UNIVERSIDAD MAYOR DE SAN ANDRES

INGENIERIA INDUSTRIAL
ECONOMETRIA IND-521

GUIA 2
MODELOS ECONOMETRICOS MULTIVARIANTES
1. PRESENTACION DEL MODELO

Modelo Poblacional Modelo Estimado

𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 + ⋯ + 𝛽𝑘 𝑋𝑘𝑖 + 𝑢𝑖 ̂𝑖 = 𝛽̂1 + 𝛽̂2 𝑋2𝑖 + 𝛽̂3 𝑋3𝑖 + ⋯ + 𝛽̂𝑘 𝑋2𝑘
𝑌
Donde:
𝑌: es la variable dependiente o respuesta
𝑋: es la variable independiente o regresora
𝑢: es la variable de perturbación
𝛽1 𝑦 𝛽2 : son parámetros desconocidos

2. MODELO MATRICIAL 𝑌𝑛×1 = 𝑋𝑛×𝑘 ∗ 𝛽𝑘×1 + 𝑢𝑛×1

𝑌1 1 𝑋21 𝑋3𝑖 ⋯ 𝑋𝑘1 𝛽1 𝑢1

𝑌2 1 𝑋22 𝑋32 ⋯ 𝑋𝑘2 𝛽2 𝑢2
𝑌=[ ] 𝑋=[ ] 𝛽=[ ] 𝑢=[ ⋮ ]
⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮
𝑌𝑛 𝑛×1 1 𝑋2𝑛 𝑋3𝑛 ⋯ 𝑋𝑘𝑛 𝑛×𝑘 𝛽𝑘 𝑘×1 𝑢𝑛 𝑛×1

𝑌1 1 𝑋21 𝑋3𝑖 ⋯ 𝑋𝑘1 𝛽1 𝑢1

𝑌 1 𝑋22 𝑋32 ⋯ 𝑋𝑘2 𝛽 𝑢2
[ 2] =[ ⋱ ] ∗ [ 2] +[ ⋮ ]
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝑌𝑛 𝑛×1 1 𝑋2𝑛 𝑋3𝑛 ⋯ 𝑋𝑘𝑛 𝑛×𝑘 𝛽𝑘 𝑘×1 𝑢𝑛 𝑛×1

3. ESTIMADORES POR MINIMOS CUADRADOS ORDINARIOS

Matriz de parámetros Inversa de una matriz

𝛽̂ = (𝑋 𝑇 𝑋)−1 𝑋 𝑇 𝑌 1
(𝑋 𝑇 𝑋)−1 = ∗ 𝐴𝑑𝑗(𝑋 𝑇 𝑋)
Donde 𝑋 𝑇 𝑋 es una matriz simétrica |𝑋 𝑇 𝑋|

∑ 𝑋21 ∑ 𝑋3𝑖 ⋯ ∑ 𝑋𝑘𝑖 ∑ 𝑌𝑖

2
∑ 𝑋2𝑖 ∑ 𝑋2𝑖 ∑ 𝑋2𝑖 𝑋3𝑖 ⋯ ∑ 𝑋2𝑖 𝑋𝑘𝑖
∑ 𝑌𝑖 𝑋2𝑖
𝑋𝑇 𝑋 = 2 𝑇
𝑋 𝑌=
∑ 𝑋3𝑖 ∑ 𝑋2𝑖 𝑋3𝑖 ∑ 𝑋3𝑖 ⋯ ∑ 𝑋3𝑖 𝑋𝑘𝑖 ∑ 𝑌𝑖 𝑋3𝑖
⋮ ⋮ ⋮ ⋱ ⋮
⋮
⋯ ∑ 𝑋2
[∑ 𝑋𝑘𝑖 ∑ 𝑋2𝑖 𝑋𝑘𝑖 ∑ 𝑋3𝑖 𝑋𝑘𝑖 𝑘𝑖 ]
𝑘×𝑘 [∑ 𝑌𝑖 𝑋𝑘𝑖 ]𝑘×1

