Facultad de Economı́a y Negocios Universidad de Chile

Econometrı́a I
Profesores: José Miguel Benavente, Pamela Jervis, Andrés Sagner, Javier Turén
Ayudantes: Alejandra Abufhele, Roberto Gillmore, Iván Gutierrez, Daniela Luengo,
Francisca Pacheco, Carmen Quezada y Pedro Roje.
Primavera 2009
Pauta Examen

1. Comentes (60 puntos)

En esta sección se presentan 6 comentes, usted debe contestar la totalidad de ellos. Cada
comente vale 10 puntos.

1. (10 puntos) Si los regresores del modelo de regresión lineal son estocásticos, los esti-
madores β̂ seguirán cumpliendo con el Teorema de Gauss-Markov.
Respuesta: Falso. Si bien β̂ es incondicionalmente insesgado y su varianza puede ser
descrita en términos del comportamiento medio de los regresores, el supuesto nece-
sario para que el Teorema de Gauss-Markov se cumpla es que los regresores deben ser
ortogonales a los errores.

2. (10 puntos) Suponga que usted estima un modelo de regresión lineal y sospecha que los
residuos de este modelo se encuentran autocorrelacionados y siguen un proceso AR(2).
En vista de esto, el test recomendado para detectar dicha autocorrelación es aquél
propuesto por Durbin-Watson.
Respuesta: Falso. El test de Durbin-Watson sirve para detectar autocorrelación de los
residuos si éstos siguen un proceso AR(1). Los tests sugeridos en este caso son los
propuestos por Breusch-Godfrey o Box-Pierce-Ljung (Q-Stat).

3. (10 puntos) La equivalencia entre el Teorema de Gauss-Markov y la cota inferior de

Cramer Rao se observarı́a bajo errores distribuidos normalmente.
Respuesta: Bajo errores normales sabemos que la estimación de MCO es MELI, esto
gracias al teorema de Gauss-Markov. Como sabemos, bajo el supuesto de normalidad
los estimadores de MV son equivalentes al caso de MCO, se demuestra que la varianza
de estos estimadores también es mı́nima, gracias a que se alcanza la cota inferior de
Cramer-Rao. Por ende, es cierto que existe dicha equivalencia. Es importante destacar
que las propiedades del estimador MV se dan en un contexto asintótico lo que no ocurre
necesariamente bajo MCO.

4. (10 puntos) Explique la posible relación entre la heterocedasticidad y la omisión de

variables relevantes.
Respuesta: En una regresión cualquier variable no incorporada dentro del modelo pero
que es relevante a la hora de caracterizar a la variable dependiente traerá sesgo en los
parámetros. Además de esto, todo lo no observable o lo omitido se termina atribuyendo
al térmido de error, por ende, el omitir variables relevantes incorpora más ruido dentro
del residuo, empujando posiblemente al modelo hacias escenarios de heterocedasticidad.

5. (10 puntos) La multicolinealidad implica que necesariamente aumente la probabilidad

de cometer el error tipo I.

1
Facultad de Economı́a y Negocios Universidad de Chile

Respuesta: Falso. Si existe multicolinealidad (no exacta, si la multicolinealidad es exac-

ta el estimador MCO no existe) los errores estándar serán muy elevados, con lo cual,
los estadı́sticos serán pequeños (por ejemplo el estadı́stico t o F) y tenderemos a no
rechazar la hipótesis nula, aun cuando esta sea falsa. Por definición, el error tipo II
es el que se comete cuando uno no rechaza la hipotesis nula cuando ella es falsa, luego
estaremos más expuestos a este tipo de error.
6. (10 puntos) La autocorrelación es un fenómeno exclusivo de las series de tiempo.
Falso. En datos de corte transversal tambien es posible que se de este fenomeno. El
caso mas tipico es cuando existe un shock que afecta a varios individuos o empresas.
En este caso tendremos que los errores estaran correlacionados entre ellos, generando
asi que E(ui uj ) 6= 0 cuando i 6= j.

2. Matemáticos (40 puntos)

A continuación usted encontrará 4 ejercicios matemáticos, usted debe solo responder dos
de ellos. Cada uno de los ejercicios vale 20 puntos. Cualquier alumno que responda más de
dos ejercicio será sancionado con la mı́nima nota.

