Ingeniería Comercial Universidad Diego Portales

Econometría
Ayudantía N°6

Profesor: Patricio Leiva

Ayudante: Patricio Rubilar

1. Comentes
a) Si los coeficientes asociados a las pendientes de la regresión no son estadísticamente
significativos a nivel individual, entonces, tampoco lo serán en conjunto.
R: No necesariamente. Es posible que los coeficientes asociados a las pendientes de la regresión
no sean significativos a nivel individual, pero si lo sean en su conjunto. Esto se debe a que podría
ocurrir que la contribución individual que hace cada uno de los elementos presentes en X no sea
significativa en sí, pero que en conjunto la covarianza existente entre estos permita “explicar” de
manera significativa la variable dependiente
b) El estimador de mínimos cuadrados ordinarios (MCO) maximiza el valor del 𝑅2.
R: Verdadero. Dado que el estimador MCO minimiza la suma de los residuos al cuadrado,
entonces, automáticamente lo que hace es maximizar el valor del 𝑅 2 , el cual se define de la
siguiente manera:
∑ 𝑢̂2
𝑅2 = 1 −
∑(𝑌𝑖 − 𝑌̂)2
c) El estimador  de Mínimos Cuadrado Ordinarios de la regresión Y= X requiere que el vector
X sea ortogonal al vector de residuos.
R: Verdadero. Al minimizar la suma de los residuos, se esta encontrando la distancia mínima
entre el vector Y de la variable dependiente del vector X y esta distancia se hace mínima cuando
el vector X es ortogonal al vector de residuos.
d) En el modelo de regresión lineal, si la variable X es muy dispersa, es decir tiene una alta
varianza, el teorema de Gauss-Markov no tendrá validez.
R: Falso. Si la variable explicativa es muy dispersa, esto quiere decir que la variabilidad de X es
grande, por lo tanto, la varianza del parámetro 𝛽 estimado será menor. Por lo tanto, el teorema de
Gauss Markov tiene plena validez.

2. Matemático I
1. Considere la siguiente información sobre precios y cantidad demandada:
Ingeniería Comercial Universidad Diego Portales

En base a estos datos, se plantea el siguiente modelo:

𝑄𝑖 = 𝛼 + 𝛽𝑃𝑖 + 𝑢𝑖
En que 𝑢𝑖 representa el término de error que cumple con los supuestos convencionales.

a. Encuentre los estimadores de mínimos cuadrados ordinarios (MCO) para α y β.

R:
𝑄𝑖 = 𝛼 + 𝛽𝑃𝑖 + 𝑢𝑖

𝑢𝑖 = 𝑄𝑖 − 𝛼 − 𝛽𝑃𝑖
𝑛 𝑛
2
∑ 𝑢̂𝑖 = ∑(𝑄𝑖 − 𝛼 − 𝛽𝑃𝑖 )2
𝑖=1 𝑖=1

𝑛
𝜕 ∑𝑛𝑖=1 𝑢̂𝑖 2
(1) = −2 ∑ 𝑄𝑖 − 𝛼 − 𝛽𝑃𝑖 = 0
𝜕𝛼
𝑖=1
𝑛
𝜕 ∑𝑛𝑖=1 𝑢̂𝑖 2
(2) = −2 ∑(𝑄𝑖 − 𝛼 − 𝛽𝑃𝑖 )(𝑃𝑖 ) = 0
𝜕𝛽
𝑖=1

