Manual Soluciones de

Estudiantes
Para su uso con
Damodar N. Gujarati

0
Cuarta edición

Manual Soluciones de Estudiantes

Para su uso con
 Econometría Básica

Cuarta Edición

DamodarN. Gujarati EE.UU. Academia Naval de West Point

Me
Graw
Hill
Boston Burr Ridge, IL Dubuque, IA Madison, Wl Nueva York San Francisco St. Louis Bangkok Bogotá Caracas Kuala Lumpur Lisboa
Londres Madrid Milán Montreal Ciudad de México Nueva Delhi Santiago Seúl Singapur Sydney Taipei Toronto
CONTENIDO

Capítulo 1: La naturaleza del Análisis de Regresión ..........1

hapter 2: Two-Variable Regression Analysis: Some Basic Ideas. .5
Capítulo 3: Modelo de regresión Two-Variable: El problema de la estimación
.............................................................11

Capítulo 4: La suposición de normalidad: clásico modelo de regresión lineal

Normal (CNLRM)...............................................22

Capítulo 5: Regresión Two-Variable : Intervalo Estimación y pruebas de

hipótesis ...................................................24

Capítulo 6: extensiones del modelo de regresión logística Two-Variable 36

Capítulo 7: Regresión múltiple Análisis: El problema de la estimación 43

Capítulo 8: Regresión múltiple Análisis: El problema de inferencia 53

Capítulo 9: Modelos de regresión Variable ficticia...........70

Capítulo 10: La multicolinealidad: ¿Qué sucede si los regresores están

correlacionadas?.............................................86

Capítulo 11: Heteroscdasticity: ¿Qué sucede cuando es varianza del error no

es constante.................................................99

Capítulo 12: La Autocorrelación: ¿Qué ocurre si el término de error están

correlacionados.............................................111

Capítulo 13: Modelos econométricos: Especificación del modelo y las Pruebas

de Diagnóstico..............................................124

Capítulo 14: modelos de regresión no lineal.................134

Capítulo 15: modelos de regresión Respuesta Cualitativa.....138

Capítulo 16: modelos de regresión Datos de panel............144

hapter 17: Dynamic Econometric Models: Autoregressive and Distributed Lag

Models......................................................149

Capítulo 18: Modelos Simultaneous-Equation..................160

Capítulo 19: El problema de identificación..................163

Capítulo 20: Simultaneous-Equation Métodos..................168

Capítulo 21: Series de Tiempo Econometría: Algunos conceptos básicos 173

Capítulo 22: Series de Tiempo Econometría: La Previsión.....181

 PREFACIO

Este manual proporciona respuestas y soluciones a unas

475 preguntas y problemas en la cuarta edición de ECONOMETRÍA
BÁSICA. La mayoría de las respuestas y las soluciones se
describen en detalle. En los pocos casos en que las
respuestas no eran necesarias, me han proporcionado alguna
orientación.

Las soluciones ha sido una tarea larga y tediosa tarea.

He hecho todo lo posible para verificar la exactitud de las
soluciones numéricas pero algunos errores e imprecisiones y
errores tipográficos que han aparecido. Le agradecería mucho
si el lector va a aportar a mi atención para que yo pueda
corregirlos en la reimpresión de este manual.
Las respuestas a algunas de las preguntas son de índole
cualitativa y, por lo tanto, abierto a la discusión. En
algunos casos, puede haber más de una forma de resolver un
problema o de modelado un fenómeno económico. Espero que los
instructores se complementan este manual soluciones con sus
propios ejercicios.
QUISIERA alguna sugerencia el lector podría tener que
ofrecer para mejorar la calidad de las preguntas y problemas,
así como cualquier otro aspecto de esta solución manual.
También me gustaría algún comentario sobre la cuarta edición
de ECONOMETRÍA.
Damodar Gujarati Departamento
de Ciencias Sociales EE.UU.
Academia Militar West Point, NY
10996.
EE.UU.
CAPÍTULO 1 LA NATURALEZA DEL ANÁLISIS DE REGRESIÓN
1.1 (A) Estos tipos ( %) son las siguientes. Son año
con año, a partir de 1974 puesto que no hay
datos anteriores a 1973. Estas tasas son,
respectivamente, de Canadá, Francia, Alemania,
Italia, Japón, REINO UNIDO y ESTADOS UNIDOS.
10,78431 13,58382 6,847134 19,41748 23,17328 0,157706 0,110360
10,84071 11,70483 5,961252 17,07317 11,69492 0,244582 0,091278
7,584830 9,567198 4,360056 16,66667 9,559939 0,164179 0,057621
7,792208 9,563410 3,638814 19,34524 8,171745 0,158120 0,065026
8,950086 9,108159 2,730819 12,46883 4,225352 0,083026 0,075908
9,320695 10,60870 4,050633 15,52106 3,685504 0,134583 0,113497
9,971098 13,67925 5,474453 21,30518 7,701422 0,178679 0,134986
12,48357 13,27801 6,343714 19,30380 4,840484 0,119745 0,1
10,86449 11,96581 5,314534 16,31300 2,938090 0,085324 Ò3155
0,061606
5,795574 9,487459 3,295572 14,93729 1,732926 0,046122 0,032124
4,282869 7,669323 2,392822 10,61508 2,304609 0,050100 0,043173
4,106972 5,827937 2,044791 8,609865 1,958864 0,060115 0,035611
4,128440 2,534965 -0.095420 6,110652 0,672430 0,034203 0,018587
4,317181 3,239557 0,191022 4,591440 0,000000 0,041775 0,036496
4,054054 2,725021 1,334604 4,985119 0,763359 0,049290 0,041373
4,951299 3,456592 2,728128 6,591070 2,367424 0,077229 0,048183
4,795050 3,341103 2,747253 6,117021 3,052729 0,095344 0,054032
5,608856 3,157895 3,654189 6,390977 3,231598 0,058704 0,042081
1,537386 2,405248 4,987102 5,300353 1,652174 0,036966 0,030103
1,789401 2,135231 4,504505 4,250559 1,283148 0,015980 0,029936
0,202840 1,602787 2,742947 3,916309 0,760135 0,024803 0,025606
2,159244 1,783265 1,830664 5,369128 -0.167645 0,033648 0,028340
1,585205 2,021563 1,498127 3,870652 0,167926 0,024557 0,029528
1,625488 1,188904 1,697417 1,745283 1,676446 0,031215 0,022945

(B)

-----PC -----PI - - PUS

PF ----PJ
----PG ----PUK

(c) Como se puede ver en esta figura, la tasa de

inflación de cada uno de los países en general
ha disminuido en los últimos años.

(d) Como una medida de variabilidad, se pueden

utilizar la desviación estándar. Estas desviaciones
estándar son 0.036,0 0.018,0 .044, .062, 0,051 ,
0,060 y 0,032 ,
 L
Respectivamente, de Canadá, Francia, Alemania, Italia,
Japón, REINO UNIDO y ESTADOS UNIDOS. La mayor variabilidad
se encuentra en Italia y el más bajo para Alemania.
1.2 . (A) El gráfico de las tasas de inflación de los seis
países conspiraron contra los ESTADOS UNIDOS tasa de inflación
es la siguiente:
Las tasas de inflación en seis países frente a ESTADOS UNIDOS tasa de inflación

(b) Como se muestra en el gráfico, las tasas de inflación de

los seis países se correlacionan positivamente con los EE.UU.
tasa de inflación.

(c) Recordar que correlación no implica causalidad.

Es posible que haya que consultar un libro sobre
macroeconomía internacional a fin de determinar si hay
alguna conexión causal entre el nosotros y los otros países
las tasas de inflación.

1.3 (A)ParaMejor VisualImpresiónEl Logaritmo En el tipo de

cambio es
Representa en el eje vertical y el tiempo en el eje
horizontal.

- •- CANADÁ - " -JAPÓN -REINO UNIDO

FRANCIA - S U E C I A A L E M A N I A -■ SUIZA

Como puede ver, los tipos de cambio muestran una

buena cantidad de variabilidad. Por ejemplo, en 1977
un dólar de los ESTADOS UNIDOS compró unos 268 yenes,
pero en 1995 se podía comprar sólo unos 94 yenes.
2
 (b) Una vez más, los resultados son mixtos. Por ejemplo,
entre 1977 y
1995, El dólar de EE.UU. por lo general se depreció frente
al yen, luego comenzaron apreciar. El panorama es similar
respecto a las demás monedas.

El gráfico de la Ml oferta de dinero es la siguiente:

M1 oferta de dinero: EE.UU. 1951,01 09 -1999 ... ... ... ... ...

Dado que el PIB aumenta con el tiempo, naturalmente, una

mayor cantidad de la oferta de dinero se necesita para
financiar el aumento de la producción.
Algunas de las variables más relevantes serían: (1) los
salarios o ingresos en actividades delictivas, (2) los
salarios por hora o de los ingresos de actividades no
delictivas, (3) de probabilidad de ser atrapado, (4) de
probabilidad de condena, (5) condena esperada después de la
condena. Tenga en cuenta que puede no ser fácil de obtener
datos sobre los ingresos en las actividades ilegales. De
todos modos, consulte a la Becker el artículo citado en el
texto.
Uno de los factores clave en el análisis sería la tasa de
participación de la fuerza laboral de las personas en la
categoría 65-69 años. Los datos sobre la participación en la
fuerza de trabajo son recogidos por el Departamento de
Trabajo. Si, después de que la nueva ley entró en vigor,
encontramos un aumento de la participación de estos
"superiores" a los ciudadanos en la fuerza de trabajo, que
sería un claro indicio de que la ley anterior había
restringido artificialmente su participación en el mercado
de trabajo. También sería interesante averiguar qué tipos de
puestos de trabajo que los trabajadores de conseguir y lo
que ganan.
(a) , (B ) y (c). Como se muestra en la siguiente figura,
parece que hay una relación positiva entre las dos
variables, aunque no parece ser muy fuerte. Esto
probablemente sugiere que se paga por hacer publicidad; de
lo contrario, es una mala noticia para la industria de la
publicidad.
 10
080-
I

R
E
S 40-
S
I
O 20-
N

0
- 0 40 80 120 160 20

ADEXP

4
DOS ANÁLISIS DE REGRESIÓN
EL VARIABLE: ALGUNAS IDEAS
BÁSICAS CAPÍTULO
2
2.1 Narra cómo la media o promedio de las
respuestas de las subpoblaciones de Y varía
con los valores fijos de la variable
explicativa (s).

2.2 La distinción entre la función de regresión y

muestra la población función de regresión es
importante, para la primera es
Es un estimador de la última; en la mayoría de
las situaciones que tenemos una muestra de
observaciones de una población dada, por lo
que tratamos de aprender algo acerca de la
población de la muestra dada.

2.3 Un modelo de regresión nunca puede ser una

información absolutamente precisa descripción
de la realidad. Por lo tanto, es inevitable que
se produzca cierta diferencia entre los valores
reales de la regressand y sus valores estimados
en el modelo elegido. Esta diferencia es
simplemente el término de error estocástico,
cuyas diversas formas se analizan en el
capítulo. El residuo es la contraparte muestra
del estocástico término de error.
2.4 Aunque es verdad que se puede utilizar el
valor de la media, la desviación estándar
y otras medidas de resumen para describir el
comportamiento de la regressand, que a
menudo están interesados en averiguar si hay
un nexo causal las fuerzas que afectan el
regressand. Si es así, vamos a ser capaces
de predecir el valor medio de las
regressand. También, recuerde que los
modelos econométricos son a menudo
desarrollado para probar una o más teorías
económicas.
2.5 Un modelo que es lineal en los parámetros;
puede que tenga o no lineal en las variables.

2.6 Modelos (a), (b), (c) y (e) son lineales (en

el parámetro) modelos de regresión. Si dejamos
que un = En F3 \, LUEGO modelo (d) es también
lineal.

5
2.7 (A) tomando el logaritmo natural, nos
encontramos con que en Y = /? \ + /? 2 Xj +
u \, que se convierte en un modelo de regresión
lineal.
(b) La siguiente transformación, conocida
como la transformación logit, hace de este
modelo un modelo de regresión lineal :
En [ (1- Yi) /Yj, sellada,] = / ?! + / ?
2 Xj + w,
(c) Un modelo de regresión lineal
(d) Un modelo de regresión no lineal
(e) Modelo de regresión no lineal, como P
2 elevado a la tercera potencia.

2.8 Un modelo que puede ser lineal en los

parámetros se denomina un modelo de regresión
lineal intrínseca, como modelo (a) anterior. Si
fi 2 es
0.8 En el modelo (d) de la pregunta 2.7 ,
se convierte en un modelo de regresión
lineal, como e' ° ' 8 (Xj * 2) puede ser fácilmente
calculado.

2.9 (A) la transformación del modelo de (1/Y)

= /? I + / ?2 Xj lo convierte en un modelo de
regresión lineal.
(b) Escribir el modelo como (Xj/A¡) = J3 \ + ft
2 Xi hace de él un modelo de regresión
lineal.
(c) La transformación ln[ (l - Y, ) /Y¡] = -
¡3 \ - ^ 2X1 es un modelo de regresión lineal.
Ivote: Por lo tanto, los modelos originales son
intrínsecamente modelos lineales.
2.10 Este scattergram muestra que más orientadas a
la exportación países tienen en promedio un
mayor crecimiento de los salarios reales de
los países menos orientadas a la exportación.
Esta es la razón por la que muchos países en
desarrollo han seguido una política de
crecimiento impulsado por las exportaciones.
La línea de regresión esbozado en el diagrama
se muestra una línea de regresión, ya que se
basa en una muestra
De 50 países en desarrollo.
2.11 Según el conocido modelo de Heckscher-Ohlin
del comercio, los países tienden a exportar

6
 bienes cuya producción
EL hace uso intensivo de
los factores de producción.
CAPÍTULO En otras palabras,
este modelo hace 2hincapié en la relación entre
dotación de factores y la ventaja
comparativa.
2.12 Esta figura muestra que el mayor es el del
salario mínimo, el inferior es PNB per cápita,
lo que sugiere que las leyes de salario mínimo
no puede ser bueno para los países en
desarrollo. Pero este tema es controversial.
El efecto de los salarios mínimos puede
depender de su efecto sobre el empleo, la
naturaleza de la industria donde se impone, y
la fuerza del gobierno hace que se cumpla.

2.13 Es una muestra línea de regresión debido a que

se basa en una muestra
De 15 años de observaciones. La distribución
de puntos de la recta de regresión son los
puntos reales de datos. La diferencia entre el
gasto de consumo efectivo y que estiman a
partir de la línea de regresión representa la
(muestra) residual. Además del PIB, factores
tales como la riqueza, la tasa de interés,
etc. también podría afectar a los gastos de
consumo.

7
2.14 (A) El scattergram es la siguiente:
UNRM

La relación positiva entre las dos variables

puede parecer ser sorprendente porque sería de
esperar que los dos a ser negativamente
relacionados. Pero el t r a b a j a d o r a ñ a d i d o
h i p ó t e s i s de economía del trabajo sugiere que
cuando el desempleo aumenta la fuerza de
trabajo secundaria podría entrar en el mercado
laboral para mantener cierto nivel de ingreso
familiar.
(b) El scattergram es la siguiente:

UNRF

En este caso, el t r a b a j a d o r d e s a l e n t a d o h i p ó t e s i s

8
de economía del trabajo parece estar en el trabajo:
el desempleo desalienta las trabajadoras de
participar en la fuerza de trabajo porque temen que
no hay oportunidades de trabajo.

9
(C) El argumento de CLFPRM contra AH82 muestra lo siguiente:
AH82

Hay una
relación
asimétrica
entre las
dos
variables
para los
hombres y
las mujeres.
Responder

AH82

Y la correspondiente parcela para las mujeres es la siguiente:

p
ositivamente a los hombres el aumento de los
salarios mientras que las mujeres responden
negativamente. Esto podría sonar extraño.
Es posible que el aumento de los ingresos para
los hombres como resultado de un aumento de
salario pueden inducir a las mujeres retirarse
de la fuerza de trabajo, que es posible para

1
0
las parejas casadas. Pero tenga cuidado aquí.
Estamos haciendo regresiones bivariada simple
aquí. Cuando estudiamos análisis de regresión
múltiple, las conclusiones anteriores podría
cambiar.

1
1
2,15 (A) El scattergram y la línea de regresión de la
forma siguiente:

2000

1500
Q.
X
Q 1000
Oooo
Lt-
500 0
0 100020003000400C
TOTALEXP

(b) Como el gasto total aumenta, en

promedio, los gastos en alimentos aumenta
también. Pero hay una mayor variabilidad entre
los dos después de que el gasto total supera el
nivel de R. 2000.
(c) No pensábamos que el gasto en alimentos
para aumentar linealmente (es decir, en una
línea recta, para siempre. Una vez satisfechas
las necesidades básicas, la gente se gastan
relativamente menos en alimentos como los
aumentos de los ingresos. Es decir, en los
niveles de ingresos más altos los consumidores
tendrán más ingresos discrecionales. Hay
algunos indicios de la existencia de este
desde el scattergram se muestra en (a): En el
nivel de ingresos más allá. 2000, El gasto en
alimentos muestra una mayor variabilidad.

2.16 (A) El diagrama de dispersión de los hombres y

mujeres las puntuaciones verbal es la siguiente:

Me MALEVERB FEMVERBj

1
2
Y la correspondiente parcela para hombres y
mujeres matemáticas puntuación es la
siguiente:

1 MALEMATH FEMMATH [

(b) En el transcurso de los años, la proporción

de varones y mujeres las puntuaciones verbales
muestran una tendencia a la baja, mientras que
después de llegar a su nivel más bajo en 1980, los
puntajes de matemáticas para los varones y las
hembras se parecen mostrar una tendencia al alza,
por supuesto con variaciones año a año.

(c) Podemos desarrollar un modelo de regresión

simple regresión las matemáticas puntuación verbal
en la puntuación de ambos sexos.

(d) La trama es la siguiente:

MALEVERB

Como muestra el gráfico, con el tiempo, los dos

resultados obtenidos se han movido en la misma
dirección.
EL CAPÍTULO 3 DE DOS
VARIABLES MODELO DE REGRESIÓN:
EL PROBLEMA DE LA ESTIMACIÓN

3.1 (1) Y = FI\ + FIIX + UI. Por lo tanto,

13
 E(Yi|jf;) = E[ ( / ? ,+ / ? 2jf, + " , ) |A']
= / ?i + /TIX + E IUI|XF ), ya que los PIES
SON constantes y X es nonstochastic.
= + FIIXI, YA QUE E(W/ |X,) ES CERO POR SUPUESTO.

(2) Dado cov(m/W7) = 0 para V para todos i,j

(/ * 7), luego
Covcf^y) = E{ [Yj, sellada, - E(Yj, sellada,) ] [Yj, sellada, -
E(Yj, sellada,) ]}
= E (UJUJ), A PARTIR DE los resultados en
la (1)
= E(w, )E( " / ), ya que el
término de error no están correlacionados
por hipótesis,
= 0, ya que cada w * tiene media cero por supuesto.

(3) Dado var(w/ \Xj) = < J2, var (YjVXi) =

E[Yj, sellada, - E(Yj, sellada,) ]2 =
E(w,2) = var( " , \Xi) = cr2, por supuesto.

3.2 Yi Xt Yi Xj Xiyi Xi
2
4 1 -3 -3 9 9
5 4 -2 0 0 0
7 5 0 1 0 1
12 6 5 2 10 4
Sum
a 28 16 0 0 19 14

Nota: Y = 7 y X = 4

. 10 _ . _
Por lo tanto, -- - = 1,357 ; p ,= Y -P2X = 1,572

3.3 La PRF: Yj, sellada, = FI\ + FIIX + U,

SITUACIÓN EN LA QUE ME: FIX = 0, colocar = 1 y
E {U^ = 0, lo que da E(Yj, sellada, \XI ) = X-, LA
SITUACIÓN 2: FIX = \ ,FII = 0 y E (U,) = (X -1), en la
que se da
E(Yi|jr,) = X,
Que es la misma situación 1. Por lo tanto,
sin el supuesto E(UJ) = 0, SE PUEDE ESTIMAR LOS
PARÁMETROS, YA QUE, COMO ACABAMOS DE VER, SE OBTIENE LA

14
 MISMA DISTRIBUCIÓN CONDICIONAL DE Y A PESAR DE QUE LA ASUME
LOS VALORES DE LOS PARÁMETROS EN LAS DOS SITUACIONES SE SALE
DIFERENTE.
3.4 Imponer la primera restricción, obtenemos:
(YI- £I- £XI) =O ESA SIMPLIFICACIÓN
PRODUCE EL PRIMER ECUACIÓN NORMAL.
La segunda restricción, obtenemos:
£ "" Xi= YSff' -P'- P2 = s XijXi]
Esa simplificación produce el segundo ecuación
normal.
La primera restricción corresponde a la
hipótesis de que E(uj\Xi) = 0. La segunda
restricción corresponde a la hipótesis de que
la población término de error está
correlacionada con la variable explicativa
Xi, es decir, cov(uiXj) = 0.
3.5 Desde el Cauchy-Schwarz desigualdad se deduce
que:
E(XY) ^2
E(X E(Y2)
2)

2 Y(x,yi)2
Ahora a r = ^ 2_, -Y < 1, POR ANALOGÍA CON LA CAUCHY-
SCHWARZ
¿_jXi 2 ^yi
La desigualdad. Esto también se aplica en el
caso de P2, LA POBLACIÓN COEFICIENTE DE CORRELACIÓN AL
CUADRADO.

3.6 Tenga en cuenta que:

^ XiVi ^XiVi
Ref * = -Y P ** = V-r
Multiplicando los dos, obtenemos la expresión
de r2, el coeficiente de correlación al
cuadrado muestra.
A A

3.7 Aunque fiyx. fixy=1, aún puede importar

(por causalidad y teoría) si Y es retrocedido
en X o X en Y, ya que es solo el producto
UN UN

De los dos que es igual a 1. Esto no es decir

que FIYX = FIXY.

Ÿ_ÿ-n + l

15
3.8 Los medios de los dos variables son las

siguientes: 2 Y El

Correlación entre las dos clasificaciones es:

( ,)

En letras pequeñas como de costumbre denotan

desviación de los valores promedio. Desde las
clasificaciones son permutaciones de los
primeros n números naturales,
Y x 2 - Y X 2 ' -n(n + Wn+l) n(n + l)2 _ n{n2 -1) ^X' ' N
6 4 12
Y de igual manera,

Yy = ^lz] ) >¿ * r 12

2
£ < /2 = ' EiXi-r.) = £ < - " 2+K,2-2J5K)

_ 2N(n + 1) (2k +1) ^yi

6 Z-

Por lo tanto, Y XY = " (W + 1X2" + 1> - -- (2)

^62

2 >ZK
Desde YXYI = YXYI--------,Utilizando (2), Nos
----------------Obtener
N
Z .2 V"1 J2
X W(w+L)2_" (W2-1)^
3 2 4 12 2
Ahora sustituyendo a la anterior en las ecuaciones
(1), obtendrá la respuesta.

3.9 (A)0 \=Y-fiiXIYA = Y-Colocar X[Nota: Xi =

(Xi - X)]

= Y, desde Z * / = 0

16
 Var( / ?i) =(T2 Yvar() \ )=----A2= -
RCY Xi2 Riy" Xi2 N

Por lo tanto, ni las estimaciones ni las

variaciones de los dos estimadores son

los mismos.

UN
(b) Fii =- - - Y A\ =- - - -,DesdeXj =(Xj - X)
2X Zx'2
UN UN ^J2
Es fácil comprobar que var( FII)- var(a2) =
2X

Es decir, los cálculos y las variaciones de

los dos pendiente los estimadores son los
mismos.
(c) Modelo II puede ser más fácil de usar,

con gran X números, aunque con alta

velocidad ordenadores esto ya no es un

problema.

3.10 Desde ^Tixi iyi = ^= 0, es decir, la suma de las desviaciones de valor medio es

siempre cero, x = y = 0 también son cero. Por lo tanto,

A-A-

FI\ = Y /H X = 0. El punto aquí es que si tanto Y

y X se expresan como desviaciones de los

valores promedio, la línea de regresión pase

por el origen.

Z O- * ) >> ' - >0

(H =-------------=- - - -,DesdeMedios De Los
dos

17
 2 > -i)2 2 >!

Las variables son cero. Esta ecuación (3.1.6 ).

3.11 AXJ que Zj = + b y Wj = cYi + d. Desviación

en forma, estos son: Zj = axi y wi = cy". Por

definición,

Y'ziWi CAJ, xiyi

R2= ■ ==- - -1 =N EnEq. (3.5.13 )
^ | 2 >22 >2

3.12 (A) Verdadero. Vamos a y c iguales -1 y b y d

igual a 0 en cuestión 3.11 .
(b) Falso. Una vez más usando pregunta 3.11 ,
será negativo.

(c) Cierto. Desde rxy = ryx > 0, Sx y Sy ( las

desviaciones estándar de X
Sx
E Y, respectivamente) son positivos, y ryx
= fiyx y rxy =
Sy
Sy
FIXY-, Y A CONTINUACIÓN, FIXY FIYX debe ser positiva.
Sx

3.13 Y Z = Xi + X2 y W = X2 y X3. Desviación en

forma, podemos escribir como z = xi + X2 y w =
x2 + X3. Por definición la correlación entre Z
y W es la siguiente:
7 Z IWI Y>l + * 2)( * 2 + X3)

^ 2 >22 >2 JX (x' +x2)2£ (x2+x3)2

I>2
= . , Debido a que el X
son
J(ZX l2 + ZX22) (Z^22

18
 No correlacionados. NOTA: Se han omitido la
observación subscript para mayor comodidad.
= , .A = = -, donde cr2 es la varianza
común. Y] (2A2 + 2CR2) 2
El coeficiente no nulo porque, a pesar de que
la X son individualmente, los pares no son
combinaciones.
Como se muestra en la figura, ^ZW = A2, LO QUE
SIGNIFICA QUE la covarianza entre z

Y w es una constante diferente de cero.

3.14 Los valores residuales y equipado los valores

de Y no va a cambiar. Deje que
Yj, sellada, = / ?i + / 3XIX HASTA MEDIADIDOS +
W y Yj, sellada, = a \ +AIZI + M, donde Z = 2X,
mediante la desviación típica forma, sabemos
que

" 2>
/ ?2 =--- -, Omitiendo la observación
subíndice.
2 >!

. Zz- >" 2I>' , .

"2 =------=------ = - FII
/ ?I= Y - f i i X \ \ = Y -cnzboard= . (Nota: Z = 2 X)
Que es la intersección plazo no resulta
afectada. Como resultado de ello, los valores
de Y y los residuos siguen siendo los mismos
aunque Xi se multiplica por 2. El análisis es
análogo si una constante es agregado a X{.

3.15 Por definición,

2 >2
RYY = ■

(2 > ' )2 > !) < 2 >Jx2 >2

>5 >.
£ ( ,W H1 ^2
Desde s s ,UT =0. =- - -=-------=R2,Utilizando
-------------(3.5.6 ).

19
 2 >2 >2 2

3.16 (A) Falso . La covarianza puede asumir

cualquier valor; su valor depende de las
unidades de medida. El coeficiente de
correlación, por otro lado, es unidad, es
decir, se trata de un puro número.

(b) FALSO. Ver Fig.3.1 \H. Recuerde que

coeficiente de correlación es una medida
de RELACIÓN LINEAL entre dos variables. Por lo
tanto, como Fig.3.1 \H MUESTRA , existe una
perfecta relación entre Y y X, pero esa
relación no es lineal.

(c) CIERTO. En desviación forma, hemos

Yi = yi + ui
Por lo tanto, es obvio que si incurrimos ^,
en YN la pendiente coeficiente será uno y la
intersección cero. Pero una prueba oficial
puede proceder de la siguiente manera:
Si incurrimos en yi Y>, OBTENEMOS LA PENDIENTE
COEFICIENTE, DIGAMOS, UNA como:

PYJW HI A = = =
- -= 1, porque
FZ S * '* 2 e
UN * UN _
YI = FIXIAND LLXLYI = FT PARA EL modelo de dos
variables. La intersección de esta
regresión es cero.

3.17 Escribir la muestra regresión: YF = F3X + m, .

Por principio, se desea minimizar: -FIX)1.
DISTINGUIR esta ecuación
Con el único parámetro desconocido y
establecer la expresión resultante a cero,
para obtener:

^ 4^ = 2 £ff- ( -l) = 0
Dp\
Que en el proceso de simplificación le
da SOLUCIÓN = Y ,ES DECIR, LA MEDIA DE LA MUESTRA. Y

20
 <J2
Sabemos que la varianza de la media de la
muestra es -, donde n es el
N
Tamaño de la muestra, y a2 es la varianza de Y.
El RSS es
Y (Y - Y)2 = A YF Y &2 = ■. Vale la pena agregar
el 6
^ ^ (N-1) (W-1)
Variable X a la modelo si reduce el
& 2 significativamente, lo cual lo hará si X
tiene alguna influencia en Y. En breve, en los
modelos de regresión esperamos que la variable
explicativa(s) predecir mejor Y que
simplemente su valor medio. De hecho, este
puede ser visto formalmente.
Recordemos que en el modelo de dos variables que
obtenemos de (3.5.2 ),
RSS = SAT - ESS
= 2 >M>,2

Por lo tanto, si J32 es diferente de cero,

RSS de la modelo que contiene al menos un
regresor, será menor que el modelo con un
regresor. Por supuesto, si hay más los
regresores del modelo y su pendiente los
coeficientes son diferentes de cero, el RSS
será mucho menor que los no-regresor modelo.

Problemas

3.18 Tomando en cuenta la diferencia

entre las dos filas, obtenemos: d -2
1 -1 3 1-0-1 2
D2 4 1 1 9 0 1 1 4 1 4 D2 = 26
Por lo tanto, coeficiente de correlación de
Spearman es

RS = 1- ^---= 1- 6 (26) = 0,842

N(N - 1 )10 (102-1)
Por lo tanto, existe un alto grado de
correlación entre el estudiante de
Evaluación intermedia y final. El mayor es el
rango en el mediano plazo, la
Más alto es el rango en la final.

21
3.19 (A) El valor de la pendiente de -4.318
sugiere que en el período 1980-1994, por
cada unidad de aumento en el precio
relativo, en promedio, la (GM/ $)
disminución del tipo de cambio de 4,32
unidades. Es decir, el
Depreciación del dólar porque se obtiene menos
marcos alemanes por cada dólar intercambiado.
Interpretaba literalmente, la intersección
de 6,682 valor significa que si el precio
relativo de cero, un dólar, cambio de 6,682
marcos alemanes. Por supuesto, esta
interpretación no es económicamente
significativa.

(b) El valor negativo de la pendiente

coeficiente hace perfecto sentido desde el
punto de vista económico porque si los
precios suben más rápido que los precios en
Alemania, los consumidores domésticos se
cambiará a alemanes, con lo que aumenta la
demanda de GM, que dará lugar a la
apreciación
De la marca alemana. Esta es la esencia de la
teoría de la paridad del poder
adquisitivo (PPA), o la ley del precio único.
(c) En este caso la pendiente coeficiente
se espera que sea positivo, ya que cuanto
mayor sea la relación con IPC Alemán el IPC
de ESTADOS UNIDOS, la mayor tasa de
inflación relativa en Alemania, en la que se
conducen a la apreciación del dólar de
EE.UU. Una vez más, este es el espíritu de
la PPA.

3.20 (A) La scattergrams son los siguientes:

22
 PRODBUS

PRODNFB
(b) Como los diagramas muestran, existe una
relación positiva entre salarios y
productividad, lo cual no es sorprendente en
vista de la teoría de productividad
marginal del trabajo economía.

(c) Como demuestran las cifras anteriores,

la relación entre los salarios y la
productividad, aunque positivo, no es lineal.
Por lo tanto, si tratamos de colocar un modelo
de regresión lineal de los datos puede que no
obtengamos un buen ajuste. En un capítulo
posterior, veremos qué tipos de modelos
Es adecuado para esta situación. Pero si de
forma sistemática montar el modelo lineal de
los datos, obtenemos los siguientes
resultados.

Wagebus + 2,0039 = -109.3833 Prodbus

Se = (9,7119 ) (0,1176 ). 0,8868 R^
Wagenfb = -123.6000 Prodnfb + 2,1386 r2
= 0,8777 se = (11,0198 ) (0,1312 ).

Cuando el autobús = sector empresarial, nfb =

23
 sector de empresas no agrarias prod =
productividad medida por la producción por
hora y salario = remuneración por hora.
Como era de esperar, la relación entre las dos
es positiva. Sorprendentemente, el valor r2 es
bastante alta.

3.21 En I*, I"

13210
Datos originales: 1110 1700 205500 322000 0
Datos Revisados 1110 1680 204200 315400 13330
Por lo tanto, corregir el coeficiente de 0
correlación es 0,9688

3.22 Si parcela estas variables en función del

tiempo, se ve que por lo general, se han
desplazado hacia arriba; en el caso de oro
hay una gran volatilidad de los precios.

(b) Si la hipótesis es cierta, se podría

esperar que / ?2 > 1.

(c) Oro Pricet = 186,183 + 1,842 IPCT

Se = (125,403 ) (1,215 )R2 = 0,150

NYSEt = -102.060 + 2,129 IPCT

Se (23,767 ) (0,230 ) R^ 0,868

Parece que el mercado de valores es una mejor

cobertura contra la inflación que el oro. Como
veremos en el Capítulo 5, la pendiente de la
ecuación precio del oro no es estadísticamente
significativa.

24
 3.23 (A) La trama es como se indica a continuación,
donde NGDP y RGDP son nominales y
PIB.

Eooo 8000.

100001 R 6000
6000.

4000. 4000

2000
.

20
00
60 ¿5 ' ' '16 16 ¿ ¿5 90 ¿5

(B) | NGDP RGDP |

NGDPt = + -986.3317
201,9772 Tiempo
Se = (1907,715 )+ 128,7820

+ RGDPt = 1907,715 128,7820

Se = (45,1329 ) ( 1,9666 ) R2 = 0,9914

(c) La pendiente hace que la tasa de cambio del PIB

por unidad de tiempo.
(d) La diferencia entre las dos representa la
inflación a través del tiempo.
(e) Como la figura y los resultados de la
regresión indican, el PIB nominal ha estado
creciendo más rápidamente que el PIB real lo que
sugiere que la inflación ha R2 = 0,9277
aumentado con el paso del tiempo .
3.24
Este es muy sencillo.
3,25
(a) Véase la figura del ejercicio 2.16 (D)

(b) Los resultados de la regresión son los

siguientes:

Y +1.436 -198.126 =
^, SE=( 25,211 )
(0,057 ) r2= 0,966
Donde 7= mujer verbal puntuación YX = macho
puntuación verbal.

(c) Como se señala en el texto, una relación

estadística, por fuerte que sea, no demostrar la
relación de causalidad, la cual debe ser

25
establecido de antemano. En este caso, no hay razón
para sospechar relación causal entre las dos
variables.

26
3.26 Los resultados de la
regresión son los
siguientes:

-189.057€
+1.285
=X, SE=( 40,927
) (0,082 ) R2
= 0,918
3.27 Este es un proyecto de

27
la clase.

28
 EL CAPÍTULO 4
LA SUPOSICIÓN DE NORMALIDAD: CLÁSICO MODELO DE
REGRESIÓN LINEAL NORMAL (CNLRM)

Ejercicios Apéndice 4A

4.1 Dado que el coeficiente de correlación entre

Yi y Y2, p, es
Cero, el PDF normal bivariada reduce a:

F(Yi,Y2) = ---expl-- ( --- )2

= F(Y), f(Y2)

Donde f(Yi) y f(Y2) son las normal

univariante pdf Por lo tanto, cuando p es
cero, f(Yi,Y2) = f(Yi)f(Y2), que es la
condición de independencia estadística. Por
lo tanto, en el caso normal bivariada, cero
correlación implica independencia
estadística.

4.2 Para garantizar que los estimadores de

mï¿ ½ima verosimilitud maximizar la
Probabilidad función, el segundo derivados
de Eq. (5) en Ap. 4A debe ser menor que
cero, lo que garantizará que RSS es
minimizada.

G2 de
LF PPP
AA2 LF n 1
de LF
2 De
3 (Cr2)2 2 (A2)2 (A2)3

Desde

29
30
 En segundo lugar ya que todos los productos
derivados son negativos, los estimadores
máximo la probabilidad.

4.3 Puesto que X sigue la distribución

exponencial, su PDF es:
n ^
F(X) =/( * ,) = (
- \E 0
UN

Por lo tanto, la LF se

LF(Xi,tf) = (i) exp"1

* y el registro LF
será:

I * .
En LF = -n 0 -
0
Diferenciar la función anterior con respecto a
0 , OBTENEMOS :

DLNLF ",1, .^^ DE ~ 0 0 2

De esta ecuación a cero, se obtiene

0 = ---= X, QUE ES LA MEDIA DE LA MUESTRA.

31
 N
CAPÍTULO 5 REGRESIÓN de dos variables:
INTERVALO ESTIMACIÓN Y PRUEBAS DE HIPÓTESIS

Preguntas
5.1 (A) LA PRUEBA T se basa en las variables con una
distribución normal.
Dado que los estimadores de / ?, y / ?2
son combinaciones lineales de los error
u \, que se supone que se distribuye
normalmente en CLRM, los estimadores son
también normalmente distribuidos.

{B) VERDADERO. Siempre que E( "i) = 0, la

operación estimadores son imparciales.
No se requieren hipótesis probabilística para
establecer la imparcialidad.
(c) EN este caso el Eq. (1) en Ap. 3, Sec.
3A. 1, va a estar ausente. Este tema se
examina con mayor detalle en el Capítulo 6,
Sec. 6.1 .

(d) EL VALOR DE P es el más bajo nivel de

significación en el que la hipótesis nula
puede ser rechazada. El nivel de
significación y el tamaño de la prueba no

32
son sinónimos.

(e) ES CIERTO, COMO SE DESPRENDE DE Eq. (1) del Ap.

3A, Sec. 3A. 1.
( /) FALSO. Todo lo que podemos decir es que
los datos en la mano no nos permite rechazar
la hipótesis nula.

(g) FALSO. Un mayor 2 PUEDE ser compensado

por una mayor ^x,2. es sólo si ésta se
mantiene constante, la declaración puede ser
verdad.
(h) FALSO. El promedio condicional de una
variable aleatoria depende de los valores de
otro (acondicionamiento) variable. Sólo si
las dos variables son independientes, que el
condicional e incondicional significa pueden
ser el mismo.

(True 0 . Esto es evidente en la Ec. (3.1.7 ).

( / ") CIERTO. Consulte de Eq. (3.5.2 ). Si X

no tiene influencia en Y , será cero, en cuyo

33
caso ^YF = ^UF .

34
 5.2 ANOVA table for the Food Expenditure in India
Fuente de variación SS Df MSS

Debido a la regresión 139023 1 139023

(ESS) a residual (RSS) 236894
Debido 53 4470

TSS 375916

139023
F =-----= 31,1013 Con df = 1 y 53,
respectivamente.
4470
Bajo la hipótesis de que no hay relación
entre los gastos alimentarios y los gastos
totales, el valor de p de obtener dicho
valor F es casi cero, lo que sugiere que uno
puede rechazar enérgicamente la hipótesis
nula.

5.3 (A) Se coeficiente de la pendiente es: = 0,0664

9,6536
0,7347
El VALOR DE T en Ho: B = 0, es: = 0,8797
HX
0,8351
(b) En promedio, los salarios por hora
promedio sube por unos 64 céntimos por un
año adicional de escolaridad.

(c) En este caso n = 13, df = 11. Si la

hipótesis nula es cierta,
Calcula el VALOR DE T es 9,6536 . La
probabilidad de obtener un VALOR DE T es
extremadamente pequeño; el valor de p ES
PRÁCTICAMENTE NULO. Por tanto, se puede rechazar
la hipótesis nula de que educación no tiene
efecto sobre las ganancias por hora.

(d) El ESS = 74,9389 ; RSS = 8,8454 ; df

del numerador y denominador = 1 df = 11. F
= 93,1929 . El valor de p de F bajo la
hipótesis nula de que no hay relación
entre las dos variables es 0,000001 , lo
cual es extremadamente pequeño. Así pues,
podemos rechazar la hipótesis nula con una

35
gran confianza.
Tenga en cuenta que el F valor es de
aproximadamente el cuadrado del valor de t en
las mismas hipótesis nula.

(e) En el caso bivariante, dado Ho: / ?2

= 0, se encuentra la siguiente relación
entre el VALOR DE T y r2 :
2 T2
R = -:. Dado que el VALOR DE T es dada como
9,6536 ,
[T + (n - 2)]

36
 Obtenemos: r2 = - (9-6536) _ 0 3944
[ (9,6536 ) -11]
5.4 Verbalmente, la hipótesis afirma que no hay
correlación entre las dos variables . Por lo
tanto, si podemos demostrar que la covarianza
entre las dos variables es cero, entonces la
correlación debe ser cero.

5.5 (A) utilizar la PRUEBA DE T PARA probar la hipótesis

de que el verdadero coeficiente pendiente
, L-1 1,0598 -1
Es uno de ellos. Que se obtiene: T = - = =
0,821
SE(P2) 0,0728
A 238 df este VALOR DE T no es importante,
incluso en una = 10 %.
La conclusión es que, a lo largo del
período de muestreo, IBM no era un
frágil en materia de seguridad.
(b) Desde T = ^= 2,4205, lo que es significativo en los
dos 0,3001
% Nivel de significación. Pero no tiene
mucho sentido económico. Interpretaba
literalmente, la intersección de unos 0,73
valor significa que, incluso si la cartera
de mercado tiene retorno a cero, el
regreso de seguridad es de 0,73 por
ciento.
*
5.6 Bajo la suposición de normalidad, fi 2 se
distribuye normalmente. Pero, puesto que una
distribución normal variable es continua,
sabemos por teoría de la probabilidad, la
probabilidad de que una variable aleatoria
continua toma en un determinado valor es
cero. Por lo tanto, no hace ninguna
diferencia si la igualdad es fuerte o débil.

5.7 Bajo la hipótesis de que / ?2 = 0 , obtenemos

Ji _FI [Zxt _ fojLxf
2 2y

T =
Se(P2)

37
 I

I",2 2]yfQ-r)
Porque A2 = • , De Eq. (3.5.10 )
(N- 2)
( N - 2)

M
Yl^yf^ -r2)
I*?
S I

Pero, dado que R Y, a , De Eq. (3.5.6 ).

= FI2 continuación, I yi
R = FT2

38
 ^ , Rj(n-2 ) UNA> /? ^
Por lo tanto, t = ■■ = - ^ -, y
V(l-r)2 o'

R 2(n - 2) -
T = F= DesdeEq. (5.9.1 )
1-R Cr
Problemas
5.8 (A)No hay asociación positiva en las mismas
fechas en 1972 y 1968,
Lo que no es sorprendente en vista de
la realidad desde la segunda guerra
mundial se ha producido un aumento
constante en las mismas fechas de la
mujer.

(b) Utilizar una cola de PRUEBA DE T.

T = ^-- = -1,7542 . 17 Df, el valor de t de cola
0,1961
A = 5% es 1,740 . Desde el valor de t es
significativo, a este nivel de
significación, podemos rechazar la
hipótesis de que el verdadero pendiente
coeficiente es 1 o mayor.

(c) Tal es la media: 0,2033 + 0,6560 (0,58 )

* 0,5838 . Para establecer un intervalo
de confianza del 95% para este valor de
previsión, utilizar la fórmula: 0,5838 ±
2,1 l(de la media valor de previsión),
donde 2,11 es el 5% de valor crítico 17.
Para obtener el error estándar del valor
de previsión, utilizar el ecualizador.
(5.10.2 ). Pero tenga en cuenta que los
autores no dan el valor medio de las
mismas fechas de la mujer en 1968, no
podemos calcular el error estándar.

(d) Sin los datos reales, no vamos a ser

capaces de responder a esta pregunta,
porque necesitamos los valores de las
desviaciones en su parcela y obtener
el gráfico de probabilidad normal o
para calcular el valor de la prueba
Jarque-Bera.

