Set de ejercicios

Econometrı́a Básica
Pontificia Universidad Javeriana

2018-2

1. Primer corte
Se recomienda realizar estas preguntas después de hacer las demostraciones pertinentes
de este corte (MCO en sumatorias, MCO en matrices, insesgamiento MCO, varianza
MCO, pronóstico, Gauss-Markov, etc)

Asuma un modelo de regresión con intercepto. Los datos muestran lo siguiente:

 
33 0 0
X T X =  0 40 20
0 20 60
 
132
X T Y =  24 
92
X
(yi − y)2 = 150

1. (Abierta) Con los datos previos, responda lo siguiente:

a) ¿Cuál es el tamaño de la muestra?

b) Estime los parámetros β0 , β1 y β2
c) Estime el error estándar de βˆ2
d ) Calcule el R2
2. (Abierta) Demuestre o de un contraejemplo de lo siguiente
Pn
a) i=1 (yi − yˆi ) = 0
b) La lı́nea de regresión por MCO, yˆi , pasa siempre por el punto (x,y)
c) El incumplimiento del supuesto de normalidad en los errores, i , afecta las estimaciones
obtenidas a través de MCO
3. (Falso o verdadero) Dé razones por las que los siguienes enunciados son verdaderos, falsos o
ambiguos.

a) Como la correlación entre dos variables, Y y X, puede variar de -1 a 1, esto significa que
cov(Y, X) también está dentro de esos lı́mites

1
 b) Si la correlación entre dos variables es cera, esto quiere decir que no existe ninguna relación
entre las dos variables
c) Si se hace la regresión de Yi contra Ŷi , el valor del intercepto y de la pendiente serı́an 0 y
1, respectivamente
4. (Abierta) En Macroeconomı́a se sabe que la tasa de interés nominal (Y) es la suma de la tasa
de interés real y la tasa de inflación (X). El Efecto Fisher, bajo la dicotomı́a clásica, establece
que en el largo plazo la tasa de interés real está dada (permanece constante), y que la tasa de
interés nominal se mueve uno a uno con la tasa de inflación.
Considere el siguiente modelo econométrico en el que se relaciona la tasa de interés nominal y
la tasa de inflación en el largo plazo:

Yt = β0 + β1 X1t + t
∀t = 1, 2, ..., 119

Al hacer la estimación por Mı́nimos Cuadrados Ordinarios se encuentra que:

Ŷt = 2,7131 + 1,232X1t

∀t = 1, 2, ..., 119
T = 119
R2 = 0,98

a) Bajo el Efecto Fisher, ¿cuál debe ser el signo y la magnitud de β1

b) ¿Cómo se interpreta el coeficiente 1.232 en la regresión encontrada?
c) ¿Cómo se interpreta el R2 de la regresión?

5. (Abierta) Considere un experimento agrı́cola en el que se desea evaluar si un fertilizante ofrecido

por un vendedor es suficientemente bueno para ser adoptado en aras de obtener un mayor
rendimiento de la cosecha. Para ello, se asigna aleatoriamente el fertilizante a través de 90
parcelas de tierra, donde 45 obtienen el fertilizante y las otras 45 no.

Yi = β0 + β1 Xi + i
∀t = 1, 2, ..., 90

Se quiere estimar el siguiente modelo econométrico: Donde Yi representa el número de arrobas

de tomate producidas por la parcela t, y Xi toma el valor de 1 si la parcela t es tratada con el
fertilizante. Al estimar por MCO se obtiene que:

Ŷi = 40 + 10Xi
∀t = 1, 2, ..., 90
R2 = 0,40

a) Interprete los coeficientes β̂0 y β̂1 de la regresión

b) Si para adecuar una parcela para siembra es necesario invertir $2,000, y para fertilizarla
hay que invertir $4,000 adicionales, ¿cuál de los dos tratamientos darı́a, en promedio, un
mayor beneficio?

