Material Practica2!12!13 Ade

Material Docente de
Econometra
Curso 2012-2013. Segunda parte
Prcticas y cuestiones
Cuarto curso de Administracin y Direccin de Empresas

Cuarto curso de Derecho y A.D.E
Profesores:
Isabel Gmez Valle
Yolanda Gonzlez Gonzlez
Mara Dolores de Prada Moraga
Mercedes Prieto Alaiz
ECONOMETRA
Curso 2012-2013
PROBLEMAS: Temas 7 a 11
PRCTICA 16.- Se sabe que la inversin que realizan una serie de empresas
pertenecientes a un determinado sector se comporta de acuerdo con el modelo
Yi = 0 + 1 X i + i , en el que: Yi es la inversin que realiza las empresa i-sima y Xi
son los beneficios de la empresa i-sima. Se supone que las perturbaciones siguen las
hiptesis clsicas. La informacin disponible viene dada de la siguiente forma:
Sector
N de empresas
encuestadas
16
25
16
25
36
9
9
16
Alimentacin
Elctricas
Construccin
Textil
Minera
Naval
Inmobiliario
Comunicacin
100
105
108
115
120
130
150
180
110
115
125
130
132
140
150
160
a) Con la informacin disponible, obtener el valor de los estimadores ptimos del

modelo propuesto as como el de sus varianzas.
b) Predecir la inversin media de una empresa del sector siderrgico cuando se conoce
que el beneficio medio de 25 empresas de dicho sector es de 100 mil euros.
PRCTICA 17.- Un empresario intenta cuantificar la relacin existente entre el
volumen de ventas (Y) y los gastos de promocin en su empresa (X). A priori conoce
que la relacin es del tipo
Yi = 0 + 1 X i + i
donde E ( i ) = 0 ; E ( i j ) = 0 i j ; E ( i2 ) = 2 X i
y dispone de los siguientes datos
muestrales:
Y
X
120
4
130
9
150
25
160
36
180
49
200
64
Obtener las estimaciones MCO y MCG de o y 1 y las matrices de varianzas y

covarianzas respectivas de los estimadores.
ECONOMETRA
Curso 2012-2013
PRCTICA 18.- Los datos del fichero datos18.wf1 corresponden a la cantidad de trigo
ofertada (qt) y al precio de garanta del trigo (pt) desde 1964 a 1989 en una determinada
rea geogrfica.
Se plantea la siguiente relacin lineal para explicar la cantidad ofertada de trigo,
q t = 0 + 1 pt + 2 t + t
donde t = 1, ... ,26 es una variable que recoge la tendencia y t es la perturbacin

aleatoria que recoge, entre otras cosas, la influencia del clima. Se sabe que, despus del
ao 1976, se introdujo una nueva variedad de trigo, menos susceptible a las condiciones
climatolgicas.
Se pide:
a) Estimar la relacin lineal propuesta, en primer lugar para todas las observaciones y,
posteriormente con las observaciones de 1964 a 1976 y de 1977 a 1989. Comentar los
resultados obtenidos.
b) Contrastar la hiptesis: H o : 12 = 22 , donde 12 es la varianza de t de
t = 1964, ..., 1976 y 22 es la varianza de t de t =1977, ..., 1989.
c) Con la informacin del apartado anterior estimar la relacin lineal propuesta.

MODELO I
Dependent Variable: Q
Method: Least Squares
Sample: 1964 1989
Included observations: 26
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
C
P
T
139.9009
19.54050
3.639084
23.21761
17.41501
1.417651
6.025639
1.122049
2.566982
0.0000
0.2734
0.0172
R-squared
0.808885
Adjusted R-squared 0.792267
S.E. of regression
19.96687
Sum squared resid
9169.549
Log likelihood
-113.1445
Durbin-Watson stat 1.454224
Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
233.4231
43.80837
8.934193
9.079358
48.67332
0.000000
ECONOMETRA
Curso 2012-2013
MODELO II
Sample: 1964 1976
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
C
P
T
121.1745
19.14782
6.885293
44.20106
32.42234
3.004995
2.741439
0.590575
2.291283
0.0208
0.5679
0.0449
R-squared
0.663893
S.E. of regression
25.33063
Sum squared resid
6416.407
Log likelihood
-58.75702
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
203.6462
39.88562
9.501080
9.631453
9.876200
0.004289
MODELO III
Sample: 1977 1989
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
C
P
T
137.2942
22.06256
3.257443
14.67813
9.280747
0.994419
9.353663
2.377239
3.275726
0.0000
0.0388
0.0083
R-squared
0.901025
S.E. of regression
7.599905
Sum squared resid
577.5855
Log likelihood
-43.10660
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
263.2000
22.05236
7.093323
7.223696
45.51789
0.000009
ECONOMETRA
Curso 2012-2013
MODELO IV
Sample: 1964 1989
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable
C
P
T
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Coefficient
Std. Error
t-Statistic
Prob.
139.9009
19.54050
3.639084
26.13475
20.73594
1.707988
5.353063
0.942349
2.130626
0.0000
0.3558
0.0440
0.808885
0.792267
19.96687
9169.549
-113.1445
1.454224
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
233.4231
43.80837
8.934193
9.079358
48.67332
0.000000
PESOS=1/Si
i=1,2.
MODELO V. Modelo transformado multiplicando por PESOS y estimado por MCO
Dependent Variable: Q*PESOS
Sample: 1964 1989
Variable
PESOS
P*PESOS
T*PESOS
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Coefficient
Std. Error
t-Statistic
Prob.
138.0541
21.71974
3.283439
12.82104
8.924004
0.822641
10.76777
2.433856
3.991337
0.0000
0.0231
0.0006
0.995002
0.994568
1.013476
23.62408
-35.64661
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
21.33555
13.75089
2.972816
3.117981
1.520418
White Heteroskedasticity Test:

F-statistic
Obs*R-squared
1.698677
11.55056
Prob. F(8,17)
Prob. Chi-Square(8)
0.170503
0.172411
Test Equation:
Dependent Variable: RESID^2
Sample: 1964 1989
Collinear test regressors dropped from specification
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PESOS
PESOS*(P*PESOS)
PESOS*(T*PESOS)
P*PESOS
-9.121425
189.1897
488.3635
-235.9451
69.19183
7.006076
177.6848
846.5774
91.63176
48.45183
-1.301931
1.064749
0.576868
-2.574927
1.428054
0.2103
0.3019
0.5716
0.0197
0.1714
ECONOMETRA
Curso 2012-2013
(P*PESOS)^2
(P*PESOS)*(T*PESOS)
T*PESOS
(T*PESOS)^2
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
-765.9454
155.4955
0.523282
-4.455816
0.444252
0.182724
0.951053
15.37652
-30.06409
2.243237
281.1230
58.40109
4.599402
2.932875
-2.724592
2.662545
0.113772
-1.519266
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
0.0144
0.0164
0.9108
0.1471
0.908627
1.052011
3.004930
3.440425
1.698677
0.170503
MODELO VI Salida del programa Eviews con la opcin ponderar del mtodo de estimacin de
mnimos cuadrados ordinarios.
Sample: 1964 1989
Weighting series: PESOS
Variable
C
P
T
Coefficient Std. Error t-Statistic

138.0541
21.71974
3.283439
12.82104
8.924004
0.822641
10.76777
2.433856
3.991337
Prob.
0.0000
0.0231
0.0006
Weighted Statistics
R-squared
0.995002
Adjusted R-squared
0.994568
S.E. of regression
11.84958
Sum squared resid
3229.489
Log likelihood
Durbin-Watson stat
-99.57818
1.520418
Mean dependent var
249.455
7
S.D. dependent var
160.775
7
Akaike info criterion 7.89062
9
Schwarz criterion
8.03579
4
F-statistic
84.2561
4
Prob(F-statistic)
0.00000
0
Unweighted statistics
R-squared
0.806086
Mean dependent var
Adjusted R-squared
0.789224
S.D. dependent var
S.E. of regression
20.11257
Sum squared resid
Durbin-Watson stat
1.425144
233.423
1
43.8083
7
9303.85
6
ECONOMETRA
Curso 2012-2013

F-statistic
Obs*R-squared
1.698677
11.55056
Prob. F(8,17)
Prob. Chi-Square(8)
0.170503
0.172411
Test Equation:
Dependent Variable: WGT_RESID^2
Sample: 1964 1989
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
P*WGT
P^2*WGT^2
(P*T)*WGT^2
P*WGT^2
T*WGT
T^2*WGT^2
T*WGT^2
WGT
-1246.905
808.9845
-765.9454
155.4955
488.3635
6.118163
-4.455816
-235.9451
2211.988
957.7354
566.4943
281.1230
58.40109
846.5774
53.77577
2.932875
91.63176
2077.474
-1.301931
1.428054
-2.724592
2.662545
0.576868
0.113772
-1.519266
-2.574927
1.064749
0.2103
0.1714
0.0144
0.0164
0.5716
0.9108
0.1471
0.0197
0.3019
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.444252
0.182724
130.0095
287342.2
-157.9267
2.243237
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
124.2100
143.8106
12.84052
13.27601
1.698677
0.170503
ECONOMETRA
Curso 2012-2013
PRCTICA 19.- Se dispone de datos del gasto, la renta y el tamao de 100 hogares
espaoles en el ao 1990-1991. Tanto el gasto como la renta vienen medidos en euros.
Se ha estimado por MCO la relacin que liga linealmente el gasto con el resto de las
variables, obtenindose los siguientes resultados:
Dependent Variable: GASTO
Sample: 1 100
Variable
Coefficient Std. Error
C
RENTA
TAM
t-Statistic
Prob.
-0.134659 1.009825 -0.133349

0.500614 0.038399 13.03714
1.282955 0.274347 4.676391
0.8942
0.0000
0.0000
R-squared
0.734809
S.E. of regression
3.820460
Sum squared resid
1415.804
Log likelihood
-274.4080
Mean dependent var 13.35263

S.D. dependent var 7.343530
Schwarz criterion
5.626315
F-statistic
134.3873
Prob(F-statistic)
0.000000
40
40
30
30
GASTO
GASTO
a) Analizar grficamente la presencia de heteroscedasticidad en el modelo.

b) Contrastar la presencia de heteroscedasticidad mediante:
*El contraste de White.
*El contraste de Goldfeld y Quandt. En primer lugar, ordenando las
observaciones segn la renta y despus segn el tamao del hogar.
*Otros contrastes basados en regresiones
c) Estimar el modelo.
d) Contrastar que la propensin marginal a consumir es de 0.5.
20
10
20
10
0
0
10
20
30
40
RENTA
50
60
70
80
TAM
Curso 2012-2013
240
240
200
200
200
160
160
160
120
120
120
E2
240
E2
E2
ECONOMETRA
80
80
80
40
40
40
0
0
10
20
30
40
VAL_AJUST ADOS
0
0
10
20
30
40
50
60
70
80
R ENTA

32.44831
63.31586
Probability
Probability
0.000000
0.000000
Test Equation:
Sample: 1 100
Variable
C
RENTA
RENTA^2
RENTA*TAM
TAM
TAM^2

-13.18167
0.021719
0.052845
-0.307834
9.994553
-0.726085
R-squared
0.633159
S.E. of regression
20.24586
Sum squared resid
38530.13
Log likelihood
-439.5951
T AM
Contraste de White
F-statistic
Obs*R-squared
t-Statistic
Prob.
10.30122 -1.279623
0.818892 0.026523
0.010054 5.255886
0.139976 -2.199191
5.239092 1.907688
0.771886 -0.940663
0.2038
0.9789
0.0000
0.0303
0.0595
0.3493

Schwarz criterion
9.068213
F-statistic
32.44831
Prob(F-statistic)
0.000000
ECONOMETRA
Curso 2012-2013
Contraste de Goldfeld-Quandt (eliminando 30 observaciones centrales)

Orden ascendente de la renta
Sample: 1 35
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
C
RENTA
TAM
0.108249
0.616879
0.531363
1.005430
0.133450
0.306067
0.107664
4.622549
1.736102
0.9149
0.0001
0.0922
R-squared
0.659001
S.E. of regression
1.792774
Sum squared resid
102.8492
Log likelihood
-68.52638
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)

Sample: 66 100
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
C
RENTA
TAM
4.825714
0.364799
1.305505
3.471062
0.083448
0.568760
1.390270
4.371567
2.295352
0.1740
0.0001
0.0284
R-squared
0.428685
S.E. of regression
5.394783
Sum squared resid
931.3178
Log likelihood
-107.0848
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
20.60732
6.924235
6.290558
6.423874
12.00558
0.000129
ECONOMETRA
Curso 2012-2013
Orden ascendente del tamao

Sample: 1 35
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
C
RENTA
TAM
1.876647
0.385843
1.013174
1.722683
0.047875
0.997985
1.089375
8.059336
1.015219
0.2841
0.0000
0.3176
R-squared
0.720309
S.E. of regression
3.318795
Sum squared resid
352.4609
Log likelihood
-90.08070
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
9.668284
6.088028
5.318897
5.452213
41.20596
0.000000

Sample: 66 100
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
C
RENTA
TAM
-1.933282
0.727824
0.647159
2.737822 -0.706139
0.068591 10.61101
0.633227 1.022002
0.4852
0.0000
0.3144
R-squared
0.834693
S.E. of regression
3.281588
Sum squared resid
344.6022
Log likelihood
-89.68610
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
15.84047
7.830221
5.296348
5.429664
80.78965
0.000000
ECONOMETRA
Curso 2012-2013
Contrastes basados en regresiones

Modelo I
ABS_RESID=-3,133+ 1,372* RENTA
(6,775)
Modelo II
ABS_RESID=-0,3576+ 0,1576*RENTA
(7,539)
Modelo III
1
ABS_RESID=4,27-2,85*
TAM
(-1,8)
Modelo IV
1
ABS_RESID=3,418-2,20*
TAM
(1,988)
Modelo V.1
RESID2=-25,586+ 2,976*GASTOF
(6,962)
Modelo V.2
RESID2=-6,930+ 0,096*GASTOF^2
(8,768)
R2= 0.3176
R 2 = 0,3176
R2= 0,3671
R 2 = 0,3606
R2= 0,032
R 2 = 0,022
R2= 0,0387
R 2 = 0,0289
R2= 0,330
R 2 = 0,324
F*=48,470
R2= 0,439
R 2 = 0,433
F*=76,894
Modelo VI
RESID2=-3,004+ 0,037888*(RENTA)2
R2= 0,573 R 2 = 0,57 F*=131,2
(11,45)
Modelo VII
RESID2=9,938 1,129*RENTA+0,055*(RENTA)2 R2= 0,589 R 2 = 0,58 F*=69,6
(-1,99)
(5,93)
ECONOMETRA
Curso 2012-2013
Modelo transformado basado en el modelo II: pesos=1/RENTA

Sample: 1 100
Weighting series: 1/RENTA
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
RENTA
TAM
0.038700
0.635471
0.512375
0.372448
0.043209
0.193765
0.103907
14.70702
2.644315
0.9175
0.0000
0.0095
Weighted Statistics
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.079069
0.060081
2.310736
517.9314
-224.1275
2.211352
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
10.06332
2.383444
4.542550
4.620705
272.7295
0.000000
0.693247
0.686922
4.108954
1.348938
Mean dependent var

S.D. dependent var
Sum squared resid
13.35263
7.343530
1637.700
Unweighted Statistics
R-squared
Adjusted R-squared
S.E. of regression
Durbin-Watson stat

F-statistic
Obs*R-squared
0.996884
5.035561
Prob. F(5,94)
Prob. Chi-Square(5)
Modelo transformado basado en el modelo VII: pesos=1/(E2F)^0,5

Donde E2F=9,938 1,129*RENTA+0,055*(RENTA)2
Sample: 1 100
Weighting series: 1/(E2F^0.5)
Variable
C
RENTA
TAM
t-Statistic
Prob.
-0.513198 0.728576 -0.704385

0.619664 0.048528 12.76918
0.758427 0.210612 3.601056
0.4829
0.0000
0.0005
Weighted Statistics
R-squared
0.518659
Adjusted R-squared
0.508734
S.E. of regression
2.668774
Sum squared resid
690.8683
Log likelihood
Durbin-Watson stat
-238.5328
2.179010
Mean dependent var
11.5240
6
S.D. dependent var
3.80761
9
6
Schwarz criterion
4.90881
1
F-statistic
141.143
6
Prob(F-statistic)
0.00000
0.424055
0.411556
ECONOMETRA
Curso 2012-2013
0
Unweighted Statistics
R-squared
0.706358
Mean dependent var
Adjusted R-squared
0.700304
S.D. dependent var
S.E. of regression
4.020181
Sum squared resid
Durbin-Watson stat
1.356072
13.3526
3
7.34353
0
1567.70
0

