Sunteți pe pagina 1din 22

Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

TRABAJO ENCARGADO ECONOMETRIA


EJERCICIO 1
La tabla proporciona datos sobre el salario promedio de un maestro de escuela
pblica (el sueldo anual est en dlares) y el gasto en educacin pblica por
alumno (dlares) para 1985 en los 50 estados y el Distrito de Columbia en
Estados Unidos. A fin de averiguar si existe alguna relacin entre el salario del
maestro y el gasto por alumno en las escuelas pblicas, se sugiri el siguiente
modelo: Sueldo = 1 + 2 Gasto + i , donde la variable Sueldo es salario del
maestro y la variable Gasto significa gasto por alumno.

GASTO PROMEDIO Y GASTO GASTO PROMEDIO Y GASTO


PROMEDIO POR ALUMNO (DLARES), PROMEDIO POR ALUMNO (DLARES),
1985 1985
Observacin Salario Gasto Observacin Salario Gasto
1 19583 3346 26 20627 2821
2 20263 3114 27 22795 3366
3 20325 3554 28 21570 2920
4 26800 3642 29 22080 2980
5 29470 4669 30 22250 3731
6 26610 4888 31 20940 2853
7 30678 5710 32 21800 2533
8 27170 5536 33 22934 2729
9 25853 4168 34 18443 2305
10 24500 3547 35 19538 2642
11 24274 3159 36 20460 3124
12 27170 3621 37 21419 2752
13 30168 3782 38 25160 3429
14 26525 4247 39 22482 3947
15 27360 3982 40 20969 2509
16 21690 3568 41 27224 5440
17 21974 3155 42 25892 4042
18 20816 3059 43 22644 3402
19 18095 2967 44 24640 2829
20 20939 3285 45 22341 2297
21 22644 3914 46 25610 2932
22 24624 4517 47 26015 3705
23 27186 4349 48 25788 4123
24 33990 5020 49 29132 3608
25 23382 3594 50 41480 8349
51 25845 3766

1
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

a) Grafique los datos y trace la recta de regresin.

Grfico de los residuales


6000

4000

2000
Residuos

0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000
-2000

-4000

-6000
Gasto

Curva de regresin ajustada


45000

40000 y = 3.318x + 12156

35000

30000

25000
Salario

20000

15000

10000

5000

0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000
Gasto

Salario Pronstico para el Salario Lineal (Pronstico para el Salario)

2
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

b) Cules son los estimados de los parmetros, R cuadrado, SCR y la SCE.


Interprete.

Beta 1 12156.09418 R^2 0.689682


Beta 2 3.317955265 R 0.83047
Sigma ^2 5531135.027 SCR 271025616.32
Sigma 2351.836522 SCE 602354648.3
Var (Beta 1) 1475207.481 SCT 873380264.63
Var (Beta 2) 0.101088801
ee (Beta 1) 1214.581196
ee (Beta 2) 0.317944651

Nuestro modelo resultara de la siguiente forma:


Sueldo = 12156.09418 + 3.317955265 Gasto + i
Interpretacin:

1 es la pendiente de la lnea de regresin, que indica que si el Gasto


en el que los estudiantes estadounidenses incurren durante su formacin
es nulo, el salario promedio de los maestros sera de 12156.09 dlares
R^2 o el coeficiente de determinacin, nos muestra que tan cerca estn
los valores de y estimados a sus valores observados el valor de este
estimador es 0.689682, explica que a un 68.9% el salario de los maestros
es explicado por el gasto que realizan los alumnos, el coeficiente de
determinacin es un valor promedio, entonces no se puede decir que
exista un grado de precisin alto
2 es la pendiente de la lnea de regresin, que indica que cuando el
gasto de los alumnos estadounidenses en su educacin vara en un dlar
, el salario promedio de los maestros vara en 3.317955
c) Interprete la regresin. Tiene sentido econmico?
De acuerdo con el modelo dado, el salario promedio de un maestro de escuela
pblica est en funcin y depende del gasto en educacin pblica por alumno, la
informacin con la que se trabaja es de corte transversal, es una regresin que
muestra una relacin directa entre el gasto en educacin pblica por alumno y el
salario de los docentes, si el gasto por alumno se incrementa en un dlar, el
sueldo anual de los profesores aumenta en promedio en 3.31 dlares. Por otra
parte, si el gasto por alumno es cero, el sueldo promedio anual de los profesores
es aproximadamente de 12156.09418 dlares
Se podra decir que no tiene mucho sentido econmico este modelo ya que se
trata de educacin pblica, podra ser aplicable si se trataba de educacin
privada, ya que en el caso de la educacin pblica los salarios los cubre el
gobierno y no los estudiantes

3
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

d) Establezca un intervalo de confianza del 95% para beta 2. Se rechazara


la hiptesis de que el verdadero coeficiente de la pendiente es 3?

