UNIVERIDAD NACIONAL DE COLOMBIA

FACULTAD DE CIENCIAS ECONMICAS

MAESTRA EN CIENCIAS ECONMICAS
Econometra Avanzada
Parcial
GRACE ANDREA TORRES PINEDA
JOS ALEJANDRO VELSQUEZ GRANADOS
1. Considere el siguiente modelo de regresin:

y = + Z + u

Donde u es una secuencia de diferencias martingales y {y ,z ,u } son estacionarios y
ergdicos. Suponga que
plim T  z = 0, plim T   z = q > 0, plim T   z u = > 0

a. Provea la definicin matemtica del plim y explique en palabras qu suponen cada una
de las tres expresiones anteriores sobre la naturaleza de z y su relacin con u .

Definicin matemtica de Convergencia en probabilidad o plim

Se dice que el plim es un operador similar al lmite (lim) y slo son equivalentes cuando
{() } no sean variables aleatorias. En ese orden de ideas, se parte de la idea de que Z es

una variable aleatoria y Z1, Z2,, ZT es una sucesin de variables aleatorias que se denotan por
{Z(T)}, que se definen en un espacio de probabilidad {,, Pr}. De este modo, se manifiesta
que esa sucesin de variables aleatorias converge en probabilidad a Z -donde Z puede ser una
variable aleatoria o una constante (no aleatoria)- si:

 > 0, lim   !"() "" % = 1

 > 0, lim   !"() "" > % = 0

(1)
(2)

'

Que se escribe de las siguientes maneras: ()  ()*+  = . Esto se lee as: el lmite en
probabilidad de la sucesin de variables aleatorias {Z(T)} es Z esta sucesin converge en
probabilidad a Z.
Antes de concluir cabe resaltar que la expresin (1) dice que si se define un entorno a Z0 y a
Z0, esto indicara que la probabilidad de que Z(T) est dentro de un intervalo muy pequeo
alrededor del valor Z0 se puede acercar tanto a 1 como se quiera, tan slo haciendo que T sea
cada vez ms grande.

La expresin (2) dice que si T , la probabilidad de que Z(T) salga fuera del entorno (Z0-,
Z0+) es cero. Por lo tanto, las variables aleatorias tienen una distribucin ms ajustada al
valor Z0, es decir, tienden en probabilidad a Z0 para cualquier valor de .
Explicacin de qu supone cada expresin sobre z y su relacin con u .

plim T  z = 0: En la medida en que el nmero de observaciones se hace ms grande;

para valores de z tanto positivos como negativos; la sumatoria promediada de todos estos
valores tiende a cero. Se puede interpretar a z como una variacin.
plim T  z = q > 0: La medida de dispersin (varianza) de los resultados tiende a ser
constante q, positiva y diferente de cero.

plim T  z u = > 0: Dado que los errores se comportan como una martingala,
podra existir una relacin entre los resultados ./ 0 )12 3 1 32 4/ . Es decir, que se tiene una
correlacin, que afecta la estimacin de .
b. Sean 5 y 6 , los estimadores MCO definidos por
8
769 = :

; z

; z

; z



<

; y

:
<
; z y

El clculo del plim se debe realizar bajo los siguientes supuestos:

y = + z + u
@
1
; z z Q
T




z u es una secuencia de diferencias martingales estacionaria y ergdica.

Teniendo en cuenta estos supuestos se espera que el estimador 6 sea consistente, para ello se
procede de la siguiente manera:




6 = B; z z C

B; z y C










1
6 = B ; z z C
T




1
B ; z y C
T

Como y8 es igual a + Z + u remplazando, se tiene:



1
6 = B ; z z C
T


1
B ; z ( + Z + u )C
T




Multiplicando se observa:



1
6 = B ; z z C
T








1
1
B ; z C + B ; z z C
T
T






1
+ B ; z z C
T






1
B ; z u  C
T










Cancelando trminos semejantes, se tiene:

1
6 = + B ; z z C
T

1
B ; z z C
T



1
1
B ; z C + B ; z z C
T
T








1
B ; z u  C
T




A la expresin anterior se le aplican los supuestos b y c. As por el supuesto b, la expresin:

1
B ; z z C
T




Debe converger a Q . Y por el supuesto c la expresin:

1
B ; z u  C
T




Debe converger al valor esperado de: E (z u), que debe dar . Por tanto:
1
6 + B ; z C q + (q )( )
T

Entonces, teniendo en cuenta el resultado de a:
@
6 + q
Lo que viene a sealar que 6 no es .
@

Explicacin del significado de este resultado.