Aux. Univ. Claret Cory Altamirano 1

 UNIVERSIDAD MAYOR DE SAN ANDRES
INGENIERIA INDUSTRIAL
ECONOMETRIA IND-521

Para: ∑ 𝑋2𝑖 ∑ 𝑋3𝑖 ∑ 𝑌𝑖

2
̂𝑖 = 𝛽̂1 + 𝛽̂2 𝑋2𝑖 + 𝛽̂3 𝑋3𝑖
𝑌 𝑋 𝑇 𝑋 = ∑ 𝑋2𝑖 ∑ 𝑋2𝑖 ∑ 𝑋2𝑖 𝑋3𝑖 𝑋 𝑇 𝑌 = ∑ 𝑌𝑖 𝑋2𝑖
2
[∑ 𝑋3𝑖 ∑ 𝑋2𝑖 𝑋3𝑖 ∑ 𝑋3𝑖 ]3×3 [∑ 𝑌𝑖 𝑋3𝑖 ]3×1

4. SUMATORIA DE CUADRADOS SCT=SCR+SCE

𝑉𝑎𝑟𝑖𝑎𝑐𝑖𝑜𝑛 𝑇𝑜𝑡𝑎𝑙 = 𝑉𝑎𝑟𝑖𝑎𝑐𝑖𝑜𝑛 𝑑𝑒𝑏𝑖𝑑𝑜 𝑎 𝑙𝑎 𝑟𝑒𝑔𝑟𝑒𝑠𝑖𝑜𝑛 + 𝑉𝑎𝑟𝑖𝑎𝑐𝑖𝑜𝑛 𝑑𝑒𝑏𝑖𝑑𝑜 𝑎𝑙 𝑒𝑟𝑟𝑟𝑜𝑟
𝑇𝑜𝑡𝑎𝑙 𝑅𝑒𝑔𝑟𝑒𝑠𝑖𝑜𝑛 𝐸𝑟𝑟𝑜𝑟 𝑑𝑒 𝑒𝑠𝑡𝑖𝑚𝑎𝑐𝑖𝑜𝑛

𝑆𝐶𝑇 = 𝑛 𝑆𝑌2 = 𝑌 𝑇 𝑌 − 𝑛𝑌̅ 2 𝑒𝑖 = 𝑌𝑖 − 𝑌̂𝑖

𝑆𝐶𝑅 = 𝛽̂ 𝑇 𝑋 𝑇 𝑌 − 𝑛𝑌̅ 2
𝑌𝑇 𝑌 = ∑ 𝑌2 ∑ 𝑒𝑖2 = 𝑒 𝑇 𝑒 = 𝑆𝐶𝐸 = 𝑌 𝑇 𝑌 − 𝛽̂ 𝑇 𝑋 𝑇 𝑌

5. VARIABLE DE PERTURBACION 𝑢𝑖 ~𝑛(0, 𝜎𝑢 )

𝑒𝑇𝑒 𝑆𝐶𝐸 𝑌 𝑇 𝑌 − 𝛽̂ 𝑇 𝑋 𝑇 𝑌 𝐷𝑜𝑛𝑑𝑒

Varianza 𝑉[𝑢] = 𝜎𝑢2 = = =
Residual 𝑛−𝑘 𝑛−𝑘 𝑛−𝑘 𝑘 = 𝑁° 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜𝑠

6. DISTRIBUCION DE LOS ESTIMADORES

𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑑𝑒 𝛽𝑖
𝐸𝑠𝑝𝑒𝑟𝑎𝑛𝑧𝑎 𝑑𝑒 𝛽𝑖 𝜎𝛽̂2 𝜎𝛽̂1 𝛽̂2 𝜎𝛽̂1 𝛽̂3 ⋯ 𝜎𝛽̂1 𝛽̂𝑘
𝜎𝛽̂2 𝛽̂1 𝜎𝛽̂2 𝜎𝛽̂2 𝛽̂3
𝑖
⋯ 𝜎𝛽̂2 𝛽̂𝑘
2
𝐸[𝛽̂𝑖 ] = 𝛽𝑖 𝑉[𝛽̂𝑖 ] = 𝜎𝛽̂2 𝐶𝑂𝑉(𝛽𝑖 , 𝛽𝑗 ) = 𝜎𝛽̂𝑖 ,𝛽̂𝑗
𝑖
𝑉[𝛽̂ ] = 𝜎𝛽̂3 𝛽̂1 𝜎𝛽̂3 𝛽̂2 𝜎𝛽̂3
2
⋯ 𝜎𝛽̂3 𝛽̂𝑘
𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝐶𝑜𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎𝑠 ⋮ ⋮ ⋮ ⋱ ⋮
𝜎 𝜎
[ 𝛽𝑘𝛽1 𝛽𝑘𝛽2 𝛽𝑘𝛽̂3 𝜎 ⋯ 𝜎𝛽̂2𝑘 ]
𝑉[𝛽̂ ] = 𝜎𝑢2 (𝑋 𝑇 𝑋)−1 ̂ ̂ ̂ ̂ ̂
𝑘×𝑘

