Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Nombre:............................................................ 1 PONTIFICIA UNIVERSIDAD CATÓLICA DE CHILE INSTITUTO DE ECONOMÍA EXAMEN ECONOMETRÍA (EAE 250) Primer Semestre de 2005. Profesora: Verónica Gil Ayudantes: Felipe Lira Patricia Bencosme Puntos: 120 Tiempo: 120 minutos 1. Preguntas y ejercicios cortos 1 (35 puntos) 1. (5 puntos) Explique las diferencias entre los siguientes tres conceptos: error aleatorio, error ruido blanco y error mal comportado. 2. (5 puntos) ¿Cuál de las siguientes alternativas resuelve el problema de multicolinealidad? i) establecer restricciones sobre los parámetros. ii) establecer restricciones sobre las variables. Justifique adecuadamente su respuesta. ¿Cómo y de dónde obtendría información para hacerlo? 3. (4 puntos) ¿Qué tienen en común la multicolinealidad imperfecta y la inclusión de variables intrusas? Interprete gráfica y formalmente. ¿Se viola algún supuesto clásico en ambas situaciones? 4. (4 puntos) Explique por qué el test de Breusch-Godfrey (multiplicadores de Lagrange) es superior al test de Durbin Watson para probar la existencia de autocorrelación. 5. (8 puntos) Formule un modelo econométrico para explicar el comportamiento trimestral de la demanda por helados. Para ello recurra a la teoría, pero también tenga en cuenta la incidencia del efecto calendario. Alguien le sugiere que dicho efecto ha venido cambiando en el tiempo. ¿Qué tests le aplicaría al modelo sugerido para verificar dicha hipótesis? ¿Cómo resolvería dicho problema? 6. (4 puntos) En regresión simple: i) la pendiente del modelo es igual al cociente entre la covarianza de las variables y la varianza de la dependiente, ii) la capacidad explicativa del modelo se mide como la parte de la varianza de Y capturada por la covarianza entre Y y X. Comente justificando la respuesta. 7. (5 puntos) En el modelo iii XY µββ ++= 21 donde 1−−= iii θεεµ y ),0( 2 εσε Ni ≈ , no se cumplen los siguientes supuestos clásicos: • E ( ) 0≠iµ • iµ no se distribuye normal. • iµ no tiene varianza constante para todo i. Comente, realizando los cálculos necesarios. 1. Explique las diferencias entre los siguientes tres conceptos: error aleatorio, error ruido blanco y error mal comportado. Error aleatorio: v.a. no se especifica distribución y no especifica proceso estocástico (solo que esperanza es 0, ni siquiera.) Error ruido blanco: v.a. sin correlación serial , homoscedastico y esperanza 0, no especifica Nombre:............................................................ 2 distribución Error mal comportado: v.a. que no cumple al menos uno de los supuestos clásicos como no autocorrelación, homoscedasticidad, esperanza 0 y normalidad . 2. ¿cuál de las siguientes alternativas resuelve el problema de la multicolinealidad? i. Establecer restricciones sobre los parámetros ii. Establecer restricciones sobre las variables Justifique adecuadamente su respuesta.¿cómo y de donde obtendra información para hacerlo? iiii uxxy +++= 33221 βββ si se conoce la colinealidad : ii xx 3212 λλ += iii uxy ++++= 3322131 )()( βλβλββ iii uxy ++= 321 δδ entonces los parámetros no se pueden identificar, ya que tenemos 2 ecuaciones 3 tres incógnitas (los betas) 3222 1311 βλβδ λββδ += += i) si restringimos los parámetros, por ejemplo 213 βββ += , tenemos 3 ecuaciones con 3 incógnitas y, por lo tanto, podemos resolver el problema de identificación causada por la colinealidad: 3222 1311 βλβδ λββδ += += 12 12 2 1 λλ δδ β −+ − = 12 112 11 1 )( λλ λδδ δβ −+ − −= 213 βββ += 12 112 13 1 )1)(( λλ λδδ δβ −+ −− += ii) si restringimos las variables no entregamos información útil para solucionar el problema de la identificación de los parámetros la información la obtendría de la teoría principalmente. 