Relación de ejercicios de Econometrı́a

Prof.Maribel González, Máximo Camacho y José Garcı́a Clavel

Licenciatura en Administración y Dirección de Empresas

(versión de 2 de octubre de 2003)

1 Ejercicios de introducción al MCO

Ejercicio 1.1. Dado el modelo de regresión
yi = β0 + β1 xi + εi ,
demuestra, sin utilizar el álgebra matricial, que
Sxy
βb1 = 2 , βb0 = y − βb1 x,
Sx
donde Sxy y Sx2 son la covarianza y varianza muestrales, y donde y y x son
las medias muestrales.
Ejercicio 1.2. Un alumno utiliza una muestra de N observaciones para
estimar por MCO el modelo
yi = β0 + β1 xi + εi ,
P
N P
N
xi yi x2i
i=1 i=1
obteniendo los siguientes resultados N = 20, N = 10, y = 8, x = 3,
βb1 = −4, βb0 = 1. ¿Te parecen coherentes sus resultados?
Ejercicio 1.3. La curva de Engel de gastos relaciona los gastos de un con-
sumidor en un bien y su ingreso total. Sea Y el gasto en un bien, y X el
ingreso del consumidor; considere los siguientes modelos:

Yt = β1 + β2 Xt + εt
Yt = β1 + β2 (1/Xt ) + εt
ln Yt = β1 + β2 ln Xt + εt
ln Yt = β1 + β2 (1/Xt ) + εt
Yt = β1 + β2 ln Xt + εt
Interprete los coeficientes de cada modelo, averiguando en cada modelo
cuál es la pendiente y cuál la elasticidad.

1
1 EJERCICIOS DE INTRODUCCIÓN AL MCO 2

Ejercicio 1.4. Demuestra que en el modelo de regresión

yi = β0 + β1 xi + εi ,

se cumple que la recta de regresión MCO pasa siempre por el punto (x, y).

Ejercicio 1.5. Considera el modelo de regresión

yi∗ = β0 + β1 x∗i + εi ,

donde yi∗ = yi − y y x∗i = xi − x. Demuestra que la recta de regresión MCO

pasa por el origen de coordenadas.

Ejercicio 1.6. Demuestra que en el modelo de regresión con N observa-

ciones
yi = β1 x1i + β1 x2i + εi ,
P
N
se cumple que x2i ei = 0, donde ei son los residuos de la regresión MCO.
i=1
PN
¿Será cierto que ei = 0?
i=1

Ejercicio 1.7. Se ha estimado, mediante MCO y usando datos del año 2001,
el siguiente modelo econométrico que relaciona los gastos de 200 familias en
vivienda (Y , medida en miles de euros) con el ingreso familiar (X, medida
en miles de euros)
yi = β0 + β1 xi + εi ,
obteniendo las estimaciones βb0 = 30 y βb1 = 2. Para el año 2002 el gobierno
ha dado una subvención de 1000 euros a todas las familias. ¿Cómo afectará
esta medida a βb0 y βb1 ? Justifique detalladamente su respuesta.

Ejercicio 1.8. Se intentan estimar los gastos en vivienda (variable Y , me-

dida en miles de euros) de 200 familias. Para ello se proponen dos modelos
alternativos: en el primer modelo se relacionan los gastos en vivienda con el
ingreso familiar (variable X, medida en miles de euros)

yi = β0 + β1 xi + εi ,

obteniendo las estimaciones MCO βb0 = 30 y βb1 = 0.5. En el segundo mod-

elo se relacionan los gastos en vivienda con el ingreso familiar disponible
(variable z, medida en miles de euros) que se define como el ingreso familiar
menos un 10% que se dedica al pago de impuestos

yi = α0 + α1 zi + εi .

Conteste a las siguientes preguntas:

1 EJERCICIOS DE INTRODUCCIÓN AL MCO 3

1. ¿Cuál será el valor de la estimación MCO de α

b0 y α
b1 ? Justifique
detalladamente su respuesta.

2. Si el ingreso de una familia es de 10000 euros, ¿para qué modelo la

predicción puntual del gasto en vivienda es mayor? ¿Por qué?
Ejercicio 1.9. Utilizando datos anuales del perı́odo 1970-2002 se ha esti-
mado la siguiente regresión lineal que explica el precio de la vivienda en
España (variable yt , en euros) en función del suelo urbanizable (variable xt ,
en m2 ):
ybt = 23000 − 0.005xt ; R2 = 0.35.
Si hubiésemos estimado la ecuación en dólares, es decir, multiplicando los
precios de la vivienda (Yt ) por 1.2, ¿cómo habrı́an cambiado la constante,
la pendiente, y el R2 del modelo?
Ejercicio 1.10. Sea el modelo

yi = β0 + β1 xi + εi ,

donde el coeficiente de determinación es R2 . Ahora se propone el modelo

alternativo
yi∗ = α0 + α1 x∗i + ε∗i ,
donde yi∗ y x∗i son una transformación lineal de las variables originales, es
decir yi∗ = a1 + a2 yi y x∗i = b1 + b2 xi . Para este segundo modelo, se obtiene
el coeficiente de determinación R2∗ ¿Qué relación existe entre R2 y R2∗ ? ¿y
entre los coeficientes de regresión de los dos modelos?
Ejercicio 1.11. Considere la regresión por MCO de las N observaciones de
la variable Y sobre las N observaciones de las k variables explicativas rep-
resentadas en la matriz X. Considere ahora una transformación de las vari-
ables explicativas originales Z = XP donde P es una matriz (k x k) deter-
minista y no singular (por tanto, existe inversa de ella y de su transpuesta).
Se pide:

1. Demuestre que los residuos de la regresión de Y sobre X y los de la

regresión de Y sobre Z son iguales.

2. ¿Qué consecuencias tiene la aplicación del resultado anterior para los

cambios de unidades en las variables explicativas?