2.1. Matemático 1
Suponga que Ud. dispone de una muestra de tamaño N que se distribuye Bernoulli, es decir,
pi (xi ; θ) = θxi (1 − θ)1−xi , i = 1, . . . , N , donde xi es la observación i-ésima de la muestra y
θ el parámetro poblacional asociado a esta distribución1 .
1. (4 puntos) Encuentre una expresión para la Función de Log-Verosimilitud l(θ; X),
donde X = (x1 , x2 , . . . , xN ) es un vector que contiene todas las observaciones de la
muestra.
2. (8 puntos) Encuentre el estimador de Máxima Verosimilitud de θ (θ̂M V ).
3. (8 puntos) Encuentre la varianza de θ̂M V .
Solución:
1. El primer paso consiste en encontrar la Función de Verosimilitud L(θ; X), la cual
corresponde a la función de probabilidad conjunta de los datos:

N
Y
L(θ; X) = pi (xi ; θ)
i=1
 x1     
= θ (1 − θ)1−x1 · θx2 (1 − θ)1−x2 · . . . · θxN (1 − θ)1−xN
PN PN
xi
= θ i=1 (1 − θ)N − i=1 xi

A partir de este resultado, la Función de Log-Verosimilitud l(θ; X) es simplemente:

l(θ; X) = ln (L(θ; X))

 PN PN 
= ln θ i=1 xi (1 − θ)N − i=1 xi
N n
!
X X
= ln (θ) xi + ln (1 − θ) N − xi
i=1 i=1
1 AYUDA: Recuerde que si una variable Y se distribuye Bernoulli, entonces E[Y ] = θ y V [Y ] = θ(1 − θ).

2
Facultad de Economı́a y Negocios Universidad de Chile

2. Derivando la expresión anterior con respecto a θ, tenemos que:

N n
!
∂l(θ; X) 1X 1 X
= xi − N− xi
∂θ θ i=1 1−θ i=1

El estimador θ̂M V se encuentra igualando la derivada anterior a cero:

∂l(θ; X)
|θ̂M V = 0
∂θ
N n
!
1 X 1 X
xi = N− xi
θ̂M V i=1 1 − θ̂M V i=1
N
1 X
θ̂M V = xi
N i=1

3. Recordemos que V [θ̂M V ] = I(θ)−1 , donde I(θ) es la Matriz de Información definida

como:

 
∂ 2 l(θ; X)
I(θ) = −E
∂θ2

A partir de la definición anterior, tenemos que:

N N
!
∂ 2 l(θ; X) 1 X 1 X
= − 2 xi − N− xi
∂θ2 θ i=1 (1 − θ)2 i=1
N N
!
∂ 2 l(θ; X) 1 X 1 X
− = xi + N− xi
∂θ2 θ2 i=1 (1 − θ)2 i=1
 2  N N
!
∂ l(θ; X) 1 X 1 X
−E = E[xi ] + N− E[xi ]
∂θ2 2
θ i=1 (1 − θ)2 i=1
Nθ N
= + (1 − θ)
θ2 (1 − θ)2
N N
= +
θ (1 − θ)
N
=
θ(1 − θ)

Luego, la varianza se encuentra dada por:

V [θ̂M V ] = I(θ)−1
 −1
N
=
θ(1 − θ)
θ(1 − θ)
=
N

3
Facultad de Economı́a y Negocios Universidad de Chile

Como θ es desconocido en la práctica, reemplazamos esta variable por su estimador

θ̂M V en la expresión anterior:

θ̂M V (1 − θ̂M V )
V [θ̂M V ] =
N
N N
!
1 X 1 X
= xi 1 − xi
N 2 i=1 N i=1

2.2. Matemático 2
Considere el siguiente modelo de regresión lineal para una muestra de tamaño T de datos
en series de tiempo y cuyo término de errror (ut ) es homocedástico, pero presenta auto-
correlación serial del tipo AR(1) pero en el ruido blanco (ε)(A este tipo de procesos se les
conoce como media móvil.):

yt = Xt β + u t
ut = εt + θεt−1

donde E[εt ] = 0, E[ε2t ] = σ 2 y E[εt ετ ] = 0, t 6= τ .

1. (6 puntos) Encuentre la Media y Varianza de ut .

