UNIVERSIDAD TÉCNICA DEL NORTE

FACULTAD DE CIENICAD ADMINISTRATIVAS Y ECONÓMICAS

ECONOMETRÍA BÁSICA

Integrantes: Jordy Benavides - Alejandra Coral

Nivel: 4to Economía

Fecha: 10-06-2019

Ejercicios capítulo 7

1. (Ejercicio 7.16) La demanda de rosas. En la tabla 7.6 se presentan datos

trimestrales sobre estas variables:
Y= cantidad de rosas vendidas, docenas
X2= precio promedio al mayoreo de las rosas, $/docena
X3= precio promedio al mayoreo de los claveles, $/docena
X4= ingreso familiar disponible promedio semanal, $/semana
X5= variable de tendencia que toma valores de 1, 2, y así sucesivamente, durante el
periodo 1971-III a 1975-II en el área metropolitana de Detroit.

Se le pide considerar las siguientes funciones de demanda:

𝑌𝑡 = 𝛼1 + 𝛼2 𝑋2𝑡 + 𝛼3 𝑋3𝑡 + 𝛼4 𝑋4𝑡 + 𝛼5 𝑋5𝑡 + 𝑢𝑡

𝐿𝑛𝑌𝑡 = 𝛽1 + 𝛽2 𝑙𝑛𝑋2𝑡 + 𝛽3 𝑙𝑛𝑋3𝑡 + 𝛽4 𝑙𝑛𝑋4𝑡 + 𝛽5 𝑋5𝑡 + 𝑢𝑡

a) Estime los parámetros del modelo lineal e interprete los resultados.

Año y Trimestre Y X2 X3 X4 X5

1971-III 11 484 2.26 3.49 158.11 1

IV 9 348 2.54 2.85 173.36 2
1972-I 8 429 3.07 4.06 165.26 3
II 10 079 2.91 3.64 172.92 4
III 9 240 2.73 3.21 178.46 5
IV 8 862 2.77 3.66 198.62 6
 1973-I 6 216 3.59 3.76 186.28 7
II 8 253 3.23 3.49 188.98 8
III 8 038 2.60 3.13 180.49 9
IV 7 476 2.89 3.20 183.33 10
1974-I 5 911 3.77 3.65 181.87 11
II 7 950 3.64 3.60 185.00 12
III 6 134 2.82 2.94 184.00 13
IV 5 868 2.96 3.12 188.20 14
1975-I 3 160 4.24 3.58 175.67 15
II 5 872 3.69 3.53 188.00 16

Source SS df MS Number of obs = 16

F(4, 11) = 13.89
Model 52249136.4 4 13062284.1 Prob > F = 0.0003
Residual 10347219.6 11 940656.327 R-squared = 0.8347
Adj R-squared = 0.7746
Total 62596356 15 4173090.4 Root MSE = 969.87

Y Coef. Std. Err. t P>|t| [95% Conf. Interval]

X2 -2227.704 920.4657 -2.42 0.034 -4253.636 -201.773

X3 1251.141 1157.021 1.08 0.303 -1295.444 3797.726
X4 6.282986 30.62166 0.21 0.841 -61.11482 73.6808
X5 -197.3999 101.5612 -1.94 0.078 -420.9347 26.13482
_cons 10816.04 5988.348 1.81 0.098 -2364.223 23996.31

𝑌𝑡 = 10816.04 1 −2227.7042 𝑋2𝑡 + 1251.1413 𝑋3𝑡 + 6.282986 4 𝑋4𝑡 −197.39995 𝑋5𝑡 + 𝑢𝑡

𝑅 2 𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑜 = 0,7746
Significancia global (Nivel de significancia. 𝛼 = 0,05)

Regla de Decisión. Rechazo la hipótesis nula y acepto la hipótesis alternativa, por

lo tanto el modelo es estadísticamente significativo porque el valor de probabilidad F es
menor que 0.05.

Con un 𝑅 2 𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑜 = 0,7746 se puede concluir que este resultado es mayor a

0.70 por lo tanto el modelo es robusto y las variables independientes explican en un 77,46%
a la variable dependiente.

