad del efecto del tipo de inters y que, simultneamente, un crecimiento de
una unidad en el ahorro produce en el consumo un incremento de una unidad
monetaria?
Pregunta 9. Comenta brevemente, justificando la respuesta, si son verdaderas o falsas las

siguientes afirmaciones:
a) Un modelo posee una buena capacidad predictiva si el valor del coeficiente de

desigualdad de Theil es igual a -0,5.
b) El estimador mximo verosmil de la varianza de las perturbaciones es insesgado y
consistente.
c) En el modelo de regresin lineal general, el supuesto de normalidad de las
perturbaciones es necesario para poder obtener los estimadores de MCO de los
parmetros.
d) Un modelo posee una buena capacidad predictiva si el coeficiente de desigualdad de

Theil es igual a 0,95 aunque la mayor proporcin del ECM de prediccin recaiga en la
proporcin de la covarianza.
Pregunta 10. Considera el modelo de regresin lineal clsico

Yi = 0 + 1 X 1i + 2 X 2i + i
Se ha estimado por MCO ordinarios con 100 observaciones, obtenindose los siguientes
resultados.
65 0.28 0.03 0.03
= 21 .63 (X ' X ) = 0.03 0.04 0.04 S2 =7.32 y R2=0.99
1
1.15 0.03 0.04 0.04
a) Calcula la suma de los cuadrados totales, la suma de los cuadrados de la regresin y la

suma de los cuadrados de los errores o de los residuos.
65
b) Contrasta la hiptesis de que H 0 : 2 = 1 frente a la alternativa de que H 1 : 2 1 .

c) Contrasta la significacin de la regresin.
Pregunta 11. Se sabe que la relacin entre una variable endgena, Y, y una variable
explicativa, X, puede ser representada por dos segmentos lineales con interseccin en X0=4
(ver grfico).
a) Plantea un nico modelo, con trmino constante, que permita estimar esta relacin.
b) Describe cmo contrastaras la hiptesis de que la relacin entre las variables se ajusta a
un nico segmento.
c) Describe cmo contrastaras la hiptesis de que los dos segmentos realmente tienen la
interseccin en el punto X0=4.
Pregunta 12. (Septiembre 2000). Comenta de forma razonada, utilizando una muestra de 200
observaciones, si es verdadera o falsa la siguiente afirmacin:
1 X < 100 1 X t 100
El modelo Yt = 1D1t+2D2t + Xt + t con D = t D 2t = y
1t 0 en otro caso
0 en otro caso
donde tHiptesis clsicas, no se puede estimar pues se cae en la trampa de las variables
ficticias.
Pregunta 13. (Examen parcial ADE Enero 2003) Se tiene la siguiente estimacin por MCO,
donde Yi recoge el gasto diario en euros, de una muestra de 600 turistas que visitaron
Canarias, Xi son sus ingresos anuales y D1i es una variable ficticia que recoge el factor
procedencia y vale 1 si el turista procede de la pennsula y 0 en el resto de los casos. (Todos
los regresores incluidos en el modelo son significativos).
Yi = 16.56 + 14.41D1i + 0.0014 X i
A continuacin se plantea estimar el modelo alternativo:
Yi = 1 D1i + 2 D2 i + 3 X i
donde D2i toma el valor 0 si el turista procede de la pennsula y 1 en otro caso.
Halle los valores numricos de 1 , 2 y 3 , interprete su significado y cuantifique, si

existe, la diferencia entre el gasto diario que, independientemente de los ingresos, realiza
un turista peninsular frente a uno que no lo sea.
66
Pregunta 14. Se desea estudiar las ventas de trajes de bao de un gran almacn (Y) en
funcin del gasto general que realiza en publicidad (X) dicho establecimiento. Para ello se
dispone de una muestra de 200 observaciones trimestrales. Con objeto de recoger la posible
estacionalidad de la variable endgena, se definen 4 variables ficticias:
1 si i corresponde al trimestre j
T ji = para todo j=1,2,3,4
0 en otro caso
En una primera especificacin se plantea analizar las ventas en funcin de una constante, los
gastos en publicidad y las variables ficticias T1, T2 y T3 de forma aditiva y multiplicativa. La
no significacin de las variables T1, T2 conduce a replantear el modelo obtenindose
finalmente la siguiente estimacin:
Yi = 24,5 + 0,45 X i + 6,3T3i 0,37T3i X i

