11.1 ESTABLZCASE SI LAS SIGUIENTES AFIRMACIONES SON CIERTAS, FALSAS O INCIERTAS Y BREVEMENTE DE SUS RAZONES.

a) En presencia de heteroscedasticidad, los estimadores MCO son sesgados al igual que ineficientes. (F) Porque en presencia de heteroscedasticidad los estimadores de MCO siguen siendo insesgados y consistentes pero ya no tienen varianza mnima es decir, ya no son eficientes. b) Si hay heteroscedasticidad, las pruebas convencionales t y F son invlidas. (V) Porque dado que Var[pic] no es mnima los intervalos de confianza tienden a ser innecesariamente grandes y las pruebas t y F tienden a ser imprecisas. c) En presencia de heteroscedasticidad, el mtodo MCO usual sobreestima siempre los errores estndar de los estimadores. (V) Porque la caracterstica ms sobresaliente de estos resultados es que los MCO, con o sin correccin por heteroscedasticidad , sobreestiman consistentemente el verdadero error estndar obtenido mediante el procedimiento MCG, especialmente para valores grandes de , con lo cual se establece la superioridad de MCG. d) Si los residuales estimados a travs de una estimacin MCO exhiben un patrn sistemtico, significa que hay presencia de heteroscedasticidad en los datos. (V)

Porque si los residuos al cuadrado nos da un valor mayor que cero o nos presenta un patrn sistemtico significa que existe heteroscedasticidad. e) No hay una prueba general de heteroscedasticidad que este libre de supuesto alguno sobre cul de las variables esta correlacionada con el trmino de error. (F) Porque no existe una prueba que nos seale especficamente que variable explicativa esta relacionada con el trmino de perturbacin, sino que ms bien nos dan pruebas generales para detectar heteroscedasticidad. f) Si el modelo de regresin esta mal especificado (por ejemplo, se ha omitido una variable importante), los residuos MCO mostraran un patrn claramente distinguible. (V) Es verdadero porque al omitir una variable que tiene relevancia terica en el modelo se va a distinguir claramente un patrn sistemtico, ya que los residuos van a presentar un gran peso por la variable omitida. g) Si una regresora que tiene varianza no constante se omite (incorrectamente) de un modelo, los residuos MCO sern heteroscedsticos. (V) Es verdadero porque si se omite una variable que tiene varianza no constante, esta va a seguir presente en el modelo a travs del trmino de perturbacin y seguir siendo heteroscedstica.

11.2 EN UNA REGRESIN DE SALARIOS PROMEDIO (W,$) SOBRE EL NMERO DE EMPLEADOS (N) PARA UNA MUESTRA ALEATORIA DE 30 EMPRESA s. Se obtuvieron los siguientes resultados: [pic] 7.5 + 0.009N t = n.a. (16.10) R[pic] [pic] = 0.008 + 7.8 (1/N) t =(14.43) (76.58) [pic]= 0.99

a) Cmo se interpretan las dos regresiones?

i) Dado un incremento unitario en el nmero de empleados se estima que los salarios promedio tambin se incrementar en 0.009 dlares, es decir existe una relacin directa entre los salarios promedio y el nmero de empleados, por tanto si se incrementa el nmero de empleados tambin se incrementarn los salarios promedios y viceversa.

ii) Como observamos en la segunda regresin podemos darnos cuenta que el autor trata de corregir la heteroscedasticidad dividiendo el modelo para la variable estocstica con lo cual el modelo mejora ya que se obtiene un coeficiente de determinacin

mayor y las pruebas t de significancia individual se incrementan.

b) Qu esta suponiendo el autor al pasar de la ecuacin (1) a la (2)? Estaba preocupado por la heteroscedasticidad? Cmo se sabe? El autor al pasar de la ecuacin (1) a la (2) supone que existe heteroscedasticidad y por la misma razn trata de corregir este problema dividiendo la regresin para la variable heteroscedstica a travs del mtodo de Mnimos Cuadrados Generalizados que es capaz de producir estimadores que son MELI.

c) Se puede relacionar las intersecciones y las pendientes de los modelos? S, ya que estamos considerando un mismo modelo en donde las relaciones entre las variables son directas, pero se puede observar que las pendientes y las intersecciones cambian debido a que se utiliza una medida para corregir la heteroscedasticidad.

d) Se pueden comparar los valores R2 de los modelos? Por que si o por que no? Los coeficientes de determinacin no son comparables en estos dos modelos de regresin ya que la variable dependiente no es la misma debido a la correccin de la heteroscedasticidad.

11.6 CON PROPSITOS PEDAGGICOS HANUSHEK Y JACKSON ESTIMAN EL SIGUIENTE MODELO:

[pic]

donde [pic]gasto agregado de consumo privado en el ao t, .PNBt=producto nacional bruto en el ao t y Dt= gasto de defensa nacional en el ao t, siendo el objetivo del anlisis estudiar el efecto de los gastos de defensa sobre otros gastos en la economa.

