FACULTAD DE INGENIERÍA ECONÓMICA

ESCUELA PROFESIONAL DE INGENIERÍA

ECONÓMICA

CURSO:
ECONOMETRIA-I

TRABAJO:
RESOLUCIÓN DE EXAMEN PARCIAL

DOCENTE:
ING. ROGELIO OLEGARIO FLOREZ FRANCO

PRESENTADO POR:
MARYORI JENIFER VARGAS CONDORI

SEMESTRE:
TERCERO

PUNO - PERÚ
2024
 RESOLUCIÓN DEL EXAMEN DE ECONOMETRIA I

PRIMERA UNIDAD

1. En términos literales econometría significa “medición económica”. (V)

La palabra econometría proviene de dos palabras griegas: oikonomía (administración o
economía) metrón (medir). Esto implica que la palabra significa en términos literales
medición económica.
2. ¿La econometría sirve solamente para estimar los parámetros de un

modelo? (F)
La econometría sirve para estimar relaciones económicas, confrontar la teoría económica
con los datos y contrastar hipótesis relativas al comportamiento económico y a predecir el
comportamiento de variables económicas.
3. En pocas palabras, Keynes postula que la propensión marginal a consumir
(PMC), es decir, la tasa de cambio del consumo generado por una unidad
(digamos, un dólar) de cambio en el ingreso, pero PMC es mayor que uno
(F)
Keynes asegura que la propensión marginal a consumir (PMgC), es decir, el incremento en
el consumo ante un incremento en el ingreso matemáticamente representable como PMgC
=∂ C/ ∂ Y, puede tomar valores que se encuentren entre 0 y +1.
4. A pesar de que el análisis de regresión tiene que ver con la dependencia de
una variable respecto de otras variables, esto no implica causalidad
necesariamente (V)
Es decir que una variable independiente (x) en un modelo de regresión, no necesariamente
explica a la variable dependiente Y.
5. En el análisis de regresión, el objetivo principal es medir la fuerza o el
grado de asociación lineal entre dos variables. (F)
Ese es el objetivo del análisis de correlación lineal, mientras que el de regresión lineal es el
estudio de la dependencia de una variable dependiente (Y) respecto de sus variables
independientes (X).
6. La Función de Regresión Poblacional (FRP) es diferente de la Función de
Regresión Muestral (FRM) por:
a. Por falta de disponibilidad de datos
b. Por falta de recursos y tiempo
 c. Por la dificultad en el cálculo de parámetros
d. No siempre se dispone de la información de toda la población o a veces es
demasiado grande lo que conlleva a mayores costos.
7. Considere el siguiente modelo Yi = β1 + β2 Xi no estocásticos (es decir,
modelos sin el término de error estocástico). ¿es un modelo de regresión?
(F)
No, es simplemente un modelo o ecuación matemática. La regresión lineal son sistemas que
funcionan por azar y probabilidad (estocástica), es decir incluye el error poblacional.
8. El término de perturbación Ui es un sustituto de todas las variables que se
omiten en el modelo, pero que, en conjunto, afectan a la variable
dependiente Yi. (V)
Los errores o perturbaciones son variables externas que influyen a Y de manera sutil y débil
(depende del modelo). Cómo solo queremos analizar una o unas variables para cierto
modelo entonces se aplica el supuesto de ceteris paribus, donde las variables que no quiero
que estén en el modelo los llamo errores.
9. Haga un comentario sobre 02 supuestos del modelo clásico o estándar de
regresión lineal (Modelo Clásico de Regresión Lineal).

2 supuestos del modelo de regresión:

1) El supuesto de no auto correlación entre las perturbaciones [E(ui,uj) = 0]. Lo que

quiere decir:
Que los residuos sucesivos deberán ser independientes. Esto significa que los residuos no
tienen un patrón, que no están muy correlacionados, y que no hay corridas largas de residuos
positivos o negativos. Cuando los residuos sucesivos están correlacionados, a esta condición
se le conoce como autocorrelación.
2) El supuesto de homocedasticidad o varianza constante ui=[var(ui)=sigma^2]. Lo que
quiere decir:
Que el supuesto de homocedasticidad implica que, condicionando en las variables
explicativas, la varianza del término de error no observado es constante.

[Link] una muestra de 10 observaciones se obtuvieron los siguientes

resultados: (2pt)

Calcular: los parámetros: β1 , β2

11. Con los datos de la tabla [Link]. Adjunto, donde Y (Gasto de Consumo Personal) y X
(Producto Interno Bruto,1960-2005), en miles de millones de dólares de 2000, (3pt)
a. Estime el modelo: Yt = β1 + β2 Xt +Ut
b. Interprete los resultados los parámetros, coeficiente de determinación (r2)
c. Estime el valor del gasto de consumo personal para el año 2006, si se estima que el
PIB para el 2006 será 12000 mil millones de dólares.

Tabla 1.

a) ESTIMAR EL MODELO.

Yt = B1 + B2Xt + Ut
GCP = -299.5913 + 0.7218(PBI)
GCP= gasto de consumo por persona
PBI= producto bruto interno

b) Interpretación de los parámetros y el R^2

- Por cada unidad adicional del PBI el GCP aumenta en un 0.7218 u monetarias.
 - EL R^2 es de 0.9984, quiere decir que el pbi explica en un 99.84% a la variable gasto de
consumo por persona.

