EXAMEN PARCIAL

Solucionario
ECONOMETRIA II - EC611K 2016-II
UNIVERSIDAD NACIONAL DE INGENIERIA
Escuela Profesional de Ingeniera Economica
Rafael Caparo
rafael.caparo@unistra.fr
May 21, 2017

Indicaciones:
1
El examen tiene una duracion de 90 minutos, usted debera enviar todos
los archivos utilizados al correo del curso, zipeados con su nombre, apellido y
seccion para completar la parte de laboratorio. La prueba exige un nivel de
rapidez - UNI, sea conciso en sus sustentaciones. Respecto a los ejercicios se
anula respuesta mal planteada, sea ordenado y claro con sus ecuaciones. Solo
use una media cara por respuesta.

1 PREGUNTAS NUEVAS
Cinco puntos de preguntas nuevas para el ciclo 2016-II, 2 puntos para ejerci-
cios de MV y 1 punto para Probabilidad de Incumplimiento y 2 puntos para
demostraciones:

1.1 Estimacion MV para modelos de variable dependiente

discreta
Recordando que en un modelo Probit la funcion de distribucion consider-
ada N (0, 1), vamos a estimar los parametros involucrados, ademas sabemos que
los modelos donde la endogena es discreta (Binomial) se estiman mejor con
metodos como el de Maxima Verosimilitud (MV). El estimador de MV es efi-
ciente y mejora las estimaciones de los modelos lineales de probabilidad cuando
se usa tecnicas como MCG, ante ello se le pide lo siguiente:

1. (0.5 pts) Considere una funcion Probit para la distribucion, muestre que
la funcion de verosimilitud, cuando se considera una Probit esta dada por:
0 0
L = N yi
1 [( xi )] [1 ( xi )]
1yi

1
 Todos los modelos de eleccion binaria, excepto el modelo de probabilidad
lineal, se estiman habitualmente por el metodo de maxima verosimilitud.

Suponga que se tiene una muestra aleatoria de tamano N. Para obtener

el estimador de maximo verosimilitud, condicional sobre las variables ex-
plicativas, se necesita la densidad de y dada xi . Cada observacion se
considera como realizacion individual de una variable aleatoria con dis-
tribucion Bernouilli (es decir, binomial con N=1). Esto se puede escribir
como
f (y|xi ; ) = [G( 0 xi )]y [1 G( 0 xi )]1y , y = 0, 1,
Se puede ver con facilidad que cuando y = 1, se obtiene G( 0 xi ) y cuando
y = 0, se obtiene 1 G( 0 xi ).
La probabilidad conjunta, o funcion de verosimilitud, de un modelo con
probabilidad de exito G( 0 x) y observaciones independientes es

Y Y
Prob(Y1 = y1 , Y2 = y2 , . . . , YN = yN ) = [1 G( 0 xi )] [G( 0 xi )]
yi =0 yi =1

Podemos rescribir la formula como

N
Y
L= [G( 0 xi )]yi [1 G( 0 xi )]1yi
i=1

Esta es la funcion de verosimilitud para una muestra de N observaciones.

Para la estimacion del modelo Probit, la probabilidad de exito G( 0 x) es
la funcion de probabilidad acumulada normal.

N
Y
L= [( 0 xi )]yi [1 ( 0 xi )]1yi
i=1

Tomando logaritmos obtenemos

N
X
lnL = [yi lnG( 0 xi ) + (1 yi )ln(1 G( 0 xi ))]
i=1

Con la distribucion normal, la funcion de verosimilitud logartmica resul-

tante es X X
lnL = ln[1 ( 0 xi )] + ln[( 0 xi )]
yi =0 yi =1

2. (0.5 pts) Utilice las CPO y encuentre las condiciones necesarias de opti-
malidad:
Yi (x0i )
S() = N
1 f (x0i )xi = 0
(x0i )[1 (x0i )]

2
 3. (1 pt) Muestre que la matriz de informacion,I() (Matriz hessiana) re-
specto a los parametros esta dada por:

[f (x0i )]2
I() = N
1 xi x0i
(x0i )[1 (x0i )]