Ejercicio 1.12. Para estimar el coeficiente β del modelo

yi = βxi + εi ,

se propone un estimador θb = xy . Suponiendo que las perturbaciones εi siguen

una distribución normal y cumplen los supuestos del modelo lineal clásico,
calcule la esperanza y la varianza del estimador propuesto.
1 EJERCICIOS DE INTRODUCCIÓN AL MCO 4

Ejercicio 1.13. Con una muestra de N observaciones, en un modelo de

regresión
yi = β0 + β1 xi + εi ,
se propone un estimador distinto a MCO de β1 que sea
1 X yi − y
βb1 =
N xi − x
¿Es un estimador? ¿Es lineal? ¿Es insesgado? ¿Podemos asegurar que su
varianza es mayor que la correspondiente al estimador MCO?
Ejercicio 1.14. Para estimar el coeficiente β1 del modelo

yi = β0 + β1 xi + εi ,

se propone un estimador
P
b (xi − x) yi
θ= P .
(xi − x)2
Suponiendo que las perturbaciones εi siguen una distribución normal y
cumplen los supuestos del modelo lineal clásico, calcule la distribución, la
esperanza y la varianza del estimador propuesto.
Ejercicio 1.15. Propón un estimador mı́nimo cuadrático para β1 en el sigu-
iente modelo:
yi = β1 x2i + εi
Comprueba si es insesgado y el valor de su varianza, sabiendo que la per-
turbación aleatoria sigue los supuestos del modelo lineal clásico.
Ejercicio 1.16. Para estimar el valor de β1 en el modelo econométrico sin
término constante
yi = β1 xi + εi ,
b definido como
se emplea el estimador θ,
P 2
b x yi
θ = P i3 .
xi
Si suponemos que las perturbaciones aleatorias (εi ) verifican los supuestos
del modelo lineal clásico, se desea saber:
1. ¿Es el estimador θb un estimador insesgado de β1 ?
b ¿Será óptima?
2. ¿Cuál será la varianza del estimador θ?
3. Suponga que le comunican que la varianza de las perturbaciones (var(εi ))
es igual a 10 para todas las observaciones. ¿Piensa que dejarı́an de ver-
ificarse los supuestos del modelo lineal clásico? ¿Cuánto valdrı́a ahora
la esperanza de θ?b ¿Y su varianza?
1 EJERCICIOS DE INTRODUCCIÓN AL MCO 5

Ejercicio 1.17. En un modelo de regresión

yi = β0 + β1 xi + εi ,

donde εi ∼ N (0, σ 2 ), ¿cuál es la varianza muestral de los residuos MCO ei ?

¿Es insesgada? Propón un estimador insesgado de la varianza basado en la
varianza muestral.

Ejercicio 1.18. Sea el modelo lineal clásico, expresado matricialmente como

Y = Xβ + ε,
¡ ¢
donde ε ∼ N 0, σ 2 I . Se sabe que Y y Yb se distribuyen como una normal.

1. Encuentra las expresiones de la esperanza y la varianza de Y .

2. Encuentra las expresiones de la esperanza y la varianza de Yb .

Ejercicio 1.19. Supongamos un sencillo ejercicio teórico: estimar el modelo

yi = β0 + β1 xi + εi con sólo dos observaciones. Demuestra que los residuos
MCO son cero. ¿Qué implica este resultado para el coeficiente de determi-
nación? Comenta detalladamente los resultados obtenidos.

Ejercicio 1.20. Dado el siguiente modelo de regresión múltiple:

Yi = β0 + β1 X1i + ... + βk Xki + εi

si se rompe uno de los supuestos del modelo lineal clásico: E(εi ) = K,

siendo K una constante distinta de cero ¿Qué consecuencias tiene sobre la
estimación MCO de los parámetros del modelo?

Ejercicio 1.21. Sea el modelo:

Yi = α + βXi + εi ; i = 1, 2, ...N

donde E(εi ) = 2+2Xi , cumpliéndose el resto de hipótesis clásicas del modelo

de regresión. Calcular el sesgo de los estimadores MCO de α y β.

Ejercicio 1.22. Dado el siguiente modelo:

yi = β0 + β1 x1i + ... + βk xki + εi ,

donde las perturbaciones εi siguen una distribución normal y cumplen los

supuestos del modelo lineal clásico. Demuestre que en el contraste de signi-
ficatividad conjunta, la estimación ybi del modelo restringido coincide con la
media aritmética de las observaciones de la variable y.
1 EJERCICIOS DE INTRODUCCIÓN AL MCO 6

Ejercicio 1.23. Un estadı́stico que permite realizar el contraste de sig-

nificatividad conjunta en un modelo con término constante y k variables
explicativas es:
(SCER − SCE)/k
F = SCE
,
n−(k+1)

donde SCE es la suma de los cuadrados de los errores.

1. Encuentra la relación matemática que liga el coeficiente R2 con dicho

estadı́stico.

2. Sabiendo que hemos obtenido, del contraste global de significatividad,

que el estadı́stico F = 43, 25, que el modelo tiene 2 variables explica-
tivas, y que se emplearon en la estimación 20 observaciones, ¿cuánto
valdrá el R2 ?

Ejercicio 1.24. Un grupo de alumnos de 4 de ADE propone el siguiente

modelo para estudiar la demanda regional de CDs:

yt = α0 + α1 x1t + α2 x2t + εt ,
siendo y la demanda en miles de unidades, x1 la renta, x2 el precio medio
de un CD y εt ∼ N (0, σε2 ). Con los 23 datos de una muestra trimestral
(1998.1-2003.3) los alumnos obtienen:
   
17.49 1.73 −7.58 132.19
(X 0 X)−1 =  1.73 0.79 −1.84  (X 0 Y ) =  901.09 
−7.58 −1.84 5.21 510.03
X X
SCE = e2i = 3.35 ST C = (yt − y)2 = 362.48

Utilizando la información proporcionada, se pide:

1. Estimar por MCO los parámetros del modelo, e interpretar los resul-
tados obtenidos.

2. Contrastar la significatividad global del modelo

3. Contrastar la significatividad individual de todas las variables explica-

tivas ¿Está de acuerdo con la especificación del modelo?

4. A partir del primer trimestre de 2001 se incrementó notablemente el

gasto en publicidad de los CDs. Por ello, un alumno propone estimar
una función de demanda distinta para cada submuestra. Sabiendo
que SCE(1998.1−2000.4) = 2.10, y que SCE(2001.1−2003.3) = 1.15, ¿está
de acuerdo con la propuesta de este alumno? Razone su respuesta.
1 EJERCICIOS DE INTRODUCCIÓN AL MCO 7

5. Otro compañero del grupo propone estimar el siguiente modelo

yt = α0 + α1 x1t + α2 x2t + α3 x3t + εt ; εt ∼ N (0, σε2 )

que incluye también una variable x3 para recoger el precio medio de los
videos. Sabiendo que una vez estimado el nuevo modelo SCE = 1.85
contraste cuál de los dos modelos es mejor.