Postulan que [pic]t=[pic](PNBt)2, luego transforman (1) y estiman. [pic]

Los resultados empricos basados en la informacin para 19461975 fueron los siguientes (errores estndar entre parntesis):

[pic] (2.73) (0.0060) (0.0736) R2=0.999

[pic]

(2.22) (0.0068) (0.0597) R2=0.875

a) Qu supuesto hacen los autores sobre la naturaleza de la heteroscedasticidad? Puede justificarse? El supuesto que hacen los autores sobre la naturaleza de la heteroscedasticidad es que la varianza del trmino de perturbacin no es constante a lo largo de la regresin y esto puede justificarse debido a que han sido omitidas algunas variables relevantes en el modelo.

b) Comprense los resultados de las dos regresiones. La transformacin del modelo original ha mejorado los resultados, es decir, ha reducido los errores estndar estimados? Por qu si o por qu no? En general podemos darnos cuenta que en los modelos las relaciones existentes entre las variables explicativas y la dependiente no cambian, pero como los autores sealan que existe heteroscedasticidad tratan de mejorar el modelo y como resultado se obtiene que en su mayora los errores estndar disminuyen porque aplicando una medida de correccin se espera que la varianza sea mnima y por lo tanto los errores estndar tambin sean mnimos.

c) Se puede comparar los dos valores de R2? Por qu si o por qu no? (Pista: Examnense las variables dependientes) No se pueden comparar los valores del coeficiente de determinacin ya que la variable dependiente en estos modelos de regresin no es la misma siendo esta una condicin necesaria para que los [pic] sean comparables.

a) De la regresin anterior, obtngase los residuos [pic]. Para cada Xi obtenemos como residuos los siguientes valores: RESIDUOS ([pic]) |-775.7709 | | -205.1284 | | 165.7972 | | 183.8684 | | 199.3065 | | 54.55018 | | 113.7094 | | 150.4718 | | 113.1957 | [pic] b) Siguiendo la prueba de Park, efectese la regresin de [pic]sobre [pic]y verifquese la regresin (11.5.4) Comparando los resultados de la regresin 11.5.4 con el modelo anteriormente corrido obtenemos los siguientes resultados. [pic] ee = (38.319) (4.216) (11.5.4) t = (0.934) (-0.667) R[pic] [pic] ee = (38.3227) (4.1961) modelo corrido

t = (0.93487) (-0.66776) R[pic] De acuerdo a la prueba de Park obtuvimos los resultados anteriores y fijndonos en el [pic] podemos concluir diciendo que no hay una relacin estadsticamente significativa entre las dos variables y por lo tanto no hay heteroscedasticidad en la varianza del error. c) Siguiendo el mtodo de Glejser, efectese la regresin de [pic]sobre [pic] y luego efectes la regresin de [pic] sobre [pic]y comntense sus resultados. i) Modelo 1 Como podemos darnos cuenta con los resultados obtenidos al aplicar la prueba de Glejser nos damos cuenta que no existe relacin entre el valor absoluto de los residuos y la variable explicativa productividad promedio, ya que Glejser sugiere hacer la regresin sobre los valores absolutos de los residuos sobre la variable X que se cree que est muy asociada con la varianza, por lo tanto existe homoscedasticidad. ii) Modelo 2 Utilizando otra de las formas funcionales de Glejser nos damos cuenta que no existe relacin entre el valor absoluto de los residuos y la variable explicativa productividad promedio, es decir existe homoscedasticidad. d) Encuntrese la correlacEncueseasticidad Encuesin por rango entre [pic] y [pic] y comntese sobre la naturaleza de la heteroscedasticidad presente en los datos, si sta existe.

INTERPRETACIN: Como el t dado excede al t calculado en valores absolutos, entonces no hay suficiente evidencia estadstica para rechazar la hiptesis de que existe homoscedasticidad por lo tanto hay heteroscedasticidad.

11.15. La tabla 11.7 proporciona datos sobre 81 automviles respecto a su: MPG (millas promedio por galn), CF(caballos de fuerza de su motor), VOL(pies cbicos de su cabina), VM(velocidad mxima en millas por hora) y su PS(peso del vehculo en cientos de lbs).

Donde: VOL = pies cbicos del espacio de la cabina CF = caballos de fuerza del motor. MPG = millas promedio por galn. VM = velocidad mxima. PS = peso del vehiculo, cientos de libra.

a) Considere el siguiente modelo:

Estime los parmetros de este modelo e interprete los resultados. Tiene significado econmico?

