Ejercicios Capitulo 4

FACULTAD DE CIENCIAS EMPRESARIALES
ESCUELA PROFESIONAL DE ECONOMÍA
INFORME DE PROYECTO DE INVERSIÓN
AUTOR:
Ramírez Moreno, Rosario
Villantoy Polo, Victor
Villegas Purca, Soledad
ASESOR:
PIZARRO RODAS, WILDER
LIMA- PERÚ
2020
EJERCICIOS
Explique la diferencia entre B̂ 1 y B1; entre los residuos û I y el error de la regresión uI

y entre el valor de predicción MCO Yˆ y E(Y B )
I I| I
 B̂ 1 es el estimador de un parámetro a diferencia de B 1 que es un parámetro fijo y
desconocido.
 û I es llamado Residuo el cual es la diferencia entre el valor muestral Y I y el valor
ajustado de Yˆ A diferencia del error de la regresión u no es observable.
I. I
 valor de predicción MCO Yˆ I es un estimado interesando que sea lo más pequeño

posible a diferencia de E(YI | BI) es una línea de regresión.
Para cada supuesto de mínimos cuadrados, proporcione un ejemplo en el cual el

supuesto es válido, y después proporcione un ejemplo en el que el supuesto no se
cumpla.
Supuesto 1: La distribución condicional de u i dado Xi tiene media igual a cero
 En un experimentoaleatorizado controlado, los sujetos son asignados al azar al grupo de

tratamiento (X=1) o al grupo de control (X=0). La asignación aleatoria se realiza
habitualmente mediante un programa informático que no utiliza ninguna información
sobre el sujeto, asegurando así que X se distribuye de forma independiente de todas las
características personales de los sujetos. La asignación al azar hace a X y a u
independientes, lo que a su vez implica que la media condicional de u dado X es cero. En
los datos observacionales, X no se asigna aleatoriamente en un experimento. En su lugar,
lo mejor que se puede esperar es que X sea como si fuera asignada al azar, en el sentido
exacto de que E(ui|Xi) = 0. El hecho de si este supuesto se cumple en una determinada
aplicación empírica con datos observacionales requiere de una cuidadosa reflexión y de
una valoración, y volveremos sobre esta cuestión en varias ocasiones.
 Si la media condicional de una variable aleatoria dado otra es cero, entonces las dos
variables aleatorias tienen covarianza cero y por lo tanto no están correlacionadas
Supuesto 2: (Xi, Yi), i = 1, ..., n, son independientes e idénticamente Distribuidas
 Supongamos que una horticultora quiere estudiar los efectos de diferentes métodos
orgánicos de escardar (X) sobre la producción de tomates (Y) y el distinto crecimiento que
conlleva sobre las diferentes parcelas de tomate la utilización de diferentes técnicas
orgánicas de escardado. Si elige la técnica a usar (el nivel de X) sobre la i-ésima parcela y
se aplica la misma técnica a la i-ésima parcela en todas las repeticiones del experimento,
entonces el valor de Xi no cambia de una muestra a la otra. Por lo tanto Xi es no aleatoria
(aunque el resultado Yi sea aleatorio), por lo que el esquema muestral no es i.i.d. Los
resultados mostrados en este capítulo desarrollados para regresores i.i.d. son igualmente
ciertos si los regresores son no aleatorios. Sin embargo, el caso de un regresor no
aleatorio es bastante especial. Por ejemplo, los protocolos experimentales modernos
habrían asignanado para la horticultora el nivel de X para las diferentes parcelas utilizando
un generador de números aleatorios, eludiendo así cualquier posible sesgo por parte de la
horticultora (que podría utilizar su método favorito para escardar los tomates de la
parcela más soleada). Cuando se utiliza este protocolo experimental moderno, el nivel de
X es aleatorio y (Xi, Yi) es i.i.d.
 se pueden tener datos sobre los niveles de inventario (Y) de una empresa y el tipo de
interés al que la empresa puede pedir prestado (X), donde estos datos se recogen para
una empresa concreta a lo largo del tiempo; por ejemplo, se podrían haber recopilado
cuatro veces al año (trimestral) durante 30 años. Este es un ejemplo de datos de series
temporales, y una característica crucial de los datos de series temporales es que las
observaciones que están cercanas en el tiempo unas de la otras no son independientes,
sino que más bien tienden a estar correlacionadas unas con otras; si los tipos de interés
ahora son bajos, es probable que sean bajos el trimestre próximo. Este patrón de
correlación viola el supuesto de i.i.d. en la parte de la «independencia». Los datos de
series temporales introducen un conjunto de complicaciones que se manejan mejor
después de desarrollar las herramientas básicas de análisis de regresión
Supuesto 3: Los datos atípicos elevados son improbables
 Imaginemos larecogida de datos sobre la altura de ocho estudiantes en metros, pero de