Utilizaremos la siguiente formula:


2
Pr( 2 ) 2
( 2 + 2 ) = 1
(
2, 2,
2 2

Reemplazando:
Pr( 3.317955265 2.0096 0.317944651 2 3.317955265 + 2.0096 0.317944651 = 95%

Pr(2.679013693 2 3.956896836 = 95%

Para 2 el I. de C. al 95% es (2.679013693; 3.956896836) por lo que no se podra


rechazar la hiptesis de que la pendiente sea 3, ya que dicho valor se encuentra
comprendido en el intervalo de confianza de 95%
e) Halle el estadstico F e interprete.
= 108.9025391
= 4.038392634
Debido a que > se recha la Hiptesis nula de que 2 = 0
f) Obtenga el valor individual pronosticado y la media del sueldo, si el gasto
por alumno es de 5000 dlares. Tambin establezca los intervalos de
confianza del 95% para la verdadera media y el verdadero valor individual
del sueldo, para la cifra correspondiente al gasto dada antes.

Sabemos que el Sueldo = 1 + 2 Gasto. De esta manera, se tiene que con un


gasto de 5000 dlares el sueldo anual promedio gira alrededor de 28745.8705
Para el pronstico individual y medio calculamos entonces los errores estndar
correspondientes para un gasto de 5000 dlares, y enseguida su I.de C.
correspondiente al 95% de confianza.
Pronostico Medio
Liminf LimSup
22184.4 24331.54
Pronostico Individual
Liminf Limsup
18411.32 28104.62
Como se puede apreciar el I. de C. de la prediccin media es ms reducido que
el I. de C. de la prediccin individual (el ancho del primero es 2147.14 mientras
que el del segundo es de 9693.3).
g) Halle y represente grficamente el intervalo o la banda de confianza para
la regresin encontrada y el valor individual.

