Universidad Nacional Mayor de San Marcos

Facultad de Ciencias Económicas

Escuela Académico Profesional de Economía
Curso: Econometría Ciclo: 2016-I
Profesor: Alfonso L. Ayala Loro

Examen Parcial 1

1. Se ha estimado la función de consumo de una tela rara con respecto al peso y la edad
del consumidor (6 observaciones) con los siguientes datos:

Y (tela m2) 1 2 3 5
X1 (peso) 5 6 8 9
X2 (edad) 3 4 10 8

Utilizando el modelo: 𝑦𝑖 = 𝛽0 + 𝛽1 𝑋1𝑖 + 𝛽2 𝑋2𝑖 + 𝜇𝑖

a. Estime los parámetros del modelo y la varianza de la perturbación. (3 pt)

b. Obtenga la matriz de varianzas y covarianzas del vector de parámetros estimados.
(3 pt)
c. Calcule el coeficiente de estimación. (1 pt)

2. (Tomado de Wooldridge Cap 2). Suponga que desea estimar el efecto de las horas
invertidas en un curso de preparación para el examen estándar de admisión (SAT)
sobre la puntuación obtenida en este examen (sat). La población es la de todos los
alumnos de último año de bachillerato que están por ingresar a la universidad en un
determinado año.
i) Suponga que se le otorga un subsidio para realizar un experimento controlado.
Explique cómo estructuraría el experimento con objeto de estimar el efecto
causal de hours sobre sat. (1 pt)
ii) Considere el caso más real en el que los estudiantes deciden cuánto tiempo
invertir en el curso de preparación para el examen, y usted sólo puede
muestrear de la población, en forma aleatoria, sat y hours. Escriba un modelo
poblacional de la forma:
𝑠𝑎𝑡𝑖 = 𝛽0 + 𝛽1 ℎ𝑜𝑢𝑟𝑠1𝑖 + 𝜇𝑖
donde, como de costumbre en un modelo con intercepto, puede suponerse que
E(u) = 0.
Enumere por lo menos dos factores contenidos en u. ¿Es posible que éstos
estén correlacionados positiva o negativamente con hours? (2 pt)
iii) En la ecuación del inciso ii), ¿cuál debe ser el signo de b1 si el curso de
preparación es efectivo? (1 pt)
iv) En la ecuación del inciso ii), ¿cuál es la interpretación de b0? (1 pt)
3. (Adaptado de García Nuñez (2015)) Se desea estimar un modelo de los determinantes
del precio de automóviles, se obtiene una tabla de la distribución de las variables
endógena y exógenas y se realiza la siguiente regresión:

sum price weight length mpg trunk, detail

Price
-------------------------------------------------------------
Percentiles Smallest
1% 3291 3291
5% 3748 3299
10% 3895 3667 Obs 74
25% 4195 3748 Sum of Wgt. 74

50% 5006.5 Mean 6165.257

Largest Std. Dev. 2949.496
75% 6342 13466
90% 11385 13594 Variance 8699526
95% 13466 14500 Skewness 1.653434
99% 15906 15906 Kurtosis 4.819188

Weight (lbs.)
-------------------------------------------------------------
Percentiles Smallest
1% 1760 1760
5% 1830 1800
10% 2020 1800 Obs 74
25% 2240 1830 Sum of Wgt. 74

50% 3190 Mean 3019.459

Largest Std. Dev. 777.1936
75% 3600 4290
90% 4060 4330 Variance 604029.8
95% 4290 4720 Skewness .1481164
99% 4840 4840 Kurtosis 2.118403

Length (in.)
-------------------------------------------------------------
Percentiles Smallest
1% 142 142
5% 154 147
10% 157 149 Obs 74
25% 170 154 Sum of Wgt. 74

50% 192.5 Mean 187.9324

Largest Std. Dev. 22.26634
75% 204 221
90% 218 222 Variance 495.7899
95% 221 230 Skewness -.0409746
99% 233 233 Kurtosis 2.04156

Mileage (mpg)
-------------------------------------------------------------
Percentiles Smallest
1% 12 12
5% 14 12
10% 14 14 Obs 74
25% 18 14 Sum of Wgt. 74

50% 20 Mean 21.2973

Largest Std. Dev. 5.785503
75% 25 34
90% 29 35 Variance 33.47205
95% 34 35 Skewness .9487176
99% 41 41 Kurtosis 3.975005
 Trunk space (cu. ft.)
-------------------------------------------------------------
Percentiles Smallest
1% 5 5
5% 7 6
10% 8 7 Obs 74
25% 10 7 Sum of Wgt. 74

50% 14 Mean 13.75676

Largest Std. Dev. 4.277404
75% 17 21
90% 20 21 Variance 18.29619
95% 21 22 Skewness .0292034
99% 23 23 Kurtosis 2.192052

reg price weight length

Source | SS df MS Number of obs = 74

-------------+------------------------------ F( 2, 71) = 18.91
Model | 220725280 2 110362640 Prob > F = 0.0000
Residual | 414340116 71 5835776.28 R-squared = 0.3476
-------------+------------------------------ Adj R-squared = 0.3292
Total | 635065396 73 8699525.97 Root MSE = 2415.7

------------------------------------------------------------------------------
price | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
weight | 4.699065 1.122339 4.19 0.000 2.461184 6.936946
length | -97.96031 39.1746 -2.50 0.015 -176.0722 -19.84838
_cons | 10386.54 4308.159 2.41 0.019 1796.316 18976.76
------------------------------------------------------------------------------

i) Comente las características de las variables en cuanto al cumplimiento de los

supuestos del modelo MCO. (1 pt)
ii) Comente los resultados de la estimación basándose en la significancia de los
parámetros, los signos y el R2. (1 pt)
iii) Se agrega dos variables, mpg = millas por galón de gasolina y trunk = espacio
en la maletera medido en pies cúbicos. Se obtiene la tabla:

reg price weight length mpg trunk

Source | SS df MS Number of obs = 74

-------------+------------------------------ F( 4, 69) = 9.62
Model | 227368175 4 56842043.6 Prob > F = 0.0000
Residual | 407697222 69 5908655.39 R-squared = 0.3580
-------------+------------------------------ Adj R-squared = 0.3208
Total | 635065396 73 8699525.97 Root MSE = 2430.8

------------------------------------------------------------------------------
price | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
weight | 4.387537 1.178452 3.72 0.000 2.036589 6.738484
length | -109.0618 43.03521 -2.53 0.014 -194.9147 -23.2089
mpg | -86.16235 84.54034 -1.02 0.312 -254.8157 82.49101
trunk | 25.59388 97.06998 0.26 0.793 -168.0554 219.2432
_cons | 14896.45 6080.278 2.45 0.017 2766.627 27026.27
------------------------------------------------------------------------------

El valor de la tabla t es t1-α/2(n-k-1) = 1.99254, para α = 0.05. Complete la tabla y

explique cómo se obtienen los valores de la columna P>|t|.(1 pt)
iv) ¿Es adecuada la inclusión de las variables en el modelo? Sustente su respuesta
con los cálculos de significancia individual y conjunta y el r2 ajustado. (2 pt)
4. Considere el modelo 𝑦𝑖 = 𝛽0 + 𝛽1 𝑋1𝑖 + 𝛽2 𝑋2𝑖 + 𝜇𝑖 : y la información:

Y 6 10 14 18
X1 5 5 6 8
X2 1 2 4 5

Estimar el modelo en diferencias.

Good luck!

04/5/2016