Sol Lab 02 Eco 2

PONTIFICIA UNIVERSIDAD CATLICA DEL PER
FACULTAD DE CIENCIAS SOCIALES

ESPECIALIDAD DE ECONOMA

SEMESTRE 20111

ECONOMETRA 2
(ECO 330)
Profesor : Erick Lahura

PRCTICA DIRIGIDA N 2

Para resolver este laboratorio utilice el archivo Lab02_eco2.wf1 disponible en Intranet.

1. PARMETROS CAMBIANTES.

En base a la informacin de la pestaa Break, responda:

1.1 Estime la ecuacin:

Dependent Variable: SB
Method: Least Squares

Sample: 1950Q1 2009Q4
Included observations: 240

Variable Coefficient Std. Error t-Statistic Prob.

C 2.219470 0.084897 26.14323 0.0000
X2 1.479004 0.088867 16.64297 0.0000
X3 1.330096 0.086432 15.38901 0.0000

R-squared 0.704795 Mean dependent var 2.245588
Adjusted R-squared 0.702304 S.D. dependent var 2.392996
S.E. of regression 1.305656 Akaike info criterion 3.383709
Sum squared resid 404.0227 Schwarz criterion 3.427217
Log likelihood -403.0451 Hannan-Quinn criter. 3.401240
F-statistic 282.9157 Durbin-Watson stat 1.529084
Prob(F-statistic) 0.000000

1.2 Tericamente se sabe que los coeficientes de X2 y X3 del modelo anterior deberan ser
constantes a lo largo de toda la muestra (A2). Realice la estimacin dividiendo la muestra
en 2 grupos: 1950q1-1989q4 y 1990q1-2009q4. Se confirma el supuesto A2 en las
estimaciones? Explique por qu.

Erick Lahura Econometra 2 / 2010-2

2


Sample: 1950Q1 1989Q4


C 1.779329 0.075634 23.52545 0.0000
X2 1.147299 0.079176 14.49041 0.0000
X3 0.984532 0.074295 13.25170 0.0000


Date: 03/30/11 Time: 14:26
Sample: 1990Q1 2009Q4


C 2.994002 0.109824 27.26171 0.0000
X2 2.155353 0.112598 19.14207 0.0000
X3 1.955728 0.121265 16.12772 0.0000


No se cumple el supuesto A2, debido a que los parmetros de ambas regresiones son diferentes. Esto
podra estar sucediendo, debido a que las series presentas quiebres a lo largo de la muestra, y
ocasionara que al dividir la muestra el coeficiente asociado a las series cambie de un perodo a otro.

1.3 Detecte la posible presencia de Quiebre estructural en los parmetros utilizando las
siguientes pruebas. Especifique la estructura (Ho, Ha, regla de rechazo) de cada una de ellas.

- Test de Chow

La idea del Test de Chow es ajustar la ecuacin por separado para cada submuestra, para ver si
existen diferencias significativas en las ecuaciones estimadas. Una diferencia significativa
indica un cambio estructural en la relacin. Por ejemplo, puede utilizar esta prueba para
examinar si la funcin de demanda de energa era la misma antes y despus de la crisis del
petrleo.

3

Por defecto, la prueba de Chow comprueba si hay un cambio estructural en todos los
parmetros de la ecuacin.

Para llevar a cabo la prueba, se realiza la particin de datos en dos o ms sub muestras. Cada
submuestra debe contener ms observaciones que el nmero de coeficientes de la ecuacin
de modo que la ecuacin puede ser estimada. El Test de Chow compara la suma de los
cuadrados de los residuos obtenidos mediante el ajuste de una sola ecuacin para toda la
muestra con la suma de los cuadrados de los residuos obtenidos en las ecuaciones
independientes que ajustan a cada sub muestra de los datos.

Una desventaja importante de la prueba de punto de interrupcin es que cada submuestra
requiere al menos tantas observaciones como el nmero de parmetros estimados. A su vez,
la gran desventaja es que determina la fecha de quiebre de manera exgena.

Donde:

Chow Breakpoint Test: 1980Q1
Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables
Equation Sample: 1950Q1 2009Q4

F-statistic 17.46552 Prob. F(3,234) 0.0000
Log likelihood ratio 48.49352 Prob. Chi-Square(3) 0.0000
Wald Statistic 52.39657 Prob. Chi-Square(3) 0.0000

Regla de Rechazo: p-value < 0.05: Rechazo
. Hay evidencia de quiebre estructural en la

muestra.