3. ¿Qué tiene en común la multicolinealidad imperfecta y la inclusión de variables intrusas? Interprete grafica y formalmente. ¿se viola algún supuesto clásico en ambas situaciones? iii uxy ++= 221 ββ modelo correcto iii exx ++= 3212 λλ colinealidad imperfecta si la covarianza entre x2 y x3 es alta, la inclusión de x3 en el modelo aumenta la varianza del estimador del parámetro de x2 confundiendo el problema de especificación con el de colinealidad imperfecta, ya que si la covarianza fuera 0 la varianza de beta 2 seria baja en cambio la de beta 3 seguiría siendo relativamente alta ya que es una variable intrusa. Ambos problemas generan aumento en las varianzas estimadas. Nombre:............................................................ 3 Solo con la inclusión de una variable intrusa se no se cumple el supuesto clásico de buena especificación . La multicolinealidad imperfecta no rompe ningún supuesto clásico. Si X2 y X3 son correlacionadas, los estimadores solo se estimarán usando la información no común, la varianza de la estimación aumenta y lo mismo ocurre si X2 es la variable a incluir y por error se incluye X3. La información común a X2 y X3 no se usa en la estimación y esto hace que las varianzas aumenten. 4. Explique por que el test de Breusch-Godfrey (multiplicadores de lagrange) es superior al test de Durbin Watson para probar la existencia de autocorrelación. - BG es una prueba asintóticas, en cambio DW es para muestras finitas - BG permite testear AR(p) y MA(p), en cambio DW solo AR(1) - BG también se puede especificar con rezagos de la variable dependiente, en cambio DW falla cuando existe rezagos en Y. 5. Formule un modelo econométrico para explicar el comportamiento trimestral de la demanda por helados. Para ello recurra a la teoría, pero también tenga en cuenta la incidencia del efecto calendario. Alguien le sugiere que dicho efecto ha venido cambiando en el tiempo. ¿qué test le aplicaría al modelo sugerido para verificar dicha hipótesis?¿cómo resolvería dicho problema? iii uXDDDDY +++++= 5544332211 βββββ donde D1 es 1 si es verano, 0 para el resto ; D2 es 1 si es otoño, 0 para el resto ; D3 es 1 si es invierno, 0 para el resto ; D4 es 1 si es primavera, 0 para el resto; y X es el ingreso per capita (como es demanda también debería incluir el precio del helado y el precio de algún sustituto.) Si el modelo estuviera bien especificado, hay que ver la estabilidad de los parámetros con la prueba cusum Q , y si tuviéramos la sospecha de que en un nivel de ingreso existe cambio estructura (por ejemplo 1.000) realizamos el test de Chow. Se resolveria incluyendo una nueva variable dummy que afecte a las dummies que capturaban el efecto de la estacionalidad. Y X2 X3 Nombre:............................................................ 4 iEEEEii uDDDDDDDDXDDDDY +++++++++= 493827165544332211 βββββββββ donde DE es 1 si X es mayor que 1.000, 0 si es menor o igual que 1.000 . 6. E regresión simple: i. La pendiente del modelo es igual al cociente entre la covarianza de las variables y la varianza de la dependiente, ii. La capacidad explicativa del modelo se mide como la parte de la varianza de Y capturada por la covarianza entre Y y X. Comente justificando la respuesta i) Falso, )( ),cov( 2 xv yx =β , donde x es la variable independiente ii) Falso, )()( )),(cov( )( )( 22 2 2 yVxV yx yV xVR == β 7. En el modelo simple con perturbación que sigue un proceso estocástico MA(1) no se cumplen los siguientes supuestos clásicos: a. Esperanza incondicional de la perturbación no es igual a 0 b. Perturbación no distribuye normal c. Perturbación no cumple con homocedasticidad Comente, realizando los cálculos necesarios. a. Falso, si se cumple 0)()()( 1 =−= −iii EEE εθεµ b. Falso, si se cumple ya que la suma de 2 variables aleatorias que distribuyen normal también distribuye normal c. Falso, si se cumple 222 11 2),()()()( εε σθσεεεθεµ +=−+= −− iiiii COVVVV Nombre:............................................................ 