Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Ayudant́ıa 3 - Econometŕıa I (EAE-250A) 1er Semestre 2020 1. Responda las siguientes preguntas de acuerdo los conceptos vistos en clases: (a) Demuestre que para el modelo de mı́nimos cuadrados ordinarios (MCO) se cumple que la correlación entre las variables independientes y los residuales es cero. Discuta si esta propiedad se cumple en caso que el modelo no considere la constante �0. (b) Considere el modelo de regresión lineal múltiple con los supuestos clásicos y su estimación por MCO. Calcule y compare las siguientes varianzas condicionales: i. Var(bu|X) vs. Var(u|X) ii. Var(b�|X) vs. Var(�|X) iii. Var(by|X) vs. Var(y|X) Solución: VER VIDEO 2. Considere el siguiente modelo de regresión lineal simple que será estimado por MCO: y = �0 + �1x+ u Suponga que u ⇠ N(0,�2) con � = 0.6 y que los supuestos MCO vistos en clase son válidos. Usted cuenta además con la siguiente información: X>X = ✓ 32 57 57 745 ◆ , X>y = ✓ 8.7 95.5 ◆ , (y � ȳ)>(y � ȳ) = 14.6984, û>û = 9.9822 Responda las siguientes preguntas: (a) Interprete los parámetros �0, �1 y � del modelo. (b) Determine b�0 y b�1. (c) Estime los errores estándares de b�0 y b�1. {Ayuda: recuerde que se(b�i) =q Var(b�i|X).} (d) Considere el siguiente estimador: b✓ = b�1� b�0�0.1. Determine E h b✓|X i y Var(b✓|X). Solución: VER VIDEO 3. Considere el siguiente modelo de regresión simple: y = �0 + �1x+ u (a) Enuncie el Teorema de Gauss-Markov y mencione cuáles son los supuestos necesarios para que este se cumpla. Para las siguientes preguntas suponga que se cumplen estos supuestos. (b) Suponga que e�1 es el siguiente estimador: e�1 = Pn i=1 (zi � z)yiPn i=1 (zi � z)xi con zi = e xi Demuestre que e�1 es lineal e insesgado. (c) Determine la varianza de e�1. (d) Comente cómo se compara la varianza de e�1 con la del estimador MCO de �1. Solución: VER VIDEO 4. Responda brevemente de acuerdo a los conceptos econométricos discutidos en clases: (a) Suponga que en vez de la función objetivo de MCO, usted busca los estimadores que maximizan el R2 del modelo. Compare las condiciones de primer orden de ambos problemas de optimización. (b) Considere el modelo de regresión lineal y suponga que los supuestos de Gauss-Markov son válidos. Discuta si es posible encontrar un estimador de coeficientes � que tenga menor varianza condicional que el estimador por Mı́nimos Cuadrados Ordinarios (MCO). (c) Un amigo le dice que los estimadores MCO tendrán menor varianza mientras menor sea la correlación entre las variables explicativas. Es más, él sugiere utilizar regresores que ojalá tengan correlación negativa entre ellos. ¿Qué le diŕıa a su amigo? (d) El estimador MCO en el modelo simple es �̂1 = Pn i=1(xi�x̄)(yi�ȳ)Pn i=1(xi�x̄)2 . Usted define las nuevas variables wi = yi � ȳ y zi = xi � x̄ y que corre la siguiente regresión: wi = �0 + �1zi + ei Determine los estimadores MCO de �0 y �1. Solución: VER VIDEO 5. Este ejercicio busca entender el efecto del clima en la calidad del vino. Como medida de calidad se utiliza el precio del vino, mientras que para medir clima, se usa la cantidad de lluvia cáıda durante el tiempo de cosecha. Usted también cuenta con la edad del vino, medida en años, como variable de control. La siguiente tabla contiene los datos: Suponga que se cumplen los supuestos de Gauss-Markov y que el modelo a estimar es el siguiente: by = c�0 +c�1 x1 +c�2 x2 Ayudant́ıa 3 - Econometŕıa I (EAE-250A) 1er Semestre 2020 ln(precio) lluvia edad (y) (x1) (x2) -2.25 29 6 -2.15 24 5 -0.91 9 4 -1.30 11 3 Usted además calcula que (X>X)�1 = 0 @ 7.66 0.26 �2.71 0.26 0.02 �0.14 �2.71 �0.14 1.18 1 A (a) Calcule el vector b� de estimadores MCO. (b) Determine el R2 y el R 2 de la regresión. (c) Suponga que un buen estimador de la varianza de los errores �2 es b�2 = SSR n�k�1 . Utilice b� 2 para estimar la varianza condicional del coeficiente que acompaña a la variable lluvia. Solución: VER VIDEO FÓRMULAS servicio'N MCO Gullit JALEEIS p.tl r.xj 1 yTys0NslnETMcAsCovCA4iBzlArB µ g p ESDEMPOTENTES Corky sa scovla.BY Acovl44l.B A.varlyj.Br y x.p ylxT.yj y _y PY Ú Y Y y xp y.plM.x XTy YPy M.ylorrlXi ui o Gorriti iii CoultiiiiVarltil paraqueseacierto Couldi Lii O paño covlxi.uit.sc i x lui n CPO Xi iii o Elk F Iii i siii o ECxi.mil ELE Lii EYiit x.su io olovlxi.li s o sin po no se cumplen las CPO i www.wfjnllif is liarla ii My fvarluilxfvwln.nl l M.lxpstu M.VNulX N M X Min Ot MU M M S M M xso sls xlxt.xf 1 pt X T.n.rs O µ n so M s x x x x so Variety o an ii Vail iii vwtelksvwldi.nld Vorlulx Uorl4lXoa.sVarplx oiilXi.xl varlilxl.varlp.nld p.varl4lN P Kerli va p iiiiiiiiiiiii siiiii PARA REGRESIONSIMPLE ti Iori ágil i taxi narrio VARIANZA COVARIANZA DEESTIMADORES Bj novia.HN µ µ PARA R SIMPLE WulBok1 NIPON Coulson cortisol var por peli y Both Xt µ 80 8 soia EXIGIcereus Pararas sexi Bo valor quetoma y cuando X o B frente a un At1 unidad en 1 significaquemi y At pr Ay Apr X 0 Gradodedispersióndelmodelo p n EXY X Ey 32.995 57 8 t 0,124331 Me Exa_ EX 32.745 St Á 2 pi 2 Gat 0,12433 Esta 0,05041 matriz kevlar arpillera vi va 0 0.6 sets ln sxi lsxisy.VNBo X o a 745 0,36 745 327es a 0,013251 32.745 gz PORQUÉusa Exia en Á y UNIÓNIX 0,36 32 0,00056 n er á enelnumerador 32.745 15712 seLpi MÍ 0,1141276 se pi TÍ 0,023653 Corliss o t.EE sí maxi Exit Eli y Vorterix E Ó H El pi jo qe IX suSESGADOS ElÉi B ELEIX pr po 0,1 Vorterix Ver lá Bi Xix var pi pi Ix Karpin traerla z couesi pio IX 0,000559 0,013025 z 02 2 Xi n ir_taxi 0,013584 2 0,000996551 UN D 0,0155771 FORMULARIO Varlattb4 E Ver tb UN4 rabilovKM Varlat b4 I Ver tb UN4 rabicorta 1 linealidad en parámetros eOrtogonalidad a Muestraaleatoria 5 Homocedasticidad 3 Condición deidentificación Á mas entre todos los Insesgollos Bi insesgado elpi IX pr n s zi E BotBeti thi zpolzi EITEBr.tn zi E t2UilZi E E Zi E Xi Eczi E Xi po Etz pr ste ni Zi I Elziri zi E Xi pin B tsui Hi E zi zg.si Eloi prTELE il x o Eli.IN por zi E ECsuilX Zi E Xi C páll por LINEALSNCESGADO varió var II Ix xp 14 Var ami Hi E Ix Eczi E Xi UN pill Eczi E a Verlui IX Eczi E giga El Zi E a cara Eczi E Xi FÓRMULAS por XT XT y MRL MÚLTIPLE E ssssqssi ssssr E r.sk ln k1lssrln MNarlfsXl r lxs.x Pico Lx N y 2,25 l I l 3 3 se rió t Iiilis neo lib 0,35 0,84 2,39 lo L i i ni DATOS pi p SSI p SSR n K 1 K VARIABLES Sss sa n y sss Elli 4 aas ans o al 1,3 1,6525 4 SST 2,25 1,6525 2,15 1,6525 t l 0,91 1,652512 1,311,6525 0,357 1 0,2475 t 015513 t 0,124256 SST 1,280025 ssp E ú vii Ir vi y Y Ñ y x por ii t.li l.i ilSSRUT.u SÍ 0,5983 93328 0,6593 92874 0,6593 0,2874 SSR 959832 t 0,3328 t 0,65932 0,28742 SSR 0,98599 pi p 0,9859 0,229 1,280075 E a p 019859 1,3107 1,280075 a r Ó ssr ó n K r varlpilxj oa.ly yj Li Ó a SSI 0,98599 n K r g 0,98599varlri.IN Var pity 0,98599 00Grupo variáis up pin X 0,98599 0,02 0,0197TEMA 2 y pot por X tu UNMOIO.ba pan y q siii x EIIos My µ y 55 ly 5 lavarasexi soia di js.li 9,9822 b 32 95,5 St 0,124331 32.745 gz a i www.sz.aosnki iii iY soia sexi c Error ESTÁNDAR Bio YA FIF ai n para Inertia_ sexi Var pi o taxi 7es n Elia_ Exit 32,7ps gya 0,36 903618 0,0130251 0,62 UN pity Él M 32 0,36 0,001554 0,000559 n Exia_Exija 32.715 572 Se piso to 0,1141276 se pi FÉ 0,023653 d E pi pi 0in ELGIN Elén E Pio 0,1 9124331 0,054 0,1 0,029769 varió Ver lá pi Verlpilxltkrrpi.lt 2covlpi riIx 0,0130251 t 0,00055g z 0,65132.715572 010015578 TEMA 5 j.pt pi tit pi ta a pr ya X y el iii si Ht OM 0,75 0,71 L b pi 1 Sff Emi 4 0,357 cimosas 4 aux 0,9111,6525 s 0,5513 1,311,6525 s 0,124256 SST 1,280075 ssrsscy x.BY iii X L siiiiL SSR 0,98599 1 0,98599 0,229 1,280075 ja n 1,3107 e l yac Ó a SSR O0,98599 Q.es UN pi IX 0,98599 0,02 0,0197
Compartir