F-statistic
Obs*R-squared
0.918563
7.471899
Prob. F(8,91)
Prob. Chi-Square(8)
0.505032
0.486676
Dependent Variable: WGT_RESID^2

Sample: 1 100
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
RENTA*WGT
RENTA^2*WGT^2
(RENTA*TAM)*WGT^2
RENTA*WGT^2
TAM*WGT
TAM^2*WGT^2
TAM*WGT^2
WGT
4.734471
0.202187
0.021144
0.197577
-0.602466
-3.618845
-0.753798
5.016289
-3.242817
44.29706
3.636310
0.093306
0.388278
3.121177
8.057282
0.522922
4.052340
41.73629
0.106880
0.055602
0.226604
0.508855
-0.193025
-0.449140
-1.441511
1.237875
-0.077698
0.9151
0.9558
0.8212
0.6121
0.8474
0.6544
0.1529
0.2189
0.9382
ECONOMETRA
Curso 2012-2013
PRCTICA 20.- Un investigador quiere analizar el efecto de la renta sobre el nmero

de tratamientos recetados para curar una determinada dolencia. Para ello dispone de los
datos por provincias espaolas para el ao 1998 de las variables: Nmero de
tratamientos recetados (TRATAMIENTOS), total de habitantes que constituyen el
grupo de riesgo (G_RIESGO), poblacin total (POBLACIN) y renta familiar bruta
disponible (RENTA). Dada la posible influencia de la poblacin, de los grupos de riesgo
y de la renta en los tratamientos, el investigador plantea dos modelos economtricos. En
el modelo 1 introduce las variables en niveles y en el modelo 2 transforma las variables
en trminos per cpita. Las estimaciones de los modelos junto con ciertos resultados
adicionales se muestran a continuacin.
Modelo 1
Dependent Variable: TRATAMIENTOS
Sample: 1 52
Variable
RENTA
POBLACION
G_RIESGO
C

0.001550
-0.005473
0.135640
589.0181
R-squared
0.972690
S.E. of regression
1583.457
Sum squared resid 1.20E+08
Log likelihood
-454.8067
t-Statistic
Prob.
0.001255 1.235633
0.003800 -1.440226
0.056686 2.392816
354.6794 1.660706
0.2226
0.1563
0.0207
0.1033

Schwarz criterion
17.79651
F-statistic
569.8737
Prob(F-statistic)
0.000000
Matriz de correlaciones
TRATAMIENTOS POBLACION G_RIESGO RENTA
TRATAMIENTOS
1.000000
0.979275
0.984646 0.983809
POBLACION
0.979275
1.000000
0.997783 0.989643
G_RIESGO
0.984646
0.997783
1.000000 0.994350
RENTA
0.983809
0.989643
0.994350 1.000000
F-statistic
Obs*R-squared
4.406440
25.25429
Probability
Probability
0.000426
0.002702
ECONOMETRA
Curso 2012-2013
Modelo 2
Dependent Variable: TRATAMIENTOS/POBLACION
Sample: 1 52
Variable
t-Statistic
Prob.
RENTA/POBLACION
G_RIESGO/POBLACION
C
0.003158 0.001080 2.923004

0.215306 0.038798 5.549416
-0.01383 0.002762 -5.008580
0.0052
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.587790
0.570965
0.001750
0.000150
257.8695
1.677384

Akaike info criterion -9.802674
Schwarz criterion
-9.690102
F-statistic
34.93578
Prob(F-statistic)
0.000000
TRATAM/POBLA
TRATAM/POBLA
1.000000
RENTA/POBLA
0.573342
G.RIESGO/POBLA
0.718272
RENTA/POBLA
0.573342
1.000000
0.468462
G.RIESGO/POBLA
0.718272
0.468462
1.000000

F-statistic
Obs*R-squared
2.038425
9.431759
Probability
Probability
0.090784
0.093033
Analiza los resultados de las estimaciones de ambos modelos argumentando los posibles
problemas que pueden presentar. Justifica adecuadamente con cul te quedaras para
analizar el efecto de la renta sobre el nmero de tratamientos recetados.
ECONOMETRA
Curso 2012-2013
PRCTICA 21: El fichero datos21.wf1 contiene, para el periodo 1993:12 a 1997:12,

las observaciones de las variables:
Ventas: nmero total de desodorantes vendidos por una empresa
Tiendas: nmero de tiendas que tiene la empresa y
Temperatura: temperatura media de la zona.
Se desea analizar el nmero total de desodorantes vendidos por la empresa, para lo que
se plantea lo siguiente:
a) Estima el modelo que relaciona, linealmente, el nmero total de desodorantes
vendidos por la empresa en funcin del nmero de tiendas que tiene dicha
empresa y analiza los resultados. Estudia la posible presencia de autocorrelacin
mediante el anlisis grfico de los residuos y alguna prueba estadstica.
b) A partir de las conclusiones obtenidas en el apartado anterior y teniendo en
cuenta que el nmero de desodorantes vendidos debera estar relacionado con la
temperatura media de la zona, el empresario decide incluir en la regresin
anterior esta nueva variable. Analiza los resultados de dicha estimacin.
c) Comenta las propiedades de los estimadores de los 2 modelos estimados
justificando adecuadamente la respuesta.
d) Contrasta la significacin de la variable nmero de tiendas.
Dependent Variable: VENTAS
Sample: 1993:12 1997:12
Variable
Coefficien
Std. Error
t-Statistic
Prob.
TIENDAS
C
0.428462
3.255909
0.025666
0.580801
16.69376
5.605895
0.0000
0.0000
R-squared
0.855687
S.E. of regression
1.449162
Sum squared resid
98.70326
Log likelihood
-86.68528
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
12.31481
3.774791
3.619807
3.697025
278.6817
0.000000
Anlisis Grfico de los residuos MCO:

4
E_1
-2
-2
-4
-4
-2
0
RESID01
-4
94:0194:0795:0195:0796:0196:0797:0197:07
RESID01
ECONOMETRA
Curso 2012-2013
Test de Breusch con dos retardos:

Breusch-Godfrey Serial Correlation LM Test:
F-statistic
Obs*R-squared
8.631808
13.58606
Probability
Probability
0.000671
0.001122
Test Equation:
Dependent Variable: RESID
Presample missing value lagged residuals set to zero.
Variable
TIENDAS
C
RESID(-1)
RESID(-2)

-0.004288
0.074367
0.602180
-0.170414
R-squared
0.277267
S.E. of regression
1.259066
Sum squared resid
71.33615
Log likelihood
-78.72977
t-Statistic
Prob.
0.022347 -0.191888
0.505260 0.147186
0.152101 3.959088
0.155122 -1.098577
0.8487
0.8836
0.0003
0.2778
Mean dependent var 1.27E-16

Schwarz criterion
3.531160
F-statistic
5.754539
Prob(F-statistic)
0.002025
Dependent Variable: VENTAS

Sample: 1993:12 1997:12
Variable
TIENDAS
TEMPERATURA
C

0.473534
0.494054
2.330233
R-squared
0.900497
S.E. of regression
1.216333
Sum squared resid
68.05542
Log likelihood
-77.57629
0.023710
0.108549
0.528211
19.97230
4.551426
4.411554
Prob.
0.0000
0.0000
0.0001

Schwarz criterion
3.404654
F-statistic
208.1491
Prob(F-statistic)
0.000000
ECONOMETRA
Curso 2012-2013
PRCTICA 22: El fichero datos22.wf1 contiene los datos del consumo de combustible
en una factora (Y) as como de su precio (X) para el perodo 1978-1997.Se plantea la
siguiente relacin lineal para explicar el consumo de combustible:
Yt = o + 1 X t + t
Estima el modelo por mnimos cuadrados ordinarios y analizar las propiedades de
estos estimadores.
Contrasta la presencia de autocorrelacin
Obtn el mejor estimador factible
Obtn el estimador MCO con matriz de varianzas consistente
Predecir el consumo de combustible en el ao 1998 suponiendo un precio de 188
unidades monetarias.
Dependent Variable: Y
Sample: 1978 1997
Variable
C
X
t-Statistic
Prob.
5265.422 113.4110 46.42779

-23.29502 0.875628 -26.60380
0.0000
0.0000
R-squared
0.975198
S.E. of regression
162.9857
Sum squared resid
478157.9
Log likelihood
-129.1984

Schwarz criterion
13.21941
F-statistic
707.7622
Prob(F-statistic)
0.000000

F-statistic
Obs*R-squared
33.37486
13.25060
Probability
Probability
0.000022
0.000272
Test Equation:
Variable
Coefficien
Std. Error
t-Statistic
Prob.
X
C
RESID(-1)
-0.453986
43.99762
0.892956
0.529284 -0.857735
68.21939 0.644943
0.154568 5.777098
0.4030
0.5276
0.0000
R-squared
0.662530
S.E. of regression
97.42686
Sum squared resid
161363.9
Log likelihood
-118.3356
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
-6.08E-13
158.6386
12.13356
12.28292
16.68743
0.000098
ECONOMETRA
Curso 2012-2013

F-statistic
Obs*R-squared
16.67439
13.51554
Probability
Probability
0.000122
0.001162
Test Equation:
Variable
X
C
RESID(-1)
RESID(-2)

-0.339322
32.91757
1.047259
-0.217829
R-squared
0.675777
S.E. of regression
98.43453
Sum squared resid
155029.7
Log likelihood
-117.9352
t-Statistic
Prob.
0.553244 -0.613332
70.27409 0.468417
0.246595 4.246879
0.269413 -0.808533
0.5483
0.6458
0.0006
0.4306
Mean dependent var -6.08E-13

Schwarz criterion
12.39266
F-statistic
11.11626
Prob(F-statistic)
0.000344
Sample: 1978 1997

Autocorrelation Partial Correlation
. |****** |
. |**** |
. |**. |
. | . |
. *| . |
.**| . |
***| . |
***| . |
***| . |
***| . |
. |****** |
.**| . |
. | . |
. *| . |
. | . |
. *| . |
. *| . |
. *| . |
. *| . |
. | . |
1
2
3
4
5
6
7
8
9
10
AC
PAC
0.742
0.465
0.244
0.029
-0.097
-0.206
-0.324
-0.393
-0.433
-0.416
0.742
-0.191
-0.057
-0.178
0.012
-0.152
-0.170
-0.104
-0.126
-0.055
Q-Stat
12.748
18.028
19.573
19.596
19.872
21.210
24.768
30.438
37.933
45.533
Prob
0.000
0.000
0.000
0.001
0.001
0.002
0.001
0.000
0.000
0.000
ECONOMETRA
Curso 2012-2013
Sample(adjusted): 1979 1997
Included observations: 19 after adjusting endpoints
Convergence achieved after 46 iterations
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
X
C
AR(1)
-27.43928
5911.882
0.765369
1.754252 -15.64159
297.0666 19.90086
0.070356 10.87847
0.0000
0.0000
0.0000
R-squared
0.997334
S.E. of regression
53.65968
Sum squared resid
46069.78
Log likelihood
-100.9978
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
2335.752
979.7976
10.94714
11.09626
2992.676
0.000000

F-statistic
Obs*R-squared
1.74E-05
2.21E-05
Probability
Probability
0.996725
0.996252
Test Equation:
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
X
C
AR(1)
RESID(-1)
-0.002618
0.470915
0.000101
-0.001324
2.165749 -0.001209
371.8464 0.001266
0.086224 0.001167
0.332831 -0.003977
0.9991
0.9990
0.9991
0.9969
R-squared
0.000001
Adjusted R-squared -0.199999
S.E. of regression
55.41944
Sum squared resid
46069.72
Log likelihood
-100.9978
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
1.12E-05
50.59083
11.05240
11.25123
5.81E-06
1.000000
ECONOMETRA
Curso 2012-2013
MCO con matriz de varianzas consistente

Sample: 1978 1998
Newey-West HAC Standard Errors & Covariance (lag truncation=2)
Variable
Prob.
X
-23.67725 1.512740 -15.65190
0.0000
C
5302.170 208.3538 25.44792
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.976323
0.975077
166.4393
526338.5
-136.1541
0.156365
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
2324.474
1054.272
13.15753
13.25701
783.4601
0.000000
ECONOMETRA
Curso 2012-2013
PRCTICA 23: Se desea estimar el comportamiento de la formacin bruta de capital

en una determinada empresa. Para ello, el fichero datos23.wf1 contiene informacin,
para el periodo 1970-2004, de la variables FBC (formacin bruta de capital), V (ventas),
ambas medidas en miles de euros, y P (ndice de productividad del factor trabajo).
Estima por mnimos cuadrados ordinarios un modelo que explique el
comportamiento de la formacin bruta de capital en funcin del resto de variables.
Contrasta la presencia de autocorrelacin mediante:
Mtodos grficos.
Estadstico d de Durbin y Watson.
Test de Breusch y Godfrey.
Identificacin de la serie de los residuos.
Obtn el estimador MCGF suponiendo un esquema AR(1) y AR(2)
Obtn el estimador MCO con matriz de varianzas consistente
Selecciona el modelo ms adecuado justificando claramente tu eleccin
Estimador de mnimos cuadrados ordinarios.
Dependent Variable: FBC
Sample: 1970 2004
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
C
P
V
121.3447
16.03323
0.017106
9.760064
1.802198
0.006727
12.43277
8.896488
2.542787
0.0000
0.0000
0.0160
R-squared
0.991552
S.E. of regression
5.586936
Sum squared resid
998.8435
Log likelihood
-108.3097
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
374.0257
58.96968
6.360556
6.493871
1877.909
0.000000
Anlisis Grficos de los residuos MCO:

15
12
10
8
4
)
1
-(
E
0
-4
-5
-8
-10
1975
1980
1985
1990
1995
2000
-12
-10
-5
10
15
ECONOMETRA
Curso 2012-2013
Test de Breusch y Godfrey (2 retardos)

F-statistic
Obs*R-squared
7.102732
11.24728
Probability
Probability
0.002983
0.003611
Test Equation:
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
C
P
V
RESID(-1)
RESID(-2)
-0.909081
-0.069493
0.000952
0.589572
0.098903
8.351036 -0.108858
1.537827 -0.045189
0.005737 0.166038
0.202434 2.912421
0.207713 0.476155
0.9140
0.9643
0.8692
0.0067
0.6374
R-squared
0.321351
S.E. of regression
4.753470
Sum squared resid
677.8642
Log likelihood
-101.5258
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
Identificacin de la serie de los residuos.
3.82E-14
5.420124
6.087190
6.309383
3.551366
0.017363
ECONOMETRA
Curso 2012-2013
Obtencin de estimadores MCG factibles.

Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
C
P
V
AR(1)
132.5875
12.39562
0.033612
0.665502
17.53667
3.462645
0.014244
0.158063
7.560585
3.579813
2.359670
4.210349
0.0000
0.0012
0.0250
0.0002
R-squared
0.994398
S.E. of regression
4.591556
Sum squared resid
632.4717
Log likelihood
-97.93958
Inverted AR Roots
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
376.1441
58.48908
5.996446
6.176018
1774.935
0.000000
.67

F-statistic
Obs*R-squared
0.245074
0.284921
Probability
Probability
0.624295
0.593494
Test Equation:
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
C
P
V
AR(1)
RESID(-1)
-2.723617
0.214711
-0.000179
0.072877
-0.142508
18.59419 -0.146477
3.533779 0.060760
0.014432 -0.012402
0.217484 0.335090
0.287866 -0.495050
0.8846
0.9520
0.9902
0.7400
0.6243
R-squared
0.008380
S.E. of regression
4.650442
Sum squared resid
627.1716
Log likelihood
-97.79652
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
2.89E-11
4.377877
6.046854
6.271319
0.061269
0.992681
ECONOMETRA
Curso 2012-2013

Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
C
P
V
AR(1)
AR(2)
130.7254
12.41571
0.034128
0.593085
0.058359
18.58506
3.566013
0.014656
0.215180
0.204618
7.033898
3.481679
2.328549
2.756229
0.285211
0.0000
0.0017
0.0273
0.0102
0.7776
R-squared
0.994232
S.E. of regression
4.709785
Sum squared resid
621.0981
Log likelihood
-95.25217
Inverted AR Roots
.68
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
378.3000
58.00788
6.075889
6.302632
1206.561
0.000000
-.09

F-statistic
Obs*R-squared
2.839446
3.140197
Probability
Probability
0.103502
0.076385
Test Equation:
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
C
P
V
AR(1)
AR(2)
RESID(-1)
8.183053
-3.439512
0.015958
2.764676
-1.806932
-2.778144
18.64794 0.438818
4.012462 -0.857207
0.017067 0.935021
1.653886 1.671624
1.090482 -1.657004
1.648686 -1.685066
0.6643
0.3989
0.3581
0.1062
0.1091
0.1035
0.095157
Mean dependent var
R-squared

S.E. of regression
4.562309
Sum squared resid
561.9960
Log likelihood
-93.60226
-1.50E08
Schwarz criterion
6.308593
F-statistic
0.567889
Prob(F-statistic)
0.723788
ECONOMETRA
Curso 2012-2013
MCO con matriz de varianzas consistente

Sample: 1970 2004
Newey-West HAC Standard Errors & Covariance (lag truncation=3)
Variable
P
V
C
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

16.03323
0.017106
121.3447
0.991552
0.991024
5.586936
998.8435
-108.3097
0.784768
2.408058
0.009048
12.94808
Prob.
6.658158
1.890664
9.371638
0.0000
0.0678
0.0000
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
374.0257
58.96968
6.360556
6.493871
1877.909
0.000000
ECONOMETRA
Curso 2012-2013
PRCTICA 24: Se desea estimar la relacin existente entre la superficie dedicada al

cultivo de caa de azcar (SA), el precio de la misma (PA) y el precio de un producto
alternativo como el yute (PY), para la economa de Bangla Desh. Para ello se dispone de
observaciones de dichas variables para el periodo 1960-1993 recogidas en el fichero
datos24.wf1.
El economista est interesado en contrastar la hiptesis de si la elasticidad del precio del
azcar sobre la superficie cultivada de azcar es igual pero cambiada de signo que la
elasticidad del precio del yute sobre la superficie cultivada de azcar, es decir, que si el
coeficiente que acompaa a la variable LPA es igual a menos el coeficiente de la
variable LPY.
a) Estima por mnimos cuadrados ordinarios (MCO) el modelo propuesto. Calcula
la funcin de autocorrelacin y la funcin de autocorrelacin parcial de los
residuos de esta estimacin y realiza el contraste de Breusch-Godfrey.
b) Estima por MCGF el modelo suponiendo que la perturbacin sigue un esquema
AR(1). Analiza mediante un contraste la posible existencia de autocorrelacin.
c) Estima por MCGF el modelo suponiendo que la perturbacin sigue un esquema
MA(1). Analiza mediante un contraste la posible existencia de autocorrelacin.
d) Estima por MCO el modelo inicial incluyendo adicionalmente entre los
regresores la variable endgena retardada un periodo. Analiza mediante un
contraste la posible existencia de autocorrelacin.
e) Estima por MCO el modelo inicial incluyendo adicionalmente entre los
regresores todas las variables (endgena y explicativas) retardadas un periodo.
Analiza mediante un contraste la posible existencia de autocorrelacin.
f) Realiza el contraste en el que est interesado el economista, eligiendo para ello
el modelo (o modelos) adecuado(s), explicando los motivos que te han llevado a
la seleccin del mismo y al rechazo de los restantes.
g) Comenta las propiedades de los estimadores de los tres primeros modelos
estimados.
h) Realiza una prediccin para el ao 1994, desde el modelo que consideres
oportuno, de la superficie de cultivo de caa de azcar suponiendo que para
1994 lpa=lpy=6 y para el ao 1993 los valores de las variables son: lsa=5.2,
lpa=6.2 y lpy=7.1.
ECONOMETRA
Curso 2012-2013
Dependent Variable: LSA

Sample: 1960 1993
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
C
LPA
LPY
2.969897
1.095169
-0.638824
1.005541 2.953531
0.048297 22.67577
0.155854 -4.098854
0.0059
0.0000
0.0003
R-squared
Adjusted R-squared
S.E. of regression
0.946049
0.942568
0.134154
Sum squared resid
0.557913
Log likelihood
Durbin-Watson stat
21.62460
0.471041

1.095565
Schwarz criterion
0.960886
F-statistic
271.7958
Prob(F-statistic)
0.000000
ECONOMETRA
Curso 2012-2013

F-statistic
Obs*R-squared
38.28836
19.06334
Probability
Probability
0.000001
0.000013
Test Equation:
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
C
LPA
LPY
RESID(-1)
0.588107
0.005792
-0.089367
0.756213
0.684131 0.859641
0.032554 0.177922
0.105997 -0.843103
0.122211 6.187759
0.3968
0.8600
0.4058
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.560686
0.516755
0.090388
0.245099
35.60781
1.739750
Mean dependent var

1.61E-16
S.D. dependent var
0.130025
Schwarz criterion
-1.679711
F-statistic
12.76279
Prob(F-statistic)
0.000015

Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
C
LPA
LPY
AR(1)
3.476362
1.060881
-0.686556
0.770129
0.778550 4.465173
0.123258 8.606993
0.069633 -9.859702
0.117305 6.565167
0.0001
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.975684
0.973168
0.087138
0.220196
35.83582
1.810982
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
4.586190
0.531962
-1.929444
-1.748049
387.8720
0.000000

F-statistic
Obs*R-squared
0.387031
0.449924
Probability
Probability
0.538898
0.502371
ECONOMETRA
Curso 2012-2013

Sample: 1960 1993
Backcast: 1959
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
C
LPA
LPY
MA(1)
2.877548
1.072862
-0.607854
0.683673
0.486533 5.914395
0.054389 19.72565
0.065264 -9.313761
0.131864 5.184687
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.970730
0.967804
0.100445
0.302677
32.02073
1.451767
Mean dependent var

4.552341
S.D. dependent var
0.559790
Schwarz criterion
-1.468706
F-statistic
331.6525
Prob(F-statistic)
0.000000

F-statistic
Obs*R-squared
4.883203
4.898832
Probability
Probability
0.035169
0.026875

Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
C
LPA
LPY
LSA(-1)
4.207700
0.684137
-0.767301
0.423919
0.865840 4.859675
0.117470 5.823936
0.128861 -5.954501
0.105460 4.019713
0.0000
0.0000
0.0000
0.0004
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.962696
0.958837
0.107928
0.337806
28.77458
0.913578
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
4.586190
0.531962
-1.501490
-1.320095
249.4655
0.000000

F-statistic
Obs*R-squared
18.36372
13.07062
Probability
Probability
0.000195
0.000300
ECONOMETRA
Curso 2012-2013
Dependent Variable: E
Variable
E(-1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Coefficient
Std. Error
t-Statistic
Prob.
0.481447
0.144355
3.335156
0.0022
0.260811
0.260811
0.083841
0.217907
34.42473
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
-0.006382
0.097516
-2.089045
-2.043241
1.845311

Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
LPA
LPY
LSA(-1)
LPA(-1)
LPY(-1)
1.640927
0.952426
-0.754790
0.775778
-0.672579
0.444443
1.157663
0.151223
0.110519
0.117282
0.179299
0.128281
1.417448
6.298160
-6.829483
6.614664
-3.751165
3.464588
0.1678
0.0000
0.0000
0.0000
0.0009
0.0018
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.977912
0.973821
0.086071
0.200020
37.42148
1.689883
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
4.586190
0.531962
-1.904332
-1.632240
239.0738
0.000000

F-statistic
Obs*R-squared
0.948634
1.161652
Probability
Probability
0.339042
0.281123
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
E(-1)
0.147720
0.176826
0.835401
0.4099
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.021637
0.021637
0.078948
0.193215
36.34896
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
-0.001548
0.079816
-2.209310
-2.163506
1.967410
ECONOMETRA
Curso 2012-2013
PRCTICA 25.- El fichero datos25.wf1 contiene datos anuales para la economa

espaola desde 1977 a 1995 de las variables macroeconmicas: tipo de inters (R),
producto nacional bruto a precios de mercado (Y), oferta monetaria (M), inversin
privada nacional (INV) y gasto pblico (G), con objeto de estimar un modelo para
predecir el tipo de inters.
a) Estima por MCO el modelo que explica el tipo de inters como una funcin del
producto nacional bruto y la oferta monetaria, y realiza los contrastes incorporados en el
programa Eviews sobre la matriz de varianzas y covarianzas de las perturbaciones.
Estudia tambin la existencia de correlaciones entre todas las variables explicativas.
b) Se quiere conocer las propiedades de los estimadores MCO. Para ello, dado que
podemos considerar la oferta monetaria exgena y que, a priori, el Producto Nacional
Bruto est relacionado con la inversin y el gasto, contrasta el posible carcter endgeno
de la variable Producto Nacional Bruto mediante el test de exogeneidad de Hausman.
Indica las propiedades de los estimadores MCO a partir de los resultados obtenidos.
c) Reestima el modelo mediante el mtodo de variables instrumentales utilizando como
instrumentos de Y:
1.- los sealados en el apartado b) de forma separada
2.- los sealados en el apartado b) de forma conjunta
3.- alguna combinacin lineal de ambos
d) Compara las diferentes estimaciones realizadas en el apartado anterior y estudia si los
instrumentos utilizados cumplen los requisitos necesarios para ser buenos instrumentos
de Y.
Apartado a
Dependent Variable: R
Sample: 1977 1995
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
Y
M
C
4.16E-07
-0.000765
7.054917
6.99E-07 0.595520
0.000650 -1.177376
17.89002 0.394349
0.5598
0.2563
0.6985
R-squared
0.507925
S.E. of regression
2.163875
Sum squared resid
74.91767
Log likelihood
-39.99337
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
14.18579
2.908307
4.525617
4.674739
8.257682
0.003438
ECONOMETRA
Curso 2012-2013
Y
M
INV
G
Y
1.000000
0.989235
0.926001
0.991070
M
0.989235
1.000000
0.889987
0.991464
INV
0.926001
0.889987
1.000000
0.875907
G
0.991070
0.991464
0.875907
1.000000

F-statistic
0.821977 Probability
Obs*R-squared
Test Equation:
Variable
Y
M
C
RESID(-1)
0.378937
0.320457
t-Statistic
Prob.
2.63E-07 7.60E-07 0.346074

-0.000248 0.000708 -0.349454
-6.693281 19.44625 -0.344194
0.250215 0.275984 0.906629
0.7341
0.7316
0.7355
0.3789
R-squared
0.051952
S.E. of regression
2.176014
Sum squared resid
71.02558
Log likelihood
-39.48654
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
-1.13E-15
2.040121
4.577531
4.776360
0.273992
0.843218

F-statistic
Obs*R-squared
0.475533
1.208627
Probability
Probability
0.631235
0.546449
Test Equation:
Variable
t-Statistic
Prob.
1.23E-07
-0.000112
-3.139051
0.250522
-0.128940
8.51E-07 0.144254
0.000798 -0.140318
21.74042 -0.144388
0.283909 0.882404
0.308813 -0.417534
0.8874
0.8904
0.8873
0.3925
0.6826
R-squared
0.063612
S.E. of regression
2.238495
Sum squared resid
70.15202
Log likelihood
-39.36897
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
-1.13E-15
2.040121
4.670418
4.918955
0.237767
0.912314
Y
M
C
RESID(-1)
RESID(-2)

F-statistic
Obs*R-squared
0.619084
0.531301
ECONOMETRA
Curso 2012-2013
Apartado b
Sample: 1977 1995
Variable
Coefficient
Std. Error
t-Statistic
Prob.
INV
G
M
C
0.677929
2.546405
78.23446
15220223
0.091570
0.416195
112.0526
1282668.
7.403428
6.118301
0.698194
11.86606
0.0000
0.0000
0.4957
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.996734
0.996081
312192.3
1.46E+12
-265.0903
0.833117
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
33993589
4987010.
28.32529
28.52412
1526.043
0.000000
Sample: 1977 1995
Variable
Coefficient
Std. Error
t-Statistic
Prob.
Y
M
YF
C
-3.91E-06
-0.001483
5.11E-06
-12.86388
1.39E-06
0.000549
1.51E-06
15.12380
-2.810116
-2.701419
3.377035
-0.850572
0.0132
0.0164
0.0041
0.4084
R-squared
0.720458 Mean dependent var
Adjusted R-squared
0.664550 S.D. dependent var
S.E. of regression
1.684435 Akaike info criterion
Sum squared resid
42.55983 Schwarz criterion
Log likelihood
-34.62131 F-statistic
Durbin-Watson stat
2.135583 Prob(F-statistic)
YF guarda los valores ajustados de la regresin de Y sobre INV, G y M
14.18579
2.908307
4.065401
4.264231
12.88641
0.000198
Apartado c.1
Method: Two-Stage Least Squares
Sample: 1977 1995
Instrument list: M INV G C
Variable
Coefficient
Std. Error
t-Statistic
Prob.
M
Y
C
-0.001483
1.20E-06
-12.86388
0.000732
7.88E-07
20.16938
-2.025631
1.516989
-0.637793
0.0598
0.1488
0.5326
0.469679
0.403389
2.246394
8.648245
0.002843
Mean dependent var

S.D. dependent var
Sum squared resid
Durbin-Watson stat
R-squared
Adjusted R-squared
S.E. of regression
F-statistic
Prob(F-statistic)
14.18579
2.908307
80.74056
1.374651
ECONOMETRA
Curso 2012-2013
Apartado c.2
Sample: 1977 1995
Instrument list: M INV C
Variable
Coefficient
Std. Error
t-Statistic
Prob.
M
Y
C
-0.002075
1.84E-06
-29.33376
0.001062
1.15E-06
29.35736
-1.955136
1.603019
-0.999196
0.0683
0.1285
0.3326
R-squared
Adjusted R-squared
S.E. of regression
F-statistic
Prob(F-statistic)
0.380284
0.302819
2.428359
7.700905
0.004543
Mean dependent var

S.D. dependent var
Sum squared resid
Durbin-Watson stat
14.18579
2.908307
94.35086
1.192246
Sample: 1977 1995
Instrument list: M G C
Variable
Coefficient
Std. Error
t-Statistic
Prob.
M
Y
C
-0.000572
2.07E-07
12.41395
0.001201
1.30E-06
33.26450
-0.476693
0.158742
0.373189
0.6400
0.8759
0.7139
R-squared
Adjusted R-squared
S.E. of regression
F-statistic
Prob(F-statistic)
0.505157
0.443301
2.169953
8.047754
0.003814
Mean dependent var

S.D. dependent var
Sum squared resid
Durbin-Watson stat
14.18579
2.908307
75.33916
1.568118
Apartado c.3
Sample: 1977 1995
Instrument list: M YF C
Variable
Coefficient
Std. Error
t-Statistic
Prob.
M
Y
C
-0.001483
1.20E-06
-12.86388
0.000732
7.88E-07
20.16938
-2.025631
1.516989
-0.637793
0.0598
0.1488
0.5326
R-squared
Adjusted R-squared
S.E. of regression
F-statistic
Prob(F-statistic)
0.469679
0.403389
2.246394
8.648245
0.002843
Mean dependent var

S.D. dependent var
Sum squared resid
Durbin-Watson stat
14.18579
2.908307
80.74056
1.374651
ECONOMETRA
Curso 2012-2013
YF1 es el ajuste de la regresin de Y sobre INV y G

Sample: 1977 1995
Instrument list: M YF1 C
Variable
Prob.
M
Y
C
-0.001456 0.000731 -1.993427

1.17E-06 7.87E-07 1.483509
-12.13581 20.13309 -0.602780
0.0636
0.1574
0.5551
R-squared
Adjusted R-squared
S.E. of regression
F-statistic
Prob(F-statistic)
0.472424
0.406477
2.240573
8.637025
0.002858

Sum squared resid 80.32266
Apartado d
Correlaciones entre Y y los instrumentos
Y
INV
Y
1.000000
0.926001
INV
0.926001
1.000000
G
0.991070
0.875907
YF
0.998366
0.927516
YF1
0.998313
0.927566
G
0.991070
0.875907
1.000000
0.992692
0.992745
YF
0.998366
0.927516
0.992692
1.000000
0.999947
YF1
0.998313
0.927566
0.992745
0.999947
1.000000
Correlaciones entre los residuos del modelo original y los instrumentos