Ejercicio 1.25. Tomando una muestra de observaciones correspondientes

a 20 perı́odos sucesivos de las variables C (consumo de alimentos), Y (renta
disponible) y P (precios medios de los alimentos) se ha estimado por MCO
la función
ct = β0 + β1 yt + β2 pt + εt .
Los resultados de la estimación han sido
20
X
b
ct = 1.40 + 0.19 yt − 0.24 β2 pt , et = 0.92, R2 = 0.99.
(0.52) (0.01) (0.07)
t=1

donde los números entre paréntesis son las desviaciones tı́picas estimadas
de los coeficientes. Siempre trabajando al 5%, contesta a las siguientes
preguntas

1. Realiza un contraste de la significatividad global de los coeficientes.

2. Realiza un contraste de la significatividad individual de los coeficientes.

3. Contrasta si el consumo autónomo de alimentos es positivo.

4. Construye un intervalo de confianza para la estimación de los coefi-

cientes.

Ejercicio 1.26. Un director trata de estimar la producción de su empresa

en función del número de trabajadores. Este hombre sabe que es el cuarto
director desde 1950, por lo que cree que los parámetros estimados podrı́an
variar según el director. Para ello realiza una estimación para todo el perı́odo
de vida de la empresa (1950-98)y obtiene una varianza de los residuos es-
timada de 6.25. También realiza una estimación por separado para cada
uno de los tres directores anteriores, que dirigieron la empresa en 1950-60
el primero, 1960-75 el segundo y 1975-98 el último. La varianza estimada
de los errores fue de 3.22, 5.21 y 6.50 respectivamente. ¿Qué estimación
deberı́a elegir el director?

Ejercicio 1.27. Se quiere contrastar la hipótesis de que en dos ciudades,

A y B, a igual número de años de estudio corresponden salarios iguales. Se
sabe que la relación número de años de estudio, X, salario percibido, Y ,
obedece al modelo:
2 EJERCICIOS PARA EVIEWS 8

Yi = βXi + εi
Con el fin de contrastar esta hipótesis se han entrevistado 10 individuos
en cada ciudad. Los datos obtenidos son:
Ciudad A:
P P 2 P
P Xi = 55 P X2i = 385 Xi Yi = 228.8
Yi = 32.7 Yi = 136.09 NA = 10

Ciudad B:

P P 2 P
P Xi = 55 P X2i = 385 Xi Yi = 1004.2
Yi = 143.7 Yi = 2619.47 NA = 10

¿Se puede rechazar la hipótesis de que los niveles de salarios son iguales
para las dos ciudades?

2 Ejercicios de introducción al MCO para resolver

con Eviews
Ejercicio 2.1. El director de marketing de la empresa Noname s.a. se ha
propuesto investigar si realmente el gasto en publicidad le lleva a un aumento
en las ventas. Para ello ha recogido datos de la variable Y (volumen de
ventas en miles de euros) y la variable X (gasto en publicidad en miles de
euros) en las cuatro sucursales de su empresa. Pretende estimar un modelo
lineal con constante, es decir

yi = β0 + β1 xi + εi .

Los valores de esas variables son

Sucursal xi yi
1 0 2
2 1 1
3 4 3
4 5 2

1. Razona la presencia del término constante.

2. Encuentra las ecuaciones normales de la recta de regresión.

3. Estima los parámetros β0 y β1 .

4. ¿Cuánto aumentarán las ventas si aumentamos el gasto de publicidad

en 1000 euros?
2 EJERCICIOS PARA EVIEWS 9

5. Si pretende abrir una nueva sucursal para la que gastará 7000 euros
en publicidad, ¿cuál será la predicción de las ventas para esa sucursal?

Ejercicio 2.2. Considera el modelo

yi = β0 + β1 x1i + β2 x2i + εi ,

donde yi es la cantidad consumida de alimentos en la región i, x1i es la renta

disponible de la región i, y x2i es el precio del producto. Se tiene información
para 8 regiones:
Región yi x1i x2i
Extremadura 5 3 5
Baleares 43 5 2
Murcia 30 6 6
Asturias 24 6 7
Andalucı́a 30 5 4
Galicia 65 9 3
Valencia 57 10 7
Cataluña 90 12 6

b Yb , e, s2 .
Determina qué valen en este ejemplo X, X 0 X, X 0 Y . Calcula β,
Ejercicio 2.3. Se quiere estimar una ecuación de demanda de tomates a
partir del modelo de regresión

yi = β0 + β1 xi + εi ,

donde y es la cantidad demandada de tomates en cada región y x es el precio

medio para cada región. Se dispone de 12 observaciones corte transversal
para ambas variables, que se recogen en la siguiente tabla

y 55 70 90 100 90 105 80 110 125 115 130 130

x 100 90 80 70 70 70 70 65 60 60 55 50

1. Estima los parámetros del modelo mediante el método MCO.

2. Estima insesgadamente la varianza de los errores.

3. Estima la matriz de varianzas y covarianzas de los parámetros estima-

dos.

4. Calcula el coeficiente de determinación y el corregido.

Ejercicio 2.4. La empresa Uabes s.a. se dedica a construir edificios para

una determinada Universidad. Hasta ahora ha construido 8 edificios, para
los cuales el número de metros cuadrados construidos y de horas de trabajo
empleadas han sido
2 EJERCICIOS PARA EVIEWS 10

Edificio horas de trabajo metros cuadrados

1 7400 4000
2 9800 6000
3 4600 2000
4 12200 8000
5 14000 10000
6 8200 5000
7 5800 3000
8 17000 12000

La empresa se plantea construir un nuevo edificio de 14000 m2 . La hora

de trabajo le cuesta a la empresa 1100 euros. Sabiendo que el resto de costes
distintos al laboral, le suponen un 20% de los costes derivados del trabajo,
determinar cual es el presupuesto mı́nimo que aceptarı́a1 .

Ejercicio 2.5. Una empresa desea estimar las ventas (variable y) en función
del gasto en publicidad (variable x1 ) y de los beneficios (variable x2 ) usando
el modelo de regresión

yi = β0 + β1 x1i + β2 x2i + εi .