S3) (A)

39
PASAR

40
(b) Pagar, = 12129,37 + 3,3076 Pasar
Se = (1197,351 ) (0,3117 ).R2 = 0,6968 ; RSS =
2,65 E+08
(c) Si el gasto por alumno aumenta por un dólar,
el salario promedio aumenta en alrededor de
$3.31 . El interceptar plazo viable no tiene
sentido económico.

(d) El 95% de Cl es: 3,3076 (0,3117 ± 2) =

(2.6842,3 .931) con base en ese Cl no
rechazar la hipótesis nula de que la
verdadera inclinación coeficiente es 3.

(e) La media y valores de previsión individual son

los mismos, a saber, 12129,37 + 3,3076 (5000)
* 28.667 . El error estándar del promedio
valor de previsión, con eq. (5.10.2 ), es
520,5117 (dólares) y el error estándar de la
previsión individual, utilizando Eq.
(5.10.6 ), 2382,337 . Los intervalos de
confianza son:
Previsión Media: 28.667 + 2 (520,5117 ), es
decir,
( $27.626 , $29.708 )
Cada predicción: 28667 + 2 (2382,337 ), es
decir,
( $23.902 , $33.432 )
Como era de esperar, el último intervalo es más
amplio que el anterior.
Si)

-4000 -2000 6000

Senes Residuos
Muestra 1 51 51
Observaciones
9 13E-
Significa 12
Mediana 217 -
5192
Máximo 5529
Mínimo 342 -
976
Std Dev 3847
2301 4
Oblicuid 0 14
ad
Curtosis 499126
2
807557

41
 Jarque- 219627
Bera 3
Probabili 0
dad 333492
El histograma de los residuos se puede
aproximar a una curva normal. El Jarque-Bera
estadística es 2,1927 y su VALOR DE P es de 0,33
. Por lo tanto, no rechazamos la suposición
de normalidad sobre la base de esta prueba,
asumiendo que el tamaño de la muestra de 51
observaciones es bastante grande.

5.10 La tabla ANOVA para el sector empresarial es la

siguiente:

Fuente de Variación SS Df MSS

Debido a la regresión (ESS)38685,997 1 38685,997

Debido a residual (RSS)4934,138 37 133,355

Total(SAT) 43620,135

42
 El
=
valor es 38685 997
290,0978 133,355
Bajo la hipótesis nula de que no hay
relación entre los salarios y la
productividad en el sector empresarial,
esta F valor sigue la distribución F con 1
y 37 df en el numerador y denominador,
respectivamente. La probabilidad de obtener
dicho valor es 0,0000 F , es decir,
prácticamente a cero. Por lo tanto, no
podemos rechazar la hipótesis nula, lo que
no debería sorprender a nadie.

(b)Para el sector de empresas no agrarias ,

LA tabla ANOVA es como sigue:
Fuente de Variación SS Df MSS
Debido a la regresión (ESS) 37887,455 1
37887,455
Debido a residual (RSS) 5221,585 37
141,129

Total 43109,04
SAT = 43059,04 , RSS = 5221,585 ; ESS =
37837,455
Bajo la hipótesis nula de que el
coeficiente es cierto pendiente es
igual a cero, el valor F calculado
es:
459
141,129
Si la hipótesis nula es cierta, la
probabilidad de obtener un valor F es
prácticamente nulo, lo que conduce al
rechazo de la hipótesis nula.

5.11 (A) El Parcela se muestra a continuación indica

que la relación entre

43
 ADEXP
Las dos variables es lineal. En un principio,
como los gastos de publicidad, aumenta el
número de impresiones retenidas aumenta, pero
poco a poco se.

(b) Como resultado de ello, no sería conveniente

que se ajuste a un modelo de regresión lineal
bivariado de los datos. En la actualidad no tenemos
Las herramientas necesarias para montar
un modelo apropiado. Como se verá más
adelante, un modelo del tipo:
I; =A
Puede ser apropiado, donde A = impresiones
retenidas y X 2 es los gastos de publicidad.
Este es un ejemplo de un modelo de
regresión cuadrático. Pero tenga en cuenta
que este modelo todavía lineal en los
parámetros.

(c) Los resultados de ciegas utilizando un

modelo lineal son los siguientes:

Yj, sellada, 0,3631 = 22,163 + Xj

Se (7,089 ) (0,0971 ).R2 = 0,424

5.12 (A)
200-I

150-
S0 °°
< ° °°
§ 100- 0
3

44
 S-l,-------------,----------,--------,
0 50 100 150 200

ICAN

El gráfico muestra que las tasas de

inflación de los dos países.

(b) Y (c) La siguiente salida es obtenida

de DECISIVO 3 paquete estadístico.

45
Muestra: 1973 1997
observaciones
incluidas: 25

T-
Variable Coeficiente Ets. Error Prob.
Statistic
C 6,251664 1,956380 3,195526 0,0040
ICAN 0,940932 0,017570 53,55261 0,0000

R-cuadrado 0,992044 Significa S. D. 104,7560

ajustado r-squared S. 0,991698 dependentvar 36,56767
E. de suma de 3,331867 dependiente var Akaike 5,321561
regresión squared 255,3308 info criterion Schwarz 5,419071
resid Log -64.51951 criterion F-statistic 2867,882
probabilidad Durbin- 0,264558 Prob(F-statistic) 0,000000
Watson stat
-

Este resultado muestra que, la relación entre

estas dos variables es positiva. Uno puede
rechazar la hipótesis nula de que no hay
relación entre las dos variables, como
el VALOR DE T obtenido en esa hipótesis es 53,55
, y el valor de p de obtener el valor de
t es prácticamente nulo.
A pesar de que las dos tasas de inflación
están relacionados positivamente, no
podemos inferir causalidad de este
hallazgo, por lo que debe inferirse de
alguna teoría económica. Recuerde que la
regresión no implica necesariamente
causalidad.

5.13 (A) Las dos regresiones son los siguientes:

Goldpricet= 186,183 + 1,842 IPC,
= (125,403 ) (1,215 )
/= (1,484 ) (1,515 ) R2 = 0,150

NYSEIndext = 102,060 + 2,129T

IPC SE = (23,767 ) (0,230 ) R2 = 0,868
T = (-4.294) (9,247 )

(b) La Jarqu-Bera estadística para el

precio del oro ecuación es 4,751 0,093
valor de ap . El JB NYSEIndex
estadística para la ecuación es
1,218 0,544 valor de ap .
Un nivel de significancia del 5 %, en
ambos casos no se rechaza la

46
 suposición de normalidad.

(c) Desde la vertiente goldprice

coeficiente en la regresión no es
estadísticamente diferente de cero, no
tiene sentido

4
7
find out if it is different from 1.
(d) Y (E) usando el procedimiento habitual prueba
t, obtenemos:

1
0,230
Desde este valor supera el valor crítico de
2,160 , rechazamos la hipótesis nula. El
coeficiente estimado es en realidad mayor que
1. Para esta muestra, la inversión en el
mercado bursátil fue probablemente una
cobertura contra la inflación. Era, por
cierto, una mejor cobertura contra la
inflación que la inversión en oro.

14 (A) Ninguna parece ser mejor que los demás.

Todos los resultados estadísticos
Son muy similares. Cada uno cuesta
coeficiente es estadísticamente
significativo en el 99% de nivel de
confianza.
(b) El consistente alto r s no se puede
utilizar a la hora de decidir cual es el
mejor agregado monetario. Sin embargo,
esto no sugiere que no hay diferencia
que ecuación para utilizar.
(c) Uno no puede decir de los
resultados de la regresión. Pero
últimamente la Fed parece estar
dirigida a la M2 medida.

15 Escribir el modelo de curva de indiferencia:

> ; =A( -ir) + A+ ",
/
Tenga en cuenta que ahora / ?, se convierte
en la pendiente y el parámetro / ?2 la
intersección. Pero todavía se trata de un
modelo de regresión lineal, ya que los
parámetros son lineales (más sobre esto en el
capítulo 6). Los resultados de la regresión
son los siguientes:

YT = 3,2827 ( -) + 1,1009
= (1,2599 ).(0,6817 ). = 0,6935 ?
El "slope" coeficiente es
estadísticamente significativo al 92%
coeficiente de confianza. La tasa marginal
find out if it is different from 1.
de sustitución (MRS)
De Y en X es: - = -0.3287 ÔX

16 (A) Deje que el modelo: YT = + FI2X2I + w,

Donde Y es el tipo de cambio real y X la
implícita. Si el PPP tiene, uno esperaría
que la intersección de ser cero y la
pendiente a ser uno.

(b) Los resultados de la

regresión son los
siguientes: YI = 24,6338
+ 0,5405 Xi
 SE = ( 19,5071 ) (0,0094 ) t =
( 1,2628 ).(57,1016 ) R2 =
0,9917
Para probar la hipótesis de que FI2 = 1 , se
utiliza el test de la t, que da
, = °,5405-1 =-48.88 0,0094
Este VALOR DE T es muy significativa, lo que
conduce al rechazo de la hipótesis nula. En
realidad, la pendiente es coeficiente es
menor que 1. En la regresión dado, el lector
puede comprobar fácilmente que el coeficiente
de intersección no es diferente de cero, ya
que el VALOR DE T en la hipótesis de que el
verdadero interceptar es cero, sólo es 1,2628
.
NOTA: EN REALIDAD, debemos probar el (comunes)
hipótesis de que la intersección es cero y la
pendiente es 1 a la vez.
En el Capítulo 8, vamos a mostrar cómo se hace
esto.

(c) Desde el Gran Max Índice es "crudo y

desternillante" para empezar, probablemente
no le importa. Sin embargo, para los datos
de la muestra, los resultados no apoyan la
teoría.

5.17 (A) Dejar que los hombres Y representan las

matemáticas puntuación y X las mujeres matemáticas
Puntuación, obtenemos la siguiente regresión:

I; = 175,975 +0.714X". SE
= (20,635 ) (0.045 ) T
= (8,528 ) (15,706 ) R2
= 0,918

(b) La estadística es 1,0317 Jarque-Bera con

ap valor de 0,5970 . Por lo tanto, no
podemos rechazar asintóticamente la
suposición de normalidad.

(c) T = ------ = -6,36 . Por lo tanto, con 99%

de confianza podemos
0,045
Rechazamos la hipótesis de que F}2 = 1.

33
 ID) La tabla ANOVA es:
Fuente de Variación SS df MSS

ESS 948,193 1 948,193

RSS 87,782 22 3,990

TSS 1071,975 23
Bajo la hipótesis nula de que FI2 = 0, F es
264,665 ,
El valor de p de obtener dicho valor F es
casi cero, lo que lleva a el rechazo de la
hipótesis nula.
5.18 (A)Los resultados de la regresión son los
siguientes:

148,135 + 0,673 xs
Se= (11,653 ) (0,027 ) t =
( 12,713 ) (25,102 ) R?
= 0,966
(b) La estadística es 1,243 Jarque-Bera con
ap valor de 0,5372 . Por lo tanto,
podemos rechazar la hipótesis nula de
no-normalidad.

(c) Bajo la hipótesis nula, obtenemos: t = -I

= 12,11 .
0,027
El valor crítico al 5% es 2,074 .
Por lo tanto, no podemos rechazar la
hipótesis nula de que la verdadera
inclinación coeficiente es 1.

(d) La ESS, RSS y SAT los valores son,

respectivamente, 3157,586 (1 df), 110,247
(22 df), y 32367,833 (23 df). Bajo la
hipótesis nula habitual el valor F es
630,131 . El valor de p de F valor es casi
nulo. Por lo tanto, no podemos rechazar la
hipótesis nula de que no existe ninguna
relación entre las dos variables.

5.19 (A)

34
 IPM

El scattergram, así como la regresión

estimada línea se muestra en la figura
anterior.
(b) Tratar IPC como regressand e IPM como
regresor. El IPC representa los precios
pagados por los consumidores, mientras
que el WPI representa los precios
pagados por los productores. Los
primeros son por lo general un marcado
en el segundo.

35
(c) Y (d) Los siguientes resultados obtenidos
de DECISIVO3 LE OFRECE los datos necesarios.

Variable dependiente: IPC Método: Mínimos Cuadrados

Fecha: 23/06/00 Hora: 16:50 Muestra: 1960 1999 observaciones incluidas:
40

Variable Coeficiente Ets. Error t-statistic Prob.

C -13.77536 3,710747 0,042763 0,0007
IPM 1,269994 29,69864 -3.712286 0,0000
R-cuadrado ajustado r- 0,958696 Significa S. D. 86,17000
squared S. E. de suma 0,957609 dependentvar 48,02523
de regresión squared 9,887937 dependiente var Akaike 7,469215
resid Log probabilidad 3715,309 info criterion Schwarz 7,553659
Durbin-Watson stat -147.3843 criterion F-statistic 882,0093
0,093326 Prob(F-statistic) 0,000000

Calcula el VALOR DE la pendiente es 29,6986

coeficiente bajo la hipótesis nula de que no hay
relación entre los dos índices. El valor de
p de obtener el VALOR DE T es casi nulo, lo que
sugiere el rechazo de la hipótesis nula.
El histograma y Jarque-Bera prueba basada en los
residuos de la regresión anterior se encuentran en
el siguiente diagrama

Serie: Residuos
Muestra 19601999
Observacio
nes 40
711E-
Significa 15
Mediana 3
78154
21,847
Máximo 09
Mínimo •19,05
008
9
Ski Dev 76034
Oblicuidad -01197
Curtosis 2
62066
Jarque- 3
0,3353
Bera 90

36
 Probabilida 0,8456
d 12

El Jarqe-Bera estadística es 0,3335 0,8456

valor de ap . Por lo tanto, no podemos
rechazar la suposición de normalidad. El
histograma muestra también que los residuos
son razonablemente distribuidos
simétricamente.

3
7
 EL CAPÍTULO 6
LAS EXTENSIONES DE LAS DOS VARIABLES DE MODELO DE
REGRESIÓN

6.1 CIERTO. Tenga en cuenta que la habitual fórmula

para estimar LA OPERACIÓN la intersección es
UN UN

/ ?, = (media de los regressand - / ?

2 media del regresor).
Pero cuando Y y X son de desviación, sus
valores medios son siempre iguales a cero.
Por lo tanto, en este caso la ordenada
también es cero.

6.2 (A) Y (B ) EN LA PRIMERA ECUACIÓN LA INTERCEPTACIÓN TÉRMINO SE

INCLUYE.
Desde la intersección en el primer modelo no
es estadísticamente significativa, es decir
al nivel del 5 por ciento, que puede ser
bajado desde el modelo.
(c) Para cada modelo, un aumento de un punto
porcentual en la tasa de mercado mensual de
cable de retorno a un promedio de 0,76 de
punto porcentual de aumento de la tasa
mensual de retorno de Texaco las acciones
comunes en el período de la muestra.

(d) Tal como se explica en el capítulo, este

modelo representa la línea de
característica de la teoría de la inversión.
En el presente caso, el modelo se refiere a
la devolución mensual en la Texaco de retorno
para el mes en el mercado, como la que
representa un amplio índice de mercado.

(e) No, los dos R^S no son comparables.

El R2 del modelo interceptless es la materia
prima R2.

(f) Ya tenemos una muestra bastante grande,

podemos usar la prueba de normalidad Jarque-
Bera. El JB estadística para los dos modelos
es el mismo, es decir, 1.12 y el valor de
p DE OBTENER UN VALOR DE JB 0,57 . POR LO TANTO NO SE
RECHAZA LA HIPÓTESIS DE QUE EL TÉRMINO DE ERROR SIGUEN UNA
DISTRIBUCIÓN NORMAL.
(g) Según comentario de Theil se explica en

38
 el capítulo, si la intersección plazo está
ausente del modelo y, a continuación, ejecuta
la regresión a través del origen le dará más
eficiente estimación de la pendiente
coeficiente, que en el presente caso.

6.3 (A) DADO QUE el modelo es lineal en los

parámetros, es un modelo de regresión
lineal.

(6) Definir Y * = (1/A) y X * = (1/X) y hacer

una regresión de MCO de Y * X * .

3
9
 (c) Como X tiende a infinito, Y tiende a
( 1 // ? , ).

(D tal vez este modelo puede ser apropiado para explicar

bajo consumo de un bien cuando el ingreso es grande,
como un bien inferior.

6.4 Pendiente = 1

6.5 En el modelo I,
sabemos
que
una Sxv
/32 = - 2' , donde X e Y son en

devii en el modelo II, siguiente

paso similar, obtenemos:

Esto demuestra que la pendiente coeficiente no varía

con el cambio de escala.

6.6 Podemos escribir el primer modelo como:

( YJ, SELLADA, WI) = AX+A2 EN (w2Xj) + u],
es decir,
En WI + En YT = a + A2 W2 + A2 En Xt + u *,
USANDO LAS PROPIEDADES

40
De los logaritmos. Desde la w son
constantes, recogiendo términos podemos
simplificar este modelo como:

En Yt = ( ", + un 2 en w2 - En wx) + 2Xi + u'

41
 = A + A2 En Xt + w *
Donde A = (a + A2 EN W2 - En w,)
Comparar esto con el segundo modelo, se verá
que, con la excepción de la intersección, los
dos modelos son iguales. Por lo tanto, la
pendiente estimada los coeficientes en los
dos modelos será el mismo, siendo la única
diferencia la estima intercepta.

(b) Los valores de r2 de los dos modelos es el

mismo.

6.7 Ecuación (6.6.8 ) es un modelo de

crecimiento, mientras que (6.6.10 ) es un
modelo de tendencia lineal. El primero
produce el cambio relativo en la regressand,
mientras que la última le da el cambio
absoluto. A los efectos de la comparación es
el cambio relativo que puede ser más
significativo.

6.8 La hipótesis nula es que el verdadero

coeficiente pendiente 0.005 .la hipótesis
alternativa podría ser una o dos caras.
Supongamos que se
Usar las dos caras. Calcula el valor de la
pendiente es 0,00743 . Mediante la prueba
t , obtenemos:

F_ 0,00743 0,00017 -0,005

pulg. )_H291
Esto es muy significativo. Por lo
tanto, no podemos rechazar la hipótesis
nula.

6.9 Esto se puede obtener aproximadamente como:

18,5508 /3,2514 = 5,7055 , por ciento.

6.10 Como se discutió en segundos. 6.7 Del

texto, en la mayor parte de los productos
básicos Engel modelo representado en la Fig.
6.6 (C) parece adecuado. Por lo tanto, el
segundo modelo que figura en el ejercicio
puede ser la elección.

6.11 Tal como está, el modelo no es lineal en el

parámetro. Pero hay que tener en cuenta la

42
siguiente "truco." En primer lugar, en la
relación de Y a (1-A) y, a continuación,
tomar el logaritmo natural de la relación.
Esta transformación
Hacer que el modelo lineal en los
parámetros. Es decir, ejecutar los
siguientes regrssion:

En
r^rr
/
Este modelo es conocido como el modelo
logit , q u e a n a l i z a r e m o s e n e l c a p í t u l o s o b r e
las variables dependientes cualitativas.

43
Problemas
6.13 100
= 2,0675 + 16,2662 /
100-K
I)
SE = (0,1596 ) (1,3232 ) R2 = 0,9497
Como X aumenta indefinidamente, Enfoqueselvalorlímite

De 2,0675 , es decir, que los enfoques Y el

valor límite de 51,6 .

6.14 Los resultados de la regresión son los

siguientes:
(
Registro - registro = -0.4526 +1.3338 ff
\L)
SE =
(1,3515 ) (0,4470 ).R2 = 0,4070
Para probar la hipótesis nula, utilice la
prueba de la t de la siguiente manera:

1 ^ 338
^0,7468
0,4470

44
13 Df, el 5% (dos-tail) valor crítico es
2,16 . Por lo tanto, no se rechaza la
hipótesis de que la verdadera elasticidad
de sustitución entre el capital y el
trabajo es 1.

45
6.15 (A)SiUno Considera A PRIORI QUE existe una estricta
de uno a uno
Relación entre los dos deflactores, el modelo
apropiado sería uno sin la intersección.

(b) Modelo I: YT =516,0898 + 0,5340 ^

SE = (40,5631 )(0,0217 ). R * = 0,9789

Modelo II: Y > = 0,7950

Se = (0,0255 ). ^ = 0,7161 *
* NOTA: ESTE VALOR R2 no es directamente
comparable con el anterior.
Plazo desde la intersección en el primer
modelo es estadísticamente significativa,
colocación de la segunda modelo, sesgo de
especificación.

(c) Uno podría utilizar el modelo de doble

registro.
6.16 Los resultados de la regresión son los
siguientes:
Ÿ * = 0.9892X *
Se = (0,0388 ). R2 = 0,9789
Un aumento de una desviación estándar el
deflactor del PIB de las importaciones en un
0,9892 resultados aumento de una desviación
estándar del deflactor del PIB de los bienes
nacionales, en promedio. Tenga en cuenta que
este es un resultado similar a la del
anterior problema cuando uno toma nota de la
relación entre los coeficientes de la
vertiente normalizados y no normalizados las
regresiones. Como se muestra en Eq. (6.3.8 )
en el texto.

, Donde * denota pendiente de la normalización

Regresión. En el problema anterior

encontramos / ?2 = 0,5340 . Sy y Sx son como
346 y 641, respectivamente. Por lo tanto,

= 0,5340 =0,9892
UN =PIES.

46
6.17 Para obtener la tasa de crecimiento del
gasto en bienes duraderos, podemos colocar
el log-lin modelo, cuyos resultados son los
siguientes:

En Expdurt = 6,2217 + 0,0154 T

SE = (0,0076 ) (0,000554 ) 0,9737
Como esta regresión muestra, a lo largo del
período de muestreo, el (trimestral)

47
 Tasa de crecimiento de los bienes de consumo
duradero gasto era de un 1,5 %. Tanto los
coeficientes estimados son estadísticamente
significativos individualmente como los
valores de p son extremadamente bajos. No
tendría mucho sentido para que se ejecute un
doble modelo de registro aquí, como:
En Expdurt = / ?, + / ?2 a tiempo + U,

Desde la ladera coeficiente de este modelo es

la elasticidad coeficiente, ¿cuál es el
significado de la afirmación de que con el
tiempo aumenta en uno por ciento, en
promedio, los gastos en bienes duraderos se
incrementa en / ?2 por ciento?

6.18 Los resultados correspondientes a los bienes

no duraderos sector son:
En Expnondurt = 7,1929 + 0,00621
SE = (0,0021 ) (0,00015 ) 7^ =0,9877
De estos resultados se puede observar
que durante el período de la muestra
(trimestral) tasa de crecimiento de los
gastos en bienes durables fue de 0,62 por
ciento.
La comparación de los resultados de las
regresiones en Problemas 6,17 y 6,18 , parece
que en el período 1993:01 a 1998:03, los
gastos en bienes duraderos aumentaron a un
ritmo mucho más rápido que la de los bienes
no duraderos. Esto no es sorprendente en
vista de una de las más largas las
expansiones económicas en la historia de los
ESTADOS UNIDOS.
6.19 El scattergram de impresiones y gastos de
publicidad
De la siguiente manera:

100

80

CO
60
< /3

CL 40

48
 20
50
100 150
20
0
ADEXP

Aunque la relación entre las dos variables parece

ser positiva, no está claro qué curva determinada
se ajustan los datos. En la tabla siguiente se dan
los resultados de la regresión basada en unos
pocos modelos.

49
ModeloInterceptar Pendiente R2
22,1627 Lineal 0,3631 0,423
(3,1261 ). (3,7394 ). 9
58,3997 Recíproca -314.6600 0,396
( 78,0006 ) (-3.5348) 7
Doble sesión 1,2999 0,6135 0,582
(3,686 ) (5,1530 ). 9
0,548
Diario de 3,9955 recíproca -10.7495 6
(21,7816 ) (4,8053 ).
Nota: Las cifras entre paréntesis son las
calcula los valores de t. En cada regresión el
regressand es impresiones y el regresor
es los gastos de publicidad.

Se deja al lector a comparar los distintos

modelos. Tenga en cuenta que los valores de r2 de
los dos primeros modelos son comparables, ya que
el regressand es la misma en los dos modelos. De
igual modo, el R2S de los dos últimos modelos son
comparables ( ¿Por qué?)
EL CAPÍTULO 7
ANÁLISIS DE REGRESIÓN MÚLTIPLE : EL
PROBLEMA DE LA ESTIMACIÓN

7.1 Los resultados de la regresión son: a, = -

3.00 ;a2 =3.50
I,= 4,00 ; 4 =-1.357
Px = 2,00 ; fi2 =\ . 00; .00

(a) Modelo nO dado que (3) es el verdadero modelo

a 2 ES UN ESTIMADOR PARCIALIZADO DE
A- ^
(b) NO i, es un estimador sesgado de , por la
misma razón que en (A).

La lección aquí es que misspecifying una

ecuación parcial puede conducir a estimar los
parámetros del modelo.
7.2 Utilizando las fórmulas indicadas en el
texto, los resultados de la regresión son
los siguientes:

50
YT = 53,1612 + 0.727X2I + 2.736X3, se
 (0,049 ) (0,849 ) R2
= 0,9988 ; R2 = 0,9986

7.3 Omitir el subíndice I OBSERVACIÓN de conveniencia,

recordar que

0_ (X yx2 ) (X *3)-(Xyx3 XI * 2 * 3)
2
(ZX22) (ZX2) - (ZX2X3)2
_(Zyx2) - (Z yxj )I s2s3) / (£ x])
Un>22)-o2x3)2/o2)
_(I^x2) - (Z>a3)623... Bmu&
. ._D>2
23 . * 3>
/V T /V1 \ " 2\
(1 ^ 2) ^ 23 (1 ^ 2 ^ 3)(1 ^ 3)
IX * 2 = "ms)
IX2 (X2 - ¿>23 * 3 )

7.4 Ya que se nos dice que es, u ~ A^ (0,4 ),

generar, digamos, 25 observaciones de una
distribución normal con estos parámetros. La
mayoría de los paquetes no esta habitualmente. De
estos 25 observaciones, calcular la varianza de la
muestra y(X - Y \2
Como S'2 = --- '■-, Donde X\ - EL valor observado
de U, en el
24
Muestra de 25 observaciones. Repita este
ejercicio, es decir, 99 veces más
Para un total de 100 experiencias. En todos
hay 100 valores de S2. La media de estos 100
S1 valores. Este valor promedio debería estar
cerca de A2 = 4. A veces es posible que
necesite más de 100 muestras para la
aproximación a ser buena.

7.5 En la Ec. (7.11.7 ) en el texto, hemos

R2 = r,3 + (1- rx 3 ) RX23. POR LO TANTO,

"2 R2 ~r2
123
L-r,23
Este es el coeficiente de determinación
parcial y puede ser interpretado como que
describe la proporción de la variación de la
variable dependiente no explicada por las
variables X3, pero ha sido explicado por la
incorporación de la variable explicativa X2 A
LA modelo.

51
7.6 La ecuación se puede escribir como:

XX = ( - "2 / ax )X2 + (
- "3 / ax )X3 O X2 = ( -
a, / a2) xx + ( -
"3 / A2 ) X3 O X3 = ( -
a, / A3)XX + ( - "2
/a3)X2
Por lo tanto, los coeficientes de regresión
parcial sería la siguiente:
Pi2 3 = ~ { &21 \) 9 Np2 = (fit31 & i )
P213 = ~ (\ ^ 2)5 ^23.1 ) = ~ (2 ^ 3

Pi "(** i ^ &i) "Py2.\ = " ( ^2 ^ 3)

= 1,2

Recordando pregunta 3.6 , la siguiente:

=
^= ±1

V (ai), " 2>

7.7 (A) No. Un valor de r no puede ser superior a 1

en valor absoluto. Conectar el
Dado los datos de Eq. (7.11.2 ), el
lector puede comprobar que: R\23
= 2,295 , lo que es lógicamente
imposible.

(b) Sí. Siguiendo el mismo procedimiento que

en (A), el lector encontrará RN.3 = 0,397 , que
es posible.

(c) Sí, sí, otra vez se puede demostrar que R\

2.S = 0,880 , que es posible.

7.8 Si dejamos de lado a los años de experiencia

( X^) DE LA modelo, el coeficiente de la
educación (X2) SERÁ parcial, la naturaleza de
los prejuicios en función de la correlación
entre^ andX3. El error estándar, la suma
residual de los cuadrados, y R2 se ven
afectados como resultado
7.9 La pendiente coeficientes en el doble
registro de modelos dar estimaciones directas
de la elasticidad (constante) en la parte
izquierda del variable con respecto al lado
derecho variable. Aquí:
Solicite el número7 DY/Y

52
 =----------= P7, Y
Dlnx2 dx2/X2 2
Din Y Dy/Y
D\nx3 ~ dx3/X,

7.10 (A) Y ( 6) Si se multiplica X2 por 2, se puede

comprobar en las ecuaciones
(7.4.7) Y (7.4.8 ), que las pistas no se verán
afectados. Por otra parte, si se multiplica por 2,
la pendiente, así como la intersección
coeficientes y sus errores estándar son
multiplicados por 2. Tener siempre en cuenta las
unidades en las que el regressand y los regresores
son medidos.

7.11 (7.11.5 ) sabemos que

Ri r * +r£ -2rl2rl3r3 ".
^ ~R23
Por lo tanto, cuando R23 = 0, es decir que
no hay correlación entre las
variables X2ANDX3,
R = R 12 + R 13, ES DECIR, EL COEFICIENTE DE
DETERMINACIÓN MÚLTIPLE ES LA SUMA DE LOS COEFICIENTES
DE DETERMINACIÓN EN LA REGRESIÓN DE Y SOBRE X2 Y que
de Y en X3.

7.12 (A)Escribir Modelo B:

Y
= PI + 0 + PI)X21+ PI^N + UT
+ = P\P\X2t + P 3X3 + u " donde /? * = (1 + fi2)
Por lo tanto, los dos modelos son
similares. Sí, las intercepciones en los
modelos son los mismos.

(È)Las estimaciones de la pendiente del

coeficiente de X3 en los dos modelos será
el mismo.

(C ) /?2 * = (1 + A) = "2

(d) No, porque el regressands en los dos

modelos son diferentes.

7.13 (A)Utilizando LA OPERACIÓN, obtenemos:

- * _Z( ,- * ,)( * ,)
2 V 2 ^ 2
Zx(. £*;

53
 X f = Z L z,x.
Z xf Zxf
= I -
Es decir, la pendiente en la regresión de las
economías de los ingresos (es decir, la
propensión marginal al ahorro) es uno menos
la pendiente en la regresión de consumo sobre
la renta, (es decir, la propensión marginal a
consumir). Dicho de otro modo, la suma de
los dos propensiones marginales es de 1, como
debe ser en vista de la identidad que los
ingresos totales es igual
Total de los gastos de consumo y ahorro total.
Por cierto,
*

Tenga en cuenta que a = - / ?,

(b) Sí. El RSS para el consumo función es:

YiX-o^ -a, :r" ). UN UN

Sustituir (X\ -YI) PARA Z \, A, = - / ?, Y

A2 = (l- / ? 2) y comprobar que las
dos RSS son los mismos.

(c) No, ya que los dos regressands no son lo

mismo.

7.14 (A) Como se discutió en segundos. 6.9 , Para

utilizar el clásico lineal normal
Modelo de regresión (CNLRM), debemos asumir que
En U\ ~ N(0, cr2)
Después de estimar el modelo Cobb-Douglas,
obtener la
Los residuos y los someten a prueba de
normalidad, como el Jarque-Bera
Prueba.

(b) No. Como se discutió en segundos. 6.9 ,

U, □ de lognormal[ea "2,eal {e°2 -1 )]

7.15 (A) Las ecuaciones normal sería:

I ^i^ 2i = Pi ^ * 2/ + Pi
^ - ^ 2/ ^ 3/

T. Y,X"= Pjlx],

(b) No, por la misma razón que el caso de dos

variables.

54
 (c) Sí, estas condiciones todavía espera.

(d) Eso dependerá de la teoría subyacente.

(e) Esta es una simple generalización de

las ecuaciones normales.

Problemas

7.16 (A) Modelo Lineal:

Y = 10816,04 - 2227.704XZ/ +1251.14 \

XV + 6.283 -197.399X4, X5/ (5988,348
)( 920,538 ) (1157021) (29,919 )
(101,156 )
R2= 0,835
En este modelo la pendiente
coeficientes medir la tasa de cambio
de Y con respecto a las variables
relevantes.

(b) Modelo logorï

En YT = 0,627 -1.274X 2I + 0,937

X 3I +1.713 EN X4I - 0,182 En XSI SE ( 6,148 )
(0,527 ) (0,659 ) (1,201 )
(0,128 )
R2 = 0,778
En este modelo, todos los coeficientes
parciales están pendiente las
elasticidades parciales de Y con
respecto a las variables relevantes.

(c) La propia elasticidad-precio se

espera que sea negativa, la
elasticidad cruzada se espera que sea
positivo para sustituir bienes y
mercancías de cortesía negativa, y la
elasticidad del ingreso se espera que
sea positivo, ya que las rosas son un
bien normal.

(d) La fórmula general para elasticidad de

ecuación lineal es:

55
 DY JC
ELASTICIDAD = J-, DONDE X\ es el regresor.
■ Y dx
Que es de un modelo lineal, la
elasticidad se puede calcular el
promedio de los valores.

(e) Ambos modelos ofrecen resultados

similares. Una de las ventajas del
registro de modelo lineal es que la
pendiente que los coeficientes de la
estimación directa (constante)
elasticidad de las variables
relevantes con respecto a la regresor
en examen. Pero hay que tener en
cuenta que el R2S DE LOS DOS MODELOS NO SON
DIRECTAMENTE COMPARABLES.

7.17 (A) A priori, parecen todas las variables

relevantes para explicar wildcat
Actividad. Con la excepción de
la tendencia variable, todos los
coeficientes son pendiente
espera que sea positivo;
tendencia puede ser positivo o
negativo.
(b) El modelo estimado es el siguiente:
T = + 2.775-37.186 Jf2i + 24,152 * 3i -
0,01 LT4 (. -0.213JT5i se = (12,877 )
(0.57 ) (5,587 )(0.008 )(0,259
)
R2 = 0,656 ; R2 = 0,603

(c) Precio del barril y la producción nacional las

variables son estadísticamente
Significativo al nivel del 5 por ciento
y los signos. Las otras variables no son
estadísticamente diferentes de cero.
(d) El modelo log-lineal puede ser otra
especificación. Además
Dar estimaciones directas de la
elasticidad, puede capturar no-
linealidades (en las variables), si los
hay.

56
7.18 (A) ElRegresiónResultados Son los siguientes:

YT = 19,443 + 0,01 SX2I -0.284X" +1.343X4( +6.332 *

5i
SE=( 3,406 ) (0,006 ) (0,457 )(0,259 )
(3,024 )
R2 = 0,978 ; R2 = 0,972 ; R2 modificado = 0,734

(b) A priori, todos los coeficientes

pendiente se espera que sea positivo.
Excepto el coeficiente para militar de
EE.UU. las ventas, todas las otras
variables que tienen los signos
esperados y son estadísticamente
significativos al nivel del 5 por
ciento.
(c) En general los desembolsos federales y
algún tipo de tendencia variable puede
ser valiosa.

7.19 (A) Modelo (5) parece ser el mejor, ya que

incluye todas las
Las variables pertinentes desde el
punto de vista económico, entre ellos
el precio real compuesto de pollo
sucedáneos, que debe ayudar a aliviar
la multicolinealidad problema que
puede existir en el modelo (4) entre
el precio de la carne de vacuno y el
precio de la carne de cerdo. Modelo
(1) contiene un sustituto muy buena
información y modelos (2) y (3) tener
un sustitutivo buena información.

(b) El coeficiente de X %
REPRESENTA elasticidad ingreso; el
coeficiente de X 3
REPRESENTA elasticidad cruzada.

(c) Modelo (2) considera sólo un cerdo

como sustituto de las buenas, y en el
modelo(4) considera que tanto el cerdo
y la carne de vacuno.
(d) Es posible que exista un problema
de multicolinealidad entre el
precio de la carne de vacuno y el

57
 precio de la carne de porcino.

(e) Sí. Esto podría aliviar el problema

de multicolinealidad.

( /) deben ser bienes sustitutivos

porque compiten con pollo como
producto de consumo de alimentos.

(g) Los resultados de la regresión del

modelo (5) son los siguientes:

Ini = 2,030 + 0,481 Inx2l 3l -0.351 -

0.061 Inx Inx6l SE = (0,119 ) (0,068 )
(0.079 ) (0,130 )
R2 = 0,980 ; R2 = 0,977 ; R2
modificado = 0,810

La elasticidad ingreso y elasticidad cruzada tienen

la
Signos correctos.

(h) La consecuencia de la estimación

modelo (2) sería que los
estimadores es probable que estar
sesgado debido al modelo
invariación. Este tema se discute
en detalle en el cap.
13.

7.20 (A) Ceteris paribus, en promedio, un

incremento de un 1% en el
Tasa de desempleo conduce a un 0,34
% de incremento en la tasa, un
aumento de 1% en el porcentaje de empleados
menores de 25 años conduce a un 1,22 % de
incremento en la tasa y 1% de
incremento en el empleo
manufacturero lleva a
1.22 % DE aumento en la tasa, un
aumento de 1% en el porcentaje de mujeres entre los
empleados conduce a un 0,80 % de incremento en la tasa, y que en
el período de tiempo de estudio, la tasa se redujo a una tasa del 0,54
% anual.
{B) SÍ, con bastante ritmo y la tasa de
desempleo se espera que sean
negativamente relacionados.

58
(c) A medida que un mayor número de
personas bajo la edad de 25 años
son contratados, se espera que la
tasa sube porque de rotación entre
los trabajadores más jóvenes.
(d) La tasa de descenso es de 0,54 %.
Como las condiciones de trabajo y
beneficios las pensiones se han
incrementado a través del tiempo,
la tasa de abandono ha declinado
probablemente.

(e) NO baja es un término relativo.

59
( /) desde el LOS VALORES DE T , podemos
fácilmente calcular el error
estándar. Bajo la hipótesis nula
de que
El verdadero Es cero, tenemos la
relación:
UN UN

F = -4- = >je(A) = ^-
Seifi.) '
7.21 (A) ElRegresiónResultadosSon
ComoSiguiente:

En M2 = 1,2394 + 0,5243
en RGDP - 0,0255 en TBRATE SE
= (0,6244 ) (0,1445 ).
(0,0513 ).
0,7292
Los resultados de la regresión
mediante el largo plazo (30 años) la
tasa de bonos son los siguientes:
En M2 I = 1,4145 +
0.4946En RGDP, - 0,0516
en LTRA TE T SE = (1,3174 )
(0,2686 ). (0,1501 ).
0,7270

Los ingresos elasticites (0,5243 o

0,4946 ) y la tasa de interés las
elasticidades (-0.0255 o -0.0516) no
son muy diferentes, pero, como
veremos en el Capítulo 8, regresión,
utilizando el interés a corto plazo (TBrate) da mejor resultados
estadísticos.

(b) La relación M / P I B es conocido en

la literatura como el C a m b r i d g e
k . Representa la proporción de los
ingresos que las personas desean
mantener en forma de dinero. Esta
relación es sensible a los tipos de
interés , ya que éste representa el
costo de oportunidad de mantener
dinero, que, en general, no producen
mucho los ingresos por concepto de
intereses. Los resultados de la
regresión son los siguientes:

60
 M2
En = 3,4785 N TBRATE -0.17191T
PIB"
SE = (0,0780 ) (0,0409 ) R2 = 0,5095

T a iM = 3,8318 -0.3123 INLTRATE,

m{PIB),
SE ( 0,1157 ) (0,0532 ). ^ = 0,6692
Dado que estas son bi-variate
regresiones, el lector puede
comprobar que el Cambride k es
estadísticamente inversamente
relacionada con la tasa de interés,
como por las expectativas
previas. En términos numéricos, es
más sensible a la longr2 valor
utilizando los tipos de interés a
largo plazo, el regresor da un mucho
mejor.

(c) La respuesta está dada en el

ejercicio 8,29

61
 7.22 Los resultados de colocación de la
función de producción Cobb-Douglas,
obtenidos de DECISIVO3 son los siguientes:

Variable dependiente: LOG(SALIDA)

Muestra: 1961 1987 observaciones incluidas: 27

Variable Coeficiente Ets. Error T-Statistic Prob.
C -11.93660 3,211064 -3.717335 0,0011
LOG(TRABAJO) 2,328402 0,599490 3,883972 0,0007
LOG(CAPITAL) 0,139810 0,165391 0,845330 0,4063
R-cuadrado ajustado 0,971395 Significa S. D. 4,493912
r-squared S. E. de 0,969011 dependentvar 0,461432
suma de regresión 0,081229 dependiente var Akaike -2.078645
squared resid Log 0,158356 info criterion Schwarz -1.934663
probabilidad Durbin- 31,06171 criterion F-statistic 407,5017
Watson stat 0,373792 Prob(F-statistic) 0,000000

(a) La producción estimada/trabajo y

producción/capital las elasticidades son
positivos, lo que uno puede esperar. Pero,
como veremos en el capítulo siguiente, los
resultados no tiene sentido desde un punto
de vista económico en el sentido de que el
capital no tiene entrada en la salida, lo
que de ser cierto, sería muy sorprendente.
Como veremos, quizás collinearity puede
ser el problema con los datos.

(b) Los resultados de la regresión son los

siguientes:

Variable dependiente: LOG(PRODUCTIVIDAD)

Fecha: 07/29/00 Hora: 18:11 Muestra: 1961 1987 observaciones incluidas:
27

Variable Coeficiente Ets. Error t-statistic Prob.

C -1.155956 0,074217 0,044535 0,0000
LOG(CLRATIO) 0,680756 15,28571 -15.57533 0,0000
R-cuadrado ajustado 0,903345 Significa S. D. -2.254332
r-squared S. E. de 0,899479 dependentvar 0,304336
suma de regresión 0,096490 dependiente var Akaike -1.767569
squared resid Log 0,232758 info criterion Schwarz -1.671581
probabilidad Durbin- 25,86218 criterion F-statistic 233,6528
Watson stat 0,263803 Prob(F-statistic) 0,000000

62
La elasticidad de la producción/relación
laboral (es decir, productividad de la
mano de obra) con respecto a relación
capital-trabajo es de 0,68 , lo que significa que si el segundo
aumenta en un 1 %, la productividad de la mano de obra, en promedio, alrededor
de 0,68 %. Una de las principales características de los países desarrollados

63
 Las economías es relativamente alta relación
capital-trabajo.
7.23 Los resultados de la regresión son los
siguientes: Nota que se han utilizado todas
las 528 observaciones en la estimación de la
regresión.

Variable dependiente: LOG(HWAGE)

Ejemplo: 1 528 incluyó observaciones: 528

Variable Coefficien Ets. Error T-Statistic Prob.
T
C 4,661661 1,954190 2,385470 0,0174
LOG(EDUCACIÓN) -3.165721 1,566685 -2.020650 0,0438
[LOG(EDUCACIÓN) ]2 0,836412 0,313436 2,668524 0,0079
R-cuadrado ajustado r- 0,157696 Significa S. D. 2,063647
squared S. E. de suma 0,154488 dependentvar 0,521224
de regresión squared 0,479275 dependiente var Akaike 1,372579
resid Log 120,5946 info criterion Schwarz 1,396835
probabilidad Durbin- -359.3609 criterion F-statistic 49,14535
Watson stat 1,909008 Prob(F-statistic) 0,000000

Ya que se trata de una doble sesión modelo,

la pendiente coeficientes medir la
elasticidad. Los resultados sugieren que el
cambio porcentual en el salario por hora
disminuye a medida que el nivel de educación
aumenta, pero disminuye a un ritmo más
rápido, es decir, que se vuelve menos
negativo.
(b) Aquí usted no será capaz de estimar
el modelo perfecto de collinearity.
Esto es fácil de ver:
log(educación2) = 2 log(educación)
debido a las propiedades de los
logaritmos.

