1 EJERCICIOS RESUELTOS

1.1 Ejercicio 1

=
Información estadística: t C(0,025;996 ) 1=
, 96 t (C0,05;996 ) 1,646

El fichero “Salarios-Educacion.xls” tiene mil observaciones correspondientes a

diferentes individuos con información sobre salarios euros/hora (SAL), educación
en años (EDUC), experiencia en años (EXPER), horas trabajadas a la semana
(HRSWK) y FEMELE (SEXO) del trabajador en cm.

Se consideran los tres siguientes modelo econométrico para explicar el salario de

los trabajadores:

Modelo1 : SALi = β1 + β2 EDUCi + β3 EXPER i + β4 HRSWK i + u i

Modelo2 : ln(SALi ) = β1 + β2 EDUCi + β3 ln(EXPER i ) + β4 HRSWK i + u i
Modelo3 : SALi = β1 + β2 EDUCi + β3 ln(EXPER i ) + β4 HRSWK i + u i

Los resultados de las estimaciones MCO de los tres modelos son los siguientes:
1) Indique para cada modelo qué forma funcional se ha utilizada para la especificación
del modelo
Modelo1 : SALi = β1 + β2 EDUCi + β3 EXPER i + β4 HRSWK i + u i
mod elo lineal
Modelo2 : ln(SALi ) = β1 + β2 EDUCi + β3 ln(EXPER i ) + β4 HRSWK i + u i
((((((((
log − lineal
((((((( ((((((((( 
log − log
(((((((((( (((((((((((( 
log − lineal

Modelo3 : SALi = β1 + β2 EDUCi + β3 ln(EXPER i ) + β4 HRSWK i + u i

(((((((((((((( 
lineal − log
((((((((( ((((((((((( 
lineal − lineal

1) En cada uno de los modelos, interprete los parámetros estimados.

Modelo 1:

Todas las pendientes se interpretan de la misma manera, por ejemplo:

 DSAL
β= =
ˆ 2, 01
2
DEDUC

Es decir, por cada año adicional de EDUC ( DEDUC =1), el Salario estimado
aumenta en 2,02 euros/hora.

Modelo 2:

Las pendientes βˆ 2 y βˆ 4 se interpretan de la misma manera según el modelo log-

lineal, por ejemplo:


%DSAL
=
100βˆ 2 100
= (0, 091)
DEDUC

Es decir, por cada año adicional de EDUC ( DEDUC =1), el Salario estimado
aumenta en 9,1%

La pendiente β̂3 se interpreta según el modelo log-log, por ejemplo:


%∆SAL
=
βˆ 3 0, 162
=
%∆EXP

Es decir, por cada 1% que aumenta la Experiencia ( %∆EXP = 1% ), el Salario

estimado aumenta en 0,162%

2) A partir de cada uno de tres modelos estimados, calcule la variación estimada del
salario si la experiencia aumentase de 10 años a 18 años, manteniendo el resto de las
variables constantes.
 Modelo 1: lineal Modelo 2: log-log Modelo 3: lineal-log

Variación 
∆SAL 
%∆SAL βˆ 3 3, 777  ∆SAL
=
βˆ 3 0, 143
= =
βˆ 3 0, 162
= = =
∆EXP %∆EXP 100 100 %∆EXP
∆EXP = 18 − 10 = 8 %∆EXP = 80% %∆EXP = 80%
⇒ ∆∆SAL = βˆ EXP ⇒%  ∆∆
SAL = βˆ 3 % EXP βˆ 3
3
⇒ ∆∆  SAL = % EXP
= 0, 143= =
* 8 1, 14 ∈ /h 0=
, 162 * 80 12, 96% 100
= 0= , 0377 * 80 3, 02 euros/h

3) A partir de los tres modelos estimados, calcule la estimación insesgada del parámetro
de dispersión.
En los Modelo 1 y 2 tenemos toda la información

Mientras que en el modelo 3 no disponemos de la SR. Sin embargo, los Modelos 1 y

3 tienen la misma ST ya que tienen la misma variable endógena. Para ello,
utilizando el R2 en el modelo 3 podemos obtener la SR.

Modelo 1:

SR = 130386, 0 R 2 =0,207
SR SR 130386, 0
R 2 =−
1 ⇒ ST = = =164421, 18
ST 1− R 2
1 − 0, 207

Por tanto

=
STM1 =
STM3 164421, 18

SR
R 2 =−
1 ⇒ SR = ST(1 − R 2 )
ST
SR M 3 = STM 3 (1 − 0, 220) = 128248, 497

Modelo 1 Modelo 2 Modelo 3

SR 130386 258, 198 128248, 497

σˆ 2 = = σˆ 2 = 130, 909=σˆ 2 = 0= , 259 σˆ 2 = 128, 763
T−k 1000 − 4 1000 − 4 1000 − 4
 4) Obtenenga la estimación por intervalo del parámetro que acompaña a HRSWK al 90 y
95% de nivel de confianza, utilizando únicamente los resultados de la estimación del
modelo 3. Indique cómo crees que sería el intervalo de confianza del mismo
parámetro al 99% de nivel de confianza.