Significancia individual

X2= precio promedio al mayoreo de las rosas, $/docena P>|t|= 0.034

 Como el valor P de t es menor que 0.05, con un nivel de significancia de 0.05, la
variable precio promedio al mayoreo de las rosas es estadísticamente significativa para el
modelo.

X3= precio promedio al mayoreo de los claveles, $/docena P>|t|= 0.303

Como el valor P de t es mayor que 0.05, con un nivel de significancia de 0.05, la

variable precio promedio al mayoreo de los claveles no es estadísticamente significativa
para el modelo.

X4= ingreso familiar disponible promedio semanal, $/semana P>|t|= 0.841

Como el valor P de t es mayor que 0.05, con un nivel de significancia de 0.05, la

variable precio promedio al mayoreo de los claveles no es estadísticamente significativa
para el modelo.

X5= variable de tendencia que toma valores de 1, 2, y así sucesivamente, durante el

periodo 1971-III a 1975-II en el área metropolitana de Detroit. P>|t|= 0.078

Como el valor P de t es mayor que 0.05, con un nivel de significancia de 0.05, la de

tendencia no es estadísticamente significativa para el modelo.

Finalmente se puede concluir que solamente la variable precio promedio al mayoreo

de las rosas explica a la variable cantidad de rosas vendidas, mientras que las demás
variables no son estadísticamente significativas al modelo.

b) Estime los parámetros del modelo log-lineal e interprete los resultados.

Source SS df MS Number of obs = 16
Source SS df MS F(4,
Number11)
of obs = 9.63
16
Model 1.09893508 4 .27473377 Prob
F(4, > F
11) = 0.0013
9.63
Residual
Model .313663766
1.09893508 11
4 .028514888
.27473377 R-squared
Prob > F = 0.7780
0.0013
Residual .313663766 11 .028514888 Adj R-squared
R-squared = 0.6972
0.7780
Total 1.41259884 15 .094173256 Root MSE
Adj R-squared = .16886
0.6972
Total 1.41259884 15 .094173256 Root MSE = .16886

lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]

lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]
lnX2 -1.273554 .5266486 -2.42 0.034 -2.432699 -.1144078
lnX3
lnX2 .937304
-1.273554 .6591908
.5266486 1.42
-2.42 0.183
0.034 -.5135652
-2.432699 2.388173
-.1144078
lnX4
lnX3 1.712984
.937304 1.200845
.6591908 1.43
1.42 0.181
0.183 -.9300571
-.5135652 4.356025
2.388173
lnX5
lnX4 -.1815972
1.712984 .1278933
1.200845 -1.42
1.43 0.183
0.181 -.4630885
-.9300571 .0998942
4.356025
_cons
lnX5 .6267849
-.1815972 6.148268
.1278933 0.10
-1.42 0.921
0.183 -12.90546
-.4630885 14.15903
.0998942
_cons .6267849 6.148268 0.10 0.921 -12.90546 14.15903
 𝐿𝑛𝑌𝑡 = 0.6267849 − 1.273554 𝑙𝑛𝑋2𝑡 + .937304𝑙𝑛𝑋3𝑡 + 1.712984𝑙𝑛𝑋4𝑡 − .1815972𝑙𝑛𝑋5𝑡

𝑅 2 𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑜 = 0,6972 → 𝑎𝑝𝑟𝑜𝑥. 0.70

El modelo es estadísticamente significativo porque el valor de probabilidad F es

menor que 0.05. La bondad de ajuste Adj. R-squared =0.70. Es un modelo robusto, las
variables independientes explican en un 70% precio promedio al mayoreo de las rosas.

Significancia individual

lnX2= precio promedio al mayoreo de las rosas, $/docena -P>|t|= 0.034

Como el valor P de t es menor que 0.05, con un nivel de significancia de 0.05, la

variable precio promedio al mayoreo de las rosas es estadísticamente significativa para el
modelo.

lnX3= precio promedio al mayoreo de los claveles, $/docena-P>|t|= 0.183

Como el valor P de t es mayor que 0.05, con un nivel de significancia de 0.05, la

variable precio promedio al mayoreo de los claveles no es estadísticamente significativa
para el modelo.

lnX4= ingreso familiar disponible promedio semanal, $/semana- P>|t|= 0.181

Como el valor P de t es mayor que 0.05, con un nivel de significancia de 0.05, la

variable precio promedio al mayoreo de los claveles no es estadísticamente significativa
para el modelo.

