CERTAMEN 1 ECONOMETRÍA

Nombre:____________PAUTA____________________

Profesor: Rodrigo Ortega Blu Ayudante: Alexis Gallardo R.

Fecha: 2 de mayo del 2012

Puntos: 100 Puntos obtenidos:______________Nota:__100______

I. Verdadero o Falso. Justifique aquellas sentencias falsas. Se descontarán las

respuestas incorrectas(-1 pto). (20 puntos)

1. ______F_____ El error de muestreo es la diferencia entre el valor del

estadístico de la muestra y su correspondiente parámetro de la población.
Mientras más pequeño sea el error de muestreo permitido, menor es el
número de muestras necesarias. Mientras menor error de muestreo se
requiera mayor es el número de muestras necesarias.

2. _____F______ En regresión lineal simple, si x e y están inversamente

correlacionados la pendiente ( b1) será positiva. Negativa

3. _____F______En el análisis de regresión simple el modelo de la población es

yˆ = bˆ 0 + bˆ1x + uˆ el que será estimado a partir de una muestra aleatoria. Lo
mas correcto es cambiar el muestral por el poblacional y=B0+B1*x + u

4. _____F______En regresión lineal simple el estimador de la pendiente, por

MCO, es la varianza de la variable independiente dividido por la covarianza
entre las variables dependiente e independiente. Al revés la división

5. ______F_____En un modelo de la forma ln( yˆ ) = bˆ 0 + bˆ1 ln(x) el coeficiente bˆ1 se

interpreta como el cambio porcentual en y por cada 100% de cambio en x.
Por cada 1%

6. _____F______En prueba de hipótesis el nivel de significancia equivale a la

probabilidad de cometer error tipo II, es decir rechazar la hipótesis nula
cuando esta es verdadera. Corresponde al tipo I, Tipo II es no rechazar
hipótesis nula cuando esta es falsa
 7. _____V______En una prueba de restricciones lineales múltiples es posible que
los q parámetros excluidos sean conjuntamente significativos a un nivel
dado, aunque ningún parámetro sea individualmente significativo a ese
nivel.

8. ______F______En el modelo log(cons) = b0 + b1 log(ingreso) + b 2[log(ingreso)]2

se viola absolutamente el supuesto de no colinealidad. No se viola, se viola
si la expresión cuadrática es: B2[log(ingreso2)] ya que es igual a
B2[2log(ingreso)]

9. ________F____ Un estimado ( bˆ j ) es consistente cuando n ∞, es decir la

distribución del estimado se hace más amplia alrededor del parámetro (j )
que se está estimando. Menos amplia, más cercana al promedio de la
población Bj

10. _____F_______ En un modelo mal especificado (ausencia de una variable) la

varianza del estimador ( b˜1) es mayor que en el caso del modelo correcto.
Sin embargo, a no ser que 2 = 0, el b1 del modelo mal especificado es
sesgado. Es menor (1 pto). Además B1, tanto del modelo mal especificado
como del modelo correcto son insesgados.(1pto)

II. Con los siguientes resultados de un análisis descriptivo de la variable

rendimiento (ton/ha) calcule (20 puntos):

a. El coeficiente de variación
b. El intervalo de confianza para el promedio
c. El número de muestras necesarias para estimar, con un 95% de
confianza, el promedio de la población con un error de 5 ton/ha.

Usando prueba de hipótesis determine si el rendimiento promedio de la

población es de 20 ton/ha.

Toneladas producidas

Promedio 19.32
Error estándar 0.51
Desviación estándar 5.52
n 116

a) (5 ptos)
b) = [18.31,20.32](5 ptos)
 c) ( ) (5 ptos)
d) H0: Promedio Población=20 ton/ha H1:Promedio Población ≠ 20 ton /ha.
Observando el IC: Existe suficiente evidencia para no rechazar la
hipótesis nula al 95% de confianza ( El intervalo incluye al 20).(5 ptos)

III. Se desea explicar el precio de una vivienda (y) en función de su tasación

(x1) y los metros cuadrados construidos (x2). Preliminarmente se obtiene
la siguiente matriz de correlación entre variables (10 puntos):

ln(precio) ln(tasación) ln(m2)

ln(precio) 1
N -
P -
A
ln(tasación) .875 1
N 88 -
P .00 -
B C
ln(m2) .744 .865 1
N 88 88 -
P .00 .00 -

En base a los resultados, estime lo siguiente:

a. Establezca el nivel de significancia y tipo de relación entre las variables.
A,B y C son estadísticamente significativas y existe una correlación
positiva entre ellas, directamente proporcionales.
b. ¿Que tipo de sesgo en β1 causaría la eliminación de la variable x2?
Como Corr(Tasación,m2) > 0 y se espera que B1>0, la eliminación de la
variable x2 causaría un sesgo positivo