β3 ∈βˆ 3 ± t aC / 2;T − k × σˆ βˆ
3

al 95% de nivel de confianza

=
βˆ 3 0, 122 t aC=
/ 2;T − k t 0C,05 / 2;=
1000 −4 =
t 0C,025 ;996 1, 96
β3 ∈ 0, 122 ± 1, 96 × 0, 035 =[0, 053; 0, 19]
al 90% de nivel de confianza
=βˆ 3 0, 122
= t aC / 2;T − k t 0C,10 / 2=
;1000 −4 t=
C
0 ,05 ;996 1, 646
β3 ∈ 0, 122 ± 1, 646 × 0, 035 =[0, 064; 0, 179]

5) A partir de los tres modelos estimados, calcule el salario estimado para una persona
con 10 años de educación, 12 años de experiencia y 40 horas de trabajo a la semana.
Compare los resultados obtenidos.
Modelo 1:

i =
Modelo1 : SAL −16, 44 + 2, 011 EDUCi + 0, 143EXPER i + 0, 137 HRSWK i
=
SAL −16, 44 + 2, 011(10) + 0, 143(12) + 0, 137(40) =
10, 866 euros/h

Modelo 2

 )=
Modelo2 : ln(SAL 0, 754 + 0, 091 EDUCi + 0, 162 ln(EXPER i ) + 0, 0083HRSWK i
i


ln SAL =0, 754 + 0, 091(10) + 0, 162 ln(12) + 0, 0083(40) =
2, 398
 exp(2, 398
⇒ SAL
= = ) 11, 007 euros/h

Modelo 3

i =
Modelo3 : SAL −24, 132 + 2, 033EDUCi + 3, 771 ln(EXPER i ) + 0, 1228HRSWK i
=
SAL −24, 132 + 2, 033(10) + 3, 771 ln(12) + 0, 122(40) =
10, 480 euros/h

6) Finalmente se estima el siguiente modelo por MCO

Modelo4 : SALi = β1 + β2 EDUCi + β3 EXPER i + u i

Obteniendo los siguientes resultados:

  −11, 75   0, 0344 −0, 00200 −0, 00214 
    ˆ ˆ
(X 'X)
−1
βˆ = 2, 06  = 0, 000138 3, 76 * 10−6  U ' U = 132375,5
 0, 144   −6 
6, 158 * 10 
  

A) Escriba la RRM
i =
Modelo4 : SAL −11, 75 + 2, 06EDUCi + 0, 144 EXPER i

B) Calcule la desviación típica de β̂2

−1
σˆ βˆ = σˆ 2 (X 'X)22
2

SR ˆ 'U
U ˆ 132375,5
=
σˆ 2 = = = 132, 773
T --
k T k 1000-3

=
σˆ βˆ =
132, 773(0, 000138) 0,=
0183 0, 135
2

C) Calcule el coeficiente de determinación e interprete los resultados

Los Modelos 1; 3 y 4 tienen la misma ST ya que tienen la misma variable endógena.
Modelo 4:

SR = 132375, 5 ST=164421, 18
SR 132375, 5
R 2 =−
1 =−
1 =
0, 1948
ST 164421, 18

D) Clasifique los 4 modelos estimados en dos grupos comparables.

Modelos anidados : Modelo 1 Y Modelo 4

Modelo no anidados: El resto de los modelos

E) Dentro de cada grupo, clasifique los modelos en anidados y no anidados.

Si se estima un nuevo modelo 5 añadiendo al Modelo 4 una nueva variable
explicativa que es el SEXO del trabajador (FEMALE), ¿cómo serían las ST, SE, SR
y el coeficiente de terminación del nuevo modelo? Justificar su respuesta.

Si se añade una nueva variable en el modelo 5 k=5

si k ↑⇒ SR ↓ y SE ↑ ST no cambia
por tanto, R 2 ↑ si k ↑
 1.2 Ejercicio 2

Información estadística:
=
t C( 0,025;997 ) 1, 96 =
t (C0,025;996 ) 1, 96 =
t (C0,05;997 ) 1=
,646 t (C0,05;996 ) 1,646

El fichero “Salarios-Educacion.xls” tiene mil observaciones correspondientes

a diferentes individuos con información sobre salarios euros/hora (SAL), educación en
años (EDUC), experiencia en años (EXPER), horas trabajadas a la semana (HRSWK).

Sea el siguiente modelo econométrico para explicar el salario de los trabajadores:

Modelo1 : ln(SALi ) = β1 + β2 EDUCi + β3 ln(EXPER i ) + β4 HRSWK i + u i

Los resultados de las estimaciones MCO del modelo son los siguientes:

1) Analice la significatividad individual de las pendientes del modelo, al 5% de nivel de

significación, utilizando dos métodos alternativos. Al 10% de nivel de significación
¿qué se puede concluir? ¿Son todas las variables explicativas individualmente
estadísticamente relevantes para explicar el salario?

Significatividad individual:

H 0 : βi =0 i=2,3,4 βˆ i
t ratio(βi ) = − t ε /2;T − k
Ha : βi ≠ 0 σˆ βˆ
i

Valor des Valor crítico Decisión conclusión

 βˆ t 0C,05/2;1000−4 = 1, 96
estadístico: i
σˆ βˆ
i

β2 =0,0914/0,006 1,96 Se rechaza Es

=15,19> individualmente
significativo

β3 =0,163/0,026 1,96 Se rechaza Es

=6,17> individualmente
significativo

β4 =0,0083/0,0015 = 1,96 Se rechaza Es

5,29> individualmente
significativo

La segunda alternativa puede estar basada en el uso del p-valor ya que el Gretl nos
proporcional los p-valores de los t-ratios.

p-valor Nivel de decisión conclusión

significación

β2 0,00000< 0,05 Se rechaza Es individualmente

significativo

β3 0,00000< 0,05 Se rechaza Es individualmente

significativo

β4 0,0000< 0,05 Se rechaza Es individualmente

significativo

Si se rechaza la H0 al 5%, se puede rechazar para cualquier nivel de significación mayor

al 5% dado que el valor crítico será menor. En consecuencia las tres pendientes del
modelo son individualmente significativas al 10%.

