CERTAMEN 1 ECONOMETRÍA Nombre: PAUTA Profesor: Rodrigo Ortega Blu Fecha: 20 abril de 2011 Puntos: 100
Views 96 Downloads 8 File size 809KB
CERTAMEN
1
ECONOMETRÍA
Nombre:
PAUTA
Profesor:
Rodrigo
Ortega
Blu
Fecha:
20
abril
de
2011
Puntos:
100
Puntos
obtenidos:__100______Nota:_____100____
I. Verdadero
o
Falso.
Justifique
aquellas
sentencias
falsas.
Se
descontarán
las
respuestas
incorrectas.
(20
puntos)
1. _____F______La
econometría
es
una
ciencia
exacta
que
normalmente
usa
datos
recolectados
desde
experimentos
controlados
donde
se
buscan
los
efectos
causales
de
alguna
política.
Normalmente
los
datos
no
provienen
de
experimentos
controlados
sino
que
corresponden
a
datos
de
sección
transversal
recolectados
a
través
de
encuestas
o
levantados
desde
bases
de
datos
existentes.
Se
asume
que
los
datos
fueron
recolectados
de
manera
aleatoria.
2. _____F_____En
regresión
lineal
simple
el
error
esperado
del
modelo
es
igual
a
cero
(E(u)=0)
y
este
está
directamente
correlacionado
con
la
variable
independiente.
E(u|x)=0,
es
decir
el
error
esperado
para
cualquier
valor
de
x
debiera
ser
cero;
no
debiera
existir
correlación
entre
la
variable
x
y
el
error.
3. _____F_____En
el
análisis
de
regresión
simple
el
modelo
de
la
población
es yˆ = βˆ 0 + βˆ1 x + uˆ
Este
modelo
corresponde
al
modelo
de
regresión
de
la
muestra.
4. _____F_____En
MCO
el
estimado
de
la
pendiente
es
la
varianza
de
la
variable
€ dependiente
dividido
por
la
covarianza
entre
la
variable
dependiente
e
independiente.
Es
exactamente
al
revés
(covarianza
sobre
varianza)
5. _____V_____En
un
modelo
de
la
forma ln( yˆ ) = βˆ 0 + βˆ1 ln(x)
el
coeficiente
βˆ1
se
interpreta
como
el
cambio
porcentual
en
y
por
cada
1%
de
cambio
en
x.
€ €
6. _____F____En
prueba
de
hipótesis
el
nivel
de
significancia
equivale
a
la
probabilidad
de
cometer
error
tipo
I,
es
decir
no
rechazar
la
hipótesis
nula
cuando
esta
es
falsa.
El
error
tipo
I
corresponde
a
la
probabilidad
de
rechazar
la
hipótesis
nula
cuando
esta
es
verdadera.
7. _____V____En
una
prueba
de
restricciones
lineales
múltiples
es
posible
que
los
q
parámetros
excluidos
sean
conjuntamente
significativos
a
un
nivel
dado,
aunque
ningún
parámetro
sea
individualmente
significativo
a
ese
nivel.
8. _____F_____En
el
modelo
log(cons) = β 0 + β1 log(ingreso) + β 2 [log(ingreso)]2
se
viola
el
supuesto
de
no
colinealidad.
No
se
viola
puesto
que
[log(ingreso)]2
no
está
relacionado
linealmente
con
log
(ingreso),
como
sería
log(ingreso)2.
€ 9. ______F_____En
el
modelo
Salario=β0+β1educación+β2habilidad+u,
la
exclusión
de
la
variable
habilidad
causaría
un
sesgo
negativo
sobre
β1.
Sería
positivo,
puesto
que
β2
debiera
ser
positivo,
es
decir
a
>
habilidad
>
salario;
además
habilidad
y
educación
debieran
mostrar
una
relación
positiva,
es
decir
a
mayor
habilidad
mayor
debiera
ser
el
nivel
de
educación.