forma inadvertida, en lugar de eso se registra la altura de un estudiante en centímetros.
Una forma de detectar atípicos consiste en representar los datos. Si se decide que un
atípico es debido a un error en el registro de los datos, se puede elegir entre corregir el
error o, si hacerlo no es posible, sacar el dato de la base de datos. Dejando de lado los
errores de registro de datos, el supuesto de curtosis finita es verosímil en muchas
aplicaciones con datos económicos. El tamaño de las clases está limitado por la capacidad
física de las aulas; lo mejor que se puede realizar un examen estandarizado es obtener
todas las respuestas correctas. Al tener el tamaño de las clases y la puntuación en los
exámenes un rango finito, necesariamente tienen curtosis finita. De modo más amplio, las
distribuciones utilizadas habitualmente, tales como la distribución normal, tienen
momentos de cuarto orden. Adicionalmente, como cuestión matemática, algunas
distribuciones tienen momentos de cuarto orden infinitos, que este supuesto excluye. Si
se cumple el supuesto de momentos de cuarto orden finitos, entonces es improbable que
las inferencias estadísticas que utilizan MCO estén dominadas por unas pocas
observaciones.
Suponga que un investigador utiliza datos sobre el tamaño de las clases (TC) y de los
promedios de las calificaciones en los exámenes para 100 clases de tercer curso, para
estimar la regresión MCO
calificaci onexamen =520,4 - 5,82 x TC, R2 = 0,08, ESR =11,5.
a) Un aula tiene 22 estudiantes. ¿Cuál es la predicción de la regresión para la calificación

media en el examen para esa clase?
Calificacionexamen = 520,4 - 5,82 x 22
=520,4 - 128,04
= 392,36
b) El año pasado, un aula tenía 19 estudiantes, y este año cuenta con 23 alumnos. ¿Cuál es la
predicción de la regresión para la variación en la media de las calificaciones en el examen para
la clase?
=520,4 - 110,58
=409,82
= 520,4 - 133,86
= 386,54
c) La media muestral del tamaño de la clase para 100 aulas es de es 21,4. ¿Cuál es la media
muestral de las calificaciones en el examen entre las 100 aulas? (Pista: repasar las fórmulas de
los estimadores MCO).
11,5(21,4) = B1
246,1 = B1
d) ¿Cuál es la desviación típica muestral de las calificaciones en los exámenes entre las 100
aulas? (Pista: repasar las fórmulas de R2 y del ESR).
R2 = SE/ST
0,08=SE/100
SE=8
ESR =11,5
U21 = 11,5/ 1- 8
=11,5/-7
= -1,64
Supóngase que se selecciona una muestra aleatoria de 200 varones de veinte años
de edad de una población y que se registra la altura y el peso de estos hombres. Una
regresión del peso sobre la altura da
PESO =-99,41 + 3,94 x Altura, R2 = 0,81, ESR = 10,2,
donde Peso se mide en libras y Altura se mide en pulgadas.

a) ¿Cuál es la predicción que propociona la regresión para el peso de alguien que mide 70
pulgadas? ¿y para alguien de 74 pulgadas?
PESO = -99,41 + 3,94 x 70 + 10,2
=186.59
PESO = -99,41 + 3,94 x 74 + 10,2
= 202.5
b) Un hombre da un estirón tardío y crece 1,5 pulgadas a lo largo de un año. ¿Cuál es la