Si las pendientes son individualmente significativas, las variables explicativas que las
acompañan son individualmente relevantes para explicar el salario tanto al 5% como al
10% de nivel de significación
 2) Razone si el intervalo de confianza del parámetros β2 al 95 y al 99% de nivel de
confianza podría contener el valor cero.
Existe una estrecha relación entre contrastes bilaterales y nivel de confianza siempre y
cuando hacemos referencia al mismo nivel de significación (mismo nivel de confianza)

rechazar H 0 :βi =0 al 5%
⇔ el intervalo de confianza al 95%=(1-0,05)100% de nivel de confianza
NO CONTIENE el valor cero

3) Contraste al 5% de nivel de significación si la elasticidad del salario con respecto a la

experiencia es igual a 0,2 frente a la alternativa que sea distinta de 0,2.
H 0 : β3 =0, 2
Ha : β3 ≠ 0, 2

βˆ 3 − 0, 2
t = − t ε /2;T − k
σˆ βˆ
3

Calcular el valor del estadístico

0, 163 − 0, 2
t = = −1, 432 − t 0,05/2;996
0, 026

Decisión:

Dado que | t |=
| −1, 43 |< 1, 96 no se rechaza H0 al 5% de nivel de significación,
indicando que la elasticidad es igual a 0,2. Esto implica que estadísticamente un
aumento del 1% en la experiencia produce un aumento del 0,2% en el salario.

4) Contraste al 5% de nivel de significación que un aumento del 10% en la experiencia

produce un aumento en el salario del 3% frente a la alternativa que sea menor que el
3%.
% ∆SAL 3
β3= = = 0, 3
% ∆ exp er 10

H 0 : β3 =0, 3
Ha : β3 < 0, 3

Se trata de un contraste unilateral de cola izquierda:

 βˆ 3 − 0, 3
t = − t ε;T − k
σˆ βˆ
3

Calcular el valor del estadístico

0, 163 − 0, 3
t = = −5, 269 − t 0,05;996
0, 026

Decisión:

El valor crítico al 5% de nivel de significación es t C(0,05;996 ) = 1,646

Dado que t = −5, 269 < −1, 646 se rechaza H0 al 5% de nivel de significación en favor
de la alternativa, indicando que la elasticidad es menor que 0,3. Esto implica que
estadísticamente un aumento del 10% en la experiencia produce un aumento en el
salario menor del 30%.

5) Contraste al 10% de nivel de significación que por cada año adicional en la educación,
el salario aumenta un 10% frente a la alternativa que sea distinto del 10%.

% DSAL 10
100β2= = = 10
DEDU 1
=
⇒ β2 10=/ 100 0, 1

H 0 : β2 =0, 1
Ha : β2 ≠ 0, 1

Se trata de un contraste individual bilateral:

βˆ 2 − 0, 1
t = − t ε/2;T − k
σˆ βˆ
2

Calcular el valor del estadístico

0, 091 − 0, 1
t = = −1, 5 − t 0,05;996
0, 006

Decisión:

El valor crítico al 5% de nivel de significación es t C(0,05;996 ) = 1, 646

 Dado que | t |=
| −1, 5 |< 1, 646 se acepta H0 al 5% de nivel de significación, indicando
que por cada año adicional en la educación, el salario aumenta un 10%.

6) A continuación se estima el siguiente modelo por MCO

Modelo2 : SALi = β1 + β2 EDUCi + β3 EXPER i + u i

Obteniendo los siguientes resultados:

 −11, 75   0, 0344 −0, 00200 −0, 00214 

   
(X 'X)
−1
βˆ = 2, 06  = 0, 000138 3, 76 * 10−6 
 0, 144   6, 158 * 10−6 
  

ˆ = 132375,5
ˆ 'U
U

AIC=7727,519 BIC= 7744,24

A) Contrate la significatividad individual de las pendientes del modelo, al 5% de nivel de

significación. Y al 1% ¿qué se puede concluir?
H 0 : βi =0 i=2,3
Ha : βi ≠ 0

βˆ i
t ratio(βi ) = − t ε/2;T − k
σˆ βˆ
i

=
σˆ 2 SR / (T =
− K) 132, 77

σˆ βˆ = σˆ 2 (X ' X)ii−1 Valor des Valor crítico Decisió conclusión

i
estadístico: t 0C,05/2;1000−4 = 1, 96 n

βˆ i
σˆ βˆ
i t C(0,025;996 ) = 1, 96

β2 0,135 =2,06/0,13 1,96 Se Es

5 =15,21> rechaza individualmen
te
significativo
 β3 0,028 =0,144/0,0 1,96 Se Es
28 =5,039> rechaza individualmen
te
significativo

Si se rechaza la H0 al 5%, se puede rechazar para cualquier nivel de significación mayor

al 5% dado que el valor crítico será menor. Sin embargo, dado que el valor crítico para
niveles de significación menores que el 5% serán más grandes, no podemos saber con
seguridad si el valor del estadístico cae en la región de rechaza o de aceptación.

