Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1)
1 X1
T 1 1… 1
( X T X ) β=X T Y ( X X )= X X … X ∗
1 2 n
1 X 2 = 1+1+1+… n X 1 + X 2 +…+ X i
⋮ ⋮
1 Xi
( )
X 1 + X 2 +…+ X i X 21 + X 22 +… + X 2i
( )( )
n
( )
n ∑ Xi
( X T X )= i=1
n n
∑ X i ∑ X 2i
i=1 i=1
n n
( ) ( )
n ∑ Xi β1 n β1 + β 2 ∑ X i
( X T X )∗β=
n
i=1
n
2
( )
∗
β2
=
n
i=1
β1 ∑ X i + β 2 ∑ X 2i
n
∑ Xi ∑ X i
i=1 i=1 i=1 i=1
n β1 +n X́ β 2
( X T X )∗β=
( n X́ β1 + β 2 ∑ X 2i
n
i =1
)
Y1 n
XT Y = 1 1 … 1 ∗ Y 2 =
(
X1 X 2… Xn ⋮
Yn
Y 1+Y 2+ …+Y n
X 1 Y 1 + X 2 Y 2 …+ X n Y n
=
) () ( ) ( )
∑Yi
n
i=1
∑ XiY i
i=1
n Ý
XT Y =
( ) n
∑ Xi Y i
i=1
n β 1 +n X́ β 2 n Ý
( X T X ) β=X T Y →
( n X́ β 1 + β 2 ∑ X 2i
n β 1+ n X́ β2 =n Ý → β 1+ X́ β 2=Ý → β 1=Ý − X́ β 2
n
i=1
)( )
= n
∑ XiY i
i=1
n n n n
n X́ β 1+ β2 ∑ X 2i =∑ X i Y i → n X́ ( Ý − X́ β 2)+ β 2 ∑ X 2i =∑ X i Y i
i=1 i=1 i=1 i=1
n
n n ∑ X i Y i −n XY
´
β2 (∑ i=1
2 2
) ´ → β2 = i=1
X −n X́ =∑ X i Y i−n XY
i
i=1
n
∑ X 2i −n X́ 2
i=1
2)
Si en la ecuación u^ =ui−( ^
β0 −β 0) −( ^
β1 −β1 ) x i se determina el promedio sobre todas las i y se
usa el hecho de que el promedio de los residuales de MCO es cero dando así:
0=úi−( ^
β 0−β 0 )−( ^
β 1−β 1) x́ i
u^ =( ui−ú )−( ^
β1− β1 ) (xi −x́)
n
σ2 2 σ2 2
E ⌈ ∑ u^ ⌉ =( ( n−1 ) σ 2 ) +
i=1 ( S2x
∗S x −
)(
2
S 2x
∗S x
)
n
E ⌈ ∑ u^ ⌉ =( n−1 ) σ 2−σ 2 → n σ 2−2 σ 2 → ( n−1 ) σ 2
i=1
Despejando
n
∑ u^
i=1
=σ 2
( n−1 )
𝑎𝑣𝑔𝑝𝑟𝑜𝑑=𝛽1+𝛽2𝑎𝑣𝑔𝑡𝑟𝑎𝑖𝑛+ 𝜀
Siguiendo los supuestos de Gauss-Markov
∑ ( xi −x́ )∗(ui) 1
n
^
β 2=β 2 + i:1
STC x
=β 2 +
STC x ( )∑ ( d )∗( u )
i :1
i i
n
2
Sea:STC x =∑ ( x i− x́ ) y ui=( y i− ý )
i: 1
n
1
E⌊^
β2 ⌋=β 2 + E
[( STC x )∑ ( d )∗(u )]+ E [ Sb] + E [ ε ]
i:1
i i i
n
1
E⌊^
β2 ⌋=β 2 +
( STC x )∑ ( d )∗(u )+ Sb+0
i :1
i i
n
1
E⌊^
β2 ⌋=β 2 +
( STC x )∑ ( d )∗( 0)+ Sb+ 0
i :1
i
E⌊^
β2 ⌋=β 2 +Sb
Por tanto, con la agregación de una subvención por parte del gobierno, el nuevo estimador de
^
β 2 es sesgado de β 2.