Dadas las condiciones a b y c, que nos muestra el comportamiento de los residuos y su relacin con z,
se obtiene como resultado que en muestras muy grandes an 6 no converge en probabilidad a , como
se podra esperar en principio. La existencia de un valor que muestra una covarianza diferente de
cero influye directamente en el resultado, es decir afecta la estimacin. Este resultado nos da una visin
clara de cmo la existencia de relaciones entre, en este caso, z y los errores u afectaran toda estimacin.

2.

a.

A cada una de las siguientes preguntas, responda con los supuestos necesarios para
muestra pequea y grande y adems derive los resultados.
Existe una diferencia sistemtica entre D y ?

Se responde a esta pregunta para muestra pequea y para muestra grande.

Para muestra pequea.

Supuesto: Exogeneidad estricta: E ( |H) = 0

Segn el modelo de Mnimos Cuadrados Tradicional:

(i)

Sabemos que:

Reemplazando (ii) en (i) se tiene:

D = (/ H/ H/ ) (/ H/ 0/ )

(ii)0/ = H/ I + / para todo t

(iv) D = J/ H/ H/ K (/ H/ (H/ I + / ))



Resolviendo este producto:

(v) D = J/ H/ H/ K J/ H/ H/ KI + J/ H/ H/ K (/ H/ / )





(vi) D = I + J/ H/ H/ K (/ H/ / )



De donde:

Con infinitas observaciones, b se acerca a ; sin embargo, para una muestra pequea el
segundo sumando de la ecuacin (vi) difcilmente ser cero. Es decir, que si existe una
diferencia sistemtica entre D/ y . Sin embargo, si es posible generar universos paralelos, se
obtiene el siguiente resultado sera E (D|H)=.
Para muestra grande.

Supuesto: Exogeneidad contempornea: E (/ H/ ) = 0

'

Resultado: D I

Ahora se tiene,



1
D = B ; H/ H/ C
L


/

1
B ; H/ 0/ C
L


/



1
D = B ; H/ H/ C
L




1
D = B ; H/ H/ C
L


/

/

1
B ; H/ (H/ I + / )C
L


/



1
1
B ; H/ H/ C I + B ; H/ H/ C
L
L


/



1
D = I + B ; H/ H/ C
L
'

/

/

1
B ; H/ / C
L


1
B ; H/ / C
L


/

/

D I + M E(H/ / )

Por el supuesto de Exogeneidad contempornea, E (H/ / ) = 0

Por ende, el resultado que se obtiene es,

b.

Cul es la distribucin de D ?

'

D I

Para muestra pequea.

Supuesto: ( |H ) O(0, P  Q )

Resultado: D O(I, P  (H H) )

Para muestra grande.

Supuesto: / H/ es una secuencia de diferencias martingala estacionaria y ergdica, tal que:

E (/ H/ ) = 0; EJ/ H/ H/ K = S
Resultado: L(D I ) O(0, S)
U

c.

Cul es la distribucin del estadstico de prueba?

El estadstico de prueba cuando se trabaja con muestras pequeas es un t-student, y cuando se

trabaja teora asinttica es normal estndar.
Muestra pequea.

Supuesto: H O(0, P  Q )
Resultado:

X
WX YZ[

\WX

Este estadstico de prueba es ] 2]^_3`]a

T-student; distribucin de la familia gaussiana:

cdZ
e

Muestra grande.

Supuesto: / H/ es una secuencia de diferencias martingala estacionaria y ergdica, tal que:

E (/ H/ ) = 0; EJ/ H/ H/ K = S
Se lleva a cabo una prueba de Hiptesis, donde la fg :

X
U
WX YZ[

\iX

derivar la distribucin asinttica de este estadstico de prueba.

