Tema 3

Econometría

Tema 3. Propiedades de los

estimadores MCO y cálculo
de su varianza
Índice
Esquema

Ideas clave

3.1. Introducción y objetivos

3.2. Momentos del estimador MCO

3.3. Propiedades del estimador MCO

3.4. Estimación de las varianzas

3.5. Distribución de probabilidades de β _j

̂
3.6. Forma matricial de las expresiones obtenidas

3.7. Obtención de las varianzas es madas de β ̂_j con

Gretl

3.8. Actividades resueltas para practicar

3.9. Cálculo de la varianza del término error y de los

parámetros estimados por MCO en R

A fondo

Gasto municipal por el servicio de residuos sólidos

urbanos

Demostración de la distribución poblacional del

estadístico de contraste

Test
 Esquema

Econometría 3
Tema 3. Esquema
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

3.1. Introducción y objetivos

En este tema vamos a recordar algunos conceptos tales como el de variable

aleatoria, estimador puntual o estadístico y el de parámetro poblacional, pues

vamos a valernos de los cálculos del tema anterior, donde obtuvimos los estimadores

puntuales de los coeficientes del modelo para estudiar ahora las propiedades

estadísticas que cumplen y que hacen que el estimador MCO sea el mejor estimador

posible para los parámetros del modelo.

Partiremos de la obtención de la esperanza y varianza de los estimadores MCO

para a partir de estas estudiar si se cumplen una serie de propiedades estadísticas

deseables para un estimador. Nos centraremos en este tema en dos de ellas:

insesgadez y eficiencia.

Para ello consideramos y como variables aleatorias, esto es, como

estimadores de los parámetros poblacionales y para los cuales vamos a

obtener sus momentos a partir de los que se deducirán sus propiedades estadísticas
como estimadores puntuales y su distribución de probabilidad.

Lo haremos en primer lugar para el caso de un modelo de regresión simple para

después obtener los momentos en el caso de un modelo de regresión múltiple.

Los objetivos que se pretenden conseguir en este tema son:

▸ Comprender la obtención de los momentos de las variables aleatorias y .

▸ Mostrar de qué factores del modelo dependen estos momentos y cómo se ven

afectados.

▸ Introducir el concepto de error estándar y su interpretación.

▸ Obtener las propiedades estadísticas de un estimador puntual para el caso concreto

Econometría 4
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

del modelo de regresión.

▸ Enunciar el teorema de Gauss-Markov.

▸ Obtener la distribución del estimador puntual a partir de la introducción del

supuesto de normalidad sobre los errores.

Econometría 5
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

3.2. Momentos del estimador MCO

Momentos del estimador MCO para el MRLS

Antes de adentrarnos en el análisis de las propiedades estadísticas, vamos a escribir las expresiones del estimar MCO en función de

los errores del modelo y a partir de las mismas obtendremos sus momentos. Vamos a hacerlo en primer lugar para el caso del modelo
de regresión simple, ya que después, por extensión al caso general, será sencillo obtenerlos para el caso del modelo de regresión
general.

Para ello utilizamos la expresión de ,donde recordamos que esta era igual al cociente entre la y la , o puesto
en forma de sumatorios:

Dado que se tiene que y esta expresión puede ser escrita como:

Y a partir de aquí, puesta en función de los errores del modelo:

puesto que y

Esta forma de expresar el estimador MCO para el caso del modelo simple es muy útil para obtener de forma sencilla sus momentos

poblacionales, esperanza y varianza.

Así se tiene que:

dado que

Según la expresión que acabamos de obtener para la varianza de tenemos que:

▸ Cuando mayor es la varianza del término de error, , mayor es la varianza del estimador .

Econometría 6
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

▸ Cuanto mayor es la varianza de los regresores, , menor es la varianza del estimador .

▸ Cuanto mayor es el tamaño muestral, menor es la varianza del estimador .