(2,6 ) (3,1) (3,6) ( 4,1)
entre parntesis los estadsticos t.
Con los resultados disponibles se puede concluir la existencia de un comportamiento
estacional en las ventas?. Interpreta cada uno de los estimadores del modelo.
Pregunta 15. Supongamos que se establece que la inversin regional es funcin de la renta
regional y de un factor no cuantificable que recoge la actividad socioeconmica con ms peso
en cada regin (agrcola o industrial) y que afecta al coeficiente de la variable renta regional.
a) Plantea el modelo
b) En el modelo anterior contrasta las siguientes hiptesis, especificando y justificando
claramente en cada caso la hiptesis nula y el estadstico apropiado.
b.1) El efecto de la renta regional sobre la inversin no se ve influido por la actividad
socioeconmica preponderante en cada regin.
b.2) La significacin individual de la variable renta para las regiones agrcolas.
b.3) La significacin individual de la variable renta para las regiones industriales.
Pregunta 16. Se ha estimado por MCO el modelo siguiente

Yi = 15,446+ 0,031X 1i R 2 = 0,9198 R 2 = 0,9169 (Modelo 1)
(7 ,58) (17,92)
Posteriormente se procede a estimar, por MCO con los mismos datos, el modelo 2:
Yi = 9,83 + 0,0199 X 1i + 0,0356 X 2i R 2 = 0,94 R 2 = 0,9428 (Modelo 2)
( 4,32) (5,86) (3,69)
Y por ltimo se estima, tambin por MCO con los mismos datos, el modelo 3
Yi = 11,7 + 0,0211X 1i + 0,039 X 2i 0,0504 X 3i R 2 = 0,9467 R 2 = 0,9412 (Modelo 3)
( 2,817 ) (5,164) (3,322) ( 0,541)
(Entre parntesis aparece el valor del estadstico t)
A la vista de estos resultados qu propiedades crees que tienen los estimadores del modelo
1? Y los del modelo 2? Y los del modelo 3? Justifica en todos los casos tu respuesta.
Pregunta 17. Se ha estimado por MCO el siguiente modelo

Yt = 10,45 0,44 X t SCR = 9,96 T=19701999
Adems se dispone de la siguiente informacin
Yt = 9,81 0,427 X t SCR = 0,255 T=19701981
Y = 9,36 0,31X
t t SCR = 2,85 T=19821999
67
Es admisible la hiptesis de constancia de los parmetros del modelo en los dos periodos
considerados? Comenta las implicaciones de la conclusin a la que has llegado.
Pregunta 18. Se trata de explicar el precio de los pisos (Y) en funcin del nivel de
contaminacin (X1) y del nmero de habitaciones (X2). Con tal objetivo, se estima la
siguiente relacin:
log( Yt ) = 9.23 0.718 * log( X 1t ) 0.0061 * X 2 t

(0.19 )(0.066 ) (0.019 ) T = 505 R 2 = 0.514
a) Especifica la relacin no lineal entre las variables originales.