X5= variable de tendencia que toma valores de 1, 2, y así sucesivamente, durante el

periodo 1971-III a 1975-II en el área metropolitana de Detroit.-P>|t|= 0.183

Como el valor P de t es mayor que 0.05, con un nivel de significancia de 0.05, la de

tendencia no es estadísticamente significativa para el modelo.

Al igual que el modelo lineal, finalmente se puede concluir que solamente la

variable precio promedio al mayoreo de las rosas explica a la variable cantidad de rosas
vendidas, mientras que las demás variables no son estadísticamente significativas al
modelo.

c) β2, β3 y β4 dan respectivamente las elasticidades de la demanda respecto del

precio propio, precio cruzado e ingreso. ¿Cuáles son, a priori, los signos de
estas elasticidades? ¿Concuerdan estos resultados con las expectativas a priori?

 Elasticidad precio propio β2= -1.27; los resultados concuerdan con el signo
esperado negativo.
 Elasticidad precio cruzado β3 = 0.94, se espera que el signo de la elasticidad sea
positivo, por lo tanto el signo positivo esperado correcto.
 Elasticidad ingreso β4 =1.72, se espera que el signo sea positivo, por lo tanto el
signo esperado es positivo.

d) ¿Cómo calcularía las elasticidades precio propio, precio cruzado e ingreso en el

modelo lineal?
𝑋 3,106875
𝛽2 (𝑌 ) → −2227.704 ( ) = −0,905323462
7645
𝑋 3,431875
𝛽3 (𝑌 ) → 1251.141 ( ) = 0,561642841
7645
𝑋 180,534375
𝛽4 (𝑌 ) → 6.282986 ( ) = 0,148370824
7645
𝑋 8,5
𝛽5 (𝑌 ) → −197.3999 (7645) = −0,219476671

e) Con base en el análisis, ¿cuál modelo, si existe, escogería y por qué?

Con base al análisis planteado, se puede decir que el mejor modelo es el modelo
lineal debido a sus bondad de ajuste es mayor, sin embargo, es evidente que al igual que el
modelo log-lineal, la mayoría de las variables no explican lo suficiente al modelo.

2. (Ejercicio7.17) Actividad de exploración. Reciben el nombre de “pozos de

exploración” los que se perforan para encontrar y producir petróleo o gas natural en
una zona mejorada, o para encontrar una nueva reserva en un yacimiento donde
antes se encontró petróleo o gas natural, o para extender el límite de una reserva de
petróleo o gas conocida. La tabla 7.7 contiene datos sobre estas variables:*
Y = número de pozos de exploración perforados
X2= precio en la cabeza del pozo en el periodo anterior (en dólares constantes, 1972 = 100)
X3= producción interna
X4= PNB en dólares constantes (1972 = 100)
X5= variable de tendencia, 1948 = 1, 1949 = 2,…, 1978 = 31

