Universidad de Santiago de Chile

Facultad de Administración y Economía

Ing. Comercial
Econometría

Nom
bres:
-Juan Pablo
Cova
-Camila Villalobos
Ayudante:
José Rojas
Profesor:
R
odrigo Aranda

24/05/2011 Practico Nº 4 – Econometría

 Universidad de Santiago de Chile
Facultad de Administración y Economía
Ing. Comercial
Econometría

(El práctico lo realizamos en conjunto con los compañeros Luis Felipe Villanueva y Estefanye
Lucero)

Pregunta 2

A continuación se presentan las conclusiones obtenidas en base

a la información generada por el programa "Stata" acerca del
consumo per cápita de alimentos, precios de alimentos e ingresos
desde el año 1927 hasta el 1963, excluidos los años de la Segunda
Guerra Mundial (1942-1947).

a)

Para calcular tales elasticidades debemos estimar el modelo en

logaritmos (ln) ya que de esta forma los coeficientes de las
variables explicativas medirán la elasticidad de la variable
dependiente con respecto a la explicativa, es decir, el cambio
porcentual que experimentaría la variable dependiente ante un
pequeño cambio porcentual de la variable explicativa. Cabe
mencionar que se asume que este coeficiente permanece constante
a través del tiempo.

Los resultados son los siguientes:

Source | SS df MS
--------------------------------------------------------
Model | .103792841 2 .05189642
Residual | .002869448 27 .000106276
--------------------------------------------------------
Total | .106662288 29 .00367801

Number of obs = 30
F( 2, 27) = 488.32
Prob > F = 0.0000
R-squared = 0.9731
Adj R-squared = 0.9711
Root MSE = .01031

lnc | Coef. Std. Err. t P>|t| [95% Conf.

Interval]
-----------------------------------------------------------------------------------------
--
lnp | -.1188937 .0403554 -2.95 0.007 -.2016962
-.0360912

24/05/2011 Practico Nº 4 – Econometría Página 2 de 14

 Universidad de Santiago de Chile
Facultad de Administración y Economía
Ing. Comercial
Econometría

lny | .2411537 .0134351 17.95 0.000 .2135872 .

2687202
cons | 4.047251 .1359876 29.76 0.000 3.768228
4.326275
-----------------------------------------------------------------------------------------
--

En consecuencia, la elasticidad precio – demanda de alimentos

estimada es -0.12, lo que indica que si el precio de los alimentos
aumenta en un 1% en promedio, el consumo de alimentos
disminuiría en alrededor de un 0.12%, de esta manera podemos
decir que existe una demanda inelástica de alimentos en el período
estudiado con respecto al precio de los mismos, o de forma
alternativa, aumentos en el precio de los alimentos en una
proporción generan disminuciones de la demanda en una
proporción menor a tal variación.

Ahora bien, la elasticidad ingreso – demanda de alimentos es

0.24, lo que indica que si el ingreso disponible per-cápita aumenta
en un 1% en promedio, el consumo de alimentos aumentaría en
alrededor de un 0.24%, de esta manera podemos decir que existe
una demanda inelástica de alimentos en el período estudiado con
respecto al ingreso disponible per-cápita, o de forma alternativa,
aumentos en el ingreso disponible per-cápita en una proporción
generan aumentos de la demanda de alimentos en una proporción
menor a tal variación. Además como el signo de tal elasticidad es
positivo concluimos que los alimentos son un bien normal, es decir,
aumentos en el ingreso generan aumentos en la demanda de tal
bien y viceversa.

b)

En primer lugar para evaluar la calidad del modelo, veremos la

significancia individual de los parámetros y la significancia global.

Test (lnp lny)

(1) lnp = 0
(2) lny = 0

F ( 2, 27) = 488.32
Prob > F = 0.0000

24/05/2011 Practico Nº 4 – Econometría Página 3 de 14

 Universidad de Santiago de Chile
Facultad de Administración y Economía
Ing. Comercial
Econometría

Test (lnp)

(1) lnp = 0

F ( 1, 27) = 8.68
Prob > F = 0.0066

Test lny

(1) lny = 0

F (1, 27) = 322.19

Prob > F = 0.0000

El test de significancia global, nos indica que se rechaza la hipótesis

nula (p-value menor que el nivel de significancia, 5%), por lo que le
modelo en su conjunto es relevante para explicar el consumo en
logaritmo natural. Lo mismo ocurre para los tests de significancia
individual, donde también observamos que los parámetros son
significantes, por lo que las variables individualmente si explicarían
al consumo.

