Curso Académico 2018-2019 Apellidos:
Econometría Básica Nombre:
Ejemplo 2 de EXAMEN PARCIAL
Por favor, lee las preguntas con atención y da una respuesta completa y clara. ¡Suerte!
1. (2 puntos) Se pedirá demostrar UNO de los enunciados de la última página:
o bien el resultado XX del Apéndice, usando álgebra y los resultados anteriores a estos,
o bien, la derivación YY hecha en clase, ejercicios…
2. (3.5 puntos) El gobierno de Bélgica quiere investigar el efecto en la formación de
alumnos de Primaria de un plan de uso intensivo de nuevas tecnologías en el aula. El
aprendizaje se mide con un examen estandarizado.
a. ¿Qué rasgo clave en un experimento (RCT) aseguraría que se mide ese efecto y no otro?
En lugar de datos experimentales, inspeccionamos las notas en un test de una muestra de
500 estudiantes que ya habían implementado (o no) un plan similar. Hallamos una
puntuación media de 715 (sobre 800) y una desviación típica de 225 puntos.
b. Construye un intervalo de confianza del 99% para la puntuación media poblacional
c. ¿Rechazamos al nivel de significación del 1% que la puntuación media poblacional es
685 puntos? Si fuera el caso, ¿por qué sería obvio que rechazásemos también al 5%?
En la muestra, 200 alumnos pertenecen a centros que siguieron este tipo de plan, mientras
que 300 no. La media para los primeros es 721 puntos (con una desviación típica de 230
puntos) y 711 puntos para los segundos (con 222 puntos de desviación típica).
d. ¿Rechazamos al nivel de significación del 5% que los alumnos que siguen el plan
aprenden lo mismo que los que no? Ilustra abajo tu respuesta, rellena los 3 “?” y localiza
los valores críticos.
? ∼ N(? , ? ) t∼N(0,1)
e. Da un modelo lineal de un regresor y una hipótesis que, contrastada, responda a (d)
3. (4.5 puntos) Queremos estudiar el efecto de la altura (medida en pulgadas) en la
variable “flujo” renta (en dólares por año). Para ello, obtenemos datos observacionales de
una muestra aleatoria de 7896 hombres trabajadores y estimamos:
̂ = −43130 + 1306.9 𝑎𝑙𝑡𝑢𝑟𝑎,
(𝟏) 𝑟𝑒𝑛𝑡𝑎 𝑅 2 = 0.02, 𝑆𝐸𝑅 = 26671
(6925) (98.86) errores típicos robustos a la heterocedasticidad
a. Interpreta -43130 (el valor, no sólo el signo) en términos de pulgadas y dólares ganados
b. Reescribe el modelo estimado cambiando la variable altura a cm (1cm=2.54pulgadas)
Reestimamos el modelo usando una muestra de 9974 mujeres con altura en pulgadas:
(2) MCO, usando las observaciones 1-9974
Variable dependiente: renta
Desviaciones típicas robustas ante heterocedasticidad, variante HC1
Coeficiente Desv. Típica Estadístico t Valor p
const 12650.9 6299.15 2.0083 0.0446 **
altura 511.222 97.5846 5.2388 <0.0001 ***
Media de la vble. dep. 45621.00 D.T. de la vble. dep. 26835.43
Suma de cuad. residuos 7.16e+12 D.T. de la regresión 26800.90
R-cuadrado 0.002672 R-cuadrado corregido 0.002572
F(1, 9972) 27.44459 Valor p (de F) 1.65e-07
c. Construye un intervalo de confianza del 95% para la diferencia en el efecto de la altura
en la renta entre hombres y mujeres
Ilustra tu respuesta en
esta gráfica como
N(?,?) N(?,?) hicimos en clase.
Rellena los 6 “?”