Para estimar este modelo recoge los siguientes datos de sus 8 sucursales

sucursal 1 2 3 4 5 6 7 8
y 10 25 32 43 58 62 67 71
x1 1 3 4 5 7 8 10 10
x2 0 -1 0 1 -1 0 -1 2

Calcula (trabaja con un α del 5%):

1. La estimación MCO de los parámetros del modelo.

2. La estimación insesgada de la varianza de las perturbaciones.

3. El coeficiente de determinación simple y el corregido.

4. El contraste de significatividad global de los coeficientes.

5. Los contrastes de significatividad individual de los coeficientes.

6. El contraste de la hipótesis nula H0 : β0 = β1 = β2 = 0.

7. El contraste de la hipótesis nula H0 : β1 = 10β2 .

1
El presupuesto mı́nimo al que estarı́a dispuesta a construir el nuevo edificio, serı́a
aquel que le permitiese cubrir los costes totales
3 MÁS EJERCICIOS DE INTRODUCCIÓN AL MCO 11

Ejercicio 2.6. Se pretende estimar el número de vehı́culos que posee cada

familia (variable Y ) en función del tamaño de la familia (variable X) usando
el modelo de regresión
yi = β0 + β1 xi + εi .
Para ello se obtienen los datos de una encuesta a 5 familias:

familia 1 2 3 4 5
y 1.2 1.7 2.0 2.1 2.2
x1 1 2 3 4 5

Realiza las siguientes operaciones (con α = 5%)

1. La estimación MCO de los parámetros del modelo.

2. La estimación insesgada de la varianza de las perturbaciones.

3. El coeficiente de determinación y el corregido.

4. El contraste de significatividad global de los coeficientes.

5. Los contrastes de significatividad individual de los coeficientes.

6. El contraste de la hipótesis nula H0 : β1 = 1.

7. Contrastar si el parámetro β1 es mayor que 1.

8. Construir un intervalo para la estimación de β0 y β1 .

9. ¿Cuántos vehı́culos estimas que tendrá una familia de 7 personas?

3 Más ejercicios de Introducción al MCO

Ejercicio 3.1. Se quiere estimar un modelo que relaciona las ventas de una
empresa (variable V ) con el precio de su producto (variable P ) y el gasto
de publicidad anual (variable G). Para ello, se han recogido datos para los
últimos diez años. Se proponen los siguientes modelos:

vt = β0 + β1 pt + β2 gt + εt , SEC = 405, ST C = 1500

vt = β0 + β1 pt + εt , SEC = 1185.

Calcula el coeficiente de determinación de ambos modelos. Comenta los

resultados. ¿Cómo se explicarı́a este resultado? Realice un contraste para
determinar si la variable G es relevante en el modelo.
3 MÁS EJERCICIOS DE INTRODUCCIÓN AL MCO 12

Ejercicio 3.2. Se sabe que en el modelo:

Yi = β0 + β1 X1i + β2 X2i + εi
el coeficiente de correlación entre las variables explicativas,X1 y X2 , es
cero. Por tanto, alguien sugiere estimar los siguientes modelos de regresión
simple:

Yi = α0 + α1 X1i + ²i
Yi = γ0 + γ1 X2i + ξi

b1 = βb1 y γ
¿Será α b1 = βb2 ? Justifique su respuesta.

Ejercicio 3.3. Dado el siguiente modelo de regresión lineal:

Yi = β0 + β1 X1i + β2 X2i + εi
un investigador especifica erróneamente el siguiente modelo:

Yi = α0 + α1 X1i + νi

1. Calcule el estimador MCO de α0 , α1 y de σν2 .

2. Evalúe el sesgo en el estimador de los parámetros α0 y α1 .

3. ¿Es el estimador de σν2 sesgado? Razone su respuesta

4. Suponiendo que las variables X1i y X2i fueran ortogonales, ¿cambia la

respuesta a los apartados b. y c.?

Ejercicio 3.4. Supongamos que el modelo verdadero que explica el com-

portamiento de la variable y en función de la variable x es

yi = β0 + β1 xi + εi ,

pero por error estimamos el modelo

yi = β0 + β1 xi + β2 x2i + εi .

¿Es cierto que la estimación de β2 será cero?

Ejercicio 3.5. Suponga que el verdadero modelo es:

Yi = β0 + β1 X1i + εi (1)
pero, por error, añadimos una variable irrelevante (X2 ) al modelo (ir-
relevante en el sentido que el verdadero coeficiente β2 de la variable X2 es
cero), y estimamos
3 MÁS EJERCICIOS DE INTRODUCCIÓN AL MCO 13

Yi = β0 + β1 X1i + β2 X2i + εi (2)

Conteste verdadero o falso a las siguientes afirmaciones, justificando de-
talladamente su respuesta:

1. El R2 del modelo (2) es mayor que el del modelo (1).

2. Las estimaciones de β0 y de β1 obtenidas de (2) son insesgadas.

3. La inclusión de la variable irrelevante (X2 ) no afecta a la varianza de

βb0 y de βb1 .

Ejercicio 3.6. Dado el siguiente modelo:

Yi = β0 + β1 X1i + β2 X2i + εi

en el que la perturbación cumple los supuestos del modelo clásico. Ex-

plique qué problemas se pueden presentar a la hora de estimar los parámetros
del modelo en cada una de las situaciones siguientes, referidas a carac-
terı́sticas de los datos:

1. X2i = α + δX1i

2. X2i = α + δX1i + ηi , donde η es una perturbación aleatoria, y se sabe

que el R2 de esta regresión es 0.87.

3. X2i = α + δX1i + γZi

Ejercicio 3.7. La variable Y viene explicada por el siguiente modelo:

Yi = β1 X1i + β2 X2i + εi

Para estimar este modelo se dispone de una muestra de datos en la que

se cumple que X1i = δX2i . Se pide:

1. Demuestre que con la información disponible no se puede estimar el

modelo propuesto.

2. Dada la imposibilidad de estimar los parámetros, se decide eliminar la

variable X2 y estimar:

Yi = α1 X1i + εi

¿Cuál serı́a la esperanza de α

b1 ?
3 MÁS EJERCICIOS DE INTRODUCCIÓN AL MCO 14

Ejercicio 3.8. Considere el siguiente modelo:

IM Pt = β0 + β1 P REt + β2 P REt−1 + β3 ∆P REt + εt

donde: IM P son las importaciones españolas procedentes de los paı́ses
de la OCDE
P RE es un ı́ndice de precios relativos, indicador de la competi-
tividad
∆P RE son las primeras diferencias de la variable precios relativos
Este modelo postula entonces que las importaciones del perı́odo t están
en función de los precios relativos del perı́odo t y del perı́odo (t-1), como
también de la variación en los precios relativos entre estos perı́odos.

1. Suponiendo que usted tiene la información necesaria para estimar el

modelo anterior, ¿tendrı́a éxito en estimar todos los coeficientes para
este modelo? ¿Por qué sı́ o por qué no?

2. Si no es éste el caso, ¿qué coeficientes se pueden estimar?

3. Suponiendo que la variable P REt−1 estuviera ausente del modelo,

¿serı́a su respuesta al apartado a. la misma?, ¿por qué?

4. ¿Es posible predecir?

Ejercicio 3.9. Deseamos estimar el volumen de ventas anual de una em-

presa (V ) en función del número anual de trabajadores (T ), la inversión
realizada en ese año (I), y las subvenciones recibidas para ese año (S). Us-
ando datos de los últimos 64 años obtenemos los siguientes resultados en
una estimación MCO:

Vbt = 7.79 + 0.06 Tt + 1.08 It + 0.40 St ,

(8.95) (1.00) (2.17) (0.63)

donde los valores en paréntesis son las desviaciones tı́picas de los parámetros
estimados. El coeficiente de determinación corregido del modelo es 0.952.
¿Qué problemas tiene la estimación? ¿Cómo los resolverı́a?