Esto nos indica que no se han incluido variables no relevantes para

el modelo.

Sin embargo, hay que ver si se han omitido variables relevantes al

modelo, por lo que se corrió un test RESET de Ramsey.

Ramsey RESET test using powers of the fitted values of lnc

Ho: model has no omitted variables
F(3, 24) = 5.91
Prob > F = 0.0036

El test RESET de Ramsey, tiene por hipótesis nula que no se han

omitido variables.

El resultado es que la hipótesis nula no se rechaza (por p-value),

por lo que en este sentido el modelo sigue siendo bueno.

Ahora descartamos la multicolinealidad exacta, ya que si existiera

no sería posible estimar el modelo. Pero observaremos si existe
cuasi-multicolinealidad. Obtenemos la matriz de correlación entre
las variables lny y lnp

24/05/2011 Practico Nº 4 – Econometría Página 4 de 14

 Universidad de Santiago de Chile
Facultad de Administración y Economía
Ing. Comercial
Econometría

| lnp lny
--------------------------------
lnp | 1.0000
lny | 0.8691 1.0000

Existe una alta correlación entre lny y lnp, lo que nos haría
sospechar de la existencia de multicolinealidad, pero esto no
significaría mayor problema.

Correremos también un test de White para determinar si existe

heterocedasticidad y un test de Durbin-Watson y uno LM de
Breusch-Godfrey de orden (1) para la autocorrelación

DW:

Number of gaps in sample: 1

Durbin-Watson d-statistic ( 3, 30) = 1.191927

Como DW es menor que dl (1.28 para 2 variables y 30

observaciones) este test nos indica que existe autocorrelación
positiva.

Ahora corremos el test LM de Breusch-Godfrey

de Orden 1

Number of gaps in sample: 1

Breusch-Godfrey LM test for autocorrelation

---------------------------------------------------------------------------
lags(p) | chi2 df Prob > chi2
-------------+-------------------------------------------------------------
1 | 3.825 1 0.0505
---------------------------------------------------------------------------
H0: no serial correlation

Este test no es concluyente, ya que p-value es muy cercano al

valor de alfa de significancia

Ahora testeamos la heterocedasticidad a traves del test de White

White's test for Ho: homoskedasticity

24/05/2011 Practico Nº 4 – Econometría Página 5 de 14

 Universidad de Santiago de Chile
Facultad de Administración y Economía
Ing. Comercial
Econometría

against Ha: unrestricted heteroskedasticity

chi2(5) = 6.48
Prob > chi2 = 0.2619

El valor-p nos hace rechazar la hipótesis nula de homocedastidad.

En conclusión, el modelo no es bueno ya que tiene problemas de

autocorrelación y de heterocedasticidad, por lo que es necesario re
estimarlo para corregirlo. Eliminando la heterocedasticidad
estimando por MICOG y la autocorrelación a través del algoritmo de
Cochrane-Orcutt o por el procedimiento de HILU

c)

Para verificar si existen tales diferencias realizaremos un test

de Chow para cambio estructural. Para ello, primero especificamos
dos modelos econométricos para cada submuestras, los cuales
corresponden al consumo per cápita de alimentos entre los años
1927-1941 y al consumo per cápita de alimentos entre los años
1948-1962 (modelo no restringido):
• Modelo 1 (1927-1941):

1 1 1
c = β1 + β 2 p + β 3 y

Donde la SRC = 8,57 y el número de observaciones es n = 15

• Modelo 2 (1948-1962):

2 2 2
c = γ 1 + γ 2 p+ γ 3 y

Donde la SRC = 5,4 y el número de observaciones es n = 15

Por lo que, al sumar ambas SRC de las submuestras, tenemos

que
SRCnr = SRC₁ + SRC₂ = 8,57 + 5,4 = 13,97 para un número de
observaciones n = 30.