↑? posibles valores de ?
d. ¿Cambiaría este intervalo si no hubiésemos pedido errores standard robustos a la
heterocedasticidad al estimar ambas regresiones y hubiera heterocedasticidad? Razona
Muchas rentas altas provienen de rendimientos financieros de herencias, es decir, de la
riqueza heredada que, por su relación con la nutrición en la infancia, se asocia con altura
e. Explica qué implica omitir la variable riqueza heredada en la regresión (1). Usa una
fórmula matemática para justificar tu respuesta nítidamente
f. Ilustra en dos gráficos: (i) qué supuesto de nuestro modelo falla y (ii) las consecuencias
al usar una muestra para estimar el efecto causal de altura en renta.
Lista de RESULTADOS BÁSICOS demostrados en el APÉNDICE
(1) 𝐸(𝑎𝑋 + 𝑐) = 𝑎𝜇𝑋 + 𝑐
(2) 𝑣𝑎𝑟(𝑋) = 𝐸[𝑋 2 ] − 𝜇𝑋2
(3) 𝑣𝑎𝑟(𝑎𝑋 + 𝑐) = 𝑎2 𝜎𝑋2
(4) 𝐸(𝑎𝑋 + 𝑏𝑌 + 𝑐) = 𝑎𝜇𝑋 + 𝑏𝜇𝑌 + 𝑐
(5) 𝑐𝑜𝑣(𝑋, 𝑌) = 𝐸(𝑋𝑌)−𝜇𝑋 𝜇𝑌
(6) 𝑐𝑜𝑣(𝑋, 𝑋) = 𝜎𝑋2
(7) 𝑐𝑜𝑣(𝑎𝑋, 𝑐 + 𝑏𝑌) = 𝑎𝑏 𝜎𝑋𝑌
(8) 𝑐𝑜𝑣(𝑎𝑋 + 𝑏𝑌 + 𝑐, 𝑍) = 𝑎 𝜎𝑋𝑍 + 𝑏 𝜎𝑌𝑍
(9) 𝑣𝑎𝑟(𝑎𝑋 + 𝑏𝑌 + 𝑐) = 𝑎2 𝑣𝑎𝑟(𝑋) + 𝑏 2 𝑣𝑎𝑟(𝑌) + 2𝑎𝑏 ∙ 𝑐𝑜𝑣(𝑋, 𝑌)
≡ 𝑎2 𝜎𝑋2 + 𝑏 2 𝜎𝑌2 + 2𝑎𝑏 𝜎𝑋𝑌
(10) 𝐸(𝑎𝑋 + 𝑏𝑌 + 𝑐|𝑍) = 𝑎𝐸(𝑋|𝑍) + 𝑏𝐸(𝑌|𝑍) + 𝑐
(11) 𝑉𝑎𝑟(𝑎𝑋 + 𝑏𝑌 + 𝑐|𝑍) = 𝑎2 𝑣𝑎𝑟(𝑋|𝑍) + 𝑏 2 𝑣𝑎𝑟(𝑌|𝑍) + 2𝑎𝑏 ∙ 𝑐𝑜𝑣(𝑋, 𝑌|𝑍)
(12) 𝐸[𝐸(𝑋|𝑌)] = 𝐸(𝑋) ≡ 𝜇𝑋 Ley de Esperanzas Iteradas (LIE)
(13) 𝑃(𝑋 = 𝑥𝑖 ∩ 𝑌 = 𝑦𝑗 ) = 𝑃(𝑋 = 𝑥𝑖 ) ∙ 𝑃(𝑌 = 𝑦𝑗 ) ∀ 𝑥𝑖 , 𝑦𝑗 ↔ X e Y independientes
(14) 𝑋 𝑒 𝑌 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 → 𝑐𝑜𝑟𝑟(𝑋, 𝑌) = 0
Lista de DEMOSTRACIONES hechas en CLASE, EJERCICIOS
(I) 𝐸(𝑌̅) = 𝜇𝑌 para una muestra {𝑌1 , 𝑌2 , … , 𝑌𝑛 } i.i.d.