7. COEFICIANTE DE DETERMINACION (𝑅 2 )
𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑐𝑖𝑜𝑛 𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑐𝑖𝑜𝑛
𝐶𝑜𝑟𝑟𝑒𝑔𝑖𝑑𝑜
𝑛−1
𝑆𝐶𝑅 𝛽̂ 𝑇 𝑋 𝑇 𝑌 − 𝑛𝑌̅ 2 𝑆𝐶𝐸 𝑒𝑇𝑒 𝑌 𝑇 𝑌 − 𝛽̂ 𝑇 𝑋 𝑇 𝑌 𝑅̅ 2 = 1 − (1 − 𝑅 2 )( )
𝑅2 = = = 1 − = 1 − = 1 − 𝑛−𝑘
𝑆𝐶𝑇 𝑌 𝑇 𝑌 − 𝑛𝑌̅ 2 𝑆𝐶𝑇 𝑌 𝑇 𝑌 − 𝑛𝑌̅ 2 𝑌 𝑇 𝑌 − 𝑛𝑌̅ 2

8. MODELO RESPECTO A DESVIOS DE LA MEDIA

𝑀𝑜𝑑𝑒𝑙𝑜 𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑜 𝑐𝑜𝑛 𝑑𝑒𝑠𝑣𝑖𝑜𝑠 ̂𝑖 = 𝛽̂2 𝑥2𝑖 + 𝛽̂3 𝑥3𝑖 + 𝛽̂4 𝑥4𝑖 + ⋯ + 𝛽̂𝑘 𝑥𝑘𝑖
𝑌
𝑑𝑒 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎(𝑛𝑜 𝑡𝑖𝑒𝑛𝑒 𝛽̂1 )
𝑀𝑜𝑑𝑒𝑙𝑜 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜 𝑖𝑛𝑐𝑙𝑢𝑦𝑒 𝛽̂1 ̂𝑖 = 𝛽̂1 + 𝛽̂2 𝑥2𝑖 + 𝛽̂3 𝑥3𝑖 + 𝛽̂4 𝑥4𝑖 + ⋯ + 𝛽̂𝑘 𝑋2𝑘
𝑌
𝐶𝑎𝑙𝑐𝑢𝑙𝑎𝑟 𝑐𝑜𝑛 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜𝑠 𝛽̂1 = 𝑌̅𝑖 − 𝛽̂2 𝑋̅2𝑖 − 𝛽̂3 𝑋̅3𝑖 − 𝛽̂4 𝑋̅4𝑖 − ⋯ − 𝛽̂𝑘 𝑋̅𝑘

Aux. Univ. Claret Cory Altamirano 2

 UNIVERSIDAD MAYOR DE SAN ANDRES
INGENIERIA INDUSTRIAL
ECONOMETRIA IND-521

Para:
2 ∑ 𝑥2𝑖 𝑦𝑖
∑ 𝑥2𝑖 ∑ 𝑥2𝑖 𝑥3𝑖
̂𝑖 = 𝛽̂2 𝑥̃2𝑖 + 𝛽̂3 𝑥̃3𝑖
𝑌 𝑥̃2𝑇 𝑥̃2 = [ ] 𝑥̃2𝑇 𝑦=[ ]
2 ∑ 𝑥3𝑖 𝑦𝑖
∑ 𝑥2𝑖 𝑥3𝑖 ∑ 𝑥3𝑖