Si las pendientes son individualmente significativas, las variables explicativas que las
acompañan son individualmente relevantes para explicar el salario tanto al 5% como al
10% de nivel de significación

7) Al 5% de nivel de significación, contraste si un aumento de 10 años en la experiencia

produce un efecto significativo sobre el salario.
Cualquier aumento en los años de experiencia produce un efecto significativo sobre el
salario sólo si la pendiente que acompaña a la variable experiencia es estadísticamente
significativa.

Acabamos de comprobar en el apartado anterior que la variable experiencia es

significativa al 5%. Por tanto cualquier variación en la experiencia (incluyendo la de 10
años) produce una variación significativa en el salario.

8) Compare los dos modelo y seleccione el mejor entre los dos.

Dado que los dos modelos no tienen la misma variable endógena sólo podemos
comparar ambos modelos mediante el AIC y/o BIC. No obstante, en el caso del primer
modelo al ser la variable endógena en logaritmo tenemos que calcular primero el AIC y
BIC corregidos.

Los estadísticos AIC y BIC se pueden aplicar para comparar modelos en los que las
variables endógenas tienen diferentes formas funcionales. En particular, vamos a
comparar dos modelos en los que los regresandos son y y ln(y). Cuando el regresando
es y, se aplica la fórmula (3-89) en el caso del AIC, o en el caso del BIC. Cuando el
regresando es ln(y), y además queremos comparar con otro modelo en el que el
regresando es y, hay que corregir esos estadísticos de la siguiente manera:

AIC=
c AIC + (2 × T × ln(y))
BIC=
c BIC + (2 × T × ln(y))

ln(SAL) = 2, 859

K AIC BIC

Modelo 1 4 AICc AICc

=1491,84+2*1000*2,85 =1511,48+2*1000*2,85

= 7205,649 = 7225,280

Modelo 2 3 7729,519 7744,243

El mejor modelo es el modelo 1.

9) Si se estima un nuevo modelo 3 añadiendo al Modelo 2 una nueva variable explicativa

que es el sexo del trabajador (FEMALE), analice cómo serían las ST, SE, SR, el
coeficiente de terminación y el de determinación corregido del nuevo modelo.
Justifique su respuesta. Indique qué debería ocurrir para que el coeficiente de
terminación corregido del nuevo modelo sea mayor que el del modelo 2.

Como hemos visto:

Si mantenemos la misma variable endógena: SAL

 SE
↑ k ⇒↑ SE y ↓ SR y ST es la misma ⇒ R
= 2
↑
ST

k(modelo 2)<k(modelo 3)
R 2 (modelo 2)<R 2 (modelo 3)

Con el coeficiente de determinación corregido no lo podremos saber con seguridad ya

que dependerá mucho de si la variable (FEMALE) que añadimos resulta significativa
estadísticamente o no.

1.3 Ejercicio 3

Considere un modelo del tipo: yt = β1 + β 2 X 2 t + β 3 X 3t + ut y a partir de una

muestra de 20 observaciones se han obtenido las cantidades siguientes:

 0, 086 0, 0076 −0, 019   0, 966 

 
( X ' X=
)−1
 0.0076 0.019 −0, 012  β  0, 699 
=ˆ
   
 −0, 019 −0, 012 0, 015   1, 776 
ˆ ˆ 42, 84
U'U= R2 = 0, 95

=
t 0,025;85 1,= =
982 t 0,025;17 2,109 =
;t 0,05;17 1,739 ; F0,05 (2,85 ) 3, = =
10; F0,05 ( 1 ,84 ) 3,954 ; F0,05 ( 1 ,85 ) 3, 84;
=
F0,05 (2,84 ) 3, =
142; F0,05 ( 1 ,18 ) 4=
, 41; F0,05 ( 1 ,17 ) 4,451

Con esta información, conteste a las siguientes cuestiones:

1) Calcule la SR, SE y ST y el parámetros de dispersión.

SR = U'U=
ˆ ˆ 42, 84
SR SR 42, 84
R2 =−
1 ⇒ ST = = =856, 8
ST 1−R 2
1 − 0, 95
SE = ST − SR = 856, 8 − 42, 84 = 813, 96
Parámetro de dispersión
 SR 42, 84
=
s2 = = 2, 52
T − k 20 − 3

2) Calcule la variación estimada de la endógena si X2 disminuye en 2 unidades.


∆Y 
=bˆ 2 =0, 699 ⇒ ∆∆
Y =bˆ 2 
X 2 =0, 699 × 2 =1, 398
∆X 2 2

es decir, si X2 
en 2 unidad, la variable dependiente y en 1,398 unidades
 nula H 0 : β2 1 frente H 0 : β2 ≠ 1 para un nivel de
3) Contraste la hipótesis=
significación del 5%.
Se trata de un contraste individual bilateral:

βˆ 2 − 1
t = − t ε/2;T − k
σˆ βˆ
3

Necesitamos calcular la DT de βˆ 2 (σˆ βˆ )

2

−1
σˆ βˆ = σˆ 2 ( X ' X )22 = 2, 52(0, 019) = 0, 04788 = 0, 219
2

Calcular el valor del estadístico

0, 699 − 1
t = = −1, 375 − t 0,05/2;(20−3 )
0, 219

Decisión:

El valor crítico al 5% de nivel de significación es t 0,025;17 = 2,109

Dado que | t |=
| −1, 375 |< t 0,025;17 =
2,109 se acepta H0 al 5% de nivel de

significación, indicando que por cada unidad que aumenta la variable X2, la
variable dependiente (Y) aumenta en 1 unidad.