𝑛 1
(II) 𝑆𝑋2 = (𝑛−1) (𝑛 ∑𝑛𝑖=1 𝑥𝑖2 − 𝑥̅ 2 ) es la varianza de la muestra {𝑋1 , 𝑋2 , … , 𝑋𝑛 }
𝑛 1
(III) 𝑆𝑋𝑌 = (𝑛−1) (𝑛 ∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − 𝑥̅ 𝑦̅) para la muestra {(𝑋1 , 𝑌1 ), (𝑋2 , 𝑌2 ) … (𝑋𝑛 , 𝑌𝑛 )}
(IV) resuelve el problema de MCO para estimar 𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝑢𝑖 si 𝑋𝑖 = 0 ∀ 𝑖
y demuestra que 𝛽̂0 = 𝑦̅
(V) resuelve el problema de MCO para estimar 𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝑢𝑖 y demuestra
̂0 = 𝑦̅ − 𝛽
que ∑𝑛𝑖=1 𝑢̂𝑖 = 0, y ∑𝑛𝑖=1 𝑢̂𝑖 𝑥𝑖 = 0, así como que 𝛽 ̂1 𝑥̅ , y 𝛽
̂1 = 𝑆𝑋𝑌 ⁄𝑆𝑋2
(VI) 𝑆𝑢̂𝑋 = 0 cuando estimas 𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝑢𝑖 usando MCO
(VII) si 𝐸(𝑢|𝑋) = 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒, entonces 𝑐𝑜𝑟𝑟(𝑢, 𝑋) = 0
∆𝐸(𝑌 |𝑋)
(VIII) si 𝐸(𝑢|𝑋) = 0, entonces 𝛽1 = en el modelo 𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝑢𝑖 …
∆𝑋
(IX) …pero 𝛽1 = 𝐸(𝑌|𝐷 = 1) − 𝐸(𝑌|𝐷 = 0) en 𝑌𝑖 = 𝛽0 + 𝛽1 𝐷𝑖 + 𝑢𝑖 si 𝐷 es binaria
(X) 𝑆𝐶𝑇 = 𝑆𝐶𝐸 + 𝑆𝐶𝑅 cuando estimas 𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝑢𝑖 usando MCO
Momentos / Parámetros Estimación muestral
Poblacionales de Momentos / Parámetros
1
𝐸(𝑋) = ∑𝑚
𝑗=1 𝑥𝑗 𝑃(𝑋 = 𝑥𝑗 ) ≡ 𝜇𝑋 𝑥 = 𝑛 ∑𝑛𝑖=1 𝑥𝑖 ≡ 𝜇̂ 𝑋