Estimación Matriz de varianzas Varianza Residual

𝛽̂ ∑ 𝑒𝑖2 𝑒𝑇𝑒 𝑦 𝑇 𝑦 − 𝛽̃̂2 𝑥̃2𝑇 𝑦
𝛽̃̂2 = (𝑥̃2𝑇 𝑥̃)−1 𝑥̃2𝑇 𝑦 = [ 2 ] 𝑉 [𝛽̃̂2 ] = 𝜎𝑢2 (𝑥̃2𝑇 𝑥̃)−1
= = 𝜎𝑢2 =
𝑆𝐶𝐸
=
𝛽̂3 𝑛−𝑘 𝑛−𝑘 𝑛−𝑘 𝑛−𝑘
𝑇 ̂
𝑆𝐶𝑅 = 𝛽̃2𝑇 𝑥̃2𝑇 𝑦
𝑥𝑖 = 𝑋𝑖 − 𝑋̅ 𝑦𝑖 = 𝑌 − 𝑌̅ 𝑆𝐶𝑇 = 𝑦 𝑇 𝑦 = 𝛽̃̂2 𝑥̃2𝑇 𝑦 + 𝑒 𝑇 𝑒 𝑆𝐶𝐸 = 𝑒 𝑇 𝑒
Coeficiente de Correlación Coeficiente de Determinación
∑ 𝑥𝑦 ̂ 𝑇̃
̃
𝛽 𝑥𝑇2 𝑦
𝑟= 𝑆𝐶𝑅
𝑅 =2
= 2𝑇
√∑ 𝑥 2 √∑ 𝑦 2 𝑆𝐶𝑇 𝑦 𝑦
Varianza Covarianza
∑ 𝑋𝑖2 ∑ 𝑌𝑖2 ∑ 𝑋𝑌
𝑉[𝑋] = 𝑆𝑋2 = − 𝑋̅ 2 𝑉[𝑌] = 𝑆𝑌2 = − 𝑌̅ 2 𝐶𝑂𝑉(𝑋, 𝑌) = 𝜇𝑋𝑌 = − 𝑋̅𝑌̅
𝑛 𝑛 𝑛
2
𝜎𝑢
𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝛽̂1 𝑉[𝛽̂1 ] = 𝑉 [𝑌̅ − 𝑋̅2𝑇 𝛽̃̂2 ] = + 𝜎𝑢2 𝑋̅2𝑇 (𝑥̃2𝑇 𝑥̃)−1 𝑋̅2
𝑛

𝐶𝑜𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝛽̂1 , 𝛽̃̂2 𝐶𝑂𝑉 (𝛽̂1 , 𝛽̃̂2 ) = [𝑌̅ − 𝑋̅2𝑇 𝛽̃̂2 , 𝛽̃̂2 ] = −𝑋̅2𝑇 𝑉 [𝛽̃̂2 ] = −𝜎𝑢2 𝑋̅2𝑇 (𝑥̃2𝑇 𝑥̃)−1

9. PREDICCION

1
𝑌̂𝑜 = 𝑋𝑜 𝑇 𝛽̂ 𝑋𝑜2 𝑋𝑜 = 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑝𝑟𝑒𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑎
DONDE: 𝑋𝑜 = [ ]
⋮
𝑋𝑜𝑘 𝑘𝑥1

Predicción 𝑃 [𝑌̂𝑜 − 𝑡𝛼𝑛−2 √𝑋𝑜𝑇 (𝑋 𝑇 𝑋)−1 𝑋𝑜 ≤ 𝑌𝑜 ≥ 𝑌̂𝑜 + 𝑡𝛼𝑛−2 √𝑋𝑜𝑇 (𝑋 𝑇 𝑋)−1 𝑋𝑜 ] = 1 − 𝛼

⁄ ∗ 𝜎𝑢
2 ⁄ ∗ 𝜎𝑢 2
Media

Predicción 𝑃 [𝑌̂𝑜 − 𝑡𝛼𝑛−2

⁄ ∗ 𝜎𝑢
√1 + 𝑋𝑜𝑇 (𝑋 𝑇 𝑋)−1 𝑋𝑜 ≤ 𝑌𝑜 ≥ 𝑌̂𝑜 + 𝑡𝛼𝑛−2
⁄ ∗ 𝜎𝑢
√1 + 𝑋𝑜𝑇 (𝑋 𝑇 𝑋)−1 𝑋𝑜 ] = 1 − 𝛼
2 2
Puntual

10. INTERVALOS DE CONFIANZA

𝑃𝑎𝑟𝑎 𝛽̂𝑖 𝑃𝑎𝑟𝑎 𝜎2𝑢

𝑃 [𝛽̂𝑖 − 𝑡𝛼𝑛−2 𝑛−2 𝑒𝑇𝑒 𝑒𝑇𝑒

̂𝑖 ≤ 𝛽𝑖 ≥ 𝛽̂𝑖 + 𝑡𝛼⁄ ∗ 𝜎𝛽
⁄ ∗ 𝜎𝛽 ̂𝑖 ] = 1 − 𝛼 𝑃[ ≤ 𝜎𝑢2 ≥ ]= 1−𝛼
2 2 2 2
𝑋(𝑛−2); 𝛼⁄ 𝑋(𝑛−2);1− 𝛼⁄
2 2