4
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

X Yest Liminf Limsup LIMINF LIMSUP


3346 23257.9725 22563.19 23952.7509 18480.9271 28035.0179
3114 22488.2069 21734.95 23241.4602 17609.9042 27366.5095
3554 23948.1072 23281.65 24614.5646 19082.9446 28813.2698
3642 24240.0873 23577.9 24902.2724 19375.5308 29104.6437
4669 27647.6273 26731.26 28563.9949 22740.4088 32554.8458
4888 28374.2595 27356.08 29392.4397 23446.2342 33302.2848
5710 31101.6187 29643.78 32559.4622 26060.1415 36143.096
5536 30524.2945 29164.57 31884.015 25511.3866 35537.2025
4168 25985.3317 25252.93 26717.7316 21110.3294 30860.334
3547 23924.8815 23257.88 24591.8811 19059.6417 28790.1213
3159 22637.5149 21897.56 23377.4685 17761.3275 27513.7022
3621 24170.4102 23507.64 24833.1842 19305.7704 29035.05
3782 24704.601 24039.4 25369.8002 19839.6173 29569.5847
4247 26247.4502 25492.05 27002.8497 21368.8028 31126.0976
3982 25368.192 24678.29 26058.0951 20499.635 30236.7491
3568 23994.5586 23329.1 24660.0204 19129.5375 28859.5796
3155 22624.243 21883.14 23365.3434 17747.8748 27500.6113
3059 22305.7193 21535.06 23076.3737 17424.5936 27186.845
2967 22000.4674 21198.1 22802.8303 17114.0362 26886.8987
3285 23055.5772 22347.96 23763.1943 18184.3794 27926.7751
3914 25142.5711 24463.66 25821.4819 20275.6198 30009.5224
4517 27143.2981 26291.21 27995.3825 22248.1291 32038.4671
4349 26585.8816 25796.99 27374.7711 21701.7302 31470.0331
5020 28812.2296 27728.57 29895.8911 23869.717 33754.7422
3594 24080.8254 23416.9 24744.7543 19216.022 28945.6288
2821 21516.046 20657.49 22374.6064 16619.7015 26412.3905
3366 23324.3316 22633.34 24015.3273 18455.6135 28193.0497
2920 21844.5236 21024.81 22664.2395 16955.1007 26733.9464
2980 22043.6009 21245.9 22841.2968 17157.9635 26929.2382
3731 24535.3853 23872.68 25198.0915 19670.7551 29400.0155
2853 21622.2205 20776.54 22467.9029 16728.2052 26516.2359
2533 20560.4749 19574.43 21546.5153 15639.2446 25481.7051
2729 21210.7941 20313.64 22107.9461 16307.2661 26114.3221
2305 19803.9811 18705.59 20902.3733 14858.0911 24749.871
2642 20922.132 19986.55 21857.7135 16011.148 25833.116
3124 22521.3864 21771.16 23271.6094 17643.569 27399.2039
2752 21287.1071 20399.81 22174.4035 16385.4426 26188.7715
3429 23533.3628 22852.85 24213.8758 18666.179 28400.5465
3947 25252.0636 24568.14 25935.9863 20384.3833 30119.7439
2509 20480.8439 19483.38 21478.305 15557.223 25404.4649
5440 30205.7708 28899.29 31512.2499 25207.5952 35203.9465
4042 25567.2694 24865.57 26268.9657 20696.9614 30437.5773
3402 23443.778 22759.04 24128.5135 18575.979 28311.577
2829 21542.5896 20687.28 22397.9028 16646.8356 26438.3436
2297 19777.4374 18674.96 20879.9135 14830.6035 24724.2713
2932 21884.339 21069.12 22699.5544 16995.698 26772.98
3705 24449.1184 23787.07 25111.1677 19584.5812 29313.6557
4123 25836.0237 25115.47 26556.5762 20962.8561 30709.1914
3608 24127.2768 23464 24790.5511 19262.5661 28991.9874
8349 39857.7027 36800.09 42915.3194 34119.9471 45595.4583
3766 24651.5137 23987.27 25315.7598 19786.6653 29516.3621

5
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

Prediccion media
50000

45000

40000

35000

30000

25000

20000

15000

10000

5000

0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000

Yest Liminf Limsup

50000

45000

40000

35000

30000

25000

20000

15000

10000

5000

0
0 1000 2000
Yest 3000
Liminf 4000Limsup 5000 6000
LIMINF 7000
LIMSUP 8000 9000

h) Cmo se probara la suposicin de la normalidad del trmino de error?


Muestre la(s) prueba(s) utilizada(s).

6
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

Para probar la normalidad de los errores en este caso utilizaremos el Jarque


Bera y el histograma de residuos

EJERCICIO 2
En un modelo de regresin lineal simple, qu efecto tiene cambios en las
unidades de medicin de la variable dependiente y/o variable independiente
sobre los estimadores (coeficientes y varianzas), as como tambin sobre el
coeficiente de determinacin? Demuestre y analice el resultado final
correspondiente.
Un modelo de regresin lineal simple posee la siguiente forma
= 1 + 2 +
Donde:
: Variable que se quiere predecir, tambin llamada variable dependiente
de respuesta, predicha, endgena, etc
1 : Tambin llamado intercepto y es uno de los coeficientes de la
regresin
2 : Es la pendiente y es uno de los coeficientes de la regresin

: Variable que causa el cambio en la variable Y, tambin llamado


variable independiente, explicativa, predictoria, exgena, regresora, etc
: Es el trmino de perturbacin y/o error.

7
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

Sabemos que para calcular los coeficientes de la regresin o las varianzas se


usa las siguiente formulas

=
(
) =

=

2
2
( )
=
2 2
(
) =

Un cambio en la variable dependiente (Y) o variable independiente (X) provocara


un incremento o disminucin a la sumatoria y/o promedio de todos los datos
recogidos, este efecto se transmite directamente a los coeficientes de la
regresin provocando un cambio de la misma forma ocurre con la varianza y
dems estadsticos usuales en la regresin.
Lo anterior mencionado lo explicaremos con un ejercicio desarrollado en clase
que posee el siguiente modelo de regresin
= 812.5163204 + 1.879406528
Obteniendo lo siguiente