4) Contraste al 5% que variaciones en la variable X3 no producen efectos significativos

sobre la endógena.
Se trata de un contraste de significatividad individual

H 0 : β3 =0
Ha : β3 ≠ 0

βˆ 3
t ratio(β 3 ) = − t ε/2;T − k
σˆ βˆ
3

Necesitamos calcular la DT de βˆ 3 (σˆ βˆ )

3

σˆ βˆ = σˆ 2 ( X ' X )33−1 = 2, 52(0, 015) = 0, 0378 = 0, 194

2

Calcular el valor del estadístico t-ratio

 1, 776
=
t ratio = 9, 13 − t 0,05/2;(20−3 )
0, 194

Decisión:

El valor crítico al 5% de nivel de significación es t 0,025;17 = 2,109

Dado que | t |=
| 9, 13 |> t 0,025;17 =2,109 se rechaza H0 al 5% de nivel de significación,

indicando que la variable X3 es una variable relevantes para explicar la variable

dependiente (Y).

5) Contaste al 5% la hipótesis nula de que al aumentar la variable X3 en 1 unidades la

endógena varia en dos unidades.
 2

∆Y
=
β3 ⇒=
β3 2
∆
 X2
1

Es decir, se trata de contrastar:

H0:β3 =2
Ha : β3 ≠ 2

Se trata de un contraste individual bilateral:

βˆ 3 − 2
t = − t ε/2;T − k
σˆ βˆ
3

Necesitamos calcular la DT de βˆ 3 (σˆ βˆ )

3

σˆ βˆ = σˆ 2 ( X ' X )33−1 = 2, 52(0, 015) = 0, 0378 = 0, 194

2

Calcular el valor del estadístico

1, 776 − 2
t = = −1, 152 − t 0,05/2;(20−3 )
0, 194

Decisión:

El valor crítico al 5% de nivel de significación es t 0,025;17 = 2,109

 Dado que | t |=
| −1, 152 |< t 0,025;17 =
2,109 se acepta H0 al 5% de nivel de significación,

indicando que al aumentar la variable X3 en 1 unidades la endógena varia en dos

unidades.

6) Contraste el análisis de la varianza al 5% de nivel de significación y calcule el R2

corregido.
Se trata del contraste F del Análisis de la Varianza:

H 0 : β2 =β3 =0

 T − k  SE  T − k  R
2
=
FAV = F = − Fε ( k −1 ,T − k )
  
 k − 1  SR  k − 1  1 − R
2

Calcular el valor del estadístico:

Resultado:

 20 − 3  0, 95
=F =  161, 5 − F0,05 (2,17 )
 3 − 1  1 − 0, 95

FAV=161,5>valor crítico F0,05 (2,17 ) = 3, 84 al 5% (Se rechaza H0, las pendientes del

modelo son conjuntamente significativas

7) ¿Cómo crees que varían el R2 corregido y el coeficiente de determinación si se estima

un nuevo modelo sin incluir la variable X3 como una variable explicativa?

La variación del R2 corregido ( R 2 ) depende de la significatividad individual de la

variable X3

si X 3 es significativa individualmente ⇒ quitar X3 ⇒ R 2 ↓

Si X 3 NO es significativa individualmente ⇒ quitar X3 ⇒ R 2 ↑

Por tanto necesitamos analizar la significatividad individual de X3. En la pregunta 3 se

ha concluido que la variable X3 es significativa al 5% de nivel de significación por
tanto, el nuevo modelo sin incluir la variable X3 tendrá un R 2 menor que la del
modelo 1.
En el caso del coeficiente de determinación, el nuevo modelo tendrá un R2 menor ya
que incluye una variable explicativa menos.

1.4 Ejercicio 4

El servicio de ministerio de Vivienda se dispone a realizar un estudio para determinar

cuáles son las características de los pisos que influyen sobre sus precios en Aragón.
Utilizando una muestra de 88 observaciones, los resultados de la estimación son los
siguientes:
88 88
i =
M1: P − 19,31 + 1,38 Supi + 15,19 NH i
( −0,778) (9,29) (1,79)
∑ uˆ = ∑ ( Pˆ − P )
i =1
2
i
i =1
i
2

=337,845

M2: i =
P −21,77 + 1,32 Supi + 13,85 NH i + 0.02 NBi R2=0,508
( −0,73) (??) (??) (??)

=
M3: P −31,08+ 0,05 NBi SR=534,56
i
( −2,52) (???)

=
M4: P −19,37 + 12,06 NH i + 0.078 NBi σˆ 2 = 4,791
i
( −1,08) (???) (??)

donde:

Pi, es el precio del piso en miles de euros, Pi * es el precio en euros, Supi es la superficie
en m2 del piso, NHi es el número de habitaciones del piso y NBi es el número de baños
del piso.

Los valores ente paréntesis corresponden a los respectivos t-ratios.