2
6. (Abierta) Suponga que se cumplen los supuestos de Gauss-Markov para un modelo de regresión
simple de la forma Yi = β0 + β1 X1i + i . Se propone un estimador de β1 de la forma:

Y2 − Y1
β̂1 =
X2 − X1
a) ¿Es el estimador β̂1 lineal en la variable Yi ? Demuestre
b) ¿Es el estimador β̂1 insesgado? Demuestre
7. (Abierta) Suponga que un investigador está utilizando el modelo estadı́stico lineal:

Y = Xβ + 
Donde  ∼ (0, σ 2 IT ), T = 3, K = 2. A continuación se muestra el sistema de ecuaciones
resultantes de la minimización de la forma cuadrática (Y − Xβ)T (Y − Xβ)

a) Encuentre el vector β̂
b) Si tiene que Y T Y = 53, ¿es posible encontrar σ̂ 2 ? Si sı́, encuéntrelo.
c) Encuentre la matriz de varianza-covarianza de β̂ e interprete.
8. (Abierta) Considere la siguiente función de ahorro

ahorroi = β0 + β1 ingresoi + υi
Donde
p
υi = ingresoi i
i ∼ (0, σ 2 )
a) Muestre que E[υi |ingresoi ] = 0
b) Muestre que V ar(υi |ingresoi ) = σ 2 ingresoi
c) ¿Por qué podrı́a deberse que la varianza aumente cuando el ingreso aumenta?
9. (Abierta) Suponga que la empresa Radionatic está interesada en estimar la demanda por sus
artı́culos de radio (Yi , expresada en miles de unidades), en función de su precio (Xi , en miles
de pesos). Para ello, recoge una muestra de 124 observaciones, con la que obtiene la siguiente
información:

124
X
Yi = 2637,252
i=1
124
X
Xi = 85,249992
i=1
124
X 2
Xi2 − nX = 3,09161
i=1
124
X 2
Yi2 − nY = 159,8926
i=1
124
X
Xi Yi − nXY = −16,5862
i=1

3
 a) Formule el modelo econométrico
b) Estime los coeficientes de la regresión por MCO. Interprete
c) ¿Es sensible la demanda al precio de los artı́culos? Interprete
d ) ¿Cuál es el valor del R2 para este modelo? Interprete

10. (Abierta) Encuentre el estimador por MCO para los siguientes modelos:

a) Yi = β0 + i
b) Yi = β0 + β1 Xi + i
c) Yi = β1 X1i + β2 X2i + i

11. (Abierta) Interprete los coeficientes en los siguientes modelos. También, demuestre cómo llegó a
estas interpretaciones

a) Yi = β0 + β1 Xi + i
b) ln(Yi ) = β0 + β1 ln(Xi ) + i
c) Yi = β0 + β1 ln(Xi ) + i
d ) ln(Yi ) = β0 + β1 Xi + i

12. (Abierta) Demuestre qué pasa con el modelo, Yi = β0 + β1 Xi + i , ante los siguientes cambios
en variables

a) Se multiplica la variable dependiente por una constante c

b) Se le suma una constante c a la variable dependiente
c) Se multiplica la variable independiente por una constante c
d ) Se le suma una constante c a la variable independiente
e) Por último, ¿qué pasarı́a con los modelos de la pregunta anterior ante los cambios mencio-
nados en este punto?

13. (Abierta) Para el siguiente modelo, ¿cuál serı́a el estimador de β0 y de β1 ?

Yi = β0 + β1 X1i + i

En donde, Yi es el ingreso del individuo i y X1i es igual a 1 su es mujer o a 0 si es hombre

14. (Falso o verdadero) Disminuir el tamaño de la muestra disminuye el R2

a) Verdadero
b) Falso

15. (Falso o verdadero) La matriz de varianza covarianza del vector de coeficientes estimados por
MCO es E(β̂ β̂ T ) − β̂ β̂ T

a) Verdadero
b) Falso

16. (Falso o verdadero)