Beta 1 812.5163204 Var (Beta 2) 0.013052548


Beta 2 1.879406528 ee (Beta 1) 241.3685737
Sigma ^2 599404.5752 ee (Beta 2) 0.114247747
Sigma 774.2122288 R^2 0.906232665
Var (Beta 1) 58258.78837

Primer caso:
Incrementaremos una de las variables independientes en 5 unidades

Beta 1 811.968646 Var (Beta 1) 58334.33287


Beta 2 1.879543414 Var (Beta 2) 0.01306892
Sigma ^2 600006.655 ee (Beta 1) 241.525015
Sigma 774.600965 ee (Beta 2) 0.114319378
R2 0.906138479

Segundo caso
Reduciremos una de las variables independientes en 5 unidades

Beta 1 813.0672183 Var (Beta 1) 58183.8334


Beta 2 1.879267733 Var (Beta 2) 0.013036301
Sigma ^2 598808.5303 ee (Beta 1) 241.213253
Sigma 773.8271967 ee (Beta 2) 0.114176623
R^2 0.906325907

Tercer caso:
Incrementaremos una de las variables dependientes en 5 unidades

8
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

Beta 1 812.8971315 Var (Beta 1) 58227.88898


Beta 2 1.87928148 Var (Beta 2) 0.013045625
Sigma ^2 599086.6621 ee (Beta 1) 241.3045565
Sigma 774.0068876 ee (Beta 2) 0.114217446
R^2 0.906266432

Cuarto caso:
Reduciremos una de las variables dependientes en 5 unidades

Beta 1 812.1355093 Var (Beta 2) 0.013059507


Beta 2 1.879531576 ee (Beta 1) 241.4329111
Sigma ^2 599724.1633 ee (Beta 2) 0.1142782
Sigma 774.4185969 R^2 0.906198672
Var (Beta 1) 58289.85054

Interpretacin:

Al incrementar la variable independiente B1 disminuyo, las dems variables


cambiaron en cantidades mnimas, caso contrario ocurri al disminuir X
haciendo que el valor de B1 se incremente
Al subir la variable dependiente no causo mucho efecto hubo cambios muy
reducidos similar paso al querer reducir, debido a que dicho valor se acercaba a
su media.

EJERCICIO 3
Ajuste el siguiente modelo a los datos adjuntos, obtenga las estadsticas usuales
de regresin e interprete los resultados:
100 1
= 1 + 2 ( )
100

86 79 76 69 65 62 52 51 51 48
3 7 12 17 25 35 45 55 70 120

Linealizando nuestro modelo obtenemos


= 1 + 2

Donde:
100
=
100

1
= ( )

9
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

Beta 1 2.067527556 R^2 0.949726


Beta 2 16.26622663 R 0.97
Sigma ^2 0.156164378 SCR 1.25
Sigma 0.395176388 SCE 23.60062086
Var (Beta 1) 0.025463062 SCT 24.85
Var (Beta 2) 1.750782449
ee (Beta 1) 0.159571495
ee (Beta 2) 1.32317136

Nuestro modelo resultara de la siguiente forma:

100 1
= 2.067527556 + 16.26622663 ( )
100
EJERCICIO 4
Para estudiar la relacin entre tasa de inversin (el gasto en inversin como
razn del PNB) y la tasa de ahorro (el ahorro como razn del PNB), Martin
Feldstein y Charles Horioka recopilaron datos para una muestra de 21 pases.
(Vase la tabla) La tasa de inversin de cada pas es la tasa promedio
correspondiente al periodo 1960-1974, y la tasa de ahorro es la tasa de ahorro
promedio para el periodo 1960-1974. La variable TASINV representa la tasa de
inversin, y la variable TASAHO, la tasa de ahorro.
TASAHO TASINV
Alemania 0.271 0.264
Australia 0.250 0.270
Austria 0.285 0.282
Blgica 0.235 0.224
Canad 0.219 0.231
Dinamarca 0.202 0.224
Espaa 0.235 0.241
Estados Unidos 0.186 0.186
Finlandia 0.288 0.305
Francia 0.254 0.260
Grecia 0.219 0.248
Irlanda 0.190 0.218
Italia 0.235 0.224
Japn 0.372 0.368
Luxemburgo 0.313 0.277
Noruega 0.278 0.299
Nota: TASAHO = Ahorro
Nueva Zelanda 0.232 0.249 como razn del P IB.
TASINV = Gasto en
Pases Bajos 0.273 0.266 inversin como razn del
Reino Unido 0.184 0.192 P IB.