5 Pregunta 2 (20 puntos) Sean los modelos (1) Yi = β1 + β2 Xi + β3 Zi +ui ∀ i (2) Yi = β1 + β2 Xi + ui ∀ i Comente las siguientes afirmaciones indicando si son verdaderas o falsas, realizando todos los cálculos que sean pertinentes. a) (4 puntos) Si el modelo (1) es el correcto, la estimación de β1 del modelo (2) es siempre sesgada, pero si la covarianza entre X y Z es cero, la estimación de β2 del modelo (2) es insesesgada. b) (3 puntos) Si el modelo (1) es el correcto, y se estima el modelo (2) pero esto se hace con una muestra grande el problema de sesgo desaparece. c) (3 puntos) Si el modelo (2) es el correcto, la estimación de β3 del modelo (1) es igual a cero. d) (4 puntos) Si el modelo (2) es el correcto, las varianzas estimadas para los estimadores del modelo (1) serán ineficientes. e) (6 puntos) Recientemente se afirmó: “las personas con amigos viven más”. También se sabe de otros estudios previos que “las personas que toman vino viven más”. Explique que problemas pueden tener estos estudios. Suponga que estas dos son las únicas variables que afectan los años de vida de una persona, ¿bajo que condiciones estas afirmaciones tienen validez estadísticamente?. a) Verdadero ya que ZE 311 )ˆ( βββ += b) Falso, el sesgo se mantiene ya que con mala especificación los estimadores son inconsistentes c) Verdadero. Estadísticamente igual a 0, es decir, debería no rechazar la hipótesis nula. Pese a que el valor poblacional es cero, al incluir una variable que no debe estar la estimación no necesariamente dará igual a cero, ni siquiera estadísticamente (esto depende de la covarianza entre las variables) d) Verdadero, ∑ −− = )1()( ˆ)ˆ(ˆ 2 2 2 ji Rxx V σβ si la covarianza entre X y Z es alta se infla el estimador de la varianza de beta 2, ya que en el modelo verdadero Rj debería ser 0. También σ̂ esta un poco sesgada hacia abajo (SCR menor a la verdadera) pero este efecto es solo marginal por lo que no se considera importante. e) iii uAY ++= 21 ββ ; iii uVY ++= 21 ββ Variables omitidas. Además, probablemente A y V están altamente correlacionadas, si se modela por separado se infla la importancia de cada variable como explicación de los años de vida. Tendrían validez si se estiman en un solo modelo: iiii uVAY +++= 321 βββ aunque la colinealidad no debe ser muy alta, sino seria difícil de identificar los parámetros de las variables exógenas. Nombre:............................................................ 6 Pregunta 3 (20 puntos) Usando 40 observaciones sobre el gasto en alimentación de las familias (GALIM) y el ingreso semanal recibido por ellas (INGR) se estimó un modelo simple del tipo ii INGGALIM µββ ++= 21 . Las salidas de Eviews del modelo se reportan a continuación. a) (4 puntos) Dada la información disponible, ¿Cuál es el mejor estimador de β2? ¿Por qué? b) (4 puntos) ¿Qué propiedades tiene el estimador MICO del parámetro β2? Demuéstrelo. c) (4 puntos) La estimación de 2β es significativa tanto al 5% como al 1%, pero la constante solo es significativa al 10%. Comente, indicando si la afirmación es verdadera, falsa o incierta. d) (8 puntos) Haciendo todos los supuestos que sean necesarios y explique los pasos necesarios para estimar correctamente esta regresión. Analice las propiedades del estimador utilizado. a) MCG ya que existe heterocedasticidad b) MCO es insesgado pero ineficiente (demuestrelo) c) Incierto, ya que los t de MCO que dan los p values estan sesgados por la heterosedasticidad ya que la varianza de los estimadores esta sesgada. d) MCG suponiendo 222 ii yσσ = también podría ser ii y 22 σσ = , lo que me importa es que sea consistente con la forma de dividir los datos. Deben probar que al dividir los datos, el error les queda bien comportado y por tanto Es M.e.l.i. Nombre:............................................................ 