Test Quand-Andrews

Quandt-Andrews unknown breakpoint test
Null Hypothesis: No breakpoints within 15% trimmed data
Varying regressors: All equation variables
Equation Sample: 1950Q1 2009Q4
Test Sample: 1959Q1 2001Q1
Number of breaks compared: 169

Statistic Value Prob.

Maximum LR F-statistic (1990Q1) 71.25348 0.0000
Maximum Wald F-statistic (1990Q1) 213.7604 0.0000

Exp LR F-statistic 31.14662 1.0000
Exp Wald F-statistic 102.3066 1.0000

Ave LR F-statistic 22.33797 0.0000
Ave Wald F-statistic 67.01391 0.0000

Note: probabilities calculated using Hansen's (1997) method


4

- Test de Prediccin de Chow

Chow Forecast Test
Equation: UNTITLED
Specification: SB C X2 X3
Test predictions for observations from 1980Q1 to 2009Q4

Value df Probability
F-statistic 3.033366 (120, 117) 0.0000
Likelihood ratio 339.2883 120 0.0000

F-test summary:
Sum of Sq. df
Mean
Squares
Test SSR 305.7477 120 2.547897
Restricted SSR 404.0227 237 1.704737
Unrestricted SSR 98.27500 117 0.839957

LR test summary:
Value df
Restricted LogL -403.0451 237
Unrestricted LogL -233.4009 117

Unrestricted log likelihood adjusts test equation results to account for
observations in forecast sample

Unrestricted Test Equation:
Date: 04/06/11 Time: 23:34
Sample: 1950Q1 1979Q4


C 1.842140 0.084170 21.88589 0.0000
X2 1.100294 0.085569 12.85857 0.0000
X3 1.062987 0.085467 12.43744 0.0000



5

- Test RESET de Ramsey

Esta prueba permite comprobar la correcta especificacin polinmica de un modelo
estimado. El objetivo central del procedimiento es verificar que no se hayan omitido
en la regresin uno o ms de los siguientes regresores:
- Potencias enteras positivas de los regresores actualmente incluidos en la
regresin.
- Productos cruzados de los regresados actualmente incluidos en la regresin.
- Logaritmos o recprocos de los regresores actualmente incluidos en la regresin.

El contraste se basa en la prueba de una regresin aumentada tal como s e indica a
continuacin. Si la regresin actual es:

El test construir la siguiente relacin:

Donde las variables en la matriz Z son regresores presumiblemente omitidos en la
regresin original. Si se demostrara que el vector j es nulo, dicha hiptesis se
rechazara.

En trminos prcticos, el test de Ramsey utiliza los propios regresores registrados en X
para construir la matriz Z.

Donde:

Ramsey RESET Test
Equation: UNTITLED
Specification: SB C X2 X3
Omitted Variables: Squares of fitted values

Value df Probability
t-statistic 0.327389 236 0.7437
F-statistic 0.107183 (1, 236) 0.7437
Likelihood ratio 0.108975 1 0.7413

F-test summary:
Sum of Sq. df
Mean
Squares
Test SSR 0.183411 1 0.183411
Restricted SSR 404.0227 237 1.704737

LR test summary:
Value df
Restricted LogL -403.0451 237
Unrestricted LogL -402.9906 236

Unrestricted Test Equation:

6

Date: 04/06/11 Time: 23:35
Sample: 1950Q1 2009Q4


C 2.173886 0.163160 13.32367 0.0000
X2 1.445634 0.135339 10.68156 0.0000
X3 1.298877 0.128807 10.08390 0.0000
FITTED^2 0.005108 0.015601 0.327389 0.7437


Regla de rechazo: p-value < 0.05: Rechazo
. En este caso, se acepta la Hiptesis nula.

- Test de Residuos Recursivos
Una estimacin recursiva del modelo es aquella que primero utiliza k observaciones al
inicio de la muestra para evaluar coeficientes y luego se va agregando una observacin
adicional para cada nueva estimacin. Cada estimacin del conjunto de coeficientes
es, a su vez, utilizada para predecir el valor de la variable dependiente en el perodo
siguiente. Con esta informacin, el programa estima el error de prediccin de manera
recursiva, tal como se muestra en la siguiente ecuacin:

Bajo la hiptesis nula de estabilidad de parmetros, el error normalizado se distribuye
como una normal con media cero y varianza constante y es independiente del residuo
recursivo normalizado (w).
Eviews realiza la estimacin de w
t
para t=k+1,, n y reporta su evolucin alrededor de
0, adems incluye una banda de confianza calculada como 2 veces la desviacin
estndar en cada observacin. Si los parmetros se mantienen constantes a lo largo de
toda la muestra, es de esperar que los valores de los errores de prediccin se
encuentren dentro de esta banda de confianza; es decir, que su valor medio sea igual a
cero. Por tanto la existencia de valores fuera de este intervalo ser un indicador de
que la hiptesis de estabilidad est siendo violada.