Suecia 0.241 0.242


Suiza 0.297 0.297

10
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

a) Grafique la tasa de inversin contra la tasa de ahorro.

Tasa de inversion y Tasa de ahorro


0.4
0.3
0.2
0.1
0

Estados

Nueva
Canad

Grecia
Francia

Reino Unido
Luxemburgo

Suecia
Blgica

Dinamarca
Austria

Espaa
Alemania

Japn

Noruega
Irlanda
Italia

Pases Bajos

Suiza
Australia

Finlandia
TASAHO TASINV

b) Con base en esta grfica, considera que los siguientes modelos puedan
ajustarse a los datos igualmente bien?

Tasinvi = 1 + 2Tasahoi + ui

Regresion lineal
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4

ln Tasinvi = 1 + 2 ln Tasahoi + ui

Regresion Logaritmica
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4

11
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

De acuerdo a la grficos mostrados anteriormente ambos modelos pueden ser


utilizados; ya que los errores estn cerca de la lnea de regresin
c) Estime estos dos modelos y obtenga las estadsticas habituales.

Tasinvi = 1 + 2Tasahoi + ui

Beta 1 0.043519488 R^2 0.88716156


Beta 2 0.846756182 SCR 0.0039082
Sigma ^2 0.000205693 SCE 0.030726967
Sigma 0.014342017 SCT= 0.034635
Var (Beta 1) 0.000310808
Var (Beta 2) 0.004799738
ee (Beta 1) 0.017629746
ee (Beta 2) 0.06928014

Nuestro modelo resultara de la siguiente forma:


Tasinvi = 0.043519488 + 0.846756182*Tasahoi + ui

ln Tasinvi = 1 + 2 ln Tasahoi + ui

En este caso tenemos que linealizar nuestro modelo


Dnde: ln Tasinvi =

ln Tasahoi =
= 1 + 2

Beta 1 -0.215907516 R^2 0.88109170


Beta 2 0.828807443 SCR 0.0605011
Sigma ^2 0.003184268 SCE 0.448303549
Sigma 0.056429321 SCT= 0.508805
Var (Beta 1) 0.009718791
Var (Beta 2) 0.004879157
ee (Beta 1) 0.098583928
ee (Beta 2) 0.06985096
Nuestro modelo resultara de la siguiente forma:
ln Tasinvi =-0.215907516 + 0.828807443ln Tasahoi + ui
d ) Cmo interpretara el coeficiente de la pendiente en el modelo lineal?
Y en el modelo log-lineal? Hay alguna diferencia en la interpretacin de
estos coeficientes?

Sabemos que la pendiente es B2:


En el modelo lineal es: 0.846756182

12
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

Indica que a medida que Tasaho se incrementa en 1 % la Tasinvi se


incrementara en 0.85 %

En el modelo log-lineal es: 0.828807443


Similar que el anterior un aumento Tasaho en 1 % la Tasinvi se
incrementara en 0.82 %
En el modelo lineal tiene ms pendiente a comparacin del modelo log-lineal
e) Cmo interpretara los interceptos de los dos modelos? Hay alguna
diferencia en la interpretacin?

El intercepto viene a ser representado por B1:


En el modelo lineal es: 0.043519488
Nos indica que cuando la Tasaho es nula la Tasinvi podra mantenerse
en 0.04 %
En el modelo log-lineal es: -0.215907516
Cuando la Tasaho es cero la Tasinvi seria negativa
f ) Comparara los dos coeficientes R 2? Por qu?

Si, porque dicho ceficiente nos permite saber que tan bien se ajusta la recta de
regresin a los datos, de esta manera obtuvimos lo siguiente
En el modelo lineal es: 0.88716156
En el modelo log-lineal es: 0.881091696
En este caso la diferencia es mnima podemos concluir que ambos modelos
tienen alto grado de precisin y cualquiera de ellos puede ser aplicado, esto ya
queda a manos del investigador.
g) Suponga que desea calcular la elasticidad de la tasa de inversin
respecto de la tasa de ahorro. Cmo obtendra esta elasticidad para el
modelo lineal? Y para el modelo loglineal? Tenga en cuenta que esta
elasticidad se define como el cambio porcentual de la tasa de inversin
correspondiente a un cambio porcentual en la tasa de ahorro.