A partir de aquí definimos el error estándar de (desviación típica) como la raíz de la varianza anteriormente obtenida. Así se
tiene que:

De forma análoga se tiene que:

La cual además de comportarse de acuerdo con lo indicado para el caso de depende de manera directa del momento de

orden dos calculado con el único regresor del modelo .

Y también puede obtenerse la covarianza:

Ejemplo

El salario y los meses de experiencia

Consideremos un ejemplo sencillo con solo una variable regresora de relación lineal entre el salario y la experiencia medida
en meses:

De una muestra de tamaño 100 tenemos los siguientes valores:

Se tiene que:

Dado que:

Ahora a partir de este valor el valor de la constante se tiene de la expresión:

Las varianzas y la covarianza quedan como funciones del

Econometría 7
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

parámetro dado que este es desconocido:

Momentos del estimador MCO para el MRLG

Para el caso del modelo general se tiene que:

Donde es el coeficiente de determinación de la regresión de sobre las restantes variables explicativas del modelo (incluyendo el
término constante). Nótese que la varianza es condicional a los valores observados para todas las variables explicativas del modelo.

Igual que ocurría en el modelo simple la varianza de depende de la varianza del error de modo directo, de la varianza de y del
tamaño muestral inversamente, y además ahora también inversamente de un término que no aparecía en la varianza del coeficiente en
el modelo simple y el motivo era porque en ese caso solo teníamos una variable explicativa. Vamos a analizar el efecto de sobre la

varianza de , visto para un caso de un modelo con dos variables:

▸ Un alto grado de correlación entre dos regresores del modelo conlleva altas varianzas de . En términos generales cuanto más próximo

a 1 esté , mayor será la . Hay que recordar que una correlación alta entre los regresores se denomina multicolinealidad, lo
que la existencia de esta indicará una alta imprecisión de nuestros estimadores (varianzas de los coeficientes estimados muy elevadas).

▸ Por el contrario, en lo que sería el caso más favorable, un próximo a 0 indica que no está correlacionada con las restantes variables

del modelo, pero este caso no suele darse en la práctica.

Econometría 8
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

3.3. Propiedades del estimador MCO

A continuación, enunciamos las propiedades estadísticas del estimador MCO las

cuales se basan en los momentos anteriormente calculados, esperanza y varianza

de .

Linealidad

Un estimador de parámetro es lineal si es una función lineal de los valores

observados para la variable dependiente, esto es, si puede ser escrito como

Donde son funciones de los valores observados par las variables explicativas. Se

puede por tanto demostrar que los estimadores MCO son lineales.

Insesgadez

Bajo los puestos 1 a 4 del MRLG se tiene que son estimadores insesgados de los

parámetros , es decir:

Generalmente si uno de los cuatro supuestos no se verifica, el estimador no será

insesgado, siendo el supuesto 3 el esencial para la insesgadez del estimador.

Además, si el supuesto 4 fallo el estimador MCO no podrá ser obtenido.

Eficiencia: el teorema de Gauss-Markov

Hemos visto que bajo los supuestos 1 a 4 los estimadores MCO son insesgados. Sin

embargo, bajo estos supuestos, existen muchos estimadores lineales e insesgados

de los parámetros .

Bajo los 5 supuestos básicos del modelo de regresión lineal, el teorema de Gauss

Econometría 9
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Markov nos permite afirmar que no existe otro estimador insesgado con varianzas

más pequeñas que los estimadores MCO.

Por lo tanto, si se verifican los supuestos 1 a 5, el teorema de Gauss Markov nos

permite definir al estimador MCO de como el mejor estimador lineal y óptimo

(ELIO) de los parámetros .

Que los estimadores sean óptimos significa que se verifica que:

Econometría 10
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

3.4. Estimación de las varianzas

Estimación de la varianza del término de error

Antes de pasar a obtener la distribución del estimador MCO, la cual será necesaria

para poder realizar inferencia sobre los parámetros del modelo, se hace necesario

estimar la varianza del error.

Recordemos que la varianza de depende del parámetro el cual representa

a la varianza del error y es desconocido.