4. (1 pt-opcional) Desarrolle un algoritmo en el software que usted requiera (

Python, R, MATLAB,Stata,etc) para estimar los parametros considerando
la tecnica de MV, recuerde la relacion siguiente para corregir al estimador
del vector en cada iteracion:

n = n1 + [I(n1 )]1 S(n1 )

1.2 Aplicacion al calculo de la probabilidad de incumplim-

iento
Una de las aplicaciones al sector bancario de los modelos de eleccion discreta
se ha centrado en el calculo de la probabilidad de incumplimiento de un credito
sujeto a variables intrnsecas y extrnsecas. Suponga que luego de varias esti-
maciones usted ha encontrado que existen tres variables claves para determinar
la probabilidad de incumplimiento (pi): Ingreso (ing), numero de hijos (nh),
numero de tarjetas revolventes (ntr), de tal manera que el modelo esta dado
por:

yi = 0 + 1 ingi + 2 nhi + 3 ntri

De acuerdo a lo considerado en clase, referente a los modelos Logit y asumiendo
que la variable y toma el valor de 1 cuando se da el incumplimiento y 0 en otro
caso:
1. (1 pt) Calcule la probabilidad de incumplimiento considerando 0 = 0.2, 1 =
0.8, 2 = 1.2, 3 = 2.3
2. (1 pt) Determine la calidad de los signos y comente si corresponde al
analisis mencionado, comente las garantias para determinar que estos
parametros sean considerados como buenos parametros, termine esta parte
comentando si es posible recurrir a los ratios ODD.

Solucion

Calidad de los signos

Considerando un umbral c=0 para el analisis de la funcion ndice, Y
sera 1 si y > 0 y sera 2 si y < 0.
0 : El signo de la constante estara determinado por la regresion del
modelo. El signo positivo indica una tendencia a que y* sea mayor
a 0 es decir que es mas probable de incumplir.

3
 1 : Si el ingreso de una persona se eleva, entonces tendra mayor ca-
pacidad de afrontar tus deudas por lo que disminuye la probabilidad
de caer en default(1) .
2 : A mayor cantidad de hijos los gastos de la persona incrementan
lo que se interpreta como menor capacidad de afrontar la deuda por
lo que la posibilidad de entrar en default aumenta.
3 : Si una persona tiene un numero alto de tarjetas revolventes en-
tonces la confianza a esta persona por las empresas bancarias es alta,
por su alto cumplimiento con la empresa, entonces la relacion es in-
versa, a mayor numero de tarjeta revolventes es menos probable que
caiga en default, este signo de este Beta es erroneo.
Los ratios ODD se define como:
P (Y = o)
OR =
P (Y = 1)
Entonces, utilizando el modelo logstico:
x
1+x
OR = 1 = x
1+x

Entonces de la anterior pregunta se puede estimar este ratio, que nos

indica la razon de las probabilidad des cumplimiento vs las de incumplim-
iento. Es posible recurrir a este ratio si se tiene los valores de una persona
determinada es decir los xi
El calculo del cociente entre odds facilita la interpretacion de lo parametros
estimados cuando se aplica al caso concreto de calcular la variacion en la
preferencia o ventaja de un individuo i cuando se incrementa en una
unidad una de las variable explicativas, frente a la ventaja o preferencia
del mismo individuo i.
k (xk +1)
Cocienteentreodds = = k
k (xk )
De donde el parametro k es un factor de cambio en el cociente entre
odds cuando el valor de la variable Xk aumenta en una unidad y el resto
de variables explicativas se mantienen constantes

1.3 Ejercicio de Credit Scoring

(3pts) Usted esta considerando construir un modelo de credit scoring para eval-
uar la capacidad de pago de sus clientes, para ello decide construir un modelo
interno con tres calificaciones de pago: AAA (buen pagador), BBB (pagador
regular) y CCC (mal pagador), de tal manera que:

AAA si y < c1
y = BBB si c1 < y < c2
CCC si c2 < y

si el comportamiento que define el caracter para pagar de cada uno de sus

clientes esta medido de alguna manera a traves del siguiente modelo:
y = 0 + 1 x1 + 2 x2 + 3 x3 + t

