Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 52 vistas

    Practica Econometria PDF

    Cargado por

    Roberto Zárate Herrera
    Un investigador estimó un modelo de ventas mensuales de automóviles en función de la población y el ingreso per cápita de varios países. El modelo encontró que las ventas aumentan a medida que aumenta la población y el ingreso, y explica el 96% de la variación en las ventas. El documento construye e interpreta intervalos de confianza para los parámetros del modelo a diferentes niveles de confianza.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Practica Econometria PDF

    Cargado por

    Roberto Zárate Herrera
    52 vistas7 páginas
    Un investigador estimó un modelo de ventas mensuales de automóviles en función de la población y el ingreso per cápita de varios países. El modelo encontró que las ventas aumentan a medida que aumenta la población y el ingreso, y explica el 96% de la variación en las ventas. El documento construye e interpreta intervalos de confianza para los parámetros del modelo a diferentes niveles de confianza.

    Título original

    practica econometria.pdf

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Un investigador estimó un modelo de ventas mensuales de automóviles en función de la población y el ingreso per cápita de varios países. El modelo encontró que las ventas aumentan a medida que aumenta la población y el ingreso, y explica el 96% de la variación en las ventas. El documento construye e interpreta intervalos de confianza para los parámetros del modelo a diferentes niveles de confianza.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    52 vistas7 páginas

    Practica Econometria PDF

    Cargado por

    Roberto Zárate Herrera
    Un investigador estimó un modelo de ventas mensuales de automóviles en función de la población y el ingreso per cápita de varios países. El modelo encontró que las ventas aumentan a medida que aumenta la población y el ingreso, y explica el 96% de la variación en las ventas. El documento construye e interpreta intervalos de confianza para los parámetros del modelo a diferentes niveles de confianza.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 7

    TAREA ECONOMETRIA 4 A

    Un investigador de la Industria del automóvil estima un modelo de ventas mensuales de


    automóviles (miles de unidades por mes) en función de la población (millones de
    habitantes) y del ingreso per cápita (miles de $us.) de varios países del mundo. El modelo
    estimado es el siguiente:

    a) Interprete los parámetros estimados del Modelo.

    Sea el modelo:

    Yt = β1 + β2 X2t + β3 X3t + Ut

    Yt = 1.813697 + 0.058593 X2t + 0.124811 X3t + Ut

    β1 =1.813697  parámetro autónomo, es el que trata de explicar las ventas


    mensuales de automóviles que no dependen de la población y del ingreso per cápita.

    β2 =0.058593  por cada 1 millón de habitantes que incremente la población, las


    ventas mensuales de automóviles incrementaran en 0.058593 mil unidades por mes,
    manteniendo constante el ingreso per cápita.

    β3 =0.124811  por cada 1 mil $us que incremente el ingreso per cápita, las ventas
    mensuales de automóviles incrementaran en 0.124811 mil unidades por mes,
    manteniendo constante la población.
    b) Interprete 𝑅2 y 𝑅̅2

    𝑅2 = 0.963739  La población y el ingreso per cápita están explicando las ventas


    mensuales de automóviles en un 96,37%.

    𝑅̅2 = 0.953453  La población y el ingreso per cápita están explicando las ventas
    mensuales de automóviles en un 95,34% corregido.

    c) Construya e interprete los intervalos de confianza para 𝛽1,𝛽2,𝑦 𝛽3 con 𝛼 = 5%

    Sea el modelo:

    Yt = 1.813697 + 0.058593 X2t + 0.124811 X3t + Ut

    N = 10

    K=3

     Para 𝛽1 con 𝛼 = 5%
    α = 0.05
    α/2 = 0.025
    Grados de libertad = 10 – 3 = 7
    𝑡(0,025;7) = 2.365

    𝑃 {𝛽1 − 𝑡𝛼 ∗ 𝑆β1 ≤ 𝛽1 ≤ 𝛽1 + 𝑡𝛼 ∗ 𝑆β1 } = 1 − 𝛼


    2 2

    𝑃{1.813697 − 2.365 ∗ 2.774797 ≤ 𝛽1 ≤ 1.813697 + 2.365 ∗ 2.774797 } = 1 − 0.05

    𝑃{−4.748698 ≤ 𝛽1 ≤ 8.376092 } = 0.95

    Interpretación: Para un nivel de confianza del 95% y en el largo plazo repitiendo un


    gran número de veces el experimento 95 de cada 100 intervalos como

    [-4.748698; 8.376092] deberán contener al verdadero parámetro poblacional 𝛽1.