Producción PNB, miles

Precio por
Miles de pozos nacional de millones
barril, $ Tiempo
de exploración (millones de de $
constantes (X5)
(Y) barriles diarios) constantes
(X2)
(X3) (X4)
8,01 4,89 5,52 487,67 1948=1
9,06 4,83 5,05 490,59 1949=2
10,31 4,68 5,41 533,55 1950=3
11,76 4,42 6,16 576,57 1951=4
12,43 4,36 6,26 598,62 1952=5
13,31 4,55 6,34 621,77 1953=6
13,1 4,66 6,81 613,67 1954=7
14,94 4,54 7,15 654,8 1955=8
16,17 4,44 7,17 668,84 1956=9
14,71 4,75 6,71 681,02 1957=10
13,2 4,56 7,05 679,53 1958=11
13,19 4,29 7,04 720,53 1959=12
11,7 4,19 7,18 736,86 1960=13
10,99 4,17 7,33 755,34 1961=14
10,8 4,11 7,54 799,15 1962=15
10,66 4,04 7,61 830,7 1963=16
10,75 3,96 7,80 874,29 1964=17
9,47 3,85 8,3 925,86 1965=18
10,31 3,75 8,81 980,98 1966=19
8,88 3,69 8,66 1007,72 1967=20
8,88 3,56 8,78 1051,83 1968=21
9,70 3,56 9,18 1078,76 1969=22
7,69 3,48 9,03 1075,31 1970=23
6,92 3,53 9,00 1107,48 1971=24
7,54 3,39 8,78 1171,1 1972=25
7,47 3,68 8,38 1234,97 1973=26
8,63 5,92 8,010 1217,81 1974=27
9,21 6,03 7,78 1202,36 1975=28
9,23 6,12 7,88 1271,01 1976=29
9,96 6,05 7,88 1332,67 1977=30
10,78 5,89 8,67 1385,1 1978=31
Vea si el siguiente modelo se ajusta a los datos:

𝑌𝑡 = 𝛽1 + 𝛽2 𝑋2𝑡 + 𝛽3 𝑙𝑛𝑋3𝑡 + 𝛽4 𝑋4𝑡 + 𝛽5 𝑋5𝑡 + 𝑢𝑡

a. ¿Puede ofrecer una justificación a priori para este modelo?

El modelo es a priori debido a que, al parecer todas las variables independientes

parecen explicar al número de pozos de exploración perforados, a excepción de la variable,
tendencia puede ser positiva o negativa.

b. Si el modelo es aceptable, estime los parámetros del modelo y sus errores

̂𝟐
estándar, y obtenga 𝑹𝟐 y 𝑹

Source SS df MS Number of obs = 31

F(4, 26) = 12.39
Model 109.179874 4 27.2949684 Prob > F = 0.0000
Residual 57.26872 26 2.20264308 R-squared = 0.6559
Adj R-squared = 0.6030
Total 166.448594 30 5.54828645 Root MSE = 1.4841

Y Coef. Std. Err. t P>|t| [95% Conf. Interval]

X2 2.775011 .570646 4.86 0.000 1.602031 3.94799

lnX3 24.15213 5.586755 4.32 0.000 12.66839 35.63587
X4 -.0108421 .0075753 -1.43 0.164 -.0264132 .0047291
X5 -.2134846 .2591676 -0.82 0.418 -.7462113 .319242
_cons -37.18598 12.87743 -2.89 0.008 -63.65592 -10.71605

𝑌𝑡 = −37.18598 + 2.775011𝑋2𝑡 + 24.15213𝑙𝑛𝑋3𝑡 − 0.0108421𝑋4𝑡 − 0.2134846 𝑋5𝑡 + 𝑢𝑡

𝑅 2 = 0.6559
𝑅 2 𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑜 = 0.6030
c. Comente sus resultados desde el punto de vista de sus expectativas a priori.

Con un nivel de significancia del 0,05 se puede observar que las variables precio en
la cabeza del pozo y producción interna son significativas al modelo, debido a que son
menores al nivel de significancia, mientras que las variables restantes son mayores a 0,05 y
por lo tanto no son significativas.
 d. ¿Qué otra especificación sugeriría para explicar la actividad de exploración?
¿Por qué?

Sin duda, el modelo log-lineal puede ser otra especificación debido a que como bien
se conoce, este es el modelo que más adecuado para validar y consiguientemente predecir
el modelo en general.

3. (Ejercicio7.18) Desembolsos del presupuesto de defensa de Estados Unidos, 1962-

1981. Para explicar el presupuesto de defensa de Estados Unidos, considere el
siguiente modelo:
𝑌𝑡 = 𝛽1 + 𝛽2 𝑋2𝑡 + 𝛽3 𝑋3𝑡 + 𝛽4 𝑋4𝑡 + 𝛽5 𝑋5𝑡 + 𝑢𝑡

 Donde Yt = desembolsos del presupuesto de defensa durante el año t, $ miles de

millones
 X2t = PNB durante el año t, $ miles de millones
 X3t = ventas militares de Estados Unidos/ayuda en el año t, $ miles de millones
 X4t= ventas de la industria aeroespacial, $ miles de millones
 X5t= conflictos militares que implican a más de 100 000 soldados. Esta variable
adquiere el valor de 1 cuando participan 100 000 soldados o más, y es igual a cero
cuando el número de soldados no llega a 100 000.