7 Pregunta 4 (45 puntos) Un inversionista quisiera invertir sus activos de forma de obtener una rentabilidad similar a la del Indice mundial de activos de renta variable de Morgan Stanley (MSCIW), pero dado que no existe en Chile un fondo mutuo que ofrezca directamente este fondo, lo contrata a usted para estructurar un portafolio que lo replique utilizando para eso cuatro fondos disponibles localmente (SPX, Europa, Japón y Emergentes). Para encontrar las proporciones que debe invertir en cada fondo usted regresa el retorno del Indice Global en función del retorno de un fondo que se invierte en EEUU siguiendo al S&P (SPX), del retorno de un fondo cuyas inversiones son en Europa (Europa), de uno cuyas inversiones son en Japón (Japon) y de un fondo invertido en países emergentes. Obtiene los siguientes resultados: Modelo 1: Dependent Variable: MSCIW Sample(adjusted): 1988:01 2005:05 Included observations: 209 after adjusting endpoints Variable Coefficient Std. Error t-Statistic Prob. C -0.000577 0.000577 -1.000032 0.3185 SPX 0.410320 0.020823 19.70545 0.0000 EUROPA 0.366059 0.018726 19.54792 0.0000 JAPON 0.193843 0.008901 21.77792 0.0000 EMERGENTES 0.022437 0.010928 2.053214 0.0413 R-squared 0.962023 Mean dependent var 0.005784 Adjusted R-squared 0.961278 S.D. dependent var 0.041240 S.E. of regresión 0.008115 Akaike info criterion -6.766552 Sum squared resid 0.013434 Schwarz criterion -6.686592 Log likelihood 712.1047 F-statistic 1291.923 Durbin-Watson stat 1.970647 Prob(F-statistic) 0.000000 Modelo 2: Dependent Variable: MSCIW Sample(adjusted): 1988:01 2005:05 Included observations: 209 after adjusting endpoints MSCIW = C(1) + C(2)*SPX + C(3)*EUROPA + C(4)*JAPON + (1-C(2) -C(3)-C(4))*EMERGENTES Coefficient Std. Error t-Statistic Prob. C(1) -0.000631 0.000566 -1.114781 0.2662 C(2) 0.415393 0.018272 22.73361 0.0000 C(3) 0.368058 0.018280 20.13432 0.0000 C(4) 0.194408 0.008816 22.05151 0.0000 R-squared 0.961975 Mean dependent var 0.005784 Adjusted R-squared 0.961418 S.D. dependent var 0.041240 S.E. of regresión 0.008100 Akaike info criterion -6.774842 Sum squared resid 0.013452 Schwarz criterion -6.710874 Log likelihood 711.9710 Durbin-Watson stat 1.974904 a) (5 puntos) Postule el modelo teórico que está implícito en la estimación del modelo 1. ¿Qué condiciones deben cumplir los parámetros?. Explique. b) (10 puntos) Describa los resultados obtenidos en la estimación de la ecuación 1 y 2. Recuerde verificar si se cumplen las condiciones planteadas en a) en los modelos estimados por MICO y presentados anteriormente. Realice todos los test pertinentes. c) (5 puntos) Explique las consecuencias de los errores de Tipo I y de Tipo II implícitos al aceptar un modelo como el 2 discutiendo el error cuadrático medio de los estimadores en función de la falsedad de la restricción. d) (15 puntos) Basándose en los resultados del anexo que siguen verifique el potencial incumplimiento de algunos de los supuestos clásicos (debe incluir análisis de la posible Nombre:............................................................ 