2. (7 puntos) Encuentre la autocorrelación de orden 1 y 2 de ut (AYUDA: La autocor-
relación de orden j de una variable aleatoria x se define como ρj = γj /γ0 , donde γj =
E[(xt − E[xt ])(xt−j − E[xt−j ])] es la autocovarianza de orden j de xt , y γ0 = V [xt ].).
3. (7 puntos) En base a sus resultados anteriores, identifique la matriz Ω correspondiente
a la matriz de covarianzas de ut ; ésta última dada por E[uu′ ] = σ 2 Ω. En particular,
demuestre que la matriz Ω esta dada por:

 
1 + θ2 θ 0 ··· 0
 θ 1 + θ2 θ ··· 0 
 
 0 θ 1 + θ2 ··· 0 
Ω= 
 .. .. .. .. .. 
 . . . . . 
0 0 0 0 1 + θ2

Solución:

1. La media de ut (E[ut ]) se encuentra aplicando valor esperado a la ecuación del término

de error:

E[ut ] = E[εt + θεt−1 ]

= E[εt ] + θE[εt−1 ]
= 0+θ·0
= 0

De forma análoga, V [ut ] = E[u2t ] se encuentra dada por:

4
Facultad de Economı́a y Negocios Universidad de Chile

2
u2t = (εt + θεt−1 )
= ε2t + 2θεt εt−1 + θ2 ε2t−1
E[u2t ] = E[ε2t + 2θεt εt−1 + θ2 ε2t−1 ]
= σ 2 + 2θ · 0 + θ2 σ 2
= σ 2 (1 + θ2 )

2. Según la ayuda entregada, el cálculo de las autocorrelaciones implica el cálculo previo

de las autocovarianzas de ut . Notamos del resultado anterior que E[ut ] = 0, por lo
que γj = E[ut ut−j ]. Ası́, la autocovarianza de orden 1 de ut se encuentra dada por
E[ut ut−1 ]:

ut ut−1 = (εt + θεt−1 )(εt−1 + θεt−2 )

= εt εt−1 + θεt εt−2 + θε2t−1 + θ2 εt−1 εt−2
E[ut ut−1 ] = θσ 2

De igual forma, la autocovarianza de orden 2 de ut (E[ut ut−2 ]) se encuentra dada por:

ut ut−2 = (εt + θεt−1 )(εt−2 + θεt−3 )

= εt εt−2 + θεt εt−3 + θεt−1 εt−2 + θ2 εt−1 εt−3
E[ut ut−1 ] = 0

En consecuencia, las autocorrelaciones de orden 1 y 2 son las siguientes:

θ
γ1 =
1 + θ2
γ2 = 0

3. De los resultados anteriores sabemos que E[u2t ] = σ 2 (1 + θ2 ), E[ut ut−1 ] = σ 2 θ y

E[ut ut−j ] = 0, |j| > 2. De esta forma, la matriz de covarianzas E[uu′ ] se encuentra
dada por:

 
σ 2 (1 + θ2 ) σ2 θ 0 ··· 0
 σ 2
θ σ 2
(1 + θ 2
) σ 2
θ ··· 0 
 
 0 σ 2
θ σ 2
(1 + θ2 ) ··· 0 
E[uu′ ] =  
 .. .. .. .. .. 
 . . . . . 
0 0 0 0 σ 2 (1 + θ2 )
 
1 + θ2 θ 0 ··· 0
 θ 1 + θ 2
θ · · · 0 
 
2 0 θ 1 + θ 2
· · · 0 
= σ  
 .. .. .. . .. .. 
 . . . . 
0 0 0 0 1 + θ2

5
Facultad de Economı́a y Negocios Universidad de Chile

De esta forma, si E[uu′ ] = σ 2 Ω, entonces:

 
1 + θ2 θ 0 ··· 0
 θ 1 + θ2 θ ··· 0 
 
 0 θ 1 + θ2 ··· 0 
Ω= 
 .. .. .. .. .. 
 . . . . . 
0 0 0 0 1 + θ2

2.3. Matemático 3
Considere una regresión en forma matricial de la forma:

Y = Xβ + u
Donde X es de dimensión nxk, Y y u son de dimensión nx1 y β es de kx1. El parámetro
de interés es β. Las propiedades de u son: E(u, X) = 0, E(uu′ ) = Σ. Adémas se sabe que
ΣX = XΘ para alguna matriz Θ no singular de dimensión kxk.