Ejercicio 3.10. Tenemos la siguiente estimación

ybi = 32.10 + 0.76 x1i + 0.31 x2i ,

(3.60) (2.10) (2.80)

donde los valores entre paréntesis son las desviaciones tı́picas estimadas de
los parámetros. Además, disponemos de la siguiente información

N = 25, SCE = 0.43, ST C = 12.3.

Detectar si el modelo anterior tiene problemas de multicolinealidad y pro-

poner una solución al problema.
3 MÁS EJERCICIOS DE INTRODUCCIÓN AL MCO 15

Ejercicio 3.11. La siguiente ecuación se ha utilizado tradicionalmente para

explicar los salarios de los individuos:

Sali = β1 + β2 Edadi + β3 Expi + β4 Educi + εi ; i = 1, ..., N

donde: Sal es el salario en términos reales, Edad es la edad, Exp son los
años de experiencia, y Educ son los años de educación.
1. Un económetra dispone de una muestra de datos con la que pretende
llevar a cabo la estimación. El conjunto de datos incluye salarios, edad
y años de educación de cada individuo, pero no hay ninguna medida
directa de la experiencia. Para estimar la ecuación, el económetra mide
la experiencia por los años de experiencia potencial (P Exp). P Exp
es el máximo número de años de experiencia desde que el individuo
completó su educación, suponiendo que comenzó los estudios con 6
años, y se define del siguiente modo:

P Expi = Edadi − Educi − 5

Explica por qué no puede estimar los parámetros de la ecuación de

salarios. Da una explicación intuitiva y otra matemática.

2. Otro investigador dispone de una muestra de 100 datos que sı́ incluye
los años de experiencia de los individuos. Utilizando estos datos para
estimar el modelo de salarios ha obtenido los siguientes resultados (en
paréntesis las desviaciones tı́picas de los coeficientes):

d i = 9.6 + 0.25 Edadi + 0.45 Expi + 1.25 Educi ;

Sal R2 = 0.77 (3)
(3.2) (0.21) (1.23) (1.03)

Realice los contrastes de significatividad individual y global y comente

los resultados obtenidos. ¿Encuentra algún problema en la estimación?
¿A qué se debe? Proponga alguna solución.
Ejercicio 3.12. El número de horas de lectura al dı́a (y) de las personas se
piensa que depende de su nivel de estudios. Para contrastarlo se dispone de
una nuestra de N individuos, agrupados en tres clases: Grupo I, Grupo
II y Grupo III, en función de que tengan un nivel de estudios superior,
medio, o bajo. Seguidamente se definen las tres variables ficticias E1 , E2 , y
E3 , donde
½
1 si el individuo pertenece al grupoj
Ej =
0 si el individuo no pertenece a ese grupo,

valiendo j = 1, 2 ó 3. Al estimar el modelo por MCO, se obtiene:

ybi = 10E1i + 5E2i + 2E3i .

3 MÁS EJERCICIOS DE INTRODUCCIÓN AL MCO 16

Demuestre a partir de este resultado, que el número medio de horas de

lectura al dı́a en cada uno de los grupos de individuos es precisamente 10, 5
y 2 horas respectivamente.
Ejercicio 3.13. Se desea estimar el siguiente modelo

yt = β0 + β1 xt + εt ,

donde las variables xt e yt se refieren a los precios de los hoteles y al nivel

de ocupación hotelera para el trimestre t, respectivamente. La variable εt
cumple los supuestos clásicos. Como sabes, puede ser conveniente discrim-
inar entre datos de temporada alta respecto a aquellos de temporada baja.
Para tener en cuenta este problema, se definen las ficticias
• DAt que vale 1 si el trimestre t se corresponde con temporada alta y
0 en otro caso.
• DBt que vale 1 si el trimestre t se corresponde con temporada baja y
0 en otro caso.
Para llevar a cabo la estimación del modelo anterior se proponen las
siguientes alternativas

Alternativa 1 : yt = α0 + α1 xt + α3 DAt + α4 DBt + εt .

Alternativa 2 : yt = δ0 + γ1 DAt + δ1 xt + εt .
Alternativa 3 : yt = θ1 DAt + θ2 DBt + λ1 xt + εt .

1. ¿Cree que hay alguna propuesta incorrecta?

2. Se sabe que los coeficientes δ0 y γ1 de la alternativa 2 están relacionados
con los coeficientes θ1 y θ2 de la alternativa 3. Encuentre esa relación
lineal e interprete económicamente los resultados.
3. ¿Cuál será la relación entre los coeficientes δ1 y λ1 de las alternativas
2 y 3? ¿Qué interpretación te sugiere?
Ejercicio 3.14. La cantina de la facultad nos ha pedido que estudiemos
la evolución de sus ganancias. Considerando que la única variable explica-
tiva serı́a la renta mensual de sus clientes, describa detalladamente cómo
estudiarı́a si afecta a esta relación:
1. El hecho de estar en época de exámenes.
2. El hecho de ser profesor o alumno (suponiendo que el ser profesor
puede afectar a la relación a través de la renta).
Ejercicio 3.15. Imagina que somos propietarios de una empresa de helados
y que queremos estimar las ventas de ese producto en función del número de
trabajadores y del gasto en publicidad, según un modelo lineal sin término
constante. Para ello se dispone de datos trimestrales para los últimos diez
años. Responde a las siguientes preguntas:
3 MÁS EJERCICIOS DE INTRODUCCIÓN AL MCO 17

1. ¿Crees que deberı́amos incluir alguna variable ficticia? Si tu respuesta

es afirmativa, introduce una ficticia para cada estación del año.

2. Describe el significado de los coeficientes de las ficticias.

3. Explica cómo contrastarı́as si se produce un efecto estacional.

Ejercicio 3.16. La librerı́a de la facultad nos ha contratado para que le hag-

amos un estudio sobre el gasto mensual que hacen los alumnos en periódicos.
La intuición nos dice que el gasto de cada alumno puede depender de su
renta mensual, del nivel de estudios (licenciatura-doctorado), la edad y el
sexo (hombre-mujer). Se piensa que el impacto del nivel de estudios sobre
el gasto afecta a la pendiente de la renta, mientras que el impacto del sexo
afecta al término constante del modelo.

1. Explique cómo contrastar si el nivel de estudios afecta al gasto en

periódicos.