Aux. Univ. Claret Cory Altamirano 3

 UNIVERSIDAD MAYOR DE SAN ANDRES
INGENIERIA INDUSTRIAL
ECONOMETRIA IND-521

11. VALIDACION DEL MODELO

PRUEBA DE SIGNIFICACION INDIVIDUAL PRUEBA DE SIGNIFICACION GLOBAL

i. Planteamiento de la hipótesis i. Planteamiento de la hipótesis
𝐻𝑜: 𝛽𝑖 = 0 𝐻𝑜: 𝛽2 + 𝛽3 + ⋯ + 𝛽𝑘 = 0
𝐻𝑎: 𝛽𝑖 ≠ 0 𝐻𝑎: 𝛽2 + 𝛽3 + ⋯ + 𝛽𝑘 ≠ 0
ii. Identificación del estadístico ii. Identificación del estadístico de prueba
de prueba
Fuente de Grados de Suma de Cuadrados
variación Libertad cuadrados medios
𝐹𝑐
𝛽̂𝑖 − 𝛽𝑖𝑜 Regresión 𝑘−1 𝑆𝐶𝑅 𝐶𝑀𝑅
𝑡𝑐 = ̂ 𝑇 𝑇
̅ 2 𝐶𝑀𝑅 = 𝐹𝑐 =
𝑆𝐶𝑅 = 𝛽 𝑋 𝑌 − 𝑛𝑌 𝑘−1 𝐶𝑀𝐸
𝜎𝛽𝑖
Error 𝑛−𝑘 𝑆𝐶𝐸 𝑆𝐶𝐸
𝐶𝑀𝐸 =
𝜎𝛽̂2
= 𝑆𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒 𝑑𝑒 𝑙𝑎 𝑇 ̂ 𝑇 𝑋𝑇 𝑌
=𝑌 𝑌−𝛽 𝑛−𝑘
𝑖
𝑚𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑐𝑜𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎𝑠 Total 𝑛−1 𝑆𝐶𝑇 = 𝑆𝐶𝑅 + 𝑆𝐶𝐸

𝑅 2 (𝑛−𝑘)
En función de 𝑅 2 : 𝐹𝑐 =
(1−𝑅 2 )∗(𝑘−1)

iii. Contrastación iii. Contrastación

𝑡𝛼𝑛−2
⁄2 𝛼 = 𝑛𝑖𝑣𝑒𝑙 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑛𝑐𝑖𝑎 𝐹𝛼
(𝑘−1)(𝑛−𝑘)
𝑘 = # 𝑑𝑒 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜𝑠

(𝑘−1)(𝑛−𝑘)
𝑅𝑅: |𝑡𝑐 | > 𝑡𝛼𝑛−2
⁄ 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻𝑜 𝑅𝑅: 𝐹𝑐 > 𝐹𝛼 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻𝑜
2

iv. Conclusión o interpretación iv. Conclusión o interpretación

¨ A un nivel de significancia del …. ¨ A un nivel de significancia del …. se rechaza/acepta la
se rechaza/acepta la hipótesis nula hipótesis nula Ho…..¨
Ho…..¨

12. RESTRICCIONES LINEALES

𝑆𝑒 𝑣𝑎𝑙𝑖𝑑𝑎 𝑒𝑙 𝑐𝑢𝑚𝑝𝑙𝑖𝑚𝑖𝑒𝑛𝑡𝑜 𝑑𝑒 𝑙𝑎 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛 𝑑𝑒𝑠𝑝𝑢𝑒𝑠 𝑑𝑒 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑟 𝑒𝑙 𝑎𝑗𝑢𝑠𝑡𝑒

Donde: 𝐷 = 𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠 𝑑𝑒 𝑙𝑜𝑠𝑠 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜𝑠
𝛽 = 𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜𝑠 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑠
𝐷𝑟×𝑘 ∗ 𝛽𝑘×1 = 𝑟𝑟×1 𝑟 = 𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑛𝑢𝑚𝑒𝑟𝑖𝑐𝑜𝑠
𝑘 = 𝑁° 𝑑𝑒 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜𝑠
𝑠 = 𝑁° 𝑑𝑒 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛𝑒𝑠