Para probar este modelo, se proporcionan datos en la tabla 7.8.

Desembolsos Ventas/asistencias
Ventas dela
del militares de Conflictos
PNB industria
Año presupuesto Estados 100 000+
(X2) aeroespacial
de defensa Unidos (X5)
(X4)
(Y) (X3)

1962 51,1 560,3 0,6 16 0

1963 52,3 590,5 0,9 16,4 0
1964 53,6 632,4 1,1 16,7 0
1965 49,6 684,9 1,4 17 1
1966 56,8 749,9 1,6 20,2 1
1967 70,1 793,9 1 23,4 1
1968 80,5 865 0,8 25,6 1
1969 81,2 931,4 1,5 24,6 1
1970 80,3 992,7 1 24,8 1
 1971 77,7 1077,6 1,5 21,7 1
1972 78,3 1185,9 2,95 21,5 1
1973 74,5 1326,4 4,8 24,3 0
1974 77,8 1434,2 10,3 26,8 0
1975 85,6 1549,2 16 29,5 0
1976 89,4 1718 14,7 30,4 0
1977 97,5 1918,3 8,3 33,3 0
1978 105,2 2163,9 11 38,0 0
1979 117,7 2417,8 13 46,2 0
1980 135,9 2633,1 15,3 57,6 0
1981 162,1 2937,7 18 68,9 0

a) Estime los parámetros de este modelo y sus errores estándar, y obtenga R2, R2
̂𝟐
modificada y 𝑹
Source SS df MS Number of obs = 20
F(4, 15) = 163.72
Model 15597.2047 4 3899.30118 Prob > F = 0.0000
Residual 357.243282 15 23.8162188 R-squared = 0.9776
Adj R-squared = 0.9716
Total 15954.448 19 839.707789 Root MSE = 4.8802

Y Coef. Std. Err. t P>|t| [95% Conf. Interval]

X2 .0180564 .0064108 2.82 0.013 .0043922 .0317207

X3 -.2842198 .4572806 -0.62 0.544 -1.25889 .6904507
X4 1.343195 .259258 5.18 0.000 .7905998 1.895791
X5 6.331794 3.029538 2.09 0.054 -.1255123 12.7891
_cons 19.44345 3.406056 5.71 0.000 12.18361 26.70328

𝑹𝟐 = 0.9776
𝑹𝟐 𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑜 = 0.9716
𝐾 5
𝑹𝟐 𝒎𝒐𝒅𝒊𝒇𝒊𝒄𝒂𝒅𝒐 = 1 − 𝑅 2 → 1 − 20(0.9776)= 0,7556
𝑛

b) Comente los resultados, considerando cualquier expectativa a priori que tenga

sobre la relación entre Y y las diversas variables X.

Con un nivel de significancia del 0,05 se puede observar que las variables PNB y la
variable ventas de la industria aeroespacial son significativas al modelo, debido a que son
menores al nivel de significancia, mientras que las variables restantes son mayores a 0,05 y
por lo tanto no son significativas al modelo, por lo tanto a priori, se espera que la relación
entre Y y las diversas variables X sea positiva, a excepción de las ventas militares de
Estados Unidos.

c) ¿Qué otra(s) variable(s) incluiría en el modelo y por qué?