Basándose en las estimaciones, responda a las siguientes cuestiones, utilizando tres

decimales:

1) Indique los grupos de modelos anidados y dentro de cada grupo indique las
restricciones necesarias para pasar de un modelo a otro.
Grupo 1: M1 y M2
 M1 ⇒ M2 hay que imponer H 0 :β4 =0

Grupo 2: M1, M2 y M4

M2 ⇒ M 3 hay que imponer H 0 :β2=β3 =0

M2 ⇒ M4 hay que imponer H 0 :β2=0
M4 ⇒ M 3 hay que imponer H 0 :β3 =0

2) Considerando el modelo M1, Realice los siguientes contrastes al 5% de nivel de

significación.
A) Si las pendientes del modelo son conjuntamente significativas.
Se trata del contraste F del Análisis de la Varianza:

H 0 : β2 =β3 =0

 T − k  SE
FAV = F =   − Fε ( k −1 ,T − k)
 k − 1  SR

Disponemos de la siguiente información:

88 88

=i 1 =i 1
∑ û2i = SR = ∑ (Pˆi − P)2 = SE = 337, 845
⇒ ST= 2 *SR= 675, 64

Calcular el valor del estadístico:

Resultado:

 88 − 3  337, 845
=F =  42, 5 − F0,05 (2,85 )
 3 − 1  337, 875

FAV=42,5>valor crítico F0,05 (2,85 ) = 3, 10 al 5% (Se rechaza H0, las pendientes del

modelo son conjuntamente significativas

B) Si la variable superficie es individualmente significativa.

H 0=: β2 0 Ha:β 2 ≠ 0
βˆ 2
= =
tratio 9, 29
σβˆ
2

t_ratio=9,29>valor crítico t 0,025;85 = 1, 982 al 5% (Se rechaza H0, la variable

superficie es estadísticamente significativa (RELEVANTE)

 3) Considerando el modelo M2, Realizar los siguientes contrastes al 5% de nivel de
significación.
A) Si el efecto número de baños del piso sobre el precio es estadísticamente diferente de
cero.
H 0=
: b4 0 Ha:b4 ≠ 0
⇓
Se puede realizar por dos alternativas:
bˆ  T − k N R  (SR R − SR NR )
tratio = 2 − t e /2;T − k o bien   − Fe ( r,T − k)
sbˆ  r  SR NR
(((((( 2
 ((((((((
no tenemos información disponemos de los dos modelo:M2 y M1

SRR=SRM1=337,845

SEM2=R2*ST=0,508* 675, 64 =343,250

SRNR=SRM2=332,439

 T − k N R  (SR R − SR NR )
F=  − Fε ( r,T − k)
 r  SR NR
 88 − 4  (337, 845 − 332, 439)
F =  1, 365 − F0,05 ( 1 ,88−4 )
 1  332, 439

F=1,365<valor crítico F0,05 ( 1 ,84 ) = 3,954 al 5% (Se acepta H0, la variable NB no es

estadísticamente significativa para explicar el precio al 5%.

B) Si el parámetro que acompaña a la variable Superficie es estadísticamente diferente de

cero.
H 0=
: b2 0 Ha:b2 ≠ 0
⇓
Se puede realizar por dos alternativas:
bˆ  T − k N R  (SR R − SR NR )
tratio = 2 − t e /2;T − k o bien   − Fe ( r,T − k)
sbˆ  r  SR NR
(((((( 2
 ((((((((
no tenemos información disponemos de los dos modelo:M2 y M4
 SR R =
SR M 4 =
σˆ 2 (T − K M 4 ) =
407, 329

 T − k N R  (SR R − SR NR )  T − k M 2  (SR M 4 − SR M 2 )
=F =    − Fε ( 1 ,T − k M 2 )
 r  SR NR  1  SR M 2
 88 − 4  (407, 329 − 332, 439)
F =  18, 923 − F0,05 ( 1 ,88−4 )
 1  332, 439

F=18,023>valor crítico F0,05 ( 1 ,84 ) = 3,954 al 5% (Se rechaza H0, la variable Superficie

es estadísticamente significativa para explicar el precio al 5%.

C) Si la variable superficie y NH son conjuntamente relevantes para explicar el precio de las

viviendas.

H 0 : β3 =β4 =0 Ha:β3 ≠ 0 y/o β4 ≠ 0

 T − k N R  (SR R − SR NR )
  − Fe ( r,T − k)
((((
r  ((((
SR NR

disponemos de los dos modelo:M2 y M3

SR R =SR M3 =534,56

SRNR=SRM2=332,439

 T − k N R  (SR R − SR NR )  T − k M 2  (SR M 3 − SR M 2 )
=F =    − Fε ( 1 ,T − k M 2 )
 r  SR NR  2  SR M 2
 88 − 4  (534, 56 − 332, 439)
F =  25, 535 − F0,05 (2,88−4 )
 2  332, 439

F=25,535>valor crítico F0,05 (2,84 ) = 3, 142 al 5% (Se rechaza H0, las variable NB y

NH son conjuntamente significativas para explicar el precio al 5%.

4) Entre los 4 modelos estimados, seleccione el mejor de ellos utilizando un criterio

razonable.
Como son modelos anidados con diferentes valores de k podemos utilizar el coeficiente
de determinación corregido
 Modelo R2

M1 SE SE T−K
R=
2
M1 = = 0, 5 R 2M 1 =−
1 (1 − R 2 ) =
0, 488
ST 2SE K −1

M2 R 2M 2 = 0, 508 T−K
R 2M 2 =−
1 (1 − R 2 ) =
0, 490
K −1

M3 SR T−K
R 2M 3 =−
1 =0, 2088 R 2M 3 =−
1 (1 − R 2 ) =
0, 199
ST K −1

M4 SR T−K
R 2M 3 =−
1 =0, 397 R 2M 4 =−
1 (1 − R 2 ) =
0, 382
ST K −1

5) Utilice los diferentes contrastes realizados en las preguntas anteriores para

seleccionar el mejor modelo.