1. (4 puntos) Demuestre que Σ−1 X = XΘ−1

b
2. (6 puntos) Encuentre las varianza de β del modelo estimado por MCO (β).
e
3. (6 puntos) Encuentre las varianza de β del modelo estimado por MCG (β).

4. (4 puntos) Compare las dos varianzas encontradas, ¿Qué descubrio?. En base a este
resultado, sugiera: ¿con cuál de los dos metódos de estimación propuestos usted se
quedarı́a?.

Solución:

1. Para demostrar esto, debemos recordar que (A·B)−1 = B −1 ·A−1 . Entonces, aplicamos
esta propiedad a la igualdad ΣX = XΘ, obteniendo:

(ΣX)−1 = X −1 Σ−1 = Θ−1 X −1

Σ−1 = XΘ−1 X −1
Σ−1 X = XΘ−1

2. Como vimos, en este caso la matriz E(uu′ ) ya no es la matriz identidad, además sabe-
mos que βb = β + (X ′ X)−1 X ′ u, resolviendo la varianza del estimador MCO tenemos:

b = E[(βb − β)(βb − β)′ ] = E[(X ′ X)−1 X ′ uu′ X(X ′ X)−1 ]

V ar(β)
= (X ′ X)−1 X ′ ΣX(X ′ X)−1

Pero... si tomamos la ecuación ΣX = XΘ y la premultiplicamos por X’, obtenemos:

X ′ ΣX = X ′ XΘ, reemplazando esto en la varianza de MCO.

b = (X ′ X)−1 X ′ ΣX(X ′ X)−1 = Θ(X ′ X)−1

V ar(β)

6
Facultad de Economı́a y Negocios Universidad de Chile

3. Como vimos, gracias a la transformación con valores y vectores propios se obtiene la

estimación de MCG, la que tiene la siguiente forma para la varianza:

e = (X ′ Σ−1 X)−1
V ar(β)

Ahora utilizaremos la demostración de la primera parte y la reemplazaremos en esta

ecuación:

e = (X ′ Σ−1 X)−1 = Θ(X ′ X)−1

V ar(β)

4. Al comparar las dos varianzas el resultado es directo, para los dos estimadores las
varianzas son iguales. Bajo este resultado, al elegir uno de los modelos para realizar
la estimación nos quedariamos con el MCO ya que es tan eficiente como el MCG y no
necesitariamos estimar la forma de la matriz Σ.

2.4. Matemático 4
Suponga el siguiente modelo:

yt = β1 + β2 x2t + β3 x3t + ut
Donde E(ut ) = 0, y E(u2t ) = tσu2 .

1. (7 puntos) Obtenga expresiones matriciales para MCO y su matriz de varianzas y

covarianzas.

2. (7 puntos) Obtenga expresiones matriciales para MCG y su matriz de varianzas y

covarianzas.

3. (6 puntos) Obtenga el estimador de σu2 con ambas estimaciones.

3. Ejercicios aplicados (20 puntos)

En esta sección se presentan dos ejercicios aplicados, de los cuales usted solo responder
uno. Cada ejercicio vale 20 puntos.

3.1. Ejercicio 1
Suponga que Ud. está interesado en estimar los determinantes de la caja de empresas en
Chile y estima el siguiente modelo de regresión lineal:

cashi = β0 + β1 sizei + β2 liqi + β3 levi + ui , i = 1, . . . , 305

donde cash es la caja de empresas (en millones de $), size es una proxy para el tamaño
de las empresas y se encuentra medido como el logaritmo natural de los activos totales (en
millones de $ de 2003), liq es una medida de liquidez de las empresas, y lev es el ratio de
leverage (endeudamiento) de ellas.

Empleando la base de datos ENIA (Encuesta Nacional Industrial Anual), Ud. estima el
modelo anterior en Stata, pero como su computador se “colgó”, los resultados que obtiene
son los siguientes:

7
Facultad de Economı́a y Negocios Universidad de Chile

En base a la información que pudo rescatar, complete los valores faltantes, es decir:

1. (3 puntos) Residual SS (RSS) y Model SS (ESS).

2. (3 puntos) R̃2 (R2 ajustado).

3. (3 puntos) Test t asociado al coeficiente β̂1 .

4. (4 puntos) Valor del coeficiente β̂2 .

