Econometrics Excercise Set
Econometrics Excercise Set
Econometrics Excercise Set
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)
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
Yi = β0 + β1 Xi + i
∀t = 1, 2, ..., 90
Ŷi = 40 + 10Xi
∀t = 1, 2, ..., 90
R2 = 0,40
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
Yi = β0 + β1 X1i + i
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
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
a) 1
1
b) 2
c) 0
d) < 0
e) ∞
f) > 1
g) ninguna
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.
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
Encuentre:
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)
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.
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.
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
a) I y II
b) II y III
c) III y IV
d ) I y IV
β0
0 1 0 0 0 β1
0
0 0 1 2 0 β = 0
2
0 0 1 0 1 β3 1
β4
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)
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
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
ˆ t = 32 − 0,45IDt
DA
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
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