2. Explique cómo contrastar si el sexo es una variable que influya en lo

que un alumno gasta en periódicos.

Ejercicio 3.17. Suponiendo que el salario de los trabajadores más cualifi-

cados de una empresa viene determinado por la siguiente ecuación:

Yi = β0 + β1 D1i + β2 D2i + β3 (D1i D2i ) + β4 Xi + εi

siendo: Y : salario anual
X: años de experiencia en la empresa D1: variable ficticia
que toma valor 1 si es licenciado y 0 si es diplomado D2: variable
ficticia que toma valor 1 si es hombre y 0 si es mujer.

1. ¿Qué significado tienen los coeficientes β1 y β2 ?

2. El término (D1i D2i ) representa el efecto de interacción, ¿cómo inter-

preta su coeficiente?

3. Si β3 = 0, ¿podrı́amos decir que la diferencia salarial entre hombres y

mujeres es independiente del nivel de estudios?

4. Si β3 6= 0 ¿implica eso que la diferencia de salarios entre licenciados

y diplomados depende de si el individuo es hombre o mujer? En caso
afirmativo, ¿qué parámetros del modelo recogen la diferencia salarial
entre licenciados y diplomados en el caso de los hombres?, ¿y en el de
las mujeres?

5. Suponga que dispone de datos sobre los trabajadores de una empresa

durante un intervalo de tiempo. Un análisis de los mismos indica que
los hombres ganan más que las mujeres, que los licenciados ganan más
4 EJERCICIOS DE ESTIMACIÓN POR MCG 18

que los diplomados, y que la discriminación salarial entre hombres y

mujeres es mayor a menor nivel de estudios. Si estimamos el modelo
¿qué signos esperarı́a para los parámetros βb1 y βb2 y βb3 ?
Ejercicio 3.18. Queremos estimar el siguiente modelo:

yi = β0 + β1 x1i + β2 x2i + εi

para lo que se recogen 40 datos. Como en el año correspondiente a la

observación número 20 hay un cambio estructural en la economı́a que, se
tiene la sospecha de que el parámetro β1 puede ser distinto en el primer y
segundo perı́odo. Describe detalladamente cómo realizarı́as el contraste.
Ejercicio 3.19. El siguiente modelo representa la función de exportaciones
de la economı́a española (Y ) durante el perı́odo (1970-2002):

(1) (1)
Yt = β0 + β1 X1t + β2 X2t + εt , t = 1970, ..., 1985
(2) (2)
Yt = β0 + β1 X1t + β2 X2t + εt , t = 1986, ..., 2002

siendo X1 el tipo de cambio, y X2 la renta extranjera.

1. Describa detalladamente dos procedimientos distintos para contrastar:

(1) (2) (1) (2)

H0 : β1 = β1 , β2 = β2
HA : no H0

2. Suponiendo que acepte la hipótesis nula del primer apartado, ¿cómo

especificarı́a el modelo?

4 Ejercicios de Estimación por MCG

Ejercicio 4.1. Considera el siguiente modelo:

yt = β0 + β1 xt + ut ,

donde t = 1, ..., T .
1. Escribe el modelo en álgebra matricial, para todas las observaciones,
denominando U al vector de perturbaciones del modelo.

2. Escribe la matriz de covarianzas de U . ¿Qué elemento es el (2, 2) de

esta matriz? ¿Cuál es el elemento (1, T ) de esta matriz?

3. ¿Cómo será esta matriz si suponemos que var(ut ) = 2xt , pero que no
hay autocorrelación?
4 EJERCICIOS DE ESTIMACIÓN POR MCG 19

4. ¿Cómo será esta matriz si se supone ut = εt + bεt−1 , donde εt ∼

N (0, σ 2 )?

Ejercicio 4.2. Tenemos el siguiente modelo Y = Xβ + U , donde Y y U

son vectores de dimensión (T × 1), X es una matriz de dimensión (T × k),
y donde β es un vector (k × 1).

1. Suponiendo que U ∼ N (0, σ 2 I), ¿qué dimensión tiene la matriz I?,

¿son homocedásticas las perturbaciones?, ¿cómo interpretas el parámetro
0e
σ 2 ? Demuestra que el estimador s2 = Te−k es insesgado (donde e son
los residuos de la estimación por MCO).

2. Suponiendo que U ∼ N (0, σ 2 Ω), donde Ω 6= I, ¿son homocedásticas

las perturbaciones?, ¿cómo interpretas el parámetro σ 2 ? Demuestra
0e
que el estimador s2 = Te−k es sesgado.

Ejercicio 4.3. La estimación MCO del modelo de regresión

yt = β0 + β1 xt + ut ,

ha sido βb0 = 1 y βb1 = 0.5. Suponiendo que tanto las observaciones de x y

de y se multiplican por 10, obtener la nueva estimación. ¿Supone esto que
el modelo es más heterocedástico?

Ejercicio 4.4. Considera el modelo

Y = Xβ + U, donde U ∼ N (0, σ 2 Ω).

1. Transforma el modelo en otro con perturbaciones homocedásticas. Es-

cribe el nuevo modelo tanto en notación matricial como escalar.

2. Demuestra que la aplicación de MCG al modelo original coincide con

la aplicación de MCO al modelo transformado.

3. Encuentra una estimación insesgada de σ 2 .

Ejercicio 4.5. Considera el modelo

Ct = β0 + β1 P N Bt + β2 Dt + Ut ,

donde Ct es el consumo del perı́odo t, P N Bt es el Producto nacional Bruto

del perı́odo t, y Dt son los gastos en defensa del perı́odo t. Para estimar los
parámetros β0 , β1 , y β2 , se estiman los siguientes modelos:
bt = 26.19 + 0.62 P N Bt − 0.44 Dt , R2 = 0.9
C
(2.7) (0.006) (0.07)
bt
C 1 Dt
= 25.90 + 0.62 − 0.43 , R2 = 0.8
P N Bt (2.2) P N Bt (0.006) (0.06) P N Bt
4 EJERCICIOS DE ESTIMACIÓN POR MCG 20