7.24 Este es un ejercicio de clase. Tenga en

cuenta que su respuesta dependerá de
El número de repeticiones que lleve a cabo.
Cuanto mayor sea el número de repeticiones,
la más cercana aproximación.
CAPÍTULO 8 ANÁLISIS DE
REGRESIÓN MÚLTIPLE:
EL PROBLEMA DE INFERENCIA

64
8.1 (A) en el primer modelo, donde la venta es una
función lineal del tiempo, la tasa de cambio de
venta, (dy/dt) se postula a ser una constante,
igual a / ?" independientemente del tiempo T. En el
segundo modelo la tasa de cambio no es constante
porque (dy/dt) = A + 2A2T, QUE DEPENDE DEL TIEMPO T.

(b) La cosa más fácil de hacer es grafique Y

contra el tiempo. Si la gráfica resultante es
parabólico, quizás el modelo cuadrï¿ ½ico es la
adecuada.

(c) Se trata de un modelo que puede ser

apropiado para describir el perfil de ganancias de
una persona. Normalmente, cuando una persona entra
en el mercado de trabajo, el nivel de entrada las
ganancias son bajas. Con el paso del tiempo, ya
que de la experiencia acumulada, aumentar los
ingresos, pero después de cierta edad, comience a
disminuir.

(d) Buscar los sitios web de varios fabricantes

de automóviles, o el Motor Magazine, o la
Asociación Americana de Automóviles para los
datos.

8.2 F = (ESSn™ ~ ESSoid)/ NR (8.5.16 )

RSSneJ(n-k)
Donde NR = número de nuevo los regresores. Divida el
numerador y
Denominador por SAT y recordar que R2 =Y(1-R2) =
TSS TSS
Sustituyendo estas expresiones en (8.5.16 ), que se
obtiene (8.5.18 ).

8.3 Este es un problema de definición. Como se ha

señalado en el capítulo, la regresión sin
restricciones se conoce como el tiempo, o nuevo,
regresión, regresión y la restricción es conocido
como el breve regresión. Estos dos difieren en el
número de regresores incluidos en los modelos.
8.4 En el marco de la OPERACIÓN EN que minimizamos la
estimación RSS sin poner ninguna restricción a los
estimadores. Por lo tanto, el RSS en este caso
representa la verdadera mínimo RSS o RSSur.
Cuando se imponían restricciones a uno o más

65
parámetros, no se puede obtener el mínimo absoluto
RSS debido a las restricciones impuestas. (Alumnos
de matemáticas se recordará limitada e ilimitada
optimización).
Por lo tanto, RSSR>RSSUR, A MENOS QUE LAS restricciones
son válidas, en la que
Caso de que los dos términos RSS será el mismo.
DCC
Recordando que R2 = 1 , Se deduce que
TSS

66
 UR R TSS

Tenga en cuenta que si utilizamos la regresión

restringido o no restringido,
N
El SAT sigue siendo el mismo, ya que es simplemente
igual a -Y)2
I
8.5 (A)Deje que El coeficiente de log K ser /? * =
( / ?2 + / ?3 -1). Probar la hipótesis nula
Hipótesis de que FI * = 0, utilizando la
habitual PRUEBA DE T . Si es cierto que hay
rendimientos constantes a escala, el valor t será
pequeña.
(6) Si definimos la relación (Y/K) como la
salida/ratio de capital, una medida de la
productividad del capital, y la relación (L/K) en
relación al capital de trabajo, a continuación, la
pendiente de esta regresión coeficiente da el
porcentaje promedio de la productividad del
capital cambio de un porcentaje de cambio en el
trabajo y el capital.
(c) A pesar de que el análisis es simétrico,
suponiendo rendimientos constantes a escala, en
este caso la pendiente media coeficiente da el
porcentaje de cambio en la productividad de la
mano de obra (Y/L) para un porcentaje de cambio en
la relación capital trabajo (K/L). Lo que
distingue los países desarrollados de los países
en desarrollo es, por lo general mayor relación
capital/trabajo en estas economías.
8.6 Comenzar con ecuación (8.5.11 ) y escribir como:
( N-k)R 2
F = - ----, El cual se puede reescribir como:

F^ -= ---, DESPUÉS DE MÁS MANIPULACIÓN ALGEBRAICA,

( * -l)(l- / ? 2)
(K-1) _ R2
(N-k) ~ (l-Rl) obtener
R2 =-----------, El cual es el resultado
deseado.
F(k-l) + (n-k)
De la regresión (8.2.1 ), n=64, k = 3. Por lo tanto,
Fo.o5 (2,62 ) = 3,15 , aprox. (nótese el uso 60

67
 df en lugar de 62 df).
Por lo tanto, poner estos valores en la fórmula R2
anterior,
Obtenemos:
2 (3.15 ) = 630 = 0,0936
2 (3.15 ) + 61 67.3
Este es el VALOR DE R CRÍTICO a un nivel de
significación del 5 %. Dado que el observado de
R2 de 0,7077 en (8.2.1 ) supera el valor crítico,
se rechaza la hipótesis nula de que el
verdadero VALOR R2 es igual a cero.
8.7 Desde regresión (2) es una forma limitada de
(1), podemos calcular en primer lugar
la RELACIÓN F en (8.5.18 ):

68
 J, ( * L * LV 1 (0-9776 -0.9388) 27033
(l-OO * - * ) (I" 0-9776) /17

Ahora recordar que FXX1 = AUTOBÚS JETEXPRESS. ES DECIR, 27,033

= TXL, QUE DA
T = ^27,033 = 5,1993 . Bajo la hipótesis nula de
que la verdadera bazofia coeficiente variable de
la tendencia es cero, obtenemos:
UN

-Ar
" (A)
AB
23 195
Desde el que obtener: SE(B. ) = - = -; = 4,461 , que
es
T 5,1993
Aproximadamente igual a 4,2750 debido a errores de
redondeo.
8.8 El primer modelo también se puede escribir como:
En i' - En X2L = AX+A2 X 2I + a3 lnx3/
+ut que, después de la recolección,
se puede escribir como: ln^ =ax + (l
+ a2)lnx2i +A3 + ui InXv
Ahora, el modelo anterior y el segundo modelo
con el P coeficientes son observacionalmente
la misma, con las siguientes relaciones entre
a y /? Coeficientes:
UN UN UN UN UN

P2 = (1 + a2); = " 3 y fijar = ax

Por lo tanto, los errores estándar de los
coeficientes estimados pueden ser fácilmente
obtenidos a partir de los errores estándar de la
estimación de los coeficientes reductores, que ya
se conocen.

8.9 La mejor manera de entender este término es el de

averiguar la velocidad de los cambios Y (gastos de
consumo) con respecto al XJ Y Aj, que es la siguiente:

W, - * +AJr"
Como se puede ver el cambio promedio en los gastos
de consumo con respecto a los ingresos no sólo
depende de los ingresos, sino también en el nivel
de riqueza. De igual manera, el cambio promedio en

69
 los gastos de consumo con respecto a la riqueza
depende no sólo de la riqueza sino también de los
ingresos. Es decir, las variables ingresos y
riqueza interactuar. Este es capturado por
presentar los ingresos y la riqueza en interactivo
o multiplicación, la forma en la regresión además
de las dos variables en el aditivo. Es sólo cuando
fa es cero al MPC que será independiente de la
riqueza.
8.10 Recordando la relación entre la T Y
F distribuciones, sabemos que en la
primera ecuación: FJ^K) = ^ n-k. Por lo
tanto,
F = (-4.728)2
= 22,3540 ahora uso
(8.5.11 ):
Qn-k)R2 _ (N-2) (0,6149 ).
(K- \ ) (L-R2) (1X0.3851)
Para resolver esta ecuación para el n ,
OBTENEMOS N "16 . NOTA: EN la primera
ecuación, k = 2 y R2 = 0,6149

8.111. Poco probable, salvo en el caso de

muy alta multicolinealidad.
2. Probable. Estos casos ocurren con frecuencia
en trabajos aplicados.
3. Probablemente, en realidad, esta sería la
situación ideal.
4. Probable. En esta situación, el modelo de
regresión es inútil.
5. Puede ocurrir si el significado de uno
de los coeficientes es insuficiente para
compensar la insignificancia de los demás.1
6. Poco probable.

8.12 Consulte los resultados de la regresión en

ejercicio 7,21 .
(a) Utilizando las tasas de las letras del
tesoro como el tipo de interés, los
ingresos y la tasa de interés las
elasticidades son, respectivamente, 0,5243
y 0,0255 . Utilizando la tasa de interés de

1 Para una discusión más amplia de este punto, véase

Adrian C. Darnell, un diccionario de Econometría, Edward Elgar, REINO
UNIDO., 1994, págs. 394-395.

70
 largo plazo, la correspondiente
elasticidad, 0,4946 y 0,0516 .

(b) Individualmente, la elasticidad ingreso

es importante en ambos casos, pero no el
tipo de interés.
(c) Con la VERSIÓN R2 de las aditivas en
(8.5.11 ), la F valores 21,5429 (de corto
plazo a tasa de interés) y 21,3078
(utilizando la tasa de interés de largo
plazo). El valor de p de dichos valores
son casi cero en ambos casos, lo que
llevó al rechazo que los ingresos y la
tasa de interés colectivo no tienen
impacto en la demanda de dinero.

(d) Aquí la hipótesis nula es que la

elasticidad del ingreso coeficiente es la
unidad. Para probar la hipótesis nula que
utilizamos la prueba t de la siguiente
manera:
5243-1 0
T = ------=-3.2920 (Con tasa de
interés de corto plazo
0,1445
Como la tasa de interés variable)
(0,4946 -1),001 * , - , .,
T = -----= -1.8816 (ConLargoTérmino
- - -Interés
0,2686
La tasa de interés variable)
Con 19 observaciones y dos regresores, tenemos 16.
Desde elasticidad ingreso coeficiente se espera
que sea positivo, se puede utilizar una prueba de
una cola. El 5% una cola crítica VALOR DE T para 16
df es 1,746 . A este nivel de significación,
podemos rechazar la hipótesis nula de que la
elasticidad con respecto al ingreso es de 1 ; en
realidad es menor que uno.

8.13 {A) La elasticidad es de -1,34 . Es

significativamente diferente de cero, para
El VALOR DE T en la hipótesis nula de que la
verdadera elasticidad coeficiente es cero es:
-1 43 T = - ^-
= 0.32 -4.4687
El valor de p de obtener el VALOR DE T es
extremadamente baja.
Sin embargo, la elasticidad coeficiente no es

71
 diferente de uno porque en la hipótesis nula de
que la verdadera elasticidad es 1, el valor de t es

0,32
Este VALOR DE T no es estadísticamente significativa.

(b) La elasticidad de ingresos, aunque positivo,

no es estadísticamente diferente de cero, como el
valor cero en virtud de la hipótesis nula es
inferior a 1.

(c) Utilizando la fórmula (7.8.4 ), obtenemos:

/ ? 2 =l- (l-tf2) -
n-k

Ya que en este ejemplo R2 = 0,27 ," = 46,y k = 3,

por la sustitución el lector puede comprobar
que R2 = 0,3026 , aproximadamente.

8.14 (A) A PRIORI, EL SUELDO Y cada una de las variables

explicativas son
Espera que se relaciona de forma positiva, a la
que están. El coeficiente parcial de 0,280 medios,
ceteris paribus, la elasticidad de sueldo GERENTE
GENERAL es un 0,28 por ciento. El coeficiente
0,0174 significa, ceteris paribus, si la tasa de
retorno sobre el capital va por 1 punto porcentual (Nota:
no en un 1 por ciento), entonces el GERENTE
GENERAL de salario vaya en un 1,07 %. De la misma
forma , ceteris paribus, si volver sobre las
acciones de la empresa pasa por 1 punto
porcentual, el gerente general de sueldos por
sobre 0,024 %.
(b) En virtud de la PERSONA, o separada, hipótesis
nula de que cada cierto coeficiente de población
es cero, usted puede obtener los VALORES
T simplemente dividiendo cada coeficiente estimado
por su error estándar. Estos los valores de t para
los cuatro coeficientes se muestra en el modelo
son, respectivamente, 13.5 , 8,4.25 y 0.44 . Dado
que la muestra es lo suficientemente grande, con
los dos-/ regla de oro, se puede observar que los
tres primeros coeficientes son

72
 (c) Individualmente estadísticamente muy
significativa, mientras que el último es
insignificante.

(d) Para probar el significado global, es decir,

que todos los pendientes son iguales a cero,
utilice el aditivas R2/ (K-1) ^ 0,283 /3 _2? Q2
en (8.5.11 ), lo que
produce:

F= ;>- -^ -=
(I - R ) / (n-k) ( 0,717 ) /205

Bajo la hipótesis nula, esta F tiene la DISTRIBUCIÓN

F con 3 y 205 df en el numerador y denominador,
respectivamente. El valor de p de obtener
dicho F valor es muy pequeño, lo que da lugar al
rechazo de la hipótesis nula.
(e) Dado que la variable dependiente es en forma
logarítmica y las huevas y ros se encuentran en
forma lineal, los coeficientes de estas variables
dan semi elasticidad, es decir, la tasa de
crecimiento de la variable dependiente de una
absoluta (unidad) cambio en el regresor.

8.15 Mediante la ecuación (3.5.8 ), el lector puede

comprobar que: rn = 0,9989 ; RN = 0,9885 , y r23 =
0,9839 utilizando las fórmulas indicadas en la Sección
7.11 , el lector debe verificar
Ri2.3 = 0,9705 ; r,3 2
= 0,678 ; r231 =-0.4930
Mediante la prueba exacta de Fisher en el
ejercicio, el lector debe verificar que

Siguiendo exactamente el mismo procedimiento,

compruebe que: tj3 2 =3,20 y fo.i = 1,963 cada
uno de estos VALORES es estadísticamente
significativo al nivel del 5 por ciento.

8.16 {A) los registros de índice de precios reales y la

tasa de interés en el
Año anterior explica aproximadamente el 79% de la
variación en el registro de las existencias
de tractores, una forma de capital. Ya que se
trata de una doble modelo de registro, la
pendiente los coeficientes (parcial) elasticidad
cruzada de la demanda. Estas dos elasticidades

73
precio tienen signos esperados a priori.

(b) Cada coeficiente parcial pendiente es

individualmente significativos al nivel del 5 por
ciento y cada uno es también significativamente
diferentes de la unidad.

(c) Mediante la ecuación (8.5.12 ), obtenemos:

R2/ (K-1) _ 0,793 /2 63

(1 -R2) / (N-K)0,207 /28

Con n = 31, k = 3, el lector puede comprobar que
este F valor es altamente significativa.

74
 (d) Véase la parte (a).
(e) Utilice la prueba F en (c).
8.17 (A) CETERIS PARIBUS, un 1 (Gran Bretaña) libra aumento de
los precios de final
Salida en el año en curso en un promedio de 0,34
libras (o 34 peniques) aumento de sueldos y salarios
por empleado. De manera similar, un aumento de 1
libras los precios del producto final en el año
anterior, en promedio un aumento de sueldos y
salarios por empleado de 0.004 libras. Con todo lo
demás constante, el aumento de la tasa de desempleo
de 1 puntos porcentuales, en promedio, alrededor de
2,56 libras disminución de sueldos y salarios por
empleado. Los tres regresores explican
aproximadamente el 87 por ciento de la variación
en los sueldos y salarios por empleado.

(b) Si usted divide los coeficientes estimados por

sus errores estándar, se obtiene los VALORES T bajo la
hipótesis nula que el correspondiente coeficiente de
población real los valores son cero. El estimado de
t los valores de los coeficientes son tres
pendiente 4,55 , 0,055 , y -3,89 , respectivamente.
De estos, la primera y la tercera son
estadísticamente significativos pero el segundo no.
(c) Como estudiaremos en el capítulo sobre modelos
de los rezagos distribuidos, esta variable se
incluye para medir el efecto de rezago, si los
hubiere, de los precios del producto final un año
antes.

(d) Dado que el VALOR DE este coeficiente no es

significativo, esta variable puede ser lanzada
desde el modelo, siempre y cuando no cometan el
error de especificación de omitir una variable
importante del modelo. Pero más sobre esto en el
capítulo sobre especificaciones del modelo.

(e) Utilice la siguiente (estándar) elasticidad

fórmula:

Du
W W
En el bar sobre las variables denota sus
valores promedio de los datos de la muestra.

75
8.18 (A)CETERISPARIBUS, UN AUMENTO DE 1 PUNTO PORCENTUAL en el
trabajo
Tasa de vacantes en promedio a aproximadamente 5,29
libras aumento de los sueldos y salarios por
empleado, lo que supone un incremento del PIB de
alrededor de 1 libras por persona en promedio de
unos 12 peniques disminución de los sueldos y
salarios por empleado, lo que supone un incremento
de los precios de importación en la actual
Año y el año anterior, en promedio, a un aumento
de los sueldos y salarios por empleado de 5
peniques.

(6) como en el ejercicio anterior, en virtud de la

nula hipótesis nula la calcula LOS VALORES DE T para
las cuatro variables explicativas son,
respectivamente, 6,51 , -1.04,2 .45 y 2.42 . Pero
el segundo de estos valores t son estadísticamente
significativas.
(c) A priori, uno podría esperar una mayor
productividad per capita para llevar a salarios
más altos y los salarios. Este no es el caso en
el ejemplo que nos ocupa, ya que el coeficiente
estimado no es estadísticamente
significativamente diferente de cero, ya que
el VALOR DE T es sólo alrededor de -1.
(d) Estos están diseñados para recoger el efecto de
rezagos distribuidos año en curso y el anterior
los precios de importación sobre los sueldos y
salarios. Si los precios de las importaciones
suben, el costo de la vida se espera que vaya
hacia arriba, y, por ende, los sueldos y
salarios.

(e) La variable X puede ser sacado de la modelo,

ya que tiene el signo equivocado y porque su
valor de t es baja, por supuesto con la
condición de que no hay error de especificación.

(f) Utilice la prueba F de la siguiente manera:

F- * 2/( * -Q _ 0 934/4

(1 -R2) / (N-K)0,66 /14

Este F valor es muy importante; para los días 4 y
14 numerador y denominador de grados de libertad,
el 1% nivel de significancia F valor es 5,04 .

76
8.19 Para la elasticidad de ingresos, la estadística de
prueba es:
0,4515 -1
0,0247
Este VALOR DE T es muy significativa, para refutar
la hipótesis de que la verdadera elasticidad es 1.
Para la elasticidad del precio, la estadística de
prueba es:
( = -0.3772- ( -l) =9

808 0,0635
Este VALOR DE T también es significativo, lo que
llevó a la conclusión de que la verdadera
elasticidad-precio es diferente de -1.

8.20 La hipótesis nula es que / ?2 = - / ?3, es

decir, / ?2 + / ?3 = 0. Mediante
el ESTADÍSTICO T en (8.6.5 ), obtenemos:

77
 , = 0,4515 + (-0.3772) = Q G59
V (0,0247 )2 + (0,0635 )2 -2 (-0.0014)
Este VALOR DE T no es significativo en el nivel del 5
%. Por lo tanto, no hay razón para rechazar la
hipótesis nula.

8,21 (a) La elasticidad cruzada es -1.274

(b) De la prueba t , obtenemos:
1,274 -0"... .
T =------= 2,4174
0,527
El valor de p de obtener la ESTADÍSTICA T bajo la
hipótesis nula es de aproximadamente 0,034 , que es
pequeño. Por lo tanto, se rechaza la hipótesis de que
la verdadera elasticidad-precio es cero.

(c) Una vez más, utilizando la fórmula estándar,

obtenemos:
, -- 1-274- (-1) -0.il99
0,527
Dado que este VALOR DE T no es estadísticamente
significativa, no rechazamos la hipótesis de que el
verdadero precio elasticidad es la unidad.

(d) Tanto los signos se espera que sea positivo,

aunque ninguna de estas variables es
estadísticamente significativa.

(Ejperhaps nuestro tamaño de la muestra es demasiado

pequeña para detectar la significación estadística de
clavel los precios sobre la demanda de rosas o de los
ingresos de la demanda de rosas. Por otra parte, los
gastos de las rosas puede ser una pequeña parte del
total de los ingresos que no se puede notar el efecto
de la renta en demanda de rosas.
8,22 (a) Los coeficientes OIXI y X3 son estadísticamente
significativos, pero los de X4 y X$ no lo son.

(b) Sí. Usando la prueba F , obtenemos

0656/4
F. = 12,392
(1 -0.656) /26
El 5% de valor de 4 y 26 df., es 2,74 . Para
rechazar HO.
(c) Utilizando el modelo semi-log, obtenemos:
Log(gatos) = 2,53203 -0,0127 TIEMPO VALOR DE T =

78
 (38,3766 ) (-3.3514):R2 = 0,2792

Por lo tanto, la tasa de crecimiento instantáneo es -

1.27 por ciento. La correspondiente tasa compuesta de
crecimiento también es de -1,27 % . (tome el
antilogaritmo de -0.0127 (= 0,9873 ), restar 1 de ella
y multiplique por 100). NOTA: PARA PEQUEÑOS R, (1 + R) * R.

79
8.23 (A) se refieren a los resultados de la regresión
en ejercicio 7.18 . A priori,
Todos los coeficientes se espera que sean
positivos, lo que es el caso, a excepción de
la variable militar de EE.UU. las ventas. El
R2 es muy alto. En general, el modelo parece
satisfactoria.
(b) Podemos utilizar la VERSIÓN R de la tabla ANOVA
en la tabla
8.5 Del texto.

Fuente de SS Df MSS
variación
• N>

Debido a la
VO
00

4
©

regresión ZYF 0,978 4

Debido a los 0,022 (0,022 )1^
15
residuos (Z^)
15
Bajo la hipótesis nula habitual, la relación F es:

F= - =166,33 0,022 /15

Este F valor es evidente que es muy
importante, lo que conduce al rechazo de la
hipótesis nula de que todos los coeficientes
son simultáneamente iguales a cero. En otras
palabras, las cuatro variables en conjunto
tienen un impacto significativo en la
defensa.
8.24 {A) Esta función permite que el producto marginal
de la mano de obra y el capital
A subir antes de que caigan. Estándar de la
función de producción Cobb-Douglas los
productos marginales caen desde el principio.
Esta función permite además de la variable
elasticidad de sustitución, a diferencia del

80
habitual modelo Cobb-Douglas.

(b) Si / ?4 = / ?5 = 0, entonces E° = 1. Este

es el modelo estándar.
(c) Uno podría utilizar la prueba F de la
restricción de los mínimos cuadrados.
(d) Los resultados son los siguientes:

81
 Dependent Variable: LOG(GDP)
Muestra: 1955 1974 observaciones incluidas: 20

Variable Coeficiente Ets. Error T-Statistic Prob.

C -11.70601 2,876300 -4.069814 0,0010

LOG( TRABAJO) 1,410377 0,590731 2,387512 0,0306
LOG(CAPITAL) 0,942699 0,194542 4,845735 0,0002
TRABAJO - 9,06 E-05 4,35 E-05 -2.082179 0,0549
CAPITAL -3.54E-07 4,15 E-07 -0.853032 0,4071

R-squared 0,999042 Significa depender var 12,22605

R-cuadrado ajustado 0,998787 D. E. dependentvar 0,381497
S. E. de la regresión 0,013289 Información Akaike -5.591475
Sum squared resid 0,002649 criterio
Schwarz criterio -5.342542
Probabilidad de 60,91475 F-estadística 3911,007
registro
Durbin-Watson stat 1,065992 Prob(F-statistic) 0,000000

Como estos cálculos demuestran, los

resultados son mixtos. Mientras que el
coeficiente de la mano de obra es
estadísticamente significativa, la del
capital no lo es. Comparar estos resultados
con los del ejemplo 8.3 , utilizando la
función de producción Cobb-Douglas estándar.

8.25 A) Sí. El índice de precios de combustibles es

negativa y estadísticamente significativa
En el nivel del 1 %.

(b) La pérdida de producción sería 6,48 % [ (-

0.1081) (60%) ].

(c) El índice de tendencia de crecimiento fue

de 0,45 %

(d) En promedio, para la muestra, un

aumento de 1% en la mano de obra/ratio de
capital de 0,71 % de incremento de la
producción.
(e) Véase la respuesta a la pregunta 8.11.
Si cada coeficiente es estadísticamente
significativo, es poco probable que R2 = 0.
En el presente caso,
F = -------- =1928,37
(1 - 0,98 ) /l 18

82
 Este F VALOR ES ALTAMENTE SIGNIFICATIVA. POR LO QUE SE
PUEDE RECHAZAR LA HIPÓTESIS DE QUE R2 ES IGUAL A CERO .
8.26 (A) ElDecisivo3SalidaEs Como Siguiente:
Variable dependiente: Y

Muestra: 1968 1983 observaciones incluidas: 16

Variable Coeficiente Ets. Error t-statistic Prob.
C 5962,656 2507,724 2,377716 0,0388
X2 4,883663 2,512542 1,943714 0,0806
X3 2,363956 0,843559 2,802361 0,0187
X4 -819.1287 187,7072 -4.363863 0,0014
X5 12,01048 147,0496 0,081676 0,9365
X6 -851.3927 292,1447 -2.914284 0,0155
R-squared 0,822750 Significa depender var 7543,125
R-cuadrado ajustado 0,734125 D. E. dependentvar 1217,152
S. E. de la regresión 627,6005 Información Akaike 16,00168
Sum squared resid 3938824. criterio
Schwarz criterio 16,29140
Probabilidad de -122.0134 F-estadística 9,283507
registro
Durbin-Watson stat 2,484497 Prob(F-statistic) 0,001615

(b) Uno esperaría que P2,FIIAND/ ? 6A SER

POSITIVOS Y J34Y/ ?5 A ser negativo.

(c) P2,P3Y RESPONDER A LAS EXPECTATIVAS ; los

otros no.

(d) Como los resultados de la regresión

muestran, X3 ,XAANDX6 son significativas a
nivel del 5 por ciento, XI ES significativa
en el nivel del 10 %, pero^ es
estadísticamente insignificante.

(e) Utilizamos la metodología de mínimos

cuadrados se explica en el capítulo. La
regresión Y en X2, X3, ANDA ^ sólo, obtener
RL = 0,6012 . Incluidos todos los
regresores, como puede verse en
Los resultados de la regresión en (A),
TENEMOS R2M = 0,8227 .
Por lo tanto, utilizar el ecualizador.
(8.7.10 ), obtenemos
_ (0,8227 -0.6012) /2
F = ---------- - = 6,25

83
 (1 -0.8227) /10
Para los días 2 y 10 df en el numerador
y el denominador, respectivamente, el
5% F valor crítico es 4,10 . Por lo
tanto, se rechaza la hipótesis de
que las variables X $ Y X$ no pertenecen
en el modelo.
8.27 (A) Dado que ambos modelos son log-lineal,
la pendiente estimada coeficientes
Representan la (parcial) elasticidad de
la variable dependiente con respecto al
regresor bajo consideración. Por ejemplo,
el coeficiente 0,94 en Eq. (3) significa
que si la salida en kwh aumenta en un 1
%, en promedio, el costo total de
producción se incrementa en 0,94 %. De
manera similar, en Eq. (4), si el precio
de la mano de obra en relación con el
precio del combustible aumenta en un 1 %,
en promedio, el costo relativo de la
producción se incrementa en 0,51 por
ciento.

(b) Utilice la F estadísticas de la

siguiente manera:
F (RSSR-RSSUR) /NR ( 0,364 -0.336)71 { Qn

( \ -RSSUR) /N-K (1 -0.336)

/24 donde NR = número de
restricciones.
Este F no es importante; el 5% valor crítico de F 1 y 24 numerador y
denominador df., respectivamente, es 4,26 . Por lo tanto, no
rechazamos la hipótesis nula de que la suma de las elasticidades de
precios es 1.
NOTA: NO USE la VERSIÓN R2 de la prueba F del
apartado 8.7.10 ), porque las variables
dependientes en las Ecs. (3) y (4) no son
las mismas.

8.28 (A)No. ElEstimado EsSignificativamente

Diferente de cero, como su T
Valor es 5.3 .

84
 (6) Sí, ya que arroja luz sobre la validez
de la teoría. Además, estadísticamente es
significativo, como se observa en (A).

(c) No parece demasiado alta rentabilidad

de letras del tesoro de ESTADOS UNIDOS.
(d) No. Una vez más, esto parece
relativamente alta.
(e) Un estudio de la literatura
reciente sugiere que el CAPM el modelo
puede no ser adecuada en todas las
situaciones.

8.29 Sólo incluiremos los resultados en base

a las tasas de las letras del tesoro;
los resultados basados en la tasa de
largo plazo son paralelos.
El modelo en ejercicio 7,21 (A) ES EL modelo
sin restricciones y que en
(b) Es el modelo restringido. Dado que la
variable dependiente en los dos modelos
son diferentes, se utiliza la prueba
F del apartado 8.7.9 ). El restringido y
no restringido RSS son, respectivamente,
0,0772 y 0,0463 . Tenga en cuenta que
solamente hemos puesto una restricción,
es decir, que el coeficiente de Y en el
primer modelo es la unidad.
F_(0,0772 - 0,0463 )
(0,0463
/l_1069
) / (19- 3)

Para los días 1 y 16 numerador y

denominador df, respectivamente, el
5% F valor crítico es 4,49 . Por lo
tanto, rechazamos el modelo restringido
y concluir que la elasticidad ingreso
real es menor que la unidad.
8.30 Para usar la prueba t en (8.7.4 ), tenemos
que saber la covarianza entre los dos
estimadores pendiente. De los datos, se puede
UN

85
 Demostrado que cov ( , / ?3 ) = -0,3319 .
Aplicar (8.7.4 ) a la mexicana
Datos, obtenemos:
(0,3397 + 0,8460 -1)
/ = -, =1,94
YJ, SELLADA,0.0345 + 0,0087 + 2 (-0.0173)

En la TABLA DE T , nos encontramos con que el

5% de dos colas VALOR DE T es 2.12 . Por lo
tanto, en este nivel de significación, no
rechazamos la hipótesis de rendimientos
constantes a escala, aunque numéricamente
la suma de los dos coeficientes ( =1.19 )
es mayor que 1.
8.31 (A) A PRIORI, sería de esperar una relación
positiva entre CM y FECUNDIDAD, YA QUE MIENTRAS
MÁS GRANDE ES EL número de niños de una mujer
mayor es la probabilidad de un aumento de la
tasa de mortalidad debido a los servicios de
salud y otros motivos.

(b) Los coeficientes de PGNP no son muy

distintos, pero que son diferentes de la FLR.
A ver si la diferencia es real, se puede usar
la prueba t . Supongamos que utilizar la Eq.
(1) y es que el verdadero coeficiente de PGNP
es -1,7680 . Ahora podemos usar la prueba de
la t de la siguiente manera:
_ -2.2316 - (-1.7680) _ -04636 _
0,2099 0,2099
Este VALOR DE T es mayor que 2 en términos
absolutos, de manera que puede rechazar la
hipótesis de que el verdadero coeficiente es
de -1,7680 . Nota aquí hemos utilizado el 2-
T regla general ya que el número de
observaciones es razonablemente alto.

(c) Podemos tratar modelo (1) como la versión

restringida del modelo (2). Por lo tanto,
podemos utilizar la VERSIÓN R de la prueba
F del apartado 8.7.10 ), ya que las variables
dependientes en los dos modelos son iguales.
La ESTADÍSTICA F ES de la siguiente manera:
F _ (0,7474 -0.7077) /! 0,0397 G ^

86
 (1 - 0,7474 ) / (64-4) 0,0042
conforme a los criterios generales, este
tiene la DISTRIBUCIÓN F con 1 y 60 df en el
numerador y denominador, respectivamente. El
1 % de estos críticos de F dfs es 7,08 .
Desde la calcula F EXCEDE este valor crítico,
podemos rechazar el modelo restringido (1) y
concluir que la tasa global de fecundidad es
variable en el modelo.

(d) Recordar que

FXK = t \. Por lo tanto, y teniendo el
(positivo) raíz cuadrada de la F valor dado
en el apartado c) supra, se encuentran: T
= V9.4523 = 3,0744 , aprox.
Por lo tanto, bajo la hipótesis nula de que el
verdadero valor de coeficiente de FECUNDIDAD en
el modelo (2) es cero, podemos obtener el
error estándar de la FECUNDIDAD
ESTIMADA coeficiente dividiendo el coeficiente
estimado por el anterior VALOR DE T , que da
12,8686 . 10C" se = =
4,1857 , aprox.
3,0744
8.32 (A) en el modelo I la pendiente coeficiente nos
indica que por cada unidad de aumento en el
gasto en publicidad, en promedio, se mantienen
las impresiones de 0,363 unidades. En el
modelo II (promedio) la tasa de incremento de
las reservas impresiones dependen del nivel de
los gastos de publicidad. Tomando la derivada
de Y con respecto a X, se obtiene:
- = 1,0847 -
0.008X DX
Esto podría sugerir que conserva las
impresiones aumentar a una tasa
decreciente, los gastos de publicidad
aumenta.

(b) &C)PODEMOS TRATAR MODO 11 COMO LA VERSIÓN ABREVIADA, O

RESTRINGIDO, LA VERSIÓN DEL MODELO II Y, POR LO TANTO, PUEDEN
UTILIZAR LA RESTRICCIÓN TÉCNICA DE LOS MÍNIMOS CUADRADOS A LA

87
 HORA DE DECIDIR ENTRE LOS DOS MODELOS. DADO QUE LA VARIABLE
DEPENDIENTE EN LOS DOS MODELOS ES EL MISMO, PODEMOS UTILIZAR
LA VERSIÓN R2 de la prueba F del apartado
8.7.10 ). Los resultados son los
siguientes: 0,53 (-0.424) /l_0.1Q6_
(1 - 0,53 ) /18 0,0261
En virtud de la hipótesis habitual de la
prueba F , el valor F anterior siguiente
la DISTRIBUCIÓN F con 1 df y 18 df en el numerador
y el denominador, respectivamente. El dfs para
estos críticos de F valor es 4,41 (5% nivel) y
3.01 (10% de nivel) .; thep valor es 0,0591 o
alrededor del 6 %, que es cerca de 5 %.
Parece que deberíamos mantener el cuadrado X
variable en el modelo.
(d) Como se ha señalado en la letra b), existen
rendimientos decrecientes para los gastos de
publicidad; si el coeficiente del ^ -término
al cuadrado fueron positivos, no se habría
producido un número cada vez mayor de regresos
a la publicidad. Equiparar el valor de la
derivada en (6) a cero, obtenemos:
1,0847 =0,008 X, X = 135,58 . En este
valor de X, la tasa de incremento de Y con
respecto a X es cero. Puesto que X se mide en
millones de dólares, podemos decir que en el
nivel de los gastos de unos 136 millones de
dólares no hay ganancia adicional en las
reservas las impresiones, que se miden en
millones de impresiones.

8.33 (A) utilizando los datos de la regresión (7.9.4

) en (8.7.4 ), obtenemos:
(1,4988 + 0,4899 -1) 0,9887
V( >2+0,5398 (0,1020 )2 -2 (0,03843 )
0,4742
Puesto que el tamaño de la muestra es 15,
tenemos 12 d. f. . El VALOR DE T es significativo
al nivel del 5 por ciento, lo que sugiere que
tal vez hubo rendimientos crecientes a escala
en el sector agrícola taiwanesa.

(6) La constante imposición de las devoluciones

88
 de restricción, los resultados de la regresión
son los siguientes:

Ln( -) = 1,7086 +0.6129 ln( ^ -)

X 2 X 2
SE = (0,4159 ) (0,0933 ). J?2 = 0,7685
RSS = 0,0915

El irrestricto RSS, RSSur, de la regresión

(7.9.4 ) es 0.0672y el restringido RSS, RSSr,
de la regresión en (b) es 0,0915 . Usando la
prueba F del apartado 8.7.9 ), obtenemos: f .
(0.09I5 - 0,0672 ) / 1 =4 3393 (0,0672 ) /12
En virtud de la hipótesis habitual de la
prueba F , el anterior valor F tiene
la DISTRIBUCIÓN F con 1 df en el numerador y 12 df
en el denominador. El valor de p de obtener
una F valor de tanto como 4.34 o superior es
de 0,0593 o a cerca del 6 por ciento , que
cerca del 5% de significancia. Una vez más,
parece que no hubo rendimientos crecientes a
escala en el sector agrícola taiwanesa.

Tenga en cuenta que la pequeña diferencia en

la T Y F nivel de significancia es debido a
errores de redondeo. También tenga en cuenta
que, dado que las variables dependientes en el
restringido y no restringido modelos son
diferentes, no podemos utilizar la VERSIÓN R de
la prueba F .
8.34 Siguiendo exactamente los pasos que se
indican en segundos. 8.8 , Aquí están las sumas de cuadrados
residual:
RSS = 1953,639 (1970-1982)
RSS2 = 9616,213 (1983-1995)
RSS = 23248,30 (1970-1995), que es el
RSS RSS Ahora UR = (1953,639 Y 9616,213 ) = 11569,852

Usando la prueba F , obtenemos:

R (RSS, -RSSIM) /k

RSSM / (Mj + 2 - 2k)

11678,448 /2
11569,852 /22

89
El valor de p obtener una F valor de tanto
como 11 o superior es de 0,0005 , una muy
pequeña probabilidad de hecho.

90
Aunque la conclusión general de este ejercicio y el
ejemplo discutido en segundos. 8.8 Sigue siendo el mismo,
es decir, que no había una variación estadísticamente
significativa en las economías de ingresos regresión.
Sin embargo, como se puede ver los valores de la F, la
respuesta depende del punto de rotura elegido a dividir
la muestra.
CAPÍTULO9 MODELOS DE
REGRESIÓN VARIABLE FICTICIA

9.1 (A)Si la intersección está presente en el modelo,

introducir 11 maniquíes.
Si la intersección está suprimido, introducir 12
maniquíes.
(B) Si la intersección está incluida en el modelo,
introducir 5 for dummies, pero si la intersección
está suprimido (es decir, regresión a través del
origen), introducir 6 for dummies.

9.2 {A)Según la teoría, los coeficientes de Xi, XS se

espera
Para ser positivo y de X3, X$, Y X9 se espera que
sean negativos. El coeficiente de X4 PODRÍA ser
positivo o negativo, dependiendo de la edad y
esposa del número de hijos. Tal vez, un maniquí
interactivo de edad y los niños menores de 6 o
entre 6 y 13 podrían arrojar más luz sobre la
relación entre la edad y horas de trabajo deseado.
(b) Suponiendo que todos los demás factores
constantes, uno esperaría que horas de trabajo
deseado sería mayor que el (común) interceptar
valor de 1286 horas. Este coeficiente, sin
embargo, tiene un signo negativo. Sin embargo,
puesto que no es estadísticamente significativa,
se puede decir muy poco sobre el impacto
de X^ (promedio) Y. como de XY, su coeficiente se
espera que sea positivo, que lo es. No sólo eso,
sino que es estadísticamente significativo, dado
que el VALOR DE T es bastante alta.
(c) Tal vez, esto se debe a collinearity entre
la edad y la educación, así como collinearity de
estas variables con el número de niños. Además,
observe que el modelo no incluye años de
escolaridad del marido.

9.3 (A) La relación entre las dos variables se prevé que

se

91
Negativo, ya que si la tasa de desempleo es alta,
lo que indica debilidad en el mercado laboral, es
menos probable que los empleadores publican
ofertas de trabajo.

(b) Es 3,8998 ( =2,7491 +1.1507). Dado que el

falso coeficiente es estadísticamente
significativa, la tasa de desempleo de 1966 4o
trimestre es estadísticamente mayor que en el 4o
trimestre 1964 .

(c) Dado que el coeficiente del diferencial es

sólo ficticia sobre importantes al nivel del 5 por
ciento, se podría decir que la pendiente de la
función de regresión en los dos períodos son
diferentes.

9
2
(d) Probablemente sí. De prestaciones por desempleo
más generosa, el gobierno reduce el costo de
oportunidad de permanecer en la situación de paro.

Los resultados muestran que el precio promedio fue

superior en 5,22 dólares por barril en 1974 que en
los otros años en la muestra. El slope
coeficiente, 0,30 dólares es el mismo en toda la
muestra. El gráfico se asemejará a Fig. 9.3 B en
el texto, con la línea de regresión para el año
1974 a partir de 5.22 en el eje vertical con una
pendiente de 0,30 ; para el resto de los años la
línea de regresión pase por el origen, pero con la
misma pendiente.

(UN): MASCULINO Profesor:E(YI) = (A + A2) + / ?XI

Es Profesora: E(YI) = AX + FIX
Celebración X constante, el salario medio masculino
es diferente por A2

(Б) macho Profesor:E(YJ, SELLADA,) = (AL + 2A2) + F5XT

Es Profesora: E{YT) =(A + A2) + / 3XJ
Celebración X constante, el salario medio masculino
también es diferente de A2

(c) Profesor macho E(YT) =(A,-A2) + LICENCIA PARA USAR UNA

COPIA
Es Profesora £ ( ^) = (A,+A2) + LICENCIA PARA USAR UNA
COPIA
Celebración X constante, la diferencia entre el
hombre y la mujer salario promedio es de 2 a2.
Dado que la escala de la variable ficticia es
arbitraria, no hay ninguna ventaja particular de
uno de los métodos. Para un dado de datos, la
respuesta es invariante a la elección del maniquí.

Después del Capítulo 8, podemos usar la prueba t de la siguiente

manera:
. (A)
- (A-A) se(A-A)
Sin embargo, bajo la hipótesis nula de que / ?2 = / ?
3, el segundo término en el numerador de la
expresión anterior se convierte en cero.
Tenga en cuenta también que SE{FT2 - FT) = ^var( / ? 2)
+ var(ft) - 2 co\ {ft, ft) J

En nuestro ejemplo, se puede demostrar

que SE(FT - FT) = 84,8392 . Por lo tanto,
el ESTADÍSTICO T se vuelve
Este VALOR DE T no es lo importante, lo
que llevó a la conclusión de que los
coeficientes de £ >2 y £ >3, aunque cada
uno de ellos son estadísticamente
significativamente diferente de la
intersección del primer trimestre, no
son significativamente diferentes uno
del otro.

Exactamente por el mismo razonamiento,

para poner a prueba la hipótesis de
que los coeficientes de £ >2 y D4 son los
mismos, obtenemos el siguiente valor
de t:
( = 245,3750 - (-62.1250) =36245
84,8392
Este VALOR DE T es estadísticamente
significativa, lo que sugiere que los
coeficientes de £ >2 y £ >4 son
diferentes.
La respuesta a la última parte de la pregunta
es por lo general no.
Lógicamente, si A es diferente de B y
si A es diferente de C, no se
desprende necesariamente que B y C son
también diferentes. Por supuesto, uno
puede utilizar la prueba de t para
responder a esta pregunta.

9.7 (A)& (6) :ElEstándarErrores De ElCoeficientes

De El Regresión

94
 (9.5.6) Pueden ser obtenidos directamente
de (9.5.4 ). Sin embargo, para
obtener los errores estándar de los
coeficientes en (9.5.7 ), tendremos
que obtener
Los errores estándar de ( "2 + â3 )y( / ?, +
J32) por la bien conocida fórmula
estadística para el error estándar de
la suma o diferencia de dos (o más)
los coeficientes. Ver la fórmula que
figura en la sugerencia para Ejercicio
9.6 . Dado que esta fórmula implica la
covarianza de los términos
involucrados en la suma o diferencia
de coeficientes, sin esa información
no podemos calcular el error estándar.

Para nuestro ejemplo,

Var(â") = 406,6205 , var( " 2) = 1094,443 ;
var( / ? ,) = 0,00021 ; var( / ? 2) = 0,000255
; cov(â, ,2) = -406.6205 y cov( / ?, ,FI2) = -
0.00021
Por lo tanto, SE(MINIMUM+ ",2) = J~ [406,6205 +1094.443-
2 (406,6205 ) ] =26,2263 Y
Se ( FT + J32) = 0,00021 +0.000255 [yT -2.
(00021)] = 0,0067

NOTA: Debido al redondeo y aproximación los

errores, estos errores estándar son algo
diferentes a las reportadas en (8.8 .2a).

9.8 (A)Descuidar Los maniquíes de momento, ya que

se trata de un doble
Regresión de registro, cada pendiente estimada
coeficiente representa una elasticidad. Por lo
tanto, si X2 ( el número total de oficinas o
sucursales en un banco), el aumento en un 1 %,
en promedio, la Corporación Federal de Seguros
de Depósitos examinador horas de cerca del
0,22 por ciento, quizá como reflejo de
algunas economías de escala.