7

Dicho grafico ofrece evidencia sobre la existencia de un quiebre estructural. La
presencia de valores fuera del intervalo de confianza a mediados del 90 indica que es probable
que los parmetros cambien alrededor de esta fecha.

- Prueba CUSUM
Esta prueba se basa en la suma acumulada de los residuos normalizados. La evaluacin
de presencia de quiebre se realiza graficando el estadstico CUSUM a lo largo del
tiempo. Si esta grafica permanece dentro de las bandas de confianza, entonces los
coeficientes son estables en el tiempo, pero si la grafica traspasa las bandas, se
reconoce la posible existencia de un cambio estructural en el modelo.
La expresin asociada a este estadstico es la siguiente:

Donde w es el residuo recursivo definido lneas arriba y es el error estndar del
modelo estimado con todas las observaciones disponibles.

-3
-2
-1
0
1
2
3
4
5
55 60 65 70 75 80 85 90 95 00 05
Recursive Residuals 2 S.E.

8

- Prueba CUSUM cuadrado
El estadstico CUSUM cuadrado hace referencia a la suma acumulada de los residuos
normalizados al cuadrado. Por lo mismo, este estadstico no est expuesto a los
problemas de la prueba anterior en lo referente a la presencia de errores con signo
contrario. No obstante, su interpretacin no es tan evidente como en el ndice CUSUM
convencional, ya que no se espera que su valor medio sea nulo. Dada la construccin
del estadstico:

Al igual que en los casos anteriores, si el estadstico arroja un valor que sobrepasa el
intervalo de confianza, no podemos afirmar que la media sea la indicada lneas arriba,
y por tanto, que los parmetros sean estables.

-60
-40
-20
0
20
40
60
80
55 60 65 70 75 80 85 90 95 00 05
CUSUM 5% Significance

9

- Test Predictivo de una etapa
El grafico asociado a esta prueba traza los residuos recursivos y los errores estndar en
la parte superior (esta parte de la grafica es idntica a la grafica que se obtiene al
requerir los residuos recursivos). Adicionalmente, en la parte inferior se muestra una
nube de puntos que indican el nivel de confianza en el que es posible rechazar la
hiptesis nula de estabilidad. Como sabemos a un nivel de significancia del 5% tiene
asociada una confianza del 95%.

Debemos fijarnos en los puntos que tienen asociado el nivel de significancia mas bajo,
en este caso se distinguen varios puntos cercanos a 0 en toda la muestra. Este
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
55 60 65 70 75 80 85 90 95 00 05
CUSUM of Squares 5% Significance
.000
.025
.050
.075
.100
.125
.150
-4
-2
0
2
4
6
55 60 65 70 75 80 85 90 95 00 05
One-Step Probability
Recursive Residuals

10

resultado se lee de la siguiente manera: aun con un nivel de significancia bastante
reducido, la comparacin del residuo recursivo obtenido con el intervalo de confianza
nos lleva al rechazo de la hiptesis de estabilidad. Notemos que cuando los errores
recursivos salen de las bandas, los puntos generados a partir del test predictivo de una
etapa se encuentra en niveles inferiores a 5%.

- Test Predictivo de n etapas
En lugar de analizar los coeficientes estimados con la informacin disponible hasta t-1
para predecir nicamente la siguiente observacin Y
t
, consideramos la posibilidad de
utilizarlos para predecir las observaciones que siguen (t,,n) . As, una divergencia
considerable entre los valores predichos y los verdaderos seria evidencia a favor de la
existencia de un quiebre estructural.
Su interpretacin de los puntos de probabilidad es la misma a la de la prueba de una
etapa.