4. (Ejercicio 7.19) Demanda de carne de pollo en Estados Unidos, 1960-1982. Para

estudiar el consumo per cápita de carne de pollo en Estados Unidos se presentan los
datos de la tabla 7.9, donde
 Y = consumo per cápita de carne de pollo, lbs
 X2= ingreso per cápita real disponible, $
 X3= precio real al menudeo del pollo por lb, ¢
 X4= precio real al menudeo del cerdo por lb, ¢
 X5= precio real al menudeo de la carne de res por lb, ¢
 X6= Precio real compuesto de los sustitutos de pollo por lb, ¢, el cual es un
promedio ponderado de los precios reales al menudeo por libra de carne de cerdo y
de res; las ponderaciones son los consumos relativos de la carne de res y de cerdo en
el consumo total de estos productos.
Año Y X2 X3 X4 X5 X6
1960 27,8 397,5 42,2 50,7 78,3 65,8
1961 29,9 413,3 38,1 52 79,2 66,9
1962 29,8 439,2 40,3 54 79,2 67,8
1963 30,8 459,7 39,5 55,3 79,2 69,6
1964 31,2 492,9 37,3 54,7 77,4 68,7
1965 33,3 528,6 38,1 63,7 80,2 73,6
1966 35,6 560,3 39,3 69,8 80,4 76,3
1967 36,4 624,6 37,8 65,9 83,9 77,2
1968 36,7 666,4 38,4 64,5 85,5 78,1
1969 38,4 717,8 40,1 70 93,7 84,7
1970 40,4 768,2 38,6 73,2 106,1 93,3
1971 40,3 843,3 39,8 67,8 104,8 89,7
1972 41,8 911,6 39,7 79,1 114 100,7
1973 40,4 931,1 52,1 95,4 124,1 113,5
1974 40,7 1021,5 48,9 94,2 127,6 115,3
1975 40,1 1165,9 58,3 123,5 142,9 136,7
1976 42,7 1349,6 57,9 129,9 143,6 139,2
1977 44,1 1449,4 56,5 117,6 139,2 132
1978 46,7 1575,5 63,7 130,9 165,5 132,1
 1979 50,6 1759,1 61,6 129,8 203,3 154,4
1980 50,1 1994,2 58,9 128 219,6 174,9
1981 51,7 2258,1 66,4 141 221,6 180,8
1982 52,9 2478,7 70,4 168,2 232,6 189,4

Ahora considere las siguientes funciones de demanda:

ln Yt = α1 + α2 ln X2t + α3 ln X3t + ut (1)

ln Yt = γ1 + γ2 ln X2t + γ3 ln X3t + γ4 ln X4t + ut (2)

ln Yt = λ1 + λ2 ln X2t + λ3 ln X3t + λ4 ln X5t + ut (3)

ln Yt = θ1 + θ2 ln X2t + θ3 ln X3t + θ4 ln X4t + θ5 ln X5t + ut (4)

ln Yt = β1 + β2 ln X2t + β3 ln X3t + β4 ln X6t + ut (5)

De la teoría microeconómica, se sabe que la demanda de un bien suele depender del

ingreso real del consumidor, del precio real del bien y de los precios reales de los bienes
complementarios o que compiten con él. Ante estas consideraciones, responda las
siguientes preguntas.
i. Entre las funciones de demanda que aquí se dan, ¿cuál escogería y por qué?

 ln Yt = α1 + α2 ln X2t + α3 ln X3t + ut (1) --> Adj R-squared = 0.9781

 ln Yt = γ1 + γ2 ln X2t + γ3 ln X3t + γ4 ln X4t + ut (2) --> Adj R-squared = 0.9786
 ln Yt = λ1 + λ2 ln X2t + λ3 ln X3t + λ4 ln X5t + ut (3) --> Adj R-squared= 0.9770
 ln Yt = θ1 + θ2 ln X2t + θ3 ln X3t + θ4 ln X4t + θ5 ln X5t + ut (4) --> Adj R-
squared= 0.9784
 ln Yt = β1 + β2 ln X2t + β3 ln X3t + β4 ln X6t + ut (5) --> Adj R-squared = 0.9772

Lo más conveniente sería escoger el modelo número 2 porque se puede observar

que posee el coeficiente de determinación más alto y como bien se conoce, mientras más se
acerque a uno, el modelo será más robusto; por lo tanto las variables predichas explican en
un 97,86% a la variable dependiente.

ii. ¿Cómo interpretaría los coeficientes de ln X2t y ln X3t en estos modelos?