1. Si se sospecha que la dispersión de los errores pueda estar relacionado

con el PNB, ¿qué modelo escogerı́as?
2. ¿Qué supuesto sobre los errores habrán hecho los autores de las esti-
maciones anteriores?
Ejercicio 4.6. Considera el modelo
yt = β0 + β1 xt + ut ,
donde los errores están independientemente distribuidos, con media 0 y var-
ianza σt2 .
1. Explica cómo estimar los parámetros del modelo, suponiendo que σt2 =
λxt , siendo λ una constante positiva de valor conocido.
2. Contesta a la pregunta anterior suponiendo ahora que σt2 = a + bxt ,
siendo a y b constantes positivas de valor conocido.
3. Contesta a las dos preguntas anteriores, suponiendo que λ, a y b son
ahora constantes positivas desconocidas.
Ejercicio 4.7. Suponiendo el modelo
yt = β0 + β1 xt + β2 wt + ut ,
donde ut ∼ N (0, σ 2 ) y donde xt y wt son deterministas. Un investigador cree
erróneamente que var(ut ) = 2x2t , por lo que transforma el modelo y aplica
MCO al modelo transformado. ¿Qué propiedades tendrá este estimador?
Ejercicio 4.8. Un económetra trata de estimar el consumo de una región
en función de la renta de esa región. Para ello toma datos de 10 regiones y
propone el siguiente modelo
Ci = β0 + β1 Ri + Ui ,
donde Ci y Ri son el consumo y la renta medios de cada región. El investi-
gador supone que el consumo por individuo tiene una varianza constante σ 2
y aplica MCO al modelo propuesto. ¿Ha realizado bien la estimación? En
caso de que tu respuesta sea negativa, propón una alternativa.
Ejercicio 4.9. Considere el modelo yi = βxi + ui , con var(ui ) = (kxi )2 .
Prueba que el estimador MCG de β es igual al promedio muestral del co-
ciente xyii . Halle su varianza.
Ejercicio 4.10. Considere el siguiente modelo de regresión simple:
Yi = α + βXi + ui
ui ∼ N (0, σ 2 )
i = 1, ...., n
Utilizando una muestra, (yi , xi ), de datos agregados,
4 EJERCICIOS DE ESTIMACIÓN POR MCG 21

y1 = Y1 x 1 = X1
y2 = Y1 + Y2 x2 = X1 + X2
y3 = Y1 + Y2 + Y3 x3 = X1 + X2 + X3
............................. .............................
yn = Y1 + ... + Yn xn = X1 + ... + Xn

halle el estimador ELIO de β.

Ejercicio 4.11. Sea el siguiente modelo lineal sin término constante y un

solo regresor:

yt = βxt + ut
E(ut ) = 0, V (ut ) = σ 2 zt

donde zt es una variable conocida.

1. Obtener la expresión analı́tica del estimador MCG.

2. ¿Qué ocurrirı́a si se estimase el modelo por MCO y se utilizase s2 (X 0 X)−1

como matriz de varianzas-covarianzas estimada del estimador MCO?
(s2 es el estimador MCO de la varianza de las perturbaciones, s2 =
e0 e
T −k ).

Ejercicio 4.12. Para estimar la relación entre las ventas (variable yi ) y los
gastos en publicidad (variable xi ) de una cadena de tiendas se propone el
siguiente modelo lineal con constante para n observaciones, cuya expresión
matricial es:
Y = Xβ + ε, donde ε ∼ N (0, V )
Conteste a las siguientes preguntas, justificando detalladamente sus respues-
tas:

1. Si suponemos V = 9I, siendo I la matriz identidad (n × n), calcule la

esperanza y la varianza de la estimación MCO de β. ¿Cree que hay
homocedasticidad?

2. Si suponemos ahora:
 
9x21 0
 .. 
V = . ,
0 9x2n

calcule la esperanza y la varianza de la estimación MCO de β. ¿Habrá

heterocedasticidad? Si es ası́, halle el estimador MCG de β y calcule
su esperanza y su varianza.
4 EJERCICIOS DE ESTIMACIÓN POR MCG 22

Ejercicio 4.13. Tenemos el modelo

yt = β0 + β1 xt + ut , t = 1, ..., T ,

donde ut = ut−1 + εt , con εt ∼ N (0, σ 2 )? Si para estimar el parámetro β1

se toman primeras diferencias, ¿qué propiedades tendrá este estimador?.
Ejercicio 4.14. Considera el modelo

yt = β0 + β1 xt + ut ,

donde las observaciones t = 1, ..., T , son semanales.

1. Encuentra la relación entre los parámetros del modelo anterior y los
parámetros del siguiente modelo

ys∗ = α0 + α1 x∗s + u∗s ,

donde las observaciones s = 1, ..., T4 , son el resultado de agregar los

datos semanales anteriores de cuatro en cuatro, sin solapar semanas.
(es decir, la observación s = 1 es la suma de las observaciones de las
semanas 1, ...4, la observación s = 2 es la suma de las observaciones
de las semanas 4, ...8, y ası́ sucesivamente).
2. Encontrar la distribución de los residuos u∗s .
3. Contesta a los dos apartados anteriores, considerando que ahora las
observaciones originales se transforman en la suma de las observaciones
de la semana previa, actual y siguiente. (es decir, la observación s = 1
es la suma de las observaciones de las semanas 1, 2, 3, la observación
s = 2 es la suma de las observaciones de las semanas 2, 3, 4, la obser-
vación s = 3 es la suma de las observaciones de las semanas 3, 4, 5,y
ası́ sucesivamente).
4. Para cada uno de los casos anteriores, ¿cual será la mejor manera de
estimar los parámetros?
Ejercicio 4.15. Considera el modelo

yt = β0 + β1 xt + ut , (4)

donde la perturbación ut sigue el proceso

ut = ρut−1 + εt , |ρ| < 1

con εt ∼ N (0, σε2 ). Un económetra se dispone a transformar las observa-

ciones del modelo anterior tomando primeras diferencias y estimando β en
el modelo
∆yt = β∆xt + vt , (5)
donde ∆yt = yt − yt−1 , ∆xt = xt − xt−1 , vt = ut − ut−1 .
4 EJERCICIOS DE ESTIMACIÓN POR MCG 23

1. Describe la distribución de la perturbación vt en el modelo (5), es

decir, calcula la esperanza, varianza y covarianzas.

2. ¿En qué caso (o casos) el modelo (5) elimina la autocorrelación de los

residuos?

Ejercicio 4.16. Resuelve el ejercicio anterior, pero suponiendo ahora que

ut = εt + λεt−1 .

Ejercicio 4.17. Considera el modelo

yt = β0 + β1 xt + ut ,

donde ut = ρut−1 + εt , |ρ| < 1, y εt ∼ N (0, σε2 ).

1. Explica una forma de obtener una estimación consistente del parámetro
ρ en este modelo.

2. ¿Es imprescindible estimar ρ para obtener una estimación consistente

de los parámetros β0 y β1 ? Razona la respuesta.

3. Explica cómo podrı́a usarse la estimación del parámetro ρ en la esti-

mación de β0 y β1 . ¿Qué ventajas tiene este procedimiento?

