PRACTICA DIRIGIDA N°3

ECONOMETRÍA
PREGUNTA N°1
• Método de estimación por ajuste
• Siempre minimizará los errores de un modelo en una muestra
MCO dada.
• Distancia mínima no es lo mismo que distancia 0

Cuando el modelo tiene intercepto, dado que 𝑿′ 𝒆 = ∅, la suma de los errores es 0. Pero, esto no significa que la
suma del cuadrado de los errores sea 0.

𝟐 0.7
𝒏 𝒏 𝒏 𝒏
−1.5
෍ 𝒆𝟐𝒊 ≠ ෍ 𝒆𝒊 𝑒=
2.33 ෍ 𝒆𝒊 = 𝟎 ෍ 𝒆𝟐𝒊 = 𝟏𝟔. 𝟑𝟒
1.5 𝒊=𝟏 𝒊=𝟏
𝒊=𝟏 𝒊=𝟏 −0.7
−2.33
PREGUNTA N°2
Modelo 1 𝑒 ′ 𝑒 = 𝑒12 + 𝑒22 + 𝑒32 + ⋯ + 𝑒𝑛2
“n” observaciones

2 2 2 2 2
Modelo 2 𝑒∗ ′ 𝑒∗ = 𝑒1∗ + 𝑒2∗ + 𝑒3∗ 2
+ ⋯ + 𝑒𝑛∗ +𝑒𝑛+1∗ + 𝑒𝑛+2∗ 2
+ ⋯ + 𝑒𝑛+𝑚∗
“m” observaciones

Si 𝟎 < 𝒆𝒊 < 𝟏 𝒔′ 𝒆 > 𝒆′ 𝒆

 PREGUNTA N°3
Es muy importante que la matriz (X’X) sea una matriz definida positiva (mdp) porque si no lo fuese entonces (X’X) no tendría inversa.

Sabemos que:

• Si A es una mdp -> otra matriz B’AB también será mdp -> solo si el rango de B es su numero de columnas.

• Tenemos (X’X) = (X’IX)

Como la matriz idéntica (I) es una mdp y el rango de X es igual al número de columnas (supuesto del MLG)

Entonces (X’X) es una mdp.

Para que X’X no sea una mdp el rango de x debe ser diferente del numero de columnas, con lo cual no (X’X) no tendría inversa y el
estimador MCO no existiría.
 PREGUNTA N°4
i) En un modelo en el que:

Asumiendo que en el modelo inicial había una variable y ahora se añade otra:
 PREGUNTA N°4
ii)
Sabemos que el estimador es el resultado (el valor crítico) de minimizar e’e:

Entonces, si al modelo inicial le faltaron variables explicativas, lo que se

estaba minimizando era esto:

Min con restricción

En cambio si el modelo contiene todas las variables explicativas entonces se

minimizará un programa sin restricciones.

Min sin restricción

A medida que aumente variables explicativas e’e disminuye ( sin importar la calidad de las variables) y a medida que se eliminan
variables e’e aumenta.
PREGUNTA N°5
I. 𝑥𝑖 − 𝜇𝑖
𝑥𝑖 ~𝑁(𝜇𝑖 , 𝜎𝑖2 ) 𝑧𝑖 = ; 𝑧𝑖 ~ 𝑁(0,1) White
𝜎𝑖
noise
𝑛
𝐺=෍ 𝑧𝑖2 ; 𝐺 ~ 𝜒𝑛 ⇔ 𝑧𝑖 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝑒𝑛𝑡𝑟𝑒 𝑠í.
𝑖=1

𝑆𝑖: 𝐴 ~ 𝜒𝑛 ∧ 𝐵 ~ 𝜒𝑚
𝑛 𝑚 𝑎𝑖 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝. 𝑒𝑛𝑡𝑟𝑒 𝑠í
𝐶 =𝐴+𝐵 = ෍ 𝑎𝑖2 +෍ 𝑏𝑖2 , 𝑑𝑜𝑛𝑑𝑒 ቐ
𝑖=1 𝑖=1 𝑏𝑖 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝. 𝑒𝑛𝑡𝑟𝑒 𝑠í

Depende, porque no se sabe si ai y bi son independientes entre éstos.