10. ______F____
En
un
modelo
mal
especificado
(ausencia
de
una
variable)
la
varianza
del
estimado
( β˜1 )
es
mayor
que
en
el
caso
del
modelo
correcto.
Sin
embargo,
a
no
ser
que
β2
=
0,
el
β1
del
modelo
mal
especificado
es
sesgado.
Es
menor
II.
€
€ El
siguiente
es
una
salida
incompleta
de
un
análisis
de
regresión
múltiple
realizado
en
Excel,
que
explica
el
salario
(y)
en
función
del
nivel
de
educación
(x1)
y
experiencia
(x2),
junto
a
algunos
datos
adicionales.
(20
puntos)
SC Educación 4025,532466 2 R
SC Experiencia 96708,35918 0,089725317
i.
Complete
la
información
de
la
tabla
(explique
sus
procedimientos)
Coeficiente
de
determinación
R2=SC
regresión/SC
total=
1612,254522/7160,41431=0,225
R=
raíz
(R2)=0,4745
R2‐ajustado = 1−
σˆ 2
[SST (n −1)]
=
1‐
((3,257044076)2/(7160,41431/(525))=
0,222199133
CMEregresión=1612,254522/2=
806,1272611
75,98998112
€
CMEresidual=5548,159788/523=10,60833612
F=806,1272611/10,60833612=75,98998112
Fcrítico(2,523
gl)=
3,012957475
se(βˆ educación ) =
3,257044076
[4025,532466(1− 0,089725317)]
= 0,053805384
€
se(βˆ exp eriencia ) =
€
3,257044076
[96708,35918(1− 0,089725317)]
= 0,010977549
-3,390539533 = −4,42302
0,766566094
t int =
t educ = €
t exp er € €
0,644272079 = 11,97
0,053805384
0,070095396 = = 6,39
0,010977549
tcrítico(0.05;
523
gl)=
1,964510127
ii.
Establezca
y
realice
pruebas
de
hipótesis
para
la
regresión
general
y
para
cada
coeficiente.
Regresión
general:
H0:
β0,
β1,
β2
=0
Ha:
al
menos
un
βj≠0
Fcalc
>
Fcrítico(2,523
gl)
76,0>3,0
Se
rechaza
la
hipótesis
nula.
Existe
suficiente
evidencia
para
decir
que
al
menos
un
beta
es
distinto
de
cero.
Otra
forma
es
decir
que
la
regresión
es
significativa.
Para
cada
coeficiente:
H0:
β0=0
β1=0
β2
=0
Ha:
β0≠0
β1≠0
β2≠0
Para
cada
coeficiente
tcalc>tcrítico,
por
lo
tanto
se
rechaza
la
hipótesis
nula
en
todos
los
casos.
III.
Suponga
que
del
modelo
anterior
se
excluye
la
variable
experiencia
(x2),
obteniéndose
el
siguiente
modelo
restringido
(20
puntos).
i.
Establezca
la
prueba
de
hipótesis
respectiva
H0:
β2
=0
Ha:
β2≠0
Defina
si
es
posible
excluir
del
modelo
la
variable
x2.
Justifique
su
respuesta.
ii.
F=(0,225‐0,165)/(1‐0,225)*(523)=40,49
=t2=6,392
¿Que
tipo
de
sesgo
se
producirá
en
la
estimación
de
β1?
iii.
Corr
entre
x1
y
x2
positiva
y
β2
>0,
sesgo
positivo
IV.
El
siguiente
es
un
modelo
cuadrático
que
explica
el
salario
en
función
de
la
experiencia
(20
puntos).
Salario=
3,725405733
+0,29810010
Experiencia
‐0,006129887
Experiencia2
R2=0,09
i.
Todos
los
términos
en
el
modelo
son
significativos
Defina
la
expresión
para
la
pendiente
de
la
curva.
