ECONOMETRA II/II

EJERCICIOS: UNIDADES IV y V
MODELOS NO LINEALES

1. Expanda la funcin de Consumo No Lineal C = (1 + 2YD ) 3 en una sucesin de series

serie de Taylor, utilizando nicamente los trminos lineales, alrededor de alguna conjetura
inicial (por ejemplo 1 = 100 ,

2 = 0.7

3 = 1 ), y realice los clculos hasta la

primera iteracin. Adems, obtenga una expresin para calcular la propensin marginal a
consumir en este modelo.
2. Al igual que en el ejercicio anterior, ahora se le pide que expanda la funcin CES, dada por
la siguiente expresin

= + (1 )

Donde = Producto real; = Representa el factor trabajo; = Representa el factor

capital.
Nota: Una recomendacin es expandir la serie luego de obtener su logaritmo
3. Algunas series muestran al principio un rpido crecimiento y posteriormente un gradual
decrecimiento. Este caso suele ser descrito mediante una curva logstica, la cual, en una
de sus versiones, viene dada por

Yt =

1 + e ( 2 + 3t )

(1)

Como se puede fcilmente verificar, 1 es el techo o lmite asinttico al que tiende la variable
dependiente cuando el tiempo se incrementa indefinidamente, y 3 es el factor de
proporcionalidad en la tasa de crecimiento. Representamos por Y a la variable dependiente
y t al tiempo.
a) Demuestre que la tasa de variacin de Y, relativa a cualquier t est dada por la siguiente
expresin:

dYt
Y ( 1 Y )
= 3
1
dt

b) La Tabla del Anexo 1 reproduce los datos sobre la poblacin de Estados Unidos, para el
perodo 1970-1999. Ajuste el modelo usando la ecuacin (1) e interprtense los
parmetros estimados.
4. Los modelos de crecimiento pueden tomar diversas formas, tanto lineales como no
lineales. Considrense los siguientes modelos de crecimiento:

Yt = 1 + 2 t + u t
ln Yt = 1 + 2 t + u t

Yt =

1
+ u t , que es una versin alternativa del modelo descrito en el numeral
1 + 2 e t
3

anterior.

Yt = 1e

2 e 3t

+ u t , conocido como el modelo de crecimiento de Gompertz.

a) Determine las propiedades de estos modelos al considerar el crecimiento de Y en relacin

con el tiempo. Sea explcito y riguroso.
b) Ajuste los datos del ejercicio anterior a estos modelos.
c) Obtenga las estimaciones y los residuos de cada modelo. Grafique cada una de las
predicciones y los datos de la poblacin en un diagrama de secuencia (esto implica que
requiere construir cuatro grficos) Obtenga adems, la suma de los residuos al cuadrado para
cada estimacin. Cul es el modelo que mejor se ajusta?

5. Un modelo ms general para estimar la demanda de dinero, viene dado por la siguiente
expresin:

ln M t = 1 + 2 rt 3 + 4Yt 5 + ut
Donde M = Stock de dinero en la economa (M2), en dlares constantes
r = Tipo de inters de descuento de la Reserva Federal
Y = PNB en dlares constantes
a) Utilizando los datos proporcionados (Ver Greene, Cap. 10. Pp. 401) estime el modelo no
lineal aplicando MCNL, e interprete los resultados. Qu puede decir acerca de los valores
predichos con el modelo?

b) Encuentre la expresin para calcular la tasa de cambio en el Stock de dinero dados cambios
unitarios en la tasa de inters. Encuentre adems la expresin para calcular el cambio
porcentual elasticidad- en el stock de dinero dados cambios porcentuales en la tasa de
inters.
c) Cul es el Stock de dinero estimado, cuando la tasa de inters es 12% y el PNB es de USD $
4000?
d) Con los test de razn de verosimilitud y de Wald pruebe la hiptesis de que el modelo lineal
es el modelo correcto.

6. Intervalos de pronstico en modelos no lineales. Suponga la funcin de consumo no

lineal vista en clase, dada por

(1)

= 1 + 2 3 +

En algunos textos se recomienda el siguiente algoritmo para encontrar el error de pronstico.

i)

Se reescribe la ecuacin como:

(2 +2 )

= (0 + 0 ) + (1 + 1 )

(2)

Donde se establece que 0 , 1 , 2 y son variables aleatorios distribuidas en forma normal

con media 0 y desviaciones estndar iguales a los errores estndar calculados a partir de la
regresin linealizada correspondiente a la ltima iteracin del proceso de estimacin (la que
sale automticamente cuando se corre el modelo no lineal en E-views o STATA).
ii)
iii)

Se generan nmeros aleatorios para 0 , 1 , 2 y para usarlos para el pronstico de

+1 y se calcula este pronstico en base a la ecuacin (2).
Se repite el paso ii) unas 200 veces. Se usa la desviacin estndar muestral de la
distribucin resultante de valores para +1 como el error estndar del pronstico.
Finalmente se construye el intervalo de pronstico correspondiente.