P Si en P el modelo y = β1 x1 + β2 x2 +  queremos que β̂1 = β̂2 = 0, entonces
necesitamos que x1 y = x2 y = 0

a) Verdadero

4
 b) Falso

ˆ2 > 2
P P
17. (Falso o verdadero) En el modelo y = Xβ estimado por MCO, es cierto que

a) Verdadero
b) Falso

18. (Múltiple) Al correr el modelo y = β0 +  por MCO, el R2 será

a) 1
1
b) 2
c) 0
d) < 0
e) ∞
f) > 1
g) ninguna

19. (Múltiple) Si se tiene el siguiente modelo, Y = α + βln(X) + , la elasticidad de Y con respecto

a X es:
a) β X
Y
β
b) Y
Y
c) β X
d ) βY
20. (Múltiple) La condición que se presenta cuando la varianza de los términos de error es constante
se conoce como:

a) Multicolinealidad.
b) Autocorrelación.
c) Heterocedasticidad.
d ) Homocedasticidad.
21. (Múltiple) Considere la siguiente función estimada de ingresos:
Ln(yi ) = 1,57 + 0,4 edui + 0,09 expi .
(0,18) (0,013)
R2 = 0,81
No. de observaciones = 254
En donde:
Ln(yi ): Logaritmo del salario del individuo i. (en pesos).
edui : Escolaridad del individuo i (en años).
expi : Experiencia del individuo i (en años).
p-value en paréntesis.

Puede afirmarse que:

a) Por cada año adicional de experiencia el salario aumenta en el 9 %.
b) Por cada año adicional de experiencia el salario aumenta en el 0.09 %.
c) Por cada año adicional de experiencia el salario del individuo aumenta en 9 pesos.

5
 d ) Ante aumentos del 1 % en la escolaridad, el ingreso del individuo aumenta en 4 %.
22. (Múltiple) Si las variables independientes explican toda la variación de la variable dependiente:
a) La suma de los residuos al cuadrado es igual a la suma total al cuadrado.
b) La suma de de los residuos al cuadrado es cero.
c) La suma total al cuadrado es cero.
d ) El R – cuadrado es infinito.
23. (Múltiple) En el siguiente modelo, Yi = α0 + α1 Xi + α2 Di + α3 Xi Di + i , donde Di es una
variable dummy, la variable Di afecta:
a) El intercepto
b) El parámetro α1
c) La pendiente
d ) La pendiente y el intercepto
24. (Abierta) ¿Qué rol juega la constante en la regresión? ¿Por qué es (o no) importante incluirla?
En cualquier caso, demuestre matemáticamente y explique intuitivamente
25. (Abierta) ¿Es posible tener un R2 negativo? En cualquier caso, demuestre matemáticamente y
explique intuitivamente
26. (Abierta) ¿Es posible tener un R2 mayor a uno? En cualquier caso, demuestre matemáticamente
y explique intuitivamente
27. (Abierta) Demuestre que R2 = [corr(yi , ŷi )]2

28. (Abierta) ¿A qué es igual E(β̂) cuando X no está dado? Demuestre.

29. (Abierta) ¿A qué es igual V ar(β̂) cuando X no está dado? Demuestre.

30. (Abierta) Teniendo en cuenta las dos preguntas anteriores, ¿qué supuesto es importante hacer
para lograr las condiciones de insesgamiento y mı́nima varianza? ¿Es un supuesto factible y con
sentido? Comente.
|X), en donde ˆ es el residuo estimado.
31. (Abierta) Muestre a qué es igual V ar(ˆ
32. (Abierta) Considere el modelo ln(y) = α + βX +  donde X es una variable dummy. ¿Cuál es el
cambio porcentual en y cuando X pasa de 1 a 0?
33. (Abierta) Suponga el siguiente modelo yi = β0 + β1 xi +  y que se tiene:
X X X X X
x1 = 5000, yi = 1250, xi yi = 150000, x2i = 88000, yi2 = 9200

Encuentre:

a) β̂0 y β̂1 por MCO

b) STC
c) Demuestre que la regresión pasa por el punto (x, y)

34. (Abierta) Si corremos por MCO el modelo yi = β0 + β1 xi + i con las observaciones yi = {1, 2}
y xi = {2, 1}, ¿ˆ
1 y ˆ2 son iguales a qué?
35. (Abierta) ¿Qué pasa con los errores del modelo si n = k? Demuestre.