O(0,1), con el objetivo de

Para esto, se explica en primera instancia el denominador, teniendo en cuenta que por
comodidad se asume homocedasticidad.
SWj = E kl(D I )(D I ) mHn = P  M o

Sin embargo, de toda esta matriz, slo necesito un elemento correspondiente a la fila i columna
i. Por lo cual, utilizo un vector de ceros y unos, teniendo el 1 en la posicin i.
SWj = c2  _j (H H) _j

Donde _j(ap) es un vector de ceros y unos con un uno en la posicin (i,1)

As:

1
S =
; 3/
Lq


/

De nuevo, mostrando toda la expresin correspondiente al estadstico de prueba:

j
)
L(Dj Irs

S  _* ( H H) _*


Bajo el supuesto de que la Hiptesis nula es cierta; una vez ms se analiza el numerador y el
denominador por separado;

Del numerador:

Del denominador:

j
K O(0, P  _*M _*)
LJDj Irs
'
1
tS  _*( H H) _* uP  _* M _*
L

Ahora, para mostrar que S  efectivamente converge a P  ;

X
U
WX Yv[

\iX

cw e Uj x yzUj

En conclusin:

N (0,P  _* M _*)

j
U
Dj Irs
O(0,1)
SWj

3. Suponga que tiene un conjunto de datos {0/ , H/ } estacionarios y ergdicos. Adems

M = E(H/ H/ ) existe y tiene rango completo y E (H/ 0/ ) = } est bien definida.

a. Muestre que el estimador mnimo cuadrtico converge en probabilidad a M }.

Sabiendo que el estimador mnimo cuadrtico b, definido en este caso de la siguiente

manera:
D = (/ H/ H/ ) (/ H/ 0/ )

Tenemos que para hallar su convergencia en probabilidad se puede tomar el plim de la

funcin teniendo as lo siguiente:
()*+ D = ()*+ (/ H/ H/ ) (/ H/ 0/ )

1 
1 

()*+ D = ()*+ ( H/ H/ ) ( H/ 0/ )
L /
L /

Desarrollando lo anterior tenemos:

1 
1 
()*+ D = ()*+ ( H/ H/ ) ()*+ ( H/ 0/ )
L /
L /

Por definicin tenemos que:

1 
E(H/ H/ ) = ()*+ ( H/ H/ )
L /
1 
(
)
E H
0/ = ()*+ ( H/ 0/ )
L /

Sabiendo que por propiedades del plim tenemos:

()*+ ~8 = ~
()*+  (~8 ) = (~)

Por lo cual:

()*+ D = M }

b. Haciendo I = M }, y definiendo = 0/ H/ I , muestre que E (H/ ) = 0.

Reemplazando a I en la ecuacin de tenemos que:

= 0/ H/ M }

Multiplicando a ambos lados por H/ tendremos:

H/ = H/ 0/ H/ H/ M }

Ahora, si sacamos el valor esperado a ambos lados de la ecuacin tendremos:

E(H/ ) = E(H/ 0/ H/ H/ M })

E(H/ ) = E(H/ 0/ ) E(H/ H/ M })

E(H/ ) = E(H/ 0/ ) E(H/ H/ )E(M }) 1(H/ H/ , M })

Como H/ H/ 0 M } son independientes el uno del otro tenemos que
1 lH/ H/,x }n = 0
yz

y por ende:
E(H/ ) = E(H/ 0/ ) E(H/ H/ )E(M })
E(H/ ) = E(H/ 0/ ) E(H/ H/ )M }
E(H/ ) = } MM }
E(H/ ) = } }
E(H/ ) = 0

c. Sea / = ~ H/ cualquier pronstico de yt que es una funcin lineal de xt. Muestre que el
error cuadrtico medio de pronstico es minimizado con el estimador de mnimos
cuadrados ordinarios.
Generalmente, se usa MCO porque tiene la capacidad de minimizar la varianza de
pronsticos, esto implica consistencia, es decir genera el menor error cuadrtico. Se debe
demostrar:

d. E/ / I
Lo que se hace es enfrentar los estimadores que genera MCO frente a otros:
E/ / ~8 / I + / ~8 ,


donde 5~ podra ser muchos estimadores lineales. Agrupando trminos se tiene:


E(/ / ~8 ) + / (~8 I )

El trmino (/ / ~8) representa los errores de pronstico de cualquier estimador. Y el

trmino (~8 I ) viene a representar el enfrentamiento de todos los estimadores contra
MCO. Operando se tiene:


E(/ / ~8 ) +E/ J~8 I K + 2E(/ / ~8 )(/ J~8 I K)

Como hay ortogonalidad en 3H es igual a cero, y adems cuando ~8 = I entonces se tiene:


e. E/ / I

que era lo que se quera demostrar. Finalmente, cabe sealar que MCO genera el mejor
predictor con una funcin cuadrtica, sin embargo si se usara otra funcin el resultado
sera diferente.

