Econometra

Auxiliar 7
Profesor : Mattia Makovec Semestre : Otoo 2010
Auxiliar : Gonzalo Viveros A.

Pregunta 1

Considere el modelo de regresin lineal basado en k regresores:

yi = x0i + i , i = 1, . . . , N.

Se hacen los siguientes supuestos: E[] = 0 y E[0 ] = matriz definida positiva. Sea
bM CO el estimador de MCO del vector (k 1).

a) Demuestre si bM CO es insesgado y calcule su matriz y covarianzas.

b) Sea a un vector de k1 de trminos constantes. Demuestre si a0 bM CO es un estimador

insesgado de a0 y calcule la matriz de varianzas y covarianzas de a0 .

Pregunta 2

Considere el modelo lineal con solo una variable explicativa,

Y t = X t + ut ,

donde la variable Xt es siempre positiva. Se definen los siguientes estimadores alternativos

del parmetro unidimensional :
T T T T
X X X X Yt
Yt Xt Yt Xt Yt
Xt
b1 = t=1
; b2 = t=1
; b3 = t=1
; b4 = t=1
.
XT XT XT
T
Xt Xt Xt2
t=1 t=1 t=1

Supongamos que en realidad no se cumplen las hiptesis del MLG porque falla el supuesto
de homocedasticidad, ya que las perturbaciones (ut ) son independientes con media 0 y
varianza 2 t .

1
Econometra Auxiliar 7 2

a) Determine cual es el estimador lineal insesgado ptimo de y calcule su esperanza

y su varianza.

b) Es posible encontrar t de manera que el estimador ptimo obtenido en (a) sea bi ?

con i = 1, 2, 3, 4.

Pregunta 3

El archivo Costes.xls contiene datos sobre costos totales y produccin para 100 empresas
a lo largo del tiempo. Considere la siguiente funcin de costos totales de una empresa i
en la muestra:
yi = 0 + 1 xi + 2 x2i + 3 x3i + i ,
donde yi es el coste total y xi la produccin de la empresa i.

a) Obtenga el estimador de MCO de los parmetros de la funcin de costes totales y

calcule los errores estndar.

b) Represente grficamente los residuos en funcin del output y comente los resultados.

c) Contraste la hiptesis de homocedasticidad de las perturbaciones utilizando el con-

traste de White. Realice primero el contraste generando las variables que necesite
y efectuando la regresin apropiada. A continuacin utilice el comando que propor-
ciona Eviews para realizar el contraste de White y compruebe que los resultados
obtenidos son los mismos.

d) Contraste si sera suficiente una especificacin lineal para la funcin de costes totales.

e) Suponga ahora que la varianza de las perturbaciones de la funcin de costes es

t2 = 2 x2t es el output. Calcule el estimador MCG de los parmetros de la funcin
de costes.

f) Utilizando lo resultados de la estimacin MCG, represente grficamente la curva de

costes medios y marginales.

g) Contraste si el supuesto sobre la varianza del apartado (f) es correcto.

Econometra Auxiliar 7 3

Solucin

Pregunta 1

Modelo:
yi = x0i + t , i = 1, . . . , N. (1)

Supuestos:
E[] = 0 y E[0 ] = , definida positiva.

a) p.d.: bM CO es insesgado, determinar la matriz de varianzas-covarianzas.

La demostracin de insesgadez es equivalente a la realizada en casos anteriores de
forma matricial, ya que el problema de heterocedasticidad no influye en la estimacin
por MCO. Lo que cambia es la matriz de varianzas-covarianzas de los estimadores,
donde ahora ya no es la mnima:

V( bM CO ) = V + (X 0 X)1 (X 0 )
= (X 0 X)1 X 0 V( ) X (X 0 X)1
= (X 0 X)1 X 0 X (X 0 X)1 .

b) p.d.: a0 bM CO es un estimador insesgado de a0 , y determinar su matriz de Varianza-

Covarianzas.

Esperanza:
E[ a0 bM CO ] = a0 E[ bM CO ] = a0 ,
por tanto, a0 bM CO es un estimador insesgado de a0
Matriz de Varianza-Covarianzas:

V( a0 bM CO ) = a0 V( bM CO ) a = a0 (X 0 X)1 X 0 X (X 0 X)1 a.
Econometra Auxiliar 7 4

Pregunta 2

Modelo:
Yt = X t + u t , t = 1, . . . , T. (2)

Supuestos:
Xt > 0, t.

Errores:
E[ut ] = 0, y V(ut ) = 2 t (heterocedasticidad).

a) Estimador lineal Insesgado ptimo de .

La idea es transformar el modelo original con el objeto de encontrar un modelo que
cumpla con todos los supuestos de MCO.
Se sabe que:

2 ut
V(ut ) = t V = 2
t
ut
V(ut ) = 2 , con ut = .
t

Por tanto, la transformacin ha realizar en el modelo para que este sea homoceds-

tico, consiste en multiplicar el modelo (2) por 1/ t , i.e.,
Yt Xt ut
Y t = X t + ut = +
t t t

Yt = Xt + ut ,

que cumple con los supuestos de MCO.