• Modelo Restringido (sin cambio estructural):

24/05/2011 Practico Nº 4 – Econometría Página 6 de 14

 Universidad de Santiago de Chile
Facultad de Administración y Economía
Ing. Comercial
Econometría

c = α1 + α 2 p + α3 y

Donde la SRC = 28,76 y el número de observaciones es n = 30

1) Ahora planteamos la hipótesis nula y la hipótesis alternativa

para cambio estructural:

• Ho: β1 = γ 1 = α1 ; β 2 = γ 2 = α 2 ; β 3 = γ 3 = α 3
• H1: al menos uno de los parámetros difiere entre las
submuestras

2) Construir el estadístico:

( SRCR − SRCNR ) / k
Fc = ~ F* ( k;n -2k ) (1 − α )
SRCNR / ( n − 2k )

3) Calcular:
Fc =
( 28,76 −13,97 ) / 3 ~ F* ( 0.95 )
( 3;24 )
13,97 / ( 30 − 6 )

∴F c =8,45
4) Obtener:

5) Comparar y concluir:

Como Fc > F*  rechazamos Ho. Por lo tanto, con un 95% de

confianza, podemos inferir que si existen diferencias consumo per
cápita de alimentos entre los años 1927-1941 y al consumo per
cápita de alimentos entre los años 1948-1962, lo que es equivalente
a decir que si existe un quiebre estructural.

Pregunta 3

Comente:

a) En presencia de heterocedasticidad, los estimadores MCO

son sesgados e ineficientes.

24/05/2011 Practico Nº 4 – Econometría Página 7 de 14

 Universidad de Santiago de Chile
Facultad de Administración y Economía
Ing. Comercial
Econometría

R.-Falso, ya que las condiciones para probar que los

estimadores MICO son lineales e insesgados no dependen de la
varianza de los errores, sino que sólo de los supuestos E ( ε ) = 0 y
E (εx ) = 0 . Por lo tanto, las propiedades de insesgamiento y de
consistencia no son violadas si se ignora la heterocedasticidad en
la estimación por OLS. Sin embargo, para probar el Teorema de
Gauss-Markov se hace uso del supuesto que var( ε i ) = σ 2 = constante,
con el fin de minimizar la varianza de una combinación lineal de los
y s. Debido a que este supuesto ya no es cierto, no es posible ahora
asegurar que los estimadores MICO son además eficientes, sino
que debido a la presencia de heterocedasticidad los estimadores
MICO ahora son ineficientes.

b) Si hay heterocedasticidad, las pruebas t y F no son válidas.

R.- Verdadero, dado que es posible demostrar que las varianzas

y covarianzas estimadas para los estimadores MICO de los βj son
sesgadas e ineficientes cuando la heterocedasticidad está presente,
pero es ignorada por el investigador. Ello indica, entonces, que
todos los test de hipótesis basados en errores homocedásticos ya
no son válidos.

c) En presencia de heterocedasticidad, el método MCO

sobreestima siempre los errores estándar de los estimadores.

R.-Falso, ya que en presencia de heterocedasticidad las

varianzas y covarianzas estimadas de los coeficientes de regresión
serán sesgadas e ineficientes. Mas bien, esto ocurre en presencia de
multicolinealidad donde al aplicar el método de mínimos cuadrados
ordinarios se sobreestima los errores estándar de los estimadores.

d) Si el modelo de regresión está mal especificado (por

ejemplo, se ha omitido una variable importante), los residuos MCO
mostrarán un patrón claramente distinguible.

R.-Verdadero, ya que si la exclusión de una variable relevante

del modelo la cual esta correlacionada con otra variable del modelo,
entonces las parámetros del modelo estimado ahora serán sesgados
e ineficientes, por lo que la varianza de los perturbaciones

24/05/2011 Practico Nº 4 – Econometría Página 8 de 14

 Universidad de Santiago de Chile
Facultad de Administración y Economía
Ing. Comercial
Econometría

estocásticas estaría mal estimada por lo cual también las varianzas

de los parámetros estimados serán sesgadas.
Como la varianza de las perturbaciones estocásticas es
diferente a la del modelo real, esto se ve claramente en la suma de
los residuos al cuadrado así como los grados de libertad porque
serán distintas. Cabe recordar que cuando se incluyen mas
variables en el modelo hace que la SCR decrezca y los grados de
libertad también se reducen porque ahora se deben estimar mas
parámetros en el modelo, por lo que el resultado neto dependerá de
cuanto suficiente es la disminución de los SCR para compensar la
perdida de grados de libertad del modelo debido a la incorporación
de regresores.

e) Dado que la multicolinealidad parcial esta estrictamente

asociada a la base de datos utilizada, no tiene ningún impacto sobre
la significancia de los parámetros estimados, dado que ésta
depende exclusivamente de la varianza de las perturbaciones
estocásticas y de las variables explicativas utilizadas.

