MATERIAL EF72 INTRODUCCIÓN A LA ECONOMETRÍA
2024-1 Práctica Dirigida 3
EF62 / EF63 / EF64
SECCION(ES)
BX61 / BX62
PROFESORES(AS) Luis Villacorta / Guillermo Jopen / Tania Paredes
JEFE(S) DE Junior Zagaceta / Roger Laboriano / Carolay Vasquez
PRÁCTICA Gonzalo Fuentes / David Vegas
COMPETENCIA(s): Razonamiento Cuantitativo y Análisis Económico Aplicado
INSTRUCCIONES
• Horario: El presente material será aplicado de forma total o parcial durante la sesión
de clase (teórica o práctica) y de manera síncrona.
• Pautas Generales: Es posible que este material incluya aplicaciones que podrán ser
analizadas y/o resueltas de forma independiente por el(la) estudiante, de manera
que pueda reforzar su auto-aprendizaje.
• Difusión: El contenido de este documento está diseñado para el uso de los y las
estudiantes del curso. Por lo que la UPC no se responsabiliza por su uso externo.
_____________________________________________________________________________
Parte I: Práctica Dirigida
1. Se quiere estimar el siguiente modelo:
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖
Donde 𝑌 es la demanda por vestido y calzado en Lima Metropolitana y 𝑋 es el ingreso
2
disponible en Lima Metropolitana. Además, se sabe que: ∑ 𝑋𝑖 𝑌𝑖 = 1973.67; ∑ 𝑌𝑖 =
1813.53; 𝑌̅𝑖 = 8.765; ∑ 𝑋𝑖 2 =2165.18; 𝑋̅ = 9.56, 𝑛 = 20
a. Halle los estimadores 𝛽̂1 y 𝛽̂2 por MCO e intérprete los resultados.
b. Estime 𝑆 2 .
c. Halle los valores para la SCT, SCE y SCR. Calcule el coeficiente de determinación
𝑟 2.
d. Construya un intervalo de confianza para los 𝛽 a un 95% de confianza.
2. Un investigador de la UPC, usando datos de las exportaciones netas anuales desde 1990
hasta 2020 (𝐿𝑁𝑋) y el tipo de cambio (𝐿𝑁𝑇𝐶), estima por MCO el siguiente modelo
poblacional:
𝐿𝑁𝑋 = 𝛽1 + 𝛽2 𝐿𝑁𝑇𝐶 + 𝑢
Página 1 de 3
y obtiene los siguientes resultados:
𝐿𝑁𝑋 = 5.20 ⏟ (𝐿𝑁𝑇𝐶) + 𝑢̂
⏟ + 1.31
(0.15) (0.14)
Donde, los valores entre paréntesis denotan el valor de las respectivas desviaciones
estándar para cada coeficiente estimado.
a. ¿Qué efectos posee una depreciación en la cantidad de bienes exportados?
b. Construya un intervalo de confianza de 95% para β2 .
c. ¿Es el efecto estimado de la variación del tipo de cambio sobre el valor exportado
de bienes significativo estadísticamente? Realice un test a dos colas de la
hipótesis nula β2 = 0, sabiendo que n = 30. ¿Rechaza la hipótesis nula al 5%
de significancia? ¿Y al 1%? ¿Qué podría al 10% de significancia?
Parte II: Ejercicios de Repaso
3. Un investigador posee datos sobre el gasto agregado, 𝑌𝑖 , y sobre el ingreso personal
disponible agregado, 𝑋𝑖 , ambos medidos en miles de soles a precios constantes, para
cada uno de los departamentos y estima la siguiente ecuación:
𝑌𝑖 = 𝛽̂1 + 𝛽̂2 𝑋𝑖 + 𝑒̂𝑖
El investigador inicialmente estima la ecuación usando mínimos cuadrados ordinarios.
Sin embargo, sospechando que la evasión de impuestos causa que tanto 𝑌 como 𝑋 sean
subestimados, el investigador adopta dos métodos alternativos para compensar este
hecho, los métodos son:
i. El investigador agrega 90 mil soles a la invariable 𝑌 en cada departamento y 200
mil soles para la variable 𝑋.
ii. El investigador incrementa los valores de las dos variables, 𝑌 y 𝑋 en cada
departamento en 10%.
Comentar y evaluar el efecto de estos cambios en los datos sobre las estimaciones del
intercepto y la pendiente.
4. [Gujarati, 2010; p. 135] Establezca si las siguientes afirmaciones son verdaderas, falsas o
inciertas. Sea preciso.
a. La prueba t de significancia estudiada requiere que las distribuciones muestrales
de los estimadores 𝛽̂1 y 𝛽̂2 sigan una distribución Normal.
b. Aunque el término de perturbación en el MRLC no esté normalmente distribuido,
los estimadores de MCO continúan siendo insesgados.
c. Si no hay intercepto en el modelo de regresión, las 𝑢𝑖 estimadas (es decir, 𝑢̂𝑖 ) no
sumarán cero.
d. En un modelo de regresión que contenga el intercepto, la suma de los residuos
es siempre cero.
e. Si no se rechaza una hipótesis nula, es verdadera.
f. Las medias condicional e incondicional de una variable aleatoria significan lo
mismo.