4. Usando una muestra de 50 observaciones, se han obtenido las siguientes

estimaciones
ybt = 10 + 2 xt ,
(2.5) (0.5)

ρb = 0.8, y bε2
σ = 0.36. Obtener una estimación de la varianza de la
perturbación ut .
Ejercicio 4.18. En un modelo lineal:

yt = β0 + β1 xt + ut ,

se obtiene un valor del estadı́stico DW igual a 2.1. Además se sabe que de

la estimación

u
bt = a0 + a1 u
bt−1 + a2 u
bt−2 + a3 u
bt−3 + a4 xt + εt ,

se obtiene un R2 = 0.8 usando 10 observaciones. ¿Existe autocorrelación?

Realice dos contrastes distintos.
Ejercicio 4.19. Dado el siguiente modelo

yt = β0 + β1 xt + ut
ut = ρut−2 + εt
5 ALGUNAS CUESTIONES DE VERDADERO O FALSO 24

1. ¿cómo contrastarı́a que ρ 6= 0? Justifique su respuesta.

2. Si desconocemos el valor de ρ, ¿cómo estimarı́a el modelo si ρ 6= 0?
Justifique su respuesta.
3. Si conocemos el valor de ρ, ¿cómo estimarı́a el modelo si ρ 6= 0? Jus-
tifique su respuesta.

5 Algunas cuestiones de Verdadero o Falso

Cuestión 5.1. En el modelo lineal clásico, el supuesto de normalidad no
es necesario si el objetivo es meramente la estimación.
Cuestión 5.2. En un modelo de regresión lineal clásico la suma de residuos
mı́nimo cuadráticos siempre es cero.
Cuestión 5.3. Bajo los supuestos clásicos, los estimadores MCO son ELIO,
independientemente de que las perturbaciones del modelo posean una dis-
tribución normal o no.
Cuestión 5.4. El supuesto hecho en el modelo lineal clásico de que la matriz
de regresores X es determinista es condición necesaria y suficiente para que
los estimadores MCO sean insesgados.
Cuestión 5.5. En el modelo lineal clásico con constante el coeficiente de
determinación corregido es siempre mayor que cero.
Cuestión 5.6. En el modelo de regresión lineal clásico:

Y = Xβ + ε
ε ∼ N (0, σ 2 I)
las distribuciones de los residuos MCO y de las perturbaciones coinciden.
Cuestión 5.7. En el modelo econométrico
yi = β0 + β1 xi + εi ,
donde εt ∼ N (µ, σ 2 ) con µ 6= 0, la estimación MCO de β0 es sesgada pero
no la de β1 .
Cuestión 5.8. La estimación MCO de β1 en dos modelos distintos de la
forma:
Yi = β1 X1i + β2 X2i + εi
Yi = β1 X1i + ηi
es igual siempre y cuando X1 y X2 sean ortogonales, es decir, cuando
P N
i=1 X1i X2i = 0.
5 ALGUNAS CUESTIONES DE VERDADERO O FALSO 25

Cuestión 5.9. El estimador de mı́nimos cuadrados restringidos de un mod-

elo econométrico lineal clásico normal es siempre más eficiente que el esti-
mador de mı́nimos cuadrados ordinarios.
Cuestión 5.10. Suponga que se desea desarrollar un modelo que explique
la conducta del ahorro agregado como una función de los tipos de interés.
En ese caso, será mejor obtener una muestra correspondiente a un perı́odo
de tipos de interés fluctuantes que otra correspondiente a un perı́odo de
tipos de interés estables.
Cuestión 5.11. La multicolinealidad fuerte (no exacta) se debe a una mala
especificación del modelo.
Cuestión 5.12. La existencia de multicolinealidad aumenta el riesgo de no
rechazar hipótesis falsas en los contrastes.
Cuestión 5.13. El factor común a la mayorı́a de las soluciones a la multico-
linealidad es tratar de encontrar un estimador de los parámetros del modelo
con menor varianza que el de MCO, posiblemente en el grupo de estimadores
sesgados.
Cuestión 5.14. En un modelo de regresión lineal general, el coeficiente
de determinación, R2 , nunca puede ser alto si todos los parámetros son
individualmente no significativos porque, en este caso, un gran porcentaje de
la variación de la variable endógena queda sin explicar y el R2 será pequeño.
Cuestión 5.15. La llamada trampa de las ficticias afecta a las ficticias
aditivas, pero nunca a las ficticias multiplicativas.
Cuestión 5.16. Omitir variables relevantes tiene efectos más perjudiciales
sobre la estimación que incluir variables irrelevantes.
Cuestión 5.17. La influencia del error de especificación provocado por la
omisión de variables relevantes sobre el contraste de hipótesis lineales es
nula.
Cuestión 5.18. En presencia de heterocedasticidad, la estimación MCO de
los parámetros del modelo y de su varianza son insesgadas. No obstante,
este estimador no es eficiente.
Cuestión 5.19. Si utilizamos datos de corte transversal para estimar un
modelo que explique el comportamiento del consumo en función de la renta
de los individuos, probablemente los errores serán heterocedásticos, y por
tanto los estimadores MCO serán sesgados.
Cuestión 5.20. Cuando no se conoce nada sobre la heterocedasticidad, en
base a los resultados de White, está justificado utilizar MCO para estimar
los β del modelo, y como estimador consistente de la matriz de varianzas-
b
covarianzas de β:
b = (X 0 X)−1 X 0 diag(e2 )X(X 0 X)−1
Vb (β) i
5 ALGUNAS CUESTIONES DE VERDADERO O FALSO 26

Cuestión 5.21. Las soluciones a la heterocedasticidad pasan por construir

un nuevo estimador, MCG, que mejore la eficiencia del estimador MCO, ya
que, en presencia de este problema el estimador MCO sigue siendo insesgado,
pero ya no es el de mı́nima varianza. Este procedimiento requiere, como
mı́nimo, conocer cuál o cuáles son las causas del problema.

Cuestión 5.22. En un modelo donde detectamos heterocedasticidad, el

estimador MCGF es siempre preferible al estimador propuesto por White.

Cuestión 5.23. En presencia de autocorrelación, para establecer intervalos

de confianza, y para evaluar hipótesis se debe utilizar MCG y no MCO, a
pesar de que los estimadores MCO son insesgados.

Cuestión 5.24. Cuando la fuente de autocorrelación en los errores es la

omisión de variables relevantes, los estimadores MCO son ineficientes e ins-
esgados.

Cuestión 5.25. Los contrastes de autocorrelación de Durbin-Watson y de

Breusch-Godfrey no resultan apropiados porque se basan en los residuos
de la estimación por MCO, que por las caracterı́sticas del modelo están
sesgados.