1 𝑛
𝑣𝑎𝑟(𝑋) = 𝐸[(𝑋 − 𝜇𝑋 )2 ] ≡ 𝜎𝑋2 𝑠𝑋2 = ∑ (𝑥𝑖 − 𝑥)2 ≡ 𝜎̂𝑋2
𝑛 − 1 𝑖=1
𝑠𝑑(𝑋) = √𝜎𝑋2 ≡ 𝜎𝑋 𝑠𝑋 = √𝑠𝑋2 ≡ 𝜎̂𝑋
𝑠𝑋𝑌 =
𝑐𝑜𝑣(𝑋, 𝑌) =
1 𝑛
= 𝐸[(𝑋 − 𝜇𝑋 )(𝑌 − 𝜇𝑌 )] ≡ 𝜎𝑋𝑌 = ∑ (𝑥𝑖 − 𝑥)(𝑦𝑖 − 𝑦) ≡ 𝜎̂𝑋𝑌
𝑛 − 1 𝑖=1
𝜎𝑋𝑌 𝑠𝑋𝑌
𝑐𝑜𝑟𝑟(𝑋, 𝑌) = ⁄𝜎𝑋 𝜎𝑌 ≡ 𝜌𝑋𝑌 𝑟𝑋𝑌 = ⁄𝑠𝑋 𝑠𝑌 ≡ 𝜌̂𝑋𝑌
𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝑢 ̂0 + 𝛽
→ 𝑌̂ = 𝛽 ̂1 𝑋1 ; 𝑢̂ = 𝑌 − 𝑌̂
{ 𝑌 = 𝛽0 + 𝛽1 𝑋1 + ⋯ + 𝛽𝑘 𝑋𝑘 + 𝑢 ̂0 + 𝛽
→ 𝑌̂ = 𝛽 ̂1 𝑋1 + ⋯ + 𝛽
̂𝑘 𝑋𝑘 ; 𝑢̂ = 𝑌 − 𝑌̂ }
Δ 𝐸(𝑌 |𝑋1 ) Δ 𝐸(𝑌 |𝑋1 , 𝑋2 ) 𝑠𝑌𝑋 𝑠𝑌1 𝑠22 − 𝑠12 𝑠𝑌2
𝛽1 = {= } ̂1 =
𝛽
Δ𝑋1 Δ𝑋1 2 {= 2 }
𝑠𝑋 𝑠11 𝑠22 − 𝑠12
𝛽0 = 𝐸(𝑌 |𝑋 = 0)
̂0 = 𝑌̅ − 𝛽
𝛽 ̂1 𝑋̅
{= 𝐸(𝑌 |𝑋1 = 0, 𝑋2 = 0)} ̂1 𝑋̅1 − 𝛽
{= 𝑌̅ − 𝛽 ̂2 𝑋̅2 }
||||||||||||||||||||||||||||||||||||| |||||||||||||||||||||||||||||||||||||
𝐸(𝑋) = 𝜇𝑋 ≡ 𝜇𝑋̅
1 2 1 2
𝑣𝑎𝑟(𝑋) = 𝜎 ≡ 𝜎𝑋2̅ 𝜎̂𝑋2̅ = 𝜎̂ ≡ 𝑠𝑋2̅
𝑛 𝑋 𝑛 𝑋
1 1
𝑠𝑑(𝑋) = 𝜎𝑋 ≡ 𝜎𝑋̅ 𝜎̂𝑋̅ = 𝜎̂𝑋 ≡ 𝑆𝐸(𝑋)
√𝑛 √𝑛
̂1 ) ≅ 𝛽1 + 𝜌𝑋𝑢 𝜎𝑢⁄𝜎
𝐸(𝛽 𝑋
̂1 ) =
1 𝑣𝑎𝑟([𝑋 − 𝜇𝑋 ]𝑢) 2 2 1 ∑𝑛1=1 𝑢̂𝑖 2 (𝑥𝑖 − 𝑥)2 ⁄(𝑛 − 2)
𝑣𝑎𝑟(𝛽 ≡ 𝜎𝛽̂ 𝜎̂𝛽̂ =
𝑛 [𝑣𝑎𝑟(𝑋)]2 1 1 𝑛 [∑𝑛1=1(𝑥𝑖 − 𝑥)2 ⁄𝑛]2
̂1 ) = √𝜎̂
𝑠𝑑(𝛽 2
≡ 𝜎𝛽̂1 2
𝜎̂𝛽̂1 = √𝜎̂𝛽̂ ̂1 )
≡ 𝑆𝐸(𝛽
𝛽 1 1
2
𝑆𝐶𝐸 ∑𝑛 (𝑦̂ −𝑦̅̂ )
|||||||| 𝑅 2 = 𝑆𝐶𝑇 = ∑1=1 𝑖
𝑛 (𝑦 −𝑦
̅)2
;; 𝑆𝐸𝑅 = √∑𝑛𝑖=1 𝑢̂𝑖2 ⁄(𝑛 − 2) ||||||||
1=1 𝑖
-2.575, -1.96 y -1.64 dejan 0.5, 2.5 y 5% de probabilidad en la cola izquierda de la N(0,1)