Respecto al modelo (2)
 Source SS df MS Number of obs = 23
F(3, 19) = 336.18
Model .760427163 3 .253475721 Prob > F = 0.0000
Residual .014325783 19 .000753989 R-squared = 0.9815
Adj R-squared = 0.9786
Total .774752947 22 .035216043 Root MSE = .02746

lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]

lnX2 .4059237 .0447915 9.06 0.000 .312174 .4996735

lnX3 -.4388255 .0833326 -5.27 0.000 -.6132427 -.2644083
lnX4 .1066567 .0878385 1.21 0.240 -.0771914 .2905048
_cons 2.125499 .1378824 15.42 0.000 1.836907 2.41409

ln Yt = 2.125499 + 0.4059237 ln X2t - 0.4388255 ln X3t + 0.1066567 ln X4t + ut

 𝜸𝟏 : Cuando todas las variables explicativas son 0, el consumo per cápita de carne de
pollo incrementa en 2.125499 libras.
 𝜸𝟐 : Cuando el precio real al menudeo del pollo por lb aumenta en un uno por ciento,
el cambio porcentual esperado en el consumo per cápita de carne de pollo seria
0.41%, manteniendo las demás variables constantes.
 𝜸𝟑 : Cuando el ingreso per cápita real disponible aumenta en un uno por ciento el
cambio porcentual esperado en el consumo per cápita de carne de pollo sería una
disminución del 0.4388255 %, manteniendo las demás variables constantes.
 𝜸𝟒 : Cuando el precio real al menudeo del cerdo por lb aumenta en un uno por ciento
el cambio porcentual esperado en el consumo per cápita de carne de pollo sería del
0.1066567 %, manteniendo las demás variables constantes.
iii. ¿Cuál es la diferencia entre las especificaciones (2) y (4)?

ln Yt = γ1 + γ2 ln X2t + γ3 ln X3t + γ4 ln X4t + ut (2)

ln Yt = θ1 + θ2 ln X2t + θ3 ln X3t + θ4 ln X4t + θ5 ln X5t + ut (4)

La diferencia entre los dos modelos especificados es que en el modelo número 4

toma más variables explicativas para que expliquen de mejor manera a la variable
dependiente, por lo tanto se espera que el 𝑅 2 del segundo modelo sea mayor al 𝑅 2 del
primer modelo; sin embargo se puede deleitar que el modelo 2 es más robusto y explica en
un 97,86 a la variable dependiente.

iv. ¿Qué problemas prevé si adopta la especificación (4)? (Sugerencia: Los precios
de la carne de cerdo y de res se incluyen con el del pollo.)
Con la especificación (4), los precios reales de la carne de cerdo y res puedan ser
sustitutos o complementarios en efecto al precio real del pollo.

v. Como la especificación (5) incluye el precio compuesto de la carne de res y de

cerdo, ¿preferiría la función de demanda (5) a la función (4)? ¿Por qué?
En este caso se prefiere la función de demanda 5, debido a que permite calcular de
mejor manera la elasticidad del precio de la carne de res y de cerdo con respecto al precio
real del pollo.

vi. ¿La carne de cerdo y la de res son productos que compiten con el pollo o que lo
sustituyen? ¿Cómo sabe?
La carne de cerdo y de res claramente son productos que compiten con el pollo y
que también lo sustituyen, y esto se puede saber porque si por motivos de mercado, el
precio del pollo incrementa, los consumidores tienden a consumir un producto similar que
satisfagan las necesidades.

vii. Suponga que la función (5) es la de demanda “correcta”. Estime los

parámetros de este modelo, obtenga sus errores estándar así como R2, .R 2 y

R2 modificada. Interprete sus resultados.