EMCO
INV
G
YF
YF1
EMCO
1.000000
0.158687 -0.005268
0.034631
0.035467
INV
0.158687
1.000000
0.875907
0.927516
0.927566
G
-0.005268
0.875907
1.000000
0.992692
0.992745
YF
0.034631
0.927516
0.992692
1.000000
0.999947
YF1
0.035467
0.927566
0.992745
0.999947
1.000000
ECONOMETRA
Curso 2012-2013
PRCTICA 26.- Se quiere estimar el consumo privado (CPRIV) como funcin del
producto interior bruto (PIB) suponiendo una relacin lineal. Se dispone de
observaciones de ambas variables para el periodo 1970-1997 (fichero datos26.wf1). As
mismo, se supone que el efecto del PIB sobre el consumo privado se produce no solo en
el periodo corriente sino que se dilata en el tiempo. Para llevar a cabo dicha estimacin,
un econmetra propone un modelo de variables retardadas con estructura de retardo
infinito suponiendo un esquema de Koyck.
a) Plantea el modelo de retardos de estructura infinita y aplica la transformacin de
Koyck. Estima el modelo dinmico que obtienes.
b) Basndote en la informacin disponible, contrasta la posible presencia de
autocorrelacin en el modelo transformado.
c) Son consistentes los estimadores mnimo cuadrtico ordinarios de los parmetros
del modelo transformado? Crees que existe un mtodo de estimacin que
proporcione estimadores con mejores propiedades? En caso afirmativo realiza en el
ordenador dicha estimacin.
Apartado a
Dependent Variable: CPRIV
Variable
Coefficient Std. Error t-Statistic Prob.
PIB
C
CPRIV(-1)
0.363770 0.046365
1284319. 278139.5
0.383849 0.077091
R-squared
0.995746
S.E. of regression 260944.3
Log likelihood
-373.4669
7.845837 0.0000
4.617536 0.0001
4.979186 0.0000
Mean dependent var 21063535

S.D. dependent var 3844003.
Schwarz criterion
28.03042
F-statistic
2809.079
Prob(F-statistic)
0.000000
ECONOMETRA
Curso 2012-2013
Apartado b
F-statistic
Obs*R-squared
12.67349
9.592114
Prob. F(1,23)
0.001665
Prob. Chi-Square(1) 0.001954
Test Equation:
Sample: 1971 1997
Variable
PIB
C
CPRIV(-1)
RESID(-1)
t-Statistic
Prob.
0.074991
141852.5
-0.126361
0.684179
0.043474 1.724970
231590.5 0.612514
0.072513 -1.742594
0.192186 3.559984
0.0979
0.5462
0.0948
0.0017
R-squared
0.355263
S.E. of regression
214032.9
Log likelihood
-367.5416
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
-1.33E-09
250707.1
27.52160
27.71358
4.224496
0.016162
Con dos retardos:

F-statistic
Obs*R-squared
7.896340
11.28267
Probability
Probability
0.002601
0.003548
Test Equation:
Variable
PIB
CPRIV(-1)
C
RESID(-1)
RESID(-2)

0.109902
-0.185289
208334.3
0.587645
0.335826
R-squared
0.417877
S.E. of regression
207945.5
Log likelihood
-366.1625
t-Statistic
Prob.
0.047948 2.292094
0.080192 -2.310565
229116.7 0.909293
0.196983 2.983223
0.218312 1.538285
0.0318
0.0306
0.3730
0.0069
0.1382
Mean dependent var -3.63E-09

Schwarz criterion
27.73349
F-statistic
3.948170
Prob(F-statistic)
0.014558
ECONOMETRA
Curso 2012-2013
Test de la h de Durbin:
Sample (adjusted): 1972 1997
Included observations: 26 after adjustments
Variable
E(-1)

0.520203
R-squared
0.274323
S.E. of regression
215860.1
Log likelihood
-355.7246
0.169011
Prob.
3.077921
0.0050
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
6422.916
253396.6
27.44035
27.48874
2.014352
h=2,95
Apartado c
Dependent Variable: CPRIV
Instrument list: PIB PIB(-1) C
Variable
Prob.
PIB
CPRIV(-1)
C
0.421034
0.287220
1396524.
0.052666 7.994349
0.087797 3.271417
290313.0 4.810408
0.0000
0.0032
0.0001
R-squared
Adjusted R-squared
S.E. of regression
F-statistic
Prob(F-statistic)
0.995468
0.995090
269350.0
2630.203
0.000000
Mean dependent var 21063535

S.D. dependent var 3844003.
ECONOMETRA
Curso 2012-2013
PRCTICA 27.- Un investigador desea explicar el gasto que se dedica en Espaa a

inversin. Para ello dispone de los datos de la Contabilidad Nacional de Espaa en el
periodo 1970-97 medidos en millones de euros (base 1986) y recogidos en el fichero
datos27.wf1.
a) Estima por MCO el modelo que relaciona el gasto en inversin (INV) con la renta
nacional (Y) y el gasto pblico (G) mediante la ecuacin:
INVt = 0 + 1Yt + 2 Gt 1 + t . Analiza los resultados de la misma y estudia si
existe multicolinealidad y si sus perturbaciones siguen una distribucin normal con
matriz de varianzas-covarianzas 2I.
b) Tras realizar el anlisis anterior el investigador considera que podra ser adecuado
incluir en el modelo anterior el gasto en inversin y la renta retardados un periodo.
Estima el modelo sugerido y estudia si presenta alguno de los problemas que has
analizado en el modelo inicial, sabiendo que el analista lo ha elaborado nicamente
con el propsito de predecir el gasto en inversin. A partir del estudio anterior,
seala si MCO es un mtodo adecuado para estimar la inversin e indica las
propiedades de los estimadores obtenidos con dicho mtodo.
Apartado a
Dependent Variable: INV
Simple(adjusted): 1971 1997
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
Y
G(-1)
-37974.96
0.641975
-1.586727
13245.95
0.139382
0.539077
-2.866911
4.605852
-2.943413
0.0085
0.0001
0.0071
0.840042
0.826712
4335.808
4.51E+08
-262.8372
0.243235
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
INV
Y
G(-1)
INV
1.000000
0.884477
0.835855
Y
0.884477
1.000000
0.987629
G(-1)
0.835855
0.987629
1.000000
5
Series: Residuals
Sample 1971 1997
Observations 27
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
-3.37E-12
98.63572
6888.616
-7658.922
4165.710
0.002238
1.789645
1
Jarque-Bera
Probability
0
-8000 -6000 -4000 -2000
2000 4000 6000
1.648101
0.438651
45360.23
10415.64
19.69164
19.83562
63.01966
0.000000
ECONOMETRA
Curso 2012-2013

F-statistic
Obs*R-squared
2.283411 Probability 0.083311

9.509207 Probability 0.090398

F-statistic
Obs*R-squared
28.60305
19.50058
Probability
Probability
0.000001
0.000058
Test Equation:
Variable
Coefficient
Std. Error
t-Statistic
Prob.
Y
G(-1)
C
RESID(-1)
RESID(-2)
-0.044408
0.148261
767440.3
1.150346
-0.363534
0.077020
0.297744
1218242.
0.208851
0.208555
-0.576578
0.497949
0.629957
5.507969
-1.743107
0.5701
0.6235
0.5352
0.0000
0.0953
0.722244
0.671742
397114.5
3.47E+12
-383.6301
1.689959
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
-2.14E-09
693120.0
28.78741
29.02738
14.30153
0.000007
ECONOMETRA
Curso 2012-2013
Apartado b
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
Y
G(-1)
INV(-1)
Y(-1)
-10595.24
0.845330
-0.309555
0.818450
-0.721849
5087.982
0.079167
0.216262
0.063082
0.090766
-2.082404
10.67783
-1.431394
12.97439
-7.952891
0.0491
0.0000
0.1664
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.982816
0.979692
1484.296
48468972
-232.7194
1.575692
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
45360.23
10415.64
17.60884
17.84881
314.5694
0.000000
Probability
Probability
0.485984
0.426773

F-statistic
Obs*R-squared
0.503002
0.631588
Test Equation:
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
Y
G(-1)
INV(-1)
-49.06886
0.003208
-0.008546
-0.013941
5146.910
0.080204
0.219078
0.066766
-0.009534
0.040001
-0.039008
-0.208798
0.9925
0.9685
0.9693
0.8366
Y(-1)
RESID(-1)
0.001299
0.177863
0.091827
0.250784
0.014149
0.709226
0.9888
0.4860
0.023392
-0.209134
Mean dependent var

S.D. dependent var
R-squared
Adjusted R-squared
1.75E-11
1365.354
ECONOMETRA
Curso 2012-2013
PRCTICA 28.- Se desea estimar el gasto trimestral en capital (Y) efectuado por el
sector manufacturero en el periodo 1968-1989 en funcin de las decisiones de
asignacin de recursos (X) del sector. (Datos disponibles en el fichero datos28.wf1).
a) Plantea y estudia haciendo uso de la informacin que se proporciona, el modelo que
consideres ms adecuado, teniendo en cuenta que las asignaciones de capital
efectuadas por las empresas tienen efectos sobre las inversiones decididas no
solamente en el momento de la toma de decisin, sino que se extiende a lo largo de
varios aos hasta que el proyecto est terminado.
b) Con objeto de reducir el nmero de parmetros a estimar, plantea y estima el modelo
suponiendo que los coeficientes del modelo siguen una estructura polinomial de
Almon. Selecciona la ms adecuada.
Variable
X
X(-1)
X(-2)
X(-3)
X(-4)
X(-5)
X(-6)
X(-7)
X(-8)
C
1.926577
2.064425
1.526187
0.899597
0.864640
0.602963
0.530657
0.501705
0.261569
83.38553
R-squared
0.999903
S.E. of regression
246.0805
Sum squared resid
4238893.
Log likelihood
-548.6265
N Retardos 7
0.99983
R2
8
0.99989
0.045469
0.089845
0.117178
0.121350
0.122109
0.120344
0.123074
0.123461
0.078463
70.43090
42.37153
22.97773
13.02451
7.413226
7.080877
5.010331
4.311689
4.063654
3.333663
1.183934
Prob.
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0001
0.0014
0.2404

Schwarz criterion
14.26342
F-statistic
79878.59
Prob(F-statistic)
0.000000
9
0.9998
10
0.999887
11
0.9987
ECONOMETRA
Curso 2012-2013
X
X(-1)
X
1
0,9760
X(-1) 0,9760
1
X(-2) 0,9584 0,9883
X(-3) 0,9400 0,9664
X(-4) 0,9063 0,9391
X(-5) 0,8653 0,9019
X(-6) 0,8181 0,8571
X(-7) 0,7733 0,8049
X(-8) 0,7308 0,7568
X(-2)
0,9584
0,9883
1
0,9861
0,9635
0,9318
0,8880
0,8377
0,7863
X(-3)
0,9400
0,9664
0,9861
1
0,9857
0,9597
0,9225
0,8734
0,8233
X(-4)
0,9063
0,9391
0,9635
0,9857
1
0,9838
0,9541
0,9128
0,8617
X(-5)
0,8653
0,9019
0,9318
0,9597
0,9838
1
0,9816
0,9483
0,9050
X(-6)
0,8181
0,8571
0,8880
0,9225
0,9541
0,9816
1
0,9792
0,9440
X(-7)
0,7733
0,8049
0,8377
0,8734
0,9128
0,9483
0,9792
1
0,9780
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PDL01
PDL02
PDL03
35.11327
0.882192
-0.228631
0.020825
84.60083
0.017061
0.002525
0.002585
0.415046
51.70751
-90.52973
8.054988
0.6793
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.999842
0.999836
300.3782
6857258.
-567.8667
1.858416
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
45915.69
23475.85
14.29667
14.41577
160821.1
0.000000
Lag Distribution of
X
Coefficient
Std. Error
T-Statistic
.
*|
.
* |
.
* |
.
*
|
.
*
|
. *
|
. *
|
. *
|
.*
|
0
1
2
3
4
5
6
7
8
2.12991
1.75551
1.42275
1.13165
0.88219
0.67439
0.50823
0.38372
0.30087
0.02423
0.00814
0.00861
0.01498
0.01706
0.01445
0.00849
0.01169
0.02860
87.9024
215.714
165.278
75.5492
51.7075
46.6802
59.8386
32.8263
10.5199
9.18921
0.01825
503.427
Sum of
Lags
X(-8)
0,7308
0,7568
0,7863
0,8233
0,8617
0,9050
0,9440
0,9780
1
ECONOMETRA
Curso 2012-2013
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PDL01
PDL02
PDL03
PDL04
22.90945
0.872946
-0.296165
0.022310
0.005945
81.23898
0.016697
0.024515
0.002536
0.002148
0.282001
52.28283
-12.08083
8.796240
2.768333
0.7787
0.0000
0.0000
0.0000
0.0071
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.999857
0.999849
288.0169
6221528.
-563.9751
1.847797
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
45915.69
23475.85
14.22438
14.37325
131193.3
0.000000
Lag Distribution of
X
Coefficient
Std. Error
.
*|
.
* |
.
* |
.
*
|
.
*
|
. *
|
. *
|
. *
|
. *
|
0
1
2
3
4
5
6
7
8
2.03409
1.80172
1.50696
1.18548
0.87295
0.60504
0.41742
0.34576
0.42573
0.04169
0.01843
0.03152
0.02417
0.01670
0.02863
0.03380
0.01771
0.05279
48.7935
97.7775
47.8139
49.0400
52.2828
21.1357
12.3496
19.5219
8.06503
9.19513
0.01763
521.497
Sum of Lags
T-Statistic
ECONOMETRA
Curso 2012-2013
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PDL01
PDL02
PDL03
PDL04
PDL05
67.80170
0.705698
-0.255551
0.114385
0.002365
-0.005696
70.52748
0.035241
0.022521
0.017846
0.001974
0.001096
0.961352
20.02472
-11.34715
6.409721
1.197611
-5.198659
0.3395
0.0000
0.0000
0.0000
0.2349
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.999895
0.999888
248.1600
4557172.
-551.5225
1.999604
Lag Distribution
of X
.
*|
.
*|
.
* |
.
*
|
. *
|
. *
|
. *
|
. *
|
.*
|
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
i
Coefficient
Std. Error
0
1
2
3
4
5
6
7
8
1.94861
1.97662
1.56429
1.06757
0.70570
0.56120
0.57992
0.57099
0.20686
0.03950
0.03720
0.02931
0.03079
0.03524
0.02607
0.04272
0.04593
0.06198
49.3280
53.1332
53.3709
34.6700
20.0247
21.5297
13.5741
12.4307
3.33762
9.18176
0.01541
595.899
Sum of Lags
Wald Test:
Equation: Untitled
Null
Hypothesis:
C(5)=0
C(6)=0
F-statistic
Chi-square
18.67456
37.34912
45915.69
23475.85
13.93806
14.11672
141380.8
0.000000
Probability
Probability
0.000000
0.000000
T-Statistic
ECONOMETRA
Curso 2012-2013
PRCTICAS DE ECUACIONES SIMULTNEAS

PRCTICA 29: Un investigador desea explicar el gasto que se dedica en Espaa a inversin.
Para ello dispone de los datos de la Contabilidad Nacional de Espaa en el periodo 1970-97 en
unidades constantes de 1986 y recogidos en el fichero datos29.wf1.
1) Estima por MCO el modelo que relaciona el gasto en inversin (INV) con la renta nacional
(Y) y el Gasto pblico (G) mediante la ecuacin: INVt = 0 + 1Yt + 2 Gt 1 + t .
1.a) En cunto se cifra el grado de explicacin del modelo?
1.b) Analiza en dicho modelo, utilizando nicamente las tcnicas y contrastes que
incorpora el programa economtrico Eviews, si existe multicolinealidad y si sus
perturbaciones siguen una distribucin normal con matriz de varianzas-covarianzas 2I.
2) Tras realizar el anlisis anterior el investigador considera que podra ser adecuado incluir en
el modelo anterior el gasto en inversin y la renta retardados un periodo. Estima el modelo
sugerido y estudia si presenta alguno de los problemas que presentaba el modelo inicial,
sabiendo que el analista lo ha elaborado nicamente con el propsito de predecir el gasto en
inversin.
3) El investigador piensa que no es adecuado explicar el gasto en inversin a travs del modelo
uniecuacional propuesto sino con un sistema de ecuaciones simultneas en el que estara
incluida la ecuacin anterior. El sistema de tres ecuaciones propuesto es el siguiente, siendo
CONSUMO la variable Consumo nacional:
INVt = 0 + 1Yt + 2 Gt 1 + 3 INVt 1 + 4Yt 1 + u1t

CONSUMOt = 0 + 1Yt 1 + u 2t
Yt = CONSUMOt + INVt + Gt
3.a) Identifica las ecuaciones del sistema