Vamos a expresar la varianza del término de error en la suma del cuadrado de los

residuos:

Dado que los errores son desconocidos, estos son estimados mediante los residuos

de la regresión de modo que se obtiene la estimación de la varianza del error de la

siguiente expresión:

Ejemplo

El salario y los meses de experiencia (continuación)

A la información empírica dada en el ejemplo para obtener los estimadores

MCO añadimos que la por lo que obtenemos así la

estimación de la varianza del error:

A continuación, vamos a calcular una estimación de la varianza del

Econometría 11
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

estimador , cuyas expresiones las habíamos dejado como funciones

dependientes del parámetro desconocido , el cual se estima mediante

Estimación de la varianza del estimador MCO y el error estándar

Utilizando el estimador calculado para tenemos que la varianza estimada de

es:

El error estándar de se define como la raíz de su varianza (desviación típica) y

se obtiene del siguiente modo:

Ejemplo

El salario y los meses de experiencia (continuación)

Se obtienen ahora los errores estándar:

Econometría 12
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Los errores estándar juegan un papel fundamental a la hora de hacer

inferencia, esto es cuando se realizan contrastes de hipótesis o se

obtienen las estimaciones de los parámetros del modelo por intervalos de

confianza.

Los cambios en las unidades de medida provocan cambios tanto en los coeficientes
como en sus errores estándar.

Nota: en el apartado A fondo encontrarás el siguiente recurso «Gasto municipal por

el servicio de residuos sólidos urbanos» se muestra un ejemplo de análisis empírico

donde podemos ver el cálculo e interpretación de los errores estándar con datos

reales.

Ejemplo

El salario y los años de experiencia y educación (continuación)

La forma correcta de indicar los valores de este modelo estimado tanto de

sus coeficientes como de los errores estándar es la siguiente:

Considera ahora que realizamos un cambio de escala en la variable de

modo que la nueva variable sea (por ejemplo, que estaba

medida en meses y ahora cambia a años).

Como ya explicamos, la estimación del coeficiente de la nueva variable

, será:

Econometría 13
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Y su error estándar será:

Dentro del output de Gretl los errores estándar se proporcionan en la segunda

columna de estimaciones.

Econometría 14
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

3.5. Distribución de probabilidades de β _j

̂

Introducimos, llegados a este punto, un supuesto más en la construcción del modelo

de regresión. Se trata del supuesto que establece la distribución de probabilidades

del término de error, lo cual va a condicionar la distribución de probabilidades del

resto de variables aleatorias del modelo.

Supuesto 6

El término de error del modelo es independiente de las variables explicativas del

modelo y se distribuye con distribución normal de media 0 y varianza

La distribución de la varianza del término de error se deduce bajo la verificación de

este supuesto de normalidad y se tiene que:

donde denota una distribución Chi-cuadrado de grados de

libertad.

Bajo los supuestos 1 a 6 del MRLG se cumple que:

Esta propiedad mantiene las ya vistas de insesgadez y de eficiencia sobre el

estimador y añade la de normalidad.

Además, bajo el supuesto de normalidad de los errores tenemos que y son

independientes bajo el supuesto de normalidad de los errores.

Esta propiedad es importante, porque gracias a ella podemos concluir que para cada

Econometría 15
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

coeficiente :

donde denota una distribución t-student de grados de libertad y:

Esta última propiedad nos va a ser muy útil para los contrastes de hipótesis en el

MRL que veremos más adelante. Al valor estimado de la varianza de , ,

se le denomina error estándar de y se denota como .

Nota: en el apartado A fondo puedes encontrar la demostración del paso de la

distribución normal a la t-student como consecuencia de la utilización de un

estimador puntual para la varianza desconocida de .

Al coeficiente el cual será utilizado como estadístico de contraste se le va

a denominar t-ratio, por su distribución t-student.

Econometría 16
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

3.6. Forma matricial de las expresiones obtenidas

En este apartado, vamos a revisar cada uno de los conceptos introducidos en este tema
para poder dar la versión matricial de los mismos.