Elasticidad en el modelo lineal es:


En este caso la elasticidad es variable, cambia de dato en dato.

=

Como ejemplo tomaremos para los dos primeros datos


.
= .
.
-0.221632336

13
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

Si la TASAHO se inrementa en 1% la TASINV reduce en un 22%


Y asi sucesivamente podemos estar hallando la elasticidad segn los
datos que necesitemos
Elasticidad en el modelo log-lineal es:

En este modelo la elasticidad es fija para todos que viene a ser


representada por la pendiente de la recta
Entonces la elasticidad seria: .

Si la TASAHO se inrementa en 1% la TASINV reduce en un 82%


cualquiera sea la TASAHO
h) Con los resultados de los dos modelos de regresin, qu modelo
preferira? Por qu?

Ambos modelos tienen alto grado de precisin, por lo que los dos pueden ser
utilizados, en lo personal prefiero el modelo lineal, ya que no es necesario
transformar, como lo requiere el modelo Doble Logaritmico,

EJERCICIO 5
Para medir la elasticidad de sustitucin entre los insumos de capital y de trabajo,
Arrow, Chenery, Minhas y Solow, los autores de la ahora famosa funcin de
produccin CES (elasticidad de sustitucin constante), utilizaron el siguiente
modelo:
log (V/L) = log 1 + 2 log W + u
donde:
V/L = valor agregado por unidad de trabajo
L = insumo trabajo
W = tasa de salario real
El coeficiente 2 mide la elasticidad de sustitucin entre trabajo y capital (es decir
el cambio proporcional en las proporciones de los factores ante un cambio
proporcional en los precios relativos de los factores). De la informacin dada en
la siguiente tabla, estime el valor de la elasticidad de sustitucin y contraste la
hiptesis de que esta no es estadsticamente diferente de 1.
Industria Log (V/L) Log W
Harina de trigo 3.6973 2.9617
Azcar 3.4795 2.8532
Pinturas y barnices 4.0004 3.1158
Cemento 3.6609 3.0371
Vidrio y sus manufacturas 3.2321 2.8727
Cermica 3.3418 2.9745
Triplex 3.4308 2.8287
Textiles de algodn 3.3158 3.0888

14
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

Textiles de lana 3.5062 3.0086


Textiles de yute 3.2352 2.9680
Qumicos 3.8823 3.0909
Aluminio 3.7309 3.0881
Hierro y Acero 3.7716 3.2256
Bicicletas 3.6601 3.1025
Mquinas de coser 3.7554 3.1354
Fuente: Damodar Gujarati A test of ACMS Production Function: Indian Industries, 1958
Indian Journal of Industrial Relations, vol 2 july 1966.

Beta 1 0.63597259 R^2 0.40680248


Beta 2 1.333785291 SCR 0.468245
Sigma ^2 0.03601885 SCE 0.321112688
Sigma 0.189786329 SCT= 0.79
Var (Beta 1) 1.826494102
Var (Beta 2) 0.199546553
ee (Beta 1) 1.351478487
ee (Beta 2) 0.446706339
T tabla 2.0096

La elasticidad de sustitucin es: 1.333785291

Seguidamente se contrastara la hiptesis de que esta no es estadsticamente


diferente de 1, utilizando la siguiente formula
2
Pr( 2 ) 2
( 2 + 2 ) = 1
(
2, 2,
2 2

Reemplazando:
Pr( 1.333785291 2.1604 0.446706339 2 1.333785291 + 2.1604 0.44670633) = 95%

Pr(0.368720916 2 2.298849666) = 95%

Para 2 el I. de C. al 95% es (0.368720916; 2.298849666) por lo que no se podra


rechazar la hiptesis de que la elasticidad sea 1, ya que dicho valor se encuentra
comprendido en el intervalo de confianza de 95%

EJERCICIO 6
La tabla siguiente presenta informacin sobre los deflactores del PIB (producto
interno bruto) para los bienes domsticos y para los bienes importados de
Singapur durante el periodo 1968-1982. El deflactor del PIB es utilizado
frecuentemente como un indicador de la inflacin en lugar del IPC. Singapur es
una economa pequea, abierta y muy dependiente del comercio exterior para
su supervivencia.
Para estudiar la relacin entre los precios domsticos y los mundiales, se dan
los siguientes modelos:

15
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

1. = 1 + 2 +
2. = 2 +

Donde Y = deflactor PIB para bienes domsticos y X = deflactor PIB para


importaciones.
AO Y X
1968 1000 1000
1969 1023 1042
1970 1040 1092
1971 1087 1105
1972 1146 1110
1973 1285 1257
1974 1485 1749
1975 1521 1770
1976 1543 1889
1977 1567 1974
1978 1592 2015
1979 1714 2260
1980 1841 2621
1981 1959 2777
1982 2033 2735
Fuente: Colin Simkin Does money matter in Singpore? The Singapore Economic Review,
vol XXXIX no. 1 april 1984, page 8.

a) Cmo se escogera, a priori, entre los dos modelos?

Un modelo de regresin sin intercepto dicho que el primer valor de X da como


resultado al mismo valor en Y (1000.1000) entonces a priori optara el modelo
lineal sin intercepto

Dispercion de los datos


2500

2000

1500

1000

500

0
0 500 1000 1500 2000 2500 3000

b) Ajstense ambos modelos a los datos y decida cul se ajusta mejor.


Modelo lineal con intercepto

16
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

Beta 1 516.0898305 R^2 0.97889672


Beta 2 0.533969258 SCR 35330.29
Sigma ^2 2717.714441 SCE 1638830.646
Sigma 52.13170284 SCT= 1674160.93
Var (Beta 1) 1645.366039
Var (Beta 2) 0.000472827
ee (Beta 1) 40.5631118
ee (Beta 2) 0.021744585

Modelo lineal con intercepto


2500
2000
1500
Y
Y

1000
Pronstico para Y
500
Lineal (Pronstico para Y)
0
0 500 1000 1500 2000 2500 3000
Variable X 1

Modelo lineal sin intercpeto

Beta 1 0 R^2 0.985796574


Beta 2 0.794952059 SCR 475268.713
Sigma ^2 33947.76522 SCE 32986285.29
Sigma 184.2491933 SCT= 33461554
Var (Beta 2) 0.000650369
ee (Beta 2) 0.025502328

Modelo Regresion sin intercepeto


2500

2000

1500
Y
Y

1000
Pronstico para Y
500
Lineal (Pronstico para Y)
0
0 500 1000 1500 2000 2500 3000
Variable X 1

17
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

Interpretacion:

Haciendo una comparacin entre los R^2 en el segundo caso el R^2 del primero
es 0.9788 y en el segundo caso el R^2 es 09857 y existe una pequea diferencia
decimal por lo que se concluye que ambos modelos pueden ser utilizados
c) Cul (es) otro(s) modelo(s) podran ser apropiados para los datos?

Otro modelo que se podra ajustar seria el modelo logartmico grficamente se


mostrara as

Modelo Logaritmico
2500

2000

1500

1000

500

0
0 500 1000 1500 2000 2500 3000

EJERCICIO 7
Considere las siguientes funciones de demanda de dinero para Estados Unidos
durante el periodo 1980-1998:

= 1 2

= 1 2
donde M = demanda real de dinero, de acuerdo con la definicin M2 de dinero
Y = PIB real
r = tasa de inters
Para estimar las anteriores funciones de demanda de dinero se presentan los
datos en la tabla.
Nota: Para convertir cantidades nominales a reales, divida M y PIB entre IPC. No
es necesario dividir la tasa de inters variable entre el IPC. Tambin tenga en
cuenta que se proporcionaron dos tasas de inters, una de corto plazo, medida
de acuerdo con la tasa de inters de los bonos del Tesoro a tres meses, y otra
de largo plazo, medida segn el rendimiento de los bonos del Tesoro a 30 aos,
segn la lnea de estudios empricos previos que emplearon ambos tipos de
tasas de inters.

