UNIVERSIDAD NACIONAL DE COLOMBIA

TALLER 2 ECONOMETRA
YESICA ALEJANDRA SALAS CRDENAS

T
1 X
1. Sea St2 = (yt xt 0bT )2 , el estimador de la varianza del error MCO, muestre hacia dnde
(T k) t=1
converge en probabilidad ese estimador.

Desarrollo:
P
Por un lado sabemos que bT

T T
1 X P 1 X
(yt xt 0bT )2 (yt xt 0)2
(T k) t=1 (T k) t=1

T T T
1 X T 1X T 1X 2
St2 = (yt xt 0)2 = (yt xt 0)2 =
(T k) t=1 (T k) T t=1 (T k) T t=1 t

como
T
T P 1X 2 P 2
1 y
(T k) T t=1 t

entonces
T
T 1X 2 P
St2 = 1. 2 = 2
(T k) T t=1 t

Finalmente
P
St2 2

2. Sea {yt }Tt=1 una secuencia i.i.d N (0, 2 ), y sea St el valor promedio de y al cuadrado
PT
ST = T 1 t=1 yt2
L
a. Muestre que T (ST 2 ) N (0, 2 4 ), Qu forma particular del teorema central del lmite utiliza
para llegar a este resultado?

Sea {yt }Tt=1 N (0, 2 ), E[yt ] = 0 y V ar[yt ] = 2

E[yt2 ] = V ar[yt ] + (E[yt ])2 = 2
E([yt2 2 ])2 = V ar[yt2 2 ] + (E[yt2 2 ])2 = V ar[yt2 ] V ar[ 2 ] + (E[yt2 2 ])2 = V ar[yt2 ]
V ar[yt2 ] = E([yt4 ] (E[yt2 ])2 = 3 4 4 = 2 4
Por lo tanto E([yt2 2 ])2 = 2 4
y por el Teorema de de lmite central, especficamente el de Lindeberg-Levy, el cual
L
se aplica a una muestra aleatoria se tiene que T (ST 2 ) N (0, 2 4 )

1
b. Suponga que usted dispone de una muestra de 100 observaciones (T = 100) y que desea
probar = 2. Basado en la distribucin asistlica del literal (a), Cal es la probabilidad
de observar un valor mayor que ST = 5. Puede rechazar la hiptesis nula?

Se plantea la siguiente hiptesis.

H0 : = 2
H0 : > 2

Teniendo en cuenta la distribucin asinttica, calculamos:

p
P (ST > 5) = P ( T (ST 2 ) > (100)(5 22 )

T 2 100
= P( (ST ) > (5 22 )
2 4 2 24

= P (Z > 1,767767) = 0,03855

Tenemos que el valor-p es igual a 0.3855, para un nivel de significancia = 0,05 se rechaza la
hiptesis nula, es decir, que hay suficiente evidencia estadstica como para afirmar con 95 % de
probabilidad que > 2.

3. Pruebe que si uno de los represores en el modelo es una constante, entonces la varianza del error
es finita. (Pista: Si x1t = 1, el elemento (1, 1) de E[xt t t 0xt 0] = 2t )

E[xt t t 0xt 0] = E[xt xt 02t )]

= E[E(xt xt 02t |xt )]

= E[xt xt 0E(2t |xt )]

Por el supuesto 4, tenemos que :
= E[xt xt 0 2 ]

= 2 E[xt xt 0]

= 2 xx
P

P
Como xx es de rango completo y asumiendo el primer regresor constante (X1t = c), entonces
P
el primer elemento de la matriz xx es ct < , con esto se puede concluir que la varianza
del error es finita.

4. Considerando el modelo de regresin clsico y = x + z + , donde y con parmetros

desconocidos, x y z son vectores de T elementos de constantes conocidas, y es un vector de
dimensin T, de variables aleatorias i.i.d. con media cero y varianza unitaria.
d
Suponga que tenemos un estimador b independiente y que T (b ) N (0, 1).
x0(y bz)
Definiendo el estimador a = y suponiendo que: lm T1 x0x = c y lm T1 x0z = d
x0x

2
Obtenga la distribucin asinttica de a (asuma c,d 6= 0)

Solucin

x0(y bz) x0y x0bz x0(x + z + ) x0bz x0x (b )x0z + x0)

a= = = =
x0x x0x x0x x0x
(b )x0z + x0
a=
x0x

T1 (b )x0z 1
T x0
a= 1 + 1
T x0x T x0x

1 P d (b )d
Tenemos que T x0 0 y que a +0
c
d
Sabemos que T (b ) N (0, 1), entonces.
d d d2 d d2
T (b ) N (0, 2 ). y finalmente tenemos que, T (a ) N (0, 2 ).
c c c
P d
5. Dos de los resultados bsicos de convergencia nos dicen que si xT c xT x y g(x) es
P d
una funcin que es continua c (y no dependiente de T). Entonces g(xT ) g(c) g(xT ) g(x).
Diga si en cada uno de los siguientes casos se puede o no aplicar alguna de estos resultados.
(Justifique muy bien el por qu es posible aplicarlos o no y si le es posible aplicar alguno de ellas,
encuentre la respuesta).
P 1
PT
a. Suponiendo que tenemos que bT obtenga la convergencia de ST2 = T k t=1 (yt xt 0bT )
2

Solucin

Sea g(bT ) = (yt xt 0bt )2 , entonces

T
1 T X
St2 = g(bt )
T K T t=1
Por lo tanto se tiene que
T T T
1 T X T 1X 1X
P lm = g(bt ) = P lm g(bt ) = 1.P lm g(bt )
T K T t=1 T K T t=1 T t=1
= E[g()] = E[yt xt 0bt )2 ] = E[2t ]

Por lo que si es posible aplicar.

PT P
b. Suponiendo que xT = T ( T1 t=1 (xt )) N (0, 1) obtenga la convergencia de x2T

Si g(xT ) = x2T

T T
1X 1X
= ( T( (xt )))2 = T ( (xt ))2
T t=1 T t=1

3
 T T
1 X X
= ( (xt ))2 2 (xt ) + T 2
T t=1 t=1

Luego
XT
g(xt ) = ( xt )2
t=1

y como esta depende de T no es posible aplicar.