5. (4 puntos) Lı́mites del intervalo de confianza (al 95 %) del coeficiente β̂3 , si se sabe que
el valor crı́tico de este test, para un nivel de significancia α = 0,05, es igual a 1,97. ¿Es
este coeficiente significativo de forma individual para un nivel de significancia del 5 %?
6. (3 puntos) El valor del Test F .

Solución:
1. Para obtener el RSS, consideremos la definición del coeficiente de ajuste R2 y los
valores que disponemos:
RSS
R2 = 1−
T SS
RSS
0,1696 = 1−
8,34668471
RSS = 6,9311

Utilizando este resultado, el M SS puede ser calculado a partir de:

T SS = ESS + RSS
8,34668471 = ESS + 6,9311
ESS = 1,4156

2. El coeficiente de ajuste R̃2 se encuentra dado por:

RSS/(n − k)
R˜2 = 1−
T SS/(n − 1)
6,9311/(305 − 4)
= 1−
8,34668471/(305 − 1)
= 0,1613

8
Facultad de Economı́a y Negocios Universidad de Chile

3. El test t asociado al valor y desviación estándar del coeficiente β̂1 es:

β̂1
tβ̂1 =
σβˆ1
−0,0225478
=
0,0030518
= −7,39

4. Análogo al problema anterior, el valor de β̂2 puede ser obtenido a partir de la definición
del test t asociado:

β̂2
tβ̂2 =
σβˆ2
β̂2
−3,71 =
0,0148844
β̂2 = −0,0552

5. El intervalo de confianza de β̂3 con α = 0,05 se encuentra dado por:

ICβ̂3 = β̂3 ± tα=0,05 σβ̂3

= −0,0561716 ± 1,97 · 0,0148747
= −0,0561716 ± 0,0293

De esta forma el lı́mite inferior del intervalo de confianza, con α = 0,05, es igual a
−0,0855, mientras que el lı́mite superior es igual a −0,0269. Como dicho intervalo de
confianza no contiene el valor 0, concluı́mos que el coeficiente β̂3 es significativo de
forma individual a un nivel de significancia (α) del 5 %.

6. El Test F se define como:

ESS/(k − 1)
F =
RSS/(n − k)
1,4156/(4 − 1)
=
6,9311/(305 − 4)
= 20,49

3.2. Ejercicio 2
Suponga que usted acaba de estimar la siguiente ecuación para el salario:

log(w) = β0 + β1 · Exper + β2 · M atrimonio + β3 · U rbano + β4 · Sexo + β5 · Escolaridad + u

Donde w corresponde al salario lı́quido del individuo, Exper corresponde a la experiencia

laboral, Matrimonio es una variable dummie que toma el valor 1 si el indv. esta casado y
0 sino, Urbano es una variable dummie con valor 1 si vive en una zona urbana 0 si vive
en una zona rural, Sexo toma el valor 1 si es hombre, 0 si es mujer y finalmente la variable
escolaridad muestra el número de años que la persona se educó. Los resultados de este modelo
se muestran en el cuadro 1. Se sabe que el número de observaciones es 935, el R2 es 0.253,
RSS=145327 y LnL = −106785,8.

9
Facultad de Economı́a y Negocios Universidad de Chile

1. (5 puntos) Rellene el cuadro 1 con los datos faltantes, además calcule el TSS y refiérase
sobre la significancia de los parámetros del modelo.

2. (5 puntos) Uno de los problemas tı́picos de este tipo de modelo es la dificultad para
controlar por los distintos niveles de habilidad que poseen los individuos. Para corregir
esto, un econometrista sugiere incorporar el resultado del test de coeficiente intelectual
de los entrevistados, variable llamada IQ, como variable independiente (el resto de los
regresores se mantienen). Los resultados de este modelo se presentan en el cuadro 2.
Se sabe que el número de observaciones es 935, el R2 = 0,265 y LnL = −107865,3.
Refiérase a este nuevo modelo (compárelo con el anterior) , sea concreto en: significancia
de parámetros, cambios en magnitudes y su interpretación económetrica.

3. (5 puntos) Imagine que al mirar un gráfico de los residuos de este modelo se observa que
estos aumentan exponencialmente a medida que el coeficiente de IQ de los individuos
es mayor. ¿Qué problema encontramos?. Explique como lo resolverı́a y la metodologı́a
a usar.
4. (5 puntos) Finalmente, calcule los criterios de selección de modelos AIC y BIC. ¿Son
comparables estos modelos? En base a esto, ¿Con cuál modelo se queda?.

