Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1.1 Ejercicio 1
=
Información estadística: t C(0,025;996 ) 1=
, 96 t (C0,05;996 ) 1,646
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
Es decir, por cada año adicional de EDUC ( DEDUC =1), el Salario estimado
aumenta en 2,02 euros/hora.
Modelo 2:
%DSAL
=
100βˆ 2 100
= (0, 091)
DEDUC
Es decir, por cada año adicional de EDUC ( DEDUC =1), el Salario estimado
aumenta en 9,1%
%∆SAL
=
βˆ 3 0, 162
=
%∆EXP
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
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
β3 ∈βˆ 3 ± t aC / 2;T − k × σˆ βˆ
3
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
A) Escriba la RRM
i =
Modelo4 : SAL −11, 75 + 2, 06EDUCi + 0, 144 EXPER i
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
SR = 132375, 5 ST=164421, 18
SR 132375, 5
R 2 =−
1 =−
1 =
0, 1948
ST 164421, 18
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
Los resultados de las estimaciones MCO del modelo son los siguientes:
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
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.
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
βˆ 3 − 0, 2
t = − t ε /2;T − k
σˆ βˆ
3
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.
H 0 : β3 =0, 3
Ha : β3 < 0, 3
0, 163 − 0, 3
t = = −5, 269 − t 0,05;996
0, 026
Decisión:
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
βˆ 2 − 0, 1
t = − t ε/2;T − k
σˆ βˆ
2
0, 091 − 0, 1
t = = −1, 5 − t 0,05;996
0, 006
Decisión:
ˆ = 132375,5
ˆ 'U
U
βˆ i
t ratio(βi ) = − t ε/2;T − k
σˆ βˆ
i
=
σˆ 2 SR / (T =
− K) 132, 77
βˆ i
σˆ βˆ
i t C(0,025;996 ) = 1, 96
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
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
=1491,84+2*1000*2,85 =1511,48+2*1000*2,85
= 7205,649 = 7225,280
k(modelo 2)<k(modelo 3)
R 2 (modelo 2)<R 2 (modelo 3)
1.3 Ejercicio 3
=
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
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
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
−1
σˆ βˆ = σˆ 2 ( X ' X )22 = 2, 52(0, 019) = 0, 04788 = 0, 219
2
0, 699 − 1
t = = −1, 375 − t 0,05/2;(20−3 )
0, 219
Decisión:
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.
H 0 : β3 =0
Ha : β3 ≠ 0
βˆ 3
t ratio(β 3 ) = − t ε/2;T − k
σˆ βˆ
3
Decisión:
Dado que | t |=
| 9, 13 |> t 0,025;17 =2,109 se rechaza H0 al 5% de nivel de significación,
∆Y
=
β3 ⇒=
β3 2
∆
X2
1
βˆ 3 − 2
t = − t ε/2;T − k
σˆ βˆ
3
1, 776 − 2
t = = −1, 152 − t 0,05/2;(20−3 )
0, 194
Decisión:
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
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
1.4 Ejercicio 4
=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.
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
H 0 : β2 =β3 =0
T − k SE
FAV = F = − Fε ( k −1 ,T − k)
k − 1 SR
88 88
=i 1 =i 1
∑ û2i = SR = ∑ (Pˆi − P)2 = SE = 337, 845
⇒ ST= 2 *SR= 675, 64
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
SRR=SRM1=337,845
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
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
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
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
H 0=
: β4 0 Ha:β4 ≠ 0
H0:Modelo1 mejor Ha: Modelo 2 mejor
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
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:
βˆ + 2
B) Utilizamos el estadístico t = 4 (F)
σˆ βˆ
4
βˆ4 − 2
C) Utilizamos el estadístico t = (V)
σˆ βˆ
4
0, 62 − 1
t= = −2, 159
0, 176
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
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.
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