Tomando (1)
𝑛

∑ 𝑄𝑖 − 𝛼 − 𝛽𝑃𝑖 = 0
𝑖=1
𝑛 𝑛 𝑛

∑ 𝑄𝑖 = ∑ 𝛼 + 𝛽 ∑ 𝑃𝑖
𝑖=1 𝑖=1 𝑖=1

𝑛 𝑛

∑ 𝑄𝑖 = 𝑛𝛼 + 𝛽 ∑ 𝑃𝑖
𝑖=1 𝑖=1
𝛼 = 𝑄̅ − 𝛽𝑃̅
Tomando (2)
𝑛

∑(𝑄𝑖 − 𝛼 − 𝛽𝑃𝑖 )(𝑃𝑖 ) = 0

𝑖=1
𝑛

∑(𝑄𝑖 − 𝑄̅ + 𝛽𝑃̅ − 𝛽𝑃𝑖 )(𝑃𝑖 ) = 0

𝑖=1
𝑛 𝑛

∑ 𝑃𝑖 (𝑄𝑖 − 𝑄̅ ) + 𝛽 ∑(𝑃̅ − 𝑃𝑖 )(𝑃𝑖 ) = 0

𝑖=1 𝑖=1

𝑛 𝑛

∑(𝑃𝑖 − 𝑃̅ )(𝑄𝑖 − 𝑄̅ ) + 𝛽 ∑(𝑃̅ − 𝑃𝑖 )(𝑃𝑖 − 𝑃̅) = 0

𝑖=1 𝑖=1
Ingeniería Comercial Universidad Diego Portales

𝑛 𝑛

𝛽 ∑(𝑃𝑖 − 𝑃̅)(𝑃𝑖 − 𝑃̅ ) = ∑(𝑃𝑖 − 𝑃̅ )(𝑄𝑖 − 𝑄̅ )

𝑖=1 𝑖=1
∑𝑛𝑖=1(𝑃𝑖 − 𝑃̅)(𝑄𝑖 − 𝑄̅ )
𝛽=
∑𝑛𝑖=1(𝑃𝑖 − 𝑃̅ )2
Remplazado tenemos
𝛽 = −1450
𝛼 = 1530

b. Calcule la suma de cuadrados totales (STC), la suma explicada de los cuadrados

(SEC), la suma de los errores al cuadrado (SCE) y el coeficiente 𝑅2.
R:
𝑛

𝑆𝑇𝐶 = ∑(𝑄𝑖 − 𝑄̅ )2 = 22760,25

𝑖=1
𝑛

𝑆𝐸𝐶 = ∑(𝑌̂𝑖 − 𝑌̅)2 = 15768,75

𝑖=1

𝑆𝐶𝐸 = 𝑆𝑇𝐶 − 𝑆𝐸𝐶 = 22760,25 − 15768,75 = 6991,5

𝑆𝐸𝐶 15768,75
𝑅2 = = = 0,69
𝑆𝑇𝐶 22760,25
c. Estime la varianza (𝜎2) del término de error (𝑢𝑖).
R:
𝑢̂ = 𝑀𝑢
⟹ 𝐸(𝑢′ 𝑢) = 𝐸(𝑢′ 𝑀𝑢)
⟹ 𝐸(𝑢′ 𝑀𝑢) = 𝐸[𝑇𝑟(𝑢′ 𝑀𝑢)]
𝐸(𝑢′ 𝑀𝑢) = 𝐸[𝑇𝑟(𝑢′ 𝑀𝑢)] = 𝐸[𝑇𝑟(𝑀𝑢𝑢′ )] = 𝑇𝑟[𝐸(𝑀𝑢𝑢′ )] = 𝑇𝑟[𝑀𝐸(𝑢𝑢′ )]
= 𝑇𝑟[𝑀𝜎𝑢2 𝐼𝑛 ] = 𝜎𝑢2 𝑇𝑟(𝑀) = 𝜎𝑢2 [𝑇𝑟(𝐼𝑛 ) − 𝑇𝑟[𝑋(𝑋 ′ 𝑋)𝑋 ′ ]] = 𝜎𝑢2 (𝑛 − 𝑘)
Por lo tanto, como 𝐸(𝑢̂′ 𝑢̂) = 𝜎𝑢2 (𝑛 − 𝑘) para que la suma de los errores al
cuadrado sea un estimados insesgado de 𝜎𝑢2 debemos dividir por (𝑛 − 𝑘).
2
𝑢̂′𝑢̂ ∑ 𝑢̂𝑖2 𝑆𝐶𝐸 6991,5
𝜎̃𝑢 = = = = = 699,15
𝑛 − 𝑘 𝑛 − 𝑘 12 − 2 10
d. Calcule el error estándar de 𝛽̂ (estimador MCO de β) y haga un test sobre su
significancia estadística (H0: β = 0), utilizando un nivel de significancia del 5 %.
Ayuda: el valor crítico de una distribución t de dos colas con diez grados de libertad
es 𝑡𝛼/2 = 2,23. Recuerde que los test son en valores absolutos).
R: El error estándar de 𝛽viene dado por:

𝜎̃ 699,15
𝜎𝑏 = =√ = 305,31
√∑(𝑃𝑖 − 𝑃̅)2 0,0075
Ingeniería Comercial Universidad Diego Portales

Por otro lado:

𝑏 −1450
𝑡𝑏 = = = −4,74
𝜎𝑏 305,31
Por lo tanto, se rechaza la hipótesis nula, y el coeficiente es estadísticamente significativo.
e. Construya un intervalo de confianza de 95 % para β.
R: el intervalo viene dado por:
𝑏 − 𝑡𝛼 𝜎𝑏 < 𝛽 < 𝑏 + 𝑡𝛼 𝜎𝑏
2 2

−2130 < 𝛽 < −769,15

3. Matemático II
2. Considere el siguiente modelo de regresión lineal:
Y = X + u
En que u ~ N(0, 2I) e I es la matriz identidad.
Con los datos de más abajo, se pide:
a. Encontrar la función de regresión muestral usando MCO.
R: La función de regresión muestral es:
𝑌 = 4 − 1,5𝑋2 + 2,5𝑋3
b. Obtenga la varianza de los parámetros y el coeficiente de determinación simple y
ajustado.
R: La varianza de los parámetros es:
𝑉𝑎𝑟(𝑏) = 0.75(𝑋 ′ 𝑋)−1
𝑉𝑎𝑟 (𝑏3) = 2,5 ; 𝑉𝑎𝑟(𝑏2) = 1
𝜎 2 = 0,75; 𝑅 2 = 0,95; 𝑅̅ 2 = 0,89
c. Pruebe la significación estadística del modelo en su conjunto. ¿Son todos los
parámetros significativos?
R: La significancia del modelo conjunto es:
0,95
𝑅 2 ⁄2 24,475
𝐹= 2 = 2 = = 979 > 𝐹(2,2) = 19
1−𝑅 0,025 0,025
[ 2 ]

d. Pruebe que 2 + 3 = 0.
R: La prueba es:
Ingeniería Comercial Universidad Diego Portales

2,5 − 1,5 1
𝑡= = 1 = 1,63 < 𝑡𝛼/2 = 4,303
𝑉𝑎𝑟(𝑏2 + 𝑏3)
0,3752
Por lo tanto, no se rechaza 𝐻0
Datos:
𝑌 = [3 1 8 3 5]’
5 15 25
𝑋’𝑋 = [15 55 81 ]
25 81 129
𝑋’𝑌 = [20 76 109]’

4. Matemático III
3. Sea el modelo matricial:
Y = X + u
Con u ~ N(0, 2I) y X no estocástica, tal que cov(uX) = 0, y la matriz M = I – X(X’X)-1X’,
en que I es la matriz identidad y X es una matriz de dimensiones nxk.
Demuestre:
a. Var (𝑌̂) = 2X(X’X)-1X’
R:
′
𝑉𝑎𝑟(𝑌̂) = 𝐸 (𝑌̂ − 𝐸(𝑌̂)) (𝑌̂ − 𝐸(𝑌̂))
′
𝑉𝑎𝑟(𝑌̂) = 𝐸(𝑌̂ − 𝑌)(𝑌̂ − 𝑌)
𝑉𝑎𝑟(𝑌̂) = 𝐸(𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ 𝑌 − 𝑌)(𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ 𝑌 − 𝑌)′
𝑉𝑎𝑟(𝑌̂) = (𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ − 𝐼)𝑌𝑌 ′ (𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ − 𝐼)′
𝑉𝑎𝑟(𝑌̂) = 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ 𝐸(𝑢𝑢′ )𝑋(𝑋 ′ 𝑋)−1 𝑋 ′
𝑉𝑎𝑟(𝑌̂) = 𝜎 2 𝑋(𝑋 ′ 𝑋)−1 𝑋′
b. MX = 0
R:
𝑀𝑋 = [𝐼 − 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ ]𝑋
𝑀𝑋 = 𝑋 − 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ 𝑋 = 0
c. Me = e
R:
𝑀𝑒 = [𝐼 − 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ ]𝑒
Ingeniería Comercial Universidad Diego Portales