10
Facultad de Economı́a y Negocios Universidad de Chile

Cuadro 1: Resultados
Coeficiente Desv. Estándar Estadı́stico t
Constante 5.14 0.11
Experiencia 0.014 4.67
Matrimonio 0.199 0.135
Urbano 0.184 0.027
Sexo 0.188 4.95
Escolaridad 0.065 0.006

Cuadro 2: Resultados modelo con IQ

Coeficiente Desv. Estándar Estadı́stico t
Constante 5.18 0.13
Experiencia 0.014 0.003
Matrimonio 0.2 0.039
Urbano 0.182 0.027
Sexo 0.143 0.039
Escolaridad 0.054 0.007
IQ 0.036 0.001

Solución:

1.
5,14
tConstante = = 46,7
0,11
0,199
tM atrimonio = = 1,47
0,135
0,184
tU rbano = = 6,81
0,027
0,065
tEscolaridad = = 10,83
0,006
0,014
Std.ErrExper = = 0,0029
4,67
0,188
Std.ErrSexo = = 0,0379
4,95
Finalmente, el TSS:
RSS
R2 = 1 −
T SS
145327
0,253 = 1 −
T SS
T SS = 194547,6

Se aprecia que todos los parámetros son estadı́sticamente significativos, excepto por
la dummie matrimonio. Se aprecia un retorno a la escolaridad de aproximadamente
6.5 %.

11
Facultad de Economı́a y Negocios Universidad de Chile

2. Como dice el enunciado, las personas poseen distintos niveles de habilidad. Una buena
forma de aproximar por el nivel de habilidad es lo que propone este econometrı́sta al
incorporar el coeficiente intelectual de los individuos. Veámos los nuevos estadı́sticos t:

5,18
tConstante = = 39,8
0,13
0,014
tExper = = 4,6
0,003
0,2
tM atrimonio = = 5,12
0,039
0,182
tU rbano = = 6,74
0,027
0,143
tSexo = = 3,66
0,039
0,054
tEscolaridad = = 7,71
0,007
0,036
tIQ = = 36
0,001
Nos damos cuenta que el parámetro de IQ es altamente significativo mientras que el
resto de los parámetros siguen siendo significativos también. La variable de la habilidad
es claramente una variable relevante, este ejemplo es un problema tı́pico de omisión de
variables relevantes. Al omitir variables relevantes tendremos sesgo en los parámetros
del modelo, llegando a sobre o subestimar efectos. Si comparamos el retorno a la
escolaridad en ambos casos, vemos que este baja de 6.5 % a 5.4 %. El no incorporar
la habilidad nos llevaba a sobreestimar el verdadero retorno a la escolaridad. El resto
de las magnitudes del modelo se mantienen estables, demostrando que el ”premio”por
habilidad (IQ) es de 3.6 %.

3. Tenemos el problema de Heterocedasticidad. Donde la varianza de los errores condi-

cional a cada valor de IQ no mantienen una varianza simétrica, aumentando dicha
dispersión cada vez más. La manera directa de corregir esto es mediante la corrección
de White, la cual estima la matriz de heterocedasticidad Σ la cual converge en proba-
bilidad al verdadero valor. Otra manera de corregir esto es mediante MCF, pero para
esto deberiamos estimar la forma funcional de la matriz Ω.

4. Los criterios si son comparables entre modelos, ya que el modelo 1 es anidado del
modelo 2 y además ambos mantienen el mismo número de observaciones. Recordando
la forma funcionales de los criterios BIC y AIC:

2lnL ln(n)
BIC = − +k
n n
2lnL k
AIC = − +
n n
Con esto calculamos los criterios para ambos modelos:

12
Facultad de Economı́a y Negocios Universidad de Chile

Modelo 1

2lnL ln(n) 2(−106785,8) ln(935)

BIC = − +k =− +6· = 228,47
n n 935 935
2lnL k 2(−106785,8) 6
AIC = − + =− +· = 228,42
n n 935 935
Modelo 2

2lnL ln(n) 2(−104865,3) ln(935)

BIC = − +k =− +7· = 224,47
n n 935 935
2lnL k 2(−104865,3) 6
AIC = − + =− +· = 224,31
n n 935 935

La decisión sobre el mejor modelo es aquél que tenga los menores niveles de criterios
de selección. Por esto, nos quedamos con el segundo modelo.

13