6
2. Segundo corte
Se recomienda realizar estas preguntas después de hacer las demostraciones pertinentes
de este corte (Máxima verosimilitud, MCO restringido - con todos sus lamndas, inter-
valos de confianza, pruebas de hipótesis , etc)

Considere el siguiente modelo de regresión múltiple:

Ln(Wi ) = β1 + β2 edui + β3 expi + β4 exp2i + β5 mujeri + .
En donde:
Ln(Wi ): Logaritmo natural del ingreso.
edui : Años de educación individuo i (en años).
expi : Experiencia del individuo i (en años).
exp2i : Experiencia al cuadrado del individuo i (en años).
mujeri : Es igual a 1 para mujeres y 0 para hombres.

Variable Coef. Std. Error. t P > |t| Conf. Int. 95 %

edui 0.1327 0.0015 88.74 0.000 0.1297, 0.1256
expi 0.0270 0.0013 20.45 0.000 0.0244, 0.0296
exp2i -0.0002 0.0000 -8.66 0.000 -0.0002, -0.0002
mujeri -0.0370 0.0119 -3.10 0.002 -0.0604, -0.0136
β1 5.7842 0.0247 234.47 0.000 5.7358, 5.8325

Utilice la información anterior para responder las siguientes cuatro preguntas

1. (Múltiple) La variable binaria cambia:

a) El parámetro β2
b) La pendiente
c) La pendiente y el intercepto
d ) El intercepto
2. (Múltiple) De acuerdo con los resultados del modelo anterior puede afirmarse que:
a) Las mujeres tienden a tener salarios más altos que los hombres
b) El sexo no es un factor que afecta de forma significativa el nivel del salario
c) En promedio las mujeres tienen aproximadamente un 4 % menos de salario que los hombres
d ) En promedio las mujeres tienen aproximadamente un 0.4 % menos de salario que los hom-
bres
3. (Múltiple) De acuerdo con los resultados del modelo anterior puede afirmarse que:
a) La educación no afecta el salario porque no es significativa
b) Un año adicional de educación implica en promedio un aumento en el salario de aproxima-
damente 13 %
c) Un año adicional de educación implica en promedio un aumento en el salario de aproxima-
damente 0.13 %
d ) Las personas con mayor educación tienen más experiencia
4. (Múltiple) De acuerdo con los resultados del modelo anterior puede afirmarse que:
a) El salario aumenta para todos los niveles de experiencia

7
 b) El salario cae para todos los niveles de experiencia
c) El salario aumenta hasta un nivel de experiencia y después cae
d ) El salario disminuye hasta un nivel de experiencia y después aumenta
5. (Múltiple) Considere la siguiente función estimada de ingresos:
Ln(yi ) = 1,57 + 0,4 edui + 0,09 expi .
(0,18) (0,013)
R2 = 0,81
No. de observaciones = 254
En donde:
Ln(yi ): Logaritmo del salario del individuo i. (en pesos).
edui : Escolaridad del individuo i (en años).
expi : Experiencia del individuo i (en años).
p-value en paréntesis.

Puede afirmarse que:

a) La variable edui es significativa en el modelo con un nivel de confianza del 95 %.

b) La variable edui es significativa en el modelo con un nivel de confianza del 99 %.
c) La variable expi es significativa en el modelo con un nivel de confianza del 99 %.
d ) La variable expi es significativa en el modelo con un nivel de confianza del 95 %.

6. (Múltiple) La distribución de probabilidad del estimador de la varianza del coeficiente estimado

β̂ es:
a) Una normal con media diferente de cero
b) Una χ2
c) Una normal estándar
d ) Una t-Student
7. (Abierta) Sea el modelo y = β0 +β1 x1 +β2 x2 +β3 x3 + con las restricciones β0 = 1 y β2 −β3 = 2.
Si se reescriben de la forma Rβ = r, donde β es el vector de coeficientes, ¿entonces la matriz R
serı́a?
8. (Múltiple) En una prueba de hipótesis, ¿qué pasa con la región de rechazo cuando el nivel de
significancia (α) disminuye?
a) La respuesta depende de la forma de la hipótesis alternativa.
b) Se aumenta el tamaño de la región de rechazo.
c) Se reduce el tamaño de la región de rechazo.
d ) La región de rechazo no se altera.
9. (Múltiple) Sea P la probabilidad de que una moneda caiga cara. Suponga que se lanza la moneda
cinco veces y las cinco veces cae cara. ¿Cuál serı́a la estimación P̂ por máxima verosimilitud?