8 presencia de heterocedasticidad, autocorrelación y anormalidad de los residuos). En todos los casos debe identificar la hipótesis nula y alternativa, la prueba estadística correspondiente y su distribución de probabilidad y si finalmente acepta o rechaza la hipótesis nula. e) (5 puntos) Analice la estabilidad de la regresión. f) (5 puntos) Con toda la información disponible explique las propiedades del estimador MICO de la regresión original. ¿Existe un método alternativo con mejores propiedades? Cuál es y que propiedades tiene? Anexo: -.04 -.02 .00 .02 .04 -.15 -.10 -.05 .00 .05 .10 .15 88 90 92 94 96 98 00 02 04 Residual Actual Fitted 0 5 10 15 20 25 30 35 -0.0375 -0.0250 -0.0125 0.0000 0.0125Series: Residuals Sample 1988:01 2005:05 Observations 209 Mean -3.91E-18 Median 0.000664 Maximum 0.020841 Minimum -0.037427 Std. Dev. 0.008042 Skewness -0.713192 Kurtosis 5.231961 Jarque-Bera 61.09959 Probability 0.000000 Nombre:............................................................ 9 Breusch-Godfrey Serial Correlation LM Test: F-statistic 0.956815 Probability 0.491712 Obs*R-squared 11.73548 Probability 0.467151 Dependent Variable: RESID Variable Coefficient Std. Error t-Statistic Prob. C(1) -2.78E-05 0.000567 -0.049088 0.9609 C(2) 0.006724 0.019233 0.349620 0.7270 C(3) -0.002093 0.019200 -0.108987 0.9133 C(4) -0.005117 0.009191 -0.556732 0.5784 RESID(-1) 0.001036 0.073207 0.014154 0.9887 RESID(-2) 0.057938 0.072953 0.794187 0.4281 RESID(-3) 0.028352 0.072745 0.389745 0.6972 RESID(-4) 0.071579 0.072407 0.988553 0.3241 RESID(-5) -0.146041 0.072042 -2.027179 0.0440 RESID(-6) 0.012184 0.072409 0.168272 0.8665 RESID(-7) -0.021689 0.072703 -0.298318 0.7658 RESID(-8) 0.034096 0.071619 0.476073 0.6346 RESID(-9) 0.152639 0.071964 2.121058 0.0352 RESID(-10) 0.035100 0.072978 0.480971 0.6311 RESID(-11) 0.062507 0.073170 0.854272 0.3940 RESID(-12) 0.006549 0.073086 0.089606 0.9287 R-squared 0.056151 Mean dependent var -3.91E-18 Adjusted R-squared -0.017206 S.D. dependent var 0.008042 S.E. of regression 0.008111 Akaike info criterion -6.717798 Sum squared resid 0.012696 Schwarz criterion -6.461925 Log likelihood 718.0099 Durbin-Watson stat 1.991522 White Heteroskedasticity Test: F-statistic 9.323134 Probability 0.000000 Obs*R-squared 84.06004 Probability 0.000000 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 07/04/05 Time: 07:13 Sample: 1988:01 2005:05 Included observations: 209 Variable Coefficient Std. Error t-Statistic Prob. C 6.23E-06 1.19E-05 0.522696 0.6018 SPX -0.000328 0.000308 -1.065611 0.2879 SPX^2 0.019854 0.006914 2.871687 0.0045 SPX*EUROPA -0.007527 0.010003 -0.752468 0.4527 SPX*JAPON -0.018378 0.004300 -4.274059 0.0000 SPX*EMERGENTES -0.016291 0.005248 -3.104326 0.0022 EUROPA 0.000230 0.000285 0.806942 0.4207 EUROPA^2 0.010640 0.005481 1.941250 0.0537 EUROPA*JAPON -0.004446 0.004268 -1.041657 0.2989 EUROPA*EMERGENTES -0.004863 0.005141 -0.945792 0.3454 JAPON -0.000245 0.000134 -1.825825 0.0694 JAPON^2 0.005153 0.001257 4.098158 0.0001 JAPON*EMERGENTES 0.013599 0.002447 5.556814 0.0000 EMERGENTES 0.000335 0.000158 2.114686 0.0357 EMERGENTES^2 0.004100 0.001925 2.129995 0.0344 R-squared 0.402201 Mean dependent var 6.44E-05 Adjusted R-squared 0.359061 S.D. dependent var 0.000133 S.E. of regression 0.000106 Akaike info criterion -15.39241 Sum squared resid 2.19E-06 Schwarz criterion -15.15253 Log likelihood 1623.507 F-statistic 9.323134 Durbin-Watson stat 1.680406 Prob(F-statistic) 0.000000 Nombre:............................................................ 