Página 2 de 3
Parte III: Laboratorio Dirigido
5. A continuación, se presenta un esquema general de interpretación de un output de
estimación por la metodología de MCO en Stata. Revise y analice.
(1) Source | (2) SS (6) df MS (10) Number of obs = 51 (14)
-------------+------------------------------ F( 1, 49) = 0.07 (15)
Model |(3).51166559 (7) 1 .511665591 (11) Prob > F = 0.7966 (16)
Residual |(4)373.40990 (8)49 7.62061027 (12) R-squared = 0.0014 (17)
-------------+------------------------------ Adj R-squared = -0.0190 (18)
Total |(5)373.92156 (9)50 7.47843137 (13) Root MSE = 2.7605 (19)
------------------------------------------------------------------------------
(20) y |(23) Coef.(24)Std. Err. (25)t(26)P>|t|(27) [95% Conf. Interval]
-------------+----------------------------------------------------------------
(21) x | -.0034628 .0133639 -0.26 0.797 -.0303185 .0233929
(22)_cons | 12.53665 .7419461 16.90 0.000 11.04565 14.02764
------------------------------------------------------------------------------
(1) Fuentes de Varianza: En esta parte se muestral la descomposición de la varianza. La varianza total
(Total) se descompone en la varianza explicada por el modelo (i. e. por las variables
independientes) (Model) y en la varianza no explicada por el modelo (Residual). Nótese que
𝑇𝑜𝑡𝑎𝑙 = 𝑀𝑜𝑑𝑒𝑙 + 𝑅𝑒𝑠𝑖𝑑𝑢𝑎𝑙
(2) Suma de cuadrados (Sum of Squares) asociadas a las tres fuentes de varianza. Estas son las
medidas de variabilidad respecto a la media.
(3) Suma de cuadrados explicada (ESS): 𝐸𝑆𝑆 = ∑ 𝑌̅𝑖2
(4) Suma de cuadrados residual (RSS): 𝑅𝑆𝑆 = ∑ 𝑒𝑖2
(5) Suma de cuadrados total (TSS): 𝑇𝑆𝑆 = ∑ 𝑌𝑖2
(6) Grados de libertad (Degrees of fredom): estos son los grados de libertad asociados a las fuentes
de la varianza.
(7) Los grados de libertad del modelo son 𝑘 − 1, donde 𝑘 es el número de variables explicativas
(incluyendo la constante)
(8) Los grados de libertad del residuo son los grados de libertad totales menos los grados de libertad
del modelo: (8) = (9) − (7)
(9) La varianza total tiene 𝑛 − 1 grados de libertad donde 𝑛 es el número de observaciones.
(10) Mean Squares: 𝑀𝑆 = 𝑆𝑆/𝑑𝑓, es decir, el Mean Square es igual a la suma de cuadrados dividida
por los grados de libertad respectivos. Con estos datos uno puede construir el estadístico F
[desarrollado en 15]
(11) (11) = (3)/(7)
(12) (12) = (4)/(8)
(13) (13) = (5)/(9)
(14) Número de observaciones 𝑛
ESS/(k−1) (3)/(7) (11)
(15) Estadístico F de significancia global: F = = (4)/(8) = (12)
RSS/(n−k)
(16) Valor p del test de significancia global
ESS RSS (3) (4)
(17) R2 : R2 = =1− = (5) = 1 − (5)
TSS TSS
(n−1) ((14)−1)
(18) R2 adj.: R2 adj = 1 − (1 − R2 ) (n−k) = 1 − (1 − (17) )
((14)−k)
(19) Root Mean Squared Error (o Residual): es el desvío estándar del término de error.
(20) Variable explicada
(21) Variables explicativas: en este caso solo se tiene una variable explicativa, pero si tuviera más cada
una se presenta en una fila.
(22) Constante
(23) Vector de los coeficientes estimados: 𝛽̂
(24) Desvío estándar de los coeficientes estimados: 𝜎𝛽̂ = √𝑉(𝛽̂ )
(25) Estadístico t: 𝑡 = 𝛽̂ /√𝑉(𝛽̂ )
(26) Valor 𝑝 del test de significancia individual (con dos colas)
(27)Intervalo de confianza del coeficiente estimado: 𝛽̂ ± 𝜎𝛽̂ . 𝑡𝑑𝑓;0.025, donde 𝑑𝑓 = 𝑛 − 𝑘.
Página 3 de 3