4
 Donde x1 corresponde a la edad del cliente, x2 corresponde al nivel de ingreso
del cliente y x3 al numero de hijos, suponga que usted calculo los coeficientes
betas usando un software especializado y una submuestra de datos historicos,
de tal manera que :

0 = 0.03; 1 = 0.004; 2 = 0.4; 3 = 0.06

Adicionalmente el software y la submuestra le proporciono los umbrales
c1 = 1213 y c2 = 621, evalue el score asociado a un nuevo cliente con las
siguientes caractersticas: Edad=42, ingresos=3500 y 1 hijo. Alternativamente
considere otros nuevos clientes con las siguientes x caractersticas:Edad=48, in-
gresos=2000 y 2 hijos. Edad=60, ingresos=850 y 4 hijos.
Alternativamente puede realizar el mismo analisis considerando las leyes de
probabilidades vistas en clase, considere las tablas de probabilidades. Los um-
brales nos sirve para calcular el error en epsilon = valor absoluto de

c1 c2 esigual1834

. Reemplazando en el modelo

y = 0.03 + 0.004x1 0.4x2 + 0.06x3 + 1834

Reemplazando los valores de x1=42,x2=3500 y x3=1 en el modelo tenemos que

y*=434.258 entonces estaria cayendo en una categoria de BBB(pagador regular).
Reemplazando x1=48,x2=2000,x3=2 en el modelo y*=1034.342 entonces
estaria cayendo en una categoria de CCC ( mal pagador). Reemplazando
x1=60,x2=850,x3=4 en el modelos y*=1494.51 entonces estaria cayendo en una
categoria de CCC( mal pagador).

1.4 Econometra espacial, ejercicios:

Para responder en no mas de 5 lneas:
1. (0.5 pts) Como se define econometra espacial? La econometra espacial
es la parte de la econometra que estudia los fenomenos economicos es-
paciales. Esto es, se enfatiza la localizacion en el espacio del fenomeno
economico. En estos fenomenos economicos, la variable espacial juega un
papel relevante, en el sentido de que la variable espacial no es solo es-
tadsticamente relevante sino que aporta teoricamente a la explicacion del
fenomeno economico.
2. (0.5 pts) A que se debe la autocorrelacion espacial? Implica que el valor
de una variable se encuentra condicionado por el valor que esa variable
asume en una region vecina. Como se vera mas adelante, la vecindad no
necesariamente quedara definida como contiguidad fsica, sino que exis-
ten una gran cantidad de criterios para definirla, a partir de una matriz
de contactos. Esta debilidad, ha sido una de las principales objeciones
metodologicas a la econometra espacial y la robustez de los resultados
que con esta se pueden alcanzar.

5
 3. (0.5 pts) Mencione las fuentes de esta perturbacion Las fuentes de auto-
correlacion espacial pueden ser errores de medida y la propia interaccion
espacial de las unidades. En terminos economicos los efectos desbor-
damiento pueden generar autocorrelacion espacial. Se ha visto potenciado
Las fuentes de autocorrelacion espacial pueden ser errores de medida y la
propia interaccion espacial de las unidades. En terminos economicos los
efectos desbordamiento pueden generar autocorrelacion espacial. Se ha
visto potenciado

4. (0.5 pts) Describa algunas medidas para cuantificar el analisis descriptivo

de la heterogeneidad espacial.

2 Laboratorio
2.1 Programacion
Implemente las siguientes instrucciones en Python:

1. (1 pt) Construya una funcion que calcule la serie de Fibonacci

El codigo se presenta de la manera siguiente:
def fib(n) :
a,b=0,1
r=[]
while b=n:
r.append(b)
a,b=b,a+b
return r
c=fib(5)

2. (1 pt) Construya una codigo que le pida al usuario ingresar un vector

de variables exogenas (x) y un vector Y, de tal manera que imprima los
valores de los parametros estimados por el metodo de MCO, escriba el
metodo antes.