Partimos por tanto de la fórmula matricial del estimador MCO y de su expresión en función
del término de error:

Esta expresión nos será útil para, de forma sencilla, poder obtener la formulación matricial

para la varianza de . Pero antes debemos formular el supuesto 5 del MRLG en forma

matricial.

Este supuesto no dice que la varianza del error es constante, por tanto, en forma matricial:

Así, sustituyendo estas expresiones en el cálculo de la obtendremos su expresión

matricial la cual recibe el nombre de matriz de varianzas y covarianzas y cuya obtención,

como veremos a continuación, solo tendremos que ser capaces de obtener la matriz

una vez conocido el valor de :

Si el valor de es desconocido esta tendrá que ser estimada mediante el cálculo de la

siguiente expresión matricial:

Econometría 17
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Dicha expresión contiene en el denominado los errores al cuadrado o suma cuadrática

residual en su formulación matricial. Por tanto es el vector de errores del modelo estimado.

También podemos obtener la matriz de varianzas y covarianzas estimada, esto es

incluyendo ya la estimación de la varianza del término de error, a partir de Gretl del

siguiente modo. Desde el cuadro de estimación del modelo: análisis > matriz de varianzas
de los coeficientes.

Veremos a continuación en un modelo con dos regresores lo que significa cada elemento de

la matriz de varianzas y covarianzas:

Observa cómo se trata de una matriz simétrica donde los elementos a un lado y otro de la

diagonal principal coinciden.

Se define a partir de aquí el error estándar en su formulación matricial para cada parámetro

estimado del siguiente modo:

Donde es el elemento i-ésimo de la diagonal principal de . Se denota

porque se utiliza las siglas en inglés, standard error.

Ejemplo

El salario y los meses de experiencia (continuación)

Vamos ahora a utilizar las expresiones matriciales recogidas en esta sección para

obtener los valores.

Lo primero de todo será construir las matrices y para operar

Econometría 18
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

matricilamente con estas y obtener los valores de haciendo uso de la

formulación .

Por lo tanto, la estimación del vector de coeficientes del modelo es:

Pasamos ahora a estimar la varianza del error, para lo cual necesitamos la matriz
. Esta podrá obtener de la resta de los valores de la variable dependiente y

sus valores estimados, del siguiente modo:

A continuación, obtenemos dichos valores:

Y ya tenemos toda la información para la estimación de la varianza del error:

A continuación, vamos a calcular una estimación de la varianza del estimador :

Econometría 19
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Finalmente, los errores estándar de las estimaciones de los coeficientes son:

Econometría 20
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

3.7. Obtención de las varianzas es madas de β _j

̂
con Gretl

Como paso previo a la realización de contrastes de hipótesis haciendo uso de la

distribución de en su versión de estadístico de contraste, se hace necesario

obtener la estimación de la varianza estimada de y, también, en el caso

bidimensional de su matriz de varianzas y covarianzas.

Gretl proporciona de una forma muy sencilla dichos valores, siempre y cuando

aprendamos a buscarlos.

En primer lugar, debemos fijarnos en el cuadro de estimación del modelo de

regresión. La segunda columna de valores estimados, que se encuentran en la

columna etiquetada como «desviación típica», será lo que hemos denominado los

errores estándar de los coeficientes estimados.

Además, en el caso de necesitar también las covarianzas dos a dos de los

estimadores, podemos pedirle a Gretl que lo calcule, una vez que el modelo ha sido

estimado. Para ello, desde la hoja de estimaciones MCO del modelo iremos a la

ventana de análisis y le pediremos a Gretl obtener la matriz de varianzas estimadas

de los coeficientes del modelo. Gretl nos devolverá dicha matriz.

Econometría 21
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

3.8. Actividades resueltas para practicar

Actividades de cálculo numérico

Importe neto de la cifra de negocios que genera la venta de un determinado

producto

Considere el siguiente modelo en el que se pretende explicar el importe neto de la

cifra de negocios que genera la venta de un determinado producto (en millones de

euros) en función a su precio (en euros) y al precio de un producto sustitutivo (en

euros).