4. Considere el siguiente modelo

= I +
E ( |) = 0

E ( ") = (~, )

()*+ L  ( ) = M donde Q tiene rango k

()*+ L  ( ) = 0

Usted no necesita probar o derivar ninguno de los siguientes enunciados; simplemente provea
una explicacin que justifique su respuesta.
a. Si la matriz V(~, ) tuviera que ser estimada (una situacin ms real) cmo cree usted
que podra estimarse?
Definimos a b como:
Donde:

Reemplazando tenemos que:

D = ( )
= I +
D = ( ) (I + )

D = ( ) I + ( )
D = I + ( )

Sacando ahora valor esperado a ambos lados de la ecuacin tendremos que:

E(D|) = E(I|) + E(( ) |)

Como sabemos que E (|) = 0

E(D|) = I + ( ) E(|)

E(D|) = I

Por lo tanto el estimador MCO b es insesgado, esto se explica gracias a que E (| ) = 0, es

esta propiedad del modelo la que nos permite afirmar que el estimador b es insesgado.
Ahora sabiendo que:

D = I + ( )

Tenemos que para hallar su convergencia en probabilidad se puede tomar el plim de la funcin
teniendo as lo siguiente:

1
1
()*+ D = ()*+ ( + 7 9
)
L
L

1
1
()*+ D = ()*+ () + ()*+(7 9
)
L
L

1
1
()*+ D = + (()*+(7 9 ) ()*+( ))
L
L

1
1
()*+ D = + (()*+(7 9 ) ()*+( ))
L
L

Por definicin tenemos que:

()*+ L  ( ) = M
()*+ L  ( ) = 0
Sabiendo que por propiedades del plim tenemos:
()*+ ~8 = ~
()*+  (~8 ) = (~)
Por lo cual:
()*+ D = I + M  0
()*+ D = I

DI

Por lo tanto b es consistente. De ac podemos decir que la propiedad del modelo que nos
permite afirmar que b es consistente es: ()*+ L  ( ) = 0 ya que si esta no fuera cero, la
convergencia en probabilidad a I no tendra lugar y b no sera consistente.
c. Suponga que el valor de ~ es conocido. Qu se ve afectado al tener una matriz como
V(~, )?

Dados los supuestos planteados en el problema, claramente se puede observar la presencia de

heterocedasticidad, dado que la caracterizacin tanto de las x y de las afecta la varianza de los
errores. En este caso, la matriz de varianzas afecta el clculo de la estimacin de .
d.

Si la matriz V(,X) tuviera que ser estimada (una situacin ms real) cmo cree usted
que podra estimarse?

Una estimacin mas real permitira el anlisis a partir de un conjunto de datos, para los cuales
se debe identificar en primera instancia su dispersin, lo cual permite seleccionar por grupos la
informacin disponible. En segunda instancia se obtiene la varianza correspondiente a cada
grupo con el objetivo de formar la matriz de varianzas y covarianzas que permitirn calcular,
luego, el estimador de .

5.

Suponga que usted tiene T observaciones de la variable dependiente 0/ y las variables

independientes H/ 0 ./ t _ 1, 2, . . . , T. Usted cree que un cambio estructural ocurri
antes de las primeras L observaciones y que el nuevo estado se mantuvo por las
siguientes L observaciones (L + L = L). Su idea es que E(0/ ) durante el primer
perodo de datos (hasta L ) depende linealmente de H/ (con un intercepto) pero no de
./ mientras que, para el segundo perodo, E(0/ )depende linealmente de ./ (con un
intercepto) pero no de H/ . Cmo probara esta hiptesis? Puede suponer que
{0/ }/ son independientes con una varianza constante P  para todo t.

Prueba para la estabilidad estructural o paramtrica de un modelo de regresin: Prueba de

Chow.
Por cambio estructural se entiende que los valores de los parmetros de un modelo no
permanecen constantes a lo largo de todo el periodo de tiempo.

Teniendo dos perodos de tiempo: T1 y T2, donde T1 + T2 = T se tendran tres posibles

regresiones:
Periodo T1: / = Ig + I / + I / + /

Periodo T2: / = ~g + ~ / + ~ / + /
Periodo T: / = }g + } / + } / + /

La regresin del periodo T, supones que no hay diferencia entre los dos periodos, T1, T2, y
estima la relacin para la totalidad de la muestra, entonces:
} = ~ = I
} = ~ = I

} = ~ = I

Las regresiones para los periodos T1 y T2 suponen que el intercepto y los dems coeficientes
de las pendientes son diferentes. Lo anterior se justifica a travs de una prueba estadstica
denominada Prueba de Chow, donde la prueba supones que:
/ ~ O(0 , P  ) y / ~ O(0 , P  ), los errores en las regresiones de los subperiodos, T1, T2,
estn normalmente distribuidos con la misma varianza, P  .