b) Interpreta el coeficiente estimado del nivel de contaminacin
c) En qu porcentaje aumenta el precio de los pisos si se aumenta en un 1% el nmero
de habitaciones?
Pregunta 19. Seala si son verdaderas o falsas las siguientes afirmaciones, justificando
adecuadamente la respuesta:
a) La precisin de los estimadores de MCO de puede aumentar si se incrementa la
dispersin de los regresores.
b) Un coeficiente de correlacin mltiple bajo entre los regresores implica un elevado
factor de inflacin de la varianza.
c) Un coeficiente de correlacin lineal entre dos regresores incluidos en el modelo de
0,95, hace que los estimadores de MCO sean sesgados.
d) El que los estimadores de los coeficientes tengan varianzas estimadas grandes, con
respecto al valor estimado del coeficiente, es siempre una evidencia de
multicolinealidad.
Pregunta 20. Sea el siguiente modelo estimado donde V son las ventas trimestrales de una
zapatera, P es el precio medio de sus productos, C es el precio medio de los zapatos de la
competencia y G son los gastos en publicidad realizados por la zapatera.
Vt = 249,31 2,11Pt + 0,268C t + 0,102Gt R 2 = 0,924 F * = 147,74
( 4, 2 ) ( 4,805) ( 0,922) (18, 42)
(Entre parntesis aparece el valor del estadstico t)
Adems se dispone de la siguiente informacin
Pt = 115,95 0,1483C t + 0,0117Gt R 2 = 0,9146
C t = 128,49 0,3405Pt + 0,0049Gt R 2 = 0,895
G = 1900,75 7,3366 P + 13,4177C
t t t R 2 = 0,0895
Se pide:
a) Calcula los Factores de inflacin de la varianza. Comenta los resultados obtenidos y la
informacin que se te facilita Crees que existe multicolinealidad en este modelo?
b) Se pueden interpretar los j obtenidos?Sern vlidas las predicciones realizadas
con el modelo?
Pregunta 21. Si en el siguiente modelo de regresin lineal: Yt = 0 + 1 X 1t + 2 X 2 t + t se

satisface
68
que: X 1t = X 2t
a) Se pueden estimar por MCO los parmetros 0 , 1 y 2 ?
b) Se puede estimar alguna combinacin lineal de estos parmetros?
c) Se puede predecir bien Yt?
Pregunta 22. En el modelo Yt= o+ 1 X 1t + 2X 2t + t , la matriz de correlaciones entre las

variables es:
Y X1 X2
Y 1 0.93 -0.7
X1 1 0.15
X2 1
Es cierta la siguiente afirmacin?: Es de esperar que los estimadores sean muy imprecisos
debido a la existencia de fuerte multicolinealidad. Justifica la respuesta.
Pregunta 23. Sea Y el consumo, X1 la renta y X2 la riqueza. Se han realizado las siguientes
estimaciones, con el objetivo de analizar la influencia aislada de X1 y X2 sobre Y:
2
Yt = 24.77 + 0.94 X 1t 0.4 X 2t + t R = 0.9635 SCT=4445.02 T=10
(0.82) (0.08)
2
X 2t = 7.54 + 10.19 X 1t + u t R = 0.9979
(0.16)
Yt = 24.45 + 0.50 X 1t + vt R 2 = 0.9621
(0.03)
Yt = 24.34 + 0.04 X 2t + z t R 2 = 0.9567
(0.003)
Entre parntesis aparecen las desviaciones tpicas. Se pide:
a) Interpreta todos los resultados, utilizando los contrastes que consideres convenientes.
b) A la vista de los problemas que se pueden presentar, selecciona el modelo adecuado
Pregunta 24. Suponga el siguiente modelo: Yi = o + 1 X 1i + 2 X 2i + i donde rX 1 X 2 = 0 .

Adicionalmente se plantean las siguientes regresiones:
Yi = o + 1 X 1i + ui
Yi = o + 1 X 2i + vi
a) Qu relacin existe entre los estimadores de los tres modelos?
b) Si rX 1 X 2 = 1 se mantienen las mismas conclusiones? Razona adecuadamente tu
respuesta.
Pregunta 25. El modelo Yi = 0 + 1 X 1i + 2 X 2i + i se estima por MCO. Seala

separadamente los efectos sobre las propiedades de los estimadores de los siguientes casos:
a) El modelo verdadero incluye tambin la variable X3.