95
 Otro coeficiente de la sesión X las variables
han de interpretarse
Del mismo modo. A PRIORI, todos los coeficientes
X deben ser positivos, que son.

(b) & (C): Desde la regressand se encuentra en

el formulario de registro, tenemos que
interpretar los coeficientes de las variables
dummy como por la sugerencia hecha por
Halvorsen y Palmquist. El antilogaritmo de
cada estimado cofficient conectado a una
variable indicadora y restar 1. Multiplicar
la diferencia por 100, lo que dará entonces
el porcentaje de cambio en el regressand
cuando una variable ficticia va del estado 0
al estado 1. Por ejemplo, considerar el
coeficiente de ZXj, que es de 0,2572 .
Tomando el antilogaritmo de este número,
tenemos 0,7732 . Restando 1 a partir de este,
y multiplicando el resultado por 100,
obtenemos -22.68 %. Por lo tanto, cuando el
examen se lleva a cabo en forma conjunta con
el estado, LA FDIC horas examen por cerca de
un 23 por ciento. Otro falso los coeficientes
se han de interpretar de manera similar.

9.9 (A) & (C): CETERIS PARIBUS, SI la tasa de inflación

esperada sube un 1
Punto porcentual, la media tasa de letras del
Tesoro (TB) espera que se vaya abajo en
aproximadamente 0,13 puntos porcentuales, lo
que no tiene sentido económico. Sin embargo,
la TB coeficiente no es estadísticamente
significativa, como su valor de t es sólo de
1,34 . Si la tasa de desempleo sube en 1
punto porcentual, la media TB se espera que
la tasa se reducen un 0,71 punto porcentual.
Este coeficiente es estadísticamente
significativa, ya que su valor de t es de -
4,24 . También tiene sentido desde el punto
de vista económico, como una tasa de
desempleo más elevada significa

96
 desaceleración de la economía y la Fed
probablemente reducir el índice de TB para
reanimar la economía. Si el cambio en el
crecimiento de la base monetaria se
incrementa en una unidad, en promedio, el
índice de la TB se espera que se vaya hacia
abajo, como un aumento de la base monetaria,
a través del efecto multiplicador, conduce a
un aumento en la oferta de dinero, lo que
tendrá el efecto de reducir la tasa de
interés, ceteris paribus. La zaga valor de Y
es positivo y estadísticamente significativo.
Este valor rezagado tenga en cuenta la
dinámica del cambio, un tema discutido en el
capítulo sobre modelos de los rezagos
distribuidos.

(b) A finales de 1979, el entonces Gobernador

de la Reserva Federal, Paul Volcker, el
cambio de política monetaria centrarse en el
tipo de interés objetivo de la evolución de
la base monetaria, con el objetivo de reducir
la elevada tasa de inflación en la economía
estadounidense. Apretando la base monetaria,
la cual daría lugar a aumentos en el índice
de la TB, la tasa de inflación fue
posteriormente reducido considerablemente.
Por cierto, nota que la falsa coeficiente es
estadísticamente significativa.

9.10 Escribir el modelo como:

Y =a+ a2D + / 3xxi + fi2 ( X, -X') D + u, donde D =
l, cuandoX\ > )C = 0, si Xj < )C

Suponiendo que E(U,) = 0 , obtenemos :

E(Yi\D=0,Xi<X') = al + ftXi
E(Xi \D = IX, > X ') = (a + a2) + (A + fi^X, -X'.
Por lo tanto, cuando X\ SUPERA JL * , LOS SALTOS DE
INTERCEPTAR A2 Y cambia la inclinación de FI2.

9.11 (A) La asignación de las variables dummy se

supone una constante (proporcional) de

97
 diferencia; el almacén de la cadena es de 10
veces la escala de las tiendas de descuento y
tiendas de conveniencia es 10 veces la escala
de cadenas de tiendas (o 100 veces la escala
de descuentos). Evidentemente, todo esto es
arbitrario.

(6) Como era de esperar, la marca las colas

son más caros que el precio de nonin cola.
(c) La variable ficticia es la configuración
con los más altos valores asignados para los
contenedores más pequeños.

9.12 (A) el coeficiente de la variable de renta en

el formulario de registro es una semi un
porcentaje de cambio en los ingresos.
(b) Este coeficiente muestra que la
esperanza media de vida es probable que
aumente por .0939 años si el aumento de los
ingresos per cápita en un 1 %, ceteris
paribus. (Ver el Capítulo 6 en el lin-log
modelo).
(c) Este regresor es introducido para
capturar el efecto de aumentar los niveles de
ingreso per cápita superior al valor de
umbral de $1097 en la esperanza de vida. Este
regresor proporciona el número de años
adicionales que se pueden esperar vivir como
uno de los ingresos por encima del valor
umbral. El coeficiente estimado valor, sin
embargo, no es estadísticamente
significativa, como el valor de p el
coeficiente estimado es de 0,1618 .

(d) La ecuación de regresión para los

países por debajo del nivel de ingreso per
cápita de $1097 es:
+ 9,39 -2,40 INXI para los países
con ingresos per cápita de 1097 dólares, la
regresión

98
 Ecuación es:
-2,40 + (9,39 - 3,36 ) inx{ + (3.36 )
(7), es decir,
21,12 + 6,03 lnXi

Si bien numéricamente las dos regresiones son diferentes estadísticamente

No lo son, para el coeficiente de la pasada
legislatura en la ecuación es estadísticamente
cero. Parece que no hay estadísticamente
diferencias apreciables en la esperanza de
vida entre los países ricos y los pobres, si
se asume que los países con ingresos per
cápita superiores a los $1097 son países más
ricos.

9.13 (A) &(B). Px da el valor esperado de Y para los

20 primeros
Observaciones y FI2 INDICA EL CAMBIO EN EL valor
esperado de Y para los próximos 30
observaciones, es probable que el valor de
Y en los últimos 30 observaciones (+ / ? 2).

(c) De la conocida fórmula para encontrar la

suma o diferencia de dos o más variables
aleatorias (ver Ap. A), se puede demostrar que

var(A ) + var( / ? 2) + 2 cov( / ?" ¡ } 2)

Var(N + A) =
Para obtener los valores numéricos, seguimos
las fórmulas indicadas en el capítulo 3 de las
dos variables de modelo. Por lo tanto,
tenemos:

Var(A)= ZP ; . <R *
" 2 (0 - Dy .III" >00 = 15
50U2J
<T2 _ 300 V a r ( A ) = ^ 7 7 ; - = - = 2 5

E(Z) , . -D)2 ~~vi

Se nos dice que la covarianza entre los dos
estimadores es 15. Que todos estos números juntos,
obtenemos:
Var( / ? , + / ? 2) = 10
NOTA: VERIFIQUE QUE Z(A - D) 2 =12.

9.14 (A) La relación entre las dos variables es negativa.

99

,2
(b) Sí, sí lo son.

(c) & (D). Los estados que no tienen el derecho de

trabajar leyes, miembro de la unión el promedio fue
de 19,8 %. Por otro lado, en los estados con esas
leyes los miembros de la unión fue inferior en un
9,39 puntos porcentuales, para un ingreso efectivo
de 10,42 %.

10
0
9.15 Las fórmulas de la operación dada en el Capítulo 3,
sabemos que:

Pl Y(D-Df (1)
Ahora es
fácil Nn
comprobar
que: D =

Z(D-D)Yl= '£ (Dl-D)Yl+fj(D-D)yl

9.16 (A) 2,4 %.

(b) Dado que tanto el intercepto y la pendiente
diferencial coeficientes son altamente
significativas, los niveles y las tasas de
crecimiento de la población en los dos períodos son
diferentes. La tasa de crecimiento para el período
antes de 1978 es de un 1,5 % y que,
(D, -D) = ^ifd = 1
después de 1978, es del 2,6 % (= 1,5
% + N 1,1 %).

Y = --IFD = 0
N Problemas

Ahora el denominador en Eq. (1) se puede escribir como:

I (A - Df = £ (A - Df + f; ( D, Df
10
1
El numerador de Eq. (1) se puede escribir como:
9.17 En la regresión para los dos períodos por separado,
nos encontramos con que
Para el primer período <r,2 = 0,00768 (df = 30) y para
el segundo período
S\ = 0,03638 (df = 17). A continuación, bajo el
supuesto de que las respectivas las varianzas de la
población son los mismos, y tras Eq.
(8.8.8) , La siguiente relación sigue la DISTRIBUCIÓN F.

10
2
 F = -□ F U r(nt-k)Xn2-k).
JL2

°\
En nuestro ejemplo, k = 2, 32 Y " 2 =19. Poner la
correspondiente
Los valores en la expresión anterior, obtenemos:
F = 4,7369
El valor de p de obtener una F de 4,7369 o
superior es de 0,00001 , lo cual es extremadamente
pequeño. La conclusión es que las variaciones en
los dos sub-períodos no son los mismos.

9.18 Dado que la variable dependiente en los modelos

(9.7.3 ) y (9.7.4 ) es el mismo, podemos utilizar
la VERSIÓN R2 de las aditivas en Eq. (8.7.10 ). En
el presente caso, la restricción R2 (es decir, R^) SE
OBTIENE A PARTIR DE
(9.7.3) , Que es 0,5318 y la libre R2 (P. EJ., R^R) ES DADA POR
(9.7.4 ), QUE ES 0,7298 . EN NUESTRO EJEMPLO N = 2 , k =5 Y M =
1 (asegúrese de que usted obtenga este derecho).
Poner estos valores en Eq. (8.7.10 ), obtenemos:
R (0,7298 -0.5318)71 ^ G
(1 - 0,7298 ) / (32-5) en el que se
encuentra la distribución F con 1 y 27. en el
numerador y denominador, respectivamente. El valor
de p para obtener una F valor de tanto como 19.8 o
superior (para 1 y 27 df) es prácticamente nulo. La
conclusión que surge es que la restricción impuesta
por el modelo
(9.7.3) , La de excluir la variable X, no es válido.
Poner positivamente, la variable X, los gastos en
bienes duraderos, se debe introducir en el modelo.

9.19 En este caso, la variable Z toma el valor de 2

cuando D = 0 Y toma el valor de 5 cuando D = 1 . Con
esta falsa asignación, es la siguiente: los
resultados de la regresión
Variable dependiente: AHORRO Método:
Mínimos Cuadrados

Ejemplo: 1970 1995 proporcionen observaciones: 26

Variable Coeficiente Ets. Error T-Statistic Prob.

C -100.6363 37,88404 -2.656429 0,0144

INGRESOS 0,123978 0,024574 5,045035 0,0000
Z 50,82618 11,02746 4,609058 0,0001

10
3
 Z * INGRESOS -0.021823 0,005327 -4.096340 0,0005

R-squared 0,881944 Significa depender var 162,0885

\Djusted R-squared 0,865846 D. E. dependentvar 63,20446
3.E. de regresión 23,14996 Información Akaike 9,262501
Sum squared resid 11790,25 criterio criterio
Schwarz 9,456055
_OG probabilidad -116.4125 F-estadística 54,78413
Durbin-Watson stat 1,648454 Prob(F-statistic) 0,000000

Ahora, en la comparación de los resultados anteriores

con los indicados en el apartado 9.5.4 ),
(9.5.6) Y 9.5.7 ), tenemos que tener cuidado, para
la variable Z toma el valor de 2 (cuando D = 0) y
el valor de 5 (cuando D = l) .Para obtener los
ahorros de regresión ingresos comparables a
(9.5.6 ) (es decir, cuando el valor ficticio
original era cero), donde Z aparece, ponga el
valor de 2, que da como resultado:
Ahorro de Regresión ingresos 1970-1981:
AHORRO = [ -100.6363 + 2 (50,826180 0,123978 ] + [- 2
(0,02182 ) ]Ingresos

= 1,0161 + 0,0803 los ingresos, que

es el mismo que el obtenido en (9.5.6 ), excepto
para los errores de redondeo.
Ahorro ingresos Regresión: 982-1995:

AHORRO = [ -100.6363 + 5 (50,8262 )] + [0,12398 - 5

(0,021820 ]Ingresos

+ 0,0148 = 153,4947
ahorro que es la misma
que (9.5.7 ).

El mensaje de este ejercicio es que la elección

de los valores numéricos de las variables
dummies es esencialmente arbitraria.

9.20 Tal como lo haría sospechoso, el signo del coeficiente

de la ficticia (9.5.4 )
Se convertirá en -152.4786 y el signo del
coeficiente de ( £MQ llega a ser positivo.
El interceptar plazo ahora se 153,4973 y
coeficiente de la renta variable será
0,0148 . Todo esto es una consecuencia

10
4
 lógica.

9.21 (A) DADO QUE el falso entra en el formulario

de registro, y puesto que el registro de
cero no está definida, en la redefinición
de la ficticia como 1 y 10, podemos obtener los registros de
estos números.

(b) Los resultados de la regresión son los siguientes

( LOS VALORES DE T entre paréntesis):

\AISAVINGS), = -0.1589 + 0,6695 en los

ingresos , + -0.00029 en D, T = (-
0.2074) (6,2362 ). (-0.00505)
R2 = 0,8780
Dado que el falso coeficiente no es
estadísticamente significativo, a todos los
efectos prácticos las dos interceptar
términos son los mismos. La interpretación
del coeficiente de intersección de -0.1589
es que representa el valor del registro de
ahorros cuando todos los regresores tome un
valor de cero. Tomando el antilogaritmo de
este valor, podemos obtener el valor de
0,8531 (miles de millones de dólares). Por
supuesto, este número puede que no tengan
mucho sentido económico.

Puede ser interesante para comparar los

resultados de la regresión anterior con
los siguientes resultados, que permiten
el efecto de interacción:

En (AHORRO), = -2.0048 + 0,9288 ( INGRESOS), + 2,3278 en

D, - 0,2985 (ln DT * INGRESOS") T = (-2.6528) (8,7596
). (3,9696 ). (-3.9820)
R2 = 0,9291
Ahora tienes un panorama totalmente
diferente, para el intercepto y la
pendiente diferencial dummies son
importantes. Para el período 1982-1995, los
diputados (propensión marginal al ahorro)
es 0,6303 , mientras que para el período
anterior es 0,9288 . De la misma manera, la

10
5
 intersección plazo para el primer período
es negativo pero es positiva para el
segundo período.
Según los cálculos anteriores muestran, vea
cómo errores de especificación pueden
cambiar los resultados.

9.22 (A) se presentan los resultados de los

tres aparatos de la siguiente forma
tabular:
Tipo de aparato Interceptar D2 D 3 D 4 R
Lavavajillas 748,250 8,25 42,875 49,875
T 0
(13,824 0,0219) (0.56 ) (0.65
(0.10
) )
0,0810 11,12 -77.50 -
Residuos 887,00 55.50
T (18,806 (-1.16) (-0.83) (0.16
6 ) )
1225,62 1.00 -45.25 0,169 -
Lavado 5 106.875
Las máquinas
T (33,221 (-0.8673) (0.01 ) (-
9 ) 2,05)
(b) El "slope" coeficientes son de hecho
diferencial intercepta, con el primer
trimestre como el trimestre de referencia.
Sólo el 4to trimestre falsa para las
lavadoras es significativamente diferente del
primer trimestre; lo que sugiere que las
lavadoras sólo presentan algún tipo de
estacionalidad. Esto es en contraste con los
resultados de los frigoríficos en (9.7.3 )
donde hubo estacionalidad en el segundo y
tercer trimestre (pero no el 4o trimestre ).

(c) Ya que no hay estacionalidad

estadísticamente visible en lavavajillas y
eliminadores de ventas, no hay necesidad de
desestacionalizar los datos. Para las
lavadoras, los residuos de la regresión
desestacionalizados representará series de
tiempo.

9.23 Los resultados de la regresión, que se

obtiene a partir de 5 decisivo son las
siguientes: En la siguiente tabla, D \, D2 Y D 3
son los maniquíes para el segundo, tercer y
cuarto trimestre. PLATO, DISP y LAVAR

10
6
 representan, respectivamente, las ventas de
los lavavajillas, autogestión y lavadoras, en
miles de unidades y DUR representa bienes
duraderos los gastos en miles de millones de
dólares. No todas las estadísticas que se
presentan en la tabla se han discutido, pero
serán a medida que avanzamos a través del
libro.

Variable dependiente:
PLATO Método: Mínimos
Cuadrados

Ejemplo: 1978:1 1985:4 incluyó observaciones: 32

Variable Coeficiente Ets. Error T-Statistic Prob.

C 106,8419 168,8010 0,632946 0,5321

D1 5,840220 62,14176 0,093982 0,9258
D2 24,14839 62,32067 0,387486 0,7014
D3 29,81285 62,34750 0,478172 0,6364
DUR 2,322680 0,590194 3,935452 0,0005

R-squared 0,378492SignificaDependienteVar 773,5000

10
7
R-cuadrado ajustado S. 0,286416 S. D. Dependentvar 147,1194
E. de suma de 124,2775 Akaike info criterion 12,62551
regresión al cuadrado 417012,1 Schwarz criterion F- 12,85453
resid Log probabilidad -197.0082 statistic Prob(F-statistic) 4,110677
Durbin-Watson stat 0,183078 0,009944

Variable dependiente: DISP Método:

Mínimos Cuadrados

Ejemplo: 1978:1 1985:4 incluyó

observaciones: 32

Variable Coeficiente Ets. Error T-Statistic Prob.

C 56,40125 81,47305 0,692269 0,4947

D1 -80.62057 29,99319 -2.687963 0,0122
D2 -79.75024 30,07954 -2.651312 0,0133
D3 -14.85471 30,09249 -0.493635 0,6256
DUR 3,007781 0,284862 10,55875 0,0000

R-cuadrado ajustado r- 0,820847 Significa S. D. 856,5312

squared S. E. Suma de 0,794306 dependentvar 132,2576
regresión de cuadrados 59,98346 dependiente var Akaike 11,16862
resid Log probabilidad 97146,41 info criterion Schwarz 11,39764
Durbin-Watson stat -173.6979 criterion F-statistic 30,92730
0,733166 Prob(F-statistic) 0,000000

Variable dependiente: LAVAR

Método: Mínimos Cuadrados

Ejemplo: 1978:1 1985:4 incluyó

observaciones: 32

Variable Coeficiente Ets. Error T-Statistic Prob.

C 741,0680 107,2523 6,909578

D1 -47.07049 39,48345 -1.192157 0,0000
D2 -13.14717 39,59713 -0.332023 0,2436
D3 -122.0311 39,61418 -3.080491 0,7424
DUR 1,754688 0,374996 4,679221 0,0047
0,0001

0,541230 Significa S. D. 1187,844

R-cuadrado ajustado r- 0,473264 dependentvar 108,7996
squared S. E. de suma 78,96307 dependiente var Akaike 11,71844
de regresión squared 168349,5 info criterion Schwarz 11,94746
resid Log probabilidad -182.4950 criterion F-statistic 7,963248
Durbin-Watson stat 0,926092 Prob(F-statistic) 0,000224
(6) La adición de los gastos en bienes duraderos
en la ecuación para lavavajillas no cambia los
resultados en la medida en como la estacionalidad
 se refiere; no hay una estacionalidad en los
datos (como en comparación con el primer
trimestre del año). Los resultados de residuos
son sustancialmente diferentes en que ahora hay
marcada estacionalidad en el segundo y tercer
trimestre. Los resultados para una lavadora son
cualitativamente los mismos. Tenga en cuenta, sin
embargo, en cada regresión el coeficiente de
gastos bienes duraderos es estadísticamente
significativa.
(c) La inclusión de variables ficticias en el
modelo de regresión se ocupa de la
estacionalidad, si es que la hay, no solamente en
la venta de los distintos aparatos sino también
en los bienes duraderos los gastos, A LA Frisch,
Waugh teorema mencionado en el capítulo.
9.24 (A) & (6) :se deja para cada estudiante. El año 2000
EE.UU.
Se celebraron elecciones presidenciales en
noviembre 7,2000 . Si se hubiera usado su modelo,
le han pronosticado los resultados de las
elecciones del año 2000 correctamente?

(c) Los resultados de este modelo son los

siguientes:
Variable dependiente: V
Método: Mínimos
Cuadrados

Muestra: 1 21 incluyó observaciones: 21

Variable Coeficiente Ets. Error T-Statistic Prob.
C 0,505678 0,026324 19,21007 0,0000
I -0.019753 0,016347 -1.208325 0,2456
DUM 0,055755 0,019637 2,839255 0,0124
G*l 0,009625 0,001706 5,642862 0,0000
P 0,000155 0,002804 0,055370 0,9566
N -0.004637 0,003293 -1.407866 0,1796
R-squared 0,788321 Significa depender var 0,490690
R-cuadrado ajustado 0,717762 D. E. dependentvar 0,075065
S. E. de la regresión 0,039879 Información Akaike -3.370963
Sum squared resid 0,023855 criterio criterio
Schwarz -3.072528
Probabilidad de 41,39511 F- 11,17242
registro
Durbin-Watson stat 2,229997 estadística
Prob(F-statistic) 0,000125

Los autores no incluyen G como un regresor.

Tal vez que se podría agregar al modelo.
9.25 Los resultados de la regresión basada
en DECISIVO3 son los siguientes:
Variable dependiente: HWAGE

10
9
 Método: Mínimos Cuadrados

Ejemplo: 1 528 incluyó observaciones: 528

Coeficient
Variable e Ets. Error T-Statistic Prob.
C -0.261014 1,106956 -0.235794 0,8137
EL GÉNERO -2.360657 0,430203 -5.487303 0,0000
RAZA -1.732729 0,794716 -2.180314 0,0297
SEXO * RAZA 2,128986 1,222109 1,742059 0,0821
EDUCACIÓN 0,802807 0,081014 9,909478 0,0000
R-cuadrado ajustado 0,203263 Significa S. D. 9,047538
r-squared S. E. de 0,197169 dependentvar 5,144082
suma de regresión 4,609140 dependiente var Akaike 5,903384
squared resid 11110,70 info criterion Schwarz 5,943811
Log probabilidad -1553.493 criterion F-statistic 33,35678
Durbin-Watson stat 1,873724 Prob(F-statistic) 0,000000

Como demuestran estos resultados, el género de

raza ficticia es estadísticamente significativa
en el 8 %. Si este VALOR DE P lo suficientemente
bajo, el maniquí interactivo es importante y los
resultados (9.6.4 ) tienen que interpretar. El
salario promedio en relación con el género por
sí solo (nota sexo es 1 para las hembras) es
inferior en alrededor de $ 2,36 por hora, en
comparación con los varones salario promedio por
hora. Asimismo, el salario promedio por hora es
menor de $1.73 para los no-blancas/no-
trabajadores hispanos. Sin embargo, estos
resultados deben ser modificados para tener en
cuenta el género interactivo de raza ficticia.

Por ejemplo, si usted espera carrera constante,

el salario promedio por hora de las mujeres es
ahora menor por sólo $0,2317 (= -2.3606 + 2,1289
). De igual modo, si se le espera género
constante, el salario medio de las blancas/no-
trabajadores hispanos es mayor de $0,3962 (= -
1,7327 + 2,1289 ). Para que usted pueda ver
cómo el maniquí interactivo aumenta o atenúa el
efecto aditivo de los maniquíes.

9.26 Los resultados de la regresión, que se basa

en EVIEWS3, SON LOS SIGUIENTES :
Variable dependiente: HWAGE
Método: Mínimos Cuadrados
Ejemplo: 1 528
Incluyó observaciones: 528____________________________________
Variable_____________Coeficiente Ets. Error t-statistic Prob.
C 9,067519 0,446115 20,32552 0,0000
MSTATUS 0,713991 0,551188 1,295367 0,1958

11
0
 REGIÓN -2.540727 0,826694 1,020982 0,0022
* REGIÓN MSTATUS 1,323573 1,296373 -3.073359 0,1954
R-cuadrado ajustado r- 0,035309 Significa S. D. 9,047538
squared S. E. de suma 0,029786 dependentvar 5,144082
de regresión squared 5,066893 dependiente var Akaike 6,090880
resid Log probabilidad 13452,87 info criterion Schwarz 6,123221
Durbin-Watson stat -1603.992 criterion F-statistic 6,392958
1,860478 Prob(F-statistic) 0,000293

Como estos resultados sugieren, no parece haber

mucha interacción entre estado civil y la región,
como la multiplicación ficticia no es importante;
su VALOR DE P es de alrededor del 20 % . Parece que
no hay necesidad de introducir la maniquí
interactivo. Por lo tanto, los resultados que se
indican en el apartado 9.3.1 ) pueden ser
invocados.

9.27 FT, el valor medio de los primeros 40 observaciones

y
($ + / ? 2) le dará el valor medio de los próximos
60 observaciones. El
Varianza de = 100 / 40 ,y la varianza de (J}X + j }
2) = 100 / 60. RECUERDE QUE SI X ES UNA VARIABLE ALEATORIA CON MEDIA
E(X) Y
Var = cr ], Y, A CONTINUACIÓN, LA MEDIA MUESTRAL X tiene el
mismo valor esperado pero
^2.
La varianza es igual a --, donde n es el tamaño de
la muestra.
N
9.28 Los resultados, sido realizados en Eviews 3 son los
siguientes:

Variable dependiente: (ahorros) Método: Mínimos

Cuadrados

Muestra: 1970 1995 observaciones

incluidas: 26
Variable
Coeficiente Est. Error t-statistic Prob.
C 3,677198 0,108486 33,89569 0,0000
INGRESOS 0,000709 7,80 E-05 9,084319 0,0000
DUM 1,3971 . 0,1779 . 7,8500 . 0,0000
DUM * INGRESOS-0.0006 8,60 E-05 -7.4361

11
1
 0,0000

R-squared0,933254
F-estadística 102,5363
Durbin-Watson stat1,612107
0,341255 Sum squared resid

(a) Modelo (9.5.4 ) es un modelo lineal, mientras

que el actual es una modelo log-lin. Por lo tanto,
la pendiente de los coeficientes el regresor

1
1
2
En este modelo se han de interpretar como semi-
elasticidad cruzada de la demanda.
Cualitativamente, ambos modelos dan resultados
similares. Desde la regressand en los dos modelos son
diferentes, no podemos comparar los dos R2 DIRECTAMENTE.

(b) Como se señaló en el capítulo, si tomamos el

antilogaritmo del maniquí coeficiente de 3,6772 , lo
que obtenemos es el ahorro promedio en el periodo
1970-1981, suponiendo que todos los demás factores
constantes. Ahora antilog (3,6772 ) = 39,5355 . Por lo
tanto, si los ingresos son cero, el ahorro promedio en
1970-1981 sería de unos 40 mil millones de dólares. Una
vez más, se debe interpretar este número con un grano
de sal.

Ahora bien, si tomamos el antilogaritmo de (3,6772 +

1,3971 ) = 159,8602 , esto sería ahorro promedio en el
período 1982-1995, manteniendo constante los ingresos.
Una vez más, tenga cuidado al aceptar este número en su
valor nominal.

(c) Regresión log de Y (ahorros) en X (los ingresos), el

error que se estima las variaciones en los dos
períodos son: &2 = 0,0122 (df = 10) y A2 = 0,0182 (df
= 12) Bajo la hipótesis nula que las varianzas de las
dos poblaciones son las mismas, formamos

0,0122
12 Y 10 df en el numerador y denominador,
respectivamente, este valor no es importante,
incluso en el 25 %. Por lo tanto, podemos concluir
que las dos varianzas error son las mismas. Tenga en
cuenta que en el modelo original se explica en el
capítulo que hemos retrocedido Y (no en Y) EN X. Por
lo tanto, si no se la heteroscedasticidad en el
modelo original, y no en el log-lin modelo, sugiere
que la transformación log puede ser más apropiado.
CAPÍTULO 10
LA MULTICOLINEALIDAD: ¿QUÉ SUCEDE SI LOS REGRESORES SON
CORRELACIÓN?
10.1 Si es una perfecta combinación lineal de
las restantes variables explicativas, luego
hay ( £ 1) ecuaciones con K incógnitas. Con
más incógnitas que ecuaciones, soluciones
únicas no son posibles.

11
3
10.2 (A) n° Variable xy, es una combinación
lineal de XR" porque Xv= 2X2i- \.

(B) Escribir la ecuación da,

Y, =P\ ^pix1 ^m(2X2- \) + ui
= ( - A) + (A+2A) ^ 2/ +ui

= ", + " 2-^ 2, + Ui

Whereax = (ft -ft)anda2 = (fi2+2 fi2)

Por lo tanto, podemos estimar HACHA Y

UN 2 únicamente, pero no la original beta
porque tenemos dos ecuaciones para resolver
las tres incógnitas.
10.3 (A) AUNQUE los valores numéricos de la
intersección y la pendiente de los
coeficientes y FLR PGNP han cambiado, sus
signos no.
Además, estas variables son estadísticamente
significativas. Estos cambios se deben a la
incorporación de la tasa global de fecundidad
variable, lo que sugiere que puede haber algunos
multicolinealidad entre los regresores.
(b) Dado que el VALOR DE la TGF coeficiente es muy
importante ( EL VALOR DE P es sólo .0032), parece
TGF pertenece en el modelo. El signo positivo de
este coeficiente también tiene sentido en que,
cuanto mayor fuera el número de los niños
materiales para una mujer, mayores serán las
probabilidades de la mayor mortalidad infantil.
(c) Este es uno de esos "felices" casos en los
que a pesar de la posible collinearity, los
coeficientes son estadísticamente
significativos.

10.4 La relación se puede reescribir como:

1
1
4
X* -Tx>' = ÆA+A. .A
/Lj /Lj

-¥X * = Aia+AJA
* 2 * 2

^3 = I-f-f" =A, A+ala

* 3 * 3
Por lo tanto,
sqrt
^12.3 - "JiPn.s^iPii.i) ~ U
\ 'N
N =
^ * 13,2 = ^ (Pni^h) - sqrt ' .H.V V
K Ay
"\ UN
±1

^23.1 - V ^23.l) ( ^32,1 -

SQRT U
V "b N
= ±
Por lo tanto,
R\n
= rn + (1 - rn)rni
=1 • Asimismo,
* 2,3 = * 3 , 2 = 1
1
El grado de
multicolinealidad
= ±1
perfecta.
10.5 (A)Sí.Económico Datos de
serie de tiempo tienden a
moverse en la misma
Dirección. En este
sentido, el rezago de
los ingresos
variables,
generalmente en la
misma dirección.

(b) Como se explica

brevemente en el
Capítulo 10 se
discuten
detalladamente en
el Capítulo 17, la
primera diferencia
transformación
puede aliviar el
problema.

10.6 Cuando la riqueza se

elimina de la modelo,
el modelo es no habia

11
5
 espeficado
debidamente esa
cuestion y el efecto
10. ingreso coeficiente
7 es imparcial. Por lo
tanto, lo que uno
observa en Eq.
(10.6.4 ) es un
parcial estimación
del coeficiente de
ingresos. La
naturaleza de los
prejuicios es el
siguiente:
Dado que ^ + P2X2I +FAXÎI
+ , QueSigue
Que
^12 = Pi P&.32
Que bl 2 es la
pendiente de la
regresión
coeficiente de Y
sobre XI. Y ¿ >32 es
la pendiente de
la regresión
coeficiente
de X3 EN XI.
De los datos conocidos,
tenemos
P2 = 0,9415 ; y#3 = -0.0424 ;Z>j2
= 10,191 ;612 =0,5091

11
6
 Por lo tanto, el sesgo de BL2 (FT) (B32) = ( -
0.0424) (10,191 ) = -0,4321 .

Como se ha comentado en Cuestión 10.5 , las

variables económicas están a menudo influidas
por factores similares, tales como ciclos de
negocios y tendencia. Por lo tanto, en
análisis de regresión, utilizando variables
tales como el PNB y la oferta de dinero, uno
debería esperar la multicolinealidad.
10.8 (a) Sí. Esto es debido a que el coeficiente
de correlación es cero entre X2 Y XJ
ESPECIAL. Como resultado, el producto términos
desaparecen en las fórmulas de los PIES los
coeficientes (ecuaciones 7.4.7 y 7.4.8 ) y
las fórmulas sean las mismas que las de
los COEFICIENTES A Y Y (ECUACIÓN 3.1.8 ).

(b) Será una combinación, como se muestra a

continuación:
Ft = ? -p2x2-p3x
Âi=Ÿ-2X2 =Ÿ-ft2X2
Yx=Ÿ-y,x, =Ÿ-ftX^
Por lo tanto, M = " , + / ,- 7

(c) No, por las siguientes razones:

* 2 * 2
Vaf( A) = TT-27;
- - - -27=- &T(N0TE : R 23 = 0)
£ * 2/0- * 23)
Cr:
<T2
Var( " 2) =(VÉASE EQ.3.3.1)
£ * 2,
"2 Em, *
2 Zw,- Nota que A1 = -
^ <r, = -- N-3 N-2
10.9 (a) El coeficiente de correlación entre el
trabajo y el capital es de aproximadamente
0,698 , la cual es relativamente alta.

(b) No. a pesar de la correlación entre las

dos variables, los coeficientes de regresión

11
7
 son estadísticamente significativos al nivel
del 5 por ciento. Para soltar una variable
10. wold de sesgo especificación.
7 (c) Si el trabajo de parto se deja caer, el
coeficiente de capital será parcial. El sesgo
puede ser calculado siguiente Ejercicio 10.6
Aquí se trata de un sesgo: (FT2) (B23) = ( 1,4988
(0,1319 ) =0,1975 .

10,10 (a) No. La multicolinealidad se refiere a

asociación lineal entre las variables. Aquí
la asociación es lineal.

11
8
 (b) No hay ninguna razón para dejarlos
caer. Teóricamente están así como
estadísticamente significativa en el ejemplo
presente.

(c) Si una de las variables se caen, no se las

especificaciones sesgo que se muestran en el
coeficiente de la variable restante(s).
10.11 NO Variables deben ser añadidos a la base de la
teoría, y no sobre la base de agregar una
variable más para aumentar la (ESS) o R2. POR OTRA
PARTE, SI LAS VARIABLES ESTÁN CORRELACIONADAS, AÑADIENDO O
RESTANDO LAS VARIABLES CAMBIAN LOS VALORES DE LOS OTROS
COEFICIENTES
10.12 (A) Falso. Si relación lineal exacta(s) existen
entre las variables, no podemos ni siquiera
estimar los coeficientes o sus errores estándar.

(b) FALSO, UNO puede ser capaz de obtener uno o

más importante LOS VALORES DE T .

(c) FALSO. Como se señaló en el capítulo (ver

Eq. 7.5.6 ), la varianza del estimador de la
operación está dado por la siguiente fórmula:
ZF i A
Var ( / ? .) = ^2

Como se puede observar en esta fórmula, un

alto RJ puede ser contrarrestada por una baja cr2
o alta X x2.

(d) INCIERTO. SI EL modelo tiene sólo dos

regresores, por pares altos coeficientes de
correlación puede sugerir la
multicolinealidad. Si uno o más los regresores
introducir de manera no lineal, las
correlaciones pares puede dar respuestas
erróneas.
(e) INCIERTO. Si el observado collinearity
continúa en el futuro los valores de la muestra,
a continuación, puede no haber ningún daño. Pero
si ese no es el caso, o si el objetivo es
estimación precisa, la multicolinealidad puede
ser problema.

( /) FALSO. Véase la respuesta a (c) anteriores.

11
9
 (g) FALSO. VIF y TOL proporcionan la misma
información.

10. (h) FALSO. normalmente se obtiene alta R2 EN

7 MODELOS ALTAMENTE CORRELACIONADOS CON LOS REGRESORES.
(i) ES CIERTO, COMO se puede ver en la fórmula dada
en (c), si la variabilidad en X3 es pequeño, R
* tienden a ser pequeñas y en el extremo

12
0
 Caso de no variabilidad en A3, Hxy será cero, en
cuyo caso la varianza de las estimaciones, es
infinita.

10.13 (A) refiriéndose a Eq. (7.11.5 ), vemos que si

todos los r2 son iguales a cero,
R2 es nulo ipso facto.

(6) Si el regressand está correlacionada con cada

uno de los regresores, entonces, ninguno de la
variación en los regressand se explica por el
modelo.
10.14 (A) CONSIDERAR Eq. (7.11.5 ). Si todos los de
orden cero, o bruto, las correlaciones r, esta
fórmula reduce a:
2 2R\l-r)_2r2
(1-r2) 1 + R
(B) usando (7.11.1 ), se puede ver, por ejemplo,
que
_R(l-r)_ r
12.3 - , 2 " 1.
1-R 1+R
10.15 (A) SI NO EXISTE multicolinealidad perfecta, (A^A.)
se convierte, por tanto, singular, no puede ser
invertida. Como resultado, los coeficientes y sus
errores estándar están definidos.
(B) una prueba sería la de examinar los factores
determinantes de (X'X). SI el valor es cero,
perfecto collinearity.
10.16 (A) Dado que en el caso de la multicolinealidad
perfecta (X'X) MATRIX no puede ser invertido,
la matriz de varianza-covarianza es indefinido.

(b) Si collinearity es alta, la matriz de

varianza-covarianza se define, pero las
diferencias (de los elementos de la diagonal
principal) tienden a ser muy grandes, al igual
que el factor determinante del (X'X) tiende a cero
como el grado de multicolinealidad se fortalece.

10.17 (A) SI el determinante de R ES CERO , hay una perfecta

collinearity.
(b) Si el determinante es pequeño, no es
perfecta, ni mucho menos collinearity.

12
1
 (c) Si el factor es 1, las variables son
ortogonales (véase Ejercicio 10,18 ).

10.18 (A) NO HABRÁ elementos de la diagonal principal.

(b) Obtener el (X'X) MATRIX , su inversa y (XY)
(c) No habrá elementos fuera de la
diagonal, es decir, elementos covarianza.

(d) NO desde todos los regresores son

ortogonales, todos covarianzas (es decir,
cruzada de productos ) términos será cero.

10.19 (A) desde la tercera regresor, ( Mt - MT_X ) es

una combinación lineal de M Y M,_X, ES POSIBLE QUE HAYA
UN PROBLEMA COLLINEARITY.

(b) Si volver a especificar el modelo como

PNB = px + (P2 + p 4 ) M, + (A - p 4 ) M,_X + u,
=+ AXMT + (x ^MT_X + UT PODEMOS ESTIMAR
FIJAR,AX ANDA2 única, pero no podemos estimar / ?2, / ?3
p4 únicamente.

(c) Todos los parámetros pueden estimarse

singularmente, como ya no hay
multicolinealidad perfecta.

(d) La respuesta es la misma que en (c).

10.20 Recordar que

2 _ G * 2/S3 < )2
23
(I4XS4)
Por lo tanto, (L X2IXM )2 = R23 (Z X]T ) (Z * 32 ).
Sustituir la expresión anterior en los
denominadores de (7.4.7 ) y (7.4.8 ) y
simplificar.

10.21 Cuando hay una perfecta collinearity, r23 = 1.

Por lo tanto, los denominadores (7.4.12 ) y
(7.4.15 ) será cero. Como resultado, las
diferencias son indefinidos.

10.22 Recordar que SE(FI2 + FT ) = ^ [VAI(FT ) + var( >93 ) +

2 COV(PIES, PIES )]
Dado que la covarianza los valores se dan, es

12
2
 una cuestión de sustitución simple para
comprobar las respuestas.

10.23 (A) CETERIS PARIBUS, como CR2K AUMENTA , la varianza de

la estimación coeficiente J3k, disminuirá. Esto
permitirá el uso de la calculadora para poder
hacer una estimación más precisa.

(b) Cuando collinearity es perfecta, la varianza es

indefinido.
(c) CIERTO. Como el conjunto R aumenta, ( \ -
R ) disminuye. Esto reduce la varianza del
coeficiente estimado.

10,24 (A) Dada la relativamente alta R de 0,97 , el

significativo valor F y (económicamente
hablando) mal firmado insignificante coeficiente
de log K, puede ser que hay collinearity en el
modelo.

(b) A priori, se espera que los capitales

tienen un impacto positivo en la producción. No
es en el presente caso debido probablemente a
collinearity en los regresores.

(c) Se trata de una función de producción

tipo Cobb-Douglas, como el modelo se puede
escribir como:
Y = pxKPlL/hep>'
(C/ )En promedio, a lo largo del período de
muestreo, un aumento de 1% en el índice de la obra real como
consecuencia de aumento de 0,91 % en el índice de producción real. La variable en el
modelo representa el tiempo. Muy a menudo, el
tiempo es tomado como un proxy del cambio
técnico. El coeficiente de 0,47 indica que en el
período de la muestra, en promedio, la tasa de
crecimiento de la producción real (medido por el
índice de la salida) fue de 4,7 %.

(e) Esta ecuación asume implícitamente que hay

rendimientos constantes a escala, es decir, ( ) =
1. Un hallazgo incidental aprovechar la
transformación puede ser reducir los problemas
collinearity.

12
3
 ( /) Habida cuenta de que la relación capital-
trabajo coeficiente es estadísticamente
insignificante, parece que el collinearity
problema no se ha resuelto.

(g) Como se mencionó en el apartado e ), EL

AUTOR está tratando de averiguar si hay
rendimientos constantes a escala . Uno podría
utilizar la prueba F se examina en el
Capítulo 8 para averiguar si la restricción es
válida. Pero, dado que las variables dependientes
en los dos modelos son diferentes, no podemos
utilizar la VERSIÓN R2 de la prueba F .
Necesitamos que el restringido y no restringido
las sumas de cuadrados residual para utilizar la
prueba F .
(h) Como se ha señalado en la letra g) los
dos R NO SON COMPARABLES. UNO PUEDE SEGUIR EL
PROCEDIMIENTO DESCRITO EN EL CAPÍTULO 7 PARA REPRESENTAR LOS
DOS VALORES DE R2 COMPARABLES.

10.25 (A), (b) y (c) y (d) Todos los puntos de vista

expresados fundamentalmente nos dicen que la
multicolinealidad es muy a menudo una carencia de
datos.
Problemas
10,26 (A) Los resultados de la regresión del modelo
modificado son:

12
4
 ^= 20,995 +0.710zy se
= (6,341 ) (0,066 ) t =
(3,311 )
(10,771 ) R2= 0,906 ^ =
(0.75x0.710) = 0,532 por
lo tanto, M = (0,625 )
(0,710 ) = 0,444

(b) Z puede ser interpretado como una media

ponderada de los diferentes tipos de
ingresos.
10,27 (A)
Variable dependiente: LIMPORTS Método: Mínimos Cuadrados Fecha:
11/11/00 Hora: 10:16 Muestra: 1970 1998 observaciones incluidas: 29

Variable Coeficiente Ets. Error t-statistic Prob.

C 1,975260 0,782070 2,525683 0,0180

LGDP 1,043167 0,405783 2,570749 0,0162
LCPI 0,446142 0,569840 0,782925 0,4407

R-squared 0,982318 Significa depender var 12,49048

R-cuadrado ajustado 0,980958 D. E. dependentvar 0,904848
S. E. de la regresión 0,124862 Información Akaike -1.225512
Sum squared resid 0,405356 criterio
Schwarz criterio -1.084068
Probabilidad de 20,76993 F-estadística 722,2174
registro
Durbin-Watson stat 0,461405 Prob(F-statistic)
0,000000

1
2
5
 (b) Juzgado por el alto VALOR R2 e
insignificante VALOR DE coeficiente IPC
registro, probablemente hay
multicolinealidad en los datos.
(C)
Variable dependiente:
LIMPORTS Método: Mínimos
Cuadrados Fecha: 11/11/00
Hora: 10:21 Muestra: 1970
1998 observaciones
incluidas: 29

Coeficiente variable Ets. Error T-Statistic Prob.

C 1,407426 1,359628 LGDP 0,290493 4,844960

0,035525 38,27295 0,0000
0,0000

R-squared 0,981901

Variable dependiente: LIMPORTS

Método: Mínimos Cuadrados

Muestra: 1970 1998 observaciones

incluidas: 29

Coeficiente variable Ets. Error T-Statistic Prob.