R.- Falso;
Puesto que si la cuasi-multicolinealidad está estrictamente
asociada a la base de datos utilizada, aun cuando los estimadores
OLS sigan siendo MELI, esta afectara la significancia de los
parámetros estimados, dado que los errores estándares de los
estimadores son por lo general altos y, como consecuencia de ello,
los test-t serán bajos y posiblemente insignificantes. Ello es fácil de
entender si recordamos que las varianzas y covarianzas de los
estimadores OLS, para un modelo de dos variables explicativas,
pueden expresarse como:
( )
var βˆ 2 = x
σ2
∑ x 22,i (1 − r232 )

( )
var βˆ 3 =
σ2
∑ x (1 − r )
2
3,i
2
23

( )
cov βˆ 2 , βˆ3 =
− r23σ 2
(1 − r ) ∑ x
2
23
2
2 ,i ∑x 2
3, i

Es claro, entonces, que si r223 se encuentra muy cercano a 1,

r23 es cercano a ±1 (cuasi-multicolinealidad). En tal caso, las

24/05/2011 Practico Nº 4 – Econometría Página 9 de 14

 Universidad de Santiago de Chile
Facultad de Administración y Economía
Ing. Comercial
Econometría

expresiones anteriores muestran claramente que las varianzas, y

por lo tanto los errores estándar, asociados a los parámetros
estimados serán bastante grandes cuando r223 se encuentre muy
cercano a 1. Altos valores para las varianzas significan una
precisión bastante pobre en los estimadores, al mismo tiempo que
bajos valores para los test-t que pueden resultar en la
insignificancia estadística de los parámetros.

f) No importa cuál sea la especificación funcional de un

modelo econométrico, si este cumple con los supuestos necesarios
para el teorema Gauss-Markov, entonces los estimadores mínimos
cuadrados derivados a partir de él serán MELI.

R.-Falso, el teorema de Gauss Markov debe cumplir con los

supuestos del modelo clásico de regresión lineal, por lo que la
especificación funcional tiene que ser lineal, no puede ser
cualquiera, si cumple con el modelo clásico de regresión lineal,
entonces los parámetros estimados del modelo serán entonces
insesgados, consistentes y eficientes y de minima varianza, es
decir, MELI.

g) La existencia de heterocedasticidad imposibilita la

realización del método de mínimos cuadrados ordinarios.

R.-Falso, puesto que la existencia de heterocedasticidad no

imposibilita la realización del método de mínimos cuadrados
ordinarios, el único cambio es que la varianza de los errores es
diferente para diferentes valores de t y son desconocidos, entonces
lo siguiente será cierto:

• Los parámetros estimados y las proyecciones basadas en

ellos serán todavía insesgadas y consistentes.

• Los estimadores MICO ya no serán MELI, y sí serán

ineficientes, al igual que las proyecciones.

• Las varianzas y covarianzas estimadas de los coeficientes

de regresión serán sesgadas e ineficientes, por lo que cualquier test
de hipótesis que se base en ellas no será válido.

24/05/2011 Practico Nº 4 – Econometría Página 10 de 14

 Universidad de Santiago de Chile
Facultad de Administración y Economía
Ing. Comercial
Econometría

Pregunta 4

Con el interés de explicar el gasto de las personas en juegos de

azar, se toma una muestra de 390 personas y se tiene información
sobre el ingreso personal y gasto en juegos de azar, de manera que
el modelo a estimar es el siguiente:

La muestra fue distribuida por sexo y edad de acuerdo a cupos

predefinidos.
Los resultados se muestran en el cuadro 1 y 2:

CUADRO Nº1 – Distribución según SEXO

Sexo SCR OBSERVACION

ES
HOMBRE 337 220
MUJER 405 170
TOTAL 757 390

CUADRO Nº2 – Distribución según EDAD

EDAD SCR OBSERVACION

ES
18 – 30 123 100
30 – 45 183 160
MÁS DE 45 175 130
AÑOS

a) Determine si existen diferencias en el gasto en

juegos de azar entre hombre y mujer.