- Test de Coeficientes Recursivos
Esta prueba grafica permite analizar la evolucin de cualquier coeficiente a medida
que la muestra empleada para la estimacin se ampla en una observacin. Por ello, y
bajo la hiptesis de estabilidad, cabe esperar que los valores de cada coeficiente
converjan en la mediad en que la estimacin se acerque a aquella que utiliza toda la
informacin disponible.
.000
.025
.050
.075
.100
.125
.150
-4
-2
0
2
4
6
55 60 65 70 75 80 85 90 95 00 05
N-Step Probability
Recursive Residuals

11

2. HETEROSCEDASTICIDAD.

En base a la informacin de la pestaa Hetero, responda:

2.1 Estime la ecuacin:

Dependent Variable: H
Date: 03/30/11 Time: 15:01
Sample: 1950Q1 2009Q4


C 3.146230 1.459948 2.155029 0.0322
X2 1.068623 0.106695 10.01571 0.0000
X3 0.820669 0.107823 7.611227 0.0000


-2
-1
0
1
2
3
55 60 65 70 75 80 85 90 95 00 05
Recursive C(1) Estimates
2 S.E.
0
1
2
3
4
5
6
55 60 65 70 75 80 85 90 95 00 05
2 S.E.
-1.0
-0.5
0.0
0.5
1.0
1.5
2.0
55 60 65 70 75 80 85 90 95 00 05
2 S.E.

12

2.2 Determine la presencia de Heteroscedasticidad usando las siguientes pruebas.
Especifique en cada una de ellas, la Ho y Ha, as como tambin la Regla de Rechazo.

- Test de Glejser (1969)

- Se asume que los regresores originales contenidos en el vector x son los que
generan heteroscedasticidad.
- Hiptesis nula y alternativa:

- El estadstico (t o F) es el que permite evaluar la significancia del vector theta
en:

Heteroskedasticity Test: Glejser

Obs*R-squared 7.860630 Prob. Chi-Square(2) 0.0196
Scaled explained SS 7.950496 Prob. Chi-Square(2) 0.0188

Test Equation:
Dependent Variable: ARESID
Date: 04/07/11 Time: 00:37
Sample: 1950Q1 2009Q4


C 1.138063 0.875965 1.299211 0.1951
X2 -0.035009 0.064017 -0.546875 0.5850
X3 0.182278 0.064694 2.817553 0.0052


- Test de Harvey (1976)
- Se asume que los regresores originales contenidos en el vector x son los que
generan heteroscedasticidad.


El estadstico (t of F) es el que permita evaluar la significancia del vector theta en:
2 , 1 , ) ( :
:
' 2
2 2
0
= + =
=
m x H
H
m
i i a
i
u o o
o o
i i
v x u + + = u o
'
| |
) exp( :
:
' 2
2 2
0
u o
o o
i i a
i
x H
H
=
=

13

Heteroskedasticity Test: Harvey


Test Equation:
Dependent Variable: LRESID2
Date: 04/07/11 Time: 00:38
Sample: 1950Q1 2009Q4


C 0.217296 1.000912 0.217098 0.8283
X2 -0.015115 0.073148 -0.206639 0.8365
X3 0.098301 0.073922 1.329800 0.1849

Adjusted R-squared -0.000938 S.D. dependent var 2.247943

- Test de Breusch-Pagan (1979)

- La heteroscedasticidad se asocia a que la varianza puede ser una funcin
(desconocida) de una combinacin lineal de q variables conocidas contenidas
en el vector x.
-

- Estadstico:

- Donde el R2 proviene de la regresin auxiliar:

i i i
v x u + + = u o
' 2
ln
) ( :
:
' 2 2
2 2
0
u o o o
o o
i i a
i
x h H
H
+ =
=
) ( ~
2 2
q nR LM _ =
i i i
v x u + + = u o
' 2

14

Heteroskedasticity Test: Breusch-Pagan-Godfrey


Test Equation:
Dependent Variable: RESID^2
Date: 04/07/11 Time: 00:38
Sample: 1950Q1 2009Q4


C -0.315352 6.240521 -0.050533 0.9597
X2 -0.332456 0.456065 -0.728967 0.4667
X3 1.449319 0.460890 3.144612 0.0019


- Test de White (con y sin trminos cruzados,1980)


- Estadstico:

- donde el R2 y q = # coeficientes -1 estn asociados a la regresin auxiliar:

- La generalidad de esta prueba radica en que no requiere un modelo especfico
de la heteroscedasticidad.
- La debilidad es que si se rechaza la hiptesis nula no se puede concluir que
existe heteroscedasticidad.
- Esta es una prueba asinttica cuyos resultados son ms confiables a medida
que n crece.

cierto es no uno menos al H
u de nte independie X u X y H
a
i
:
, , :
2 2
0
+ = = | o o
) ( ~
2 2
q nR LM _ =
i i i i i
v xc x x u + + + + =
3
'
2
'
1
' 2
) ( ) 2 ( u u u o