C 3,898610 1,905351 LCPI 0,250312 15,57499

0,055221 34,50388 0,0000
0,0000

R-squared 0,977824

Variable dependiente: LGDP Método:

Mínimos Cuadrados

Muestra: 1970 1998 observaciones

incluidas: 29

Coeficiente variable Ets. Error T-Statistic Prob.

C 1,8437 1,3988 LCPI 17,0680

0,1080 58,6972 0,0000
0,0238 0,0000

R-squared 0,9922

La regresión auxiliar de LGDP el LCPI muestra que

las dos variables están altamente correlacionados,

1
2
6
lo cual sugiere que los datos sufren las
collinearity problema.

(d) La mejor solución sería expresar las

importaciones y el PIB en términos reales,
dividiendo cada por IPC (recordar el método
de porcentaje en el capítulo). Los
resultados son los siguientes:

1
2
7
Variable dependiente:
LOG(IMPORTACIONES/IPC) Método:
Mínimos Cuadrados Fecha: 11/11/00 Hora:
10:26 Muestra: 1970 1998 observaciones
incluidas: 29

Variable Coeficiente Ets. Error T-Statistic Prob.

C 0,106099 0,494911 0,214380 0,8319

LOG(PIB/IPC) 2,162167 0,135693 15,93429
0,0000

R-squared 0,903881

10,28 (A) teniendo en cuenta que existen cinco

variables explicativas, habrá cinco regresiones
auxiliares. Para ahorrar espacio, damos a continuación
sólo los valores de R2 obtenido a partir de estas
regresiones:

Variable dependiente R2
X2 0,9846
X3 0,9482
X4 0,9872
X5 0,9889
X6 0,9927
(b) Dado que los valores de R en todas las
regresiones son uniformemente alta, parece los
datos sufren la multicolinealidad problema.
(c) Es probable que existan demasiadas
variables producto sustitutivo de la ecuación.
Uno sólo puede utilizar el compuesto sustituto
buen precio, precio de la carne de pollo y la
renta disponible como regresores. Esto se ha
hecho en Problema 7,19 .

(d) Creación de un precio relativo variable, es

decir el precio de la carne de vacuno dividido
por el precio de la carne de cerdo, podría
aliviar los problemas collinearity.
10,29 (A) y (c) Examinar los coeficientes de
correlación entre las posibles variables
explicativas, se observa una correlación muy alta
entre el nuevo coche del IPC y el IPC general
(0,997 ) y entre el PDI y el coche nuevo IPC
(0,991 ). Otros son relativamente altos, pero
deben permanecer en el modelo por razones
teóricas. PDI también está estrechamente

1
2
8
 relacionado con el nivel de empleo, la correlación
entre los dos es 0,972 por lo tanto, uno podría
caer IPC general y PDI y estimar el siguiente
modelo

Variable dependiente: LY
Método: Mínimos Cuadrados
Ejemplo: 1971 1986
Incluyó observaciones: 16
Variable Coeficiente Ets. Error T-Statistic Prob.
C -22.10374 8,373593 -2.639696 0,0216
LX2 -1.037839 0,330227 -3.142805 0,0085
LX5 -0.294929 0,073704 -4.001514 0,0018
LX6 3,243886 0,872231 3,719068 0,0029
R-squared 0,684855 Significa depender var 9,204273
R-cuadrado ajustado 0,606069 D. E. dependiente var 0,119580
S. E. de la regresión 0,075053 Información Akaike -2.128930
Sum squared resid 0,067595 criterio criterio
Schwarz -1.935783
Probabilidad de 21,03144 F- 8,692569
registro
Durbin-Watson stat 1,309678 estadística
Prob(F-statistic) 0,002454
Nota: La letra L representa el "logaritmo".
Parece que el modelo no sufren el problema collinearity.
(b) Si sumamos todas las variables X, obtenemos los
siguientes resultados:
Variable dependiente: LOG(Y)
Método: Mínimos Cuadrados

Ejemplo: 1971 1986

Incluyó observaciones: 16
Variable Coeficiente Ets. Error T-Statistic Prob.
C 3,254859 19,11656 0,170264 0,8682
LOG(X2) 1,790153 0,873240 2,050012 0,0675
LOG(X3) -4.108518 1,599678 -2.568341 0,0280
LOG(X4) 2,127199 1,257839 1,691154 0,1217
LOG(X5) -0.030448 0,121848 -0.249884 0,8077
LOG(X6) 0,277792 2,036975 0,136375 0,8942
R-squared 0,854803 Significa depender var 9,204273
R-cuadrado ajustado 0,782205 D. E. dependiente var 0,119580
S. E. de la regresión 0,055806 Información Akaike -2.653874
Sum squared resid 0,031143 criterio criterio
Schwarz -2.364153
Probabilidad de 27,23099 F- 11,77442
registro
Durbin-Watson stat 1,793020 estadística
Prob(F-statistic) 0,000624
Claramente, este modelo adolece de collinearity,
como se sospecha.

Las 10.30 En primer lugar, se presenta la matriz de

correlaciones de los regresores:
TASA ERSP ERNO NEIN ACTIVO EDAD DEP
TASA 1,000000 0,571693 0,058992 0,701787 0,778932 0,044173 -
0.60135

1
2
9
 ERSP 0,571693 1,000000 -0.040994 0,234426 0,274094 -0.015300 -
ERNO 0,058992 -0.040994 1,000000 0,359094 0,292243 0,775494 0.69288
0,0502
NEIN 0,701787 0,234426 0,359094 1,000000 0,987510 0,502432 -1
ACTIVO 0,778932 0,274094 0,292243 0,987510 1,000000 0,417086 -0.52083
EDAD 0,044173 -0.015300 0,775494 0,502432 0,417086 1,000000 0.51355
-
DEP -0.601358 -0.692881 0,050212 -0.520832 -0.513552 -0.048360 0.04836
1,0000
ESCUELA 0,881271 0,549108 -0.298555 0,539173 0,630899 -0.331067 -0
0.60257
NOTA: Tratar la última fila de la tabla anterior como la
última columna
Como se puede apreciar en el cuadro anterior,
las comparaciones entre pares, o manifiestas,
las correlaciones de rango muy bajo (p. ej., -
0.0409 entre el ERSP y ERNO a comparativamente
alto (p. ej., entre la escolarización y 0,8812
tasa salarial).

(a) La regresión horas de trabajo en todos los

regresores, obtenemos los siguientes
resultados:

Variable dependiente:
HORAS Método: Mínimos
Cuadrados

Ejemplo: 1 35 incluyó observaciones: 35

Variable Coeficiente Ets. Error T-Statistic Prob.
C 1904,578 251,9333 7,559849 0,0000
TASA -93.75255 47,14500 -1.988600 0,0574
ERSP 0,000225 0,038255 0,005894 0,9953
ERNO -0.214966 0,097939 -2.194896 0,0373
NEIN 0,157208 0,516406 0,304427 0,7632
ACTIVO 0,015572 0,025405 0,612970 0,5452
EDAD -0.348636 3,722331 -0.093661 0,9261
DEP 20,72803 16,88047 1,227930 0,2305
ESCUELA 37,32563 22,66520 1,646826 0,1116
R-squared 0,825555 Significa depender var 2137,086
R-cuadrado ajustado 0,771879 D. E. dependentvar 64,11542
S. E. de la regresión 30,62279 Información Akaike 9,898400
Sum squared resid 24381,63 criterio
Schwarz criterio 10,29835
Probabilidad de -164.2220 F- 15,38050
registro
Durbin-Watson stat 1,779824 estadística
Prob(F-statistic) 0,000000

La interpretación es muy sencillo. Por lo

tanto, CETERIS PARIBUS, SI el salario de un dólar, en
promedio, horas de trabajo anuales por sobre 93
horas.

(c) Para ahorrar espacio, vamos a calcular la VIF

y TOL sólo
El regresor. La regresión de todos los demás
regresores, obtenemos un valor R2 de 0,9416 .

1
3
0
 Por medio de la fórmula, (7.5.6 ), se puede
comprobar que el VIF de este regresor es de 2224,
por lo tanto TOL es la inversa de este número,
que es 0,00045 .

(d) No todas las variables son necesarias en

el modelo. Utilizando una o más de las
pruebas de diagnóstico en el capítulo, una o
más variables puede omitirse o una
combinación lineal de ellas podrían
utilizarse.

(e) Aunque los resultados son mixtos, y tal

vez hay alguna evidencia de que impuesto
negativo sobre la renta puede ser vale la pena
intentarlo.
10.31 Esto es para un proyecto de clase.
10.32 Los resultados de la regresión, sido realizados en
Eviews, son los siguientes:
Variable dependiente:
Y Método: Mínimos
Cuadrados Muestra:
1947 1961
observaciones
incluidas: 15

Varia Coeficie Ets. T- Prob

ble nte Error Statisti .
- - 0,01
C 3017441. 939728,1 3.210973 24
XI - 87,09740 - 0,81
X2 20.51082
- 0,033175 0.235493
- 97
0,43
X3 0.027334
- 0,476701 0.823945
- 38
0,00
X4 1.952293
- 0,216227 4.095429
- 35
0,0022
X5 0.958239
0,051340 0,233968 4.431634
0,219430 0,83
X6 1585,156 482,6832 3,284049 18
0,0111

R-squared 0,9955 R-squared 0,9921

S. E. de la regresión 295,6219
Sum squared resid 699138,2
F-estadística 295,7710 ; Durbin-Watson 2,492491
Comparando estos resultados con los de seg. 10.10 , Vemos
Que caiga una sola observación puede alterar la
magnitud y/o signos de algunos de los
coeficientes, justificando así el punto en el
texto que, en situaciones de alta collinearity

1
3
1
 pequeños cambios en los datos puede hacer
diferencias sustanciales en los resultados.
CAPÍTULO 11
HETEROSCDASTICITY: ¿QUÉ SUCEDE CUANDO ES VARIANZA DEL ERROR
NO ES CONSTANTE

11.1 {A) Falso. Los estimadores son imparciales pero son

ineficientes.
(b) Cierto. Véase Sec. 11.4
(c) Falso. Normalmente, pero no siempre, la
varianza se insistirá lo suficiente. Véase Sec.
11,4 Y 11,9 Ejercicio
(Id) Falso. Además la heterocedasticidad, ese
esquema puede resultar de autocorrelación, modelo
errores de especificación, etc.

(E) Verdadero. Desde la verdad no son directamente

observables, algunas suposiciones sobre la
naturaleza de la heteroscedasticidad es
inevitable.
( /) Cierto. Véase la respuesta a (d) anteriores .
(G) Falso. La heteroscedasticidad es acerca de la
varianza del término de error ux y no sobre la
varianza de un regresor.
11.2 (A) Como ecuación (1) muestra, como N aumenta en una
unidad, en promedio, los salarios aumentan en unos
0.009 Dólares. Si se multiplica la segunda
ecuación a través de N, verá que los resultados son
bastante similares a Eq. (1).
(b) Al parecer, el autor se preocupa por la
heterocedasticidad, ya que divide la ecuación
original de N. Este equivale a asumir que la
varianza del error es proporcional a la raíz
cuadrada de N, por lo tanto, el autor es
ponderado con menos plazas para la estimación Eq.
(2).
(c) El coeficiente de intersección en Eq. (1) es
el coeficiente de pendiente Eq. (2) y la pendiente
coeficiente en Eq. (1) es la intersección en Eq.
(2).
(d) NO Las variables dependientes en los dos
modelos no son lo mismo.
11.3 (A)No. Estos modelos no son lineales en el
Parámetros y no se puede
Estimado por MCO.

1
3
2
 (B) que están especializados no-lineales
procedimientos de cálculo. Discutir este tema en
el capítulo de modelos de regresión lineal.
Informalmente, podemos estimar los parámetros de un
proceso de ensayo y error.
11.4 (A)Véase Ejercicio 7.14 y en la Sección 6.9 .

(b) No. E\\n{ui)] = £ [ln(l)] = 0. Pero E[ln(iu)] < a E{ut) debido a

la concavidad propiedad de transformación logarítmica . La
expectativa del registro de una variable aleatoria
es menor que el registro de su esperanza, a menos
que la variable tiene una varianza cero, en cuyo
caso son iguales.

(c) Deje que

Yl = 111/ ?, + fi2 \nXi+ \siui =cc + P2 + ui donde u * = [en interfaz de
usuario - £ (ln ui)] y a - [en + £ (ln w" ) ].

1
3
3
 Ahora E(u] ) = £ [ln ui - £ (ln W, )] = 0. Por cierto, aviso que no
queremos una estimación directa de .
11.5 Esta es una cuestión de sustituir la definición y
la simplificación.
11.6
(Tf)La suposición es que la varianza del error es
proporcional al cuadrado del PIB, que se describe
en la postulación. Los autores hacen de este
supuesto al observar los datos a través del
tiempo y observar esta relación.
(b) Los resultados son esencialmente los
mismos, aunque los errores estándar de dos de los
coeficientes son inferiores en el segundo modelo,
esto se puede tomar como justificaciones
empíricas de la transformación de
heterocedasticidad.
(c) No. El R1 términos pueden no ser
directamente comparados, las variables
dependientes en los dos modelos no son lo mismo.
11.7 Como se verá en el problema 11,13 , la Bartlett
prueba demuestra que no existe
No era un problema de heterocedasticidad en este
conjunto de datos. Por lo tanto, este diagnóstico
11.8 no es
Sorprendente. Además, consulte Problema 11.11 .
Sustituyendo W[ = w (11.3.8 ), obtenemos:

2 (
Nwxkzx'ri-iwZX" )
"- n-LXX-CLX^ZY") ~ nl.x!
-a.xf)
La igualdad de las varianzas se puede demostrar de
manera similar.
11.9
En la Ec. (11.2.2 ), tenemos : , Zxfcrf
A :* ! ) Var(A)= ^ 2 \22
Sustituir el fer = (J2ki en la ecuación
anterior, obtenemos ,0, A2 Zxfkt

El primer término de la derecha es la varianza en

Eq. (11.2.3 ). Por lo tanto, si Zjc2 £.
AVPP
> 1, entonces la varianza
heterocedasticidad dado anteriormente es
mayor que la
2 > ,-
Homoscedásticos varianza. En este caso, la varianza
homoscedásticos subestimar la varianza
heterocedasticidad de inflado las estadísticas t y F. Uno no puede
sacar conclusiones generales debido a que el resultado se basa en una forma específica de
heterocedasticidad.
11,10
De Anexar 3A. 3 y 6A. 1, tenemos ^ T.

1
3
4
 X2 var(w )

Dado que var(wi)= < J2X?, obtenemos

YX]a2X2 a2ZX?
2
(ZX2)2 (ZX2)2

1
3
5
 Problem
s
11.11 Los resultados de la regresión ya están dados en
(11.5.3 ). Si aumenta la productividad media por
un dólar, en promedio, la indemnización aumenta
en unos 23 centavos.
(a) Los residuos de esta regresión son los
siguientes:
-775,6579 , -205,0481 165,8512 , , , 199,3785
183,9356 , 54,6657 ,
, 150,6239 112,8410 113,4100 ,
(b) Esta es una cuestión de fácil verificación.
(c) Los resultados de la regresión son los
siguientes:
1^ | = 407,3455 -0.0203
X". T=( 0,6433 ) (-0.3013) R2

= 0,0128

1 ^1 = 575,2976 -
3.7097^ T=( 0,4479 ) (-0.2787) R2

= 0,0109
Como demuestran estos resultados, hay pocas
pruebas de heterocedasticidad sobre la base de
las pruebas Glejser.
(d) Si estás en una categoría la absoluta los
residuos de bajo a alto valor
Y, de la misma forma las cifras de la
productividad promedio rango de baja a alto
valor y calcular el coeficiente de correlación

13
6
 (J)The results based on White’s procedure are as follows:

de Spearman en (11.5.5 ) se puede observar que

este coeficiente es de aproximadamente
-0,5167 . Mediante la fórmula dada en t (11.5.6 ),
el valor de t es de aproximadamente
-0,8562 . Este valor de t no es estadísticamente
significativa; el 5% valor crítico de 7 gl es
2,447 En valor absoluto. Por lo tanto, sobre la
base de la
Rank test de correlación, no tenemos ningún motivo
para esperar heterosccdasticity.
En resumen, todas las pruebas anteriores
sugieren que no tenemos el problema de
heterocedasticidad.
11.12 (A) (b)

Por lo tanto
Media v Standard dev lectivo

(C) Los resultados de la regresión son los siguientes:

13
7
 STY = 0,9910 -
0.0650significa T =
(0,3756 ) (-0.1795) R2

= 0,0064
Dado que la pendiente coeficiente no es
estadísticamente diferente de cero, no hay
ninguna relación sistemática entre las dos
variables, que pueden ser vistos en la figura
( a).
( <D) no hay necesidad de ninguna transformación,
porque no hay una relación sistemática entre el
promedio de ventas o relación de efectivo y la
desviación estándar de las distintas clases de
activos.

11.13 Utilizando la prueba de Bartlett, el valor

%2 es 6,6473 , cuyo valor de p es 0,5748 . Por lo
tanto, no se rechaza la hipótesis nula de que las
varianzas son iguales.
11.14 Utilizando la fórmula (11.3.8 ) sobre la
ponderación de los mínimos cuadrados, puede ser
demostrado que
FT = j (2Y1 - Y2 ) Y var(/? * ) = |cr2

Si utilizamos LA OPERACIÓN, luego de Eq. (6.1.6 ),

obtenemos:
Un ix,r, r, -r, Yo,"
P !
ZXf 2 2 1
Y usando (6.1.7 ), obtenemos:
* (J2 1 1

Al comparar las dos estimaciones, vemos que los

mínimos cuadrados ponderados da un peso de 2/3 y 1/3
a Yx a Y2, mientras que LA OPERACIÓN da igual
Peso a los dos Y observaciones. La variación de
la pendiente estimador es mayor en la media
ponderada de los mínimos cuadrados que en el
Sudán.
11.15(A) Los resultados de la regresión son los
siguientes:

189,9597 MPGi = 0.3904 -1.2716spt +

HP( -1.903207; SE = (22,5287 )
(0,2331 ). (0,0762 ).
(0,1855 ).
T = (8,4318 ) (-5.4551) (5,1207 ). (-

1
3
8
 (J)The results based on White’s procedure are as follows:
10.2593)
R2 = 0,8828
Como era de esperar, MPG se relaciona de forma
positiva y negativamente a HP relacionadas con la
velocidad y el peso.
(b) Ya que se trata de un los datos transversales de
una diversidad de coches, a priori uno puede esperar
la heterocedasticidad.
(Ic) Regresión el cuadrado de los residuos
obtenidos a partir del modelo se muestra en (a)
en los tres regresores, su cuadrado, y sus
términos de producto, obtenemos un valor de R1
0,3094 . Multiplicando este valor por el número
de observaciones ( = 81), obtenemos 25,0646 , que
bajo la hipótesis nula de que no hay la
heterocedasticidad, tiene la distribución Chi
cuadrado con 9 g.l. (3 Regresores, 3 al cuadrado
los regresores, 3 tres términos de producto). El
valor de p de la obtención de un valor del Chi
cuadrado de 25,0646 o superior (bajo la hipótesis
nula) es 0,0029 , que es muy pequeño. Por lo
tanto, debemos rechazar la hipótesis nula. Es
decir, hay heterocedasticidad.

13
9
 Variable dependiente: MPG Método: Mínimos
Cuadrados
Muestra: 1 81
Incluyó observaciones: 81
Blanco Heteroscedasticity-Consistent errores estándar y
covarianza

Coeficiente variable Ets. Error T-Statistic Prob.

C 189,9597 33,90605 5,602531 0,0000
SP -1.271697 0,336039 -3.784375 0,0003
HP 0,390433 0,108781 3,589180 0,0006
WT -1.903273 0,285077 -6.676352 0,0000
0,882864 Durbin-
R-squared ; Watson 1,0237
Cuando se compara los resultados con los
resultados de los MOC, usted encontrará que los
valores de los coeficientes estimados son los
mismos, pero sus variaciones y errores estándar
son diferentes. Como puede ver, el error
estándar de la pendiente estimada todos los
coeficientes son mayores en el blanco
Procedimiento, por lo tanto, | son más bajos, lo que
sugiere que
LA OPERACIÓN había subestimado los errores
estándar. Todo esto podría ser debido a la
heterocedasticidad.
(e)No existe una fórmula sencilla para determinar la
naturaleza exacta de heterocedasticidad en el presente
caso. Tal vez se podría hacer algunas suposiciones
sencillas y probar diferentes transformaciones. Por
ejemplo, si se considera que el "culpable" variable es
HP, y si consideramos que la varianza del error es
proporcional al cuadrado de HP, podríamos dividir a
través de HP y ver qué sucede. Por supuesto, cualquier
otra regresor es un posible candidato para la
transformación.

11,16
{A) Los resultados de la regresión son los siguientes:
Variable dependiente: FOODEXP
Coeficiente variable Ets. ErrorT-Statistic Prob.
C 94,20878 50,85635 1,852449 0,0695
TOTALEXP 0,436809 0,078323 5,577047 0,0000
R-squared0,369824

1
4
0
 The residuals obtained from this regression looks as follows:

100 -

- 100 - " "

-200-I- 1- .- 1- 1- 1 1
300 400 500 600 700 800 900

TOTALEXP

Parece que como el gasto total aumenta,

el valor absoluto de las desviaciones
también aumento, quizás forma no lineal.
(Ic) Prueba Parque
Variable dependiente: LOG (RESQ)
Coeficiente variable Ets. ErrorT-Statistic Prob.
C -16.86288 10,00140 -1.686053 0,0977
LOG(totalexp)
(B) graficar los residuos (Rl) respecto al total de gastos, observamos 3,703235
1,551873 2,386300 0,0206
200-1
R-squared
0,097018
Habida cuenta de que la estimación pendiente
coeficiente es significativo, el Parque prueba
confirma la heterocedasticidad.

Prueba Glejser

Variable dependiente: |u, |, valor absoluto

Variable de residuos Coeficiente Ets.
Error T-Statistic Prob.

C -32.21965 29,48998 -1.092563 0,2795

14
1
Variable
R-squaredCoefficient Std. Error t-Statistic Prob.
0,135158

Desde la pendiente estimada coeficiente es

estadísticamente significativo, Glejser prueba
también sugiere la heterocedasticidad.

Test de White
Variable dependiente: uf

Variable CoeficienteEts. Error t-statistic Prob.

C 13044,0021156,58 0,616546 0,5402

TOTALEXP -53.12260 71,48347 -0.743145 0,4607
0,059795 TOTALEXPSQ0,058860 1,015887 0,3144

R-squared 0,134082

Si se multiplican los r-squared valor por 55, y

la hipótesis nula es que no hay la
heterocedasticidad, el producto resultante de
7,3745 sigue la distribución Chi cuadrado
con 2 gl y el valor de p de tal valor del Chi
cuadrado es aproximadamente 0,025 , que es
pequeño. Así pues, al igual que en el Parque
Glejser y pruebas, el test de White sugiere
también la heterocedasticidad.
(d) La heterocedasticidad de resultados
corregidos son los siguientes: Variable
dependiente: FOODEXP

Coeficiente variable Ets. ErrorT-Statistic

Prob.

C 94,20878 43,26305 2,177581 0,0339

0,436809 TOTALEXP0,074254 5,882597 0,0000

R-squared 0,369824

En comparación con los resultados de la

regresión OLS en (A), no hay mucha diferencia en
el error estándar de la pendiente, aunque el
coeficiente error estándar de la ordenada ha
disminuido.
Si esta diferencia es vale la pena molestarse,
es difícil de decir. Pero, a menos que se nos
vaya a través de este ejercicio, no
sabremos cómo grande o pequeño es la diferencia
entre el blanco y LA OPERACIÓN de los

14
2
 TOTALEXP 0.1307090.045417 2.877997 0.0058
procedimientos.

11.17 Los resultados de la regresión son los siguientes:

14
3
 Variable Coefficient Std. Error t-Statistic Prob.

C 1,154332 0,777959
LOG(TotalEx)0,736326 1,483795 0,1438
0,120713 6,099834 0,0000

R-squared 0,412469

El Parque, Glejser y
blanco del test aplicado a
los residuos obtenidos de
la regresión doble
registro no mostró
evidencia de
heterocedasticidad.

Este ejemplo muestra que

transformación logarítmica
a menudo pueden reducir la
heterocedasticidad. Por lo
tanto, la forma funcional
en el que un modelo de
regresión se expresa puede
ser crucial para
determinar si existe o no
la heterocedasticidad.
11,18 El cuadrado de los
residuos de la regresión
de gasto en alimentos
sobre el importe total de
los gastos fueron los
primeros obtenidos,
denotada por Ri2 . a
continuación, se ha
perdido en el pronóstico y
previsión al cuadrado
valor obtenido a partir de
la regresión de gasto en
alimentos sobre el gasto
total. Los resultados
fueron los siguientes:

Variable dependiente: Ri

14
4
 TOTALEXP 0.1307090.045417 2.877997 0.0058

Variable CoeficienteEts.
Error T-Statistic
C 27282,63 39204,59
0,695904 0,4896
FOODEXF -180.6629 221,5542
-
0.815434 0,4185
0,313387 FOODEXFA2 0,308486
1,015887
0,3144

R-squared 0,134082
Multiplicando el
anterior R2 por 55,
obtenemos 7,3745 . Bajo la
hipótesis nula de que no
hay la heterocedasticidad,
este valor se ajusta a la
distribución Chi cuadrado
con 2 g.l. El valor de
p de la obtención de un
valor del Chi cuadrado de
en la medida de lo 7,3745
o mayor es de unos 0.025 ,
que es bastante pequeña.
Por lo tanto, la
conclusión es que la
varianza del error es
heterocedasticidad.

Se puede demostrar que si

el procedimiento anterior
se aplica al cuadrado de
los residuos obtenidos de
la regresión del logaritmo
del gasto en alimentos
sobre el registro de los
gastos totales, no hay
evidencia de
heterocedasticidad.

14
5
 11.19 No hay ninguna razón para creer que los
resultados serán diferentes porque las
ganancias y las ventas están altamente
correlacionados, como puede verse en la
siguiente regresión de las ganancias de las
ventas.

Variable dependiente : BENEFICIOS

Coeficiente variable Ets. Error t-
statistic Prob.

C -338.5385 0,100713 0,7636 0.306283

LAS 1105,311 0,011097 - 0,0000 9,075346
VENTA
S
R-squared 0,845936
11,20 (A)
1

10000-120000-100000 - 90000 -

80000- 70000 60000-

40 30
20 10

X
Salario Promedio en relación con los años de experiencia

Tal como se muestra en esta figura, con aumentos

de sueldo promedio años de graduación, pero no
lineal.
(b) De la cifra indicada en (a) parece que modelo
(2) puede ser más apropiado, que se corresponde
también con la teoría económica del capital humano.

(c) Los resultados de los modelos lineales y

cuadráticas son los siguientes:

Coeficiente variable Ets. Error t- Prob.statistic

C 0,0000
X 0,00
Variabl Coeficie R- 0,593535 08Prob
e nte squared T- .
Ets. Statisti
C 66356,18 5100,501 13,00974 0,0000
X 2285,920 702,5469 3,253761 0,00
XA2 - 20,22169 - 69
0,07
40.07090 1.981580 09
73586, 3944,5 18,655
80 84 15
949,56 217,94
1 4,3569
21 17
4 54
6

R-squared
0,693747
1
4
7
 (c) La heterocedasticidad de White prueba
aplicada al modelo (1) se demostró que no
había evidencia de heterocedasticidad. El
valor de n.R2 de la regresión auxiliar del
cuadrado de los residuos se 11,4108 con un
valor de p de 0,0033 , lo cual sugiere una
fuerte heterocedasticidad. Cuando el mismo
se aplicó la prueba con el modelo (2), n .R2
FUE 7,6494 , con ap valor de 0,0538 , lo que
sugiere que no hay heterocedasticidad al
nivel del 5 por ciento. Pero este valor es
tan cerca del nivel del 5% que uno podría
sospechar la heteroscedasticidad leve en el
modelo, aunque la posibilidad de error en la
especificación no puede descartarse.
(d) Suponiendo que la varianza del error
es proporcional al cuadrado de la
experiencia, nos hemos dividido modelo (1) a
través de X y obtener los siguientes
resultados:
Coeficiente variable Ets. ErrorT-Statistic
Prob.
C 1403,809 154,6360 9,078151 0,0000
1/X 68292,06 289,4419 235,9439 0,0000

R-squared 0,999767
Cuando este modelo se sometió a prueba la
heterocedasticidad de White, no hubo
pruebas de heterocedasticidad.

11.21 La estadística de prueba,

A = F)es
"8, /jr_M0/2S
RSS LDF 55/25 el 5% críticos de F de 25 gl
en el numerador y el denominador es de
1,97 . Dado que el valor estimado de 2,5454
supera este valor crítico, rechazar la
hipótesis nula de homocedasticidad.

X
14
8
 11.22 (A) El gráfico es el siguiente.

(b) Los resultados de la regresión son los

siguientes:

Coeficiente variable Ets. Error t-statistic Prob.

C 4,610282 1,084906 4,249478 0,0005

X 0,757433 0,149941 5,051559 0,0001

R-squared 0,586380
Los residuos de esta regresión cuando se
trazan contra X mostró la siguiente imagen.
1 ° -I

5- 0- <

-5-
" 1 U i- -1------1-----1-- - -1------I-----1
0 5 10 15 20 25 30

Un residual, que pertenecen a Chile, domina el

otros residuos.

(c) No incluye la observación de Chile, los

resultados de la regresión fueron los siguientes:

Coeficiente variable Ets. Error t-statistic Prob.

C 6,738082 2,384860 2,825358 0,0117

X 0,221484 0,555568 0,398663 0,6951

R-squared 0,009262
Como se puede ver, en (a) la pendiente
coeficiente fue muy significativa, pero en esta
regresión no lo es. Ver cómo un solo punto

1
4
9
extremo, un caso atípico, ya que puede
distorsionar los resultados de la regresión. El
cuadrado de los residuos de esta regresión cuando
se trazan contra X mostró el siguiente gráfico.

0- °

o
-
5-

■1 U H--1----1- - -I- - -1
2 4 6 8 10

(d) Comparando los gráficos residual en las letras

b) y c), vemos que una vez Chile se retira de los
datos existe poca relación entre Y y X Por lo
tanto, cualquier aspecto de la
heteroscedasticidad es falsa.
CAPÍTULO 12
Autocorrelación: ¿QUÉ SUCEDE SI EL
TÉRMINO DE ERROR están correlacionados

12.1 (A) FALSO. Los estimadores son imparciales pero

no son muy eficientes.

(b) REALIDAD: ESTAMOS manteniendo las demás

hipótesis de CLRM.
(c) FALSO. EL supuesto es que P = +1.

(d) TRUE. PARA comparar R2S, REGRESSAND EN LOS DOS

MODELOS DEBEN SER LOS MISMOS.

(e) CIERTO. Podría también significar errores

de especificación.

( /) ES CIERTO. Ya que el error de previsión

implica cr2, que está mal estimado por la
fórmula habitual LA OPERACIÓN.

(g) CIERTO. Ver (e) anterior.

(h) FALSO, SÓLO PUEDE SER hecha por el B-
W G, estadística, a pesar de que use el
Durbin-Watson tablas para probar que p = 1.

X
15
0
 (i) .TRUE escribir el modelo como: YT = FA +
FAXT + GRASA + GRASA2 + UT. Tomar la primera
diferencia de la ecuación y verificar.

12.2 Para n = 50 y K = 4 y A = 5 %, los VALORES

CRÍTICOS son:
1,38 DL= 4 - C/l =2.62
¿U=1.72 4 -C/u=2,28

(a) Autocorrelación positiva; (B) no son

concluyentes, (c) no son concluyentes; y
(d) Autocorrelación negativa.

12.3 (A) NO HAY correlación serial en el modelo A,

pero no en el Modelo B.
(b) La autocorrelación puede deberse a falta
de un modelo porque excluye a la
tendencia cuadrática.

(c) Sería necesario un conocimiento

previo de la probable forma funcional.

12.4 (A) calcular la Von Neumann (V-N), la

relación, su media y su varianza.

1
5
1
 Utilizando la distribución normal tabla, determinar
cuántas unidades de desviación estándar de la
proporción entre el valor de la media calculada.
Seleccione un nivel de confianza y realizar un
intervalo de confianza.

(B) V-N =
(C^Los límites son 2 N Y4 N . Por lo tanto, si N es
N-1 N-1 suficientemente
Grande, el V-N, al igual que el Durbin-
Watson D, está entre 0 y 4.
(I/ )La N OPERACIÓN desviaciones
son ESTIMACIO NES del error verdadero; de ahí que
en muestras grandes la suposición de normalidad
puede ser válida.

(e) Dado N = 100 , la media y la varianza de la V-N

puede considerarse 2,02 y 0,04 respectivamente.
Con estos valores, el
Intervalo 2,02 + 3 (7 ^ 04) = (1.4203,2 .6197)
cubre un área de unos 99,7 % del área bajo la
curva normal. Desde la puesta en valor de
2.88 no se encuentran en el intervalo
anterior, podemos concluir que existe
autocorrelación en el presente caso.
12.5 Sí, hay evidencia de autocorrelación con 3 o 14,
positivo en el primer caso, y negativo en el
segundo.

12.6 Dividiendo el numerador y el denominador por

n , obtenemos:

P=
I-
N
Para un determinado K, N -> oo, la segunda parte
en el numerador como el denominador tiende a
cero. Como resultado, P& 1- ~ •
12.7(a) La principal ventaja es la sencillez.
También puede manejar los problemas en los que
hay más de un mínimo local mediante el ajuste de
el proceso de búsqueda.
X
15
2
 (b) Se trata de un tema de ensayo y error, y
ajuste fino de la cuadrícula.

12.8(a) Esta es una cuestión de la verificación.

(b) El C-0 procedimiento no garantiza el mínimo

global. Davidson y MacKinnon, por lo tanto,
sostienen que es recomendable utilizar el
procedimiento C-0 "sólo después de una búsqueda
preliminar tiene una cuadrícula

1
5
3
 Estableció que sólo hay un mínimo local o
determinado aproximadamente en el punto en
que el mínimo global se encuentra. " (pág.
335).

12.9 Utilizando el p estimado a partir de Eq.

(3) de la C-0 procedimiento, puede verse que
este valor es 0,9142 . Este valor no es muy
diferente del valor de p subyacente (12.9.16
), que es de 0,9610 0,8919 o subyacentes
(12.9.17 ). Por lo tanto, no se verá una
gran diferencia en los resultados de la
regresión mediante la C-0 procedimiento de
dos pasos.

12.10 (A) Los resultados de la regresión son los

siguientes:

Variable dependiente: Y

Muestra(ajustada): 1960 1998

Incluyó observaciones: 39 después de ajustar puntos
finales
Coeficiente Ets. T- Prob
variable Error Statisti .
1,86560 0,02
C 4,445970 1 2,383131 27
X 0,601715 0,14409 4,175736 0,0002
X( -l) - 8
0,16225 - 0,00
0.554695
Y( -l) 4
0,05731 3.418688 16
15,83237 0,0000
0,907369 1
R-squared 0,995363
Desde el coeficiente de Ft-i, vemos que p
= 0,9073 , lo cual no es muy diferente de la
C-0 procedimiento de dos pasos o el C-0
método iterativo. Por lo tanto, los
resultados a través de la p estimado a
partir de la Durbin- Watson procedimiento de
dos pasos no va a ser muy distinto de los
que utilizan estos métodos.

(b) Este es un tema de no-lineal (en el

parámetro) modelos de regresión.
12.11 (A) La figura muestra que probablemente hay
especificación sesgo debido a una falta de la
forma funcional.

X
15
4
 (b) Introducir [log(salida) ]2 como un
regresor adicional. Esto probablemente se
levante el binomio naturaleza de la relación
entre el coste y los resultados.

12.12 (A) hay muchas razones para un outlier.

Puede ser una observación que es simplemente
muy diferente del resto de la muestra, que
puede ser el resultado de errores de
medición, o puede ser debido a una mala
muestra.
(b) La observación no debe ser descartado a
no ser que haya alguna razón plausible para
creer que es un error (por ejemplo, mide
mal, grabado en el error, etc).
(c) No. Los valores atípicos pueden dominar el
RSS.

12.13 Véase la respuesta al ejercicio 12.3

E^ = EiU< ~Pu>-
La uit 1) = 0
12,14
Var( * ,) = E [ (U, - PUT_X ) (U, - PU,_X)] = (1 + P )UN
Debido a la independencia de la w's.
Cov(f" £ • ,_") = - PER1. UNA VEZ MÁS, TENGA EN CUENTA
QUE EL DE W SON INDEPENDIENTES.
Por lo tanto, aunque los de w están
correlacionadas, la e no se.

12.14 Desde el modelo contiene la variable

dependiente rezagada como regresor, el
Durbin-Watson D no es el apropiado
estadísticas de la prueba. Se trata de la
Durbin h estadística dado en ejercicio
12,36 que se debe emplear en este caso.

12.16Dada la AR(1) esquema,

(a) La primera diferencia método es

apropiado cuando p es cercana a 1.

(b) Si p es de -1, la media móvil regresión

es apropiado.
(c) La Theil-Nagar transformación es
apropiado cuando el primer y el segundo las

1
5
5
 diferencias de los regresores son pequeñas
en comparación con el rango de las
variables.

(d) El C-0 procedimiento es apropiado cuando

el RSS converge.

(e) Véase la respuesta al ejercicio 12.7 .

(f) Si el valor de p estimado a partir de

los coeficientes de zaga Y variable es
aproximadamente el mismo que el estimado
dividiendo el coeficiente de la variable X
cierto rezago por el coeficiente de la
variable X (prestar atención a los signos de
los coeficientes).

12.17 Transformar el modelo de la siguiente manera:

(Xl ~ P^t-\ ~ P^t-1 ) = P \ (1 - P \ ~ Pi) Pi (Xf ~ pl^i-l ~ pl^t-l) £ t
Si el P son conocidos, se puede
transformar los datos tal como se ha
sugerido. Si no se conoce, la primera
estimación del modelo original de la
operación y obtener las desviaciones U,. a
continuación, ejecute la siguiente
regresión:
=M- . +M-i+vt donde v es un término de error. Utilice el estimado p de
la regresión anterior y transformar los datos como se dijo al comienzo. Si la muestra
es bastante grande, se estima que la p de proporcionar estimaciones de la población.
12 >18 c = £( * , - Pxi-\ ) 2 [0 - P1 ) * I-V| ] - Z (x, - px ,_X ) (y, - ) [ (! - P1 )x,2]

E(x - px ,_X )2 [ (1 - P2 ) X2 + I(x - px ,_X

)2 ]
Todas las sumas desde T = 2 a f = n.
12,19 Comenzar (12.9.6 ), que en forma desviación
puede ser escrita como:
Y = P'lX, + { £ , - £ ).
Utilizando la fórmula estándar de MCO,
obtenemos:
> _ Zy,x, _Z(y, -py,_| )s, - px,_")
Ex, * 2
2
* ,-/> £( * ,_, )2
Tenga en cuenta que la primera
observación es omitida debido a la
diferenciación.

12.20 Esta secuencia tiene 22 signos positivos y

11 signos negativos. El número de
ejecuciones es de X
14 años. Mediante la

15
6
 aproximación normal dada en el texto, se
puede observar que el número esperado de
corridas es 18,83 y la varianza de las
carreras es 0,4955 . Por lo tanto, el
intervalo de confianza del 95% es: 18,83 ±
1,96 (0,7039 ), es decir, 17,45 a 18,83 .
Dado que el número de ejecuciones de 14 se
encuentra por debajo del límite inferior,
podemos concluir que la secuencia no es
aleatoria.

12.21 La fórmula sería:

¿ ( " / - " / -a)2

¿ 12 =-- - - - -
11 N

12.22 Como se señala en el texto, si hay una

intersección en la primera diferencia
regresión, significa que ha habido una
tendencia lineal en la regresión inicial.
Dado que el capital y la mano de obra son
fijos, se podría interpretar como la
intersección de la tasa de crecimiento de la
producción por cuenta de los cambios
tecnológicos, si suponemos que el tiempo o la
tendencia es un proxy de cambio tecnológico.

12.23 Desde entonces, P" \ -^ & 1 CUANDO DIS muy pequeña.

En este caso, la
Ecuación diferencia generalizada reduce a
la primera diferencia de regresión.

12.24 Si r = 0 , Eq. (12.4.1 ) reduce a:

0-2(N
~ ) 20
E(a2) =---------------------------- (N-------)
N-2 N-2 1 -P
(a) Si p es positivo, pero menor que
uno, E(A2) sigue sesgada en el sentido de que
Se subestima el verdadero o2.

(b) Si p es negativa, pero menor que -

1, E( A2) también es parcial, pero en este
caso, se sobrestiman la verdadera o2.

(c) El sesgo será razonablemente pequeño,

1
5
7
 si P ES cercano a cero.

12.25 (A) como se puede ver en la salida del

calculador, sólo el residual de lag 1 es
estadísticamente significativa. Por
supuesto, es posible que la falta de
importancia de las otras cinco han
quedado residuos se debe a collinearity.
(b) Desde estadísticamente la AR(1)
coeficiente de 0,8149 no es
significativamente diferente de 1, la primera diferencia
transformación puede ser apropiada.

Problemas

12.26 (A) LA regresión estimada es la siguiente:

En C, = -1.500 + 0,468 En I, en L + 0,279 -0,005
pulg. ), + en H, + 0,441 En UNA.
Se = (1,003 ) (0,166 ) (0,115 )( 0,143 )
(0,107 )
T = (-1,496) (2,817 ) (2,436 )(-0,036) (4,415
)

R2 = 0,936 ; R2 = 0,926 ; F = 91,543 ; d

= 0,955
Como puede ver, los coeficientes de I, L
Y UNA individual y estadísticamente
significativas económicamente el impacto
significativo en C.

(6) Si se dibuja los residuos estandarizados

y residuos, usted verá que ellos
probablemente indican autocorrelación.

(c) Como se muestra en la regresión

resultado dado en el apartado a) anterior ,
la D estadística es 0,955 . Ahora para n =
30 , k = 4 y A = 5 %, el límite inferior de
D ES 1,138 .Desde el VALOR D ES CALCULADO por
debajo de este valor crítico d, hay indicios
positivos de autocorrelación de primer
orden .

(d) Para la prueba de corridas, n = 30,

n = 17,\ RI2 = 13 y R = 9. Desde el Sueco y
Eisenhart tablas, el 5% inferior y superior
son los valores deX10 y 22. Desde la R =

15
8
 9 cae por debajo del límite inferior, se
podría sugerir que hay (positivo)
autocorrelación de los datos, reforzando la
conclusión basada en la prueba d

(e) Tal vez se podría usar la prueba

Breusch-Godfrey se discute en el texto.
12.27 Los resultados de la regresión son los
siguientes:
Y = 246,240 + 15,1 % 2X,
SE=( 5,849 ) (0,643 )
t = (42,104 ) (23,603 )
R2 =0,911 ;d = 0,4148
(a) De los resultados anteriores, d
= 0,4148 .

(b) Sí. Para n = 15, k = 1 y a =

0,05 , DL = 1,077 . DESDE LA D es menor
que DU hay pruebas positivas de
autocorrelación de primer orden.

(c) ( / ): Theil-Nagar estadística (véase

Ejercicio 12.6 ) para N = 15 y k = 2, es: P
= 0,8251 .
( //) La Durbin método en dos pasos
pueden no ser apropiados aquí debido a la
alta multicolinealidad entre la actual y
quedaron las variables explicativas.
(HI) El C-0 método proporciona una
estimación de P de 0,6691 (0,005
convergen en el nivel después de tres
repeticiones).

(d) Mediante la estimación de la fop

Theil-Nagar 0,8251 , transformar los
datos. [Y, - (0,8251 )Y,_L\e[Xl -
(0,8251 )X,_" ]. Utilizando los datos
transformados, los resultados de la
regresión son los siguientes:
Y' = 32.052+19.404 * ;
SE = ( 4,925 ) (2,038 )
T = (6,508 ) (9,522 )
R2 = 0.883; * / = 1,923
Nota: * indica las variables transformadas.
Tenga en cuenta que la regresión anterior no

1
5
9
 se resuelve por la pérdida de la primera
observación de la manera sugerida por Prais-
Winsten .