3.b) Es posible estimar por Mnimos Cuadrados en dos etapas la ecuacin de gasto en
inversin? Si es as, calcula dicha estimacin con Eviews.
Apartado 1)
Date: 04/02/08 Time: 12:18
Variable
Coefficient
Std. Error
t-Statistic
Prob.
Y
G(-1)
C
0.641975
-1.586727
-6318540.
0.139382
0.539077
2203954.
4.605852
-2.943413
-2.866911
0.0001
0.0071
0.0085
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.840042
0.826712
721422.1
1.25E+13
-400.9237
0.243235
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
7547352.
1733027.
29.92028
30.06426
63.01966
0.000000
ECONOMETRA
INV
Y
G(-1)
Curso 2012-2013
INV
1.000000
0.884477
0.835855
Y
0.884477
1.000000
0.987629
G(-1)
0.835855
0.987629
1.000000
7
Series: Residuals
Sample 1971 1997
Observations 27
6
5
4
3
2
1
0
-1000000
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
-6.94e-10
16411.70
1146176.
-1274345.
693120.0
0.002238
1.789645
Jarque-Bera
Probability
1.648101
0.438651
1000000

F-statistic
Obs*R-squared
2.283411
9.509207
Prob. F(5,21)
Prob. Chi-Square(5)
0.083311
0.090398
Test Equation:
Date: 04/02/08 Time: 12:21
Sample: 1971 1997
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
Y
Y^2
Y*G(-1)
G(-1)
G(-1)^2
7.34E+12
-330540.9
-0.008340
0.164086
-115855.2
-0.528195
1.59E+13
2145413.
0.071267
0.557598
8494317.
1.080865
0.460289
-0.154069
-0.117018
0.294273
-0.013639
-0.488678
0.6500
0.8790
0.9080
0.7714
0.9892
0.6301
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.352193
0.197953
3.75E+11
2.96E+24
-754.4866
1.114163
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
4.63E+11
4.19E+11
56.33234
56.62030
2.283411
0.083311
ECONOMETRA
Curso 2012-2013

F-statistic
Obs*R-squared
28.60305
19.50058
Prob. F(2,22)
Prob. Chi-Square(2)
0.000001
0.000058
Test Equation:
Date: 04/03/08 Time: 12:24
Sample: 1971 1997
Variable
Coefficient
Std. Error
t-Statistic
Prob.
Y
G(-1)
C
RESID(-1)
RESID(-2)
-0.044408
0.148261
767440.3
1.150346
-0.363534
0.077020
0.297744
1218242.
0.208851
0.208555
-0.576578
0.497949
0.629957
5.507969
-1.743107
0.5701
0.6235
0.5352
0.0000
0.0953
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.722244
0.671742
397114.5
3.47E+12
-383.6301
1.689959
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
-6.94E-10
693120.0
28.78741
29.02738
14.30153
0.000007
ECONOMETRA
Curso 2012-2013
Apartado 2)
Date: 04/03/08 Time: 12:26
Variable
Coefficient
Std. Error
t-Statistic
Prob.
Y
G(-1)
INV(-1)
Y(-1)
C
0.845330
-0.309555
0.818450
-0.721849
-1762909.
0.079167
0.216262
0.063082
0.090766
846574.1
10.67783
-1.431394
12.97439
-7.952891
-2.082404
0.0000
0.1664
0.0000
0.0000
0.0491
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.982816
0.979692
246967.6
1.34E+12
-370.8059
1.575692
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
7547352.
1733027.
27.83748
28.07745
314.5694
0.000000

F-statistic
Obs*R-squared
Test Equation:
0.503002
0.631588
Prob. F(1,21)
Prob. Chi-Square(1)
0.485984
0.426773
ECONOMETRA
Curso 2012-2013

Date: 04/03/08 Time: 12:28
Sample: 1971 1997
Variable
Coefficient
Std. Error
t-Statistic
Prob.
Y
G(-1)
INV(-1)
Y(-1)
C
RESID(-1)
0.003208
-0.008546
-0.013941
0.001299
-8164.420
0.177863
0.080204
0.219078
0.066766
0.091827
856379.0
0.250784
0.040001
-0.039008
-0.208798
0.014149
-0.009534
0.709226
0.9685
0.9693
0.8366
0.9888
0.9925
0.4860
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.023392
-0.209134
249805.4
1.31E+12
-370.4864
1.736538
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
-1.54E-09
227177.1
27.88788
28.17585
0.100600
0.990921
Apartado 3)
1 ecuacin: Exactamente identificada
2 ecuacin: Sobreidentificada
3 ecuacin: Es una identidad

Date: 04/03/08 Time: 12:31
Instrument list: C G(-1) INV(-1) Y(-1) G
Variable
Coefficient
Std. Error
t-Statistic
Prob.
Y
G(-1)
INV(-1)
Y(-1)
C
1.074791
-0.437672
0.811936
-0.916133
-2459486.
0.240458
0.282760
0.074421
0.215932
1201414.
4.469761
-1.547855
10.91003
-4.242690
-2.047160
0.0002
0.1359
0.0000
0.0003
0.0528
R-squared
Adjusted R-squared
S.E. of regression
Durbin-Watson stat
0.976254
0.971937
290317.0
1.313018
Mean dependent var

S.D. dependent var
Sum squared resid
Second-stage SSR
7547352.
1733027.
1.85E+12
6.61E+12
ECONOMETRA
Curso 2012-2013
PRCTICA 30 Un investigador ha especificado el siguiente modelo de dos ecuaciones con el

que pretende realizar un determinado trabajo emprico:
Rt = 1 M t + 2Yt + u1t
Yt = 1 + 2 Rt + 3 INVt + u 2t
Se dispone de datos de la economa espaola para el periodo 1977-95 de las variables tipo de
inters (Rt), oferta monetaria (Mt), producto nacional bruto a precios de mercado (Yt) e
inversin (INVt) recogidos en el fichero datos30.wf1.
Se pide:
a) Identifica las ecuaciones del sistema
b) Estima el modelo por MC2E de las dos formas que permite Eviews: ecuacin a
ecuacin y estimando directamente el modelo conjunto.
c) Calcula los valores estimados de las variables endgenas del sistema.
d) Representa los valores observados y estimados
SOLUCIN:
a) 1 ecuacin: Sobreidentificada
2 ecuacin: Exactamente identificada
b.1) Ecuacin a ecuacin para la muestra de 1977 a 1995
1 Ecuacin: EQ01
Sample: 1977 1995
Instrument list: M INV
Variable
Coefficient
Std. Error
t-Statistic
Prob.
M
Y
-0.001024
6.94E-07
0.000125
3.83E-08
-8.228325
18.13914
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Durbin-Watson stat
0.503011
0.473777
2.109722
1.496218
Mean dependent var

S.D. dependent var
Sum squared resid
Second-stage SSR
14.18579
2.908307
75.66576
67.31254
2 Ecuacin: EQ02
Sample: 1977 1995
Instrument list: M INV
Variable
Coefficient
Std. Error
t-Statistic
Prob.
R
INV
C
-1030960.
1.786928
34996715
264141.5
0.334670
5720352.
-3.903060
5.339368
6.117930
0.0013
0.0001
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Durbin-Watson stat
0.862299
0.845087
1962839.
2.021568
Mean dependent var

S.D. dependent var
Sum squared resid
Second-stage SSR
33993589
4987010.
6.16E+13
5.11E+12
ECONOMETRA
Curso 2012-2013
Asignacin de un nombre para los valores estimados:

OBJECTS/NEW OBJECT/MODEL
ASSIGN @ALL F1
:EQ01
:EQ02
Denominacin del modelo: NAME/MODEL01
Obtencin de los valores estimados para 1977 a 1995: SOLVE/STATIC SOLUTION
RF1
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
17.26271
16.72288
16.42864
16.27959
15.61697
15.61102
15.36397
14.87364
14.52002
14.45263
14.60418
14.54927
14.49495
13.15551
12.20463
12.06769
10.71444
10.23683
10.48742
YF1
29094830
28998850
29056710
29498000
29296510
29756090
29887720
29773130
30301130
31638000
33207820
35299960
37356780
39867430
41059650
40467240
39328090
40348120
41521510
ECONOMETRA
Curso 2012-2013
b.2) Modelo conjunto

Diseo del sistema de ecuaciones: OBJECT/NEW OBJECT/SYSTEM
R=C(1)*M+C(2)*Y
Y=C(3)+C(4)*R+C(5)*INV
INST C M INV
Denominacin del sistema: NAME/SYS01
Estimacin del modelo: PROC/ESTIMATE/TWO-STAGE LEAST SQUARES
System: SYS01
Estimation Method: Two-Stage Least Squares
Date: 04/03/08 Time: 12:53
Sample: 1977 1995
Total system (balanced) observations 38
C(1)
C(2)
C(3)
C(4)
C(5)
Coefficient
Std. Error
t-Statistic
Prob.
-0.001024
6.94E-07
34996715
-1030960.
1.786928
0.000125
3.83E-08
5720352.
264141.5
0.334670
-8.228298
18.13912
6.117930
-3.903060
5.339368
0.0000
0.0000
0.0000
0.0004
0.0000
Determinant residual covariance

Equation: R = C(1)*M + C(2)*Y
Instruments: C M INV
Observations: 19
R-squared
0.503011
Adjusted R-squared
0.473777
S.E. of regression
2.109722
Durbin-Watson stat
1.496219
Equation: Y = C(3)+C(4)*R + C(5)*INV
Instruments: C M INV
Observations: 19
R-squared
0.862299
Adjusted R-squared
0.845087
S.E. of regression
1962839.
Durbin-Watson stat
2.021569
3.42E+12
Mean dependent var

S.D. dependent var
Sum squared resid
14.18579
2.908307
75.66575
Mean dependent var

S.D. dependent var
Sum squared resid
33993588
4987010.
6.16E+13

PROC/MAKE MODEL
ASSIGN @ALL F2
R=-0.0010244916*M+6.939371E-07*Y
Y=34996715-1030960.2*R+1.7869282*INV
ECONOMETRA
Curso 2012-2013
Obtencin de los valores estimados: SOLVE/STATIC SOLUTION

RF2
YF2
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
17.26271
16.72288
16.42864
16.27959
15.61697
15.61102
15.36397
14.87364
14.52002
14.45263
14.60418
14.54927
14.49495
13.15551
12.20463
12.06769
10.71444
10.23683
10.48742
29094830
28998850
29056710
29498000
29296510
29756090
29887720
29773130
30301130
31638000
33207820
35299960
37356780
39867430
41059650
40467240
39328090
40348120
41521510
22
20
18
16
14
12
10
8
6
78
80
82
84
86
R
88
90
92
94
RF2
4.20E+07
4.00E+07
3.80E+07
3.60E+07
3.40E+07
3.20E+07
3.00E+07
2.80E+07
78
80
82
84
Y
86
88
YF2
90
92
94
ECONOMETRA
Curso 2012-2013
PRCTICA 31: Los principales agregados macroeconmicos de una economa abierta pueden
relacionarse segn el siguiente sistema de ecuaciones:
CONSUMOt = 0 + 1Yt + 2Yt 1 + 3Yt 2 + u1t

IMPORTt = 0 + 1CONSUMOt + 2Yt 1 + 3 EXPORTt + u 2t
Yt = CONSUMOt + INVt + EXPORTt IMPORTt
donde:
CONSUMO: Consumo nacional
IMPORT: Importaciones de bienes y servicios
Y: Producto interior bruto
EXPORT: Exportaciones de bienes y servicios
INV: Inversin
En relacin con las variables anteriores se dispone de las observaciones correspondientes al
periodo 1970-97, obtenidas de la Contabilidad Nacional de Espaa y recogidas en el fichero
datos31.wf1.
Se pide:
a) Clasifica las variables del modelo segn su naturaleza
b) Identifica las ecuaciones del modelo
c) Realiza la estimacin del modelo por MC2E y representa grficamente los valores
observados y estimados de las variables endgenas.
SOLUCIN:
b)
3 ecuacin: Es una identidad
c)
Estimacin y denominacin de cada ecuacin
1 Ecuacin: EQ01
Dependent Variable: CONSUMO
Date: 04/10/08 Time: 13:32
Instrument list: C Y(-1) Y(-2) EXPORT INV
Variable
Coefficient
Std. Error
t-Statistic
Prob.
Y
Y(-1)
Y(-2)
C
0.316253
0.556015
-0.020231
-1678233.
0.214468
0.359264
0.167239
378580.0
1.474592
1.547652
-0.120974
-4.432968
0.1545
0.1360
0.9048
0.0002
R-squared
Adjusted R-squared
S.E. of regression
Durbin-Watson stat
0.996487
0.996008
333280.5
1.091008
Mean dependent var

S.D. dependent var
Sum squared resid
Second-stage SSR
26101765
5274911.
2.44E+12
3.65E+12
ECONOMETRA
Curso 2012-2013
2 Ecuacin: EQ02
Dependent Variable: IMPORT
Date: 04/10/08 Time: 13:34
Instrument list: C Y(-2) Y(-1) EXPORT INV
Variable
Coefficient
Std. Error
t-Statistic
Prob.
CONSUMO
Y(-1)
EXPORT
C
2.746687
-2.122519
0.752956
-957011.6
0.677012
0.600251
0.161676
2242289.
4.057072
-3.536051
4.657198
-0.426801
0.0005
0.0019
0.0001
0.6737
R-squared
Adjusted R-squared
S.E. of regression
Durbin-Watson stat
0.946601
0.939319
953704.0
1.175132
Mean dependent var

S.D. dependent var
Sum squared resid
Second-stage SSR

OBJECTS/NEW OBJECT/MODEL
TEXT
ASSIGN @ALL F1
:EQ01
:EQ02
Y=CONSUMO+INV+EXPORT-IMPORT
Obtencin de los valores estimados: SOLVE/STATIC SOLUTION
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
CONSUMOF1 IMPORTF1
YF1
15.534.151
2.555.299 20.512.121
16.309.153
2.573.186 21.465.753
17.171.498
2.815.966 23.175.897
18.702.144
3.524.270 25.001.375
20.242.692
3.893.971 26.805.564
21.261.940
3.699.927 27.672.285
21.350.470
3.756.666 27.790.269
22.010.089
4.004.085 28.341.714
22.560.171
4.157.256 28.767.100
22.859.904
4.275.931 29.038.841
22.901.797
4.439.934 29.176.604
23.113.624
4.503.238 29.191.967
7301603.
3871567.
2.00E+13
1.30E+12
ECONOMETRA
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
Curso 2012-2013
23.131.863
23.502.284
23.974.397
24.341.667
25.116.634
26.115.842
27.793.858
29.402.387
30.865.235
32.009.610
32.637.771
32.594.200
32.365.846
33.286.905
34.225.046
35.108.059
4.839.556
5.268.731
5.662.712
5.857.117
6.381.300
7.304.210
8.303.369
9.142.279
9.727.855
10.336.401
10.640.787
10.504.676
12.074.917
13.573.749
14.712.439
16.440.435
3.60E+07
29.363.449
29.733.709
30.107.170
30.534.187
31.611.056
33.059.410
35.223.536
37.327.678
39.074.642
40.328.630
40.849.071
40.285.809
40.403.028
41.734.363
42.810.404
44.009.185
1.80E+07
1.60E+07
3.20E+07
1.40E+07
2.80E+07
1.20E+07
2.40E+07
1.00E+07
8.00E+06
2.00E+07
6.00E+06
1.60E+07
4.00E+06
1.20E+07
2.00E+06
70 72 74 76 78 80 82 84 86 88 90 92 94 96
CONSUMO
CONSUMOf1
4.50E+07
4.00E+07
3.50E+07
3.00E+07
2.50E+07
2.00E+07
70 72 74 76 78 80 82 84 86 88 90 92 94 96
Y
Yf1
70 72 74 76 78 80 82 84 86 88 90 92 94 96
IMPORT
IMPORTf1
ECONOMETRA
Curso 2012-2013
CUESTIONES TEMAS 7 A 11
1) Responde brevemente a las siguientes cuestiones:
a. Por qu es ms frecuente detectar heteroscedasticidad y/o autocorrelacin en un
modelo con un error por omisin?
b. Por qu mnimos cuadrados ordinarios (MCO) puede ser el mtodo preferible para
estimar un modelo de regresin generalizado?
c. Por qu los residuos por MCO se utilizan para detectar si las perturbaciones de un
modelo cumplen las hiptesis clsicas?
d. En un modelo con perturbaciones autocorrelacionadas, el estimador de MCO de es
ineficiente y provoca que el estadstico habitual utilizado para contrastar la
significacin de la regresin no se distribuya como una F?
e. En un modelo con datos de seccin cruzada, las varianzas estimadas de iMCO son,
por lo general, inconsistentes debido a la presencia de hetoscedasticidad?
f. En un MRLG, los residuos ~
e coinciden con los residuos mnimo cuadrticos
ordinarios del modelo transformado?
g. En un modelo de regresin lineal generalizado Y = X + que cumple E [ ] = 0 y
E [ ] = 2 , donde es una matriz no diagonal conocida, el estimador de
mnimos cuadrados generalizados es insesgado e ineficiente?