/ y / son iid.

Para realizar la Prueba de Chow, se llevan a cabo los siguientes pasos:

Se estima una regresin para cada subperiodo y se obtiene la sumatoria de los residuos
al cuadrado de cada regresin: S y S
Se estima una regresin para toda la muestra y se obtiene la sumatoria de los residuos al
cuadrado de cada regresin: S
Se plantea la hiptesis nula de que los coeficientes son los mismos en los dos
subperiodos.
Se plantea un nivel de significancia
Se calcula el estadstico F:
=

S (S + S )/q
~a,(a)Ug UjW/U
S + S / (` 2q)

Uno de los supuestos de la prueba de Chow es que las varianzas de los errores de las
regresiones de los subperiodos son las mismas, supuesto de homocedasticidad.
Prueba F para igualdad de varianzas, P = P
=
Donde: P =
P =


P

~(` q ), (` q ) _12 _3 )*D3 ]

P


z /g

\z

/jUg U j
\e

e /g /jUg U j

Por convencin, se coloca la varianza estimada ms grande en el numerador.

Se calcula el estadstico F y se compara con el valor crtico F que presente los grados de
libertad. Donde la Hiptesis nula, Ho, es que hay igualdad de varianza en los dos subperiodos.
Si se rechaza la hiptesis nula, Ho, las varianzas de los errores en las dos submuestras son
heteroscedticos.
Su contamos con una muestra grande se puede realizar la prueba de Wald, la prueba plantea

.
en Ho: igualdad de varianzas con una Chi-cuadrado H

=+
= ( )
Aqu Y es un vector (TX1) de observaciones de la variable "dependiente", X es una matriz
(TXk) de observaciones de las variables "explicativas" con rango k y es un valor de
parmetro "verdaderos" (kx1). Sea D el segundo elemento del vector b y I el segundo
elemento del vector . Considere el siguiente teorema:
6) Considere las siguientes ecuaciones:

 cualquier estimador insesgado de I construido a partir de alguna funcin de X y Y. Si el conjunto de

Sea I
 "K (D |).
condiciones {A} se cumple, entonces JI

 sea un
a. Escriba una ecuacin que muestre el significado de lo que significa que I
estimador insesgado de I .
Sea Y = X +
b = () XY = AY

Dado que: E (D|) = I

Adems D I = donde = () X

Aplicando valor esperado condicional, tenemos:

E (D I| ) = E (| ) = 0 dado que E (| ) = 0
Sea I cualquier estimador lineal insesgado, I =

Donde C es una funcin de Y, adems C = D + A donde = () X

I = + () XY
I = +

I = I + + D

Aplicando valor esperado condicional

E(I |) = I + E(|) + E(D|)

Bajo el supuesto de insesgadez, tanto b como I son estimadores insesgados, entonces:

E(I |) = I + E(|) + E(D|)
E ( | ) = 0
I = + D

Restando I a ambos lados de la ecuacin anterior, tenemos:

Conociendo que: D I =

I I = + D I
I I = +

I I = ( + )

Dado lo anterior:

(I |) = (I I|)

(I |) = ( + )|

(I |) = ( + ) (|)( + )
(I |) = P  ( + )( + )

JI "K = P  + + +

Donde: = () = 0 y adems = ()

JI "K = P  ( + () )

JI "K = P  () + P 
Si A = C entonces C = 0 y el estimados I se reducira al estimador de mnimos cuadrados, b.
Si por el contrario C A, entonces

JI "K P  () + P 

Dado que la varianza, P  es positiva, y la multiplicacin de una matriz por su propia

transpuesta es semidefinida positiva, DD, entonces:
JI "K (D|)32 23+*_3*`*_ (12*]*

Lo anterior implica que la varianza de cualquier combinacin lineal de elementos, b, es menor

o igual a la varianza de la misma combinacin lineal de elementos de I .

