Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
ECONOMETRÍA GUÍA DE EJERCICIOS Marzo 2006 ESTA GUÍA TIENE EJERCICIOS DE CONTROL O PRUEBA DE LOS PROFESORES Verónica Gil Aroztegui Aldo Lema Navarro 1. INTRODUCCIÓN Ejercicio 1.1 Las siguientes clases de datos constituyen generalmente insumos importantes del análisis cuantitativo y econométrico aplicado en Chile: - Indice de producción industrial de la SOFOFA. - Consumo familiar basado en la encuesta de Gastos e Ingresos de los Hogares del INE. - Embarques de exportación por países para 2003. - Importaciones totales en millones de pesos de 1996. - Encuesta cualitativa realizada por el investigador para medir la capacidad ociosa en la rama de textiles. - Distribución de la fuerza de trabajo (oferta laboral) femenina por sector económico. - PIB total en valores nominales, período 1960-2003. - IPSA (Indice de Precios Selectivo de Acciones), base 30 de diciembre de 1980=100. - Tasas de desempleo por región a nivel trimestral. - Tasas de inflación durante 2003 para los países industrializados. - Tasas de crecimiento del PIB de los países industrializados para el período 1980-2003. Clasifiquelos de acuerdo a su carácter de serie temporal o corte transversal (“cross section”). Ejercicio 1.2 Determine cuáles de los siguientes modelos son lineales en los parámetros, en las variables o en ambos. ¿Cuáles de estos modelos son modelos de regresión lineal? a) Yi = β1 + β2 1/Xi + ui b) Yi = β1 + β2 lnXi + ui c) ln Yi = β1 + β2 Xi + ui d) ln Yi = β1 + β2 lnXi + ui e) ln Yi = β1 + β2 1/Xi + ui Ejercicio 1.3 ¿ Corresponden los siguientes modelos a modelos de regresión lineal? ¿Por qué? a) Y ei Xi i= + +β β µ1 2 b) Y ei Xi = + + + 1 1 2β β µ1 c) i i i X Y µββ ++= 1ln 221 d) i X i ieY µββ β +−+= −− )2(21 2)75.0( e) Y Xi i i= + +β β µ0 1 3 Ejercicio 1.4 Determine si los siguientes modelos no estocásticos son lineales en los parámetros. Si no, ¿es posible, utilizando operaciones algebraicas, convertirlos en modelos lineales? a) Y Xi i = + 1 1β β0 b) Y X Xi i i = +β β0 1 c) Y ei Xi = + − − 1 1 1β β0 Ejercicio 1.5 (Control 1, 2do. Semestre ’97) Comente las siguientes afirmaciones, indicando si son Verdaderas, Falsas o Inciertas. a) La econometría es una disciplina que permite dar contenido empírico a las teorías económicas. Por esta razón se ha convertido en un instrumento para destruir aquellas teorías que no encuentran apoyo en la realidad. Ejercicio 1.6 (Control 1, 2do. Semestre ’97) a) (10 puntos) Usted desea modelar el comportamiento del PIB en Chile. Desarrolle los pasos del método econométrico refiriéndose permanentemente a este ejemplo. b) (5 puntos) Explique la diferencia entre relaciones determinísticas y estocásticas. c) (5 puntos) De ejemplos que demuestren la diferencia entre una serie de tiempo y una variable cross section. d) (10 puntos) Defina en forma breve los siguientes conceptos: Ejercicio 1.7 (Control 1, 2do. Semestre 1999) a) (4 puntos) Explique la relación entre regresión y causalidad b) (4 puntos) Explique con un ejemplo la diferencia entre linealidad en los parámetros y linealidad en las variables. c) Un investigador desea explicar la diferencia de rentabilidad que durante 1998 obtuvieron las acciones que componen el IPSA en función de la relación precio-utilidad de cada empresa: c1) (2 puntos) ¿se trata de un estudio con datos cross section o series de tiempo? c2) (8 puntos) Explique los siguientes conceptos basado en el ejemplo: -función de regresión poblacional -función de regresión muestral -µi -ei d) (5 puntos) Comente la siguiente afirmación: “una relación estadística como la estimada en un modelo de regresión implica por sí misma una causalidad entre la variable dependiente y la independiente”. 