Con el objetivo de estudiar el modelo teórico planteado, se extrae una muestra de los

últimos siete años, que arroja los siguientes valores:

Se pide, teniendo en cuenta los resultados obtenidos en temas precedentes para

esta misma actividad, la estimación de la varianza del término error.

Importe neto de la cifra de negocios que genera la exportación de frutos rojos en la

provincia de Segovia

Econometría 22
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Considere el siguiente modelo en el que se pretende explicar el importe neto de la

cifra de negocios que genera la exportación de frutos rojos en la provincia de

Segovia (en millones de euros) en función al número de trabajadores contratados (en

centenas) y a la temperatura media del mes de enero (en grados centígrados).

Con el objetivo de estudiar el modelo teórico planteado, se extrae una muestra de los

últimos nueve años, que arroja los siguientes valores:

Se pide, teniendo en cuenta los resultados obtenidos en temas precedentes para

esta misma actividad, la estimación de la varianza del término error.

Importe neto de la cifra de negocios que genera una cadena de hoteles

española

Considere el siguiente modelo en el que se pretende explicar el importe neto de la

cifra de negocios que genera una cadena de hoteles española (en millones de euros)

en función a la temperatura mínima y máxima registrada (en grados centígrados).

Econometría 23
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Con el objetivo de estudiar el modelo teórico planteado, se extrae una muestra de los

siete primeros meses de 2017, que arroja los siguientes valores:

Se pide, teniendo en cuenta los resultados obtenidos en temas precedentes para

esta misma actividad, la estimación de la varianza del término error.

Solución actividad 1

Estimación de la varianza del término error

Para calcular los residuos debe compararse cada observación con la predicción que

hace el modelo en base a la estimación realizada en el tema 2.

La varianza viene dada por el cociente entre la suma de los cuadrados de los

residuos (que se ha incluido en la última columna del análisis residual) y N-k-1:

Econometría 24
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Solución actividad 2

Estimación de la varianza del término error

Para calcular los residuos debe compararse cada observación con la predicción que

hace el modelo en base a la estimación realizada en el tema 2.

Nota: la estimación es obtenida mediante la simulación del modelo con los

parámetros estimados, es decir, sustituyendo los valores observados de las variables

explicativas en:

La varianza viene dada por el cociente entre la suma de los cuadrados de los

residuos (que se ha incluido en la última columna del análisis residual) y N-k-1:

Solución actividad 3

Estimación de la varianza del término error

Para calcular los residuos debe compararse cada observación con la predicción que

hace el modelo en base a la estimación realizada en el tema 2.

Econometría 25
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Nota: la estimación es obtenida mediante la simulación del modelo con los

parámetros estimados, es decir, sustituyendo los valores observados de las variables

explicativas en:

La varianza viene dada por el cociente entre la suma de los cuadrados de los

residuos (que se ha incluido en la última columna del análisis residual) y N-k-1:

Actividad resuelta de Gretl para practicar

A continuación, se presenta un ejercicio realizado con las bases de datos de Gretl.

Utilizaremos la base de datos de Ramanathan (2002) que se encuentra guardada

con el nombre data4-1.

La base de datos introduce información sobre el precio de las viviendas, su tamaño,

el número de dormitorios y el número de baños, y a partir de dichas variables se

establece la siguiente relación para tratar de determinar el efecto de las

características de las viviendas sobre su precio:

Se pide: obtener los errores estándar de los estimadores de los coeficientes, así

como la estimación de la varianza del término de error.

Econometría 26
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Nota: recuerda que Gretl trabaja con el criterio anglosajón de separación de miles por

lo que si intentas reproducir estos resultados en Gretl deberás tenerlo en cuenta.

Ya obtuvimos en el tema anterior el output de resultados de este modelo a partir de

los datos que nos proporciona Gretl en sus «archivos de muestra». En dicha hoja

tenemos ya calculado todo lo que nos piden en este ejercicio:

Modelo 1: MCO, usando las observaciones [Link] dependiente: price.