15

Sin trminos cruzados:

Heteroskedasticity Test: White


Test Equation:
Date: 04/07/11 Time: 00:39
Sample: 1950Q1 2009Q4


C 4.686565 3.295090 1.422288 0.1563
X2^2 -0.011972 0.022133 -0.540923 0.5891
X3^2 0.071207 0.023242 3.063800 0.0024


Con trminos cruzados:



Test Equation:
Date: 04/07/11 Time: 00:40
Sample: 1950Q1 2009Q4


C 41.77396 35.10348 1.190023 0.2352
X2 -6.624864 4.012580 -1.651023 0.1001
X2^2 0.196850 0.154065 1.277706 0.2026
X2*X3 0.231765 0.258060 0.898104 0.3701
X3 -0.756745 4.296508 -0.176130 0.8603
X3^2 -0.008001 0.168897 -0.047372 0.9623


16


- Test ARCH-LM (Heteroscedasticidad condicional; Engel, 1982)


- Estadstico:

Donde el R2 y q = # rezagos estn asociados a la regresin auxiliar:

Heteroskedasticity Test: ARCH


Test Equation:
Date: 04/07/11 Time: 00:41
Sample (adjusted): 1950Q2 2009Q4
Included observations: 239 after adjustments


C 10.15240 1.151235 8.818709 0.0000
RESID^2(-1) 0.048477 0.065051 0.745218 0.4569


=

+ =
=
q
s
s t s t a
t
u H
H
1
2
0
2
2 2
0
:
:
u u o
o o
) ( ~
2 2
q nR LM _ =
t
q
s
s t s t
v u u + + =

=

1
2
0
2
u u

17

2.3 De presentarse Heteroscedasticidad, resuelva el problema encontrado. De qu
depende la metodologa a utilizar?
Si la Heteroscedasticidad es una caracterstica del modelo poblacional, entonces se
utiliza MCG, MCGF o MCO (errores estndar robustos).
- Si se conoce la forma funcional de la heteroscedasticidad y sus valores
numricos (caso inusual), se debe estimar los parmetros del modelo y hacer
inferencia usando MCG.
- Si se conoce slo la forma funcional de la heteroscedasticidad (caso menos
inusual), se debe estimar los parmetros del modelo y hacer inferencia usando
MCGF.
- Si no se conoce ni siquiera la forma funcional o no se tiene informacin
suficiente, se debe estimar los parmetros del modelo usando MCO. Para hacer
inferencia, se debe utilizar la frmula correcta de la matriz de var-cov y
estimarla de manera robusta (usando el estimador o matriz de White).

Date: 04/07/11 Time: 00:36
Sample: 1950Q1 2009Q4
White heteroskedasticity-consistent standard errors & covariance


C 3.146230 1.527363 2.059910 0.0405
X2 1.068623 0.113803 9.390105 0.0000
X3 0.820669 0.105026 7.813936 0.0000


2.4 Asumiendo que
, Cul es la metodologa apropiada? Por qu? Se

solucion el problema de Heteroscedasticidad? Aplique las pruebas vistas
anteriormente.
Si se conoce la forma funcional de la Heteroscedasticidad y sus valores numricos (caso
inusual), se debe estimar los parmetros del modelo y hacer inferencia usando MCG.

Date: 04/07/11 Time: 00:36
Sample: 1950Q1 2009Q4
Weighting series: X3^(-0.5)
Weight type: Inverse standard deviation (EViews default scaling)


18


C 3.106770 1.384519 2.243935 0.0258
X2 1.055323 0.103694 10.17732 0.0000
X3 0.838284 0.101802 8.234443 0.0000

Weighted Statistics

Prob(F-statistic) 0.000000 Weighted mean dep. 21.64216

Unweighted Statistics

S.E. of regression 3.280698 Sum squared resid 2550.826
Durbin-Watson stat 1.887217

Pruebas para detectar Heterocedasticidad:

Heteroskedasticity Test: Breusch-Pagan-Godfrey


Test Equation:
Dependent Variable: WGT_RESID^2
Date: 04/07/11 Time: 00:42
Sample: 1950Q1 2009Q4


C 11.03780 11.79192 0.936048 0.3502
X2*WGT -0.444609 0.426824 -1.041668 0.2986
X3*WGT 0.370305 0.959681 0.385862 0.6999


Heteroskedasticity Test: Harvey


19


Test Equation:
Dependent Variable: LWRESID2
Date: 04/07/11 Time: 00:43
Sample: 1950Q1 2009Q4