2) Indica en qu situaciones se cumple:
a. El estimador de mnimos cuadrados generalizados factible es consistente
b. El estimador de mnimos cuadrados generalizados es ptimo
Justifica adecuadamente las respuestas.
3) En un estudio con datos de 27 establecimientos industriales de diversos tamaos se
especific el modelo Yi = 0 + 1 X i + i donde Yi es el nmero de supervisores y X i el
nmero de trabajadores supervisados. La estimacin por MCO de este modelo arroj los
siguientes resultados:
Yi = 144,448 + 0,115 X i
(1,51)
(9,3)
R 2 = 0,776
(Entre parntesis aparecen los estadsticos t de significacin individual)

Tras analizar la estimacin del modelo y los residuos del mismo se plante una estimacin
alternativa con los siguientes resultados:
Yi
1
= 0,121 + 3,803
Xi
Xi
(13,44) (0,832)
R 2 = 0,03
a. Un analista observa la disminucin del R 2 y concluye que la primera ecuacin es la

mejor Es vlida esta conclusin? Por qu?
b. Qu problema parece que se ha detectado en el modelo inicial? Por qu se ha
planteado la estimacin del segundo modelo?
c. Suponiendo que el modelo seleccionado fuera este segundo, cul sera la variacin
estimada en el nmero de supervisores si aumenta en uno el nmero de trabajadores
supervisados? Qu propiedades tendran los estimadores de de los dos modelos
estimados?
ECONOMETRA
Curso 2012-2013
4) Utilizando una muestra de 25 observaciones anuales se estima el siguiente modelo de

demanda:
Dt = 1 + 2Yt + 3 PRt + t
Los datos se han ordenado segn orden decreciente de la variable Y.

Utilizando slo las 10 primeras observaciones se obtiene la siguiente ecuacin estimada:
D t = 80,5 + 0,93Yt 0,87 PRt
SCR = 125,7
Del mismo modo, y utilizando las 10 ltimas observaciones se obtiene la siguiente ecuacin
estimada:
D t = 20,61 + 0,53Yt 0,105PRt
SCR = 498,94
Por ltimo se dispone tambin de la siguiente informacin:
et = 6,81 625,17
et = 10,23 89,54
1
Yt
1
SCR = 341,8
SCR = 347,91
Yt
et = 2,9 + 0,51ln Yt
SCR = 350,16
(SCR es la suma cuadrado de los residuos)

Se pide:
a) Detecta la existencia de heteroscedasticidad
b) Utilizando los datos facilitados, especifica cual sera la matriz de transformacin ms
adecuada para solucionar la heteroscedasticidad.
60
60
60
40
40
40
20
20
20
5) En Valladolid, se ha obtenido una muestra de 900 hogares para analizar el nmero de das de
vacaciones que el hogar disfruta en un ao (VACACIONES) en funcin de la renta del hogar
(RENTA ), de la edad media de los adultos del hogar (EDAD) y del nmero de miembros
menores a 10 aos (NINOS). Se ha estimado por mnimos cuadrados ordinarios el siguiente
modelo:
VACACIONES i = o + 1 RENTAi + 2 EDADi + 3 NINOS i + i
Los residuos (E) del modelo se presentan en los siguientes grficos:
-20
-20
-20
-40
-40
-40
-60
-60
0
10000 20000 30000 40000 50000

RENTA
-60
20
30
40
50
60
EDAD
70
80
90
NINOS
a) A la vista de estos grficos consideras que las perturbaciones del modelo que se ha
estimado cumplen las hiptesis clsicas? Justifica la respuesta.
b) Se han ordenado las observaciones de acuerdo con el orden descendente de la renta,
eliminando las 300 observaciones centrales. La suma de los cuadrados de los residuos
del modelo estimado con las 300 primeras observaciones es 138349.6 y la del modelo
estimado con las 300 ltimas es 8398.183. Realiza el contraste ms adecuado para
detectar si las varianzas de las perturbaciones son constantes o no.
ECONOMETRA
Curso 2012-2013
c) Segn los resultados obtenidos en el apartado b, qu estimaciones de mnimos

cuadrados ordinarios deberan ser ms precisas: las del modelo original o las del
VACACIONES i
EDADi
NINOS i
1
= o
+ 1 + 2
+ 3
+ ui ?
modelo
RENTA I
RENTAi
RENTAi
RENTAi
6) Considera el modelo Y = + X + t con t=1T. Se transforma el modelo original de la
t
o
1 t
siguiente forma, Yt Yt 1 = o (1 ) + 1 ( Xt Xt 1 ) + t t 1 donde
< 1 . Analiza qu
proceso siguen las perturbaciones del modelo transformado ( vt = t t 1 ), para cada uno de
los dos esquemas siguientes de la perturbacin original:
a. Suponiendo que t es un ruido blanco. Es decir, t con t=1T es un conjunto de
variables aleatorias independientes e igualmente distribuidas con E ( ) = 0 y
t
2
2
Var ( ) = ( iid (0, ) )
t
t
b. Suponiendo que
es un MA(2), es decir,
t = ut 1ut 1 2ut 2 donde
ut iid (0, u2 ) .
7) Un investigador dispone de datos anuales desde 1975-2004 sobre el consumo agregado (Y) y
la renta nacional disponible (X) de un determinado pas. Se ha obtenido la siguiente estimacin:
Yt = 15.21 + 0.23 X t + 0.19 X t 1 + 0.48Yt 1

(18.27) (0.03)
(0.04)
(0.12)
e' e = 2332, d = 1.79, et = 0,1et 1
donde e es el vector de los residuos mnimo cuadrticos, d es el estadstico de DurbinWatson y

entre parntesis aparece el error estndar de los estimadores por mnimos cuadrados.
Evala si dicha especificacin constituye una representacin adecuada de los datos.
1 0,6 0,2
8) Dado el modelo Y = X + con N 0, 2 siendo = 0,6 0,8 0,6

0,2 0,6 0,9
Razona si es verdadera o falsa cada una de las siguientes afirmaciones. Justifica adecuadamente
tu respuesta.
a. 1 , 2 , 3 no estn correlacionadas.
b. La perturbacin aleatoria del modelo presenta autocorrelacin, pero es homoscedstica.
c. El coeficiente de correlacin lineal de orden 2 ( 2 ) es igual a 0,2108.
9) Dado el modelo Yt = X ' t + t donde t = u t 0.8 u t 1 . Indica la expresin del
estimador de mnimos cuadrados generalizados especificando cada uno de los elementos de la
matriz .
10) Se ha planteado la siguiente regresin auxiliar para detectar autocorrelacin en un modelo

de regresin lineal:
ECONOMETRA
Curso 2012-2013
et = 0 + 1 X 1t + 2 X 2t + 3 et 1 + 4 et 2 + t
donde e son los residuos MCO del modelo de regresin lineal analizado. Contesta a las
siguientes preguntas justificando tu respuesta.
a. Qu inters tiene realizar esta regresin auxiliar? cmo se interpretaran los
resultados de cara a determinar si hay o no autocorrelacin en el modelo?
b. Si la conclusin del apartado anterior es que no hay autocorrelacin, los residuos
MCO del modelo, e ,estaran incorrelacionados con las variables explicativas X1 y X2?
sera cierto si hay autocorrelacin?
c. En el caso de que los residuos estuvieran incorrelacionados con las X, los estimadores
de 3 y 4 en la regresin auxiliar anterior coincidiran con los de la siguiente
regresin?
et = 0 + 3et 1 + 4 et 2 + t
11) Considera el modelo Yt = + X t + t con t=1T, donde Xt es no aleatoria y la

perturbacin t sigue el siguiente esquema t = 0.9 t 1 + u t , siendo ut un ruido blanco
u t iid (0, u2 ) .
Bajo estas hiptesis, cul sera la mejor prediccin de la variable endgena en el periodo
T+1, en el periodo T+2 y en el periodo T+s con s>2?
12) Indica, cul de los siguientes supuestos no es necesario para garantizar la consistencia de
los estimadores por MCO de en un modelo de regresin mltiple. Justifica adecuadamente
la respuesta suponiendo que en cada caso se cumple el resto de hiptesis clsicas .
a) Las variables explicativas estn medidas sin errores
b) Las perturbaciones del modelo estn incorrelacionadas
c) E ( t / X t ) = 0 , donde X t es aleatoria
d) X no aleatoria
13) Seala si son verdaderas, falsas o imprecisas las siguientes afirmaciones, justificando
adecuadamente la respuesta:
a) En un modelo con regresores estocsticos los estimadores de MCO de siempre son
sesgados.
b) Los estimadores por MCO de de un modelo autorregresivo siempre son consistentes.
14) Un estudiante de econometra tiene que emplear el mtodo de variables instrumentales para
estimar el modelo Yt = 0 + 1 X t + t , donde X es un regresor estocstico. Partiendo de la
siguiente informacin X = (2, 3, 5, 6, 8) y Z = (4, 5, 6, 7, 9), siendo Z un buen instrumento de
X, obtiene el estimador de la siguiente manera:
1
4
1
1
1
9
1
1
5
6
y1

y2
1
y3
9
y4
y
5
Crees que el estimador que obtiene es el estimador de variables instrumentales? Si tu respuesta

es afirmativa, justifcala adecuadamente, y si es negativa, indica cmo lo obtendras.
ECONOMETRA
Curso 2012-2013
15) Dado el siguiente modelo
Yt = 0 + 1 X t + 2 Yt 1 + t
t = u t u t 1
donde ut cumple las hiptesis clsicas.
a) Cules son las propiedades de los estimadores de por MCO?

b) Explica cmo estimar de forma consistente los parmetros del modelo, teniendo en cuenta
que no se dispone de informacin adicional.
16) Un investigador tiene datos anuales desde 1973 a 2002 sobre el consumo agregado (C) y la
renta (Y) de un determinado pas. Dicho investigador est interesado en analizar la relacin
entre C e Y, permitiendo introducir dinmica en dichas variables y estima las siguientes
regresiones:
(1) La regresin de Ct sobre Yt, Ct1, e Yt1 usando MCO.
(2) La regresin de Ct sobre Yt, usando MCO.
(3) La regresin de Ct sobre Yt teniendo en cuenta un AR(1).
La tabla siguiente muestra los resultados de las tres regresiones. Los errores estndar aparecen
entre parntesis, SCR es la suma de los cuadrados de los residuos, d es el estadstico de DurbinWatson.
(2)
130.02
(42.15)
0.72
(0.07)
(3)
80.61
(30.33)
0.67
(0.12)
Yt1
(1)
15.21
(18.27)
0.23
(0.03)
0.48
(0.12)
0.19
(0.04)
0.2
1.79
2332.0
1.08
4195.2
constante
Yt
Ct1
d
SCR
0.34
(0.13)
1.53
3582.0
a) Analiza si el modelo (1) representa de forma adecuada la relacin entre el consumo y la

renta.
b) Bajo qu restriccin se ha estimado el modelo 2?Es un buen modelo?.
c) Qu restriccin(es) deberas plantear sobre los coeficientes de las variables para llegar a la
especificacin (3) a partir de la (1)?.
d) Justifica si el modelo (1) puede ser interpretado como un modelo de ajuste parcial.
e) Calcula la propensin marginal a consumir en los tres modelos, diferenciando en el caso de
que sea posible, la propensin marginal a consumir a corto y a largo plazo.
17) Se desea estimar los parmetros del modelo
Yt* = X t* + t
t = 1, 2, ..., T
donde X t* es una variable no estocstica y t N (0, 2 ) . Pero solamente se observa (Yt, Xt),
tal que Yt = Yt * + vt y X t = X t* + u t , donde vt N (0, v2 ) y u t N (0, u2 ) , siendo vt, ut y
t variables aleatorias independientes.
ECONOMETRA
Curso 2012-2013
a) Escribe el modelo en trminos de las variables observables. Qu hiptesis no se

verifica?
b) Obtn el lmite en probabilidad del estimador de MCO de . Es consistente este
estimador?
c) Si se observaran Yt y X t* , mantendras el resultado del apartado anterior? Razona la
respuesta.
18) Los resultados de la estimacin de un modelo en el que se trata de explicar los gastos
trimestrales (Y) en funcin de las decisiones de asignacin de los recursos (X) son:
Yt = 1.473 + 0.347X t + 0.217X t-1 + 0.444X t-2 t = 1990, ...,1999 R 2 = 0.766
a) Realiza el grfico de los coeficientes de retardo.
b) Cul es el cambio inmediato en Y debido a un aumento en una unidad en la variable X en el
momento t? Este cambio es menor que el efecto que se produce en Y dos trimestres
despus de la variacin transitoria en X? Razona tu respuesta.
c) Especifica cul sera la hiptesis nula si se contrastara que el efecto a corto plazo coincide
con el efecto a largo plazo.
19) Qu tipo de modelos son los siguientes y cules los problemas a la hora de estimarlos?
Justifica con detalle tu respuesta.
Yt = + o X t + 1 X t 1 + 2 X t 2 + 3 X t 3 + 4 X t 4 + 5 X t 5 + 6 X t 6 + t
a)
b)
c)
Yt = (1 ) + X t + Yt 1 + t t 1
Yt = + a1 z1t + a 2 z 2t + a3 z 3t + vt
siendo z1t =
X t i
i =0
z 2t = iX t i
i =0
z 3t = i 2 X t i
i =0
20) Sea el modelo Yt = o + 1 X 1t + 2 X 2t + t donde X1 y X2 son endgenas. Se conoce

adems una variable adicional Z relacionada con X1 y X2 que cumple E (Z t t ) = 0 ,
E (Z t X 1t ) 0 , E (Z t X 2t ) 0 y donde todos los momentos muestrales convergen a los
poblacionales y son finitos.

a) Se pueden estimar consistentemente los parmetros del modelo mediante MCO? Y
mediante VI? En este ltimo caso, se podra utilizar Z como nico instrumento?
b) Si omitimos X2 podramos estimar 1 por VI usando Z como instrumento de X1?
Razona si se mantiene la consistencia de este estimador sabiendo que el modelo a
estimar es Yt = o + 1 X 1t + vt siendo vt = 2 X 2t + t y 2 0
21) Dado el modelo de ecuaciones simultneas siguiente:
Y1t = 21 Y2t + 11 X 1t + 21 X 2t + u 1t
Y2t = 12 Y1t + 12 X 1t + u 2t
a) Expresa el sistema en forma reducida.
b) Identifica las ecuaciones del sistema.
c) Es posible obtener estimadores de todos los parmetros de la forma reducida del
sistema?
d) Si se dispusiese de estimaciones de todos los parmetros de la forma reducida sera
posible encontrar un nico estimador de todos los parmetros de la forma estructural?
ECONOMETRA
Curso 2012-2013
22) Sea el siguiente modelo:
Rt = 0 + 1 M t + 2Yt + 1t
Yt = 0 + 1 Rt + 2 I t + 2t
I t = 0 + 1 Rt + 3t
donde Mt es la oferta monetaria, Rt es la tasa de inters, Yt es el PIB e It es la inversin
domstica. Considerando que Mt se determina de forma exgena responde a las siguientes
preguntas:
a) Estn identificadas las ecuaciones del modelo?
b) Qu mtodo sera el ms adecuado para estimar los parmetros de la(s) ecuacin(es)
identificada(s)?Por qu?
c) Supn que se modifica el modelo aadiendo a la primera ecuacin Rt-1 y a la segunda
Yt-1 Qu sucede con la identificacin de las ecuaciones del modelo? En este caso, qu
mtodo(s) utilizaras para estimar los parmetros de la(s) ecuacin(es)
identificada(s)?Por qu?
ECONOMETRA
Curso 2012-2013
EXAMEN DE ECONOMETRA 19 junio 2012

TEORA 2 PARCIAL ADE (6 puntos). Duracin: 2h.
Nota: Recuerda que es necesario alcanzar el 30% de la puntuacin tanto en teora como en
prctica para sumar las puntuaciones de estas dos partes.
1. (0,75 puntos) Dado el modelo
informacin:
. Se dispone de la siguiente
a) Comenta los problemas que presenta la estimacin por MCO.