𝐴𝛽1 + 𝐵𝛽2 + 𝐶𝛽3 = 𝑟1 𝐴 𝐵 𝐶 𝛽1 𝑟1

𝐷=[ ] 𝛽 = [𝛽2 ] 𝑟 = [𝑟 ]
𝐸𝛽1 + 𝐹𝛽2 + 𝐺𝛽3 = 𝑟2 𝐸 𝐹 𝐺 𝑠×𝑘 2 𝑠×1
𝛽3 𝑘×1

Aux. Univ. Claret Cory Altamirano 4

 UNIVERSIDAD MAYOR DE SAN ANDRES
INGENIERIA INDUSTRIAL
ECONOMETRIA IND-521

i. Planteamiento de la hipótesis
𝐻𝑜: 𝐷𝛽 = 𝑟
𝐻𝑎: 𝐷𝛽 ≠ 𝑟
ii. Identificación del estadístico de prueba
(𝐷𝛽̂ − 𝑟)𝑇 (𝐷 ∗ 𝑉[𝛽̂ ] ∗ 𝐷𝑇 )−1 ∗ (𝐷𝛽̂ − 𝑟)
𝐹𝑐 =
𝑠
iii. Contraste
𝑠,(𝑛−𝑘)
𝐹𝑐 ~ 𝐹𝛼 𝑘 = # 𝑑𝑒 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜𝑠

𝑠,(𝑛−𝑘)
𝑅𝑅: 𝐹𝑐 > 𝐹𝛼 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻𝑜

iv. Conclusión o interpretación

¨ A un nivel de significancia del …. se cumple/no se cumple las restricciones
lineales debido a que se acepta/rechaza Ho…..¨

EJERCICIOS DE CLASE

1.Se desea conocer el grado de relación existente entre los gastos de alimentación
mensual de las familias, sus ingresos mensuales y tamaño. Se selecciona para ello una
muestra al azar de 7 familias que arrojar los siguientes resultados:
Gastos Ingresos Tamaño de
N° mensuales mensuales la familia
($) ($) (Personas)
1 430 2100 3
2 310 1100 4
3 320 900 5
4 460 1600 4
5 1250 6200 4
6 440 2300 3
7 520 1800 6

a) Realice una estimación adecuada del modelo por MCO e interprete los coeficientes.
b) ¿Este modelo tiene una buena bondad de ajuste?
c) ¿El modelo es significativo global e individualmente?
2. Un investigador obtiene los siguientes resultados para la demanda de Café en función
del precio del café y del precio del te:
Yt = 6,47 + 6,588X2t + 0,257X3t n=8 R2 = 0,9728

Aux. Univ. Claret Cory Altamirano 5

 UNIVERSIDAD MAYOR DE SAN ANDRES
INGENIERIA INDUSTRIAL
ECONOMETRIA IND-521

Además, obtiene la matriz de varianzas-covarianzas de los estimadores:

Utilizando la información disponible:

a) Son individualmente los parámetros significativos, con un nivel de significación del
5%?.
b) El modelo es globalmente significativo, con un nivel de significación del 5%.
c) Contrástese la hipótesis nula de que β2 = 10β3, con un nivel de significación del 5%.
d) Suponiendo que los resultados obtenidos por el investigador (variables) están
medidas en logaritmos naturales, ¿cuál es la es la interpretación del coeficiente
correspondiente a X3, suponiendo que Y es la cantidad demandada de café y X3 es el
precio del té?. ¿sirve la interpretación para decidir qué tipo de bienes son?.
3. El gerente de un polideportivo municipal ubicado en el interior de una provincia
situada en la costa, conoce por experiencia de los cinco años anteriores, que el número
de entradas vendidas al día depende del número de kilómetros de distancia a la playa
más cercana y del número de piscinas particulares situadas en la zona.
Dispone además de la siguiente información:

Dado el modelo: 𝑌𝑖=𝛽1+𝛽2𝑋2𝑖+𝛽3𝑋3𝑖+𝑢𝑖

a) ¿Es el modelo globalmente significativo con un 95%?
b) El número de piscinas particulares influye de forma significativa en la venta de
entradas en el polideportivo municipal. (𝛼=5%)
c) Utilizando un nivel de confianza del 95%probar que: 𝛽3−𝛽1=0 𝑦 2𝛽2=3
4. La siguiente información utiliza los datos en forma de desviaciones respecto a la
media:

a) Calcule β1, β2 y β3.

b) Obtenga R2 y
c) Estime la matriz de covarianzas del modelo.
d) Demuestre si el modelo es significativo global e individualmente.