     Para 𝛽2 con 𝛼 = 5%
    α = 0.05
    α/2 = 0.025
    Grados de libertad = 10 – 3 = 7
    𝑡(0,025;7) = 2.365

    𝑃 {𝛽2 − 𝑡𝛼 ∗ 𝑆𝛽2 ≤ 𝛽2 ≤ 𝛽2 + 𝑡𝛼 ∗ 𝑆𝛽2 } = 1 − 𝛼


    2 2

    𝑃{0.058593 − 2.365 ∗ 0.015045 ≤ 𝛽1 ≤ 0.058593 + 2.365 ∗ 0.015045 } = 1 − 0.05

    𝑃{0.023012 ≤ 𝛽1 ≤ 0.094174 } = 0.95

    Interpretación: Para un nivel de confianza del 95% y en el largo plazo repitiendo un


    gran número de veces el experimento 95 de cada 100 intervalos como

    [0.023012; 0.094174] deberán contener al verdadero parámetro poblacional 𝛽2.

     Para 𝛽3 con 𝛼 = 5%
    α = 0.05
    α/2 = 0.025
    Grados de libertad = 10 – 3 = 7
    𝑡(0,025;7) = 2.365

    𝑃 {𝛽3 − 𝑡𝛼 ∗ 𝑆𝛽3 ≤ 𝛽3 ≤ 𝛽3 + 𝑡𝛼 ∗ 𝑆𝛽3 } = 1 − 𝛼


    2 2

    𝑃{0.124811 − 2.365 ∗ 0.011156 ≤ 𝛽1 ≤ 0.124811 + 2.365 ∗ 0.011156} = 1 − 0.05

    𝑃{0.098427 ≤ 𝛽1 ≤ 0.151195 } = 0.95

    Interpretación: Para un nivel de confianza del 95% y en el largo plazo repitiendo un


    gran número de veces el experimento 95 de cada 100 intervalos como

    [0.098427; 0.151195] deberán contener al verdadero parámetro poblacional 𝛽3.


    d) Construya e interprete los intervalos de confianza para 𝛽1,𝛽2,𝑦 𝛽3 con 𝛼 = 10%

    Sea el modelo:

    Yt = 1.813697 + 0.058593 X2t + 0.124811 X3t + Ut

    N = 10

    K=3

     Para 𝛽1 con 𝛼 = 10%


    α = 0.10
    α/2 = 0.05
    Grados de libertad = 10 – 3 = 7
    𝑡(0,05;7) = 1.895

    𝑃 {𝛽1 − 𝑡𝛼 ∗ 𝑆β1 ≤ 𝛽1 ≤ 𝛽1 + 𝑡𝛼 ∗ 𝑆β1 } = 1 − 𝛼


    2 2

    𝑃{1.813697 − 1.895 ∗ 2.774797 ≤ 𝛽1 ≤ 1.813697 + 1.895 ∗ 2.774797 } = 1 − 0.10

    𝑃{−3.444543 ≤ 𝛽1 ≤ 7.071937} = 0.90

    Interpretación: Para un nivel de confianza del 90% y en el largo plazo repitiendo un


    gran número de veces el experimento 90 de cada 100 intervalos como

    [-3.444543; 7.071937] deberán contener al verdadero parámetro poblacional 𝛽1.


     Para 𝛽2 con 𝛼 = 10%
    α = 0.10
    α/2 = 0.05
    Grados de libertad = 10 – 3 = 7
    𝑡(0,05;7) = 1.895

    𝑃 {𝛽2 − 𝑡𝛼 ∗ 𝑆𝛽2 ≤ 𝛽2 ≤ 𝛽2 + 𝑡𝛼 ∗ 𝑆𝛽2 } = 1 − 𝛼


    2 2

    𝑃{0.058593 − 1.895 ∗ 0.015045 ≤ 𝛽1 ≤ 0.058593 + 1.895 ∗ 0.015045 } = 1 − 0.10

    𝑃{0.030008 ≤ 𝛽1 ≤ 0.087103 } = 0.90

    Interpretación: Para un nivel de confianza del 90% y en el largo plazo repitiendo un


    gran número de veces el experimento 90 de cada 100 intervalos como

    [0.030008; 0.087103] deberán contener al verdadero parámetro poblacional 𝛽2.