(e) A pesar de que el VALOR D DE 1,923 puede

sugerir que no hay autocorrelación, no está
claro si el Durbin-Watson d es apropiado
aquí, porque apuntan a un AR(2) modelo de
regresión inicial. Por lo tanto, se podría
usar una prueba no paramétrica, como la
prueba de corridas, para realizar la prueba
de correlación serial en la regresión
anterior. De esta regresión, n = 14 , N\ =
8 , n2 = 6 Y R = 10. Desde el Swed-Eisenhart
tabla, la crítica se ejecuta los valores son
3 y 12. Se ejecuta desde el valor de 10 se
encuentra entre estos límites, podemos
concluir que no existe autocorrelación en el
presente caso.

12.28 (A) Los resultados de la regresión para el C-0

proceso en dos etapas:
Y * = -1.214+ 0,398 * In/, +0.336 En I
* , -0.055 yr. en H * +0.456 en UN *
SE=( 1,137 ) (0,247 )(0,121 ) ( 0,147 )
(0,162 )
T = (-1.067) (1,610 )(2,766 ) (-0.378)
(2,818 )
R2 = 0,951 ; F = 89,476 ; d
= 1,448 Nota : Las estrellas variables
transformadas.

El coeficiente de En ES insignificante,
mientras que los coeficientes de L Y de
una se sigue siendo importante, aunque
sus valores numéricos han cambiado un
poco. Sobre la base de la prueba de
corridas, esta regresión demasiado no
parece sufrir de autocorrelación: N = 29,
"I = 15, 2 = 14, R = 11 y el 5% se
ejecuta los valores críticos son 10 y 22 .
(b) El VALOR DE P de la C-0 procedimiento de
dos pasos es 0,524 , mientras que la
estimada de la D estadística (Ver
Problema 12,26 )
X
16
0
 : P = \ -D/2 = \-0.955/2 = 0,5225 .POR TANTO, LOS DOS
MÉTODOS ESENCIALMENTE LA MISMA ESTIMACIÓN.

12.29 Los resultados de la regresión lineal costo

total son:
YT =
166,4667
+19.933JT,
se = (19,021
) (3,066 )
/ = (8,752 )(6,502 ) R2
=0,841 ;radiofrecuencia= 0,716
Para n = 10, K = 1 y a 0.05 , DH
= 0,879 . Desde la D SE ENCUENTRA por
debajo de este valor, "parece" que hay
autocorrelación positiva. Sin embargo,
esta autocorrelación puede ser más
aparente que real. Como se señaló en el
Capítulo 7., el costo total función
puede ser más apropiado especificado
como un polinomio de tercer grado. De
ahí que el observado en la
autocorrelación regresión anterior es
debido al modelo invariación.

12.30 Los resultados de la regresión en el nivel

forma ya están en Problema
7.21 .Que la regresión muestra que el
valor d es 0,2187 , lo cual es bastante
bajo, lo que sugiere que el término de
error es autocorrelacionadas. De
este VALOR D, podemos calcular PAS: P = \ -D 12
= 0,8906 . Este valor puede ser lo
suficientemente cerca de 1 para
intentar la primera diferencia
transformación. Los resultados de la
primera diferencia transformación son los
siguientes:
Variable dependiente: DLOG(RM2)
Variable CoeficienteEts.Error T-Statistic
Prob.
DLOG(RGRDP) 0,6086 0,1665 3,6551 0,0021
DLQG(LTRATE)-0.13540,0427 -3.168 0,0060
R-squared 0,5461 ; d = 0,3832
NOTA: LA LETRA " D" es DECISIVO para tomar primeras

1
6
1
 diferencias. También tenga en cuenta que no
hay ninguna intercepción en este modelo ( ¿por
qué? ).

Los resultados de esta regresión son

interesantes en comparación con el original en
los resultados de la regresión 7,21 problema .
Mientras que antes de la larga
0. 6086 Y es también muy importante. Tal vez
esta diferencia en los resultados puede tener
que ver con la naturaleza de las series de
tiempo. Es muy posible que la serie de tiempo
en cuestión no puede ser parado. Pero todavía
no tenemos las herramientas para tratar esta
cuestión, que vamos a hacer cuando se discuta
el tema de las series de tiempo econometría
más adelante en el texto.

12.31 Desde los valores de X ya están dispuestas

en orden ascendente, el VALOR DE D y calcula el
valor de d calculado por el procedimiento
propuesto por Theil es el mismo. Para la
justificación de este procedimiento, consulte
de Theil.

12.32 Los resultados de la regresión ya están dadas

en Problema 11,22 . De esta regresión estima
el VALOR D ES 2,6072 , lo que parece sugerir que
no hay autocorrelación. Pero esta
autocorrelación es sospechoso, hay una
observación inusual (el de Chile).
Renunciar a esta observación, podemos obtener
los resultados de la regresión se muestra en
Problema 11,22 . Como esta regresión muestra,
ahora no hay relación entre las dos variables
y el estimado VALOR D ES de 2,6199 . En realidad
no hay autocorrelación en estos datos. Vamos a
estudiar en el capítulo 13 el papel de
observaciones inusuales, llamados atípicos,
apalancamiento, etc.

12.33 Un conjunto de datos generados por el esquema

propuesto es el siguiente:
Ut XT YT
09,464 1 12,9
10,544 2 64
14,5
11,944 3 44
16,4
10,427 4 44
15,4
09,316 5 27
14,8
08,681 X 6 16
14,6
81
16
2
 07,525 7 14,0
08,070 8 25
15,0
07,504 9 70
15,0
05,797 10 04
13,7
Y =14.694-0.003 * 97
,
(A) 5E = (0,688 ) (0,111 )
T = (21,354 ); -0,027) R2
= 0,000 ,d = 1,296
(B) Resultados individuales
pueden variar como UT varía.
Una vez más, los resultados
(C) individuales pueden variar.
12,34 (A) Los resultados de la regresión de
inventario sobre las ventas, cada uno en
millones de dólares, son:
Y,= 1668.154+1.554 * ,
SE = (1806,696 ) (0.007 )
T =( 0,910 ) (222,832 ) R2 = 0,999 ,D
= 1,374

Donde Y= X= INVENTARIO Y ventas.

(b) (0 Para N = 42 , £ = 1, el 5% es 1,46 .

Dado que el observado
D DE 1,374 por debajo de este valor, hay
evidencia de primer orden de autocorrelación
positiva. ( / ' / ), desde el VALOR D
DE 1,374 , podemos obtener una estimación de
pas: p = \ -d/2 = 0,3218 . Con este valor,
podemos obtener:
Z = (YFN ) (0,3218 ) = 2,027 . Este valor de z
es significativa en sobre nivel de
significancia del 5 %, lo que sugiere que hay
autocorrelación.

(c) A la vista de los resultados en (B) no

parece probable que el verdadero P es uno de
ellos. Pero si usted aplicar mecánicamente la
prueba, se obtiene el siguiente resultado:
2.93X10" 32P

2,22 X109
41 Observaciones y K = 1 Y A = 0,05 , d ^ = 1,45
. Desde la G ESTÁ por debajo de este valor, no
rechazamos la hipótesis nula de que la
verdadera p= 1. Pero hay que tener en cuenta
la advertencia anterior.

1
6
3
(I/ )La prueba Breusch-Godfrey estadística es
importante para 3 lag (VALOR P es de 0,03 ), 4
lag VALOR DE IP es de 0,04 ) y 7 lag VALOR DE IP es
de 0,07 ), aunque no quedó cada coeficiente
es cero. En el nombre de la parsimonia, uno
puede elegir 3 lag.

(e) LF se utiliza sólo el primer orden de AR

sistema, utilizando el VALOR DE P
0. 3218 Obtenida en el apartado b) anterior,
podrá transformar los datos como:
[Y, -0.3128 ^ . ,] y [X, -0.3128 * ,_,] y
ejecute la regresión de estos datos
transformados. Si desea utilizar un AR(3)
esquema, tendrá que transformar los datos
como: [ YT - PXYT_{ - P2YT_2 - PJI, .\ ] e incluso
de XT. Usted tendrá que obtener los
tres VALORES DE P de

X
16
4
 ( /) Los resultados del modelo log-lineal son los siguientes:
the Breush-Godfrey
procedure.
Coeficiente variable Ets. Error t-statistic Prob.

C 0,507409 0,048561 10,44886 0,0000

LOG(VENTAS) 0,995128 0,004091 243,2302 0,0000

R-squared 0,999324 ; d = 1,2077

Los resultados del modelo log-lineal son cualitativamente los mismos que los
del modelo lineal, con la salvedad de que en el primero la Breusch-Godfrey
estadística sólo es significativo en el primer lapso.

(G) ver la discusión en el Capítulo 6 y Sec. 8.11 .

12.35 (A) Los resultados de la regresión son los

siguientes: Variable Coeficiente Ets. Error T-Statistic Prob.

C 23,98694 5,235037 4,582000 0,0001

LA INFLACIÓN -4.375620 1,022227 -4.280479 0,0002

R-squared
Durbin-Watson 2,076724

0B)

Variable Coeficiente Est. Error t-statistic Prob.

C 3,531812 8,111369 0,435415 0,6670

CRECIMIENTO 3,943315 1,293445 3,048693 0,0054
LA INFLACIÓN -2.499426 1,082101 -2.309789 0,0294

R-squared 0,572374 D= 1,8965 .

(D) FAMA EN la declaración es correcta. Para ver esta nueva, la

regresión actual de la inflación en el crecimiento de la producción,
obtenemos:
Variable Coeficiente Est. Error t-statistic Prob.

C 6,326759 0,788408 8,024730 0,0000

CRECIMIENTO -0.679792 0,192818 -3.525570
0,0016
R-squared 0,323439 Durbin-Watson
stat 0,538786

16
5
 (e) En tanto estas regresiones el D los valores
son alrededor de 2, lo cual sugiere que no
hay autocorrelación de primer orden. Este
resultado no debe sorprender porque las
variables en ambos estas regresiones se
expresan en forma de crecimiento, lo que
implica en primer lugar implícito de
diferenciación, que por lo general,
reduce autcorrelation.

12.36 (A) Los resultados de la regresión son los

siguientes:

Variable Coeficiente Ets. Error T-

Statistic Prob.
C 8,176797 1,723142 4,745284 0,0000
X 0,124403 0,040598 3,064274 0,0041
Y( -l) 0,801918 0,055007 14,57853 0,0000
R-squared 0,993815
Durbin-Watson 1,5005
Estos resultados indican que, el índice de salarios
reales depende no sólo
En el índice de productividad sino también
en el índice de salarios reales vigentes
en el actual período.

(b) Mediante el estadístico h, podemos obtener:

H = P ---------=(0,2497 ).-I------ =
---------1,6835
Y l-w[var( / ? 3)] "V1 " 40 ^ -003)
En caso de que una estimación de P se obtiene
a partir de el valor de d en (a) y donde la
var( / ? 3)es igual al cuadrado del error
estándar de 7t-i de la regresión en (a).

Si asumimos el tamaño de la muestra de 40

observaciones que razonablemente grande,
entonces el valor h obtenida anteriormente
sigue la distribución normal estándar. Ahora
el 5% crítico Z (es decir, variable normal
estándar) es de 1,96 . Desde la calcula H es
menor que este valor, podemos concluir que no
hay autocorrelación en el presente caso.
12.37 Los resultados de la regresión en el
Maddala procedimiento descrito en el texto

1
6
6

R-squared
 son las siguientes:

Coeficie Ets. T- Prob

nte Error Statisti .
- - 0,86
4.041785 23,34284 0.173149 42
0,086407 0,031605 2,733972 0,01
67,37838 35,50361 1,897789 24
0,07
- 0,036959 - 16
0,08
0.067809 1.834690 08

C
ISTAR
UN
ADDEN
DUM
PROD. 0,5512
49

1
6
7
1
6
8
 Durbin-Watson stat 2,203363
NOTA: ISTAR es la renta variable transformada, UN
ADDENDUM es la variable transformada y PROD es el
producto de UN ADDENDUM y ISTAR.

Si se comparan estos resultados con los de Eq.

(9.5.4 ), se puede observar que el coeficiente de la
variable de renta diferencial pendiente y coeficiente
de la renta variable se acerca del mismo. Porque de
transformación de datos, los coeficientes de
interceptar y la variable ficticia (UN ADDENDUM) no se
pueden comparar directamente.

1
6
9
 CAPÍTULO 13
Modelos econométricos: ESPECIFICACIÓN DEL MODELO Y LAS
PRUEBAS DE DIAGNÓSTICO

13.1 Pues al parecer, el modelo se basa en la teoría

económica, que parece estar bien especificado. Sin
embargo, las variables de precios están
fuertemente correlacionados, lo que podría llevar
a los problemas derivados de la multicolinealidad.
La elección de la forma funcional es una cuestión
empírica.

13.2 Desviación en el verdadero modelo se puede escribir

como:
Y, =fiixi+ (iu-u)
Ahora
+ ( "/ -")] * <
1 _
V' 2. V 2
Lx, Lxi
Por lo tanto, £ ( " ,) = , Haciendo uso de las
diversas propiedades de UX
Y x \. es decir, incluso si se introducen las
innecesarias interceptar en el segundo modelo, el
coeficiente pendiente sigue siendo imparcial. Esto
es, según lo indicado en la teoría.

Las varianzas de los estimadores son dos:

UN (J1 UN (J2
Var( / ? ,) =-----------", Y var(a,) = -
Hx
ZXf 1
Z(X-X)2
Que no son los mismos .
13.3 Sabemos que
Ô "LXjYj _ IlXt(a0+axXi+vi)
UN Zxf
XXF
" ZXf XXf aJLXf ZXf
* ! .X. , Ev,. * ,
+ (XT + * Aquí, la pendiente
Por lo tanto, + A.
estimador del modelo
incorrecto da un
estimador parcializado del verdadero coeficiente
pendiente. Las diferencias son las que aparecen en
el ejercicio 13.2 .

13.4 (A) recordar la fórmula siguiente en el Capítulo 7:

J(j2 _ r\2 +r!3 ~ ^ri2r!1 3r23 -

r23

Puesto que X 3 es irrelevante, rb = 0, lo que

1
7
0
reduce la fórmula anterior a:

1
7
1
 Por lo general, entonces, la adición de
X 3 aumentará el valor de R . Sin embargo, si el
r23 es cero, el valor R1 no se modificará.

(b) Sí, estos son imparciales por las razones

indicadas en el capítulo.
Esto puede ser fácilmente demostrado de la
regresión múltiple las fórmulas dadas en el
Capítulo 7, señalando que el verdadero / ?3 es cero.

(c) Las variaciones de F32 EN los dos modelos son:

UN (J2
Var P2 = _ " 2 (true mod el)
2 ^Xi
<J 2

V: modelo incorrecto)
Var^2 =
£ * ,(1-/ * )
Por lo tanto, las diferencias no son lo mismo.
13.5 (A) Tal como se explica en el capítulo, omitiendo la
variable relevante
Dará lugar a estimaciones sesgadas. Por lo
tanto E(J3X)± UN{ y E( F32) * a2 . LAS DERIVACIONES CON
ESCALARES ÁLGEBRA LLEVA A MANEJAR EXPRESIONES. PUEDEN SER
FÁCILMENTE OBTENIDOS MEDIANTE ÁLGEBRA MATRICIAL. PERO SI DESEA
CONTINUAR, ESTIMAR LOS PARÁMETROS DE LA "INCORRECTA" MODELO Y, A
CONTINUACIÓN, PONER EL VERDADERO MODELO DE LOS PARÁMETROS
ESTIMADOS, LAS EXPECTATIVAS, Y AVERIGUAR SI SE ESPERA QUE LOS VALORES
DE LOS PARÁMETROS DEL MODELO ESPECIFICADO INCORRECTAMENTE IGUAL A
LA SUMA DE SUS VALORES REALES. SI NO LO HACEN, ENTONCES HAY UN
PREJUICIO.
(b) Si ¿2 es un irrelevante variable, las
estimaciones siguen siendo imparcial, excepto que
no tienen grandes variaciones debido a la
presencia de la "molestia" variable L2.

13.6 Si el menor varianza en un 2 MÁS QUE compensa el

sesgo, sobre la base de la PEQUEÑA Y MEDIANA
EMPRESA criterio podemos elegir que calculadora.
El punto de este ejercicio es que tenga en cuenta
que a veces un estimador parcializado puede ser
elegido debido a su menor varianza. Por supuesto,
todo esto depende de la finalidad de la
investigación.

13.7 En la Ec. (13.5.3 ), aplicando LA OPERACIÓN,

obtenemos:
O _ I>x,y y = ZXX "Zxi(a + / 3Xi + ui+ £I)

1
7
2
 P
Zxf Zxf Zxf
_ N . Libras, " , + £x,g,
P
-
Tomando las expectativas de la expresión anterior en
ambos lados y

1
7
3
 Tomando nota de las propiedades de XJ,UI yf,
puede verse que ¡3 es imparcial.

13. Eq. (2), obtenemos de SUDÁN (Nota: Para su

8 comodidad hemos omitido la observación
subscriptos):
_ £[/+("-")][ ** - (v-v)]
Ex2 * +E[x (v-v) ]2
Eq. (1), obtenemos:
1
Ex
Sustituyendo en la expresión anterior y, por
otra parte, simplificar y
Tomando el límite cuando n -> oo, obtenemos
la expresión
*3 *
P lim( / ?) = -t-r-, mostrando que FT es
imparcial.
1 + - ^-
<R2.
X
(b) No, como se puede ver en la fórmula
anterior. En otras palabras,
FI no es un estimador consistente.

13.9 (a) El método y los resultados son los

mismos que en cuestión 13.8 .

(b) Hay varias medidas correctivas en la

literatura avanzada.
13,10
El modelo correcto es:

Pero si se omite A3 de este modelo, y de

retroceso Y CONECTADOX2 y, a continuación,
retroceso sólo los residuos de esta
regresión de X3 Y obtener su coeficiente, es
decir, A3, A3 ES UN sesgo, así como estimador
inconsistente de la verdadera / ?3. Para una
prueba oficial, véase A. R. Pagán y A. D.
Hall", las pruebas de diagnóstico como
Análisis Residual", los exámenes
econométricos, Vol. 2,1983 , págs. 159-218.

P\ (irue) =
13,11 A + 5 Pi (< *
) .

Pl(irue) Pi
UN UN

17
4
 , P \ (tnte) ~ P\
(O) "
Pldrue) ~ ^ >02
(c) El coeficiente de intersección será
imparcial pero la pendiente coeficiente ser
sesgados e inconsistentes.
13,12 Eq. (13.3.2 ), obtenemos

1
7
5
 AI=Y -A2X2 POR LO TANTO,
£ ( " ,) = F (A + PMX" usando
(13.3.3 )
= (P\
Pi-X 2 + P-i^i) ~ (Pi +
+

P * b32) ^2 = ft+MXi-bnXi)

13.13 Estudiante se está ocupando de la cuestión

teórica y econometría aplicada en forma algo
escéptico. Esencialmente, afirma que los
teóricos examinar el campo y determinar las
esferas de preocupación cuando paso de la
teoría a la práctica. Algunas de estas áreas
de interés son la heterocedasticidad,
autocorrelación, multicolinealidad, y la
especificación de los modelos. Los
profesionales, entonces, se espera para
examinar la forma en que sus resultados
pueden ser influenciados por las esferas de
preocupación que han sido identificadas por
los teóricos.

13.14 De Theil comentario se refiere a la

regresión estrategias, el título del capítulo
en el que esta cita. Que se refiere a pensar
cuidadosamente acerca de las pruebas de
hipótesis. Basándose en el hecho de que
pruebas de regresión se informó bom dinámico
de la toma de decisiones en el cual cada una
de las sucesivas decisiones depende de la
información disponible en el momento de la
decisión que se hizo. Para un nuevo debate,
leer el capítulo.
13.15 Blaug puede tener un punto. Algunas veces,
los investigadores se "imponer" un modelo que
han desarrollado un conjunto de datos sin
evaluar críticamente la aplicabilidad del
modelo a los datos. Cada vez que una nueva
técnica econométrica se encuentra disponible,
los investigadores están enamorados de ella y
empezar a utilizar esa técnica
indiscriminadamente. Por ejemplo, cuando
modelos de expectativas racionales se
convirtió en la moda del día, los
investigadores aplicaron a todo tipo de

1
7
6
 economías sin estudiar la estructura de las
economías.
13.16 Como una ilustración de Blaug, recordar que
en pruebas de hipótesis si la estadística de
prueba (por ejemplo, la t) no es
estadísticamente significativo, no digamos
que aceptamos la hipótesis nula. Decimos que
no se rechaza la hipótesis nula. Esto es
porque es muy posible que sobre la base de un
conjunto de datos que tenga la posibilidad de
rechazar la misma hipótesis nula . Por lo
tanto, cuando no se rechaza la hipótesis
nula, lo que estamos diciendo es que la
muestra de que se trata no nos da una razón
para rechazar la hipótesis nula.
13.17 Se podría argumentar que estipula que "los
cambios en la oferta de dinero ...
determinar los cambios en el PIB (nominal)"
sobre la base de la
St. Louis Modelo es demasiado fuerte. Dos de
los cinco coeficientes para la tasa de
crecimiento en su totalidad, o alta, empleo
los gastos del gobierno son estadísticamente
significativas a un nivel del 95 %. De la
misma manera, dos de los coeficientes de
la tasa de crecimiento de la oferta de dinero
no son estadísticamente diferentes de cero.
Además, puede haber collinearity en el modelo
entre la tasa de crecimiento de la oferta de
dinero y la tasa de crecimiento de pleno
empleo presupuesto del gobierno.
Sería interesante para replicar el modelo de
San Luis más datos del módem. La primacía de
la Ml oferta de dinero se ha ido, Ml se
sustituye por M2 oferta de dinero.

13.18 Se puede demostrar que

£ ( " ,) = + 4/ ?3 Y E( CC2) = FI2 + 7/ ?4
(Sugerencia: Debido a los valores de X, X =0.)

13.19 Supresión de la observación subscript / para

mayor comodidad,
Dado que Y = J}X + FI2XJ, SE SIGUE QUE Y2 = FI2 +2
¡ 3XF32X + f } \X2.
Si sustituye el último valor en la RESET
ecuación, se obtiene Y = AX + A2X + a3

1
7
7
 ( / ?,2 + 2 FIXFI2X + $ X2)
= (, + aj2) + ( a2+ 2 aJxfr )X + (aj22 )X2
= AJ + X^X + AJX2, QUE ES EL RESULTADO,
EN LA QUE EL ES UNA MEZCLA DE LOS COEFICIENTES
ORIGINALES.

13.20 (A) VERDADERO (VER Fig. 13.4

(B) CIERTO. Ver Fig. 13.4

(c) CIERTO. Ver Fig. 13.4

(d) EN un segundo grado ecuación lineal y
cuadrática términos son necesarios.

(e) EL primer modelo de desviación es:

Yt=Pixv+PyXyi + ( " / - " ).
En el segundo modelo a, se espera que sea cero
( ¿por qué? ).
Por lo tanto, los dos modelos son básicamente
las mismas por lo que se estima que el línea
de regresión (avión) es el mismo.

13.21 (A) Ecuación (1) es el modelo sin

restricciones y Eq. (2) es el modelo
restringido. Aplicación de la prueba F
restringido se discutió en el Capítulo 8, podemos
poner a prueba si la restricción (la variable X(, no pertenece a

1
7
8
 El modelo es válido. Los restringidos y
no restringidos R2 son, respectivamente,
0,9803 y 0,9801 . Por lo tanto,
obtenemos

R (4r-R2r) /NR (0,9803 -0.9801)71 _ P 2 2 P 6

(L-R2R) / (N-K) (1- 0,9803 ) / (23-4)

Desde este F valor no es significativo,

el modelo restringido (2) es
aceptable. Por lo tanto, no hay necesidad
de llevar a cabo una explícita RESET
prueba aquí. Lo mismo es cierto de la LM.
(b) En el presente caso, la variable
X & no es estadísticamente significativa.
Pero es muy posible que en otra muestra lo
que puede ser importante.
(c) NO La base para introducir las
variables explicativas en un modelo es una
buena teoría económica. No se basa
en estadísticas o F.

13.22 (A) Este sería el caso de incluir

variables innecesarias.

(6) Los estimadores que ser imparcial y

coherente. Sus variaciones , sin
embargo, sería mayor.

13.23 Los resultados de la regresión de Y SOBRE

X , ambos medidos correctamente son:
T =28.302+0.584 * ,.
SE= (12,677 ) (0,071 ) R2 = 0,895

Los resultados son similares a los de los datos

correctos (ver Eq.
13.5.11 ). Pero los coeficientes indicados
anteriormente reflejan los prejuicios.

13.24 (A) El sesgo de underfitting un

modelo.

(b) Como se indica en el

texto, J}2 original en el CES función será
sesgada, así como incoherente.

(c) Los resultados del modelo ampliado son

1
7
9
 los siguientes:
1
- =-3.385 Enen el JF + 2,126 + 1.5051n(l+ -) L) E
T = (-0.534) (1,229 )(0,471 )
R2 = 0,895 ; F = 67,91 ; </
= 2,362 para la comparación, los
resultados del modelo original CES son:

1
8
0
 Ln^jj = -0.472 + 1340W
T = (-0.352) (3,022 )
R2 = 0.413; * / = 1,826 COMO SE PUEDE
APRECIAR, LOS RESULTADOS DEL MODELO AMPLIADO SON POBRES
EN LA MEDIDA EN QUE NINGUNA DE LA PENDIENTE LOS
COEFICIENTES SON ESTADÍSTICAMENTE SIGNIFICATIVOS. TAMPOCO
SIGNIFICA QUE LA VARIABLE ADICIONAL EN EL MODELO EXTENDIDO
ES SUPERFLUO O QUE HAY GRAVES ERRORES DE MEDICIÓN EN LAS
ELASTICIDADES CALCULADAS O QUE HAY COLLINEARITY EN LOS DOS
REGRESORES, O TODOS ESTOS FACTORES.

13.25 Esto es como un ejercicio de clase, como el

resultado real dependerá de la muestra.
13.26 Desde un modelo no se puede derivar de
Modelo B y viceversa, la J PRUEBA PUEDE ser más
adecuado. Sin embargo, la prueba F puede ser
utilizado para comparar el modelo sin
restricciones en el problema restringido 8,26
con modelos A y B. Los resultados son los
siguientes:

Comparación con el modelo A:

(R2UR-R2R) /NR (0,823 -0.601) /2 ^
(1 -R2R) / (N-K) (1 -0.823) / (16-6)
en el que el R2 ES SIN RESTRICCIONES en el
modelo de Problema 8,26 y la
restricción R2 ES a partir del modelo
estimado A. desde el VALOR F ES SIGNIFICATIVO AL
NIVEL DEL 5 POR CIENTO, RECHAZAMOS UN MODELO COMO EL
MODELO CORRECTO.

Comparación con el modelo B

F_(0,823 -0.189) /2 _17910 (1 -0.823) / (16-6) en la que los

del modelo en
valores son 0,823 y 0,189 los valores de R
8,26 y Problema de Modelo B,
respectivamente.

Una vez más, esta F VALOR ES SIGNIFICATIVO AL

NIVEL DEL 5 POR CIENTO, LO QUE SUGIERE QUE EL MODELO B
NO ES EL MODELO CORRECTO.

Parece que el modelo que figura en Problema

8,26 es el modelo más apropiado.

13.27 Los pasos implicados en este caso de la

1
8
1
 siguiente manera:
1. Estimación Modelo B y obtener los
valores estimados de Y desde este
Modelo, Y) B
2. Añadir 1/como un agregado variable explicativa al modelo A y
estimar la regresión resultante. Y probar la hipótesis de que el coeficiente de la variable
añadida en esta regresión no es estadísticamente significativa. Si esta hipótesis es
rechazada, probablemente un modelo no es el modelo correcto.
3. Repita los pasos 1 y 2, intercambiando los
papeles de A y B.

Los resultados de la regresión son los

siguientes (para mayor comodidad, el
subíndice T OBSERVACIÓN se omite):

Ÿ = -820.0106042.059+1.226 * 3 * X4 -
1115.888 +1.213ŸB 6 t = (1,8480 (0,831 ) (-
3.658) (03,908 ) (2,184 )
R2 = 0,722 ; F = 7,138
UNA n
El valor de p de la Y COEFICIENTE ES DE 5,15 %. SI
NOS ATENEMOS AL NIVEL DEL 5 %, ENTONCES ESTE COEFICIENTE NO
ES SIGNIFICATIVO. ESTO HACE PENSAR QUE TAL VEZ ES EL MODELO
"CORRECTO" MODELO.

Ÿ = -8944.403 + 3.177X2 +108.21IX,

+ 572.812 +1.210X6 Y4 t ( -3.016) (1,921 )
(1,070 )(2,293 )(5,960 )
Æ2 = 0,808 ;F = 11,583
*

El coeficiente de la variable y es
significativa en el nivel 0.0001.

Con base en estos resultados, parece que el

modelo es el "correcto" modelo.
13.28 (A) LA DIFERENCIA entre el modelo (1) y el modelo
(2) en ejercicio 7:19 es que hay una variable
explicativa adicional en el modelo (2). Si
el modelo (2) es correcta, estimar Modelo (1)
sería el sesgo de variables omitidas.
Ramsey se puede aplicar la prueba de
restablecer en el capítulo. Aplicación de
la estadística F , cuyo valor es 1,474 , no
rechazamos la hipótesis de que Modelo (2) es
el modelo correctamente especificado.

1
8
2
 (b) Sobre la base de la prueba Ramsey, se
encontrará con que Modelo 5 está
correctamente especificado.
13.29 Hay varias posibilidades. Sólo se
consideran, a saber, la Davidson-Mac Kinnon y
prueba. Los pasos que se siguen son los
siguientes:

1. Modelo de estimación y obtener los valores

de previsión de este modelo, Yf *
2. Estimación Modelo B y obtener valores de
previsión de este modelo,
Yfs
3. Vuelva a ejecutar un Modelo incluyendo la
variable Yf8. Si el coeficiente de Yf8 es
estadísticamente significativo, elija el
modelo B.
4. Vuelva a ejecutar Modelo B incluyendo la
variable Yf\ si el coeficiente de
5. Yf * es importante, elija el modelo A.
6. Si Yf® en el modelo A y Yf * en el modelo
B son estadísticamente significativos, lo
que significa que ambos modelos son
aceptables.
Si se llevan a cabo los pasos anteriores,
usted encontrará que ambos modelos son
aceptables. Por lo tanto, no hay una clara
preferencia aquí. Sin embargo, si lleva en la
tasa de interés, es muy posible que uno de
los dos modelos puede ser preferible. Citamos
a continuación los resultados de la regresión
sin el tipo de interés variable.

Y = -39.2316 + 0,3616 * , -0.3801

* , +1.11881/" T = (-1.7725)
(3,8804 ) (-3.9028) (4,2355 ).
R2 =0.8965; * /=
1,8193 Y =-43.4574-0.0269 * ,
+0.5864 ^ ., +1.14301^^ t ( -
1.8294) (-2.1177) (4,2355 ).
(3,9027 ).
R2 = 0,8965
Donde Y = ahorro y X = ingreso. El Durbin-
Watson para el segundo modelo es 1,8193 ,

1
8
3
 pero no puede ser utilizado para las pruebas
de correlación serial del modelo debido a la
presencia de la zaga regressand.

Como puede ver, ambos modelos son igualmente

aceptables sobre la base de la J . Uno podría
preguntarse por qué el coeficiente de la
variable de renta en el segundo modelo es
negativo.

13.30 Los resultados de la regresión de los ahorros

de los ingresos son los siguientes:
PERÍODO DE INTERCEPTA PENDIENTE R2
TIEMPO R
0,90
1970-1981 1,0161 0,0803 21
(0,873 ) (9,6015
1970-1985 9,7255 ).
0,00591 0,91
(0,8999 (12,2197 42
1970-1990 ).
50,2516 )
0,0444 0,75
(3,6396 (7,6745 61
1970-1995 ).
62,4226 ).
0,0376 0,76
(4,8917 (8,8938 72
). ).
Como puede ver, hay un poco de la
variabilidad de la ordenada y las pendientes
los coeficientes, tal vez la cuestión
La estabilidad de las economías de
ingreso relación a lo largo de los
distintos períodos.

13.31 Siga Eq. (13.10.1 ). Utilizando los datos,

obtenemos las siguientes F valor:
R (23248,30 -1785.032) /14 £ 5GG5 ( 1785,032 )

/10 Aquí NX = 12 y " 2 =14

Este F valor es estadísticamente

significativa ( VALOR DE P = 0,0008 ), lo que llevó
a la conclusión de que las economías de
ingreso relación no ha sido estable durante
el período de observación.

13.32 Vamos a ver el efecto de excluir del X6 EN

EL coeficiente de la variable INXI. A RAÍZ DE
LA ecuación dada en el problema, se deduce
que:
E(Pi)= Pi P(p61

1
8
4
 En el modelo (1), los valores de / ?2
y son, respectivamente, 0,4813 y 0,0610 .
Ahora el valor de >62 ¿ se pueden mostrar
como 0,4875 . Por lo tanto, obtenemos:
£ (A) = 0-4812- (0,0610 (0,4875 ) = 0,4515

Es decir, el sesgo es -0,0297 . Dicho de

otra manera, por la exclusión En X6, EL
COEFICIENTE DE FI2 es subestimada por alrededor
de -0,03 .

Siga el procedimiento anterior para encontrar

el sesgo en el coeficiente de en * 3.
14.1 Si un modelo de regresión no lineal se
parece superficialmente en los parámetros,
pero con las transformaciones pueden ser
linealizadas en los parámetros, y luego ese
modelo es básicamente, o intrínsecamente, un
lineal (en el parámetro) modelo de regresión.
Pero si no hay manera de hacer un modelo de
este tipo un lineal en el parámetro modelo y,
a continuación, es intrínsecamente un modelo
de regresión no lineal.

Ejemplos de ello son ya dadas en ejercicios

2.6,2 .7 y 2.9 .

14.2 Si el término de error se introduce aditiva,

la Cobb-Douglas (C-D) modelo intrínseca se
convierte en un modelo de regresión no
lineal.
Si el término de error entra en
multiplicatively, el modelo se hace lineal en
la pendiente los parámetros (pero no la
intersección). Pero las propiedades del
término de error en este modelo depende cómo
entra en el término de error
multiplicatively, en la forma (14.1.2 ) o en
la forma (14.1.3 ). La diferencia tiene
implicaciones diferentes para la estimación y
la inferencia. Tradicionalmente, se ha
introducido en la forma (14.1.2 ).

Para determinar si el aditivo o

multiplicativo formulario para el término de

1
8
5
 error es apropiado en un caso determinado, se
puede utilizar una prueba similar a la J PRUEBA
PARA elegir entre las dos formas. Además, si
se estima el C-D modelo con aditivos y
multiplicativos términos error, uno puede
examinar los residuos estimados de estos dos
especificaciones para averiguar si el término
de error se distribuyen normalmente, o si no
están correlacionados en serie, etc.

14.3 En el marco de la operación en que podemos

obtener estimación explícita o analíticas,
las soluciones a los parámetros desconocidos.
En NLLS no podamos obtener soluciones
explícitas, las estimaciones deben ser
obtenidos por un procedimiento iterativo.

14.4 Primero escriba la ecuación como:

&L
U, =A-fi\o+.
Por lo tanto, queremos minimizar:
J±_
Z" /2 = Z( ^ -aio(yw)2
Hay tres incógnitas en esta expresión, y; - ".
Por lo tanto, tenemos que diferenciar la
ecuación anterior con respecto a cada una de
las incógnitas, las expresiones resultantes
del conjunto a cero, y resolver a la vez.
Como se puede imaginar, el que las
expresiones son altamente no-lineales y no
soluciones explícitas
Se puede obtener. Por lo tanto,
tendremos que recurrir a uno de los
métodos de estimación no lineal en el
capítulo. Para el emprendedor
estudiantes, aquí están los tres
derivados:
?) Y 11 1 ^ ^ 2T
^ = 2- = 2 libras [ ( ^
- / ? ,l 0
(r+ ,) )-10
(r+ , )] dfi,

= 2L[ (YI - Aio^^x^X-

todo-en-uno- )] DP2
R) V u2 ^ ^ RT
1 Ver George G. Juez, R. Carter Hill, William E. Griffiths, Helmut Lutkepohl y Tsoung-
Chao Lee, Introducción a la teoría y la práctica de Econometría, 2d ed., John Wiley & Sons,
New York, 1988, pág. 514

1
8
6
 = 2 [ (ij - Aio^X^X-todo-en-uno- ^ -r)]
... (Y + t )
Establecer estas expresiones a cero para
obtener las ecuaciones de normal, que
debe resolverse iterativamente.

14.5 (A) Verdadero. Ver la discusión en Sec.

14.5

(b) CIERTO. Ver la discusión en Sec. 14.5

14.6 Consulte a Ap. 14A, Sec. 14A. 3.
Utilizando sólo las primeras derivadas,
Podemos generalizar Eq. (2) a más de dos
incógnitas. Para utilizar esta fórmula
que necesitamos la derivada de la
función ESC con respecto a las
incógnitas A, P y 8. Estos derivados
tienen que manejar las expresiones. La
emprendedora estudiante puede encontrar
en el libro por el juez, 2 et al.
Dy
14.7 (A) - = P2. ESTE MODELO Sugiere queY crece
Con el tiempo en
Dt
Un ritmo constante, P2, POSITIVO O NEGATIVO, EN
FUNCIÓN DEL signo de
Pi

1 Dy
(b) Aquí = P2 , LO QUE SUGIERE QUE EL CAMBIO
RELATIVO en
Y dt
Y es una constante igual a P2. SI SE
MULTIPLICA ESTA POR 100, SE OBTIENE EL PORCENTAJE
DE CAMBIO, O LA TASA DE CRECIMIENTO.

(c) El modelo de crecimiento logístico

tiene una forma en S. Cuando T = 0,
Y = - ^ --, de modo que este es el
valor inicial de Y. asimismo,
1 + Pi
Como / -> oo, Y = PX, QUE ES EL LIMITAR EL
CRECIMIENTO VALOR DE Y. Se deduce que P2
>0.
(d) Al igual que la curva de crecimiento

1
8
7
 logístico, la curva de crecimiento Gompertz
es también con forma de S, pero no es
simétrico respecto a su punto de inflexión,
que está dada por Y = / ?, / E = 0,368 / ? ,.
(Nota: Para obtener

El punto de inflexión, -- = 0.) Por otra parte,

tenga en cuenta que
Dt
^ * =£ (lnfl-lnl')
Lo que implica que la tasa de crecimiento
relativo en Y está linealmente relacionado
con el registro de la Y.
Gompertz La curva de crecimiento
se ha utilizado para estudiar
crecimiento de la población y
crecimiento de los animales.
Problemas

14.8 En los siguientes modelos, Y = población y /

= tiempo.
Modelo Lineal
YT =221,7242 + 0,1389 /
/ = (109,2408 ) (44,4368 ); R2
= 0,8178 LOG-LIN MODELO
En 1 ^ =5,3170 +0,0098 /
/ =(8739,399 ) (285,9826 ); R2 =
0,9996
Modelo Logístico
Y =---1432,739- R 2 =99997
' L + 1.7986e" ° ' 01117' '
Nota de la / las proporciones de la estima / ?
" / ? / ?2 y 3 son, respectivamente, 2.8209,4 .3618
y -14,0658 .

Modelo de Gompertz
Y = 1440.733exp{ 1.9606e00054 '} ,R2
= 0,9995 Nota que la t de las relaciones
estimadas / ?3Son,
Respectivamente,
2,7921 , 5,4893 , 5,0197

Se deja para que el lector pueda interpretar

1
8
8
 estos resultados en vista de la discusión
teórica de estos modelos en el ejercicio 14.7
.

14.9 Función de producción Cobb-Douglas con aditivo Error

PIB = 0,5292 (mano de obra)0 mo (Capital)0 ** 27; R2 = 0,9942

Nota: Los / las proporciones de los tres

coeficientes son, respectivamente,

.2814 1.9511,1 Y 12,4658
Función de producción Cobb-Douglas con Error multiplicativo
En el PIB, = -1.6524 + 0,3397 + 0,8459 De
la mano de obra en la Capital , T = (-
2.7258) (1,82950 )(9,0624 ).
R2 = 0,9950

Como puede ver, cualitativamente los resultados de

las dos especificaciones difieren en la
producción-trabajo elasticidad, que es más alto
que el modelo multiplicativo. Además, la
significación marginal de este coeficiente en el
modelo multiplicativo es mucho mayor que la
obtenida en el modelo aditivo término de error.
Pero hay que tener en cuenta que los resultados
del modelo aditivo término de error (es decir,
modelo de regresión no lineal) no se puede
comparar directamente con el otro modelo. Además,
se estima que la proporción no se han de
interpretar en el contexto de gran muestra el
modelo no lineal.
15.1 Los resultados de la regresión de la deserción escolar en las 12
observaciones son las siguientes:
T = -1.246-^ ^ vw + 0,120 \M/
T = (-10.332) (17,454 )
Y aquellas basadas en el mantenimiento de las 12 observaciones
después de realizar el ajuste son:
I>=_0.635^ + 0.0820i Vw/

Vw<
T = (-12.576) (26,305 )
La diferencia entre los dos resultados es notable. No debemos
olvidar que la regresión revisado se basa en las 40 observaciones,

1
8
9
 mientras que la original se basaba únicamente en 28 observaciones.
Tal vez los resultados de la versión revisada del modelo son
preferibles ya que incluyen todas las observaciones. Además,
observe el cambio en el estimado de t ratios.
15.2 Estos datos se podrá obtener un ajuste perfecto ya que todos los
valores de X por encima de 16 corresponden a Y=1 y a todos los
valores de * por debajo de 16 corresponden a Y= 0. Por lo tanto, un
número infinito de curvas que colocar estos datos en situaciones
como esta el método de máxima probabilidad puede romper. Por lo
tanto, el ML estimaciones dadas en el ejercicio son de dudoso valor.

15.3 Hace referencia al modelo original, se observa que los resultados son
Desde un modelo de Probabilidad lineal y la unidad de renta
disponible X\ ES miles de dólares.

(a) De los distintos regresores, sólo las variables * " * 13

y X16son estadísticamente significativos al nivel del 5 por
ciento y tienen los signos correctos. El bajo valor R2 no
debería preocuparle, ya que esta medida puede no ser adecuado
para el modelo en cuestión.

(b) Dado que este coeficiente no es estadísticamente

significativa, y no hay mucho sentido puede ser conectado a esta
variable.
(c) El cuadrado se utilizan estos términos para capturar el tipo
de cambio de estos efectos. Ya que ni coeficiente es
estadísticamente significativa, los signos negativos no tienen
sentido práctico.

(d) Esta probabilidad es 0,6431 .

1
9
0
 (e) This probability is 0.6936.

15.4 Desde la MEDIDA CONVENCIONAL no es especialmente útil en

los modelos con regressand dicotómicos, tiene poco sentido en
probar su significado mediante el aditivas discutido en el
Capítulo 8. Otras medidas de bondad de ajuste se expone en el capítulo y en las
referencias (véase también Ejercicio 15,13 ).

15.5 Las probabilidades estimadas en los diferentes niveles de

ingresos son:
0.2458,0 .2761,0.3086,0.3611,0.3981,0.4950,0.5923, 0,6828,
0,7614 y 0,8254 .

Si parcela estas probabilidades contra los ingresos, casi

obtener una inclinada línea recta.
1. 2.

TR
0 20 40 6(

INGRESOS
15.6 Recordar que
I, = & + / } 2X,
Por lo tanto, la variable normal estandarizada es la siguiente:
X, -Mx
^ ,
/ ,=

Por lo tanto,
P\ = --y/ ?2 = -

15.7 (A) El registro de las probabilidades a favor de una mayor tasa de

asesinatos es positivamente al tamaño de la población, la tasa de
crecimiento de la población pero negativamente relacionadas con la
lectura. El coeficiente de 0,0014 de Pi se ha de interpretar de la
siguiente manera: Tome su antilogaritmo, reste uno de la misma y
multiplicar el resultado por 100. Por lo tanto, antilog (0,0014 ) =
1,0014 , restando de esta y multiplicando la diferencia por 100, da
0,14 %. Esto significa que si la población aumenta en una unidad

19
1
(e) This probability is 0.6936.

