CAF Banco de Desarrollo de América Latina
ECONOMETRÍA I
EJERCICIOS SESIÓN 4
1. Considera el modelo de regresión lineal simple
Yi = β 0 + β 1 Xi + ui , i = 1, ..., n.
a. Supongamos que se conoce la información de que β 0 = 0. Deduce en ese caso una fórmula para el estimador
MCO de β 1 .
b. Repite el cálculo de a., asumiendo ahora que β 0 = 10.
2. En el modelo de regresión lineal simple
Yi = β 0 + β 1 Xi + ui , i = 1, ..., n,
a. Demuestra que si se cumple el primer supuesto de mínimos cuadrados (E ( ui | Xi ) = 0), se deriva que
E ( Yi | Xi ) = β 0 + β 1 Xi .
b. Demuestra que si se cumplen los supuestos de mínimos cuadrados E(β 0 ) = β 0 .
3. Supongamos que los supuestos de mínimos cuadrados se cumplen excepto que el primer supuesto se sustituye
por E ( ui | Xi ) = 3. ¿Cuál es el efecto de este cambio sobre los resultados fundamentales que hemos tratado en
este tema?
4. En el ejercicio 5. correspondiente a la sesión 3 estimamos por MCO el modelo
creci = β 0 + β 1 comi + ui , i = 1, ..., 65,
obteniendo
Contesta a las siguientes preguntas:
a. En este modelo hemos asumido que E (ui |comi ) = 0. ¿Piensas que en el presente marco este supuesto es
sensato? ¿Por qué?
1
b. Demuestra que el R2 en el modelo estimado es idéntico al cuadrado del coeficiente de correlación muestral
entre la variable dependiente y el regresor, es decir que
n 2
(comi − com) (creci − crec) 1
n
1
n
2 i=1
R = n n , donde com = comi , crec = creci .
(comi − com)2 (creci − crec)2 n i=1
n i=1
i=1 i=1
c. Supongamos que en vez de estimar el modelo anterior, estimamos un modelo alternativo donde comi es la
variable dependiente y creci es el regresor, obteniendo
El R2 en este modelo es idéntico al del modelo anterior. ¿Es este un resultado esperado?
5. Como anticipamos en la Sesión 2, a lo largo del curso analizaremos una cuestión empírica de máxima importancia:
la relación entre el tamaño de las clases y el aprendizaje. Para ello usaremos la base de datos del California
Standardized Testing and Reporting (STAR)) que contiene datos de desempeño, características de las escuelas
y de los estudiantes. Específicamente, emplearemos datos de 420 distritos de California denominados K-6 y K-8
para los años 1998 y 1999 (n = 420). La variable Notas es la media de las calificaciones en lectura y matemáticas
en el examen Stanford 9 que realizan los estudiantes de 5o grado del distrito. El REM (ratio estudiantes-maestros)
es el número de estudiantes dividido por el número equivalente de profesores a tiempo completo en el distrito.
Usaremos también variables demográficas como el porcentaje de estudiantes que tienen el inglés como segundo
lenguaje en el distrito (PctEI) y el porcentaje de estudiantes con subvención para el comedor escolar (PctCom).
Todos estos datos fueron proporcionados por el Departamento de Educación de California ([Link]) y
se pueden encontrar en el fichero [Link]. Como veremos, inicialmente estimaremos por MCO el modelo
Notasi = β 0 + β 1 REMi + ui , i = 1, ..., 420,
obteniendo
2
Contesta a las siguientes preguntas:
a. Interpreta el término de error ui en el modelo anterior. ¿Es realista pensar que E (ui |REMi ) = 0?
b. Los siguientes gráficos representan valores de la variable Notasi en relación a PctEIi y a PctComi . ¿Qué
implicación tienen estos gráficos para tu respuesta al apartado a.?
c. En los datos hay evidencia de que Cov (PctEIi , REMi ) = 0 and Cov (PctComi , REMi ) = 0. ¿Qué signos es-
perarías que tuvieran esas covarianzas? ¿Qué implicación tiene esta evidencia para tu respuesta al apartado
a.?