     Para 𝛽3 con 𝛼 = 10%


    α = 0.10
    α/2 = 0.05
    Grados de libertad = 10 – 3 = 7
    𝑡(0,05;7) = 1.895

    𝑃 {𝛽3 − 𝑡𝛼 ∗ 𝑆𝛽3 ≤ 𝛽3 ≤ 𝛽3 + 𝑡𝛼 ∗ 𝑆β3 } = 1 − 𝛼


    2 2

    𝑃{0.124811 − 1.895 ∗ 0.011156 ≤ 𝛽1 ≤ 0.124811 + 1.895 ∗ 0.011156} = 1 − 0.10

    𝑃{0.103670 ≤ 𝛽1 ≤ 0.145952} = 0.90

    Interpretación: Para un nivel de confianza del 90% y en el largo plazo repitiendo un


    gran número de veces el experimento 90 de cada 100 intervalos como

    [0.103670; 0.145952] deberán contener al verdadero parámetro poblacional 𝛽3.


    e) Construya e interprete los intervalos de confianza para 𝜎2 con 𝛼 = 1%

    Sea el modelo:
    Yt = 1.813697 + 0.058593 X2t + 0.124811 X3t + Ut
    N = 10
    K=3
    α = 0.01
    α/2 = 0.005
    Grados de libertad = 10 – 3 = 7

    (𝑛 − 𝑘) 𝜎 2 (𝑛 − 𝑘) 𝜎 2
    𝑃{ ≤ 𝜎2 ≤ }=1−𝛼
    𝑎1 𝑎0
    2 2 2
    𝑎0 = 𝑋(1− 𝛼
    ; 𝑛−𝑘)
    = 𝑋(1−0.005 ; 10−3) = 𝑋(0.995 ; 7) = 0.989265
    2

    𝑎1 = 𝑋(2𝛼 ; 𝑛−𝑘) = 𝑋 20.01 2


    = 𝑋(0.005 ; 7) = 20.2777
    2 ( ; 10−3)
    2

    𝑈´𝑈 359.7558
    𝜎2 = = = 51.393686
    𝑛−𝑘 10 − 3
    𝜎 = 7.168938  𝜎 2 = (7.168938)2 = 51.393672

    (10 − 3) ∗ 51.393686 (10 − 3) ∗ 51.393686


    𝑃{ ≤ 𝜎2 ≤ } = 1 − 0.01
    20.2777 0.989265

    𝑃{17.741450 ≤ 𝜎 2 ≤ 363.659689} = 0.99

    Interpretación: Para un nivel de confianza del 99% y en el largo plazo repitiendo un


    gran número de veces el experimento 99 de cada 100 intervalos como

    [17.741450; 363.659689] deberán contener a la verdadera varianza poblacional .


    f) Construya e interprete los intervalos de confianza para 𝜎2 con 𝛼 = 10%

    Sea el modelo:
    Yt = 1.813697 + 0.058593 X2t + 0.124811 X3t + Ut
    N = 10
    K=3
    α = 0.10
    α/2 = 0.05
    Grados de libertad = 10 – 3 = 7

    (𝑛 − 𝑘) 𝜎 2 (𝑛 − 𝑘) 𝜎 2
    𝑃{ ≤ 𝜎2 ≤ }=1−𝛼
    𝑎1 𝑎0
    2 2 2
    𝑎0 = 𝑋(1− 𝛼
    ; 𝑛−𝑘)
    = 𝑋(1−0.05 ; 10−3) = 𝑋(0.95 ; 7) = 2.16735
    2

    𝑎1 = 𝑋 2𝛼 = 𝑋 20.10 2
    = 𝑋(0.05 ; 7) = 14.0671
    ( ; 𝑛−𝑘) ( ; 10−3)
    2 2

    2
    𝑈´𝑈 359.7558
    𝜎 = = = 51.393686
    𝑛−𝑘 10 − 3
    𝜎 = 7.168938  𝜎 2 = (7.168938)2 = 51.393672

    (10 − 3) ∗ 51.393686 (10 − 3) ∗ 51.393686


    𝑃{ ≤ 𝜎2 ≤ } = 1 − 0.10
    14.0671 2.16735

    𝑃{25.574269 ≤ 𝜎 2 ≤ 165.988789} = 0.90

    Interpretación: Para un nivel de confianza del 90% y en el largo plazo repitiendo un


    gran número de veces el experimento 90 de cada 100 intervalos como
    [25.574269; 165.988789] deberán contener a la verdadera varianza poblacional.

    También podría gustarte