(es decir, por un mil), las probabilidades a favor de una mayor tasa
de asesinatos aumenta un 0,14 %. Otros coeficientes son para ser
interpretado de una manera similar.

19
2
 (b) Individualmente, los coeficientes de C y R
SON estadísticamente significativos al 5% o mejor nivel.

(c) Siguiendo los pasos de (a) anterior, el efecto de un aumento

en el cociente de lectura 49,93 % de reducción en el odds ratio.

(d) El odds ratio de 5,77 %.

NOTA: Si se toman los coeficientes de los regresores a su valor

nominal, que le dará el porcentaje aproximado de la odds ratio. Pero
para ser más precisos, usted tiene que seguir los pasos descritos en
el apartado a) anterior .

15.8 Los coeficientes estimados no difieren mucho; la principal

diferencia entre la estimación error estándar. Ecuación (15.7.1 )
corrige la heterocedasticidad, mientras que Eq. (15.7.3 ) no.
15.9 (A) Tenga en cuenta que aquí el registro de la odds ratio es una
función de la
Registro de los ingresos, por lo que es un doble modelo de registro.
Por lo tanto, si un aumento de los ingresos en un 1 %, en promedio,
el registro de las posibilidades a favor de poseer una casa va por
alrededor del 34,8 %.

(b) Tomando el antilogaritmo de la ecuación, obtenemos

--- = 0,0625 * °3475
Donde * es el ingreso. Compruebe que el registro de esta expresión
se obtiene de la ecuación dada en la pregunta.
De la expresión anterior, obtenemos la expresión para la
probabilidad de un coche de la siguiente manera:

O. Q625 *
03475 "1 + 0,0625
* 03475
(c) Esta probabilidad es:
0,0625 (20000)
°3475 " 1 + 0,0625
(20000) °3475 * 0,66
Es decir, la probabilidad es de 66 %. Siguiendo este procedimiento, el lector
puede comprobar que en el nivel de ingresos de 25.000 esta probabilidad es de 68 %.
Siguiente nota de pie de página 19 en el texto, el lector puede comprobar que el cambio
en la probabilidad del nivel de ingresos
20,0 A 25.000 es bastante pequeño.

(d) De los resultados se puede ver que los coeficientes son

1
9
3
 Uno muy importante y que el x2 valor, una medida de bondad de
ajuste, también es muy significativa.

15.10 Como se muestra en el Apéndice A, una distribución Bernoulli el

valor medio es P Y la varianza es ,P(1 - P ).

15.11 A) a pesar de que los resultados no son uniformes, en varios casos,

los coeficientes logit, en valor absoluto, son menores para
matriculados negros de todos matriculados. En algunos casos, la
diferencia no es estadísticamente significativa. Sin embargo, en la
mayoría de los casos las variables tienen los signos esperados.

(b) En la mayoría de los casos lo hacen.

(c) Como se puede ver, si usted toma todos los matriculados,
todos los coeficientes son estadísticamente muy significativa. Pero
no es este el caso de matriculados negros. El significado global del
modelo
Se puede juzgar por el x2 los valores, los cuales son altamente
significativos para todos
Así como para matriculados negros. El x2 valor mide la bondad de
ajuste del modelo, que compara los valores reales con las
predicciones del modelo. Sobre este tema véase Ejercicio 15,13 .

15.12 (A) PARA QUE EL término de error homoscedásticos, el peso

debería ser el inverso del error estándar de la perturbación plazo u\.
El peso en el presente caso es:
F. -

(b) Los pesos y los datos transformados son los siguientes:

Probabilidad Peso ( w), r = i w/ *, =/ * > ,. XJ=X,W,
0,20 - 11,157 79,690
0,075
0.24 - 8,113 92,717
0,086
0,30 - 4,571 87,896
0,114
0,35 - 2,708 92,636
0,140
0,45 - 0,289 36,181
0,415
0.51 1,991 0.015 10,044
0,60 0,243 1,029 102,856
0,66 0,168 2,388 179,124
0.75 6,557 342,509
0,102 8,820 420,000
0,80 0,095
(c) La ponderación de los mínimos cuadrados los resultados son:

1
9
4
 /; =-1.086 + 0,049 * ;
5E = (0,031 ) (0,001 )
Como puede ver, los resultados de las sin ponderar y ponderado
mínimo de plazas no son muy diferentes, aunque los errores
estándar son relativamente menor para la media ponderada de los
mínimos cuadrados, como uno podría esperar.

15.13 La estadística de prueba aquí es 2,3449 , cuyo VALOR DE P es

de 0,97 . Por lo tanto, no se rechaza la hipótesis nula de que no hay
diferencia estadística entre los valores de probabilidad estimada y la
real valores de probabilidad.
15.14 Los resultados del modelo logit ponderada, sobre la probabilidad
de muerte en función del log de la dosis son:

Z = -4.837+7.058 En * ,
SE=( 0,434 ) (0,599 )
T = (-11.141) (11,782 ) ;/ =1,4069

Estos resultados muestran que los coeficientes estimados son

muy importantes. El valor de p de la que se observa es 0,7039
libras esterlinas, lo que indica que no hay diferencia estadística
entre los gastos estimados y los reales valores de probabilidad.
Es decir, el modelo es bastante buena.

15.15 (A) Los resultados de la LPM modelo son los siguientes:

YT = -2.867 + 0,0030 . + 0.002
^ T = (-3.442) (2,976 ) (3,441 )

Donde Y = 1 si es admitido al programa de posgrado; de lo contrario, 0.

(b) A pesar de que la estadística de los resultados son

satisfactorios, el LPM no es un buen modelo porque de los
problemas que se han abordado en el capítulo, a saber, npn-
normalidad del término de error , de heteroscedasticidad, etc. ^

15.16 (A) El modelo logit estimado es la siguiente:

YT = -2.085 + 0,136 * ,
T = (-143.597) (151,621 )
(b) El modelo probit es:
1 =3,122 + 0,083 * ,
T = (316,543 ) (115,254 )
(c) Correspondiente a la tasa de descuento de 17 céntimos, el
estimado

1
9
5
 (D) Nos wdnt para averiguar

Solución a este problema, obtenemos el valor de * como de 21,56 centavos.

15.17 (A) El estado civil coeficiente es estadísticamente

insignificante en ambos períodos, por lo que no se puede
decir mucho acerca de la importancia de esta variable. Pero
la variable tiene un signo positivo en ambos períodos, que
tiene sentido desde el punto de vista económico.
Logito valor es 1 548 libras, de la que la probabilidad estimada es de
aproximadamente 56 %. En el modelo probit, la probabilidad
correspondiente es aproximadamente la misma, f
(b) El coeficiente estimado negativo para que las minorías
variable es probablemente capturar algunos ingresos, lo que indica
que las minorías tienen menores ingresos y menor necesidad de
cuentas bancarias.

(c) Esta variable también puede representar el efecto ingreso, lo

que sugiere que el número de los hijos aumenta una familia puede
tener menos dinero para poner en cuenta corriente o de ahorros.
(d) El dato es una medida de la bondad del ajuste. En el
presente caso, el ajuste del modelo es bueno: En 1977 el modelo
predecía 91% y en 1989 se predijo correctamente el 90 %, quién
puede y quién no tiene una cuenta bancaria.

15.18 (A) Los resultados de la ponderación LPM son:

Y =0.184+0.874 * ,. T =
(1,373 ) (5,042 )

(b) Dado * = 48,

Verdadera E(Y \X = 0,48 ) = 0,440
Estimado E(Y\X) = 0,603
(c) Utilizando los datos, podemos confirmar los autores los
resultados:
I>(y * | * = 0,48 ) = -0.969 + 2,764 (0.48 ) = 0,3579 La
probabilidad es 0,6398 ; esto coincide con los autores.

(d) P(Y * | * = 0,79 ) = -0.969 + 2,764 (0.79 ) = 1,2145

La probabilidad es 0,8878 . La previsión del cambio es 24,80 , lo
que concuerda con los cálculos de los autores.

1
9
6
 CHAPTER 16
PANETL DATA REGRESSION MODELS

16.1 En LOS DATOS TRANSVERSALES que reunimos información acerca de

varios microunits en el mismo momento. En general, se supone que
estos datos son recogidos en la base de una muestra aleatoria.
En DATOS DE SERIES DE TIEMPO , obtener información acerca de un
determinado micro, o individual, en un período de tiempo. Datos de
Panel combina las características de ambos sección transversal y
datos de serie de tiempo en que los datos sobre varios microunits se
obtienen durante varios períodos de tiempo.

16.2 En un modelo de efectos fijos (FEM), que nos permitirá que cada
microunit a ser representado por su propio interceptar pero que
interceptan sigue siendo el mismo a lo largo del tiempo. No
podemos permitir que tanto el tiempo y el espacio mediante la
introducción de corte transversal y dummies variables indicadoras
del tiempo.

16.3 Componentes de error en el modelo (ECM), a diferencia FEM,

suponemos que la intersección de un microunit es un sorteo al azar
con ciertos y determinados varianza. Este es un modelo económico
que no introducir N independiente dummies para
interceptar N transversal. Como se señala en el texto, si el término
de error y los regresores están correlacionadas, ECM puede ser
adecuado, pero si que están correlacionadas, entonces, FEM puede
ser apropiado.

16.4 Todos ellos son sinónimos.

16.5 La respuesta la proporciona en segundos. 16.1 . Brevemente, en el
que se combinan tanto el espacio como dimensiones de tiempo,
podemos estudiar muchos aspectos de
Un problema que no puede ser posible si se nos fueron a estudiar
sólo transversales o series de datos de tiempo. Dos ejemplos
importantes de datos de panel son el grupo Estudio de Dinámica
de los ingresos y la Encuesta de Ingresos y participación en el
programa. Siguiendo el mismo corte transversal las unidades en el
tiempo, es posible estudiar la dinámica del cambio.

16.6 El nuevo término de error será:

Con la hipótesis de que

□ N(0,a2 £ ) ;v, 0 N (0,a2v); uit □ N(0,a2)
Además, suponemos que

19
7
 E{s,v,) = E( siull) = E(v,uil) = 0 E(e,Sj) = 0 (/
* j ) ;E(V'Vs) = 0 (t * s)

E(uuuis) = E(unuj") = E(wu ' p r i m e r e ) = 0 ; (** j;t * s)

Como resultado,
Var(w/) = a2 = <J] + A] + cru2 es decir, wit
es homoscedásticos. El coeficiente de correlación
entre WJT y WJT (I * J), ES DECIR, ENTRE LOS ERRORES DE DOS
DIFERENTES UNIDADES TRANSVERSALES EN UN MOMENTO DADO ES:
Cov( Adr, WJT) = Al ^
^ [Var^ ,) vai(Wjt) ct 2£ + cr2v + cr2u .
Y el coeficiente de correlación entre INGENIO Y WJT {T ± S), ES DECIR,
Entre los errores de la unidad de corte transversal en dos momentos
diferentes,

- .Cov^) = ,
Vvar(w/) var(wj cr£ +CRV + AU

16.7 Aquí tenemos N = 50 unidades de corte transversal y T= 2 datos

de series de tiempo. Consulte el punto #2 en segundos. 16.5 . Ya
que no podemos considerar el 50 estados de la unión como un
sorteo al azar, aquí FEM puede ser más apropiado.

16.8 Son -245,7924 , -84,22 , 93,8774 y -59.2258 de GE, GM, USS,

y Westinghouse, respectivamente. En comparación con GE, las
intercepciones (es decir, efectos fijos) de las otras empresas son
estadísticamente diferentes, como puede ser visto de la regresión
(16.1.5 ).

16.9 Los resultados no son muy diferentes en cuanto a los

coeficientes de las variables X . Las intercepciones son
diferentes, cosa que es de esperar debido a las diferencias en
los supuestos de los dos modelos.

16.10 (A) En general, los resultados tienen sentido económico. Por

ejemplo, el registro de los ingresos es menor este año si uno está
desempleado en el año anterior; también es menor si su salud en el
año anterior era mala.

(6) cualitativamente, los dos modelos dar resultados similares.

1
9
8
 (c) Desde 3774 tenemos observaciones, tenemos suficientes grados
de libertad para un modelo de efectos fijos. Sin embargo, debido a
que los dos modelos por lo general dan resultados similares, se
puede optar por uno u otro modelo. Más formalmente se puede
utilizar la prueba de Hausman para decidir entre los dos modelos.
16,11 (A) AÑO Interceptar Pendiente R2 D
1990 3118,484 -22.4984 0,0834 1,9
(3,5718 ). (-2.0894) 8
1991 3149,356 -23.3485 0,0972 1.
(3,8837 ). (-2.2742)
Nota: Las cifras entre paréntesis son los t ratios.

(b) Los resultados de la regresión son agrupados de la siguiente manera:

HUEVOS = 3132,258 - 22,8952 Pr ICE

T = (5,3281 ) (-3.1173)
R2 = 0,0902 ; d = 2,0037 los supuestos
en que se basa el presente que las intercepciones, así como las
pendientes de los dos períodos de tiempo son los mismos, así
como las variaciones que el error en los dos períodos de tiempo
son los mismos.
(c) Dejar que D = 0 para el año 1990, y D = 1 para el
año 1991, los resultados de la regresión son los siguientes:
HUEVOS = 3153,082 - 34.6977D - 22,9403
Pr ICE T = (5,0767 ) (-0.1087) (-
3.1027)
R2 = 0,0903 ; d= 2,0047 COMO SE PUEDE VER,
EL MANIQUÍ COEFICIENTE PARA 1991 NO ES ESTADÍSTICAMENTE
SIGNIFICATIVA, LO QUE SUGIERE QUE LAS INTERCEPCIONES DE LOS
DOS PERÍODOS DE TIEMPO SON ESTADÍSTICAMENTE IGUALES.

(d) Si lo hacemos, tendremos que utilizar 49 maniquíes. Este

consumirá una gran cantidad de grados de libertad. Además,
tenga en cuenta la observación formulada en # 2 de la Sec. 16. 5.

(e) No, por la misma razón que en (D).

( /) desde el ECM requiere el número de unidades de corte

transversal para que sea mayor que el número de coeficientes a
estimar, en el presente caso no podemos estimar el ECM. Si se

1
9
9
 intenta estimar un modelo de este tipo para los datos utilizando,
por ejemplo, decisivo, recibirá la instrucción anterior.
16.12 Aquí están los datos necesarios:
Año RSS Df
1990 1.24 E+08 48
1991 1.22 E+08 48
Agrupados2,46 E+08 98
NOTA: 1,24 E+08 SIGNIFICA 124.000.000 , ETC.
Si se utiliza el Chow de prueba, usted encontrará que se
puede rechazar la hipótesis nula de que el error las
variaciones de los dos períodos son diferentes, lo que
sugiere que los datos pueden ser agrupadas.

16.13 (A) Los resultados de la regresión se presentan a continuación

en forma de cuadros (t relaciones entre paréntesis).
Empresa Interceptar F_, C_, R2 RSS d
GE -9.9563 0,0265 0,1516 0,7053 1,07 13217
(-0.3173) (1,7057 ) (5,9015 ).
0,1192 MM -149.4667 0,3715 0,9214 0,93 143118
(-1.4137) (4,6192 ) (10,0270 )
US Steel -50.0780 0,1714 0,4087 154988 0,92 0,4810
(-0.3413) (2,3254 ) (2,8208 ).
Westinghouse -0.5804 0,0530 0,0916 0,7450 1769 1.42
(-0.0724) (3,3776 ) (1,6334 ).
Agrupar -63.3041 0,1101 0,3034 1560690 0,22
0,7565

(b) CHOW TEST: AÑADIR EL RSS para las 4 empresas,

tenemos el resumen RSS, como 313092. Después del
Capítulo 8, obtenemos los siguientes resultados:
_ ( 1560690-313092) /3 415866 Q32

313092/ (80-12) " 46043

Este F valor es altamente significativa, lo que conduce al
rechazo de la hipótesis nula de que los cuatro error las
varianzas son iguales.

(c) En vista de los Chow test, parece que uno no debe

reunir los datos que figuran en el presente caso. Sin
embargo, esto no destruye la utilidad de la técnica de
mezcla, el cual es claro en nuestro
Ejemplo de problema huevos 16,11 .

2
0
0
16.14 (A) A priori uno puede esperar una relación inversa
entre los dos porque si el desempleo es alto, habrá menos
presión para conseguir aumentos salariales, suponiendo
constantes a las otras cosas.

(6) Y (c) en forma de tabla, los resultados son los siguientes (/

relaciones de

PAÍS INTERCEPTO PENDIENTE R2 RSS D

Canadá -0.7294 85,8286 0,0048 0,0088 5372
( 3,8706 ) (-0.2946)
REINO UNIDO 0,4248 156,4412 -9.1186 7856 0,3591
(6,6952 ) (-3.6463)
EE.UU. 0,5420 152,4665 -9.6686 3375 0,4910
(10,9253 ) (-4.6159)
Agrupados 0,3365 132,3895 -6.3409 1941 0,2440
(13,4746 ) (-5.4242)

2
0
1
(d) Los resultados aquí y en (E) a continuación se obtienen a
partir de DECISIVO.
Variable dependiente: COM?
Método: Mínimos Cuadrados agrupados
Muestra: 1980 1999 observaciones
incluidas: 20 el número de secciones: 3
Total de (equilibrado) observaciones:
60

Variable Coeficiente Est. Error t-statistic

NACIONES -6.7307 1,4553 -4.6247
UNIDAS?
Efectos
CAN-CFijos 138,7603
REINO 134,5800
UNIDO-- 133,3699
R-squared Sum squared resid 0,3462 Durbin- 19123,6604
C
Watson stat
ESTADO 0,2674
S
(e) Variable dependiente: COM?
UNIDOS-
Método: GLS (Componentes de varianza)
C
Muestra: 1980 1999 observaciones
incluidas: 20 el número de secciones: 3
Total de (equilibrado) observaciones: 60

Variable Coeficiente Est. Error t-statistic

C 131,3202 8,8974 14,7592
NACIONES UNIDAS? -6.2098 1,0664 -
5.8231
Efectos Aleatorios
USA-C 0,8264
CAN-C -1.7597
UK-C 0,9333

R-squared 0,3312 Sum squared resid 19561,0217

Estadístico Durbin-Watson 0,2358

(J) ya que los resultados de los dos modelos son similares, se

puede elegir uno u otro modelo.
 CAPÍTULO 17: modelos econométricos
DINÁMICOS Y rezagos distribuidos autorregresivos
MODELOS

17.1 (A) FALSO. modelos econométricos dinámicos si que representan

La ruta de la variable dependiente en relación con sus valores
anteriores. Los modelos con los datos transversales no son
dinámicas, a menos que uno utiliza modelos de regresión en panel
valores desfasados de regressand.
(b) EL modelo Koyck se supone que todos rezagos
distribuidos los coeficientes tienen el mismo signo.

(c) FALSO. Los estimadores son sesgados, así como incoherente.

(d) DE prueba, vea el Johnston texto citado en la nota No 30.
(e) FALSO. EL método produce estimaciones coherentes,
aunque en pequeñas muestras las estimaciones obtenidas de este
modo son parciales.
(f) EN estas situaciones, utilice el estadístico Durbin h. Sin
embargo, la Durbin D estadística se puede utilizar en el cálculo de
la
H estadística.
(g) FALSO. Estrictamente hablando, es válido para muestras
grandes.
(h) LA prueba Granger es una medida de precedencia y al
contenido de la información , pero no por sí mismo, indicar
causalidad en el uso común del término.

17.2 Hacer uso de las ecuaciones (17.7.1 ), (17.6.2 ), y (17.5.2 ).

Y = / 30+FTX; +U, (I)
Y-Y-Y-Y^STF-Y, ^) (2)
X; -XU=R(X' -K. I) (3
)
Escribir Ecuación (2)
Y, =SX+I (4
Escribir Ecuación (3 ) )

(5
I
I
*

1-0-R)L
)
Donde L es el operador que lag LXT = X,_X. SUSTITUIR EQ. (1) EN
EQ. (4) PARA OBTENER
R, = 60S+S0LX; 5UL+Q-
S)YL_L (6) sustituto Eq. (5) en Eq. (6) para
 obtener
Y^spt+spi ' ^ X" ] + (l-S)Z- , +S",(7)
1-
(1- y)L Simplificar
Eq. (7), obtenemos
Y, =AX + A2XT + " 3 ^_, + a4Y"_2 -" (17.7.2 )
Cuando la DS (no lineal) las combinaciones de los
diversos parámetros de Eq. (7).

17.3 Cov[i;_" (M, -A" , . , )] = E{ [ (Y,_X-E(Y,_X ) ] [U, -AU"_X] }, YA

QUE E(U,) = 0
Libras esterlinas = [ ( " , . ,) (w, -iw, . , ) ],
puesto que [Yt.i-E (Yt-i)] = w,_, = -
AE[ (u,_X )2], dado que no hay serie
Correlación.
= - A C2 .

17.4 La P * los valores son 100.105 , 115.135 , y 160, respectivamente.

17.5 (A) calcula los VALORES DE Y , que son una función lineal de la
Nonstochastic las VARIABLES X , son asintóticamente no
correlacionados con el término de error población, v.

(B) EL PROBLEMA DE multicolinealidad podría ser menos grave.

17.6 (A) La mediana es el valor del tiempo para el que la fracción de
ajuste terminado es Vi . PARA OBTENER LA mediana Koyck lag
para el régimen, resolver

Período t respuesta _(1 - A' ) / (I - A) _ 1

Respuesta larga / ?0 / (I -A) 2
Simplificando, podemos recibir
A' = -. Por lo tanto,
2
T\MICROFINANZAS FINANCIERAMENTE = LN ( ^ -) = - 2. Por
lo tanto,

T = - - " , que es la respuesta necesaria.

En un
EN UN lapso promedio de 2 0,2-
1.6094 0,6932 0,4307
(b) 0,6932 0,4 -0.9163 0,7565
0.6 -0.5108 0,6932 1,3569
0.8 -0.2231 0,6932 3,1063
17. (a) Desde fik = J3aX ; 0 <A< 1 ;A: = 0,1,2 ...
7
Significa lag = - B = -------------= - ---------1=------
Ya / > ,ZA 1/0-A) l-A
0
(b) Si X es muy grande, la velocidad de ajuste será lento.

5 >UN
17.8 Utilice la fórmula . Para los datos de la Tabla 17.1 , esta pasa a ser:
2 >. "K

* 10,959 = 11,316 10,986

1.03

17.9 (UN) siguiendo los pasos de ejercicio 17.2 , podemos

escribir la ecuación de MT COMO :

M = a+ ^l~r^Y + ~ -2- R + u,
\ -Yxl l2L
Que se puede escribir como:
M = A + (1 -yx )Y - república federativa2 ( 1
- yx )Y,_X + £ (1 - y2 )R, -P 2Yi( \ -y2)R,

-\ +Oi +riW, -t - (r,r2)M(.2 +

+K -i/i +r2)u, -\ + (rj2 ) u, -2]

Donde A es una combinación de a, y {, Y .
Tenga en cuenta que si Y = Y2 = Y , EL MODELO se puede simplificar
aún más.

(Б) El modelo desarrollado es altamente no lineal en los

parámetros y necesidades que se calcula utilizando sistemas no
lineales procedimiento iterativo que se examinan en el
Capítulo 14.
17,10 La estimación de Eq. (17.7.2 ) plantea el mismo problema de
estimación como la Koyck las expectativas adaptativas o modelo
en que cada uno de ellos es autoel, que requieren técnicas de
estimación no lineal.
Tal como se ha explicado, Griliches, ya que la correlación serial
17.1 modelo incluye valores desfasados de los regresores y la Koyck y
1 ajuste parcial modelos no la correlación serial modelo puede ser
apropiado en situaciones donde estamos transformando un modelo
para deshacerse de (de primer orden) correlación serial, a pesar de
que puede parecer a la Koyck o la PAM.

20
6
17.12 A) SÍ , en este caso el modelo Koyck puede ser estimado con MCO.
(b) Habrá una muestra finita sesgo debido a la zaga
regressand, pero las estimaciones son coherentes. La prueba
puede encontrarse en Henri Theil, principios DE
ECONOMETRÍA, John Wiley & Sons, Nueva York, 1971, págs.
408-411.

(c) Puesto que ambos P Y X se supone que se encuentran entre

0 y 1, la hipótesis de que ambos son iguales es plausible.

17.13 Similar a Koyck, Alt, Tinbergen, y otros modelos, este enfoque es

especial y tiene poco fundamento teórico. Se supone que la
importancia de los valores anteriores disminuye continuamente
desde el principio, lo que puede una hipótesis razonable, en algunos
casos.
Mediante el promedio ponderado de las variables explicativas,
este modelo triangular evita los problemas de multicolinealidad
que pueden estar presentes en otros modelos.

17.14 (A) en promedio, a lo largo del período de muestreo, el cambio en

el empleo está relacionada positivamente a la salida, lo que ha
tenido consecuencias negativas relacionadas con el empleo en el
período anterior, y negativamente con el tiempo . El signo negativo
del coeficiente de permanencias y el signo negativo de la variable
tiempo de cuadrado sugieren que a lo largo del período de muestreo
el cambio en el empleo ha disminuido, pero disminuyendo a un
ritmo más rápido.
Tenga en cuenta que el tiempo coeficiente no es significativo al
nivel del 5 por ciento, pero el tiempo de coeficiente es cuadrado.

0B) es 0,297
(c) PARA OBTENER EL largo plazo curva de la demanda, dividir
la demanda a corto plazo a través de S y la zaga empleo plazo.
Esto le da al largo plazo de la demanda:

47,879 + 0.579Q, + 0,094 / + 0.002 /2

(d) La estadística de prueba aquí es la Durbin H. Dado que N
= 44 y D = 1.37 , obtenemos:

Desde h asintóticamente sigue la distribución normal, el 5% valor crítico es

de 1,96 . Suponiendo que la muestra de 44 observaciones es bastante
grande, podemos concluir que no hay evidencia de primer orden de
autocorrelación positiva en los datos.

2
0
7
 k
17.15 (A) es (1 - 0,0864 ) = 0,136 .
(b) El precio a corto plazo elasticidad es de -0,218 , y los
precios a largo plazo es elasticidad (-0.218/0,136 ) = -1,602 .

(c) El corto plazo elasticidad tasa de interés es de -0,855 . La

elasticidad de largo plazo (-0.855/0,136 ) = -6,287 .

(I/ )El valor de la adaptación de 0,136 es relativamente baja. Esto

puede ser debido a la naturaleza de la tecnología en este mercado.
Recuerde que los tractores son un bien duradero con una
relativamente larga vida.

17.16 La zaga término representa la influencia combinada de todos los

valores desfasados de un regresor (s) en el modelo, como hemos
visto en el desarrollo del modelo Koyck.

17.17 El grado del polinomio debe ser de al menos uno más que el
número de puntos de inflexión en la serie de tiempo observada
trazados en el tiempo. Por lo tanto, para la primera figura en la parte
superior de la izquierda comer, utilizar un polinomio de grado 4; de
la figura en la parte superior derecha comer, utilizar un segundo
polinomio de grado; para la figura en la parte inferior izquierda
comer, utilizar un polinomio de grado 6, y a la figura en la parte
inferior derecha comer, utilizar un segundo polinomio de grado.

17.18 (A) var(nO) = £ I2J var(a,) + 2^ IJ+P cov(^ > op)

>0 J<p
Semejante expresión se indica, salvo que ahora tenemos un plazo
adicional.

(b) Esto no es necesariamente así. Esto se debe a que, como se ha

visto en la primera parte (A), las variaciones de las estimaciones
de LA FII implica tanto las variaciones y la covarianza de las
estimaciones DE los coeficientes y la covarianza puede ser negativo.

17.19 Dado que =A0+ AXI + A2I2

SI
/ ?0 =0 -> A0 = 0 y cuando / ?4 = 0 -" a0 + 4a, +16a2 =0 - >a, =-4 A2.
POR LO TANTO, EL MODELO TRANSFORMADO ES:

J; ="+£(/?, * , > + ",

/ =0
= A + E(tf0 + ¿V + ¿V2 )X, -
i + UT = CT + CI 2 [ "4 X +

20
8
 X XT_I ] + UT
17,20 R, =a + '£ filx,_L+ul
/
=0
k/
2

= A + / ?Z + W,
17,21 Aquí n = 19 y d = 2.54 . Aunque la muestra no es muy grande,
sólo para ilustrar la prueba h, encontramos el valor h como:

Este VALOR H NO ES SIGNIFICATIVO AL NIVEL DEL 5 POR CIENTO.

POR LO TANTO, NO HAY NINGUNA EVIDENCIA DE PRIMER ORDEN
DE CORRELACIÓN SERIAL POSITIVA, TENIENDO EN CUENTA QUE
NUESTRA MUESTRA NO PUEDE SER LO SUFICIENTEMENTE GRANDE
COMO PARA ACEPTAR ESTE RESULTADO.

Problemas
17.22 Mediante el ajuste de existencias, o modelo de ajuste parcial
(PAM), la de corto plazo función de gasto puede ser escrito como
(ver Eq. 17.6.5 ):
Yl=S/ 30+Spx, + ( \ -S)X,_L+ul (1)

Donde Y= gastos para nuevas instalaciones y equipo y * = ventas.

Los datos de los resultados de la regresión son los siguientes:

Y =-15.104 + 0,629 * , +0.272 ^ ., t = (-3.194)
(6,433 ) (2,365 ) (2)
R2 = 0,987 ; F = 690,056 ; ¿ = 1,519

Desde el coeficiente de la zaga VALOR Y nos encontramos con que 8

= 0,728 .

El largo plazo es función de gasto:

Y * = 20,738 + 0,864 * , que se obtiene a partir de (2)
dividiendo por 0,728 y disminuyendo el rezago Y plazo.

2
0
9
 k
Tenemos que utilizar el H estadística para averiguar si hay
correlación serial en el problema. Mediante la fórmula de que el
h las estadísticas, se puede demostrar que en el presente ejemplo
h = 1,364 . Asintóticamente, este
Valor no es significativo al nivel del 5 por ciento. Por lo tanto,
asintóticamente, no hay correlación serial de los datos.

17.23 Se propone utilizar la misma notación como en el ejercicio

17,22 , el corto plazo función de gasto se puede escribir como:
En } ;= En < 5 $, + ¿pies * , + ( ! - < ? ) } ;_" + ", (1)
Los resultados de la regresión son los siguientes:
Ini; = -1.078 + 0,905 * , +0.260en Y,_X T = (-5.854)
(8,131 ) (2,962 ) (2)
R2 = 0,994 ; F = 1425,219 ; D = 1,479
UN
De estos resultados, nos encontramos con que 8 = 0,740 .

El largo plazo es función de gasto:

Ini * =0,376 + 1,222 * ,
La H estadística para este problema es 1,34 . Asintóticamente, por
lo tanto, se rechaza la hipótesis de que no es de primer orden
correlación positiva en el término de error.

Ambos modelos ofrecen resultados similares. La ventaja del registro

modelo es que la pendiente estimada coeficientes dar estimaciones
directas de la elasticidad los coeficientes, mientras que en el modelo
lineal las laderas sólo medir la tasa de cambio.
17.24 Los resultados estadísticos son los mismos, como en el problema
17,22 . Sin embargo, ya que este es el modelo las expectativas
adaptativas, la interpretación es diferente. Ahora, el estimado 8
se interpreta como la fracción que las expectativas de inversión
en plantas y equipos en el sector de la manufactura se revisan
cada período. El error de población estructura es ahora diferente,
como se señala en el texto.

17.25Aquí se utiliza la combinación de las expectativas adaptativas y PAM.

La estimación de ecuaciones es:

YT = J 308Y + FIFIYX, + [ (1 - 8) + (1 - r>K-i + [0 - * ) +0

- RW,.2 +vt donde vt= [ 8u, + 8 (l-y)u,_X]

Que, para su comodidad, expresamos como:

Y = a 0 + AXX, YT_X + A2 + A3YT_2 + v,
Sobre la base de los datos, los resultados de la regresión son los
siguientes:

21
0
 YT = -19.7701 + 0,715 * , +0.565 ^_, -0.409 ^_2 t =
(-4.467) (8,323 ) (4,250 ) (-3.460)
R2 = 0,992 ; F = 5653,234 ;D = 1,367
Los coeficientes estimados son estadísticamente
significativos. Pero, puesto que los coeficientes estimados
son combinaciones lineales de los coeficientes originales,
no es fácil conseguir sus estimaciones directas. En
principio, debemos estimar este modelo, utilizando métodos
discutidos no lineal en el Capítulo 14. Que las estimaciones
directas de los diferentes parámetros, que luego se pueden
comparar con los obtenidos por problemas 17.22,17 y .23
17,24 .
17.26 Se hará hipótesis nula Ho: las ventas no Granger causa inversión en
instalaciones y equipo. Los resultados de la prueba Granger son los siguientes:
Número de rezagos estadística Valor de p Conclusión
F 2 17,394 0,0001 Rechazar Ho
3 5,687 0,0117 Rechazar Ho
4 3,309 0,0628 No se rechaza Ho
5 2,379 0,1606 No se rechaza Ho
6 1,307 0,4463 No se rechaza Ho
Ho: la inversión en planta y gastos no CAUSALIDAD DE GRANGER
Ventas:
ESTADÍSTICA
NÚMERO DE REZAGOS F VALOR P CONCLUSIÓN
2 22,865 0,0001 Rechazar Ho
3 13,009 0,0004 Rechazar Ho
4 7,346 0,0065 Rechazar Ho
5 5,867 0,0262 Rechazar Ho
6 3,053 0,1939 No se rechaza Ho

Como puede ver en estos resultados, el test de causalidad

de Granger es sensible al número de rezago en términos
del modelo.
Hasta 3 lag, hay causalidad bilateral, hasta 5 rezagos hay
causalidad de las inversiones para el departamento de
ventas. En seis lag, ninguna variable variable hace que
los demás.

17.270Ne modelo ilustrativo instala aquí es el segundo polinomio de grado

Modelo con 4 lag. Utilizando el formato de Eq. (17.13.15 )
y dejando que Y representan inversiones y X las ventas, los
resultados de la regresión son los siguientes:

Y= -35.4923 + 0,8910 * t * ,.,-0.0312 +0.3255 * t.2

- 0,1792 * ,.3 / = (-4.3321) (5,1042 ). (3,6176 )

2
1
1
 k
(-0.2530) (-2.1109)
-
0.1
183
*
1-4
(-
0.6
562
)

El lector se insta a otras combinaciones de los gal y el grado

del polinomio. Puede utilizar el criterio de información de
Akaike para elegir entre los modelos de la competencia.
Coeficiente RVSUCNEO FER BER
Intercept -23.3844 -36.0936 -5.9303
ar (-2.3578) (-4.6740) (-
0,3188 0,8712 0,1215 0.8799)
(3,5791 ). (5,5205 ). (19,9423
XT.I 0,4414 0,3515 ) 0,1945
(3,9542 ). (10,4464 ) (19,9423
X U2 0,3677 0,0045 ) 0,2188
(5,4213 ). (0,0993 ). (19,9423
*T-3 0,0976 -0.1697 ) 0,1945
(2,1948 ). (-2.2065) (19,9423
*1-4 -0.3686 -0.1712 ) 0,1215
(-1.6678) (-2.7730) (19,9423
)
NOTAS: NER, FER, y BER denotan cerca, lejos, tanto de
las restricciones. Las cifras entre paréntesis son
los T ratios.

Como se puede ver, poner restricciones a los coeficientes de

los modelos producen resultados muy diferentes. Nota el
hallazgo interesante tanto que la imposición de las
restricciones que idénticos errores estándar y el T ratios. A
menos que exista una fuerte expectativa a priori, es mejor no
impone ninguna restricción. Por supuesto, el número de
términos desfasados y el grado del polinomio son las
preguntas que necesitan respuesta en cada caso.

21
2
 (A) de la Dirección DE LA F PROBABILIDAD
CAUSALIDAD # DE LAG
Y- >X2 2 0,0695 0,9329
X2 - >Y 2 2,8771 0,0705 *

Y^X2 3 0,1338 0,9392

X2 ^Y 3 2,4892 0,0793 *

Y^X2 4 0,1407 0,9655

4 1,8239 0,1533
* Significativa al nivel del 10 por ciento.

En cada caso la flecha indica la dirección de la causalidad. La hipótesis

nula en cada caso es que la variable de la izquierda de la flecha hace que la
variable en el lado derecho de la flecha. En cada caso, parece que la
inversión en el procesamiento de la información equipo no causalidad de
Granger las ventas. Pero hay algunos DÉBILES
Pruebas de que las ventas causa inversión. Pruebe otros
rezagos y ver si esta conclusión los cambios.
(b) Los resultados de la causalidad entre la inversión y la tasa
de interés son interesantes en la medida en que hasta 5 lag, no
existe una relación de causalidad entre los dos, pero en lag 6 tasa
de interés inversión causas pero no a la inversa. En los grupos 7 y
8 una vez más, no hay ninguna relación de causalidad entre los
dos. Es difícil de justificar estos resultados intuitivamente.

(c) En la forma lineal no hay rezagos distribuidos efecto

discernible de la venta de la inversión. En el modelo log-lineal con
4 lag y el segundo polinomio de grado y se imponía restricción
cerca del final, se obtiene los siguientes resultados:

^ =-15.1508 afectación ganglionar + 0,2008 En X2, + 0,3288 x 2 (

,_X) + 0,3841 x2 ( ,_2) T = (-73.2185) (3,8962 ). (5,0794 ).
(9,6896 ).
0,3665 * 2 ( ,_3) + 0,2762 * 2 ( ,_4)
(15,0782 ) (2,1921 ).
Si parcela los coeficientes de la X2 EN DIVERSOS términos,
usted encontrará que los coeficientes de lag 2 y, a
continuación, descenso, mostrando una forma de U invertida
curva.

17,30 (A) (B) AL APLICAR el test de causalidad de Granger, se puede

afirmar que hasta 4 lag no es bilateral causalidad entre las dos variables,
pero va más allá de los 4 lag no hay causalidad unilateral o bilateral. Por

2
1
3
 k
ejemplo, para el desfase 3 encontramos que
La productividad - "indemnización F= 3,84 0,0314
valor de ip ) La indemnización -
"productividad F= 3,97 0,0284 valor de ip )
En lag 4 nos encontramos con que
La productividad -" indemnización F = 2,27 0,0888
valor de ip ) la indemnización de
"productividad F= 3,26 0,0265 valor de ip )

(c) Por ejemplo, se puede retroceder una indemnización para la

productividad y la tasa de desempleo para ver el (parcial) del paro
de la productividad. Los resultados son los siguientes:
Y = 26,7834 0.6907xlt + + 0.6680X"
T = (12,8468 ) (33,2341 )(2,7053 ).
R2 = 0,9694 ; ¿ = 0,2427 Y
= indemnización, X2 = productividad y * 3 = la tasa de
desempleo.
Cada uno de los coeficientes estimados parecen ser
estadísticamente significativa. El signo positivo de la variable tasa
de desempleo puede ser contra-intuitivo, a menos que uno puede
hacer un argumento que una mayor tasa de desempleo aumenta la
productividad que, a continuación, conduce a una mayor

21
4
 Indemnización. Desde la D estadística en el presente caso es
bastante baja, es posible que este modelo sea sufre de
autocorrelación o especificación parcialidad, o ambos.

17,31 Sólo para dar una idea de la prueba de la Sim, nos encontramos Y
(INVERSIÓN EN PLANTAS Y EQUIPOS) * (VENTAS) CON DOS LAG Y DOS
TÉRMINOS DE * Y OBTUVO LOS SIGUIENTES RESULTADOS:

Î; = -2.6549+ 1,4421 * ,- 0,4043 * , _2 + 0,3290 * ,+1 - 0,5576 * ,+2

T = (-0.4039) (7,1142 ). (-2.0425) (1,6786 ). (-3.0060)
R2 = 0,9912 ;î/ = 3,0561 Estos resultados ponen en duda
que las ventas "causa" las inversiones, plazo para el plomo,
* t+2 parece ser estadísticamente significativa.

El lector debe intentar otro cable de lag estructuras para ver si esta
conclusión.

2
1
5
 CHAPTER 18
18.1 El número de dentistas exigido sería una función
SIMULTANEOUS-EQUATION MODELS del precio de la
atención estomatológica, con los ingresos de la población de pacientes,
la disponibilidad de seguro dental, el nivel de educación de la
población odontológica, el tamaño de la familia, etc. El número de
dentistas se suministra la función del precio de la atención
estomatológica, el costo de la educación odontológica, el tamaño de la
población odontológica, el número de escuelas de odontología, el
estado requisitos para la obtención de licencias, etc. Las variables
endógenas son el número de dentistas exigió y se suministra y el
precio de la atención estomatológica. Las otras variables pueden
considerarse exógenas.
18.2 Brunner y Meltzer utiliza variables tales como la tasa de interés real,
riqueza pública, relación de las actuales al ingreso permanente, etc.
Tiegen utiliza los ingresos, tasa de interés de corto plazo, han quedado
cantidad de dinero, etc. se debate en la literatura si es el tipo de interés
a corto plazo o el tipo de interés a largo plazo que este es el costo de
oportunidad del dinero.
18.3 Forma de desviación (desviación de los valores promedio) la oferta y
la demanda las funciones se pueden expresar de la siguiente manera:
Ql = "i P + ( " 1/ - " ,) = " , / > ,+ "u
(1)
Qs = P\P, + ( " 2/ " : "2 ) = Px P, + U2,
(2)
De (1), obtenemos:
«
_ JLq,p, S[(«iA +uj
]p 1 I A2

= " , + ^ £TL (3)

IP2
Zp,uu
I A2
En equilibrio, (1) = (2), por lo tanto, obtener, tras simplificación,
••
^ 2( ^ ^ 1/ /A\
P = J (4)
"1 ~Px
^ =£ ( "2, _Zu2lUu-St/,7
Ai ~P\
"1-Px
^P2 Z^ +S" 1 ? -2Z" >1,< (6)
( "1 -Px)2
Sustitución de las expresiones anteriores
(3 ), y de la simplificación, obtenemos:

21
6
 ¿I=g, +- •• ( "i- &> < ?)
(8
LU2I + ! ,"" -2LU2,UU RECORDANDO QUE U\
Y U2 no están correlacionados, al tomar la )

21
7
 Probabilidad límite (plim),
CHAPTER 18 obtendremos
SIMULTANEOUS-EQUATION MODELS
Plimâ, = a, (a, -ft)

Ya que en general el último término en (8) es distinto de cero, βt no es

un estimador consistente de a,.

(B) Si un = ft, el anterior probabilidad será igual a un".

18.4 Igualando Las Ecuaciones (18.2.13 y 18.2.18 ), obtenemos:

(1)
Por lo tanto,
O, - ^)
R< = (4 ^o) +_JI-m o, - ^)
(2)
Sustituyendo (2) en la ecuación, obtenemos
~ - " ^2 ) + (4, ~ j ^ * 1 ^1 j^
(Nx-kj) Or,-> * 2)
18.5 (A) El Las variables Y (ingreso real per cápita) y L ( real
Per cápita base monetaria) reflejan la preferencia por la liquidez. La
variable / (tasa de inflación esperada) refleja teoría de Fisher. Las
variables N1S ( una nueva cuestión variable) y E ( espera al final de
período, aproximados por retraso de relaciones de precios)
introducir elementos de flujo. La variable / ?bt-i (rendimiento de los
bonos desfasados) permite un efecto rezago distribuido. Estos se
describen en el artículo de Oudet.

(B) Y (c) las variables endógenas son y Rbt . /FBT-I ES UNA

VARIABLE PREDETERMINADA (ENDÓGENA REZAGADA). NO HAY
REZAGO en Rst plazo del modelo. Todas las demás variables están
predeterminados (exógenos).