¿Cual
es
la
unidad
de
la
pendiente?
dy = β1 − 2β 2 x dx
dy = 0,2981− 2(0,00613)x dx
la
unidad
de
la
pendiente
es
dólares/hora/mes
de
experiencia
€ ii.
Determine
la
experiencia
(en
meses)
para
alcanzar
el
salario
máximo.
dy = 0,2981− 2(0,00613)x =0
dx
x=24
meses
€ iii.
Determine
el
monto
del
salario
máximo
alcanzado
(dólares/hora).
Salario=
3,725405733
+0,29810010
(24)
‐0,006129887
(24)2
=7,3
USD/hora
V.
Se
estimó
el
siguiente
modelo
para
estimar
el
precio
de
las
casas
en
función
de
varios
atributos
(20
puntos).
ln(precio)=
‐0,023812214+0,971627101
ln(tasación)+
0,028371546
dormitorios
R2=0,77
Donde:
Precio:
en
miles
de
dólares
Tasación:
miles
de
dólares
i.
Realice
la
interpretación
ceteris
paribus
para
cada
coeficiente
en
la
ecuación.
Estime
los
valores
aproximados
y
los
exactos
cuando
corresponda.
•
•
Un
incremento
en
un
1%
en
la
tasación
significa
un
aumento
de
0,97%
en
el
valor
de
la
propiedad.
O
bien
el
valor
de
la
propiedad
se
incrementa
en
un
0,97
%
por
cada
1%
de
aumento
en
la
tasación.
El
valor
de
la
propiedad
se
incrementa
en
un
2,84%
por
cada
dormitorio
adicional.
%
variación
en
y=100(exp(0,028371546*1)‐1)=2,88%
ii.
Estime
el
precio
de
una
casa
(en
MUSD)
que
vale
MUSD
300
y
tiene
4
dormitorios.
ln(precio)=
‐0,023812214+0,971627101
ln(300)+
0,028371546
(4)=5,63
ex=e5,63=279
MUSD
Para
calcular
el
valor
exacto
se
requeriría
conocer
la
desviación
estándar
de
la
regresión.
Tabla
de
t
gl 520 521 522 523 524 525 526 527 528 529 530
Significancia (dos colas) 0,01 0,05 0,1 2,585316934 1,964536416 1,647789212 2,58529866 1,964527619 1,647783567 2,585280457 1,964518857 1,647777944 2,585262324 1,964510127 1,647772343 2,58524426 1,964501432 1,647766763 2,585226265 1,964492769 1,647761204 2,585208339 1,964484139 1,647755667 2,585190481 1,964475543 1,64775015 2,585172691 1,964466979 1,647744655 2,585154968 1,964458447 1,64773918 2,585137313 1,964449948 1,647733726
Tabla
de
F
gl den 520 521 522 523 524 525 526 527 528 529 530
1 3,85940333 3,859368767 3,859334338 3,859300041 3,859265875 3,85923184 3,859197934 3,859164158 3,85913051 3,85909699 3,859063596
Fórmulas
útiles
[SSR (n − k −1)] R 2 ≡ 1− [SST (n −1)]
€
€ €
σˆ 2 = 1− [SST (n −1)]
yˆ = exp(σˆ 2 2) exp(lnˆ y )
%Δyˆ = 100[exp(βˆ 2Δx 2 ) −1]
gl num 2 3,013057234 3,013023853 3,0129906 3,012957475 3,012924477 3,012891605 3,012858859 3,012826237 3,01279374 3,012761365 3,012729114
3 2,622046474 2,62201345 2,621980554 2,621947783 2,621915138 2,621882618 2,621850223 2,62181795 2,6217858 2,621753773 2,621721866
12 se βˆ j = σˆ SST j (1− R 2j )
€
( )
2 EE bˆ 1 = sˆ / ∑ ( x i − x)
( ) (
F=
€ €
[
(R
2 ur
]
)
− Rr2 ) q
(1− R ) (n − k −1) 2 ur
1
2