Con los datos presentados en la tabla anterior corremos el modelo en el programa Eviews y obtenemos los siguientes resultados:

|Dependent Variable: MPG | |Variable |Coefficient |Std. Error |t-Statistic |Prob. | |C |75.72373 |28.61802 |2.646015 |0.0099 | |VM |-0.111336 |0.289859 |-0.384103 |0.7020 | |CF |0.011069 |0.095636 |0.115738 |0.9082 | |PS |-1.003452 |0.265787 |-3.775403 |0.0003 | |R-squared |0.664598 | Mean dependent var |33.36765 | |Adjusted R-squared |0.651531 | S.D. dependent var |10.70712 | | F-statistic |50.85849 | |Durbin-Watson stat |1.394075 | Prob(F-statistic) |0.000000 |

ee = (28.62) (0.29) (0.0956) (0.266) t = (2.65) (-0.38) (0.12) (-3.78) 0.665

INTERPRETACIN:

Dados incrementos unitarios en la velocidad mxima se estima que las millas promedio por galn disminuirn en 0.11 millas por galn manteniendo todo lo dems constante, es decir existe una relacin inversa entre MPG y la velocidad mxima.

[pic] Dados incrementos en los caballos de fuerza de motor se estima que las millas promedio por galn tambin se incrementarn en 0.01 milla por galn manteniendo todo lo dems constante, es decir existe una relacin directa entre MPG y los caballos de fuerza de motor, por tanto si incrementa el uno tambin incrementar el otro y viceversa.

[pic] Dados incrementos unitarios en el peso del vehculo, cientos de libras se estima que las millas promedio por galn disminuir en 1.00 millas por galn manteniendo todo lo dems constante, es decir existe una relacin inversa entre las MPG y el peso del vehiculo, cientos de libra.

b) Se esperara que la varianza del error en el modelo anterior sea heteroscedstica? Por qu? Si se esperara que la varianza del error en este modelo sea heteroscedstica ya que estamos utilizando datos de corte transversal y es en este caso donde existe mayor probabilidad que se de heteroscedasticidad es decir que la varianza no sea constante a lo largo de la regresin.

c) Utilice la prueba White para averiguar si la varianza de error es heteroscedstica.

|Variable |Coefficient |Std. Error |t-Statistic |Prob. | |C |-20940160 |28561411 |-0.733163 |0.4659 | |VM |445660.3 |594060.7 |0.750193 |0.4556 | |VM^2 |-2282.160 |3124.536 |-0.730400 |0.4675 | |VM*CF |1214.655 |1966.184 |0.617773 |0.5387 | |VM*PS |-2242.884 |5680.112 |-0.394866 |0.6941 | |CF |-114865.3 |198918.2 |-0.577450 |0.5655 | |CF^2 |-151.9130 |342.2568 |-0.443857 |0.6585 | |CF*PS |418.6345 |2188.015 |0.191331 |0.8488 | |PS |163107.1 |603790.5 |0.270139 |0.7878 | |PS^2 |509.4899 |4019.457 |0.126756 |0.8995 | |R-squared |0.035193 | Mean dependent var |37597.08 | |Adjusted R-squared |-0.087107 | S.D. dependent var |309158.7 | F-statistic |0.287759 | |Durbin-Watson stat |2.109911 | Prob(F-statistic) |0.976044 |

De acuerdo a la prueba de White podemos observar que los valores p son mayores que a un de 0.05 or0 por lo que podemos decir que existe homoscedasticidad.

d) Obtngase los errores estndar de White que son consistentes con la heteroscedasticidad, as como los valores t, y compare los resultados con los obtenidos mediante los MCO.

Valores t mediante los MCO. t = (2.65) (-0.38) (0.12) (-3.78) ee= (28.62) (0.29) (0.0956) (0.266)

Valores t mediante White t= (-0.733) (0.750) (-0.577) (-0.270) ee=(28561411) (594060.7) (198918.2) (603790.5)

Comparando los valores t de MCO con los obtenidos en la prueba de White podemos darnos cuenta que estos valores en su mayora son poco significativos, por lo tanto se puede concluir diciendo que existe homoscedasticidad, ahora las desviaciones estndar de MCO son mnimos a comparacin de los obtenidos a partir de la prueba de White ya que su varianza se ha inflado enormemente y por lo tanto ya no son eficientes.

e) Si se establece la heteroscedasticidad, Cmo se podra transformar los datos de manera que en los datos transformados la varianza de error sea homoscedstica? Muestre los clculos

necesarios.

Si se establece heteroscedasticidad se puede corregir aplicando el mtodo de MCG para que de esta manera la varianza de error sea homoscedstica pero en este caso no se puede hacer ningn clculo debido a que este modelo presenta homoscedasticidad, como podemos darnos cuenta en los siguientes grficos:

* Relacionando los residuos al cuadrado con la velocidad mxima al cuadrado.

[pic]

Observando el grfico podemos decir que no existe mucha variabilidad de los datos con respecto a su media y por lo tanto no hay presencia de heteroscedasticidad.

*Relacionando los residuos al cuadrado con los caballos de fuerza de motor al cuadrado. [pic] Observando el grfico podemos decir que no existe mucha variabilidad de los datos con respecto a su media y por lo tanto no hay presencia de heteroscedasticidad.

*Relacionando los residuos al cuadrado con el peso de vehculo, cientos de libras al cuadrado.

[pic] Observando el grfico podemos decir que no existe mucha variabilidad de los datos con respecto a su media y por lo tanto no hay presencia de heteroscedasticidad.