2. ALGUNOS EJERCICIOS RESUELTOS. EJERCICIO 2.1. Suponga una función de demanda por dinero de la forma: m k yi = . i β donde: - mi es la demanda de dinero en términos reales. - yi es el ingreso nacional en términos reales. - k y β son parámetros. a) Linealizar la ecuación planteada, adicionando un término de perturbación aleatorio. b) Interpretar el significado de β. Solución. a) µβ eykm ii .= iiiiii yykeykm i µβαµβ µβ ++=++== )ln(.)ln(.)ln().ln()ln( b) )ln( )ln( i i y m ∂ ∂ =β por tanto corresponde a la elasticidad ingreso de la demanda por dinero. Refleja cuanto cambia porcentualmente la cantidad demandada real por dinero ante un cambio de 1% en el ingreso nacional real. EJERCICIO 2.2 Dadas las siguientes observaciones correspondientes a un período de 10 años, sobre la cantidad de dinero y el ingreso nacional Años Dinero Ingreso 1 2.0 5.0 2 2.5 5.5 3 3.2 6.0 4 3.6 7.0 5 3.3 7.2 6 4.0 7.7 7 4.2 8.4 8 4.6 9.0 9 4.8 9.7 10 5.0 10.0 a) Representar los puntos en un diagrama de dispersión. b) Estimar la regresión de la cantidad de dinero (Y) respecto al ingreso (X), y trazar la línea obtenida en el diagrama de dispersión. c) Calcular el coeficiente de determinación múltiple (R2) Solución. a) 0 1 2 3 4 5 6 0 2 4 6 8 10 12 b) y = 0.5588x - 0.4988 0 1 2 3 4 5 6 0 2 4 6 8 10 12 M (dinero) Y (ingreso) M cuadrado Y cuadrado MY 1 2 5 4 25 10 2 2.5 5.5 6.25 30.25 13.75 3 3.2 6 10.24 36 19.2 4 3.6 7 12.96 49 25.2 5 3.3 7.2 10.89 51.84 23.76 6 4 7.7 16 59.29 30.8 7 4.2 8.4 17.64 70.56 35.28 8 4.6 9 21.16 81 41.4 9 4.8 9.7 23.04 94.09 46.56 10 5 10 25 100 50 suma 37.2 75.5 147 597.03 295.95 promedios 3.72 7.55 iii YM µββ ++= 21 ∑ === 72.310 2.37 n M M i ∑ === 55.710 5.75 n Y Y i 587.0 )55.7)(10(03.597 )55.7)(72.3)(10(95.295ˆ 2222 =− − = − − = ∑ ∑ XX YXnYX i iiβ 498.0)55.7)(587.0(72.3ˆˆ 21 −=−=−= XY ββ c) ( ) ( ) 96.0 )72.3(10147 )55.7(1003.597)587.0(ˆ )( )(ˆˆ 2 22 22 222 2 22 2 22 2 = − − = − − = − − == ∑ ∑ ∑ ∑ ∑ ∑ YnY XnX YY XX y x R i i i i i i βββ Ejercicio 2.3 Una cooperativa agraria desea estimar cómo afecta la cantidad de fertilizante aplicado por hectárea de cultivo al volumen de la cosecha anual. Para ello dispone de los datos observados durante los últimos 10 años que se muestran en la siguiente tabla. Año 1 2 3 4 5 6 7 8 9 10 Fertilizante (Kg por Ha) 10 12 14 15 19 21 25 28 30 31 Cosecha (Tm por Ha) 45 49 51 55 62 5 69 72 73 79 a) Calcule la recta de regresión de la cosecha (C), sobre la cantidad de fertilizante (f), utilizando término constante. b) Dibuje la recta de regresión anterior junto con los puntos correspondientes a los datos reales. ¿Se ajusta bien dicha recta a los valores observados) ¿Observa algún dato que no se ajusta bien a la relación? (dato atípico o anómalo). c) Se sabe que en el sexto año se produjeron inundaciones en la zona. ¿Cree que este hecho distorsiona los resultados estimados anteriormente? d) Estime el mismo modelo del apartado (a) sin incluir el dato correspondiente al sexto año. Dibuje la nueva recta de regresión junto con los puntos de los datos observados. ¿Se ajusta ahora mejor la estimación a los valores observados? SOLUCIÓN: a) debemos encontrar valores para los coeficientes de una recta del tipo ii21i eXˆˆY +β+β= , donde X: Fertilizante (Kg / Ha) Y: Cosecha (Tm /Ha) ( ) iii i i i ii eXY XY datosloscalcularparaasíes XNX YXXY x yx ++=∴ =−= =++ = − − = − − == ∑ ∑ ∑ ∑ ∑ ∑ 422.185.26 85.26ˆˆ 12240(31)(79) ...49)*(1245)*(10 decir, es XY de obtiene se 12240 :Ojo 422.1 5.20*104737 560*5.2012240ˆ 21 22222 ββ β b) ATÍPICO 0 10 20 30 40 50 60 70 80 90 10 12 14 15 19 21 25 28 30 31 Fertilizante (Kg/Ha) C os ec ha (T m /H a) Real estimada c) El valor actual o real del sexto año es un valor atípico pues de no haber existido inundaciones, el modelo predice un resultado en las cosechas de 56,7 d) ( ) ( ) ( ) ajustedelMedida9843.0667.61935411 8576.535*1778.2 y xˆ T.C.S E.C.SR eX4757.174.25Y 74.25XˆYˆ 4757.1 44.2094296 55544.2012135ˆ 22 i 2 i 2 22 iii 21 22 →= − = β == ++=∴ =β−=β = − ⋅− =β ∑ ∑ Ejercicio 2.4 (Control 1, 1er. Semestre 2000) a) (7 puntos) Suponga que se estiman las siguientes regresiones mediante MICO. iii eXY +⋅+= 21 ˆˆ ββ iii YX εββ +⋅+= 21 ~~ Demuestre que )var( )var( ~ ˆ 2 2 X Y = β β b) (3 puntos) El vector de residuos no está correlacionado con la variable explicativa, pero sí con el valor estimado de Y. Comente. c) (4 puntos) ¿Puede ser el R² mayor que 1? ¿Y menor que 0? ¿Por qué? d) (4 puntos) En la estimación de modelos econométricos, se incluye un término de perturbación estocástica µi que reemplaza todas aquellas variables que son omitidas del modelo, pero que afectan a Y. ¿Por qué no se introducen estas variables en el modelo explícitamente?. Explique al menos 4 razones. SOLUCIÓN a) )Yvar( )Y,Xcov( S N S N y xy~ 2 Y XY 2 i ii 2 ===β ∑ ∑ )Xvar( )Y,Xcov( S N S N x yxˆ 2 X XY 2 i ii 2 ===β ∑ ∑ por lo que: = β β 2 2 ~ ˆ )var( )var( )var( ),cov( )var( ),cov( X Y Y YX X YX = b) La afirmación es falsa. Los residuos no están correlacionados ni con la variable explicativa, ni con el valor estimado de Y. Cov(X,e)= )e( )X X( n 1 )e e( )X X( n 1 iiii −=−− ∑∑ [ ] [ ] 0 e X 0 n 1 eX e X n 1 iiii =−=−= ∑∑∑ Como el valor estimado de Y es una combinación lineal de X, 0 )e ,Ŷ( Cov i = c) En un modelo con intercepto, por corolario de la derivación mico, siempre se cumple que SCT = SCE+SCR , por lo que el R² = SCE/SCT nunca será mayor que 1 ni menor que 0. Sin embargo, si el modelo no tiene intercepto nada garantiza que dicha descomposición de cuadrados se cumpla. Por lo tanto, si se dichas expresiones se usan para calcular el R², éste podría ser menor que cero o mayor que 1. d)Variables omitidas. Variables omitidas por imposibilidad de cuantificarlas. La influencia conjunta de ciertas variables puede ser insignificante o no sistemática (ruido blanco), por lo que basados en razones de costo no se justificaría su introducción explícita en el modelo. Aleatoriedad intrínseca en Y. Errores de medición en las variables. Por parsimonia (tener un modelo simple) pueden dejarse variables sin incluir. Ejercicio 2.5 Dadas las variables X e Y, para una muestra de 20 observaciones, las sumas de productos son: 1 X Y 1 20 545 868 X 19361 21924 Y 50502 Se consideran dos modelos: (i) Yi = β0 + β1 Xi + ui (ii) Yi = β Xi + ui a) Estimar los parámetros de ambos modelos. b) Calcular el coeficiente de determinación múltiple (R2) de ambos modelos. SOLUCIÓN a) De la tabla se obtiene: n = 20, Σxi = 545, Σxi2 = 19361, Σyi = 868, Σyi2 = 50502 Σxi yi = 21924, ∴ 4.43y n x 25.27x i = Σ == estimación de i) ( ) 3833.0 75.4509 729.1 25.27*2019361 4.43*25.27*2021924ˆ 22221 −= − = − − = − − == ∑ ∑ ∑ ∑ xnX xynYX x yx i ii i iiβ 844.5325.27*3833.04.43xˆyˆ 10 =+⇒β−=β estimación de ii) 132.1 19361 21924ˆ 2 =⇒= ∑ ∑ i ii X YX β b) R2 de ambos modelos ⇒ ( ) ( ) ( ) ( ) ( ) 045. 8.12830 75.4509132.1ˆ) 005. 8.12830 58.662 4.432050502 75.45093833.0ˆˆ) 2 2 22 2 2 2 22 222 2 2 22 12 = ⋅ == == ⋅− − = − − === ∑ ∑ ∑ ∑ ∑ ∑ i i i i i i Y X Rii ynY xnX y x SCT SCERi β ββ Ejercicio 2.6 Dadas las variables X e Y, las sumas de productos son: 1 X Y 1 22 220 660 X 3528 9256 Y 25236 a) Estimar por mínimos cuadrados ordinarios (MICO) los parámetros del modelo: Yi = β0 + β1 Xi + ui b) Calcular el coeficiente de determinación (R2). c) Estimar la matriz de varianzas y covarianzas de los estimadores. a) Tenemos que N = 22 ΣXi = 220 ΣYi = 660 ΣXi2 = 3528 ΣYi2 = 25236 ΣXY = 9256 10ˆˆ 2 1328 2656ˆ 21 222 =−= == − − = ∑ ∑ XY XNX YXnYX i ii ββ β b) ( ) 977.0 YNY XNXˆ SCT SCER 22 i 22 i 2 22 = − −β == ∑ ∑ c) ( ) 004669.02.6ˆˆ 2.6 20 53125436 202 ˆ 222 2 2 2 2 = − == = − = − = − = ∑∑ ∑ XNXx VAR SCESCT n e ii i σβ σ ( ) ( ) ( ) ( ) 04669.0 004669.0*10 ˆV10ˆVXˆ,ˆCOV 748686.0 xN XˆˆVAR 2221 2 i 2 i 2 1 −= −= β−=β−=ββ = σ =β ∑ ∑ Ejercicio 2.7 1. El gerente de estudios de la empresa “Cíclica” está