Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 18 vistas

    PD 2 - 2016 - II - Sol

    Cargado por

    AfraniaPalominoSeguín

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    PD 2 - 2016 - II - Sol

    Cargado por

    AfraniaPalominoSeguín
    18 vistas8 páginas

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    18 vistas8 páginas

    PD 2 - 2016 - II - Sol

    Cargado por

    AfraniaPalominoSeguín

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    Está en la página 1de 8

    UNIVERSIDAD DEL PACFICO

    Econometra I
    Ciclo 2016 II
    Profesor: Manuel Barron (C)

    Jefes de prctica: Gonzalo Rivera & Mariano Montoya

    Prctica Dirigida N2
    I. Comentes
    1

    No habra problemas en estimar los modelos:


    a)

    y i=exp ( 0 + 1 x i+ ui)

    b)

    y i=x iui

    c)

    y i=exp ( 0 + 1 x i ) +ui

    Ya que una simple transformacin logartmica, permite el uso del estimador lineal MCO para hallar el
    parmetro de la ecuacin original.
    Es falso. Para poder estimarse el modelo debe ser lneal en los parmetros. Si bien es cierto que la
    relacin entre y i y x i no es lineal, podemos obtener una relacin lineal entre ln y i y x i al
    realizar una transformacin logartmica:

    ln y i= 0 + 1 x i +ui
    Por lo que se podra utilizar MCO para obtener estimados de los parmetros. En el caso del segundo
    modelo, nuevamente hay una relacin no lineal entre y i y x i ; pero aplicando una tranformacin
    logartmica vemos que s existe una relacin lineal entre
    paritr de MCO:

    log y i y log x i , por lo que es estimable a

    log y i= log x i + log


    ui
    vi

    No se puede decir lo mismo del tercer modelo, ya que aplicando logaritmos tenemos una ecuacin
    claramente no lineal.

    ln y i=ln ( exp ( 0+ 1 x i) + ui )
    2

    Siempre es preferible el estimador de menor varianza.


    Falso. La afirmacin correcta sera Siempre es preferible el estimador insesgado de menor varianza. En
    efecto, un estimador con poca varianza podra ser sesgado; lo que lo hara menos preferible a estimadores
    insesgados con un poco ms de varianza. Todo depende de la magnitud del sesgo y de la varianza. Un
    criterio de eleccin utilizado en estos casos es el Error Cuadrtico Medio (ECM), el cual pondera la media y
    la varianza de los estimadores,
    2
    2
    ECM ( ^ )=E [ ( ^ ) ]=Var ( ^ ) + [ Sesgo ( ^ ; ) ]

    De este modo, se elegira aquel estimador con menor ECM.


    3

    Se desea calcular los determinantes del salario por hora en La Fbrica de xitos y se cuenta con una base
    de datos de todas las personas trabajando en ese lugar. Se plante la siguiente regresin: y i= x i +ui
    donde
    a

    y i es el salario de las personas y x i son los aos de educacin.

    Discuta la consistencia de los estimadores MCO.

    Econometra I

    En el trmino de error de esta ecuacin de salarios se encuentran factores no medibles como el


    esfuerzo, responsabilidad, entre otros. Es lgico pensar que estos estn correlacionados positivamente
    al salario de cada uno de los individuos pero tambin a los aos de educacin. Por ende, al existir este
    problema (correlacin contempornea entre x i y ui ), se ve afectada la consistencia de los
    estimadores MCO.
    b

    Cambiara su respuesta si el comportamiento de las personas de este pas fuese totalmente atpico y
    siguiera el siguiente patrn: Si una persona posee ganas de superacin trabaja ms duro pero en lugar
    de estudiar ms aos apoya a su vecino para que este lo haga. Sustente.
    En este segundo caso, asumiendo que el nico factor no observable son las ganas de superacin, se
    ve que los factores del individuo i no afectan a su variable dependiente, sino a la de otro individuo, j
    (relacin entre X it y jt .). Por ello, no habra correlacin contempornea entre x i y ui
    para un mismo individuo y por ende no se vera afectada la consistencia de los estimadores MCO.

    II. Ejercicios: Regresin Bivariada


    1. Algunos econometristas (sobre todo en ciencias sociales fuera de la economa) utilizan el mtodo de
    regresin estandarizada. Esta consiste en la regresin tradicional, pero luego de estandarizar cada
    variable, dependiente e independiente, restndole su media muestral y dividiendo el resultado por su
    desviacin estndar muestral. Entonces, si la regresin original era:

    y i= 0 + 1 x i +ui
    se plantea la regresin:

    y i =0 + 1 xi +v i
    con:

    y i =

    y i y x i x
    y xi =
    sy
    sx

    Donde y y x son las medias muestrales, y


    muestrales de y y x respectivamente:

    s y=

    n
    2

    ( y i y )
    i=1

    a) Tomando en cuenta las definiciones de


    b) Muestre que

    ^ 0=0.

    c) Muestre que

    ^ 1= s x ^
    .
    sy 1

    d) Muestre que

    ^y i =

    e) Muestre que

    sy

    y sx =

    sx

    (x i x )2
    i=1

    y i y x i , interprete 1 .