10 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2 88 90 92 94 96 98 00 02 04 CUSUM of Squares 5% Significance -.008 -.006 -.004 -.002 .000 .002 .004 .006 90 92 94 96 98 00 02 04 Recursive C(1) Estimates ± 2 S.E. .20 .25 .30 .35 .40 .45 .50 .55 90 92 94 96 98 00 02 04 Recursive C(2) Estimates ± 2 S.E. .0 .1 .2 .3 .4 .5 90 92 94 96 98 00 02 04 Recursive C(3) Estimates ± 2 S.E. .1 .2 .3 .4 .5 .6 90 92 94 96 98 00 02 04 Recursive C(4) Estimates ± 2 S.E. a) (5 puntos) Rmsci=β1+w1 (S&P)+w2(Europa)+w3(Japon)+w4(emergentes)+µ Condiciones para los parámetros: 1) β1=0, es decir que no debe existir otra influencia sistemática en el retorno de MSCI adicional a las variables incluídas o al error. 2) 0<wi<1, para i=1,2,3,4 es decir que el porcentaje invertido en cada activo no debe ser negativo (no ventas cortas) ni mayor a uno. 3) Σ wi =1, la suma de las ponderaciones de cada indice en el portafolio global debe ser el total del portafolio. b) (10 puntos) Interpretación: 1) La regresión 1 es libre, mientras que la regresión 2 tiene la restricción de que la suma de los coeficientes sea igual a 1. Los coeficientes obtenidos son muy parecidos. 2) El ajuste del modelo es de 93.6%. En la regresión restringida este cae a 92%. La regresión es significativa en su conjunto. Nombre:............................................................ 11 3) A excepción de la constante, los demás coeficientes son significativos en ambas regresiones. 4) Los porcentajes a invertir en cada indice son: 41% en EEUU 36% en Europa 19% en Japón 2,3% en Emergentes. Esto implica que aumento de 1 punto de retorno de EEUU se refleja en 0.41 puntos en el indice. 5) Condiciones: • Ningún coeficiente es menor a cero o mayor que uno. • La constante no es significativa. • La restricción es aceptada: Ho) w1+w2+w3+w4=1 H1) no es igual. knRFknR RRRsiHoch −−− − ,2 22 ~ )/()1( /)~( Re 5209,1 )5209/()962.01( 1/)9619.0962.0( Re −>−− − FsiHoch • 88.3 02.0 Re >siHoch ⇒ no rechazo Ho, y se cumple la restricción. c) (5 puntos) cuando se toma una regresión como la 2, siempre existe la posibilidad de estar cometiendo error de tipo 1 y de tipo 2. Error tipo 1= rechazar Ho/Ho, implica que Ho es verdadera y la rechazo. En este caso la probabilidad de cometer este error se limita a 5%. Error tipo 2= No Rech Ho/H1, implica que la restricción es falsa, pero no la rechazo. Cuando se hace una regresión restringida, el estimador no es insesgado, pero es sesgo depende de lo verdadera o falsa que sea la restricción. (Gráfico) d) (15 puntos) Verificar cumplimiento supuestos clásicos. 1) Normalidad. Sabemos que JB ∼ χ2 con 2 grados de libertad. Ho= normalidad, rechazo Ho si JB>5.99, como JB=61 ⇒ rechazo Ho, no es normal el residuo. Además veo que tiene exceso de kurtosis respecto a la normal (5.2>3) y no es simétrica. 2) Autocorrelación: DW es 1.97 (cercano a 2) pero no tengo tablas para ser exacto. Breuch Godfrey Ho) no hay autocorrelación H1) hay autocorrelación. Sabemos que (n-p)R2∼ χ2, p grados de libertad Rechazo Ho si (n-p)R2>21.02 ⇒ Como 11.73 <21.02, no rehazo Ho. No hay autocorrelación. Sirve si solo miro p=0.46>0.05 3) Heterocedasticidad. Test de White. Ho) no hay Heterocedasticidad H1) hay Heterocedasticidad Sabemos que nR2 ~ 2 1p−χ , por lo que si nR2 > 214χ rechazo Ho. Como 84.02 > 23.68, entonces rechazo Ho y hay heterocedasticidad. Tambien sirve mirar la probabilidad que es 0.000< 0.05. e) (5 puntos) Estabilidad. Según el test de Cusum cuadrado la regresión es estable al 95%, ya que el residuo acumulado no se sale de las bandas. Estabilidad de los coeficientes: los coeficientes 1 y 2 son estables (bandas se achican, el intervalo final incluye al inicial), sin embargo los coeficientes 3 y 4 son inestables (fundamentalmente el 4 que corresponde a Japón). Es difícil predecir usando estos coeficientes que no han sido estables en el tiempo. f) (5 puntos) Dado que existe heterocedasticidad Mico no es el estiamdor MELI (aunque sigue siendo insesgado no es eficiente). Existe otro estimador que es el MCG que es MELI.
Compartir