2.2 Logit Ordenado

Desarrolle un modelo de ranking crediticio ( Logit ordenado) considerando la
base de datos scoring.xls, puede considerar el software de su preferencia.
Con

3 Ejercicio de probabilidades y correlaciones

Suponga que una pareja que desea forman un hogar se vuelve propietaria de su
casa si es lo suficientemente rica, superior a un nivel de ingreso considerado no
observable. Sean X1 yX2 son sus respectivos ingresos. Suponemos que los ingre-
sos de ambos conyuges estan correlacionados (por un fenomeno bien conocido
de la endogamia) y que:
     2 
X1 m1 1 1 2
N ,
X2 m2 1 2 22

6
1. (1 pt) Calcular la P rob(X1 + X2 > s|X2 = x2 )
( ayuda: X1 |X2 = x2 N (m1 + 2 2
2 (x2 m2 ), (1 )1 )
1

Solucion:

P rob(X1 + X2 > s|X2 = x2 ) = a

a=P rob(X1 > s X2 |X2 = x2 )..........(1)

Dato
1
X1 |X2 = x2 N (m1 + 2 (x2 m2 ), (1 2 )12 )

X1 |X2 = x2 F acumulada
Donde F es la funcion acumuluda de la anterior

De (1)

a=P rob( X sX2

X2 > X2 |X2 = x2 )
1

a=1-P rob( X sX2

X2 < X2 |X2 = x2 )
1

a=1-F ( sX
X2 )
2

2. (1 pt) Calcular la P rob(X1 + X2 > s)

Solucion:

Se sabe que: X1 N (m1 , 12 ) y X2 N (m2 , 22 )

Podemos hacer:

E(X1 + X2 ) = E(X1 ) + E(X2 ) = m1 + m2

E(X1 + X2 ) = m1 + m2 = m3
V (X1 + X2 ) = V (X1 ) + V (X2 ) + 21 2
V (X1 + X2 ) = 12 + 22 + 21 2 = 32

X1 + X2 N (m1 + m2 , 12 + 22 + 21 2 )
(X1 , X2 ) N (m3 , 32 )

Ahora,normalizando la probabilidad:

(X1 + X2 ) + m3
z= N (0, 1)
3
Tenemos:
P rob(X1 + X2 > s)

7
 (X1 + X2 ) + m3 s m3
P rob( > )
3 3
s m3 s m3
P rob(z > ) = 1 P rob(z < )
3 3
s m3
P rob(X1 + X2 > s) = 1 P rob(z < )
3

4 Ejercicio de variable endogena dicotomica

Se considera una variable dicotomica tomando dos Modalidades (1,0) y tal como:
P rob(yi = 1) = f ( xi ) (1)
Y f (.), designada por la funcion de distribucion de la Ley de la logstica y Xi
designa una variable dicotomico tomando dos valores (0,1). Se dispone de 100
observaciones repartidas de la siguiente manera:
Numero de Observaciones yi xi
26 observaciones yi =1 xi =1
32 observaciones yi =1 xi =0
26 observaciones yi =0 xi =1
16 observaciones yi =0 xi =0

Pregunta 1 (0.5puntos) : Determinar en funcion de los parametros ,, y la

variable explicativa xi , la probabilidad de ocurrencia del evento yi :

Pregunta 2 (1punto) : Muestra que la funcion de log-verosimilitud de este

modelo logit puede escribirse bajo la forma:
ln L(y; , ) = 52 x ln [1 + exp( )] 48 x ln[1 + exp()]
42 x 26 x , (2)
Pregunta 3 (1punto) : Muestran que los logros de los estimadores de maxima
verosimilitud (MV) y los parametros y valen:

b = 0, (3)

b = ln(3/5), (4)
Pregunta 4 (1punto) : Demostrar que el efecto marginal asociado a la variable
x es igual para todos los individuos a 1/8 .Observacion: Se recuerda que la
variable xi es dicotomica y solo puede tomar dos valores: 0 y 1

Pregunta 5 (0.5puntos) : Probar la hipotesis nula Ho : = 0 para un nivel de

riesgo del 5% utilizando una prueba de razon de verosimilitud.

Pregunta 6 (0.5puntos) : Indique el valor de R2 de Mac Fadden de este modelo.

Pregunta 7 (1punto) : Calcular las probabilidades estimadas de realizacion del

evento para los diferentes individuos de la muestra y dibuje la curva ROC de
este modelo Logit.