Soluciones

Tema 2

1. Se tiene

cov( y, c) cov( y, c)
1.2 = y 0.6 =
var(c) var( y)

de donde,

[cov( y, c)]2
= (corr )2 = R 2 = 0.72
var( y) var(c)

3. Ojo: hay una errata en la pregunta a). Debe decir 1 = 21 .

cov( X , Y ) var(Y )
a) Se tiene que 1 = y 21 = . Si ambas expresiones son
var( X ) cov(Y , X )
iguales,

cov( X , Y ) var(Y )
[cov( X , Y ) ] = var( X ) var(Y )
2
=
var( X ) cov( X , Y )

[cov( X , Y )]
2

= R2 = 1
var( X ) var(Y )

es decir, cuando X e Y estn perfectamente correlacionadas.

b) El coeficiente de determinacin en un modelo de regresin simple es igual al
coeficiente de correlacin entre X e Y elevado al cuadrado. Obviamente es el
mismo en ambos casos.

7. La expresin (2.4.23) contiene las ecuaciones normales de modo matricial, que son el
resultado de igualar el vector gradiente a cero.
La condicin de segundo orden para la minimizacin de funciones de varias variables
sin restricciones es que el hessiano de la funcin sea una matriz definida positiva (el
alumno puede consultar el libro de texto de Matemticas (Clculo) en los apartados
dedicados a la maximizacin de funciones de varias variables). Por tanto, primero es
necesario obtener el hessiano (la matriz de derivadas segundas de la funcin objetivo).
En las pginas 10 y 11 Apndices y Tablas (de Econometra y Prediccin) se encuentran
 las normas bsicas de derivacin matricial. Derivando por tanto la expresin, 2! +
2 nos lleva a un hessiano es de la forma 2. En el apndice A.7. se dan
propiedades sobre matrices definidas positivas. En particular, podemos aprovechar
la primera de ellas: para cualquier vector no nulo c se tiene, cXXc = (Xc)(Xc) que
necesariamente es positiva al tener Xc rango completo (ver apartado A.4.)

Empricos

1. Tras cargar los datos en Gretl (puede ser necesario guardarlos en una versin anterior de
Excel),

a) La serie expresada en trminos reales resulta de dividir el PIB entre el deflactor. Su

representacin grfica con este mismo programa,

140

120

100

80
PIBr

60

40

20

0
1950 1960 1970 1980 1990 2000 2010

b) Hay que generar primero una tendencia temporal (Aadir/Tendencia temporal). A

continuacin se calculan las respectivas regresiones,

Modelo 1: estimaciones MCO utilizando las 259 observaciones 1947:1-2011:3

Variable dependiente: PIBr

Variable Coeficiente Desv. tpica Estadstico t valor p

const 2,98132 0,920414 3,2391 0,00136 ***
time 0,478144 0,00613746 77,9058 <0,00001 ***
 Media de la var. dependiente = 65,14
Desviacin tpica de la var. dependiente. = 36,5687
Suma de cuadrados de los residuos = 14015,9
Desviacin tpica de los residuos = 7,38489
R2 = 0,959376
R2 corregido = 0,959218
Grados de libertad = 257
Estadstico de Durbin-Watson = 0,00720465
Coef. de autocorr. de primer orden. = 0,991813
Log-verosimilitud = -884,355
Criterio de informacin de Akaike = 1772,71
Criterio de informacin Bayesiano de Schwarz = 1779,82
Criterio de Hannan-Quinn = 1775,57

Modelo 2: estimaciones MCO utilizando las 259 observaciones 1947:1-2011:3

Variable dependiente: PIB

Variable Coeficiente Desv. tpica Estadstico t valor p

const -2925,91 214,484 -13,6416 <0,00001 ***
time 57,3019 1,43021 40,0653 <0,00001 ***

Media de la var. dependiente = 4523,34

Desviacin tpica de la var. dependiente. = 4623,42
Suma de cuadrados de los residuos = 7,61107e+008
Desviacin tpica de los residuos = 1720,9
R2 = 0,861993
R2 corregido = 0,861456
Grados de libertad = 257
Estadstico de Durbin-Watson = 0,0016413
Coef. de autocorr. de primer orden. = 0,999169
Log-verosimilitud = -2296,21
Criterio de informacin de Akaike = 4596,42
Criterio de informacin Bayesiano de Schwarz = 4603,53
Criterio de Hannan-Quinn = 4599,28

El ajuste es muy superior en el caso del PIB expresado en trminos reales dado que el PIB
nominal presenta un trazado exponencial.

c) Para generar las series expresadas en logs seleccionamos Aadir/Logaritmos de la serie

seleccionada. Las regresiones son entonces,

Modelo 3: estimaciones MCO utilizando las 259 observaciones 1947:1-2011:3

 Variable dependiente: l_PIBr

Variable Coeficiente Desv. tpica Estadstico t valor p

const 2,94819 0,00638896 461,4506 <0,00001 ***
time 0,00811641 4,26025e-05 190,5147 <0,00001 ***

Media de la var. dependiente = 4,00332

Desviacin tpica de la var. dependiente. = 0,610158
Suma de cuadrados de los residuos = 0,67533
Desviacin tpica de los residuos = 0,0512615
R2 = 0,992969
R2 corregido = 0,992942
Grados de libertad = 257
Estadstico de Durbin-Watson = 0,0384728
Coef. de autocorr. de primer orden. = 0,990585
Log-verosimilitud = 402,94
Criterio de informacin de Akaike = -801,88
Criterio de informacin Bayesiano de Schwarz = -794,766
Criterio de Hannan-Quinn = -799,02

Modelo 4: estimaciones MCO utilizando las 259 observaciones 1947:1-2011:3

Variable dependiente: l_PIB

Variable Coeficiente Desv. tpica Estadstico t valor p

const 5,42336 0,016407 330,5515 <0,00001 ***
time 0,0175506 0,000109404 160,4194 <0,00001 ***

Media de la var. dependiente = 7,70493

Desviacin tpica de la var. dependiente. = 1,32128
Suma de cuadrados de los residuos = 4,45362
Desviacin tpica de los residuos = 0,131641
R2 = 0,990112
R2 corregido = 0,990074
Grados de libertad = 257
Estadstico de Durbin-Watson = 0,00766907
Coef. de autocorr. de primer orden. = 0,996245
Log-verosimilitud = 158,668
Criterio de informacin de Akaike = -313,335
Criterio de informacin Bayesiano de Schwarz = -306,222
Criterio de Hannan-Quinn = -310,475

El coeficiente de determinacin corregido solo puede emplearse con este objetivo para
comparar regresiones en las que la variable dependiente sea la misma, lo que no es el caso.

d) Tras dividir en la regresin con datos originales, tanto el trmino independiente como
la pendiente quedarn divididos por mil (ver epgrafe 2.2.2).
Si los datos del PIB estn en logaritmos:


log = + log 1000 = +
1000

es decir restamos a la variable dependiente log(1000), por lo que en esta misma
cuanta se vera reducida la constante.