a) 0
b) 0.2
c) 0.4
d ) 0.5
e) 0.8

8
 f) 1
10. (Abierta) Demuestre que el estadı́stico F de la prueba de significancia global se puede reescribir
en función del R2 del modelo no restringido.
11. (Abierta) ¿Cuáles son las diferencias entre la estimación por el método de MCO y por el método
de MV? ¿Cuál estimación es preferida sobre la otra? ¿Por qué?
12. (Múltiple) En una prueba de hipótesis, ¿qué pasa con la región de rechazo cuando el nivel de
significancia (α) disminuye?
a) La respuesta depende de la forma de la hipótesis alternativa
b) Se aumenta el tamaño de la región de rechazo
c) Se reduce el tamaño de la región de rechazo
d ) La región de rechazo no se altera
13. (Múltiple) Considere la siguiente función estimada de ingresos:
ln(Q̂i ) = 9,5 + 0,57 ln(Ki ) + 0,27 ln(Li ).
(1,01) (1,95)
R2 = 0,70
No. de observaciones = 185
En donde:
ln(Q̂i ): Logaritmo de la producción.
ln(Ki ): Logaritmo del capital.
ln(Li ): Logaritmo del trabajo.
estadı́stico t en paréntesis.

Puede afirmarse que a un 5 % de significancia:

a) Únicamente el trabajo afecta a la producción
b) Únicamente el capital afecta a la producción
c) Tanto el capital como el trabajo afectan a la producción
d ) Ni el capital ni el trabajo afectan a la producción
14. (Múltiple) Considere el modelo Yi = 4,2 + 2,3 X1 + 8,8 X2 .
(0,012) (0,195)
R2 = 0,86
P-value en paréntesis

De acuerdo a los resultados del modelo anterior, puede afirmarse que:

a) La variable X1 es significativa en el modelo con un nivel de confianza del 95 %.
b) La variable X2 es significativa en el modelo con un nivel de confianza del 95 %.
c) La variable X1 es significativa en el modelo con un nivel de confianza del 99 %.
d ) La variable X2 es significativa en el modelo con un nivel de confianza del 90 %.
15. (Múltiple) Considere el siguiente modelo que relaciona la mediana del precio de la vivienda de
una comunidad, precio, con la cantidad de óxido de nitrógeno en el aire, oxnit, y el número de
cuartos promedio de las viviendas en la comunidad, numcuartos:

ln(precioi ) = β0 + β1 ln(oxniti ) + β2 numcuartosi + υi

Suponga que se quiere hacer un test para determinar si la elasticidad del efecto de la polución
sobre la mediana del precio es igual a 1. La hipótesis nula y la alternativa son:

9
 a) H0 = 1 H0 6= 1
b) H0 6= 1 H0 = 1
c) H0 = 1 H0 < 1
d ) H0 < 1 H0 = 1

16. (Múltiple) La estimación del modelo de la pregunta anterior es ası́:

ln(precioi ) = 11,08 + 0,954 ln(oxniti ) + 0,255 numcuartosi

(0,32) (0,117) (0,019)

Errores estándar en paréntesis. No de observaciones 506. R2 = 0,581.