Si multiplicamos a: JI "K (D| ), por un vector (Kx1), y por un vector fila (1xK),
donde todos los elementos del vector son ceros excepto por el k-simo elemento el cual toma
el valor de 1, tenemos:

0
Sea = 1
0

JI "K (D|)

 "K (D | )
JI
b. Determine el conjunto mnimo de condiciones {A} que hacen que el teorema se
cumpla.
El conjunto mnimo de combinaciones {}, que hace que el teorema se cumpla es:
Proceso generador de datos lineal

Rango completo de Q

Exogeneidad estricta

Homocedasticidad

/ = / I +
'
1
; / / M
L


E (/ | ,  , ,  ) = 0
E (/ | ) = P 

Lo anterior se cumple para todos los estimadores lineales insesgados.

Si adems se agrega el supuesto de normalidad de los errores, , se podra considerar adems

de las formas funcionales lineales, funciones no lineales de Y.

Sera cierto que I = () XY es el estimador de mnima varianza, dentro de todos los
estimadores insesgados.
7. Suponga que tiene el modelo 0/ = H/ I + / y adems
sabe que
{
|
}
{
}
E / H/ / H/ , / H/ , ,  H = 0, con / , H/ estacionarios y ergdicos y
E / H/ H/ = P  M. Adicionalmente puede suponer que L  / H/ H/ M, donde Q tiene
rango completo. El estimador MCO viene dado por D = (/ H/ H/ ) (/ H/ 0/ ) y el error
es 2  = (L ) (/ H/ 0/ ) .
'

a. Derive la distribucin asinttica de b bajo los supuestos dados.

Conocemos que
(i)
D = (/ H/ H/ ) (/ H/ 0/ )

Al desarrollar esta expresin, se tiene,

D = I + l / H/ H/ n


(ii)
De donde se obtiene,

 

( / H/ / )


1
1
D I = ( ; H/ H/ ) B ; H/ / C
L
L


/

/

/

/

1
1
L(D I ) = L( ; H/ H/ ) B ; H/ / C
L
L


(iii)L(D I ) = ( / H/ H/ ) L l / H/ / n

Dado que / es una SMD, por tanto,

E (/ H/ H/ ) = P  M

E (/ )E (H/ H/ ) + 1(/ , H/ H/ ) = P  M

E (/ )M + 0 = P  M
E (/ ) = P 

De acuerdo al Teorema Central de Lmite, para SDM, se tiene,

U

Reemplazando en (iii), se tiene,

L(/ ) O(0, P  )

L(D I ) M O(0, P  M)

U

De donde,

L(D I) O(0, M P  MM )

U
1
D I O(0, M  P  )
L

1
D O(I, P  ()*+( ; H/ H/ )
L
U

/

D O(I, P  (H/ H/ ) )

b. Proponga un estadstico de prueba que usted podra utilizar para chequear la hiptesis
nula de que I I .
Dados los supuestos dados, podemos trabajar con la prueba t-student.
De esta manera, expresamos la prueba de Hiptesis de la siguiente forma:
f : I I =Q.
Sabemos que :

L(D D ) O(0, (D D ))

U

(D D ) (D D ).
Y,

'

De donde D 0D son los elementos 1 y 2del vector b y Avar (D 0D ) es la varianza
compuesta de D 0 D . Por lo tanto, el estadstico de prueba es el siguiente:
], =

L(D D )

c
(D , D )

Donde SE = uP  M donde

D D
SE (D , D )

= 0, 1,0, ,0

c. Derive la distribucin asinttica de este estadstico de prueba.

D D U
],
O(0,1)
SE

d. Cambiara su respuesta a los numerales b) y c) si supone que E  H/ H/ = S P  M?

En particular, Cmo quedara expresado el nuevo estadstico de prueba?
Si E  H/ H/ = S P  M se tiene que SE = u M  SM 

De esta manera utilizamos el estadstico de prueba t-student, correspondiente a lo que

sigue:
U
D D
], =
O(0,1)
u M SM
Aunque se utiliz el estadstico de prueba t-student; de igual manera se puede utilizar la
prueba de Wald, la cual se interpreta como una generalizacin de la prueba t-student,

para resolver problemas con restricciones. Sin embargo, se decide la implementacin

del estadstico t-student dada su aplicabilidad para resolver este problema.

REFERENCIAS BIBLIOGRFICAS
GREENE William. Anlisis economtrico. Tercera edicin. Prentice Hall. 1998.
GUJARATI Damodar N. Econometra. MacGRAW-HILL. 1999.
HAYASHI Fumio. Econometrics, Princeton University Press, 2000.
NOVALES CINCA Alonso. Econometra. Segunda edicin. MacGRAW-HILL.

RUSSELL

Davidson and James G.

Methods, Oxford University Press, 2004.

MacKinnon, Econometric

Theory

and