18
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

Observacin PIB M2 IPC TILP TITM


1980 2 795,6 1 600.4 82.4 11.27 11.506
1981 3 131,3 1 756.1 90.9 13.45 14.029
1982 3 259,2 1 911.2 96.5 12.76 10.686
1983 3 534,9 2 127.8 99.6 11.18 8.630
1984 3 932,7 2 311.7 103.9 12.41 9.580
1985 4 213,0 2 497.4 107.6 10.79 7.480
1986 4 452,9 2 734.0 109.6 7.78 5.980
1987 4 742,5 2 832.8 113.6 8.59 5.820
1988 5 108,3 2 995.8 118.3 8.96 6.690
1989 5 489,1 3 159.9 124.0 8.45 8.120
1990 5 803,2 3 279.1 130.7 8.61 7.510
1991 5 986,2 3 379.8 136.2 8.14 5.420
1992 6 318,9 3 434.1 140.3 7.67 3.450
1993 6 642,3 3 487.5 144.5 6.59 3.020
1994 7 054,3 3 502.2 148.2 7.37 4.290
1995 7 400,5 3 649.3 152.4 6.88 5.510
1996 7 813,2 3 824.2 156.9 6.71 5.020
1997 8 300,8 4 046.7 160.5 6.61 5.070
1998 8 759,9 4 401.4 163.0 5.58 4.810
Notas: P IB: producto interno bruto (miles de millones de dlares).
M2 : oferta de dinero M2 .
IP C: ndice de precios al consumidor.
TILP : tasa de inters de largo plazo (bonos del Tesoro a 30 aos).
TITM: tasa de inters de los bonos del Tesoro a tres meses (% anual).

a) Con los datos anteriores, calcule las funciones de demanda anteriores.


Cules son las elasticidades del ingreso y de la tasa de inters de la
demanda de dinero?
Elasticidad de la demanda de dinero con Para PBI:
Nuestro modelo es:

= 1 2
Linealizar el modelo

log ( ) = log 1 + 2 log +

Obteniendo los siguientes valores:


= 2.65590.58163681

La elasticidad viene representada por 2 entonces:


= .

Elasticidad de la demanda de dinero con Para TILP:

19
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica


= 1 2
Linealizar el modelo

log ( ) = log 1 + 2 log +

Obteniendo los siguientes valores:

= 46.1480.312308532
= .

Elasticidad de la demanda de dinero con Para TITM:



= 1 2
Linealizar el modelo

log ( ) = log 1 + 2 log +

Obteniendo los siguientes valores:

= 32.410.17197857
= .

b) En lugar de estimar la funcin demanda anterior, suponga que debe



ajustar la funcin ( ) = , cmo interpretara los resultados? Muestre
los clculos necesarios.
Para TILP:

( )= 1 2

Linealizar el modelo

log ( ) = log 1 + 2 log +

Obteniendo los siguientes valores:



( )= 0.347941610.21485768

Para TITM:

( )= 1 2

Linealizar el modelo

log ( ) = log 1 + 2 log +

20
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

Obteniendo los siguientes valores:



( )= 0.452881014 0.10734037

c) Cmo decidira cul es la mejor especificacin?

En seleccionar una forma funcional apropiada para el modelo y nos muestre ms


precisin.
A continuacin haremos una comparacin del coeficiente de determinacin entre
los diferentes modelos:
Para PBI:

= 1 2
= 2.65590.58
2 = 0,708847

Para TILP:

= 1 2
= 46.1480.3123
2 = 0,649753

Para TITM:

= 1 2
= 32.410.172
2 = 0,48074286
Interpretacin
El que mejor se ajusta a los datos entre el TIILP y el TITM es el primer modelo
con mayor R^2 ajustada.
Mientras tanto en el PBI con el modelo dado no hay mucha precisin ya que el
PBI a un 70% explica a la demanda dinero.
El TILP a un 64% explica a la demanda dinero.

21
Universidad Nacional del Altiplano Escuela Profesional de Ingeniera Econmica

El TITM a un 48% explica a la demanda dinero.

EJERCICIO 8
Considere el siguiente modelo:

1 +2
=
1 + 1 +2
Tal como se presenta, es un modelo de regresin lineal? Si no es as, qu
artificio podra utilizar, si acaso, para convertirlo en un modelo de regresin
lineal? Cmo interpretara el modelo resultante? En qu circunstancias sera
adecuado dicho modelo?
El modelo dado no es lineal en las variables, este modelo pertenece a la rama
de modelos de regresin no lineales diseados especficamente para las
variables dependientes binarias.

1 +2
=
1 + 1 +2
1
=
1 + 1 +2
= 1 +2 (1 + 1 +2 )

Este modelo es conocido como el modelo logit, grficamente es de la siguiente


forma:

22

S-ar putea să vă placă și