Con esto, el estimador MCG viene dado por:

bM CG = (X 0 X )1 (X 0 Y )
P
X Y
= P t 2t
Xt
X X t Yt
t
= X X2 .
t
t
Econometra Auxiliar 7 5

Insesgadez: Reescribiendo bM CG ,
X Xt Yt
t
bM CG = X X2
t
t
X Xt ( Xt + ut )
t
= X X2
t
t
X Xt ut

= + X t2 .
Xt
t
Esperanza:

X Xt ut
t
E[ bM CG ] = E
+ X X 2

t
t
X Xt E[ut ]
t
= + X X2
t
t

= .

Por tanto, el estimador E[ bM CG ] es insesgado.

Varianza:

X Xt ut
t
V( bM CG ) = V
+ X X 2

t
t
X X2
t
t
= 2 .
X X 2 2
t
t
Econometra Auxiliar 7 6

b) Es posible encontrar i tal que: bM CG = bi ?, i = 1, 2, 3, 4.

Para b1 :
Si t = Xt , entonces bM CG = b1 .
Para b2 :
No existe un t tal que bM CG = b2 .
Para b3 :
Si t = 1, entonces bM CG = b3 .
Para b4 :
Si t = Xt2 , entonces bM CG = b4 .

Pregunta 3 (Eviews)

a) Estimacin por MCO

1. Generar variables relevantes:

genr output2=output^2
genr output3=output^3

2. Estimacin MCO:
Quick , Estimate Equation
coste c output output2 output3

b) Grfico: Output v/s Residuos

1. Seleccionar las variables output y resid con Ctrl.

2. View , Show
output resid

3. View , Graph , Scatter , Simple Scatter

c) Contrastar si el modelo es Homocedstico (Test de White)

H0 : t2 = 2 , t v/s H1 : t2 6= 2 , para algn t

Econometra Auxiliar 7 7

Generando el Estadstico

1. Generar las variables relevantes:

genr resid2=resid^2
genr output4=output^4
genr output5=output^5
genr output6=output^6

2. Estimacin MCO:
Quick , Estimate Equation
resid2 c output output2 output3 output4 output5 output6

3. Ver el R2 de este modelo. El estadstico de White es N R2 .

Utilizando el Comando

1. Abrir ventana del Modelo Estimado en (a), luego:

View , Residual Tests , White Heteroskedasticity (cross terms)

2. Ver Estadstico Chi-Cuadrado y se obtiene lo mismo en comparacin a lo anterior

realizado.

d) Suficiente una especificacin lineal para la funcin de costos totales?

Como el modelo es heteroscedstico, se debe ajustar nuevamente la funcin de costos,

pero con la correccin del error a travs de la matriz de varianzas-covarianzas de White.

Una vez ajustado el modelo correcto,

yi = 0 + 1 xi + 2 x2i + 3 x3i + i , (3)

que tiene la misma forma al modelo original, el test de hiptesis es:

H0 : 3 = 0 4 = 0 v/s H1 : 3 6= 0 4 6= 0

resolvindose con el estadstico de Wald.

1. Estimacin MCO, con correccin

Quick , Estimate Equation
Options, seleccionar: Heteroskedasticity consistent coefficient covariance / White
coste c output output2 output3
Econometra Auxiliar 7 8

2. Prueba de Hiptesis
En la ventana del modelo,
View , Coefficient Tests , Wald - Coefficient Restrictions
c(3)=0, C(4)=0

e) Calcular el estimador MCG de los parmetros de la funcin de costes totales

Bajo el supuesto que t2 = 2 x2t , entonces:

2 t
V(t ) = x2t V = 2
xt
t ) = 2 ,
V(e

vale decir, si multiplicamos el modelo (3) por 1/xt , se tendra un modelo homocedstico,
debido a que el error de este nuevo modelo seria igual a una constante. Luego, el modelo
transformado queda como:
yt 0 t
= + 1 + 2 xt + 3 x2t + . (4)
xt xt xt

Observacin: Al estimar los parmetros por MCO del modelo (4) que es homocedstico,
se consideran estos parmetros en el modelo (3) manteniendo el mismo orden, i.e., la
estimacin de 0 en (4) se reemplaza en 0 en el modelo (3), y as para los otros parmetros.
De esta manera se obtiene la estimacin MCG en el modelo (3).

1. Generar las variables relevantes:

genr tc=1/output
genr tcoste=coste/output

2. Estimacin MCG:
Quick , Estimate Equation
tcoste tc c output output2

f ) Grfico: Costos Medios y Costos Marginales

Recordar que el Eviews guarda en la variable c los ltimos parmetros estimados.

Econometra Auxiliar 7 9

1. Generar las variables relevantes:

genr Cmed = (c(1) + c(2)*output + c(3)*output2 + c(4)*output3)/output
genr Cmarg = c(2) + 2*c(3)*output + 3*c(4)*output2

2. Seleccionar las 3 variables relevantes con Ctrl:

View , Show
En la ventana, poner output primero: output cmarg cmed
View , Graph , Scatter , Simple Scatter

g) Ver Homocedasticidad del modelo en (e)

1. Abrir ventana del Modelo Estimado en (e):

View , Residual Tests , White Heteroskedasticity (cross terms)

2. Analizar el estadstico de la prueba y el p-valor.