Mirando los datos se puede concluir que, con un nivel de significancia del 5 %:

I) El coeficiente estimado para β1 no es estadı́sticamente diferente de 1

II) El coeficiente estimado para β1 no es estadı́sticamente diferente de 0
III) El coeficiente estimado para β1 es estadı́sticamente diferente de 1
IV) El coeficiente estimado para β1 es estadı́sticamente diferente de 0

a) I y II
b) II y III
c) III y IV
d ) I y IV

17. (Múltiple) Considere el modelo no restringido y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + N R al cual

se le aplican las restricciones

 
  β0  
0 1 0 0 0 β1 
 0
0 0 1 2 0 β = 0
 2
 
0 0 1 0 1 β3  1
β4

El modelo restringido será

a) β0 + β1 x1 + β2 x2 + 2β3 x3 + β4 x4 + R
b) β0 + β2 x2 + 2β3 x3 + β4 x4 + R
c) β1 + β2 x2 + 2β3 x3 + β4 x4 + R
d ) β1 − 2β3 x2 + β3 + β4 x4 + R
e) β0 + β3 (−2x2 + x3 + 2x4 ) + x4 + R
f ) beta1 + β3 (−2x2 + 2x4 ) + β4 x4 + R
g) β0 + β3 (−2x2 + 2x4 ) + R
h) Ninguna

18. (Múltiple) ¿Cuál de los siguientes supuestos acerca del término de error no hace parte de los
supuestos clásicos?
a) La media es cero

10
 b) Tiene varianza constante
c) Se distribuye normal
d ) Es independiente de las observaciones de la variable independiente
19. (Abierta) Asuma que y ∼ N (µ, σ), x ∼ unif orme(a, b) y n = 100000.
a) Si se corre la regresión y = β0 + β1 x + , ¿cómo se distribuye el término de error?
b) Si se corre la regresión x = α0 + α1 y + υ, ¿cómo se distribuye el término de error?

3. Tercer corte
Se recomienda realizar estas preguntas después de hacer las demostraciones pertinentes
de este corte (Insesgamiento, varianza, MCP, MCG, prueba Breusch-Pagan, prueba de
White, caso con 2 varianzas, prueba Durbin-Watson, Jarque-Bera, autocorrelación, etc)

1. (Múltiple) Si no se cumple el supuesto de homocedasticidad, los estimadores son:

a) Eficientes pero sesgados.
b) Ineficientes e insesgados.
c) Eficientes e insesgados.
d ) Sesgados pero consistentes.
2. (Múltiple) En la prueba Durbin-Watson si el estadı́stico DW se aleja de 2:
a) Es más probable que no existe auto correlación en los errores.
b) Es más probable que existe auto correlación en los errores.
c) Se rechaza la hipótesis nula de que existe auto correlación.
d ) El estadı́stico usado es F.
3. (Múltiple) ¿Cuántos elementos diferentes deben ser estimados en la matriz de varianza covarianza
de los errores E(T ), si hay autocorrelación pero no hay heteroscedasticidad?
a) 0
b) n2
n2
c) 2
n(n−1)
d) 2 +1
n(n+1)
e) 2
n(n+1)
f) 2 +1
g) Ninguna
4. (Múltiple) El estadı́stico Durbin-Watson aplicado a la serie
xt = {−10, −11, −12, −13, −14, −13, −12, −11, −10, −9} estará cerca de:
a) 0
b) -2
c) 2
d) 4

11
 e) 8
f ) -4
5. (Múltiple) Para n grande, la variable y se genera como iid de una distribución uniforme y la
variable x se genera como iid de una distribución normal, ambas con media m. Se corre la
regresión de y contra una constante y x. Tiene sentido pensar que los residuos de la regresión
tienen:
a) Distribución normal
b) Distribución exponencial
c) Distribución χ2
d ) Distribución t-Student
e) Distribución uniforme
f ) Distribución F
6. (Múltiple) El estadı́stico de la prueba Jarque-Bera está distribuido
a) χ21
b) χ22
c) t2
d ) N(0,1)
7. (Múltiple) Suponga x3 = 2 + x1 + x2 y se corre el modelo y = β1 x1 + β2 x2 + β3 x3 +  por MCO.
Habrá problemas de:
a) Heteroscedasticidad
b) Autocorelación
c) Multicolinealidad perfecta
d ) Ninguna de las anteriores
8. (Múltiple) El modelo y = β0 + β1 x + β2 x2 + β3 ln(x) + β4 x1 +  tiene problemas de:
a) Heteroscedasticidad
b) Autocorelación
c) Multicolinealidad perfecta
d ) Ninguna de las anteriores
9. (Abierta) ¿Surge algún problema con tener multicolinealidad alta, más no perfecta? Demuestre
10. (Abierta) Asuma que tiene el siguiente modelo Yi = β0 + β1 x1i + β2 x2i + β3 x3i + υi donde
V ar(υi ) = σ 2 x2i . Se cuenta con la siguiente información:
Observación Yi X1i X2i X3i
1 18 16 4 8
2 21 20 2 16
3 20 9 3 18
4 23 10 2 10
5 22 9 1 3