Construya el intervalo de pronstico para el modelo de consumo no lineal utilizando los datos
proporcionados en clase y asumiendo que +1 = 2500. Puede utilizar Excel, E-views o STATA
para realizar este ejercicio.

7. Suponga que usted desea estimar una funcin de produccin para una economa
especfica. Para ello dispone de datos del producto (en logaritmos), del capital y del
empleo (Ver Anexo 2).
a) En primer lugar usted quiere ver si el siguiente modelo se ajusta bien a los datos
= + () + () +

Donde

() =

y () =

a) Corra el modelo de Box-Cox en STATA, con el logaritmo del producto como variable
dependiente, el capital y el producto como regresores, y obtenga los estimadores de , ,
y .
b) Testee las siguientes hiptesis nulas: = 1; = 0 y = 1. Aun cuando la hiptesis
nula se rechace en los tres casos, qu caso se rechaza con menor fuerza?
c) Considerando el caso que en el literal anterior se rechaza con menor fuerza (menor valor
del estadstico de prueba), estime el modelo correspondiente.
d) Ahora linealice el modelo de Box-Cox utilizando Taylor, Cules son los pseudorregresores
del modelo linealizado?
e) Corra el modelo de Box-Cox utilizando MCNL en STATA. Difieren los resultados
significativamente de la estimacin del literal a)?
f) Ahora, estime la funcin CES, utilizando MCNL. Compare los resultados desde el punto de
vista econmico.
MODELOS VARIABLE DEPENDIENTE CATEGRICA
1. Usando los siguientes seis puntos de datos, estime un modelo lineal de probabilidad con el
uso de MCO:
X
Y

-1
0

-2
0

0
0

1
1

1
1

1
1

Calcule R 2 para el modelo. Luego use el modelo estimado para clasificar a los individuos en
dos categoras. Calcule el nmero de clasificaciones correctas usando la siguiente regla de
clasificacin:

primer grupo (Y = 1) si Y > 1 / 2

segundo grupo (Y = 0) si Y < 1 / 2

Clasificar

Discuta las ventajas y desventajas de usar R 2 o el porcentaje de clasificaciones correctas como

medida de la bondad del ajuste en el modelo de probabilidad lineal.

2. Utilizando los datos proporcionados (Ver Pindyck y Rubinfeld, Cap 11. Pp. 348), aplique los
procedimientos MPL, LOGIT y PROBIT para estimar los parmetros en el modelo:

Pi = E (YESVM = 1) = f ( PUB1 & 2; PUB3 & 4; PUB5; PRIV ; YEARS; SCHOOL; LogINC ; PRCON )
a) Cmo se comparan los resultados? Construya una tabla comparativa en STATA.
b) Usando las estimaciones de MCO del MPL, pronostique YESVM para cada caso. Cuntos
casos resultan en realidad en predicciones fuera del rango de 0 a1? Haga un anlisis.
c) Calcule los efectos marginales promedio y los efectos marginales en la media para los
Modelos LOGIT y PROBIT y comprelos con los obtenidos en el MPL. En el caso de los

regresores categricos, aplique los dos procedimientos vistos en clase: el exacto y el

aproximado.
d) Ahora construya un grfico que compare las probabilidades predichas para los siguientes
casos (SCHOOL = 1 y SCHOOL = 0) en el eje de las ordenadas, con respecto a cada nivel de
la variable PTCON (eje de las abscisas). Considere los valores promedio de los dems
regresores mtricos y los valores ms frecuentes para los regresores no mtricos.
3. Utilizando los datos de la Tabla 15.4 de Gujarati:
a) Estime el modelo utilizando MPL sin corregir la heterocedasticidad
b) Estime el modelo utilizando MPL, esta vez con correccin de heterocedasticidad. Compare
los resultados con los obtenidos en el literal anterior.
4. Puesto que R 2 como medida de bondad de ajuste no es particularmente apropiada para los
modelos de variable dependiente dictoma, una alternativa sugerida en el caso de tener datos
agrupados es la prueba S descrita enseguida:
G

S =
i =1

N i ( Pi Pi ) 2
P (1 P )
i

Donde: Ni = Nmero de observaciones en la -sima celda

Pi = Probabilidad real de ocurrencia del evento (ni/Ni)

Pi = Probabilidad estimada por el modelo
G = Nmero de grupos o celdas
Puede demostrarse que para muestras grandes S est distribuida de acuerdo con una
distribucin con G-k grados de libertad, donde k = Nmero de parmetros a estimarse.
2

Aplquese esta prueba al modelo de la tabla 15.4 de Gujarati (pg. 577), comntese el
resultado y comprelo con las otras medidas obtenidas.