La segunda columna de estimaciones muestra las desviaciones típicas de los

coeficientes estimados, llamados en este tema errores estándar. Puede ser

indicados dentro de la ecuación estimada entre paréntesis del siguiente modo:

La varianza estimada de errores del modelo se calcula tomando los datos la suma de

cuadrados de los residuos (16700.07) y el denominador

, luego tendrá el valor:

Econometría 27
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

3.9. Cálculo de la varianza del término error y de

los parámetros estimados por MCO en R

En este tema, se han expuesto cuáles son las propiedades estadísticas de los

estimadores de los parámetros de un modelo de regresión lineal estimados por MCO.

Además, hemos aprendido cómo calcular la varianza del término error y la de los

parámetros estimados. Por ello, en este apartado, aprenderás cómo calcular la

varianza del término error y de los parámetros mediante el uso de R.

Estimación de la varianza del término error

En este tema, partiremos del modelo en logaritmos estimado en el tema 2:

Como ya se ha indicado en los temas anteriores, RStudio guarda toda la información

relevante del modelo planteado. El modelo se llama mod1, por lo que, citando mod1

y usando el símbolo $, podemos recuperar información relevante, entre la que se

encuentran los errores que comete el modelo planteado. De esta manera, podemos

crear una variable que se llame «errores» de la siguiente forma:

errores <- mod1$residuals

Con esta indicación, lo que hemos conseguido es crear una columna con los errores

que comete el modelo para cada una de las observaciones. No obstante, la varianza

del error debe ser calculada como se ha indicado en el temario, es decir, como

cociente entre la suma de cuadrados de los residuos y N-k-1. Para conseguir eso con

R, solo tenemos que darle esa indicación de la siguiente forma:

Econometría 28
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

df <- mod1$[Link]

varerror <- sum(errores^2)/(df)

Lo primero que se ha hecho es crear df (degree fredom, grados de libertad), que es

N-k-1. A continuación, se ha creado una variable que es la varianza del error. Si

quisiéramos consultar a cuánto asciende su valor, debemos dar la siguiente

indicación al programa:

varerror

[1]0.0137821

Como se puede ver, R contesta en el apartado de consola con el valor que arroja la

varianza del error, en este caso 0.0137821.

Estimación de la varianza de los parámetros del modelo

A lo largo el tema, se ha indicado que, en el caso de los supuestos de cálculo

manual, la varianza de los parámetros se aportará como información adicional,

aunque su cálculo no es excesivamente complejo. Como ya se ha indicado en este

apartado, RStudio guarda mucha información relevante sobre el modelo estimado.

En este caso, volveremos a aprovecharnos de esa información que guarda RStudio.

Cuando se estiman los parámetros de un modelo, una de las matrices relevantes es

la matriz de varianzas-covarianzas de los parámetros. En este sentido, la diagonal

principal de esa matriz recoge el valor de la varianza de cada uno de los parámetros

, y , respectivamente. Por ello, las indicaciones que debemos dar a R son:

varb0 <- vcov(mod1)[1, 1]

Econometría 29
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

varb1 <- vcov(mod1)[2, 2]

varb2 <- vcov(mod1)[3, 3]

Los valores 1, 1; 2, 2 y 3, 3 representan la posición en la que se encuentra cada valor

en la matriz de varianzas-covarianzas. Además, con estas indicaciones, lo que

hemos conseguido es crear tres variables, una para cada varianza. Si quisiéramos

consultar esos valores, solo tendríamos que indicar:

varb1

[1] 0.002081838

Como se puede observar, RStudio devuelve en el apartado de consola que

cuenta con una varianza de 0.002081838. Si quisiéramos visualizar la varianza

de los otros parámetros, solo tendríamos que llamar a varb0 o varb2.

Econometría 30
Tema 3. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 A fondo

Gasto municipal por el servicio de residuos sólidos

urbanos

Bel, G. (2006). Gasto Municipal por el servicio de residuos sólidos urbanos. Revista

de economía aplicada, 41(XIV), 5-32.