a) Construya las matrices T ∗ , T ∗ X y T ∗ Y que le permitan corregir el error.

b) Construya la matriz Ω y Ω−1

12
11. (Abierta) Asuma el siguiente modelo Yt = β0 + β1 x1t + β2 x2t + β3 x3t + t y que t = ρt−1 + γt ,
donde γ ∼ N (0, σ 2 ). Suponga que ρ̂ = 0,92. Con los datos de la tabla anterior, asumiendo ahora
que las observaciones corresponden a perı́odos.
a) Construya las matrices T ∗ , T ∗ X y T ∗ Y que le permitan corregir el error.
b) Construya la matriz Ω y Ω−1
12. (Abierta) Suponga el modelo Casai = β0 + β1 ingresoi + β2 edadi + β4 estudioi + β5 sexoi + i .
En la muestra presente para este modelo, existen individuos desde los 30 años, con ingresos
mensuales desde 5 millones hasta 15 millones y de todos los niveles de educación.
a) ¿Qué problemas podrı́a haber entre las variables?
b) ¿Qué problemas podrı́a haber con la muestra?
c) ¿Qué problemas podrı́a haber si la variable Casai toma valores de 1 o de 0 si el individuo
i tiene o no una casa?1
13. (Abierta) Se realiza un modelo de la demanda agregada DAt de la economı́a y la imposición
directa IDt empleando 100 datos anuales.

DAt = β0 + β1 IDt t

Al estimar por MCO se obtiene:

ˆ t = 32 − 0,45IDt
DA

A partir de los residuos se estima:

ˆ2t = 0,35 + 4IDt + 0,05IDt2 , R2 = 0,85

t−1 , R2 = 0,5
ˆt = 3 + 0,74ˆ

a) ¿Hay evidencia estadı́stica para pensar que existe autocorrelación? Muestre el desarrollo
b) ¿Hay evidencia estadı́stica para pensar que existe heteroscedasticidad? Muestre el desarrollo

14. (Múltiple) El modelo y = β0 + β1 ln(x) + β2 ln(x2 ) +  tiene problemas de:

a) Heteroscedasticidad
b) Autocorelación
c) Multicolinealidad perfecta
d ) Ninguna de las anteriores
15. (Abierta) Demuestre por qué el estadı́stico de Durbin-Watson está entre 0 y 4. Recuerde que
dicho estadı́stico es el siguiente:
Pn
 − ˆ )2
(ˆ
DW = Pnt 2t−1
i=2
i=1 
ˆt

16. (Abierta) Demuestre por qué el estadı́stico de Durbin-Watson (arriba) tiende a ser equivalente
a 2 − 2ρ en muestras muy grandes.
1 En este caso, el modelo estarı́a prediciendo la probabilidad de que el individuo tenga o no casa

13
17. (Abierta) Si el verdadero modelo es y = β0 + β1 x1 + β2 x2 +  pero se corre el modelo y =
β0 + β1 x1 + , ¿qué sucede? Comente.
18. (Abierta) Si se corre el modelo y = β1 x1 + β2 x2 + , en donde x2 = x1 + 1, ¿surge algún problema
en la estimación?
19. (Abierta) Si usted quisiera hacer un modelo predictivo sobre la nota final en la clase de econo-
metrı́a de cada uno de sus compañeros, ¿qué problemas (si alguno) podrı́an surgir si toda su
clase se graduó del mismo colegio? ¿Servirı́a de algo su modelo para predecir las notas finales
en la otra clase de econometrı́a (en donde asumimos que se graduaron todos de otro colegio)?
Comente.

14