b) La variable X2=2*X1
c) La variable X2=X4*X5
69
d) La variable X1 es una variable ficticia que vale 1 para las observaciones que residen en
zona urbana y cero para las que viven en zona rural.
e) Se plantea la restriccin de que 2 = 0 y no se rechaza.
f) El coeficiente de correlacin lineal simple entre las variables X1 y X2 es 0.98.
g) Se comprueba que la suma de los efectos de X1 y X2 sobre la variable Y es nula.
h) Las variables X1 y X2 estn incorrelacionadas.
i) La relacin entre la variable endgena y las variables explicativas se ve modificada
dentro del periodo temporal de anlisis.
70

Material1 Problemas11-12

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Material1 Problemas11-12

Uploaded by

Copyright:

Available Formats

Material Docente de

Cuarto curso de Economa

PRCTICA 2: Dado el siguiente modelo de regresin lineal clsico:

y disponiendo de las siguientes observaciones:

Yt=270 X1t2=550.000 X1tYt=89.000

Jarque-Bera 0.584916 0.352083 0.125718

Sum 270.0000 1500.000 150.0000

Estimacin con trmino constante

Variable Coefficient Std. Error t-Statistic Prob.

C 31.50000 3.640055 8.653716 0.0131

R-squared 0.970149 Mean dependent var 54.00000

Estimacin sin trmino constante

Variable Coefficient Std. Error t-Statistic Prob.

X1 0.035849 0.227467 0.157601 0.8848

R-squared -0.147564 Mean dependent var 54.00000

PRCTICA 3: Dado el siguiente modelo de regresin lineal clsico:

y disponiendo de las siguientes observaciones:

Solucin apartado 1):

Yt = 5,41176 + 0,44706 X 1t 0,26723 X 2t

Residual Actual Fitted

Dependent Variable: GTIP

AOS GSAN GFAR ESTANCIAS MAYOR64

Apartados 1 y 2.a) y 2.b)

Residual Actual Fitted

Test Statistic Value df Probability

F-statistic 334.6215 (2, 6) 0.0000

Apartado 2.d) Modelo restringido donde: GSAND=GSAN-0.5*GFAR-4*Mayor64

Test Statistic Value df Probability

F-statistic 18.63075 (2, 6) 0.0027

Test Statistic Value df Probability

F-statistic 51.62236 (1, 6) 0.0004

Test Statistic Value df Probability

F-statistic 46.53624 (1, 6) 0.0005

Dependent Variable: GSAN

Test Statistic Value df Probability

F-statistic 27.76543 (2, 6) 0.0009

(GSAN-1-5* GFAR) = C + C(3)*MAYOR64

Test Statistic Value df Probability

F-statistic 6.385194 (2, 6) 0.0327

(GSAN - 10* MAYOR64)= C + C(2)*(ESTANCIAS + 200*MAYOR64)

GASTOS INGRESOS TAM

a) Estima el modelo que explica el comportamiento de los gastos mensuales en alimentacin de

Dependent Variable: GASTOS

Variable Coefficient Std. Error t-Statistic Prob.

C -96.57616 54.41228 -1.774896 0.1013

R-squared 0.949684 Mean dependent var 324.1333

Residual Actual Fitted

Test Statistic Value df Probability

F-statistic 16.80731 (2, 12) 0.0003

Test Statistic Value df Probability

F-statistic 2.377078 (1, 12) 0.1491

Si queremos hacer el contraste a mano el modelo restringido es el siguiente:

Dependent Variable: GASTOST

Variable Coefficient Std. Error t-Statistic Prob.

C -44.80672 45.03453 -0.994941 0.3379

R-squared 0.460846 Mean dependent var 99.25007

Dependent Variable: GASTOS-0.13333*INGRESOS

Variable Coefficient Std. Error t-Statistic Prob.

C -44.80672 45.03453 -0.994941 0.3379

R-squared 0.460846 Mean dependent var 99.25007

Test Statistic Value df Probability

F-statistic 0.023351 (1, 12) 0.8811

Test Statistic Value df Probability

Apartado 2.d) Modelo restringido donde: GSAND=GSAN-0.5GFAR-4Mayor64

(GSAN - 10* MAYOR64)= C + C(2)(ESTANCIAS + 200MAYOR64)