interesado en estimar el siguiente modelo: (i) Vt = β1 (PIBt)β2 Donde Vt son las ventas agregadas reales de la empresa y PIBt es el producto interno bruto de la economía, también en términos reales. a) ¿Es posible estimar el modelo i por MICO?. ¿Por qué?. En caso que la respuesta sea negativa explique qué transformaciones realizaría para convertirlo en estimable. b) Explique qué entiende por las siguientes expresiones: • E(Vt/PIBt). • Vt = Vt (estimado) + et c) Dado que el Banco Central bajó las tasas de interés, el gerente cree que sería interesante conocer el efecto de la tasa de interés sobre las ventas, por lo que propone estimar el siguiente modelo: (ii) Vt = eγ2 i Al estimar los modelos i y ii, se obtienen los siguientes resultados: Modelo i: β1 = 500 β2 = 0.8 R2 = 0.89 Modelo ii: γ2 = 0.8 R2 = 0.89 c.1) Interprete los coeficientes obtenidos. c.2) ¿Son comparables los valores de R2 ? c.3) ¿Cuáles son las limitaciones del R2 como indicador de bondad de un estimador? SOLUCIÓN a. El modelo tal cual esta especificado no es estimable porque no es lineal (el parámetro se encuentra en el exponente) y no tiene término estocástico, sino que es una relación deterministica. Para estimarlo: • lo primero que debemos hacer es convertirlo en un modelo econométrico, agregandole un término aleatorio ⇒ µβ⋅β= e)PIB(V 21t . • Como el modelo no es lineal debo linealizarlo aplicandole logarítmos: µ+⋅β+β= )PIBln(ln)Vln( 21t b. - E(Vt/ PIBt) : corresponde a la función de regresión poblacional (FRP) y es el lugar lugar geométrico de las esperanzas condicionales de Yi dado Xi. - µi: es todo lo que afecta las ventas y que no está considerado en el modelo.Es la diferencia entre un valor especifico del logaritmo de ventas y el valor que tienen la ventas en promedio para un valor dado del PIB. - ei: es el residuo no explicado para la muestra en particular con que se trabaja. Es la diferencia entre un valor específico del logaritmo de ventas y el valor predicho por el modelo de regresión. - ttt eV̂V += : implica que cualquier valor de ventas de la empresa se puede dividir en dos partes, una parte que será explica por el modelo de regresión y un error. c. 1 Modelo i. β1: corresponde a la estimación de la ordenada en el orígen del modelo i. Es la media de todo lo que influye en el logarítmo de las ventas de la empresa y que no es explicado por el logarítmo del PIB. β2: 0.8, corresponde a la elasticidad de las ventas respecto al PIB. Indica que por cada 1% de aumento en el PIB, las ventas de la empresa aumentan en un 0.8%. MODELO II i2t i. t i.)Vln(eV i2 µ+γ=→= µ+γ γ2: - 0.1 , corresponde a la semielasticidad de las ventas respecto a la tasa de interés. Indica que por cada punto de aumento en la tasa de interés, las ventas de la empresa disminuyan en un 0.1%. Al aumentar la tasa de interés aumenta el costo de financiamiento para los compradores por lo que se esperaría un efecto negativo en las ventas. c.2. No, los R2 de los dos modelos no son comparables, porque el segundo modelo no tiene constante. Al no tener constante, la suma de los residuos no necesariamente es cero, y por lo tanto ya no se cumple que SCT=SCE+SCR, por lo que si se calcula el R2 de este modelo utilizando la formula tradicional (R2=VE/VT) el resultado no necesariamente estará comprendido entre 0 y 1. Solamente son comparables si el R2 del segundo modelo se calcula como el coeficiente de correlación entre las ventas y la tasa de interés elevado al cuadrado. c.3El R2 es un coeficiente de bondad de ajuste de los puntos de la muestra a la recta de regresión. A mayor ajuste de una muestra mayor R2. Pero no da ninguna pista sobre la relación del estimador con el verdadero valor del parámetro. Puedo tener R2 altos para estimaciones muy lejanas del verdadero valor. Ejercicio 2.8 Considera el siguiente conjunto de posibles especificaciones