Conclusión, es un buen modelo.

c) GCP para el año 2006 si se estima que para el 2006 el PBI será de 12000 mil millones
de dólares.

Y(2006) = -299.5913 + 0.7218(12000)

GCP(2006) = 8362.0087 Mil millones de dólares.

12. La tabla 3.3 presenta datos sobre el número de suscriptores de teléfonos celulares y el
número de computadoras personales (PC), ambos por cada 100 personas, y el ingreso
per cápita ajustado por el poder adquisitivo en dólares para una muestra de 34 países.
Por tanto, se trata de datos transversales. Estos datos corresponden a 2003 y se
obtuvieron del Statistical Abstract of the United States, 2006. Con estos datos estime:
(3 pt)
a. Grafique el diagrama de dispersión entre PC (Yi) y Ingreso Per cápita (Xi) y la recta
de regresión lineal
b. Estime el modelo Yi = β1 + β2 Xi +ui
c. Interprete los resultados
d. Haga la prueba de hipótesis para β2 =0
e. Estime los errores y haga la prueba normalidad ui᷉ ⁓(0,σ2)

TABLA 3.3 DEMANDA DE CELULARES Y PERCAPITA

a) Gráfico de dispersión entre pc(y) y ingreso per cápita(x).

80

60

40

20

0 10000 20000 30000 40000

I PERCAPITA

DEMANDA PC Fitted values

 b) Estime el modelo.

Yi = -6.5832 + 0.0017Xi + Ui

c) Interpretación de los resultados.

- Por cada unidad adicional del ipercapita el valor de la demanda de PCs aumenta a un 0.0017
u monetarias.

- R^2 nos dice que es un buen modelo porque la variable ipercapita explica en un 82.9% a la
variable de la demanda de PCs.

d) Prueba de hipótesis:

Beta2

Rechazamos la hipótesis nula… Beta2 =0

Aceptamos la hipótesis nula… Beta2 diferente a 0

Nivel de significancia con 5%

Tcbeta2=12.46 Ttablas= 2.0369

Tc > Tt entonces se rechaza la hipótesis nula, acepto la hipótesis alterna.

Al 5% de significancia existe una dependencia entre los ingresos per cápita y la demanda de PCs
altamente significativa.

e) Prueba de normalidad
Chis^2 > Chitabla entonces el modelo es altamente significativo a un 5%.

13. Con los datos de la tabla 3.3. (3 pt)

a. Grafique el diagrama de dispersión de la demanda de PCs contra el ingreso per cápita.
b. Grafique la demanda de PCs contra el log del ingreso per cápita
c. ¿Qué diferencia hay entre las dos gráficas?
d. Con base en estas dos gráficas,
e. Estime el modelo lineal, semilogarítmico y doble logarítmico, ¿cree que un modelo
doble logaritmo puede ofrecer un mejor ajuste a los datos que el modelo lineal?
Estime el modelo doble-log.
f. ¿Cómo interpreta el coeficiente de la pendiente en el modelo doble-log?
g. ¿El coeficiente estimado de la pendiente en el modelo doble-log es estadísticamente
significativo en el nivel de 5%?
h. Haga la prueba de normalidad de los errores del mejor modelo.

TABLA 3.3.

A) GRAFICO DE DISPERSION DE LA DEMANDA (Y) Y EL INGRESO PERCAPITA

(X).
 0 10000 20000 30000 40000
I PERCAPITA
DEMANDA PC

B) GRAFICO DE DISPERSION DE LA DEMANDA (Y) Y EL INGRESO PERCAPITA

80

60

40

20

log(X).

4 6 8 10 12
lipercapita
 C) La diferencia es que los valores con el log(x) están mas empinados que la primera

DEMANDA PC
grafica.

D) Grafica de comparación entre las dos primeras graficas.

80

60

40

20

0 10000 20000 30000 40000

DEMANDA PC DEMANDA PC

E) MODELOS:

¿Cree que un modelo doble logaritmo puede ofrecer un mejor ajuste a los datos que el modelo
lineal?

No, el mejor ajuste es el modelo lineal con un R^2= 0.8290, lo que quiere decir que es un buen
modelo porque la variable ingreso per cápita explica en un 82.9% a la variable de demanda de PCs.

Mientras que el modelo doble log, reduce su R^2= 0.4437, o sea eso explica que la variable ingreso
per capita solo explica en un 44.37% a la variable de demanda de PCs.
1. MODELO LINEAL DE LA DEMANDA (Y) Y EL INGRESO PERCAPITA (X).

2. MODELO LINEAL DE LA DEMANDA (Y) Y EL INGRESO PERCAPITA LOG(X).

3. MODELO LINEAL DE LA DEMANDA LOG(Y) Y EL INGRESO PERCAPITA LOG(X).

 F) ¿CÓMO INTERPRETA EL COEFICIENTE DE LA PENDIENTE EN EL MODELO
DOBLE-LOG?

Variación porcentual tanto en y como en x. al aumentar un adicional en el ingreso la demanda se

eleva a un 82.68%.

G) ¿EL COEFICIENTE ESTIMADO DE LA PENDIENTE EN EL MODELO DOBLE-

LOG ES ESTADÍSTICAMENTE SIGNIFICATIVO EN EL NIVEL DE 5%?

Si, ya que tiene un pvalue 0.000 es decir muy bajísimo.

H) PRUEBA DE NORMALIDAD DEL MEJOR MODELO, ES DECIR DEL LINEAL