PREGUNTA N°5
II. 𝐴/𝑛
𝑆𝑖: 𝐴 ~ 𝜒𝑛 ∧ 𝐵 ~ 𝜒𝑚 𝐺= ; 𝐺 ~ 𝐹(𝑛,𝑚) ⇔ ai y bi son independientes entre éstos.
𝐵/𝑚

𝑛 𝑚 𝑎𝑖 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝. 𝑒𝑛𝑡𝑟𝑒 𝑠í

𝐴=෍ 𝑎𝑖2 ∧ 𝐵= ෍ 𝑏𝑖2 𝑑𝑜𝑛𝑑𝑒 ቐ
𝑖=1 𝑖=1 𝑏𝑖 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝. 𝑒𝑛𝑡𝑟𝑒 𝑠í

𝑆𝑖: 𝐺 ~ 𝐹(4,5) ∧ 𝐻 ~ 𝐹(6,7)

𝐴/4 𝐶/6
𝐾 =𝐺+𝐹 = + , 𝑑𝑜𝑛𝑑𝑒 𝐴, 𝐵, 𝐶 𝑦 𝐷 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑦𝑒𝑛 𝜒
𝐵/5 𝐷/7

Para este caso, no se podría, porque ni si quiera tienen denominadores

iguales.
PREGUNTA N°6
1 1
− 2 (𝑥−𝜇)2
𝑓 𝑥 = ∗ 𝑒 2𝜎
𝜎 2𝜋

I. Función acumulada

𝑛
1 1
− 2 𝑥𝑖 −𝜇 2
F 𝑥𝑖 = ෑ ∗𝑒 2𝜎
𝑖=1
𝜎 2𝜋 𝑒𝑎𝑒𝑏 𝑒𝑐
= 𝑒 𝑎+𝑏+𝑐

𝑛 𝑛
1 1 1 1
− 2 𝑥𝑖 −𝜇 2 − 2 σ 𝒙𝒊 −𝝁 𝟐
ෑ ∗ෑ 𝑒 2𝜎 = ∗ 𝑒 2𝜎
𝑖=1
𝜎 2𝜋 𝑖=1
(𝜎 2𝜋)𝒏
PREGUNTA N°6
II. Aplicar logaritmo

1 1
− 2 σ 𝒙𝒊 −𝝁 𝟐
L𝑛 𝐹 𝑥𝑖 = 𝐿𝑛 ∗ 𝑒 2𝜎
(𝜎 2𝜋)𝒏
𝐿𝑛 𝐴 ∗ 𝐵 𝐿𝑛 𝐴/𝐵
= 𝐿𝑛 𝐴 = 𝐿𝑛 𝐴
+ 𝐿𝑛(𝐵) 1 −
1
σ 𝒙𝒊 −𝝁 𝟐
− 𝐿𝑛(𝐵)
2
𝐿𝑛 + 𝐿𝑛 𝑒 2𝜎
(𝜎 2𝜋)𝒏

1
𝑳𝒏 𝟏 − 𝐿𝑛[(𝜎 2𝜋)𝒏 ] − 2 ෍ 𝒙𝒊 − 𝝁 𝟐
2𝜎

1 𝟐
𝟎 − 𝑛𝐿𝑛(𝜎 2𝜋) − 2 ෍ 𝒙𝒊 − 𝝁
2𝜎
PREGUNTA N°6
III. Derivar (µ y σ)

1 𝟐
𝜕L𝑛 𝐹 𝑥𝑖 𝜕[−𝑛𝐿𝑛(𝜎 2𝜋) − σ 𝒙 𝒊 − 𝝁 ]
= 2𝜎 2
𝜕𝜇 𝜕𝜇

σ 𝑥𝑖 − 𝜇 1
−2 1
σ 𝑥𝑖 − 𝜇 −1 = 0 =0
2𝜎 2 𝜎2

෍(𝑥𝑖 ) − 𝑛𝜇 = 0

σ(𝑥𝑖 )
μො = =𝑥
𝑛
PREGUNTA N°6
III. Derivar (µ y σ)

1 𝟐
𝜕L𝑛 𝐹 𝑥𝑖 𝜕[−𝑛𝐿𝑛(𝜎 2𝜋) − σ 𝒙 𝒊 − 𝝁 ]
= 2𝜎 2
𝜕𝜎 𝜕𝜇

−𝑛 2𝜋 −2 2
−𝑛 −2 2
− 3
෍ 𝑥𝑖 − 𝜇 =0 − 3
෍ 𝑥𝑖 − 𝜇 =0
𝜎 2𝜋 2𝜎 𝜎 2𝜎

σ 𝑥𝑖 − 𝜇 2ൗ 𝑛
=
𝜎3 𝜎
σ 𝑥𝑖 − 𝑥 2
෢2
𝜎 =
𝑛