para la parte sistemática de la función de regresión: I) Logarítmica Yt = a (X1t)b1 (X2t)b2 II) Semilogarítmica Yt = exp (a + bXt) Xt = a bY III) Inversa Yt = a + b / Xt IV) Polinómica Yt = a + b1 Xt + b2 X2t ¿Es necesario hacer alguna transformación para poder estimar por MICO los parámetros de los modelos anteriores? ¿Qué interpretación tienen los coeficientes en los distintos casos? ¿Cómo se introduciría aleatoriedad en cada especificación? I) Logarítmica: Este modelo no es lineal en los parámetros, por lo que, si queremos estimar los parámetros a, b1 y b2 por MICO, es preciso transformarlo previamente tomando logaritmos: t22t11t XlnbXlnbaYln ++= En este modelo de regresión, los parámetros b1 y b2 recogen las elasticidades de la variable Y respecto a los regresores X1 y X2, respectivamente: ( ) ( ) ( ) 2.1iYE X X YE Xln YlnE b t it it t it t i =∀∂ ∂ = ∂ ∂ = El componente aleatorio debe introducirse multiplicando en el modelo I): ( ) ( ) t2bt21bt1t XXaY µ= para que al tomar logaritmos obtengamos: tt22t11t lnXlnbXlnbaYln µ+++= Si, por el contrario, la perturbación se añadiera de forma aditiva en el modelo: ( ) ( ) t2bt21bt1t XXaY µ= no sería posible linealizarlo tomando logaritmos y habría que estimar los parámetros a, b1 y b2 mediante técnicas de estimación no lineales que no están dentro del alcance de este libro. II) Semilogarítmica: Este tipo de funciones no son lineales en los parámetros, por lo que es preciso transformarlas tomando logaritmos. II.1) ( ) tt tt bXaYln bXaexpY += += Los coeficientes de este modelo se suelen conocer con el nombre de semielasticidades: ( ) ( ) ( )tt t t t YE 1 X YE bb X YlnE ∂ ∂ =⇒= ∂ ∂ El componente aleatorio debe introducirse como sigue: ( )ttt ubXaexpY ++= y tomando logaritmos, obtenemos el siguiente modelo: ttt ubXaYln ++= II.2) t21t tt tY t XlnY Xln bln 1 bln aln Y baX δ+δ= +−= = donde δ1 = ln a/ln b y δ2 = 1/ln b. La pendiente del modelo transformado es, en este caso: t 2 t t 2 t t XXln )Y(E Xln )Y(E δ ∂ ∂ ⇒δ= ∂ ∂ En lo que se refiere al comportamiento aleatorio, se introduciría en el modelo como sigue: ( ) tt21t tutY t uXlnY baX +δ+δ= = − lo que es equivalente a sumar directamente la perturbación al modelo previamente linealizado. III) Inversa Este modelo es lineal en los parámetros a y b, y no es necesario llevar a cabo ninguna transformación para poder estimarlos por MICO. La interpretación del coeficiente b es la habitual en el MRLG, pero teniendo en cuenta que esta función establece explícitamente una relación inversa entre la variable Xt e Yt. por lo tanto, ( ) ( ) 2 t t t 2 tt t X X YE b X b X YE ∂ ∂ −=⇒−= ∂ ∂ IV) Polinómica: Esta función también es lineal en los parámetros, y no es preciso transformarla. En lo que se refiere a los coeficientes: ( ) ( ) 22 t t 2 t21 t t b2 X YE Xb2b X YE = ∂ ∂ += ∂ ∂ El coeficiente b2 que acompaña a Xt2 recoge la tasa de variación de Yt cuando aumenta la variable Xt Para introducir aleatoriedad en las especificaciones III) - IV) que no han de sufrir ninguna transformación, basta con sumarle al modelo un término de perturbación que satisfaga las condiciones de tener media cero, varianza constante y covarianza nula. Ejercicio 2.9 Dada la siguiente información: ( ) , , , , , , X X′ = − − −1 0 78741 0 17961 0 03531 0 06028 0 00515 0 00241 X Y′ = 460 820 9 5227 5 , , Yi 2∑ = 12516 N =20 a) (4 puntos) Estime los parámetros del modelo: Yi = β1 + β2 Xi2 +β3 Xi3 + ui b) (4 puntos) Calcule el R2 y el Rc 2 . a) Yi = β1 + β2 Xi2 +β3 Xi3 + ui = −= −−− ++− −− = − − −− == − 3 2 1 1 ˆ ˆ ˆ 5833,0 2151,6 18,30 )5,5227(00241,0)9,820(00515,0)460(03531,0 )5,5227(00515,0)9,820(06028,0)460(17961,0 )5,5227(03531,0)9,820(17961,0)460(78741,0 5,5227 9,820 460 00241,000515,003531,0 00515,006028,017961,0 03531,017961,078741,0 ')'(ˆ β β β β YXXX b) [ ] 77,11831 5,5227 9,820 460 5833,021,618,30''ˆ 6465,0 )23)(20(12516 )23)(20(77,11831 ' ''ˆ 2 2 2 2 2 = −= = − − = − − == YX YNYY YNYX SCT SCER β β 23460 5,5227 9,820 460 3 2 =⇒=⇒ = =′ ∑ ∑ ∑ ∑ YY YX YX Y YX i ii ii i 6049.0 320 13 )6465.01(646576.01 )1( 222 = − − −−= − − −−= kn kRRRC Ejercicio 2.10 Usted tiene el siguiente modelo: Yi = β1 + β2 Ci + ui La variable explicativa sólo puede tomar valores cero o uno. En N1 observaciones tomó el valor cero y en N2 el valor uno. El valor medio de la variable dependiente cuando Xi = 0 fue igual a 2 y cuando Xi = 1 fue cinco. Se pide encontrar los valores de los estimadores de los coeficientes. Total Observaciones- N = N1 + N2 Entonces si 5NY5NY5Y1C 2NY2NY2Y0C 2 2N 1 i2ii 1 1N 1 i1ii ⋅=⇒=→=→= ⋅=⇒=→=→= ∑ ∑ ∑ ∑ Por tanto 21 2 1 1 11 52 NNYYY N i N i N i +=+= ∑∑∑ Para calcular 2β̂ , nosotros sabemos que este es ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ − − =β − − = =β 22 i iii 2 22 i iii 2 i ii 2 CNC YCYCˆ es modelo del variables las para caso esteEn XNX YXYX aeequivalentesquelo x yxˆ donde calculando cada componente, se obtiene: ( ) ( ) 3 2N1N 2N1N3ˆ 2N2N2N1N 2N52N1N22N51N2N5ˆ 2N1N 2N2N1N2N 2N51N22N1N2N5ˆ tantoloPor 2NC 111000C)iii 2N1N 2NC 2N1N 111000 N C C)ii 2N5YYC Y1Y1Y1Y0Y0Y0Y0YC)i 2 22 22 2 22 2 i VECES2N 222 VECES1N 2222 i VECES2NVECES1N i 2N 1 2N,iii VECES2N 2N,2N2N,22N,1 VECES1N 1N,1N1N,31N,21N,1ii ==β→ −+ −−+ =β→ + ⋅+− +−++ =β→ =∴ ++++++= + =∴ + ++++++ == ⋅==∴ ⋅++⋅+⋅+⋅+⋅+⋅+⋅= ∑ ∑ ∑ ∑ ∑ ∑ 44 344 21 K444 3444 21 K 48476 K 4484476 K 444444 3444444 21 K 44444444 344444444 21 K Por otro lado 1β̂ es equivalente a CˆYˆ 21 β−=β→ donde = ( ) ( ) ( ) 2 2N1N 2N1N2 2N1N 2N21N2ˆ 2N1N 2N3 2N1N 2N51N2ˆ tantoPor anteriorcálculopor 2N1N 2N N C Cii 2N1N YY 2N1N 2N51N2Yi 1 1 i i 2N 1 i 1N 1 i = + + − + + =β→ + − + + =β→ + == + + = + + = ∑ ∑∑ Otra forma de hacerlo es en términos matriciales: = = = = − 22 2 ' 1100 1111 X' 11 11 1. 01 01 ')'(ˆ 1 NN NN XX X YXXX KK LLMM β ( ) ( ) − − = − − = = − − − = − − − =− )1(21 1 1 1 1 1 )1(2)1(2 2 )1(2 2 )1(2 2 2 22 )2(2 1 2 22 22 1' 2 1 NN N N NN NN N NN N NN N NN N NN NN NNNNN NN NNN XX + = = = ∑ ∑ 25 2512 ' 2 1 1 1100 1111 X' ' 2 1 1 N NN Yi Yi YX Yn Yn Y YX n N M M KK LL = +−= −+−= +−−= +−−= + −− −+ = + − − == − 3 2 1 1512 2 ˆ 1 )2(512 2 1 52512 2 12 25225212 1 12 ˆ 12 25 1 2512 1 252512 25 2512 ')'(ˆ 121 1 1 1 1 1 1 N NN N NNN N NNN NN NNNNNN N N NN NN N NN N NNN N NN YXXX NN N N NN β β β Ejercicio 3.11 Sea el modelo Yi = β2 Xi + ui ∀ i (1) Asumiendo que se cumplenlos supuestos clásicos se calcula ei = Yi - $β 2 Xi y se estima por MICO Yi = α2 Xi + α3 ei + εi ∀ i (2) a) Definir las matrices en (2) especificando las dimensiones. b) Calcular los estimadores MICO de αi. c) Calcular el vector de residuos de la regresión (2). d) Calcular el R2 de la regresión (2). Se debe resolver en forma matricial. Explique cuidadosamente los resultados. a) Yi = α2 Xi + α3 ei + εi ∀ i (2) 1 2 1 122 1 2 2 1 2 1 1 2 1 × × ×× + = nn Z nnnnn e e e X X X Y Y Y ε ε ε α α M 43421 MMM b) YZZZ ')'(ˆ 1−=α 1 2 2 1 2 0 0 2 1 2 1 2 1 21 211 0 0 )'( − − − − = = = ∑ ∑ ∑∑ ∑∑ i i iii iii nn n n e X eeX eXX e e e X X X eee XXX ZZ 321 876 MM = ∑ ∑− 2 2 1 10 01 )'( i i e X ZZ = = ∑ ∑ ii ii n n n eY YX Y Y Y eee XXX YZ M 2 1 21 21' e eY X YX eY YX e X YZZZ i ii i ii ii ii i i = == ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑− 2 2 2 2 1 10 01 ')'(α̂ ( ) } e eeX e eeX i iii i iii = += += ∑ ∑ ∑ ∑ ∑ 1 ˆ ˆ ˆ ˆ ˆ ˆ 2 2 2 0 2 2 2 2 2 β β β β β α c) = −− −− −− = + + + − = − = 0 0 0 ˆ ˆ ˆ ˆ ˆ ˆ 1 ˆ 2 2222 1211 2 222 121 2 1 2 2 1 2 1 2 1 2 1 2 1 M 48476 M 48476 48476 MM 43421 MMMM n e nn e e nnn Z nnnn eXY eXY eXY eX eX eX Y Y Y e e e X X X Y Y Y n β β β β β β β ε ε ε d) 10...000111 2 2 = +++ −=−=−= ∑ SCTSCTSCT SCRR i ε Primero explico Y por X y tomo el residuo, luego explico Y por X la misma X y por el residuo (la parte de Y que no es X) por tanto tiene que darme que la explicación