b) Escribe las matrices que resultan de transformar el modelo para que la estimacin
por MCO proporcione estimadores ELIO.
2. (1 punto) Sea el modelo
, siendo X no aleatoria. Revisa cada
una de las siguientes afirmaciones y justifica cul(es) de ellas son ciertas:

a)
b)
c)
d)
La estimacin del modelo por MCO es inconsistente si el trmino de error es ruido

blanco.
La estimacin del modelo por MCO es inconsistente si el error es
o
, ya que
tiene covarianza nula con .
, el modelo puede estimarse consistentemente usando
Si
como instrumento de
y la variable como instrumento de s misma.
No hay ningn instrumento vlido para estimar el modelo por VI si 2 = 0.
3. (1,5 puntos) Como es conocido, la ley de Okun relaciona la tasa de desempleo con la
evolucin del PNB. Para analizar cmo influye el crecimiento del PNB en dicha tasa se ha
estimado un modelo con una muestra trimestral de 100 observaciones que relaciona la tasa
de desempleo (TDESP) con la tasa de crecimiento del PNB (TPNB) mediante la siguiente
ecuacin:
TDESPt = 0 + 1TPNBt + 2TPNBt 1 + 3TPNBt 2 + 4TPNBt 3 + t ,
dando como resultado la siguiente estimacin por MCO:

TDESPt = 0,564 0,122 TPNBt 0, 245 TPNBt 1 0,142 TPNBt 2 0,009 TPNBt 3
(0,05)
(0,04)
(0,035)
(0,028)
(0,007)
R2 = 0, 65 dD W = 1, 98
Se pide:
a)
Cul sera el efecto inmediato de un incremento puntual del 2% en el PNB en un

trimestre sobre la tasa de desempleo? Y el efecto total? Cmo se denominan
dichos efectos? Cmo se interpretan?
b)
Y el efecto un ao despus de producirse el incremento en el PNB?
c)
Y si el incremento de un 1% fuese sostenido a lo largo de todos los trimestres de

un ao, cul sera el efecto sobre la tasa de desempleo en los tres aos siguientes
al incremento?
ECONOMETRA
Curso 2012-2013
4. (1,5 puntos) Dada la siguiente expresin matricial de un modelo de ecuaciones simultaneas
12
0
a)
b)
c)
d)
21 31 Y1t
1
0
11

0 Y2t + 12
1 Y3t 13
21 31 0 1t u1t
X
0 32 0 2t + u2t = 0
X
23 33 43 3t u3t
X 4t
Escribe la expresin escalar del modelo de ecuaciones simultneas en su forma

estructural y en su forma reducida.
Identifica las ecuaciones del sistema.
Coincide el EMCO con el EMC2E en alguna de las ecuaciones?.
Explica, en el caso de que sea posible, cmo estimaras cada una de las ecuaciones
del modelo. En caso contrario, qu solucin plantearas para estimarlas.
5. (1,25 puntos) Obtn la matriz de varianzas-covarianzas de las perturbaciones en un modelo

donde sigue un esquema AR(1).
ECONOMETRA
Curso 2012-2013
EXAMEN DE ECONOMETRA 19 junio 2012

TEORA 1 y 2 PARCIAL ADE (6 puntos). Duracin: 2h.
Nota: Recuerda que es necesario alcanzar el 30% de la puntuacin tanto en teora como en
1. (1 punto) Se ha estimado el modelo
, obtenindose los
siguientes resultados:
a) Especifica el modelo restringido resultante de incorporar la restriccin
.
b) Contrasta la restriccin sabiendo que el S2 en el modelo restringido es igual a 0,92.
2. (1
punto)
Dado
el
modelo
de
donde
regresin
lineal
siguiente
cumple las hiptesis clsicas, y
sabiendo que se dispone de una muestra de 50 observaciones de las variables

.
a) Qu problemas presenta la estimacin por MCO del modelo planteado si
? Qu consecuencias tiene este problema?
b) Qu pasara y cul es tu propuesta de actuacin en caso de darse la relacin
en vez de
?
en vez de las dos
c) Qu ocurrira en caso de darse la relacin
anteriores?
3. (1 punto) Sea el modelo
, siendo X no aleatoria. Revisa cada
una de las siguientes afirmaciones y justifica cul(es) de ellas son ciertas:

a)
b)
c)
d)
La estimacin del modelo por MCO es inconsistente si el trmino de error es ruido

blanco.
La estimacin del modelo por MCO es inconsistente si el error es
o
, ya que
tiene covarianza nula con .
Si
, el modelo puede estimarse consistentemente usando
como instrumento de
y la variable como instrumento de s misma.
No hay ningn instrumento vlido para estimar el modelo por VI si 2 = 0.
ECONOMETRA
Curso 2012-2013
4. (1 punto) Como es conocido, la ley de Okun relaciona la tasa de desempleo con la

evolucin del PNB. Para analizar cmo influye el crecimiento del PNB en dicha tasa, se ha
estimado un modelo que relaciona la tasa de desempleo (TDESP) con la tasa de crecimiento
del PNB (TPNB) con la siguiente ecuacin:
TDESPt = 0 + 1TPNBt + 2TPNBt 1 + 3TPNBt 2 + 4TPNBt 3 + t ,
dando como resultado de su estimacin MCO, con una muestra trimestral de 100
observaciones:
TDESPt = 0,564 0,122 TPNBt 0, 245 TPNBt 1 0,142 TPNBt 2 0,009 TPNBt 3
(0,05)
(0,04)
(0,035)
(0,028)
(0,007)
R2 = 0, 65 dD W = 1, 98
Se pide:
a) Cul sera el efecto inmediato que se producira sobre la tasa de desempleo un
incremento puntual en un trimestre del 2% en el PNB? Y el efecto total? Cmo se
denominan dichos efectos? Cmo se interpretan?
b)
Y el efecto un ao despus de producirse el incremento en el PNB?
5. (0,75 puntos) Dada la siguiente expresin matricial de un modelo de ecuaciones

simultaneas
12
0
21 31 Y1t
1
0
11

0 Y2t + 12
1 Y3t 13
21 31 0 1t u1t
X
0 32 0 2t + u2t = 0
X
23 33 43 3t u3t
X 4t
a) Escribe la expresin escalar del modelo de ecuaciones simultneas en su forma

estructural.
b) Identifica las ecuaciones del sistema.
6. (1,25 puntos) Obtn la matriz de varianzas-covarianzas de las perturbaciones en un modelo
donde sigue un esquema AR(1).
ECONOMETRA
Curso 2012-2013
EXAMEN DE ECONOMETRA (ADE) 19 de Junio de 2012

PARTE PRCTICA (4 puntos). Duracin 1:30h.
NOMBRE Y APELLIDOS:
GRUPO:
Nota 1: Recuerda que es necesario alcanzar el 30% de la puntuacin tanto en teora como en
Nota 2: Rellena solamente los espacios en blanco en las tablas y, si lo necesitas, utiliza la
parte de atrs de las hojas para responder. Utiliza 3 decimales. El nivel de significacin de
los contrastes es del 5%.
Nota 3: En todos los apartados es necesario que expliques en qu se basan tus respuestas. Por
ejemplo, si se fundan en el resultado de un contraste, has de indicar claramente, al menos, las
hiptesis, el estadstico que utilizas y la conclusin a la que llegas. Si necesitas especificar
cuadros, grficos, estimaciones, etc. para los cuales no tienes asignado explcitamente el
recuadro, debers hacerlo claramente como lo consideres oportuno.
El fichero import.wf1 contiene informacin para el periodo 1970-1997 relativa a una

serie de magnitudes macroeconmicas expresadas en logaritmos: Importaciones (LIMP), Gasto
pblico (LG), Consumo nacional (LCONS), Renta (LRENTA), Recaudacin (LT), y
finalmente, Inversin nacional (LINV).
1) Estima por MCO el modelo que relaciona las importaciones en funcin del consumo, la
renta y la inversin. Analiza en dicha estimacin si las perturbaciones cumple las
hiptesis clsicas utilizando todos los contrastes implementados en Eviews. Cules
con los problemas que has encontrado?
2) Mejora los resultados anteriores si introducimos en el modelo las importaciones
retardadas un periodo? Utiliza para este caso solamente un nico contraste para cada
problema detectado en el apartado anterior. Consideras razonable la introduccin de
esta variable en base al anlisis realizado en el apartado anterior?
3) Suponiendo que la inversin podra ser una variable endgena y sabiendo que las
variables gasto y recaudacin son estrictamente exgenas, analiza si se podran utilizar
como variables instrumentales y contrasta la posible endogeneidad de la inversin.
4) En base al anlisis realizado hasta este momento. Es adecuado el mtodo de
estimacin MCO para analizar las importaciones? En caso afirmativo justifica
claramente tu decisin y en caso negativo propn un mtodo de estimacin alternativo.
5) Comenta las propiedades de los estimadores del vector paramtrico de los dos modelos
estimados
ECONOMETRA
Curso 2012-2013
Apartado 1)
Dependent Variable: LIMP
Date: 06/14/12 Time: 12:39
Sample: 1970 1997
LCONS
LRENTA
LINV
C
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Coefficien
t
Std. Error
t-Statistic
Prob.
-1.043913
2.859365
0.626576
-26.09182
0.900758
0.814410
0.142628
1.456298
-1.158928
3.510967
4.393065
-17.91653
0.2579
0.0018
0.0002
0.0000
0.979817
0.977294
0.080889
0.157033
32.83877
388.3668
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
15.61322
0.536806
-2.059912
-1.869597
-2.001731
0.445098
Series: Residuals
Sample 1970 1997
Observations 28
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
-1.52e-15
0.008652
0.131133
-0.117989
0.076263
0.205937
1.705351
Jarque-Bera
Probability
2.153381
0.340721
0
-0.10
-0.05
-0.00
0.05
0.10
0.15
Heteroskedasticity Test: White

F-statistic
Obs*R-squared
Scaled explained SS
Breusch con 1 retardo
3.794128
14.56453
3.773797
Prob. F(6,21)
Prob. Chi-Square(6)
Prob. Chi-Square(6)
0.0102
0.0239
0.7073

F-statistic
Obs*R-squared
26.17772
14.90464
Prob. F(1,23)
Prob. Chi-Square(1)
0.0000
0.0001
ECONOMETRA
Curso 2012-2013
Breusch con 2 retardos

F-statistic
Obs*R-squared
12.68449
14.99571
Prob. F(2,22)
Prob. Chi-Square(2)
0.0002
0.0006
Conclusin: hay heteroscedasticidad y autocorrelacin

Apartado 2) :

Date: 06/14/12 Time: 12:40
LCONS
LRENTA
LINV
LIMP(-1)
C
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Coefficien
t
Std. Error
t-Statistic
Prob.
-1.044647
1.711668
0.402084
0.564321
-11.48859
0.665749
0.602180
0.106974
0.123829
3.738121
-1.569130
2.842454
3.758696
4.557240
-3.073360
0.1309
0.0095
0.0011
0.0002
0.0056
0.990252
0.988479
0.055749
0.068376
42.39944
558.7064
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
15.64505
0.519399
-2.770329
-2.530359
-2.698974
1.587944

F-statistic
Obs*R-squared
Scaled explained SS
1.563265
12.22662
5.136698
Prob. F(9,17)
Prob. Chi-Square(9)
Prob. Chi-Square(9)
0.2044
0.2008
0.8222
Con 1 retardo
F-statistic
Obs*R-squared
Con 2 retardos
0.957325
1.177182
Prob. F(1,21)
Prob. Chi-Square(1)
0.339000
0.277930
ECONOMETRA
Curso 2012-2013

F-statistic
0.906494
Obs*R-squared
2.244107
Apartado 3). Test de Haussman
Prob. F(2,20)
Prob. Chi-Square(2)
0.419902
0.325610
1 etapa
Dependent Variable: LINV
Date: 06/14/12 Time: 12:57
Sample: 1970 1997
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
LG
LT
LRENTA
LCONS
C
0.674901
-0.324603
2.071109
-0.124560
-23.56732
0.499016
0.081105
1.131535
0.911710
4.532497
1.352464
-4.002259
1.830354
-0.136622
-5.199633
0.1894
0.0006
0.0802
0.8925
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.902363
0.885383
0.077347
0.137600
34.68821
0.474920
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
15.80043
0.228465
-2.120586
-1.882693
53.14153
0.000000
2 etapa
Date: 06/14/12 Time: 12:59
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
LCONS
LRENTA
LINV
LIMP(-1)
E1
C
-1.103601
1.903829
0.552775
0.456168
-0.296057
-14.51566
0.661086
0.617493
0.164432
0.152260
0.247083
4.481577
-1.669376
3.083157
3.361728
2.995974
-1.198209
-3.238963
0.1099
0.0056
0.0030
0.0069
0.2442
0.0039
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.990876
0.988703
0.055205
0.064000
43.29222
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
15.64505
0.519399
-2.762386
-2.474423
456.1043
ECONOMETRA
Durbin-Watson stat
Curso 2012-2013
1.520886
Prob(F-statistic)
0.000000
E1 no es significativa por lo que no es endgena

2 posibilidad: introduciendo en la primera etapa como exgena LIMP(-1)
Dependent Variable: LINV
Date: 06/14/12 Time: 13:00
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
LG
LT
LRENTA
LCONS
LIMP(-1)
C
0.692362
-0.362295
2.614414
0.262407
-0.249304
-35.32531
0.676779
0.120192
1.148616
0.904665
0.224568
9.890480
1.023025
-3.014310
2.276142
0.290060
-1.110146
-3.571648
0.3179
0.0066
0.0334
0.7746
0.2795
0.0018
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.910111
0.888709
0.074767
0.117391
35.10279
0.541466
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
15.81213
0.224119
-2.155762
-1.867798
42.52449
0.000000

Date: 06/14/12 Time: 13:01
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
LCONS
LRENTA
LINV
LIMP(-1)
E2
C
-1.206155
1.855552
0.509293
0.524962
-0.248039
-12.33667
0.675241
0.610376
0.140885
0.127502
0.214293
3.781254
-1.786257
3.040017
3.614954
4.117279
-1.157474
-3.262587
0.0885
0.0062
0.0016
0.0005
0.2601
0.0037
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.990836
0.988655
0.055324
0.064275
43.23435
1.527697
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
15.64505
0.519399
-2.758100
-2.470136
454.1356
0.000000
ECONOMETRA
Curso 2012-2013
EXAMEN EXTRAORDINARIO DE ECONOMETRA ADE 19 de julio de 2012.

TEORA (5 puntos)
Duracin: 2horas
Nota 1: Recuerda que es necesario alcanzar el 30% de la puntuacin tanto en teora como
en prctica para sumar las puntuaciones de estas dos partes.
1.- (1 punto) En el modelo: Yi = 0 + 1 X 1i + 2 X 12i + 3 X 2i + t
Para N=50, se han realizado las siguientes regresiones auxiliares:
ei2 = 0 + 1 X 1i + 2 X 12i + u i
2
Raux
= 0,25
ei2 = 0 + 1 X 1i + 2 X 12i + 3 X 2i + 4 X 13i + 5 X 1i X 2i + 6 .......... + 7 X 22i + 8 ........... + u i

a) Rellena los espacios con las variables que consideres oportunas.
b) Qu conclusin sacaras con la informacin suministrada?
c) Qu propiedades tienen los estimadores MCO de del modelo original?
d) Es posible obtener un mtodo de estimacin alternativo que mejore los resultados
anteriores? En caso negativo justifica la respuesta y en caso afirmativo plantea el
modelo que estimaras y por qu.
2.- (1,2 puntos) Dado un modelo de regresin generalizado, donde es una matriz no
aleatoria conocida, obtn, haciendo las demostraciones oportunas:
a) La matriz de varianzas y covarianzas de MCO y %MCG .
b) La matriz de varianzas y covarianzas de e = Y X

3.- (0,6 puntos) Suponga que se establece que la inversin regional (Ii) es funcin de la
renta regional (Ri) y de un factor no cuantificable que afecta al coeficiente de la variable
Renta regional, el cual recoge la actividad socioeconmica con ms peso en cada regin
(agrcola o industrial).
a) Especifica el modelo y las variables adecuadas e interpreta los coeficientes.
Plantea las hiptesis y los estadsticos apropiados para efectuar los siguientes contrastes:
b) El coeficiente de la variable renta regional no se ve influenciado por la actividad
socioeconmica preponderante en cada regin.
c) Significatividad individual del coeficiente renta para las regiones agrcolas.
d) Significatividad individual del coeficiente de la variable renta para las regiones
industriales.
4.- (1 punto) Razona cada una de las afirmaciones siguientes relativas a un modelo en el que
hay multicolinealidad y se cumplen todas las hiptesis clsicas.
a) Puede ocurrir que todas las variables explicativas sean no significativas
individualmente, pero si lo sean conjuntamente.
b) Las covarianzas de los estimadores son nulas.
c) El efecto de una de las variables explicativas sobre la variable endgena, manteniendo
todo lo dems constante, no es nada fiable.
d)
En el modelo Yi = 0 + 1 X 1i + 2 X 2i + i , la varianza estimada de 1 ser tanto

mayor cuanto mayor sea el coeficiente de determinacin de una regresin de X1 frente a
X 2.
2
Raux
= 0,85
ECONOMETRA
5.- (1,2 puntos) Sea el modelo: Yt = +
Curso 2012-2013
X
i =0
i i
+ t
a) Qu problemas plantea su estimacin por MCO?

b) Plantea una estructura de Koyck para los coeficientes del modelo y deduce el
modelo resultante.
c) Qu propiedades tendrn los estimadores del modelo deducido en el apartado
anterior si:
1. t es un ruido blanco.
2. t sigue un esquema AR(1) siendo su coeficiente de correlacin 1 =
Justifica (sin demostraciones) adecuadamente cada respuesta.
d) Cmo deduciras los estimadores de los coeficientes del modelo original?
ECONOMETRA
Curso 2012-2013
EXAMEN DE ECONOMETRA (ADE). 19 de julio de 2012.