𝑀𝑒 = 𝑒 − [𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ ]𝑒
Como 𝑋 ′ 𝑒 = 0, tenemos
𝑀𝑒 = 𝑒
d. E(MY) = 0
R:
𝐸(𝑀𝑌) = 𝐸[𝐼 − 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ ]𝑌
𝐸(𝑀𝑌) = 𝐸(𝑋𝛽 + 𝑢) − 𝐸[𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ (𝑋𝛽 + 𝑢)]
𝐸(𝑀𝑌) = 𝑋𝛽 + 𝐸(𝑢) − 𝑋𝛽 − 𝐸(𝑢) = 0
5. Matemático IV
4. Con la información disponible de Homecenter para los años 1994 y 2004, sobre
número de tiendas (N) y tamaño de la tienda (TAM), se quiere estimar el valor
promedio del ingreso total en millones de dólares (INGT). Con este propósito, se
estima el siguiente modelo
INGT = 𝛽0 + 𝛽1N + 𝛽2TAM + u

En base a los resultados del modelo estimado en Eviews (en la tabla de más abajo) se le pide
a Ud. que interprete el modelo, testee la significancia individual de cada uno de los
parámetros y testee la significancia global del modelo.

En que:

S.D dependent var (sy) es la desviación estándar de la variable dependiente.

S.E. of regression es el error estándar de la regresión
Sum squared resid corresponde a la suma de los errores al cuadrado.

Nota : Considere que t(n-k) al 5% = t(8) = 2,306

Ingeniería Comercial Universidad Diego Portales

R: De la información de la tabla tenemos que c(1) y c(3) caen en la zona de rechazo si

testeamos la hipótesis nula de que los parámetros son iguales a cero. Por lo tanto, la constante
y el tamaño de la empresa son variables significativas para explicar el ingreso total.
Para ver la significancia del numero de tiendas debemos calcular el test t asociado a esta
hipótesis nula.
𝛽̂1 − 0 51,42
𝑡𝑐 = = = 14,06
3,66
̂
√𝑉(𝛽1 )
Con lo cual se rechaza 𝐻0 de que 𝛽̂1 = 0, ya que 𝑡 𝑐 > 𝑡𝑡 = 2,306. Por lo tanto, el parámetro
es significativo.
Para ver significancia global del modelo se puede utilizar la siguiente definición del
estadístico Fischer:
𝑅2
𝐹𝑞,𝑛−𝑘 = 𝑘 − 12 ~𝐹𝑘−1,𝑛−𝑘
(1 − 𝑅 )
𝑛−𝑘
𝑆𝐸𝐶 𝑆𝐶𝐸 ∑ 𝑢̂2
𝑅2 = =1− = 1−
𝑆𝑇𝐶 𝑆𝑇𝐶 ∑(𝑌𝑖 − 𝑌̅)2
∑(𝑌𝑖 − 𝑌̅)2
𝑆𝑦 = √ = 3933,725 → ∑(𝑌𝑖 − 𝑌̅)2 = 154741923,76
𝑛−1

∑(𝑢̂)2
𝑆𝑦 = √ = 276,5529 → ∑(𝑢)2 = 611852,052
𝑛−𝑘
611852,052
𝑅2 = 1 − = 0,996
154741923,76
0,996
𝐹𝑐 = 2 ≅ 996
1 − 0,996
8
𝑡
𝐹2,8 = 5,32
Por lo tanto, se rechaza la hipótesis de que todas las pendientes del modelo son iguales a cero.
El modelo es globalmente significativo.