Preguntas tipo test para indicar verdadero o falso.

H 0=
: β4 0 Ha:β4 ≠ 0
H0:Modelo1 mejor Ha: Modelo 2 mejor

Se acepta H0= modelo M1 es mejor que el modelo M2 a pesar que el R2 corregido es

mayor en el modelo M2. Esto se debe a que el R2 corregido cuando añadimos variables
explicativas baja sólo si el t-ratio del parámetro que añadimos es menor que 1.

1.5 Ejercicio 5

=
t 0,025;85 1,= =
982 t 0,025;17 2,109 =
;t 0,05;17 1,739 ; F0,05 (2,85 ) 3, = =
10; F0,05 ( 1 ,84 ) 3,954 ; F0,05 ( 1 ,85 ) 3, 84;
=
F0,05 (2,84 ) 3, =
142; F0,05 ( 1 ,18 ) 4=
, 41; F0,05 ( 1 ,17 ) 4,451

Considere un modelo del tipo: yt = β1 + β 2 X 2 t + β 3 X 3t + ut y a partir de una

muestra de 20 observaciones se han obtenido las cantidades siguientes:
  0, 086 0, 0076 −0, 019   0, 966 
 
( X ' X=) −1
 0.0076 0.019 −0, 012  β  0, 699 
=ˆ
 −0, 019 −0, 012 0, 015   1, 776 
  
U'U=42, 84
ˆ ˆ R2 = 0, 95

Con esta información, conteste a las siguientes cuestiones:

1) Calcule la SR, SE y ST y el coeficiente de terminación.

2) Calcule la variación estimada de la endógena si X2 disminuye en 2 unidades.
3) Contraste la hipótesis = nula H 0 : β2 3 frente H 0 : β2 ≠ 3 para un nivel de
significación del 5%.
4) Contraste al 5% que variaciones en la variable X3 no producen efectos significativos
sobre la endógena.
5) Contaste al 5% la hipótesis nula de que al aumentar la variable X3 en 1 unidades la
endógena varia en dos unidades.
6) Contraste el análisis de la varianza al 5% de nivel de significación y calcule el R2
corregido.
7) ¿Cómo crees que varían el R2 corregido y el coeficiente de determinación si se estima
un nuevo modelo sin incluir la variable X3 como una variable explicativa?

2 PREGUNTAS TIPO TEST

2.1 Ejercicio 1
β1 + β 2 x2t + β3 x3t + ut , el “p- valor”
1) Pregunta 1. En un modelo del tipo yt =
obtenido en el contraste de la hipótesis nula H0: β3 = −1 frente a la alternativa HA:
β3 ≠ −1 , es 0,09, lo que significa que:
A) Aceptamos la hipótesis nula al 5% y la rechazamos al 10%.
B) Rechazamos la hipótesis nula para cualquier nivel de significatividad superior al 9%.
C) El 9% es el mínimo valor de significatividad a partir del cual se acepta la hipótesis nula.
D) El valor del estadístico t tiene un valor superior a su correspondiente valor crítico al 10%.

β1 + β 2 x2i + β3 x3i + ui :
2) Pregunta 2. Dado un MLG del tipo yi =
A) El FAV sigue una distribución Fε (2, T − 2) . (F)
B) La hipótesis nula del análisis de la varianza es: H 0 : β=
1 β=2 β=3 0 . (F)
C) La hipótesis nula del análisis de la varianza es: H 0 : β 2 = β3 .(V)
D) El estadístico del contraste del análisis de la varianza se puede expresar:
T −k SE
=
FAV ⋅ siendo SE y ST la suma explicada y total del modelo. (V)
k − 1 ( ST − SE )
Las preguntas 3 a 8 se refieren a los resultados que figuran en la tabla siguiente sobre la
estimación MCO de un

MLG:

Donde VENTAS son las ventas de la empresa en millones de euros; NPAT es el

número de patentes de la empresa; INV son las inversiones de la empresa en miles de
euros; TAMG es el tamaño de la empresa y PLANTAS es el Número de SEDES de la
empresa por todo el mundo.

Basándose en estos resultados, responder a las siguientes preguntas, utilizando 3

decimales.

3) Pregunta 3. A partir de los resultados obtenidos se puede concluir que:

A) Todas las variables explicativas son individualmente significativas al 5%. (F)
B) Todas las variables explicativas son individualmente significativas al 1%.(F)
C) Todas las variables explicativas son individualmente significativas al 10%.(F)
D) Todos las variables explicativas son individualmente significativas al 1%, excepto la
variable Plantas (V)
4) Pregunta 4. Para contrastar la hipótesis H 0 : β4 = 2 frente a la alternativa
H a : β4 ≠ 2 :
βˆ4
A) Utilizamos el estadístico t = (F)
σˆ βˆ
4

βˆ + 2
B) Utilizamos el estadístico t = 4 (F)
σˆ βˆ
4

βˆ4 − 2
C) Utilizamos el estadístico t = (V)
σˆ βˆ
4

D) El valor del estadístico es igual 1,13. (F)