predicción que proporciona la regresión para el aumento de peso de este hombre?
c) Supóngase que en lugar de medir el peso y la altura en libras y pulgadas, esas variables se
miden en centímetros y kilogramos. ¿Cuáles son las estimaciones de la regresión para esa
nueva regresión centímetros-kilogramos? (Proporcione todos los resultados, los coeficientes
estimados el R2 y el ESR).
Una regresión del promedio de los ingresos salariales semanales (ISM, medidos en
dólares) sobre la edad (medida en años), utiliza una muestra aleatoria de
trabajadores con estudios universitarios a tiempo completo entre 25 y 65 años de
edad, y obtiene lo siguiente:
ISM =696,7 + 9,6 x Edad, R2 = 0,023, ESR = 624,1
a) Explique qué significan los valores de los coeficientes 696,7 y 9,6.
El coeficiente 9.6 el efecto marginal. Se espera que aumente en $9,6 por cada adicional de
edad.
696.7 es la intersección de la línea de regresión.
b) El error estándar de la regresión (ESR) es 624,1. ¿Cuáles son las unidades de medida del ESR?
(¿Dólares? ¿Años? ¿O el ESR no tiene unidades?).
ESR está en las mismas unidades que la variable dependiente, por lo tanto ESR se mide en
dólares por semana.
c) El R2 de la regresión es 0,023. ¿Cuáles son las unidades de medida de R2? (¿Dólares? Años?
¿O el R2 no tiene unidades?).
R2 es unidad libre
d) ¿Cuáles son los ingresos salariales pronosticados por la regresión para un trabajador de 25
años de edad? ¿Y para un trabajador de 45 años de edad?
(Y) 696.7 + 9.6 X 25 = $ 936.7
(y) 696.7 + 9.6 X 45 = $ 1,128.7
e) ¿Será fiable la regresión en sus predicciones sobre un trabajador de 99 años de edad? ¿Por
qué o por qué no?
No, el trabajador de más edad en la muestra tiene 65 años, 99 años está muy lejos del rango
de los datos de la muestra.
f) Teniendo en cuenta lo que se sabe acerca de la distribución de los ingresos, ¿cree que es
posible que la distribución de los errores de la regresión sea normal? (Pistas: ¿piensa que la
distribución es simétrica o asimétrica?, ¿cuál es el menor valor de los ingresos? y ¿es
compatible con una distribución normal?).
No, la distribución de las ganancias está sesgada positivamente y tiene curtosis mayor que la
normal.
g) El promedio de edad de esta muestra es de 41,6 años. ¿Cuál es el valor medio muestral de
ISM? (Pista: repasar el Concepto clave 4.2)
^β 0=Ý − ^β 1 X́ ;para qué Ý = ^β0 + β^ 1 X́ por lo tanto, la media muestral es
696.7 + 9.6 X 41.6= $ 1096.06

Ejercicios Capitulo 4

Cargado por

Copyright:

Formatos disponibles

Ejercicios Capitulo 4

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ejercicios Capitulo 4

Cargado por

Copyright:

Formatos disponibles

FACULTAD DE CIENCIAS EMPRESARIALES

ESCUELA PROFESIONAL DE ECONOMÍA

INFORME DE PROYECTO DE INVERSIÓN

PIZARRO RODAS, WILDER

Explique la diferencia entre B̂ 1 y B1; entre los residuos û I y el error de la regresión uI

 valor de predicción MCO Yˆ I es un estimado interesando que sea lo más pequeño

Para cada supuesto de mínimos cuadrados, proporcione un ejemplo en el cual el

 En un experimentoaleatorizado controlado, los sujetos son asignados al azar al grupo de

Supuesto 2: (Xi, Yi), i = 1, ..., n, son independientes e idénticamente Distribuidas

Supuesto 3: Los datos atípicos elevados son improbables

 Imaginemos larecogida de datos sobre la altura de ocho estudiantes en metros, pero de

a) Un aula tiene 22 estudiantes. ¿Cuál es la predicción de la regresión para la calificación

Calificacionexamen = 520,4 - 5,82 x 22

Calificacionexamen = 520,4 - 5,82 x 19

Calificacionexamen = 520,4 - 5,82 x 23

PESO =-99,41 + 3,94 x Altura, R2 = 0,81, ESR = 10,2,

donde Peso se mide en libras y Altura se mide en pulgadas.

PESO = -99,41 + 3,94 x 70 + 10,2

PESO = -99,41 + 3,94 x 74 + 10,2

b) Un hombre da un estirón tardío y crece 1,5 pulgadas a lo largo de un año. ¿Cuál es la

ISM =696,7 + 9,6 x Edad, R2 = 0,023, ESR = 624,1

a) Explique qué significan los valores de los coeficientes 696,7 y 9,6.

696.7 es la intersección de la línea de regresión.

(Y) 696.7 + 9.6 X 25 = $ 936.7

(y) 696.7 + 9.6 X 45 = $ 1,128.7

696.7 + 9.6 X 41.6= $ 1096.06

También podría gustarte

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.