[Link]

En este artículo se utiliza un modelo de regresión lineal para analizar los factores que

determinan el gasto municipal en el servicio de los residuos sólidos urbanos. Es de

especial interés la sección en la que se especifica en modelo considerado y los

cuadros 5 y 6 donde se detallan los errores estándar de los coeficientes estimados.

Econometría 31
Tema 3. A fondo
© Universidad Internacional de La Rioja (UNIR)
 A fondo

Demostración de la distribución poblacional del

estadístico de contraste

Con este documento podrás comprender mejor la distribución del estadístico de

contraste. Se presenta, por tanto, la demostración formal de cómo obtenemos la

distribución t-student, cuándo se reemplaza la varianza desconocida de por su

estimador, el error estándar de dando paso así desde una distribución normal

estándar a una t-student con N-k-1 grados de libertad.

Accede al artículo

Econometría 32
Tema 3. A fondo
© Universidad Internacional de La Rioja (UNIR)
 Test

1. Se considera un modelo en el que se relaciona el tiempo de sueño con el de trabajo y otros factores que afectan al sueño
como la educación y la edad. El tiempo de sueño y de trabajo está medido en minutos y la educación y la edad están medidas

en años. De una muestra de 300 individuos se ha obtenido la siguiente estimación:

Entre paréntesis se encuentran los errores estándar de cada una de las estimaciones de los coeficientes. Si la variable
Unexpected text node: 'trabaj {o} rsub {i}' que está medida en minutos se cambia a tiempo de trabajo en horas
Unexpected text node: 'trabaj {oh} rsub {i}' , ¿cuál sería el error estándar de la estimación del coeficiente de
Unexpected text node: 'trabaj {oh} rsub {i}' ?

A. 0,7126.
B. El error estándar no cambia cuando cambia la unidad de medida de la variable explicativa.

C. 5,52.
D. 0,0015.

2. Considera de nuevo la estimación de la pregunta anterior donde el tiempo de sueño (minutos) es explicado en función del
tiempo de trabajo (minutos), de la educación (años) y de la edad (años). Si la educación que está medida en años se midiera en

meses, ¿cuál sería el efecto de este cambio de medida en el error estándar de la estimación de la variable explicativa

Unexpected text node: 'trabaj {o} rsub {i}' ?

A. No tendría ningún efecto.

B. 0,0077.
C. 1,1040.
D. 5,52.

3. Considera de nuevo la estimación de la pregunta anterior donde el tiempo de sueño (minutos) están en función del tiempo de
trabajo (minutos), de la educación (años) y de la edad (años). Si el tiempo de sueño que está medido en minutos se midiera en

horas, ¿cuál sería el efecto de este cambio de medida en el error estándar de la estimación de la variable explicativa
Unexpected text node: 'trabaj {o} rsub {i}' ?

A. No tendría ningún efecto.

B. 5,52.
C. 0,0015.
D. No se puede determinar y habría que realizar la estimación de nuevo con la nueva variable dependiente.

Econometría 33
Tema 3. Test
© Universidad Internacional de La Rioja (UNIR)
 Test

4. Sea el modelo Unexpected text node: '{Y} rsub {i} = {{X} rsub {i}} ^ {β} {e} ^ {{u} rsub {i }}'co
Unexpected text node: '{u} rsub {i} ~ N (0, {σ} ^ {2} )'n para Unexpected text node: 'i =1,…, N' . Y considera el siguiente estimador de

Unexpected text node: 'β :'

Unexpected text node: 'widehat {β} = {sum from {i=1} to {N} {ln {left ({Y} rsub {i} right )} ln( {X} rsub {i} )}} over {sum from {i=1} to {N} {( {ln {left ({X} rsub {i} right )} )} ^ {2}}

Entonces, la afirmación Unexpected text node: 'widehat {β} ' es un estimador insesgado de Unexpected text node: 'β' es:

A. Verdadero porque Unexpected text node: 'widehat {β}' es el estimador MCO del modelo

Unexpected text node: '{Y} rsub {i} = {{X} rsub {i}} ^ {β} {e} ^ {{u} rsub {i }}'.