Aux. Univ. Claret Cory Altamirano 6

 UNIVERSIDAD MAYOR DE SAN ANDRES
INGENIERIA INDUSTRIAL
ECONOMETRIA IND-521
PRACTICA N° 1

1. Dadas las variables 𝑌𝑖,𝑋2𝑖,𝑋3𝑖 con la siguiente información:

𝑌𝑖 1 3 1 2 3 4 1
𝑋2𝑖 7 3 6 3 8 6 9
𝑋3𝑖 10 3 8 1 6 3 13

a) Estimar el modelo.
b) Determinar la bondad de ajuste.
c) Determinar la significación global e individual del modelo.
2. En un estudio sobre el consumo de tabaco se especificó el siguiente modelo de
regresión:
𝐶𝑡=𝛽1+𝛽2𝑃𝑡+𝛽3𝐺𝑡+𝑢𝑡
Dónde:
Ct = Ventas de las principales empresas de tabaco (en millones de cigarrillos)
Pt = Precio de cigarrillo (en dólares de 1958)
Gt = Gastos en publicidad (en miles de dólares de 1958)
Los resultados de la estimación con datos de 1930-1978 son:

a) ¿Es el modelo globalmente significativo a un 95% de confianza?

b) Una posible medida para limitar el consumo de tabaco consiste en controlar el
volumen de publicidad. ¿Cómo se puede contrastar si esto último es cierto?
c) Contrastar la hipótesis de que “El efecto de las ventas autónoma es el doble del
precio, conjuntamente con que el efecto negativo de los gastos de publicidad es igual a
la unidad”.
d) Se sabe que en el año 1979 el precio del cigarrillo se situó en 1.25 dólares y los
gastos de publicidad en 12.950 (miles de dólares). ¿Es posible esperar que las ventas
medias alcancen a 20.000?
3. Se ha estimado un modelo para explicar la variable Y: gastos en alimentos infantiles,
en función de X2: número de hijos, X3: gastos en alimentos no infantiles, X4: la renta
familiar, con la siguiente ecuación estimada:
𝑌=−67.570173−19.834647 𝑋2+7.5734058 𝑋3+0.0660283 𝑋4
Con la información que se recoge a continuación, se pretende saber si la aportación de
las variables X3 Y X4 es significativa en el modelo global, mediante un análisis de
varianza (Contrate a un 99% de confianza)

Aux. Univ. Claret Cory Altamirano 7

 UNIVERSIDAD MAYOR DE SAN ANDRES
INGENIERIA INDUSTRIAL
ECONOMETRIA IND-521

4. Al estudiar el comportamiento del PIB de un determinado país, durante el periodo

1974-1998, se obtuvo la siguiente ecuación estimada por MCO:
𝑃𝐼𝐵=2719.545+34.153 𝐶𝑃𝐸+44.774 𝐼𝑃𝐶
Donde:
PIB = Producto interno bruto
IPC = Índice de precios al consumo
CPE = Capacidad productiva de la industria de ese país, en porcentaje sobre el total
En este periodo también se obtuvo la siguiente información:

Se pide:
a) Contraste la aportación del IPC al modelo mediante un análisis de la varianza.
b) Contraste las siguientes hipótesis:
El modelo es globalmente significativo a un 95% de confianza.
El efecto de la capacidad productiva de la industria y del IPC es el mismo e igual a 40.
El término independiente se cifra en 1000 miles de pesos.
c) Construya un intervalo de confianza para el coeficiente de la capacidad productiva.
d) Por estimaciones de la economía se sabe que en 1999 la capacidad productiva será de
un 90% y el IPC 113. ¿Cuál será el PIB esperado? Construya el intervalo de confianza
para ese valor al 10% de significación.

FECHA DE PRESENTACION 30/09/20 HASTA LAS 11:00 AM.

Aux. Univ. Claret Cory Altamirano 8