Source SS df MS Number of obs = 23

F(3, 19) = 315.21
Model .759492656 3 .253164219 Prob > F = 0.0000
Residual .01526029 19 .000803173 R-squared = 0.9803
Adj R-squared = 0.9772
Total .774752947 22 .035216043 Root MSE = .02834

lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]

lnX2 .4812862 .0681879 7.06 0.000 .3385672 .6240052

lnX3 -.3506279 .079394 -4.42 0.000 -.5168015 -.1844543
lnX6 -.061035 .1299605 -0.47 0.644 -.3330455 .2109754
_cons 2.029865 .1186824 17.10 0.000 1.78146 2.27827
 ln Yt = 2.029865 + 0.4812862 ln X2t -0.3506279 ln X3t + -0.061035 ln X6t + ut

𝑹𝟐 = 0.9803 𝑹𝟐 𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑜 = 0.9772

𝐾 4
𝑹𝟐 𝒎𝒐𝒅𝒊𝒇𝒊𝒄𝒂𝒅𝒐 = 1 − 𝑅 2 → 1 − 22( 0.9803)= 0,8222
𝑛

viii. Ahora suponga que corre el modelo “incorrecto” (2). Evalúe las consecuencias de

esta mala especificación considerando los valores de γ2 y γ3 en relación con β2 y β

3, respectivamente (Sugerencia: Preste atención al análisis de la sección 7.7.)

5. (Ehercicio7.20) En un estudio de rotación de empleados en el mercado laboral,

James F. Ragan, Jr., obtuvo los siguientes resultados para la economía de Estados
Unidos de 1950-I a 1979-IV.* (Las cifras entre paréntesis son los estadísticos t
estimados.)
lnYt =4.47 − 0.34 ln X2t + 1.22 ln X3t + 1.22 ln X4t + 0.80 ln X5t − 0.0055 X6t.
(4.28) (−5.31) (3.64) (3.10) (1.10) (−3.09)= R2 = 0.5370

Nota: Estudiaremos los estadísticos t en el próximo capítulo. Donde:

 Y = tasa de renuncias laborales en el sector manufacturero, definida como el número
de personas que deja su trabajo voluntariamente por cada 100 empleados
 X2 = variable instrumental o “representante” de la tasa de desempleo de hombres
adultos
 X3 = porcentaje de empleados menores de 25 años
 X4 = Nt−1/Nt−4 = tasa de empleo en el sector manufacturero, en el trimestre (t − 1),
respecto de la del trimestre (t − 4)
 X5 = porcentaje de mujeres empleadas
 X6 = tendencia de tiempo (1950-I = 1)

a) Interprete los resultados anteriores.

Ante un aumento de 1% de la tasa de desempleo de hombres adultos, el cambio

porcentual esperado de la tasa de renuncias laborales en el sector manufacturero es de
0.34%, el aumento del 1 % en el porcentaje de empleados menores de 25 tiende a
incrementar un aumento de 1.22 % en la tasa de renuncias laborales, y el aumento del 1 %
en el empleo en el sector manufacturero tiende a un aumento de 1.22 % en la tasa de
renuncias laborales, un aumento del 1 % en el porcentaje de mujeres empleadas conduce a
un aumento de 0.80 % en la tasa total, y que durante el período de tiempo de estudio , la
tasa total declinó a razón de 0,0055 % por año.

b) ¿Puede justificarse a priori la relación negativa observada entre los logaritmos

de Y y X2?
A priori la relación negativa observada entre los logaritmos de Y y X2, muestra que
se espera que se relacionen negativamente la tasa total de renuncias y la tasa de desempleo,
debido a que las dos variables tienden a ser negativas por la disminución de trabajadores

c) ¿Por qué es positivo el coeficiente de ln X3?

El coeficiente de ln X3 es positivo porque si se contratan más personas de menos de

25 años de edad, la expectativa que incrementarse tasa de renuncias laborales en el sector
manufacturero es alta debido a los contratos entre los trabajadores más jóvenes.

d) Como el coeficiente de tendencia es negativo, ¿de qué porcentaje es el descenso

temporal en la tasa de retiro laboral, y por qué se presenta dicho descenso?

El descenso temporal en la tasa de retiro laboral es de 0,0055%. Dado que las

condiciones de trabajo y las pensiones de beneficios han aumentado con el tiempo, la tasa
total probablemente va a disminuir.

e) ¿Es la .R 2 “muy” baja?

No, solo es un R 2 bajo debido a que se encuentra sobre 0,50.

f) ¿Puede estimar los errores estándar de los coeficientes de regresión a partir de

los datos dados? ¿Por qué?