 5) Pregunta 5. Para contrastar la siguiente afirmación “al aumentar las inversiones de la
empresa en mil euros, las ventas aumentan en 0,5 millones de euros”:
A) Contrastamos la= hipótesis H 0 : β2 0 frenta a H a : β2 ≠ 0 (F)
B) Contrastamos la= hipótesis H 0 : β2 2 frenta a H a : β2 ≠ 2 (F)
C) Contrastamos = la hipótesis H 0 : β2 0, 5 frenta a H a : β2 ≠ 0, 5 (V)
D) Contrastamos = la hipótesis H 0 : β2 0, 5 frenta a H a : β2 ≠ 0 (F)
6) Pregunta 6. El valor del estadístico F para el contraste de significación conjunta de
todas las pendientes de la regresión:
A) Es igual a 2,90. (F)
B) Tiene un valor menor que su correspondiente valor crítico al 5%.(F)
C) No rechaza la hipótesis nula al 5% de nivel de significación.(F)
D) Rechaza la hipótesis nula incluso al 1% de nivel de significación.(V)
7) Pregunta 7. Según los resultados de estimación del modelo:
A) El intervalo de confianza al 95% para el parámetro asociado a la variable INV
contiene el valor 0. (F)
B) El intervalo de confianza al 90% para el parámetro asociado a la variable INV
contiene el valor 0 (F)
C) El intervalo de confianza al 90% para el parámetro asociado a la variable INV
no contiene el valor 0. (F)
D) El intervalo de confianza al 99% para el parámetro asociado a INV no contiene
el valor 0. (V)

Las preguntas 9 a 12 se refieren al siguiente problema.

Dados los modelos alternativos estimados con T=20:

Modelo 1: yˆ t = 2,01− 0,64 X 2t + 0,62 X 3t σˆ 2 = 2,21

( 0 , 54 ) (?) ( 0 ,176 )

Modelo 2: yˆ t = 4.10+ 0.75 X 3t σˆ 2 = 2,17 FAV = 24,31

(1.107 ) (?)

Los valores entre paréntesis son las desviaciones típicas estimadas.

8) Pregunta 9. El contraste de la significatividad de la pendiente en el modelo 2:

A) F. Se acepta al 5% de nivel de significación.
B) V. Se rechaza al 5% de nivel de significación.
C) F. No se puede calcular con la información disponible.
D) V. Sigue una distribución F(1,T-2).

Cuando se trata de un modelo con una única pendiente:

H 0=
: b2 0 Ha:b2 ≠ 0
⇓
Se puede realizar por dos alternativas:
bˆ
tratio = 2 − t e /2;T −  o bien 
FAV − Fe (  −1 ,T − )
sbˆ disponemos información
(((((( 2

no tenemos información

- FAV=24,31>valor crítico F0,05 ( 1 ,18 ) = 4, 41 al 5% (Se rechaza H0, la

variableX3 es estadísticamente significativa para explicar el precio al 5%.
9) Pregunta 10. Según los resultados de estimación del modelo 1:
A) V. Al 5% de nivel de significación, el parámetro de la variable X3 es
estadísticamente diferente de 1.
B) F. El intervalo de confianza al 95% para el parámetro asociado a X3 contiene el
valor 1.
C) V. Al 5% de nivel de significación, el efecto parcial de la variable X3 es
estadísticamente menor que 1.
D) V. Al 5% de nivel de significación, un aumento en una unidad de la variable X3
supone un aumento menor que la unidad en la endógena.
βˆ3 − 1
t=
σˆ βˆ
3

0, 62 − 1
t= = −2, 159
0, 176

10) Pregunta 10. El contraste de la significatividad del parámetro de la variable X2 en el

modelo 1:
A) V. Se acepta al 5% de nivel de significación.
B) F. Se rechaza al 5% de nivel de significación.
C) F. No se puede calcular con la información disponible.
D) F. Sigue una distribución F(1,T-2).
H 0=
: b2 0 Ha:b2 ≠ 0
⇓
Se puede realizar por dos alternativas:
bˆ  T − k N R  (SR R − SR NR )
tratio = 2 − t e /2;T − k o bien   − Fe ( r,T − k)
sbˆ  r  SR NR
(((((( 2
 ((((((((
no tenemos información disponemos de los dos modelo:M2 y M4

SR R =
SR M 2 =σˆ 2 (T − K M 2 ) =
2, 17(20 − 2) =39, 06
 SR NR =
SR M 1 =σˆ 2 (T − K M 1 ) =
2, 21(20 − 3) =37, 57

 T − k N R  (SR R − SR NR )  T − k M 1  (SR M 2 − SR M 1 )
=F =    − Fε ( 1 ,T − k M 1 )
 r  SR NR  1  SR M 1
 20 − 3  (39, 06 − 37, 57)
=F =  0, 674 − F0,05 ( 1 ,20−3 )
 1  37, 57

F=0,674<valor crítico F0,05 ( 1 ,17 ) = 4, 45 al 5% (Se acepta H0, la variable X2

No es estadísticamente significativa para explicar el precio al 5%.

11) Pregunta 12. Según los resultados de la estimación de los dos modelos se puede
concluir al 5% de nivel de significación que:
A) V. El R2 en el modelo 1 es igual aproximadamente a 0,59.
B) V. El R 2 en el modelo 1 es menor que el del Modelo 2.
C) F. El modelo 1 es mejor que el modelo 2.
D) V. El modelo 1 es peor que el modelo 2.

A partir del modelo 2:

 T − k  SE
FAV =   − Fε ( k −1 ,T − k)
 k − 1  SR
k−1 2−1
=SE FAV= *SR * 24, 31= * 39, 06 * 52, 75
T−k 20 − 2
ST = SE + SR = 91, 81
R 2M 2 = 0, 574
SR
R 2M 1 =−
1 =0, 59
ST
R 2M 2 = 0, 55
R 2M 1 = 0, 541