De acuerdo a los supuestos y a lo que nos está planteando el modelo β2 > 0, y por supuesto,
Corr(x1,x2) < 0. Por lo tanto, hay un sesgo negativo en β1: E ( ^
β 1) < β1. Esto significa que, en
promedio, el estimador de regresión simple subestima el efecto del programa de
~
entrenamiento. Incluso es posible que E( β ¿ ¿ 1)¿ es negativo, aunque β 1> 0
4)
a)
𝑝𝑟𝑒𝑐𝑖𝑜𝑖̂=−14.47+0.976𝑣𝑎𝑙𝑒𝑠𝑡𝑖
(16.27) (0.049)
n = 88, SRC = 165644.51 R2 = 0.820
*H0: 𝛽1=0
−14.47
T= =−0.88936
16.27
* H0: 𝛽2=1
0.976−1
T= =−0.48979
0.049
Al 2.5% de confianza y con n-k (88-2) grados de libertad el valor critico es l1.9879l lo que
implica que ambos estimadores estadísticamente toman ambos el valor que describe el
modelo; lo que a su vez implica y que según lo establecido es un avaluó racional si 𝛽0=1 y
𝛽1=0.
b)
SRC R =¿209448.99.
SRC NR =165644.51
n = 88
k=2
(SRC R −SRC NR )
k
F=
SRC NR
n−k
(209448.99−165644.51)
2
F= =1.1383
165644.51
88−2
F(2, 86; 0.05) = 3.10255,
c)
R2 R=0.829
R2 NR=0.820
N=88
K=3
( R2R −R2NR )
k
F=
1−R 2R
n−k
(0.829−0.820)
3 86
F= = =1.5087
1−0.829 57
86
El valor crítico del 5% con 4 grados de libertad de numerador y usando 120 para la grados de
libertad para el numerador, es 2.45. Que está muy por encima del valor de F. Por lo tanto, no
podemos rechazar H0: 1β = 2β = 3β = 4β = 0 al nivel de 5 ni mucho menos 10%. Ninguna
variable explicativa es individualmente significativa al nivel del 5%. El estadístico t absoluto
más grande está en dkr, Tdkr ≈ 1.60, que no es significativo al nivel del 5% contra una
alternativa bilateral.
0.0330
∗137
(ii) La estadística F (con el mismo grado de libertad) es ahora 1−0.0330
F= =1.17
4
que es incluso menor que en la parte (i). Ninguna de las estadísticas t es significativa a un
nivel razonable.
(iii)
Parece muy débil. No hay estadísticas significativas al nivel del 5% (frente a una alternativa
bilateral), y las estadísticas F son insignificantes en ambos casos. Además, menos del 4% de
la variación en el rendimiento se explica por las variables independientes.
(iv) En todos los casos vistos, el modelo ha sido muy débil, la correlación de este, observando
las pruebas de hipótesis tanto general como individual, se nota que los estimadores que se han
obtenido no explican los cambios de la variable explicada
C.6.1
i) El efecto causal (o ceteris paribus) de la distancia sobre el precio significa que β1 ≥ 0 Todos
los demás factores relevantes iguales, es mejor tener un hogar más lejos del incinerador. La
ecuación estimada es
log(precio)= 8.05 + .365 log(dist)
(0.65) (0.066)
Cuando se agrega [log (inst )]2a la regresión en la parte (ii), obtenemos (con los resultados sólo
parcialmente informados)
Cuando exponenciamos esto obtenemos unos 5,943 pies de la interestatal. Por lo tanto, lo
mejor es tener su hogar lejos de la interestatal para distancias de menos de un poco más de
una milla. Después de eso, moviéndose más lejos de la interestatal disminuye la predicción
del precio de la vivienda
(iv)
C)
1 1
1 Lb=0,453592 Kg→ Lb=1 Kg1∈¿ 2,54 Cm → ∈¿ 1Cm
0,453592 2,54
w1
^
β 2∗¿ ∗ β^
w2 2
^
β 1∗¿ w 1∗^
β1
^ 0.453592
β 2∗¿ ∗3.94=0.7036033
2.54
^
β 1∗¿ 0.453592∗−99.41=−45,09158072
70∈→177,8 ^
Peso=−45,09158072+0,7036033∗177,8→ ^ Peso=80,009093
74∈→ 187,96 Peso=−45,09158072+ 0,7036033∗187,96 → ^
^ Peso=87,157703
El cambio de la relación de la regresión peso-longitud de libras-pulgadas a kilogramos-
centímetros se realiza a través del cambio en las cantidades de conversión. Las variaciones no
modifican los parámetros de la regresión (σ^2 , R2) ya que, se modificó solamente su forma de
medir.