18.6 ( A ) Cada VARIABLE es endógena. Cada VARIABLE X es exógeno.

( ¿ >) Sí, cada ecuación puede ser estimada por MCO. Sin embargo,
dado que este es un sistema de ecuaciones simultáneas, la operación
puede tener un sesgo estimadores así como incoherente.

18.7 ( A ) Bass Al parecer no se trata de desarrollar un general

Modelo de oferta y demanda; él está estudiando la relación entre los
gastos de publicidad y venta de cigarrillos.

(b) Si XI ha de ser tratada como endógeno, necesitamos una ecuación

para
Explicar * 2-

18.8 (A) El Las variables endógenas son Y, C, Q, Y I.

21
8
Las variables predeterminadas son P, R, rt-h Tc-i y Qi-u los dos
primeros (8
)

21
9
 De estos exógenas y el resto se quedó endógeno.

(c) Esta variable puede tener en cuenta la inflación.

18.9 (A) No hay un sistema de ecuaciones simultáneas. Ninguno de los

Ecuaciones de variables dependientes se utilizan como regresores
en otra ecuación. Los estimadores será imparcial y coherente.
(b) Cuando las variables se expresan en primera diferencia, la
tendencia (lineal), si los hubiere, en estas variables.
Normalmente, esto reduce el VALOR R2 cuando las variables se
usan en la primera forma de diferencia.

Problemas

18.10 Los resultados de la regresión son los siguientes:

PCÊ, =-142.1826 + 0.6889GD/Î T = (-5.3883) (156,2434 )
R2 =0.9988; * / = 1,2019
18,11

/, = PIB -289.0339 +
66.8100t = (-4.3262) (17,5783
)
R2 =0.9169; * /= 0,3851

18,12
Los resultados de la regresión son
los siguientes: /, =588,1915 +
1.5007tf- ^_") t = (7,1598 ) (4,0243
).
R2 =0.3749; * / = 0,5245

2
2
0
 CHAPTER 19
THE IDENTIFICATION PROBLEM

19.1 Utilizando las definiciones de M, M, K Y K, Y DEJAR QUE R sea

igual al número de variables (endógenos, así como
predeterminado) excluidos de una ecuación dada, entonces,
por definición 19.1 ,
R = ( M - m ) + ( K - k ) > ( M -1)
Restando (M - M) DE CADA LADO ,
obtenemos (K-K) >M-L, QUE ES LA
DEFINICIÓN 19.2 .

19.2 Los coeficientes estructurales son:

ßO ßL^S "- S ^3 a\n *

TV j

7V
^

19.3 (A) ElReducidoFormularioEcuaciones Son los siguientes:

* I>
Y =Te0 +7txi, +w, (1)
C = 7v2+JII, +wl (2)
Para este sistema M= 2 (C,A) Y K =1 (I). El orden
condición aplicada a (2) demuestra que es exactamente.
La identidad es identificado por definición.

(b) La forma reducida las ecuaciones son:

Wt = n 0 + nxUN, + n2M, + wt (1)
P, =nr4 + nJJN, + njt + zr7M , (2)
Para este sistema, M= 2 (W,P) y K = 3 (ONU,R,M).
Por la condición de la orden, Eq. (1) overidentified, pero
Eq. (2) se acaba de demostrar.
(c) Este problema se ha diseñado para mostrar la
tediosa naturaleza de ecuaciones de forma reducida
en desarrollo. La solución está en manos del lector.

19.4 Consulte el ejercicio 19.3 . La prueba de estado proporciona el

mismo resultado.

19.5 La razón de ello es que la ecuación oferta es overidentified

es que la ecuación de la demanda contiene dos variables
preestablecidas, /R.
Si contiene sólo uno, la ecuación oferta sería sólo
identificados. Por lo tanto, si a2 = 0 Y A3 = 0, la ecuación

22
1
oferta sería de sólo identificados.

2
2
2
19.6 (A) para este sistema, M= 2 (YU Y2) y K =2 ( XUX2). Por la
CHAPTER
condición de la orden, 19
Y1 y Yl son exactamente identificado.
THE IDENTIFICATION PROBLEM
(b) En este caso Y\ se identifica, pero no Y2.
19.7 (A) A CONTINUACIÓN el sistema (19.2.12 ) y (19.2.22 ), se puede
demostrar que:
UN UN

Un (* " = H = ^- = 1-25
Nn ^12

K=A, = ^ =2
N" 7BN

F = [ ¿ " - ^4 =
2.25 ;^ = [ #k-5
^L] = -6 ^11 ^11
( ¿ >) para probar esta hipótesis, es necesario que el error estándar
de YN. PERO COMO SE PUEDE VER EN (A), YN es una función no lineal
de los N coeficientes y no es fácil estimar su error estándar.
19.8 (A) En este ejemplo, Y \ NO ESTÁ identificado, pero Y2 ES . Este
sistema es similar al sistema (19.2.12 y 19.2.13 ). Por lo tanto,
UN
Ai = i= 1 -5; Ao = ( ¿2 - Ai^o) = -4 nx
Los restantes coeficientes no pueden ser identificados.
( ¿ >) en este caso ambos Y\ Y Y2 SON identificados.
19.9 En este sistema M = 4 y K = 5. Aquí todas las
ecuaciones son overidentified.

19.10 En este caso M = 4 y K = 4 . Por la condición de la orden, Y \

Y Y2 no se identifican, pero Y% y K" son identificados.

19.11 En este caso M = 5 y K = 4. Por la condición de la orden, 1 ^,1

^ ,y YS son identificados, Y $ no se identificó y Y4
ES overidentified.

Para mostrar cómo el rango estado obras, considerar la primera

ecuación.
Se excluyen las variables Y3,YS,X2 Y X3. PARA ESTA ECUACIÓN
PARA SER IDENTIFICADOS, DEBE HABER AL MENOS UN 4X4 NO ES
IGUAL A CERO FACTOR DETERMINANTE DE LOS COEFICIENTES DE

22
3
LAS VARIABLES EXCLUIDAS DE ESTA ECUACIÓN SINO QUE SE
INCLUYE EN LAS RESTANTES ECUACIONES. UNO DE LOS FACTORES
DETERMINANTES ES LA SIGUIENTE:

2
2
4
 *0

Pa 0 y22 y23 1 / ?
35 0 Aj3
0 0 0 Ya3
0 1
R52R *

Por lo tanto, el rango de condición también la primera

ecuación se identifica. Seguir un procedimiento similar para
las otras ecuaciones.

19.12 Para este modelo, M = 4 y K = 2 . Por la condición de la

orden, la ecuación de C se identifica, y los de / y T
son overidentified.

Con r tratadas como exógenas, M = 4 y K = 3. Por la

condición de la orden ahora las ecuaciones para C, T y YO
ESTAMOS overidentified.

19.13 En la Ec. (19.1.2 ), la forma reducida de la ecuación de ganancias

es:
Yt +nxI, +u,
La operación los resultados son:
Y = 10,0000 + 5,0000 /,
t = (8,458 ) (12,503 )
R2 = 0,897
En la Ec. (19.1.4 ), la forma reducida para el consumo es la
siguiente:
C = N2 + NJ, + WT LA
OPERACIÓN LOS RESULTADOS SON:
C = 10,000 + 4,000 /, t =
(8,458 ) (10,002 ) r2= 0,848
Para este modelo, M = 2 y K = 1. Por la condición de la
orden, el consumo se acaba de demostrar. Las estimaciones
de los coeficientes estructurales son:
^ = A= 2 ;A=^ = 0,8
Jt\ N2

19.14 Consulte el ejercicio 19.1 . En la Ec. (19.3.1 ), con Definición 19.2

,

22
5
 K-K>M-1 AGREGAR K
A cada lado. Esto produce K >M
+ K-\

19.15 (A) la forma reducida las ecuaciones son:

2
2
6
 (b) Aquí M=2, K = 7 . Por la condición de la orden, ambas
ecuaciones son overidentified.

19.16 (A) y (b) M = 2 y K = 2. Por la condición de la orden, la función de

demanda no ha sido identificado y la función de oferta es
overidentified.

(c) La forma reducida las ecuaciones son:

Yt =x0+xir, +x2Pt+v,
M = iTj +x4R, +ksp, + w,

(d) Para probar la simultaneidad en la función de suministro,

(1) Estimación de la forma reducida de YT
Y obtener las desviaciones, v,
(2) Retroceso MT EN YT y v
(3) La hipótesis nula es que no hay simultaneidad, es
decir, el coeficiente de v, en el paso (2) no es
estadísticamente significativa.

Los resultados de este ejercicio son los siguientes:

Variable dependiente: M2 Método: Mínimos Cuadrados Muestra:

1970 1999 observaciones incluidas: 30

Coeficiente variable Ets. Error t-statistic C -2021.6072

113,5850-17.7981
0,0186 40,95330,7650
0,0422 -3.8094-0.1608
R2 = 0,9872 d = 0,5221

Dado que el coeficiente del término residual es estadísticamente

muy significativa, rechazar la hipótesis nula de que no hay
simultaneidad.

(e) Aquí se utiliza el test exogeneidad se explica en el capítulo.

Se estima la siguiente regresión:

2
2
7
 W = A+ M + M + " , 0)
UN
Cuando YT es obtenida de la regresión de la forma reducida para
Y en (c).

Si el estimadoEs estadísticamente diferente de cero y rechazar la

Hipótesis que YX es exógeno.

Variable dependiente:
M2 Método: Mínimos
Cuadrados

VariableCoeficiente Est. Error t-statistic

C -2295.7898 78,9873 4,8238 4 -29.0652

Yt 0,3292 0,06825
6,8929
0,4791 0,0695

R = 0,9928 d = 0,5946

Como demuestran estos resultados, el coeficiente de YT es

estadísticamente significativa, lo que llevó a la conclusión de
que Y NO ES EXÓGENO.

2
2
8
 CAPÍTULO 20 MÉTODOS DE
ecuaciones simultáneas

20.1 (A) FALSO. LA OPERACIÓN se puede utilizar en el sistema recursivo.

(b) CIERTO. SI una ecuación no es identificado, ningún

método se proporcionan estimaciones de los parámetros
estructurales.

(c) Cierto.

(d) FALSO. En un sistema de ecuaciones simultáneas hemos

endógena, así como variables exógenas. A veces no estamos
seguros de si es una variable exógena o endógena. La exogeneidad
prueba nos permite a esta prueba.
(e) CIERTO. Ver Ap. 20A. 1 En relación con ILS y capítulo
14 nota sobre 2SLS.

(J) CIERTO. Sólo las regresiones individuales tienen VALORES DE R2 .

(g) FALSO. 2SLS puede ser modificada para tratar con errores

autocorrelacionados.

(h) CIERTO. Véase Sec. 20.4 .

20.2 (A) 2SLS está diseñado para proporcionar las estimaciones de los
parámetros de una ecuación estructural overidentified, lo cual no es
posible con ILS. Pero si una ecuación es exactamente identificado,
2SLS le dará el mismo según las estimaciones, el ILS.

20.3 (A) Las tres ecuaciones de forma reducida son:

Y t = n 0 + nxY"_x +k2G + v"

Ct=Tti + nJ,_X+7 riGl+v2t
TI = JT6 + ! + N %G + v3,
Para este sistema, M- 3 y K = 2 . Por la condición de la orden,
la ecuación para C overidentified y que para MI es
identificado.

(b) Para estimar la función consumo overidentified, use 2SLS y

para estimar la función de inversión, utilizar ILS.

20.4 Si el valor de la R2 en la primera etapa de 2SLS es alta, lo que

significa que los valores estimados de las variables endógenas son
muy cerca de sus valores reales; por lo tanto, esta última es menos
probable que se correlaciona con el término de error estocástico en

2
2
9
el original ecuaciones estructurales. Sin embargo, si el valor R2 de
la primera fase de regresión es baja, el 2SLS

2
3
0
20.5 Las estimaciones serán prácticamente no tiene sentido porque uno
procederá a la sustitución de la original YS de la segunda etapa de la
regresión estimada Fs de la primera fase de las regresiones, lo que
en esencia representan los disturbios en la primera fase de las
regresiones. En otras palabras, la estima Y valores serán muy
pobres sustitutos de los VALORES DE Y. En el sistema de resultados
que se muestran en este problema, los valores estimados de las
variables endógenas son cerca de los valores reales.
Los valores son 2SLS no tendría sentido porque en muestras
grandes que proporcionan estimaciones consistentes de los
coeficientes estructurales.

20.6 (A)Escribir El sistema de notación matricial, obtenemos :

En un
1 -A -fi 1 En
-1 0 1 0 el En--en/? P
En- -en
-1 prim una . P

er
Que se puede escribir
trim en notación matricial como:

Ay = x estre
Ahora si (A + /? )de= 1, se puede afirmar que el factor determinante
de la UN, |j4| , esLcero, lo que significa que la matrix no puede ser
invertido. Por lo EN
tanto, no hay solución.
K
(b) Incluso si (" + /?) * 1 , hay un problema de identificación. Desde W/P
y R/P son conocidos, pueden ser tratadas como constantes y ser absorbidas en el
término constante en A. Como resultado de ello, cualquier combinación lineal de las
ecuaciones (2) y (3) se distinguen de la ecuación (1).

(c) Hay varias posibilidades. Por ejemplo, podríamos añadir

una o más variables exógenas a ecuación (2) o la ecuación (3),
asegurándose de que teóricamente las variables no aparecen en la
función de producción (1). Por ejemplo, es posible introducir
distribuido de lag mecanismo la productividad marginal en las
relaciones, lo cual puede dar lugar a la inclusión en el último
período de capital

En relación con la productividad marginal del capital.

20.7 (A) El Función de demanda es identificado.

(b) La función de suministro es overidentified.

2
3
1
 (c) 2SLS puede ser utilizado para estimar los
parámetros de la función de oferta overidentified.

(d) Las funciones son ahora overidentified. Por lo tanto, utilice

2SLS.
20.8 La forma reducida las ecuaciones son:
* I;= o+ * , +v, 0)
C, =X2+X3I, +W, (2)
Las estimaciones de la reducción de esas
regresiones formulario basado en los
datos son los siguientes:

Y, 1831,8580 + 4,6722 = /,
/ = (7,6427 ). (17,5784 ) (1-a)
R2 = Q. 9 \ 69 \d = 0,3287
C = 1130,843 + 3,2059 /
T = (6,5225 ) (16,6752 ) (2-a)
R2 = 0,9085 ; ¿ = 0,3751 El ILS
estimaciones del original ecuaciones estructurales son:
^ = ^ = -= 3,2059
0,6862 4,6722 1 fcx
A = ^ d - A ) = 574,8370 de comparación, la
regresión por MCO de C Y dio los siguientes
resultados:

C = 0,68891 + -142.1826^
/ = (-5.3883) ( 156,2434 )
R2 = 0.9988; * /= 1,2019 Como se puede ver, las
estimaciones de la propensión marginal a consumir (MPC) de la
ILS estimación es 0,6862 y estimación de la operación es 0,6889 .
Esta diferencia puede no ser estadísticamente significativa, pero en
la práctica lo que podría ser. En el primer caso, el multiplicador,
M=
----------,Es3,1565 Y En ElSegundo(OSS)CasoQue Es
-----3,2144 . En
1 -MPC
Cualquier caso, desde la operación estimaciones en la presencia de
la simultaneidad son parciales, así como contradicción, no se
pueden conservar en cuenta este hecho en la operación y
comparando el ILS estimaciones.

Problemas

2
3
2
20.9 (A) El modelo IS-LM de la macroeconomía puede ser usada para
justificar
Este modelo.
(b) Por la condición de la orden, el tipo de interés no es
identificado, pero la ecuación de ganancias es identificado.

(c) En este ejemplo, la variable exógena. Utilizando los datos

que figuran en el cuadro 20.2 , obtenemos los siguientes resultados por ILS:

Y,= 2834,488 +1.2392M,

t = (32,0163 ) (37,3812 )
R2 =0.9803; * / = 0,3074 se deja como
ejercicio para el lector para recuperar el
original coeficientes estructurales, es decir, a0y a,.

20.10 (A) Por la condición de la orden, el tipo de interés no es

Y en la ecuación de ganancias es overidentified.

(b) Aquí usted puede usar 2SLS. Usamos M Y 7 t-i como

instrumentos.
Los resultados de la regresión, sido realizados en Eviews 4, SON LOS
SIGUIENTES:

Y = 16977,06 -1627.870/ ?,
T = (3,0842 ) (-2.0350) donde R es el de
seis meses tasa de interés letras del tesoro.

Tenga en cuenta que no hemos presentado el R2 por las razones

que se indican en el capítulo.

20.11 Aquí tanto las ecuaciones son exactamente identificado. Uno

puede utilizar ILS o 2SLS para estimar los parámetros, pero
que se darán los mismos resultados por las razones que se
indican en el capítulo.
A continuación, se muestran las estimaciones de la la forma
reducida (RF) ecuaciones. Tenga en cuenta que en la RF, sólo las
variables exógenas (/ y M) aparece en el lado derecho de cada
ecuación.

R = 8,7056 - 0.00049M, -0.00084/ , ., t =

(6,0589 ) (-05192) (-0.2281)
/E2 = 0,1172 Y = 2421,074 + 0.8944M, +1.4585/,
/ = (32,7247 ) (18,3144 ) (7,6607 ) si2
= 0,9938

2
3
3
 Se deja para que el lector pueda recuperar el original parámetros
estructurales de la forma reducida los coeficientes.
20.12 (A) AHORA las ecuaciones para R e Y no son identificados,
mientras que la ecuación de la inversión es exactamente
identificado.

(b) En primer lugar, hemos obtenido el RF para la función de

inversión. Ya que hay sólo una variable exógena,
M, incurrimos EN M, que arroja los siguientes resultados:

/ ,= 283,4482 +
0.2364M, t = (5,6424 ).

(12,5681 )
R2= 0,8494
Dejar que el lector para estimar la forma reducida las regresiones
para R Y Y Y RECUPERAR LOS COEFICIENTES DE LA FUNCIÓN DE
INVERSIÓN.
20.13 Si se sigue el procedimiento descrito en el Apéndice 20A. 2, usted
debe recibir los errores estándar se muestran en la (20.5.3 ), que se
obtiene directamente de la DECISIVO paquete 4.
20.14 (A) puesto que la oferta es una función del precio en el período
anterior, el sistema es recursiva, por lo que no hay simultaneidad
problema aquí.

(b) Cada ecuación se puede calcular mediante LA OPERACIÓN

individual.

(c) Los resultados de la regresión son los siguientes:

Función de demanda:

DE = 69,512 + 0,201 + 0,00

^ IX, T = (7,393 ) (1,782 )
(1,586 )
R2= 0,501
Dado que los coeficientes de los dos regresores son
individualmente no estadísticamente significativa, no se puede
decir mucho acerca de esta función de demanda. Tenga en cuenta
que el precio coeficiente es positivo, contrariamente a las
expectativas previas.

Función de la alimentación

2
3
4
 = 66,287 + 0,330
^ ., t = (8,288 )
(4,579 ) r2= 0,525
Como era de esperar , el coeficiente de la variable de precios
desfasados es positiva. También es estadísticamente significativa.

20.15Este es un ejercicio de clase.

CAPÍTULO 21
SERIES DE TIEMPO ECONOMETRÍA: ALGUNOS CONCEPTOS
BÁSICOS

21.1 Un proceso estocástico es débilmente estacionaria si su media y la

varianza son constantes en el tiempo y si el valor de la covarianza
entre dos periodos de tiempo depende únicamente de la distancia o
diferencia entre los dos períodos y no la hora real a la que se calcula
la covarianza.

21.2 Si una serie de tiempo tiene que ser diferenciada D veces

antes de que se quede inmóvil, es integrada de orden d , I
( D), EN su forma no diferenciadas pueden, por ejemplo una
serie de tiempo es fluctuantes.
21.3 Diciéndolo, el término de raíz significa que una determinada
serie de tiempo es fluctuantes. Más técnicamente, el término
se refiere a la raíz del polinomio en el lag.

21.4 Tiene que ser diferenciado tres veces.

21.5 El DF es una prueba estadística que se puede utilizar para
determinar si una serie de tiempo es estacionaria. El ADF es similar
al DF excepto que toma en cuenta la posible correlación en el
término de error.
21.6 El EG y AEG pruebas son procedimientos estadísticos que se
pueden utilizar para determinar si dos series de tiempo están
cointegrados.
21.7 Dos variables son cointegrados se dice que si hay una relación
estable a largo plazo entre ellos, aunque individualmente cada una
de las variables es fluctuantes. En ese caso, la regresión de una
variable en el otro no es falsa.
21.8 Las pruebas de la unidad popular se realizan en las distintas
series de tiempo. Cointegración se refiere a la relación
entre un grupo de variables, donde (incondicionalmente),
cada uno de ellos tiene una raíz unitaria.
21.9 Si una variable es retrocedido fluctuantes en otro fluctuantes
variable(s), la regresión puede pasar el habitual criterios estadísticos
(alto valor R2 T, ratios, etc. ) aunque a priori no podemos esperar
una relación entre los dos. Esto es especialmente cierto si las dos

2
3
5
 variables no están cointegrados. Sin embargo, si las dos variables
están cointegrados, aunque cada uno de ellos son fluctuantes, la
regresión no puede ser falsa.

21.10 Véase la respuesta a la pregunta anterior.

21.11 La mayoría de las series de tiempo económicas mostrar tendencias.
Si estas tendencias son perfectamente previsibles, que
denominamos determinista. Si no es así, nosotros los llamamos
estocástico. Una serie de tiempo no estacionarias presenta
generalmente una tendencia estocástica.

21.12 Si una serie de tiempo presenta una tendencia determinista, los

residuos de la regresión de series de tiempo sobre la evolución
variable representa lo que se llama una tendencia de proceso
estacionario. Si una serie de tiempo es fluctuantes, pero se queda
inmóvil después de tomar su primer (o superior) para las
diferencias, nos llaman a este tipo de series de tiempo una
diferencia de proceso estacionario.
21.13 Una caminata aleatoria es un ejemplo de un proceso fluctuantes. Si
una variable sigue un paseo aleatorio, es decir su valor hoy es igual
a su valor en el período anterior más un shock aleatorio (término de
error). En tales situaciones, puede que no seamos capaces de
prever el curso de este tipo de variable en el tiempo. Los precios de
las acciones o los tipos de cambio son ejemplos típicos de la
caminata aleatoria fenómeno.

21.14 Esto es cierto. La prueba está dada en el capítulo.

21.15 Cointegración implica un largo plazo, o de equilibrio, relación

entre dos (o más variables). En el corto plazo, sin embargo, puede
haber un desequilibrio entre los dos. El ECM pone las dos variables
de equilibrio de largo plazo.

Problemas

21.16 (A) Los autocorrelogramas de todas estas series de tiempo muy

similar al PIB correlogram dada en la Fig. 21.8 . Todos estos
autocorrelogramas sugieren que estas series de tiempo son
fluctuantes.

21.17 Los resultados de la regresión son los siguientes:

APCE, = 93,392 + 0,799 / - 0.044PC£

,_, x = ( 1,678 ) (1,360 ) (-1.376) *
R 2 = 0,022
* En términos absolutos, este tau valor es menor que el valor crítico

2
3
6
tau, lo que sugiere que hay una raíz unitaria en el PCE series de
tiempo, es decir, esta serie es fluctuantes.

2
3
7
 NUMÉRICA, = 326,633 + 2,875 / -
0,0157 PDI,_X T = (2,755 ) (2,531 ) (-
2.588) *
R2 = 0,076
* Este tau valor no es estadísticamente significativa, lo que sugiere
que la PDI serie de tiempo contiene una unidad raíz, es decir, es
fluctuantes.

UN Pr su, = 6,522 + 0,084 - 0,069 Pr su, .,

t = (2,154 ) (1,142 ) (-1.715) *
R2 = 0,037
* Este tau valor no es estadísticamente significativa, lo que
sugiere que esta serie tiene una raíz unitaria.

Los dividendos, = 0,565 + 0,113 - 0,063

Dividendst_, t= (1,515 )(3,138 )(-2.640) *
R2 = 0,148
* Este tau valor no es significativo, lo que
sugiere que los dividendos series de tiempo son
fluctuantes.

Por lo tanto, vemos que todas las series de tiempo son

fluctuantes. Los resultados del test de Dickey-Fuller con ninguna
tendencia y no tendencia y no interceptar no altera la conclusión.

21.18 Si el término de error del modelo se correlacionaron en serie, ADF es

el
Más apropiado. Las estadísticas de la r el coeficiente que
corresponda de la ADF las regresiones para las tres series son:
PCE -1.605
Benefici -2.297
os
Dividendos -3.158 los valores t críticos siguen siendo los
mismos, como en el problema 21,17 . Una vez más, la conclusión
es la misma, es decir, que las tres series de tiempo son fluctuantes.
21.19 (A) Probablemente sí, porque por separado las dos series
de tiempo son fluctuantes.
( ¿ >) la regresión por MCO de los dividendos sobre los
beneficios dio los siguientes resultados:
Coeficiente variable Ets. Error t-statistic

C -13.3114 7,3626
BENEFICI 0,6281 0,0526
OS

R-squared 0,6231 ¿ =0,0712

2
3
8

-1.8079
11,9253
 Cuando los residuos de esta regresión fueron sometidos a
pruebas de la raíz con una constante, constante, y la constante
y tendencia, los resultados muestran que los residuos fueron
no estacionaria, lo que llevó a la conclusión de que los
dividendos y las utilidades no están cointegrados. Ya que este
es el caso, la conclusión, en (a) permanece encendida .

(c) No tiene mucho sentido para este ejercicio, ya que no

hay una larga relación entre los dos.

(d) Ambos presentan tendencias estocásticas, lo cual está

confirmado por la prueba de la raíz de cada serie de tiempo.

(e) Si los dividendos y las utilidades están cointegrados,

no importa que es el regressand y que es el regresor. Por
supuesto, en teoría podría resolver esta cuestión.

21.20 Los correlogramas de las primeras diferencias del PDI, beneficios

y dividendos, todos muestran diagramas similares a la de la Fig.
21.9 . La primera diferencia en cada una de estas series de tiempo
parado. Esto puede ser confirmado por el test de ADF. El r las
estadísticas para el coeficiente que corresponda de la ADF las
regresiones para las cuatro series de tiempo son:
PCE -4.852
PDI -6.856
Benefici -5.517
Dividendos
os -6.305 todos estos VALORES DE R , en
términos absolutos, superar la crítica VALORES DE R , lo que
confirma que las primeras diferencias de las series de tiempo
son en realidad inmóvil.
21.21 En teoría no debería haber una intersección en el modelo. Pero si
hay una tendencia en el modelo original, a continuación, una
intersección podría incluirse en la regresión y el coeficiente de
que interceptan término indicará el coeficiente de la tendencia
variable. Por supuesto, esto supone que la tendencia no es
determinista y estocástico.

Para ver esto, ahi los dividendos sobre los beneficios y la

tendencia variable, que dio los siguientes resultados:

Variable dependiente: dividendo

Coeficiente variable Ets. Error t-statistic

C 11,8978 2,3538 5,05457
BENEFICI 0.1096
- 0,02939 -3.7293
OS
Tendencia 1,6472 0,0554 29,7008

2
3
9
 R-squared 0,9668

Pero hay que tener cuidado de esta regresión porque esta regresión se
supone que hay una tendencia determinista. Pero sabemos que el
dividendo series de tiempo tiene una tendencia estocástica.

Ahora retrocesos las primeras diferencias de los dividendos de las

primeras diferencias de los beneficios y la intersección, se obtiene el
siguiente resultado:

Coeficiente variable Ets. Error t-statistic

1,3502 0,1953 6,9112

-0.0238 0,02080 -1.1470

R-squared 0,0152

En esta regresión la intersección es importante, pero no el

coeficiente pendiente. La intersección de 1,3502 valor en teoría
es igual al coeficiente de la variable tendencia en la ecuación
anterior; los dos valores no son idénticos porque de los errores de
redondeo, así como el hecho de que la tendencia de los
dividendos serie no es determinista.

C Este ejercicio muestra que hay que ser muy cuidadoso en

Las particular la tendencia variable en una serie de tiempo regresión a
utilidades menos que uno esté seguro de que la tendencia es en realidad
deterministas. Por supuesto, uno puede usar el DF y ADF pruebas
para determinar si la tendencia es estocástico o determinista.

21.22 La primera diferencia de regresión en el ejercicio anterior,

podemos obtener los residuos de esta regresión (u), y los someten
a pruebas de raíz. Hemos retrocedido Aw, en su propia zaga valor
sin interceptar, con interceptar y con intercepto y tendencia. En
cada caso, la hipótesis nula es que estos residuos son fluctuantes,
es decir, contienen una prueba de la raíz. El Dickey-Fuller r los
valores de las tres opciones fueron -3,9592 , -3,9367 y 3,9726 .
En cada caso la hipótesis fue rechazada en 5% o mejor nivel (es
decir, valor de p inferior a 5%). En otras palabras, aunque los
dividendos y las utilidades no eran cointegrados, fueron
cointegrados en la primera diferencia.

21.23 (A) DADO QUE |r| es menor que la crítica |r| valor, parece
que el alojamiento inicio series de tiempo son fluctuantes.
Por lo tanto, hay una raíz unitaria en esta serie.

2
4
0
( ¿ >) Normalmente, una absoluta del valor de t en la medida de
lo 2.35 o mayor sería significativo al nivel del 5 por ciento. Pero
a causa de la unidad

2
4
1
 Situación raíz, el verdadero | /| valor aquí es de 2,95 y 2,35 no . Este
Ejemplo nos muestra por qué uno tiene que ser cuidadoso en el
uso de la ESTADÍSTICA T indiscriminadamente.

(c) Desde el |r| de AA" , ., es mucho mayor que el correspondiente

Valor crítico, la conclusión es que no existe una segunda unidad
en la caja raíz inicio series de tiempo.

21.24 Esto se deja para el lector.

21.25 (A) (b)

X
Y presenta una tendencia lineal, mientras que X representa
una tendencia cuadrï¿ ½ica.

Aquí está el gráfico de la real y equipado Y valores:

Real Residual equipado

Habida cuenta de los resultados de la regresión se podría pensar

que esto es un "buen" regresión en que tiene un alto R2
Y T relaciones significativas. Pero es una relación totalmente
espurios, porque estamos retrocediendo una tendencia lineal
variable (7) en una variable con tendencias quadratically (X). que
algo no está bien con este modelo se puede extraer de la muy baja
Durbin-Watson valor d .

2
4
2
 El punto de este ejercicio es que nos advierten contra la lectura
demasiado en los resultados de la regresión de dos variables con
tendencia determinista tiempo caminos divergentes.

21.26 (A) Regresión (1) muestra que la elasticidad de Ml con respecto

al PIB es de aproximadamente 1,60 , lo que me parece
estadísticamente significativa, como el valor de este coeficiente
es muy alta. Pero mirando el VALOR D, tenemos la sospecha de
que no hay correlación en el término de error o que esta
regresión es falsa.
(b) En la primera forma, aún hay relación positiva entre las
dos variables, pero ahora la elasticidad coeficiente ha disminuido
drásticamente. Sí, d valores podría sugerir que no hay correlación
serial problema ahora. Pero la importante caída
El coeficiente de elasticidad sugiere que el problema aquí puede
ser uno de falta de cointegración entre ambas variables.

(c) Y (d) de la regresión (3) parece que las dos variables

están cointegrados, del 5% valor crítico -1.9495 es tau y el valor estimado es
más negativo que esto. Sin embargo, el 1% valor crítico tau es de -2,6227 , lo que
sugiere que las dos variables no están cointegrados. Si permitimos que para interceptar y
interceptar y tendencia en la ecuación (3), entonces el DF para mostrar que las dos
variables no están cointegrados.

(e) Ecuación (2) da el corto plazo relación entre los registros de

dinero y en el PIB. La ecuación dada aquí tiene en cuenta el
mecanismo de corrección de errores (ECM), que intenta
restablecer el equilibrio en el caso de que los dos variables desvíe
de su larga trayectoria. Sin embargo, el término de error en esta
regresión no es estadísticamente significativa al nivel del 5 por
ciento.

Ya que, como se expone en los apartados c) y D) ANTERIORES, los

resultados de los tests de cointegración son más bien mezclado, es
difícil decir si los resultados de la regresión presentado en (1) son
falsas o no.
21.27 (A) Y ( b) El tiempo del IPC gráfico muy parecida a Fig. 21,12 .
Este gráfico muestra claramente que en general hay una
tendencia al alza en el IPC. Por lo tanto, regresión (1) y (2) no
son dignas de consideración. Tenga en cuenta que el coeficiente
de los datos del IPC es positivo en tanto facilita. De la
estacionalidad, que requieren de este valor a ser negativo.
Por lo tanto, el más significativo es regresión ecuación (3).
La DF de la raíz las pruebas sugieren que la serie de tiempo es IPC
Tendencia estacionaria. Es decir, los valores del IPC en torno a su
valor de tendencia

2
4
3
 (Lo cual es estadísticamente significativo) están fijas.
(c) Desde Ecuación (1) omite dos variables, tenemos que utilizar
la prueba F

Utilizando el Æ2 versión de la prueba F, el Æ2 valor de regresión (1)

es 0,0304 , que es el limite Æ2. El Æ2 valor de regresión (3), que es
0,4483 , es el irrestricto Æ2. De ahí el valor F es:

(0,44 " 3 -0.0304) /2 ( 1 - 0,4483 ) /37

Refiriéndose a la DF F valores dados en la Tabla D. 7 en App. D, se
puede ver que el valor F observado es altamente significativa (Nota: La
tabla no da el valor F de 40 observaciones, pero mentalmente la
interpolación de la dado F, se puede llegar a esta conclusión. ). Por lo
tanto, la conclusión es que las restricciones impuestas por regresión
(1) Son válidos. Más positivamente, es un retroceso (3) que parece válido.
CAPÍTULO 22 SERIES DE
TIEMPO ECONOMETRÍA: LA PREVISIÓN

22.1 Como se discutió en segundos. 22.1 , En líneas generales, existen

cinco métodos de previsión económica: (1) suavizamiento
exponencial, (2) una ecuación de regresión, (3) modelos de
ecuaciones simultáneas, (4) ARIMA y (5) VAR.
22.2 Ecuaciones simultáneas (SE) las previsiones económicas se basa
en un sistema de ecuaciones (compuesto de por lo menos dos
variables pero generalmente muchas más) que explican algunos
fenómenos económicos sobre la base de una teoría económica. El
B-J método se basa en el análisis de la estocástica propiedades de
una sola vez. A diferencia SE prevé que se basa en k regresores,
B-J análisis se basa en las anteriores (retrasado) los valores de la
variable en estudio. B-J análisis es a menudo descrito como UNA
TEÓRICA ya que no deriva de una teoría económica.

22.3 Los principales pasos en el B-J metodología son: (1)

identificación (2) estimación, (3) control de diagnóstico, y (4) las
previsiones.

22.4 Desde el B-J método asume explícitamente que las series de

tiempo son estacionarias, si se aplica a tiempo fluctuantes series,
los resultados pueden ser totalmente fiables. Pensar en un paseo
aleatorio pronóstico variable!
22.5 El B-J enfoque de pronóstico se basa en el análisis de la
probabilística propiedades de un solo series de tiempo sin
depender de ninguna teoría económica subyacente. El VAR
enfoque se basa en un sistema simultáneo en que todas las
variables se consideran endógenos. En VAR, la elaboración de
modelos del valor de una variable se expresa como una función

2
4
4
 lineal de la zaga los valores de la variable y que el resto de las
variables incluidas en el modelo.
22.6 Se trata de una TEÓRICA ya que utiliza menos información previa
de un modelo. En modelos, la inclusión o exclusión de
determinadas variables desempeña un papel crucial en la
identificación del modelo.

22.7 Tal y como hemos comentado en el ejercicio 22.1 , hay cinco

métodos de previsión. Cada método tiene sus fortalezas y
debilidades. No hay un método que se adapte a todas las
situaciones.

22.8 Deseamos que los gal lo suficientemente largo como para captar
plenamente la dinámica del sistema que se modela. Por otro lado,
cuanto más largo sea el lag, cuanto mayor sea el número de
parámetros que deben ser estimadas y, por tanto, menos los
grados de libertad. Por lo tanto, hay un trade-off entre tener
suficiente número de rezagos y tener suficientes grados de
libertad. Esta es la debilidad de VAR. Por supuesto, uno podría
utilizar información Akaike y Schwarz criterio para elegir la
longitud del rezago.

22.9 Ver las respuestas a los ejercicios 22,2 y 22,6 .

22.10 Desde el punto de vista operacional, los dos procedimientos son
similares. La diferencia estriba en el propósito de la investigación.
En causalidad de Granger nuestro objetivo es poner a prueba la
existencia de una relación causal entre dos o más variables. En el
VAR nuestro principal objetivo es el de desarrollar un modelo
principalmente para fines de pronóstico. Tenga en cuenta que a
menos que las variables son estacionarias o cointegrados, uno no
debe utilizar estos procedimientos.

Problemas
22.11 Los pasos que se siguen son los siguientes:
(1) Analizar la serie de estacionariedad. Ya hemos visto que
la PDI serie es fluctuantes, pero sus primeras diferencias son
estacionarias.
(2) Examinar la función de autocorrelación (ACF) y la
función de autocorrelación parcial (PACF) de la primera serie
ENTREGA diferenciada para decidir qué ARMA modelo puede
ser apropiado. Tenga en cuenta que el PDI serie ya está en primera
diferenciada.
(3) Haber elegido un modelo apropiado ARMA, la siguiente
tarea consiste en estimar y examinar los restos del modelo

2
4
5
estimado. Si estos residuos son ruido blanco, no hay ninguna
necesidad de afinar más el modelo. Pero si no lo son, tendremos
que iniciar la búsqueda, o iterativo, el procedimiento una vez más.

Un examen de la ACF y PACF funciones no presenta ninguna

pauta clara. La punta de lag 5 parece un poco pronunciada, ya que
se encuentra muy cerca de la parte superior 95% limt. Como un
juicio, entonces, se podría montar un autoregessive modelo
utilizando la intersección y cinco grupos de acción local.

Sin embargo, no hay necesidad de introducir todos los cinco

rezagos, como correlaciones de lag 4 son muy pequeñas. Por lo
tanto, sólo introducir el intercepto y la quinta lag como los
regresores. Los resultados de la regresión fueron de la siguiente
manera:

2
4
6
 PDI] = 22,2768 -0.2423PD/ ;_5
t = (5,9678 ) (-2.1963)
R2 =0.0568; * / = 2,11

PDF DONDE representa las primeras diferencias del PDI.

Los residuos de esta regresión parece ser ruido blanco, lo

que sugiere que no hay necesidad de perfeccionar el modelo.

Por supuesto, usted puede añadir un MA componente para el

modelo y tratar de volver a estimar el modelo. Dejamos como
ejercicio.

22.12 Siga Ejercicio 22,11 y pruebe el modelo ARIMA (0,1,14 ).

22.13 Siga Ejercicio 22,11 y pruebe el modelo ARIMA (8,1,8 ).

22.14 Siga Ejercicio 22,11 y pruebe el modelo ARIMA (2,1,0 ).

22.15 Según el criterio Schwarz, elija el modelo

Que tiene el valor más bajo de Schwarz estadística. Lo mismo se
aplica igualmente a los (rival) Akaike criterio. Así, en la
comparación de un modelo VAR con 8 lag contra un modelo
VAR con 10 retrasos, elija el modelo que tiene el valor más bajo
de Schwarz estadística.

22.16 Sobre la base de los Schwarz criterio, se determinó que un modelo

VAR con 2 rezagos de PDI y PCE podría bastar.
Los resultados de la regresión son los siguientes:
Variable dependiente: " PCE PDI

Las variables explicativas

X Interceptar 14,655 60,944
(0,878 ) (2,582 )
PCEt.i 1,106 0,623
(8,756 ) (3,489 ) PCEt-
2 -0.102 -0.400
(-0.707), (A PDIt-
i 0,069 2.120 )
(0,806 ) 0,682
PDIt.2; -0,072 (5,630 )
(-0.877) 0,099
0,998 (0,850 )
R2 0,998 0,997
NOTA: LAS CIFRAS entre paréntesis son los T ratios.

Basándose en este modelo, los valores reales y de los dos

2
4
7
 Las variables de 1991:1 a 1991:4 son los siguientes:

Trimestre actual PCEPCE ENTREGA Real Previsión PDI Previsión

1991:1 3241,1 3262,062 3514,8 3532,343
1991:2 3252,4 3277,870 3537,4 3550,343
1991:3 3271,2 3295,359 3539,9 3569,230
1991:4 3271,1 3313,034 3547,5 3588,260

22.17 Lo dejamos para el lector para llevar a cabo los pasos con
un desfase de 3.

22.18 Véase, por ejemplo, DECISIVO 4 PARA UNA DISCUSIÓN de la

respuesta al impulso análisis, así como los pasos involucrados.

22.19 Véase la respuesta al ejercicio 22,18 .

22.20 A pesar de que el modelo no era específicamente para probar

causalidad, podemos
Hacerse una idea de la ESTADÍSTICA F. En el caso de la variable x,
sólo a sus propios valores desfasados son significativos. Para la
variable y, parece que, aparte de su propios valores desfasados, la
zaga los valores de x son también importantes. Tal vez haya alguna
causalidad de x a y. Para la variable z, parece que además de sus
propias valores desfasados, la zaga los valores de y son también
importantes. Esto sugiere que hay una cierta causalidad de y a z.
22.21 Para la aplicación de la metodología VAR todas las variables en el
modelo debe ser (conjuntamente estacionarios). Tal vez en el nivel
de los autores encontraron que todas las tres variables son no
estacionarias. Teniendo variaciones porcentuales es una manera de
lograr la estacionalidad.

22.22 En el formulario, Ml fluctuantes sobre la base de la DF prueba en

sus diversas formas. Lo mismo es cierto acerca de R.

A ver si éstos están integrados, se realizó una regresión Ml en R y

obtuvo los siguientes resultados:

ML = 36622,11 -744.4635J?,
t = (19,2627 ) (-4.7581)
R2 = 0.3997; * / = 0,2346 Los residuos de esta
regresión fueron sometidos a análisis de la raíz. Aplicación del DF
las pruebas en diversas formas, se comprobó que

2
4
8
 Las dos series de tiempo no son cointegrados.
22.23 Los resultados de la regresión son los
siguientes:

Coeficiente variable Ets. Error t-

statistic -6.1385
-7.8618 1,2807 14,8173
1,4254 0,0962 -2.5822
-0.0780 0,0302

R-squared Durbin-Watson 0,9316 d 0,3476

Ya que se trata de una doble sesión

modelo, la pendiente los coeficientes
representan (parcial) elasticidad cruzada
C
de la demanda. Aquí la elasticidad
LOG(PIB)
ingreso es 1,4254 y la tasa de interés
LOG(R)
elasticidad es de -0,0780 , y ambos son
estadísticamente significativos. Pero
tenga en cuenta que el bajo valor
Durbin-Watson sugiere la posibilidad de
correlación serial, que pueden plantear
dudas sobre la calcula LOS VALORES DE
T.

(b) A ver si el arco efecto está

presente, hemos obtenido los residuos
( " ,) de la regresión en (a) y obtuvo los
siguientes ARCO (1) regresión:

W,2
= 0,0
0064
+
0.344
2m,1,
t =
(3,11
73 )
(2,92
06 ).

2
4
9
 R2 = 0,2054 ; ¿ = 2.11

Hemos probado un arco (2) modelo, pero

los resultados no fueron significativos.
Parece, entonces, que hay algún efecto
ARCO en el presente ejemplo.

22.24 El modelo es la versión restringida del

modelo
Dada en la ecuación (22.11.4 ). Por lo
tanto, podemos usar la PRUEBA F del
capítulo 8. La libre R2 aquí es 0,2153 y
el R2 ES 0,1397 . De ahí el valor F es:

F_ (0,2153 -0.1397)72_31G
(1 -0.2153)7 (649-4)
Este F valor es altamente significativa,
lo que sugiere que se debe elegir el
modelo que figura en Eq. (22.11.4 )
sobre que en el presente ejercicio.

2
5
0