es el total de Y. Ejercicio 3.12 (Prueba 2, 1er. Semestre 2000) En el siguiente modelo de regresión múltiple: iizixi e Z ˆ X ˆ ˆ Ŷ +β+β+β= a) (5 puntos) Realice una interpretación del significado de los coeficientes estimados en base al uso de diagramas de Ballentine. Distinga los siguientes casos i) X y Z son no ortogonales. ii) X y Z son ortogonales. b) (7 puntos) Suponiendo que se cumple ii) demuestre que el R2 de la regresión es la suma de dos componentes: uno que mide la capacidad explicativa de la variable X ( 2XR ) y otro que mide la capacidad explicativa de la variable Z ( 2ZR ). Ayuda: haga la derivación a partir del calculo de la SCE en base a desvíos respecto a la media. ¿Por qué esta distribución es más compleja y menos intuitiva en el caso i)? c) (10 puntos) Suponiendo que Z es no ortogonal con X, es decir se cumple i), pero es ortogonal con Y, postule el modelo teórico a estimar. ¿Será un modelo de regresión múltiple o uno de regresión simple? ¿Por qué? Acompañe su explicación con derivación algebraica y diagramas de Ballentine. a) X y Z no ortogonales YX Z X y Z ortogonales Y X Z { { excluyo sequeX deEfecto Contiene B excluyo sequeZ deEfecto Contiene A iZBi iXAi ˆˆ ZˆˆY XˆˆY β≠β ν+β+β= ε+β+β= b) Si X y Z son ortogonales ⇔ Cov (X, Z) = 0 ⇔ Σxz = 0 No se utiliza esta información - no puede aislarse efectos individuales - No se pueden asignar a cada estimador [ ] 2 Z 2 X 2 ORIG 2 i 2 i 2 X iiXi 2 i 2 i 2 Z 2 i 2 i 2 X 2 i 2 i 2 Z 2 i 2 X2 2 i 2 Z 2 i 2 X Z X 2 i 2 i ZX RRR tantoloPor ySCTyxˆSCE XydecasoelEn y zˆ y xˆ y zˆxˆ SCT SCERquesabeSe zˆxˆSCE ˆ ˆ zxz xzxˆˆ ˆx'x'ˆSCE += =β= ε+β= β + β = β+β == β+β=⇒ β β ββ ββ= ∑∑ ∑ ∑ ∑ ∑ ∑ ∑∑ ∑∑ ∑∑ ∑∑ [ ] ∑∑∑ ∑∑∑∑ ∑∑ ∑∑ ββ+β+β= β+ββ+ββ+β β β β+β+β+β= xzˆˆ2ZˆXˆ XˆxzˆˆxzˆˆXˆ ˆ ˆ XˆxzˆxzˆXˆSCE ZX 2 iZ 2 i 2 X 2 Z 2 ZZXXZ 2 i 2 X Z X2 ZZXZ 2 iX YX Z c) COV (X, Z) ≠ 0 ⇒ ΣXiZi ≠ 0 COV (Z, Y) = 0 ⇒ ΣXiYi = 0 Y X Z ( ) ( )2ii2i2i ii ii 2 iii ii 2 i ii ii 1 2 iii ii 2 i 1 zxzx yz yx · xzx zxz yz yx zzx zxx y'xx'xˆ ∑∑∑ ∑ ∑ ∑∑ ∑∑ ∑ ∑ ∑∑ ∑∑ − − − =β − − MULTIPLE SIMPLE ( ) ( )∑ ∑∑ ∑∑ ∑ ∑∑ ∑∑ − − =β − =β 2 ii 2 i 2 i iiii z 2 ii 2 i 2 i ii 2 i x zxzx yxzx zxzx yxz ∑ ∑=β 2 i ii x x yx Ejercicio 3.13 (Prueba 1, 2do. Semestre de 2005) En términos generales es posible especificar una demanda por dinero de la siguiente forma: M.V(i) = P Qλ.Asumiendo que la elasticidad ingreso es unitaria (λ=1), se tiene entonces que: )(ifónmonetizaci PQ M == El gráfico de la izquierda muestra la relación entre el logaritmo natural del nivel de monetización(ln(M/PQ) y la tasa de interés nominal para el período 1986.1 a 2005.3 Dos economistas han dado distinta forma a la función f(i), estimando dos modelos para la misma variable dependiente: Modelo 1. Modelo 2. Dependent Variable: LOG(M1AN/YN) Dependent Variable: LOG(M1AN/YN) Included observations : 231 Included observations : 231 Variable Coefficient Std. Error Variable Coefficient Std. Error C -6.786356 0.013381 C -7.139486 0.008665 I -0.178004 0.009794 1/i 0.093122 0.003825 S.E. of regression 0.112090 S.E. of regresión 0.092476 S.D. dependent var 0.174792 S.D. dependent var 0.174792 -7.4 -7.2 -7.0 -6.8 -6.6 -6.4 -6.2 0 1 2 3 4 5 I LO G (M 1A N /Y N ) -.4 -.2 .0 .2 .4 .6 -8.0 -7.6 -7.2 -6.8 -6.4 -6.0 86 88 90 92 94 96 98 00 02 04 Residual Actual Fitted -.4 -.2 .0 .2 .4 -7.4 -7.2 -7.0 -6.8 -6.6 -6.4 -6.2 86 88 90 92 94 96 98 00 02 04 Residual Actual Fitted a) (4 puntos) Discuta la bondad relativa y absoluta de ajuste de los modelos. b) (4 puntos) Interprete los coeficientes estimados en ambos modelos c) (4 puntos) Interprete el gráfico de los residuos reportados para cada modelo. c) (5 puntos) ¿Qué criterio emplearía usted para decidirse por uno u otro modelo?. ¿Por qué? a) (4 puntos) Discuta la bondad relativa y absoluta de ajuste de los modelos. Primer modelo (lineal) 112090.0ˆ 2 = − = ∑ kn ei eσ 