B. Falso porque el modelo no es lineal con respecto al parámetro Unexpected text node: 'β' y no se puede estimar por MCO.
C. Verdadero porque Unexpected text node: ' widehat {β}' es el estimador MCO aplicado al modelo transformado mediante

logaritmos que es lineal con respecto al parámetro Unexpected text node: 'β' .

D. Falso porque no se puede determinar el valor esperado de Unexpected text node: 'widehat {β}' .

5. Bajo los supuestos del MRLG con normalidad de los errores, los residuos de la estimación de MCO siguen una distribución:
A. Normal de media cero.

B. t-student con

grados de libertad.

C. Normal de media
.

D. No sigue ninguna distribución.

6. Considere la función de ahorro: Unexpected text node: 'ahorr {o} rsub {i} = {β} rsub {0} + {β} rsub {1} ingreso {s} rsub {i} + {u} rsub {i} ,'

Donde Unexpected text node: '{u} rsub {i}' es una variable aleatoria de media cero y varianza no constante.
A. Este modelo no se puede estimar por MCO ya que no satisface el supuesto de homoscedasticidad.

B. Este modelo se puede estimar por MCO pero el estimador MCO no va a ser el estimador lineal insesgado de mínima

varianza.

C. El estimador MCO de este modelo es el estimador lineal e insesgado de mínima varianza.

D. El estimador MCO de este modelo no es insesgado.

Econometría 34
Tema 3. Test
© Universidad Internacional de La Rioja (UNIR)
 Test

7. Considera el modelo de regresión lineal en el que se cumplen los cincos supuestos básicos del MRL
. Si

es el estimador MCO de

es otro estimador lineal e insesgado de

, entonces el teorema de Gauss-Markov nos dice que:

A. Esto no puede ocurrir, ya que no pueden existir dos estimadores lineales e insesgados de un mismo parámetro.

B. El valor esperado de

es distinto de

C. La varianza de

es mayor o igual que la varianza de

D. La varianza de

es menor o igual que la varianza de

8. Considera el modelo de regresión lineal

. Si

es el estimador MCO de

es otro estimador lineal de

tal que

, entonces:

A.

es un estimador insesgado de

B. El valor esperado de

es distinto de
.

C. El teorema de Gauss-Markov nos dice que esto nunca puede pasar.

D. El valor esperado de

es distinto de
.

Econometría 35
Tema 3. Test
© Universidad Internacional de La Rioja (UNIR)
 Test

9. Una empresa, con el objetivo de predecir el comportamiento de las ventas de un determinado producto, plantea el modelo

. Si se conoce que la matriz X no es de rango completo,

entonces:

A. La estimación de los parámetros por MCO, no aporta el estimador insesgado de menor varianza.

B. La estimación de los parámetros por MCO, aporta el estimador insesgado de menor varianza.

C. No se pueden estimar los parámetros por MCO.

D. Ninguna de las anteriores es correcta.

10. Una empresa, con el objetivo de predecir el comportamiento de las ventas de un determinado producto, plantea el modelo
Unexpected text node: '{ventas} rsub {i} = {β} rsub {0} + {β} rsub {1} {precio} rsub {i} + {β} rsub {2} {sustitutivo} rsub {i} {u} rsub {i} , i =1,…, N'Si la

muestra fue obtenida de forma arbitraria tomando datos solo de aquellos años en los que se cumple la teoría que defiende la
empresa, entonces:

A. La estimación de los parámetros por MCO, no aporta el estimador insesgado de menor varianza.

B. La estimación de los parámetros por MCO, aporta el estimador insesgado de menor varianza.

C. No se pueden estimar los parámetros por MCO.

D. Ninguna de las anteriores es correcta.

Econometría 36
Tema 3. Test
© Universidad Internacional de La Rioja (UNIR)