Para determinar si existen diferencias en el gasto en juegos de

azar entre hombre y mujer, aplicaremos el Contraste de Chow para
cambio estructural. Para ello, primero especificamos dos modelos
econométricos para cada submuestra, los cuales corresponden al
gasto en juegos de azar en hombres y al gasto en juegos de azar en
mujeres (modelos no restringidos):

• Modelo 1 (hombres):

24/05/2011 Practico Nº 4 – Econometría Página 11 de 14

 Universidad de Santiago de Chile
Facultad de Administración y Economía
Ing. Comercial
Econometría

Donde la SRC = 337 y el número de observaciones es n = 220

• Modelo 2 (mujeres):

Donde la SRC = 405 y el número de observaciones es n = 170

Por lo que, al sumar ambas SRC de las submuestras, tenemos

que
SRCnr = SRC₁ + SRC₂ = 337 + 405 = 742
para un número de observaciones n = 390.

• Modelo Restringido (sin cambio estructural):

Donde la SRC = 757 y el número de observaciones es n = 390

6) Ahora planteamos la hipótesis nula y la hipótesis alternativa

para cambio estructural:

• Ho: θ₀ = γ₀ = α ; θ₁ = γ₁ = β
• H1: al menos uno de los parámetros difiere entre las
submuestras

7) Construir el estadístico:

8) Calcular:

24/05/2011 Practico Nº 4 – Econometría Página 12 de 14

 Universidad de Santiago de Chile
Facultad de Administración y Economía
Ing. Comercial
Econometría

9) Obtener:

10) Comparar y concluir:

Como Fc > F*  rechazamos Ho. Por lo tanto, con un 95% de

confianza, podemos inferir que si existen diferencias en el gasto en
juegos de azar entre hombres y mujeres, lo que es equivalente a
decir que si existe un quiebre estructural.

b) Determine si existen diferencias en el gasto en

juegos según la edad.

Para determinar si existen diferencias en el gasto en juegos de

azar según la edad, aplicaremos el Contraste de Chow para cambio
estructural. Para ello, primero especificamos tres modelos
econométricos para cada submuestra, los cuales corresponden al
gasto en juegos de azar entre 18 y 30 años de edad, al gasto en
juegos de azar entre 30 y 45 años de edad y al gasto en juegos de
azar para personas mayores a 45 años (modelos no restringidos):

• Modelo 1 (18 y 30 años):

Donde la SRC = 123 y el número de observaciones es n = 100

• Modelo 2 (30 y 45 años):

Donde la SRC = 183 y el número de observaciones es n = 160

• Modelo 3 (más de 45 años):

Donde la SRC = 175 y el número de observaciones es n = 130

Por lo que, al sumar ambas SRC de las submuestras, tenemos

que
SRC = SRC₁ + SRC₂ + SRC₃ = 123 + 183 + 175 = 481
para un número de observaciones n = 390.

24/05/2011 Practico Nº 4 – Econometría Página 13 de 14

 Universidad de Santiago de Chile
Facultad de Administración y Economía
Ing. Comercial
Econometría

• Modelo Restringido (sin cambio estructural):

Donde la SRC = 757 y el número de observaciones es n = 390

1) Ahora planteamos la hipótesis nula y la hipótesis alternativa

para cambio estructural:

• Ho: θ₀ = γ₀ = δ₀ = α ; θ₁ = γ₁ = δ₁ = β
• H1: al menos uno de los parámetros difiere entre las
submuestras

2) Construir el estadístico:

3) Calcular:

4) Obtener:

5) Comparar y concluir:

Como Fc > F*  rechazamos Ho. Por lo tanto, con un 95% de

confianza, podemos inferir que si existen diferencias en el gasto en
juegos de azar según edad, lo que es equivalente a decir que si
existe un quiebre estructural.

24/05/2011 Practico Nº 4 – Econometría Página 14 de 14