ANEXO 1
POBLACIN DE USA EN MILLONES DE INDIVIDUOS: 1970-1999
AO

TIEMPO

1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

POBLACIN DE
EU (millones)
205052
207661
209896
211909
213854
215973
218035
220239
222585
225055
227726
229966
232188
234307
236348
238466
240651
242804
245021
247342
249948
252639
255374
258083
260599
263044
265463
268008
270561
273131

ANEXO 2
PRODUCTO, CAPITAL Y EMPLEO: VARIABLES EN LOGARITMOS
Capital
0.3123746
2.257087
0.1247439
0.1289948
3.814328
0.1433489
0.9315631

Trabajo
Ln Producto
3.163565
2.933451
1.698008
4.613716
0.2749307
1.654005
1.720745
2.025361
0.2600043
3.165065
1.980032
1.372219
0.4368913
2.92082

1.083574
0.1647364
0.2217667
1.520109
0.1234262
0.1524001
3.701662
1.07983
0.1232347
0.4588158
0.1723461
3.978481
11.85148
2.581199
0.1238654
0.1233275
0.9323797
1.102907
2.362164
3.386804
0.1882935
0.7148594
0.1896505
0.1301128
1.2275
1.697932
2.504834
0.1272889
0.3390699
0.3253418
0.9053885
0.2227887
2.141121
0.7121782
0.7218334
6.403727
1.785505
0.6419373
1.07016
0.1591851
1.157985
0.4632396
0.9169878
0.7716387
0.9829046
0.6616719
0.4955225
2.003288
6.999259

0.1442706
0.0545371
2.679428
0.280395
0.1077196
0.871515
0.296783
0.4561465
1.955928
8.73866
0.301101
0.1179924
0.9226632
1.000125
1.548515
8.895391
1.188151
0.0619218
0.1641294
0.261576
1.55359
0.2824952
1.930348
0.6815569
1.236722
0.5208839
0.1194963
0.0550434
1.529899
1.045175
0.874088
2.143935
0.0543651
2.789508
1.970867
3.568795
0.5899736
0.4376687
0.8131923
3.858948
4.108693
8.232026
12.28035
0.3916253
0.0819357
1.389387
7.270298
3.972791
0.1600463

2.698994
1.197918
3.097216
2.594031
1.51934
3.113661
4.391105
3.784592
3.206696
4.72858
1.819054
1.474243
4.433768
4.289772
1.916494
1.762829
3.793428
1.175655
3.12017
1.859672
3.776937
2.070178
2.676625
2.235797
5.282151
3.293793
2.994794
1.186594
2.693712
3.627684
3.698169
2.52298
1.164548
4.092232
4.086566
5.095975
2.983565
2.92187
3.73589
2.770739
4.206479
3.451775
2.921264
3.901312
2.428831
3.30703
2.869548
5.260079
2.101228

1.152298
2.001225
1.294739
3.280336
1.673553
1.956725
0.7464224
0.1329843
0.1819105
0.1457046
0.3239661
1.730597
0.5767582
1.984921
0.1280106
1.54789
0.1599891
6.049198
0.3285682
1.755015
2.917112
1.280446
0.6498547
4.42302
0.1712096
2.547066
5.153204
0.1650985
1.664857
0.7613288
0.1580214
0.2629262
0.1573688
0.8334751
0.2120817
5.48467
0.2172508
0.989325
1.475331
0.2614668
0.6329353
0.2557932
2.72437
0.946865

0.7274268
0.0624984
4.834964
0.269899
0.1503915
0.9495848
0.416937
2.133135
0.5498307
3.315778
0.1904251
4.754823
0.7663996
0.3643253
1.37814
0.4813944
6.838418
0.5316307
1.07679
0.1642325
1.064924
0.1196845
0.9378674
4.119677
2.213595
0.9048388
1.332116
0.0637521
1.852641
1.908599
2.813325
0.0551014
0.623898
0.0667528
1.660983
1.761712
0.3323506
0.2826679
1.330708
0.4023916
3.801785
0.3353206
31.5595
3.80443

4.040154
1.431568
3.946586
3.051166
1.757635
4.231444
3.988085
2.45753
1.932294
2.336783
2.244056
4.352454
3.876485
3.243982
2.255837
3.011011
2.481992
3.534648
2.185669
1.794255
3.829315
1.514545
2.977636
5.703145
2.663008
3.516896
4.525752
1.049675
4.250632
4.076944
4.347461
1.883288
2.224254
1.360945
2.772991
4.748453
1.994157
3.231169
4.571402
2.737468
3.619768
2.292713
5.026271
3.363704