IV. El siguiente es una salida de un análisis de regresión múltiple realizado en

Excel, que explica el precio de una vivienda (y) en función de su tasación
(x1), la superficie del terreno (x2) y los metros cuadrados construidos (x3).
Todas las variables se expresaron en logaritmo natural (20 puntos)
Resumen

Estadísticas de la regresión
Coeficiente de correlación
0.87543711múltiple
Coeficiente de determinación
0.76639013 R^2
R^2 ajustado 0.75804692
Error típico 0.14932352
Observaciones 88

ANÁLISIS DE VARIANZA
Grados de lib ertad
Suma de cuadrados
Promedio de los cuadrados F Valor crítico de F
Regresión 3 6.14461142 2.04820381 91.8579492 2.713
Residuos 84 1.87299108 0.02229751
Total 87 8.01760251

Coeficientes Error típico Estadístico t Prob ab ilidad Inferior 95% Superior 95%
Intercepción -0.04309009 0.5375135 -0.0801656 0.93629623 -1.11199463 1.02581445
logtasacion 1.04781763 0.15262161 6.86546062 1.0659E-09 0.74431282 1.35132243
logarea 0.00715544 0.03886851 0.18409365 0.85438368 -0.07013884 0.08444973
logm2 -0.05003086 0.13506724 -0.3704145 0.71200608 -0.31862689 0.21856516

i. Complete la información de la tabla (explique sus procedimientos)(8

ptos)

ii. Establezca y realice pruebas de hipótesis para la regresión general y

para cada coeficiente (βj). (7 ptos)
Regresión general:
H0: Coeficientes conjuntamente no significativos. B1=B2=B3=0
H1: Hipótesis nula falsa, coeficientes conjuntamente significativos. B1 o B2 o
B3 ≠ 0.(2 ptos)
F>>Fcritico
Existe suficiente evidencia para rechazar la hipótesis nula con un 5% de
significancia. ( 1 pto)
Regresión individual (2 ptos)
H0: B0≠0
B1=0
B2=0
B3=0
H1: B0≠0
B1≠0
B2≠0
B3≠0
Para los coeficientes B0, B2,B3 ti<tcrítico . Existe suficiente evidencia para no
rechazar la hipótesis nula con un 5 % de significancia.
Para B1, t1>tcrítico. Existe suficiente evidencia para rechazar la hipótesis nula
con un 5% de significancia. (2 ptos)
iii. Realice la interpretación ceteris paribus para cada coeficiente. (5 ptos)
Los tres son Log-Log: ( 2 ptos)
 Por cada 1% de aumento en la: Tasación, área o m2, el precio aumenta
en 1.04% , 0.0072% y disminuye en 0.05003% respectivamente. ( 1 pto
por cada interpretación)
V. Suponga que del modelo anterior se excluyen las variables superficie del
terreno (x2) y los metros cuadrados construidos (x3), obteniéndose el
siguiente modelo restringido (30 puntos).

Resumen

Estadísticas de la regresión
Coeficiente de correlación
0.87500355múltiple
Coeficiente de determinación
0.76563121 R^2
R^2 ajustado 0.762906
Error típico 0.1478165
Observaciones 88

ANÁLISIS DE VARIANZA
Grados de lib ertad
Suma de cuadrados
Promedio de los cuadrados F Valor crítico de F
Regresión 1 6.13852674 6.13852674 280.943062 3.103
Residuos 86 1.87907577 0.02184972
Total 87 8.01760251

Coeficientes Error típico Estadístico t Prob ab ilidad Inferior 95% Superior 95%
Intercepción -0.16147233 0.34607392 -0.46658335 0.64197781 -0.84944452 0.52649986
logtasacion 1.01340661 0.0604609 16.7613562 7.8634E-29 0.89321433 1.13359889

i. Establezca la prueba de hipótesis respectiva(5 ptos)

Ho: B2 y B3 conjuntamente no significativos. B2=B3=0
H1: B2 y B3 conjuntamente significativos. B2 o B3 ≠ 0

ii. Defina si es posible excluir conjuntamente del modelo las variables x2 y

x3 . Justifique su respuesta. Utilice F y ML, para este último, el Ru2 es igual
a 0.00323813. Compare sus resultados.(10 ptos)
Con F:

(2 ptos)
F crítico (2,84)= 3.105 (1 pto)
F<Fcrítico. Existe suficiente evidencia para no rechazar la hipótesis nula
con un 5% de significancia. (1 pto)
Lagrange:
ML=88*0.00323813=0.28495544 (2 ptos)
ChiSquare (2)=5.991 (1pto)
ML<ChiSquare. Existe suficiente evidencia para no rechazar la hipótesis
nula con un 5% de significancia. (1 pto)
Tanto con la prueba F y ChSquare de restricciones conjunta, se concluye
el mismo resultado: Las variables X2 y X3 pueden ser eliminadas del
modelo. (2 ptos)
iii. Utilizando prueba de hipótesis establezca si el incremento en un 1% en
la tasación de una vivienda incrementa en la misma medida el valor de
la propiedad. (9 ptos)
H0: Btasación = 1%
H1: Btasación ≠ 1% (3 ptos)
Calcular el t correspondiente para la prueba (4 ptos):

t < tcritico(1.988). Existe suficiente evidencia para no rechazar la hipótesis

nula a un nivel de 5% de confianza. (2 ptos)

iv. En este mismo caso, sería posible eliminar el intercepto del modelo? Si
así fuera, cual sería el modelo tentativo, dado además los resultados en
iii?. Justifique su respuesta.(6 ptos)

H0: B0=0
B0≠0
| | Existe suficiente evidencia para no
rechazar la hipótesis nula. (3 ptos)
Por lo tanto el modelo tentativo queda como el que sigue:
̂ ( 3 ptos)
Tabla de t
alfa
gl 0.01 0.05 0.1
70 2.648 1.994 1.667
72 2.646 1.993 1.666
74 2.644 1.993 1.666
76 2.642 1.992 1.665
78 2.640 1.991 1.665
80 2.639 1.990 1.664
82 2.637 1.989 1.664
84 2.636 1.989 1.663
86 2.634 1.988 1.663
88 2.633 1.987 1.662
90 2.632 1.987 1.662
92 2.630 1.986 1.662
94 2.629 1.986 1.661
96 2.628 1.985 1.661
98 2.627 1.984 1.661
100 2.626 1.984 1.660
102 2.625 1.983 1.660
104 2.624 1.983 1.660
106 2.623 1.983 1.659
108 2.622 1.982 1.659
110 2.621 1.982 1.659
112 2.620 1.981 1.659
114 2.620 1.981 1.658
116 2.619 1.981 1.658
118 2.618 1.980 1.658
120 2.617 1.980 1.658
Tabla de F
gl numerador
gl denom 1 2 3 4 5
70 3.978 3.128 2.736 2.503 2.346
72 3.974 3.124 2.732 2.499 2.342
74 3.970 3.120 2.728 2.495 2.338
76 3.967 3.117 2.725 2.492 2.335
78 3.963 3.114 2.722 2.489 2.332
80 3.960 3.111 2.719 2.486 2.329
82 3.957 3.108 2.716 2.483 2.326
84 3.955 3.105 2.713 2.480 2.323
86 3.952 3.103 2.711 2.478 2.321
88 3.949 3.100 2.708 2.475 2.318
90 3.947 3.098 2.706 2.473 2.316
92 3.945 3.095 2.704 2.471 2.313
94 3.942 3.093 2.701 2.469 2.311
96 3.940 3.091 2.699 2.466 2.309
98 3.938 3.089 2.697 2.465 2.307
100 3.936 3.087 2.696 2.463 2.305
102 3.934 3.085 2.694 2.461 2.303
104 3.932 3.084 2.692 2.459 2.302
106 3.931 3.082 2.690 2.457 2.300
108 3.929 3.080 2.689 2.456 2.298
110 3.927 3.079 2.687 2.454 2.297
112 3.926 3.077 2.686 2.453 2.295
114 3.924 3.076 2.684 2.451 2.294
116 3.923 3.074 2.683 2.450 2.293
118 3.921 3.073 2.681 2.449 2.291
120 3.920 3.072 2.680 2.447 2.290

Chi cuadrado
alfa
gl 0.01 0.05 0.1
1 6.635 3.841 2.706
2 9.210 5.991 4.605
3 11.345 7.815 6.251
4 13.277 9.488 7.779
5 15.086 11.070 9.236
6 16.812 12.592 10.645
7 18.475 14.067 12.017
8 20.090 15.507 13.362
9 21.666 16.919 14.684
10 23.209 18.307 15.987

Tabla de Z
 alfa
0.010 0.050
2.576 1.960

Fórmulas útiles

R2 º 1-
[ SSR ( n - k -1)]
[ SST ( n -1)]
sˆ 2
= 1-
[ SST ( n -1)]
yˆ = exp(sˆ 2 2) exp(lnˆ y)

( ) [
se bˆ j = sˆ SSTj (1- R2j ) ]
12

( ) ( )
1
EE bˆ 1 = sˆ / å ( xi - x)
2 2

F=
(R 2
ur - Rr2 ) q
(1- R ) ( n - k -1)
2
ur

F
SSRr  SSRnr  q
SSRnr n  k  1

ML  nRu2

t 2s2
n
D2
 zs 
2

n 
 E 