    1
    1
    ^y i y ) , y que v^ i = u^
    (
    .
    sy
    sy i

    s
    ee ( ^ 1) = x ee ( ^1 ) .
    sy

    (Recuerde que ee denota error estndar y es nuestro

    estimador de la desviacin estndar del coeficiente MCO estimado).

    Solucin

    son las desviaciones estndar

    Econometra I

    a)

    1 mide cuntas desviaciones estndar cambia y si x aumenta en una desviacin estndar.


    x i x
    x i x
    ()=0
    n

    b) Ntese que:

    x = ()/s x =(1/s x ) .

    i =1

    (probado mltiples veces). Esto implica

    i=1

    i=1

    x =( x i )/ n=0. De manera similar se prueba que

    y =0 . Entonces:

    i=1

    ^ 0= y ^ 1 x =0
    es simplemente:
    y =x =0 , la frmula MCO para ^
    1

    c) Ya que probamos

    x ix
    n

    ()( y i y )
    (1/s x s y )

    i=1

    (1/ s x )

    (x ix )2

    sx ^

    sy 1

    i=1

    xi y i

    ^ = i=1
    1
    n

    =
    2
    i

    (x )
    i=1

    d) Usando el hecho que

    ^ 0=0 :

    s
    x x
    1
    ^y i = ^1 x i = x ^ 1 i
    = ( ^y i y )
    sy
    sx
    sy

    ( )( )

    Donde la ltima igualdad sigue de

    ^ 1 x i= ^y i ^ 0 , y algo similar para

    intercepto en la regresin). Adems:

    ^
    v^
    i = yi yi =

    e)

    y i y ^y i y y i^y i u^ i

    =
    =
    sy
    sy
    sy
    sy

    ^ 1 x (dado que hay un

    Econometra I

    v^
    n

    ( i)2 /(n2)
    i=1

    (x i )2
    i=1

    u^
    n

    ( i)2 /(n2)

    2 i=1

    ( 1/s y )

    ( 1/ s x )

    ( xi x )2
    i=1

    ^
    ee ( 1 ) =
    2. Se quiere regresionar una variable Y versus una variable Z (la explicativa). Halle el estimador MCO, si
    se sabe que Z es el doble de Y .

    y i=z i +
    z i=2 y i

    ^=( z 2i )1 z i y i
    ^=( (2 y i)2 )1 z i y i
    1

    ^= 1 ( ( y )2 )
    i
    4

    ( 2 yi ) yi

    ^= 1
    2
    y i= 0 + 1 x i + i y multiplicamos cada uno de los valores de x i por una
    constante, qu sucedera con el 1 ? Qu pasara si sumamos una constante a cada valor de x i

    3. Si tenemos la regresin
    ?

    Se multiplica cada uno de los valores de x por una constante:

    [ ] [] [ ] [ ]
    [ ] [] [ ] [ ]
    [ ] [] [ ] [ ]
    y1 1
    x1
    1
    . = . 0 + . 1+ .
    yn 1
    xn
    n

    y1 1
    kx 1
    1
    =

    +
    .
    .
    .
    .
    0
    1
    yn 1
    k xn
    n
    y1 1
    x1
    1
    . = . 0 + . k 1 + .
    yn 1
    xn
    n

    ^
    ^ 1= 1
    k

    Econometra I

    Al multiplicar los valores de una variable explicativa por una constante, el estimador MCO de su coeficiente
    quedara dividido por dicha constante.

    Si se suma una constante a cada valor de x:

    [ ] [] [ ] [ ]
    [ ] [] [ ] [] [ ]
    [] []
    [ ] []
    y1 1
    x 1 +k
    1
    =

    +
    .
    .
    .
    .
    0
    1
    yn 1
    x n +k
    n

    y1 1
    x1
    1
    1
    . = . 0 + . 1+ . k 1+ .
    1
    yn 1
    xn
    n

    x1
    1
    ( 0+ k 1 )+ . 1 + .
    xn
    n
    y1 1
    . = .
    yn 1

    ^ 0=( ^0 + k 1 )
    Al sumar una constante a cada valor de x el estimador MCO que se ve afectado es el que acompaa al
    trmino independiente.
    III. Ejercicios Propiedades MCO
    4. Considere el modelo y i= 0 + 1 x i +ui en el cual E [ ui|x i ] = , donde es una constante
    diferente de cero. Demuestre que el estimador MCO de 1 es insesgado, pero el de 0 es sesgado. Esto
    nos muestra que no necesitamos asumir que sea exactamente igual a cero para estimar 1 sin sesgo
    usando MCO.
    Dado que el modelo posee intercepto, el modelo puede ser expresado como desviaciones con respecto a
    la media:

    y i y = 1 ( x ix ) +ui
    Por tanto,

    ^ 1 puede expresarse como:

    ( xi x )( yi y )

    ^ 1= i=1

    ( x i x )2
    i=1

    Reemplazando

    ( y i y ) , se obtiene:

    ( x ix ) ( uiu )

    ^ 1= 1+ i=1

    ( x ix )2
    i=1

    Econometra I

    Aplicando esperanza condicional para ver el sesgo:

    ( x i x ) ( ui u )

    i=1
    E [ ^ 1| X =E 1+

    |]
    X

    ( x i x )

    i=1

    ( x ix ) E [ uiu| X ]

    1+ i=1

    ( x i x )2
    i=1

    (n /n) ( x ix )
    i=1

    1+

    ( x ix )2
    i=1

    1
    n

    Donde la ltima igualdad sale a partir de que (i)

    ( x i x ) =0

    y/o (ii)

    (n/ n)=0 .

    i=1

    Ahora, para el caso del intercepto:

    E [ ^ 0| X =E y ^1 x| X

    | ]

    E 0 + ( 1 ^ 1 ) x + u X

    | ]

    0+ E ( 1 ^ 1 ) X x + E [ u | X ]

    [ |]
    n

    ui

    0+ E

    i=1

    E [ui X ]

    0+ i=1

    0+
    Donde la segunda lnea sigue de sustituir

    y = 0 + 1 x + u , y reordenar un poco. La cuarta lnea usa

    ^
    el hecho de que E[ 1]= 1 .

    Conclusin: El estimador

    ^ 1 es insesgado; mientras que el ^ 0 s lo es.

    5. Suponga que en el modelo de regresin lineal

    Econometra I

    y i=x i + i

    i=1,2, , n

    para

    x i> 0 es una variable aleatoria escalar y se cumplen los supuestos S1* y S2*:

    Donde
    S1*:

    E ( i xi ) =0 .

    S2*:

    i es condicionalmente homocedstico, E ( 2i x i) = 2

    Considere dos estimadores de la forma:


    n
    y
    1
    = i
    n i=1 x i
    n

    x i yi

    b= i=1n

    x 2i
    i =1

    Muestre que estos estimadores son consistentes y encuentre sus distribuciones asintticas.
    Solucin
    i Consistencia b
    n

    xi yi
    b=

    i=1
    n

    [ ] [
    n

    i=1

    2
    i

    2
    i

    x i ( x + i) ]= +

    [ ] [
    n

    i =1

    2
    i

    x i i ]

    i=1

    [ ] [
    n

    plim b= plim + plim

    i=1

    1
    2
    + plim x i
    n i=1

    2
    i

    ][ ]
    [
    1
    n

    x i i ]=

    xi i

    1
    Por Ley de Grandes N meros x 2i
    n i=1
    Por Ley de Grandes N meros

    p E( x2i )1

    1
    x i i p E ( x i i)
    n

    plim b= + E ( x2i ) E ( x i i )= + E ( x 2i ) E ( xi E( ix i) )
    plim b=
    ii Distribucin asinttica b
    n

    xi yi
    b=

    i=1
    n

    2
    i

    [ ] [
    n

    i=1

    2
    i

    i=1

    1
    n(b)= x 2i
    n i=1

    ][

    1
    xi i
    n

    x i ( x + i) ]= +

    [ ] [
    n

    i =1

    2
    i

    x i i ]

    Econometra I

    1
    2
    Por Ley de Grandes N meros x i
    n i=1

    Por Teorema de L miteCentral

    2 1

    p E( xi )

    1
    x i i d N (E ( x i i ) ,Var ( x i i ) )
    n
    1

    Por Teorema de Cramer n(b )d [ E ( x 2i ) ] N (0, 2 E (xi2))

    2 1
    i

    n(b) d N ( 0, E(x ) )

    iii

    Consistencia b**
    n
    n
    y i 1 n xi + i

    1
    1
    = =
    = + i
    n i=1 x i n i=1
    xi
    n i=1 xi

    n
    i
    1
    = plim + plim =
    n i=1 xi

    plimb
    n

    1
    + plim i
    n i=1 x i

    Por Ley de Grandes N meros


    = + E

    n
    i

    1
    p E( i )

    n i=1 x i xi

    i
    1
    = + E
    E( ix i )
    xi
    xi

    ()

    plim b
    =

    plim b
    iv

    Distribucin asinttica b**


    n
    n
    y i 1 n xi + i

    1
    1
    = =
    = + i
    n i=1 x i n i=1
    xi
    n i=1 xi

    n
    i
    1

    b=

    n i=1 x i
    n

    ]
    [

    ] () ()

    n
    i

    1
    Por Teorema de L miteCentral
    d N ( E i , Var i )

    xi
    xi
    n i=1 x i

    1
    b d N E i , 2 E 2
    xi

    xi

    ( ( ) ( ))
    n

    También podría gustarte