PARTE PRCTICA (5 puntos)
NOMBRE Y APELLIDOS:
Grupo:
Duracin: 1 hora y 30 minutos
Nota 1: Recuerda que es necesario alcanzar el 30% de la puntuacin tanto en teora como en
Nota 2: Rellena solamente los espacios en blanco en las tablas y, si lo necesitas, utiliza la parte
de atrs de las hojas para responder. Utiliza 4 decimales. El nivel de significacin de los
contrastes es 5%.
Nota 3: En todos los apartados es necesario que expliques en qu se basan tus respuestas. Por
ejemplo, si se fundan en el resultado de un contraste, has de indicar claramente, al menos, las
hiptesis, el estadstico que utilizas y la conclusin a la que llegas. Si necesitas especificar
cuadros, grficos, estimaciones, etc. para los cuales no tienes asignado explcitamente el
recuadro, debers hacerlo claramente como lo consideres oportuno.
Se desea estimar un modelo que explique los gastos en gasolina de un pas y se dispone de las
observaciones anuales para el periodo 1953 a 2000 de las siguientes variables recogidas en el
fichero gastogasolina.wf1:
GASEXP= Gasto en gasolina total.
PGAS= ndice de precios de la gasolina
INCOME= Ingreso disponible per cpita
PD= ndice agregado de precios de los bienes de consumo duraderos.
PND=ndice agregado de precios de los bienes de consumo no duraderos
POP= Poblacin total en miles.
1.-Estima un modelo que explique el gasto en gasolina en funcin de los ingresos y del precio
de la gasolina (MODELO 1). Analiza si la perturbacin del modelo cumple las hiptesis
clsicas, utilizando para ello todos los contrastes directamente implementados en Eviews
MODELO 1
Dependent Variable: GASEXP
Date: 06/04/12 Time: 17:21
Sample: 1953 2000
INCOME
PGAS
C
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Coefficient
Std. Error
t-Statistic
Prob.
0.003763
1.061039
-49.77438
0.000484
0.087705
4.398752
7.775311
12.09783
-11.31557
0.0000
0.0000
0.0000
0.981596
0.980778
6.601622
1961.164
-157.1513
1200.049
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
60.30208
47.61567
6.672969
6.789919
6.717165
0.151342
ECONOMETRA
Curso 2012-2013
14
Series: Residuals
Sample 1953 2000
Observations 48
12
10
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
8
6
4
2
-4.00e-15
-1.855836
23.86266
-9.025184
6.459635
1.149056
5.048455
Jarque-Bera 18.95499
Probability
0.000077
0
-10
-5
10
15
20
25

F-statistic
Obs*R-squared
Scaled explained SS
10.54561
26.71803
47.53422
Prob. F(5,42)
Prob. Chi-Square(5)
Prob. Chi-Square(5)
0.0000
0.0001
0.0000
Test Equation:
Date: 06/14/12 Time: 13:17
Sample: 1953 2000
C
INCOME
INCOME^2
INCOME*PGAS
PGAS
PGAS^2
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Coefficient
Std. Error
t-Statistic
Prob.
152.4116
0.007716
3.36E-08
6.61E-05
-14.10892
0.121997
168.9345
0.036329
1.98E-06
0.000610
5.761982
0.058926
0.902193
0.212382
0.016940
0.108477
-2.448622
2.070357
0.3721
0.8328
0.9866
0.9141
0.0186
0.0446
0.556626
0.503843
58.51923
143829.0
-260.2334
10.54561
0.000001
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
40.85758
83.07857
11.09306
11.32696
11.18145
0.534950
ECONOMETRA
Curso 2012-2013

F-statistic
Obs*R-squared
299.8653
41.85806
Prob. F(1,44)
Prob. Chi-Square(1)
0.0000
0.0000
Test Equation:
Date: 06/14/12 Time: 13:18
Sample: 1953 2000
INCOME
PGAS
C
RESID(-1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Coefficient
Std. Error
t-Statistic
Prob.
5.20E-05
0.032308
-1.786146
1.132837
0.000175
0.031782
1.594601
0.065419
0.296803
1.016555
-1.120121
17.31662
0.7680
0.3149
0.2687
0.0000
0.872043
0.863319
2.388156
250.9448
-107.8058
99.95512
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
-4.00E-15
6.459635
4.658576
4.814509
4.717503
1.688898
ECONOMETRA
Curso 2012-2013

F-statistic
Obs*R-squared
146.8961
41.87159
Prob. F(2,43)
Prob. Chi-Square(2)
0.0000
0.0000
Test Equation:
Date: 06/14/12 Time: 13:19
Sample: 1953 2000
INCOME
PGAS
C
RESID(-1)
RESID(-2)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Coefficient
Std. Error
t-Statistic
Prob.
5.08E-05
0.034217
-1.836752
1.082102
0.060691
0.000177
0.032706
1.619606
0.177424
0.196962
0.287279
1.046198
-1.134073
6.098947
0.308137
0.7753
0.3013
0.2630
0.0000
0.7595
0.872325
0.860448
2.413103
250.3919
-107.7529
73.44806
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
-4.00E-15
6.459635
4.698037
4.892953
4.771696
1.618057
ECONOMETRA
Curso 2012-2013
No hay normalidad, hay heteroscedasticidad, hay autocorrelacin.

2.- A la vista de los resultados anteriores, se propone aadir en el modelo las variables ndice
de precios de los bienes duraderos y el de los bienes no duraderos, as como la poblacin total
(MODELO 2). Estudia si los problemas detectados anteriormente sobre la perturbacin se
solucionan con la nueva estimacin utilizando un nico contraste para cada uno de los
problemas existentes.
MODELO 2
Date: 06/04/12 Time: 17:21
Sample: 1953 2000
INCOME
PGAS
PND
PD
POP
C
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Coefficient
Std. Error
t-Statistic
Prob.
0.003807
1.244204
0.519397
-1.739185
-0.000250
5.455891
0.000437
0.033188
0.020486
0.085010
5.64E-05
6.642974
8.714836
37.48922
25.35317
-20.45858
-4.439019
0.821302
0.0000
0.0000
0.0000
0.0000
0.0001
0.4161
0.998962
0.998838
1.623173
110.6570
-88.15468
8080.659
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
60.30208
47.61567
3.923112
4.157012
4.011503
1.239189
ECONOMETRA
Curso 2012-2013
Prob(F-statistic)
0.000000
12
Series: Residuals
Sample 1953 2000
Observations 48
10
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
-1.19e-14
-0.036144
2.928299
-2.760995
1.534407
-0.036775
2.210571
Jarque-Bera 1.257215
Probability
0.533334
0
-3
-2
-1

F-statistic
Obs*R-squared
Scaled explained SS
0.507805
13.12014
6.080156
Prob. F(20,27)
Prob. Chi-Square(20)
Prob. Chi-Square(20)
0.9389
0.8722
0.9988

F-statistic
Obs*R-squared
Test Equation:
6.306554
6.398999
Prob. F(1,41)
Prob. Chi-Square(1)
0.0161
0.0114
ECONOMETRA
Curso 2012-2013

Date: 06/14/12 Time: 13:22
Sample: 1953 2000
INCOME
PGAS
PD
PND
POP
C
RESID(-1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Coefficient
Std. Error
t-Statistic
Prob.
-0.000129
-0.005337
0.003706
0.000507
1.80E-05
-2.024462
0.380765
0.000415
0.031344
0.080114
0.019304
5.37E-05
6.311010
0.151621
-0.311536
-0.170285
0.046258
0.026247
0.336193
-0.320783
2.511285
0.7570
0.8656
0.9633
0.9792
0.7384
0.7500
0.0161
0.133312
0.006480
1.529427
95.90505
-84.72083
1.051092
0.407205
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
-1.19E-14
1.534407
3.821701
4.094585
3.924824
1.770384

F-statistic
Obs*R-squared
4.356607
8.585643
Prob. F(2,40)
Prob. Chi-Square(2)
0.0194
0.0137
Test Equation:
Date: 06/14/12 Time: 13:23
Sample: 1953 2000
INCOME
PGAS
PD
PND
POP
C
RESID(-1)
RESID(-2)
Coefficient
Std. Error
t-Statistic
Prob.
-7.86E-05
0.005462
-0.007300
0.001741
8.66E-06
-0.755487
0.457096
-0.243942
0.000410
0.031727
0.079294
0.019042
5.32E-05
6.277291
0.157958
0.163755
-0.191655
0.172149
-0.092069
0.091424
0.162582
-0.120352
2.893778
-1.489676
0.8490
0.8642
0.9271
0.9276
0.8717
0.9048
0.0061
0.1442
ECONOMETRA
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Curso 2012-2013
0.178868
0.035169
1.507183
90.86406
-83.42498
1.244745
0.302027
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
-1.19E-14
1.534407
3.809374
4.121241
3.927229
1.892344
Hay Normalidad, No hay Heteroscedasticidad, Hay autocorrelacin. Haba omisin de variable

relevante.
3.- Analiza si en el MODELO 2 puede haber multicolinealidad mediante el estudio de las
correlaciones entre las variables explicativas. Comenta los resultados y los efectos que detectes
si es que hay multicolinealidad.
GASEXP
INCOME
PGAS
PD
PND
GASEXP
1.000000
0.960072
0.978198
0.976379
0.979672
INCOME
0.960072
1.000000
0.917556
0.961917
0.963007
PGAS
0.978198
0.917556
1.000000
0.959078
0.943619
PD
0.976379
0.961917
0.959078
1.000000
0.994492
PND
0.979672
0.963007
0.943619
0.994492
1.000000
POP
0.953355
0.991223
0.908395
0.948224
0.953657
Alta correlacin lineal entre los regresores: efectos sobre la estimacin.
POP
0.953355
0.991223
0.908395
0.948224
0.953657
1.000000
4.- Calcula el factor de inflacin de la varianza del estimador que acompaa al ingreso e
interpreta el resultado.
FIV=
1
1
=
= 83.33
2
1 Rincome 1 0.988
5.- Estima una nueva especificacin aadiendo al MODELO 2 entre las explicativas un retardo
de la variable Gasto en gasolina y dos retardos de la variable ndice de precios de la gasolina
(MODELO 3) Resuelve esta especificacin los problemas sobre la perturbacin que tena el
MODELO 2?
MODELO 3
Date: 06/04/12 Time: 17:22
INCOME
PGAS
PND
PD
Coefficient
Std. Error
t-Statistic
Prob.
0.002385
1.286055
0.278867
-1.049614
0.000452
0.035540
0.047370
0.154970
5.277057
36.18567
5.887058
-6.773021
0.0000
0.0000
0.0000
0.0000
ECONOMETRA
Curso 2012-2013
POP
GASEXP(-1)
PGAS(-1)
PGAS(-2)
C
-0.000195
0.607287
-0.827094
0.157064
14.28469
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.999449
0.999330
1.224975
55.52083
-69.59786
8389.243
0.000000
5.18E-05
0.113357
0.142160
0.045316
6.582328
-3.758310
5.357294
-5.818051
3.465971
2.170158
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
0.0006
0.0000
0.0000
0.0014
0.0365
62.59348
47.32024
3.417298
3.775076
3.551324
1.901416
Breusch-Godfrey Serial Correlation LM Test 1 retardo:

F-statistic
Obs*R-squared
0.006493
0.008295
Prob. F(1,36)
Prob. Chi-Square(1)
0.9362
0.9274
Prob. F(2,35)
Prob. Chi-Square(2)
0.1951
0.1287

F-statistic
Obs*R-squared
1.712922
4.101116
Hay Normalidad, No hay Heteroscedasticidad, No hay autocorrelacin.
ECONOMETRA
Curso 2012-2013
6. Calcula el multiplicador de impacto y el multiplicador a largo plazo del ndice de precios de

la gasolina Puede aceptarse un efecto a largo plazo del precio en la gasolina sobre el gasto en
gasolina igual a 1?
Multiplicador de impacto= 1.286
Multiplicador a largo plazo= 1.286-0.827+0.157=0.616
Wald Test:
Equation: EQ03
Test Statistic
F-statistic
Chi-square
Value
8.848456
8.848456
df
Probability
(1, 37)
1
0.0051
0.0029
Value
Std. Err.
Null Hypothesis Summary:

Normalized Restriction (= 0)
-1 + C(2) + C(7) + C(8)
-0.383976
0.129083
Restrictions are linear in coefficients.

Se rechaza.
7.- Especifica un modelo diferente al MODELO 3 que intente resolver los problemas que se
mantienen en el MODELO 2. Escribe esta especificacin (MODELO 4) comentando los

motivos de tu eleccin.
MODELO 4
Date: 06/04/12 Time: 17:23
INCOME
PGAS
PND
PD
POP
C
AR(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Coefficient
Std. Error
t-Statistic
Prob.
0.003126
1.235214
0.508319
-1.694214
-0.000147
-6.707692
0.485342
0.000663
0.039622
0.031833
0.110788
0.000105
13.46871
0.164271
4.713935
31.17490
15.96805
-15.29244
-1.395616
-0.498020
2.954522
0.0000
0.0000
0.0000
0.0000
0.1705
0.6212
0.0052
0.999096
0.998960
1.531169
93.77911
-82.92378
7365.457
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
Inverted AR Roots
.49
Hay Normalidad, No hay Heteroscedasticidad, No hay autocorrelacin.
8.- Seala las propiedades de los estimadores del MODELOS 3 y del MODELO 4.
61.42766
47.48059
3.826544
4.102098
3.930237
1.712791

Material Practica2!12!13 Ade

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Material Practica2!12!13 Ade

Încărcat de

Drepturi de autor:

Formate disponibile

Material Docente de

Cuarto curso de Administracin y Direccin de Empresas

a) Con la informacin disponible, obtener el valor de los estimadores ptimos del

y dispone de los siguientes datos

Obtener las estimaciones MCO y MCG de o y 1 y las matrices de varianzas y

donde t = 1, ... ,26 es una variable que recoge la tendencia y t es la perturbacin

c) Con la informacin del apartado anterior estimar la relacin lineal propuesta.

Mean dependent var

Mean dependent var

Mean dependent var

Mean dependent var

Mean dependent var

White Heteroskedasticity Test:

Mean dependent var

Coefficient Std. Error t-Statistic

Sum squared resid

Mean dependent var

Mean dependent var

S.D. dependent var

Sum squared resid

White Heteroskedasticity Test:

Mean dependent var

Coefficient Std. Error

-0.134659 1.009825 -0.133349

Mean dependent var 13.35263

a) Analizar grficamente la presencia de heteroscedasticidad en el modelo.

White Heteroskedasticity Test:

Coefficient Std. Error

Mean dependent var 14.15804

Contraste de Goldfeld-Quandt (eliminando 30 observaciones centrales)

Mean dependent var

Dependent Variable: GASTO

Mean dependent var

Orden ascendente del tamao

Mean dependent var

Dependent Variable: GASTO

Mean dependent var

Contrastes basados en regresiones

Modelo transformado basado en el modelo II: pesos=1/RENTA

Mean dependent var

Mean dependent var

White Heteroskedasticity Test:

Modelo transformado basado en el modelo VII: pesos=1/(E2F)^0,5

Coefficient Std. Error

-0.513198 0.728576 -0.704385

Sum squared resid

Mean dependent var

Mean dependent var

S.D. dependent var

Sum squared resid

White Heteroskedasticity Test:

Dependent Variable: WGT_RESID^2

PRCTICA 20.- Un investigador quiere analizar el efecto de la renta sobre el nmero

Coefficient Std. Error

Mean dependent var 7050.991

Coefficient Std. Error

0.003158 0.001080 2.923004

Mean dependent var 0.008416

White Heteroskedasticity Test:

PRCTICA 21: El fichero datos21.wf1 contiene, para el periodo 1993:12 a 1997:12,

Mean dependent var

Anlisis Grfico de los residuos MCO:

Test de Breusch con dos retardos:

Coefficient Std. Error