52.87719449229112090.0)(ˆ 22 =×=−=⇒ knSCR eσ 174792.0 1 )( 2 = − − = ∑ n yyi yσ 17.02701595230174792.0)1( 22 =×=−=⇒ nSCT yσ 60.59055244 027015951.7 877194495.2112 =−=−= SCT SCRR , esto significa que la variable exógena i explica el 59,1% de la volatilidad de la variable monetización. En términos absolutos el ajuste es bueno. segundo modelo (inverso) 092476.0ˆ 2 = − = ∑ kn ei eσ 21.95836462229092476.0)(ˆ 22 =×=−=⇒ knSCR eσ 174792.0 1 )( 2 = − − = ∑ n yyi yσ 17.02701595230174792.0)1( 22 =×=−=⇒ nSCT yσ 10.72130921 027015951.7 958364622.1112 =−=−= SCT SCRR esto implica que la variable independiente 1/i explica el 72,1% de la volatilidad de la variable monetización. En términos absolutos el ajuste es bueno. Como la variable dependiente es la misma en los dos modelos, los R2 se pueden comparar para ver cual es el modelo que mejor se ajusta a la muestra. Claramente el segundo modelo es el mejor en términos relativos que el primero b) (4 puntos) Interprete los coeficientes estimados en ambos modelos. ¿Son significativos? tt t ui PQ M ++= 21log ββt tt iPQ M εββ ++= 1log 21 En el primer modelo 1β es el intercepto el cual muestra el valor del logaritmo de la monetización que no es explicado por la tasa de interés y que probablemente dependa de otras variables omitidas que no afectan al comportamiento de la perturbación por ser poco relevantes. El valor negativo de este se debe a que la variable M/PQ se encuentra entre 0 y 1 por lo que su logaritmo es negativo. 2β es la pendiente del modelo lineal (considerando la variable dependiente al log de la monetización y no a la monetización) . El valor de esta muestra varia la tasa de monetización ante un cambio en la tasa de interés. Su valor en esta muestra es negativo lo que implica una relación inversa entre estas variables, resultado acorde con la teoría económica. En el segundo modelo el significado de 1β es distinto al primero ya que esta función no intercepta al eje Y por lo que 1β no es el valor del intercepto en el eje Y. La inversa de 1β es el intercepto de la regresión en el eje X. La pendiente del modelo inverso no es 2β , es 22 1 ti β− la cual, como 2β es positivo da un valor negativo para todo el rango de la tasa de interés, resultado acorde con la teoría económica. c) (4 puntos) Interprete el grafico de los residuos reportados para cada modelo. Hasta los últimos 2 años de la muestra se observa un buen comportamiento de los errores de la regresión, no se ve presencia de heteroscedasticidad, autocorrelación , no normalidad ni error de especificación. Pero a fines de 2001 hasta el final de la muestra se observa un aumento en los valores de los errores con una tendencia creciente en especial en el primer modelo. Esto se debe en parte a que el modelo lineal no estima bien los valores de la monetización cuando la tasa de interés es muy baja a diferencia del modelo inverso. Pero como este modelo también presenta un comportamiento autocorrelacionado en los últimos años, esto puede deberse a un error de especificación producto de un cambio estructural en la economía Chilena debido a la nominalización de la tasa de interés de política monetaria. También puede deberse a que las autoridades monetarias han dejado de seguir una política “monetarista” producto de la implementación de las metas de inflación en un escenario de baja producción y bajas tasas de interés tanto a nivel local como internacional. d) (5 puntos) ¿Qué criterio emplearía usted para decidirse por uno u otro modelo?. ¿Por qué? El mejor criterio es el modelo que tenga los mejores fundamentos económicos, ya que muchas de las conclusiones que podemos sacar de la regresión están ligadas a la muestra que elegimos, y por lo tanto, sin una buena teoría las conclusiones que obtendremos pueden ser muy distintas al comportamiento de la variable a explicar en el futuro.
Compartir