C 1.497027 1.947637 0.768638 0.4429
X2*WGT -0.034067 0.070497 -0.483235 0.6294
X3*WGT -0.011944 0.158508 -0.075352 0.9400


Heteroskedasticity Test: Glejser


Test Equation:
Dependent Variable: AWRESID
Date: 04/07/11 Time: 00:43
Sample: 1950Q1 2009Q4


C 2.448653 1.698540 1.441622 0.1507
X2*WGT -0.047976 0.061481 -0.780342 0.4360
X3*WGT 0.060052 0.138235 0.434420 0.6644


Heteroskedasticity Test: ARCH

20


Test Equation:
Date: 04/07/11 Time: 00:44
Sample (adjusted): 1950Q2 2009Q4
Included observations: 239 after adjustments


C 9.336765 1.081467 8.633423 0.0000
WGT_RESID^2(-1) 0.081105 0.064816 1.251321 0.2121




Test Equation:
Date: 04/07/11 Time: 00:44
Sample: 1950Q1 2009Q4
Collinear test regressors dropped from specification


C -21.96080 34.54516 -0.635713 0.5256
WGT^2 58.54086 30.82734 1.898992 0.0588
X2^2*WGT^2 0.301362 0.134740 2.236616 0.0263
X2*WGT^2 -8.593385 3.695449 -2.325397 0.0209
X2*X3*WGT^2 0.212010 0.241995 0.876094 0.3819
X3^2*WGT^2 0.083317 0.148727 0.560200 0.5759



21

Todas las pruebas No rechazan la hiptesis nula de homoscedasticidad, por lo tanto se corrigi la
Heteroscedasticidad.

3. Considere un modelo de regresin clsico de k variables: . Demuestre que el
vector de estimadores MCO de es sesgado cuando se asume A3Rsru, es decir, los regresores
y las perturbaciones tienen covarianza contempornea igual a cero.

Aplico esperanza en ambos lados:
Es una funcin no lineal de X, no sabemos si es igual a 0. Por lo

tanto es estimador de MCO bajo A3Rsru es sesgado.

4. Considere el siguiente modelo de regresin lineal clsico, . Calcule

utilizando:

a. La formula de la varianza total.

La frmula de la varianza total se define como:

A B

B =
, por supuesto A3sru:

B = 0

A =
, debido a que
tiene media 0 (por B), entonces su varianza ser:

A =

Entonces:


22

b. Ley de esperanzas iteradas.

5. Sea el modelo de regresin lineal clsico utilizando notacin matricial:

donde el vector de perturbaciones (de orden ) se distribuye normal con media 0 (vector
) y matriz de varianzas y covarianzas igual a
es un escalar y una matriz positivo

definida de orden ). En particular, se asume que las perturbaciones son heterocedsticas:

2
=
2

a. Demuestre que le estimador MCO del vector es insesgado y consistente. Asuma que
los datos se comportan bien en asintticamente, es decir:

Adems, asuma por simplicidad que:
.

b. Asumiendo que
es diferente para cada , demuestre que el

estimador MCO del vector es asintticamente normal, es decir:

donde:

San Miguel, marzo de 2011


23

Insesgadez:

Aplico esperanza condicional:

Bajo A3Rmi y A2:
Entonces:

Aplicando esperanzas iteradas:

Consistencia:

Aplico :

Slutsky:

Por A3Rsru

a. Asumiendo que
es diferente para cada , demuestre que el

estimador MCO del vector es asintticamente normal, es decir:

Sol.

De acuerdo al enunciado y usando la regla de slutsky:

Adems, se demuestra que


24

Demostracin:
-

Por TLC:

Luego, por Cramer:

Sol Lab 02 Eco 2

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Sol Lab 02 Eco 2

Uploaded by

Copyright:

Available Formats

PONTIFICIA UNIVERSIDAD CATLICA DEL PER

FACULTAD DE CIENCIAS SOCIALES

. Hay evidencia de quiebre estructural en la

. En este caso, se acepta la Hiptesis nula.

Erick Lahura Econometra 2 / 2010-2

, Cul es la metodologa apropiada? Por qu? Se

Es una funcin no lineal de X, no sabemos si es igual a 0. Por lo

, por supuesto A3sru:

tiene media 0 (por B), entonces su varianza ser:

es un escalar y una matriz positivo

es diferente para cada , demuestre que el

es diferente para cada , demuestre que el

You might also like