Professional Documents
Culture Documents
Econometría I
COM – 05223
Práctica Nº 3
3.1 ¿Cuál de las causas siguientes puede hacer que los estadísticos t usuales de MCO no
sean válidos (es decir, que no tengan una distribución t bajo H0)?
i) Heterocedasticidad.
ii) Que exista un coeficiente de correlación muestral de .95 entre dos variables
independientes del modelo.
iii) Omitir una variable explicativa importante.
3.2 Considere una ecuación para explicar los sueldos de los directores generales o CEO en
términos de las ventas anuales de la empresa, el rendimiento sobre capital (roe, en forma
de porcentaje), y el rendimiento de las acciones de la empresa (ros, en forma de
porcentaje):
ii) Con los datos de CEOSAL1.WF1, empleando MCO se obtuvo la ecuación siguiente:
iii) Pruebe la hipótesis nula que dice que ros no tiene efecto sobre salary contra la
alternativa que dice que ros tiene efecto positivo. Realice la prueba al nivel de significancia
de 10%.
n= 209
gl= 205
iv) ¿Incluiría usted ros en el modelo final que explica las compensaciones de los CEO en
términos del desempeño de la empresa? Explique.
Basándose en la muestra, el coeficiente estimado de ros parece ser diferente de cero, solamente a
causa de la variación del muestreo. También pude incluir y no causar ningún efecto negativo;
depende de cómo este correlacionada con las demás variables independientes
3.3 La variable rdintens representa el gasto en investigación y desarrollo (I & D) dado como
porcentaje de las ventas. Las ventas (sales) se miden en millones de dólares. La variable
profmarg representa la ganancia como porcentaje de las ventas. Empleando los datos del
archivo RDCHEM.WF1 de 32 empresas de la industria química, se estimó la ecuación
siguiente:
𝐻0: 𝛽1 = 0
𝐻1: 𝛽1 ≠ 0
n-k-1= 32-2-1= 29
5% 𝑡∝ 2 ,𝑛−𝑘−1 = 2.045
10%
𝑡∝ 2 ,𝑛−𝑘−1 = 1.699
𝛽̂ 2= Si las ganancias por las ventas aumentan en 1% el gasto en investigación y desarrollo como %
de ventas es de 0.050%, mientras las demás variables permanecen constantes. El coeficiente de
profmarg es económicamente grande porque el t estadístico es superior al nivel de significancia
5% o 10%.
n-k-1= 32-2-1= 29
1.0869≯1.699
5% 𝑡∝ 2 ,𝑛−𝑘−1 = 2.045 |
1.0869≯2.045
1% 𝑡∝ 2 ,𝑛−𝑘−1 = 2.756
1.0869≯2.756 R= No tiene un efecto significativo sobre rdintens porque está por debajo de los
otros t estadísticos analizados, en los diferentes niveles de significancia.
3.4 ¿En una ciudad estudiantil, influye la población de estudiantes sobre las rentas de las
viviendas? Sea rent la renta mensual promedio en una ciudad estudiantil de Estados
Unidos. Sean pop el total de la población en esa ciudad, avginc el ingreso promedio en la
ciudad y pctstu la población de estudiantes dada como porcentaje del total de la población.
Un modelo para probar esta relación es:
log(rent)= β0 + β1log( pop) + β2log(avginc)+ β3pctstu+ u.
i) De la hipótesis nula que establece que el tamaño del cuerpo estudiantil en
relación con la población no tiene efecto ceteris paribus sobre las rentas
mensuales. Mencione la alternativa que establece que si tiene efecto.
Se espera que los signos sean de 𝛽1 > 0 y 𝛽2>0 porque cabe recalcar que la renta
mensual promedio en una ciudad estudiantil de EEUU va a aumentar conforme
aumente la población total de esa ciudad y el ingreso promedio de esa ciudad.
La hipótesis nula H0: 𝛽3 = 0 significa que una vez que el total de la población en esa ciudad y el
ingreso promedio en la ciudad se hayan tomado en cuenta, población de estudiantes no tiene
efecto sobre la renta mensual promedio de esa ciudad. Si: 𝛽3 ≠ 0 quiere decir que el población de
estudiantes influye en la renta mensual promedio. Como H0: 𝟎. 𝟎𝟎𝟓𝟔 = 0 no tiene sentido y como
se tienen 124 grados de liberad se puede emplear valores críticos de la distribución normal
estándar y el valor crítico para el 1% es 2.33. El estadístico t para 𝐵̂ 3 𝑒𝑠:
3.5 Considere la ecuación estimada del ejemplo 4.3, la cual se emplea para estudiar el
efecto de faltar a clases en el promedio general (GPA) en la universidad:
∝= 0,5 ∝ ⁄ 2 = 0,025
141 − 3 − 1 = 137
𝑡(0,025,137) = 1,9777
𝑒𝑒(𝛽̂1) = 0,094
[0,412 ± 0,1859]
ii) ¿Se puede rechazar la hipótesis H0: βhsGPA = .4 contra la alternativa de dos colas
al nivel de 5%?
𝑁𝑜 𝑅𝑒𝑐ℎ𝑎𝑧𝑜 𝐻0
iii) ¿Se puede rechazar la hipótesis H0: βhsGPA = 1 contra la alternativa de dos colas al nivel
de 5%?
𝐻0:𝛽̂1 = 1
𝐻1: 𝛽̂1 ≠ 1
𝑡(𝛽̂1) = −6,255
3.6 La tabla siguiente se obtuvo empleando los datos del archivo CEOSAL2.WF1:
Variable dependiente: log(salary)
Variables (1) (2) (3)
independientes
log(sales) .224 .158 .188
(.027) (.040) (.040)
log(mktval) -- .112 .100
(.050) (.049)
profmarg —— -.0023 - .0022
(.0022) (.0021)
ceoten —— —— .0171
_.0092 (.0055)
comten —— —— -.0092
(.0033)
intercepto 4.94 4.62 4.57 (0.25)
(0.20) (0.25)
Observaciones 177 177 177
R-cuadrada .281 .304 .353
progmarg = -0,0023; por lo tanto (̂ 𝛽3): tiene un efecto negativo, es decir por cada aumento en un
punto porcentual de ganancia, el valor del sueldo del director general disminuye un 0,0023%, con
todo lo demás constante.
Para Ho: 𝛽
̂ 2=0
H1: 𝛽
̂ 2≠0
𝑡̂( 𝛽2) › 𝑡(𝛼2, 𝑛 − 𝑘 − 1): 2,03919 Por lo tanto no se acepta Ho, entonces 𝛽
̂ 2, es estadísticamente
significativo al 0,10 nivel de significancia
𝑡̂( 𝛽2) ‹ 𝑡(𝛼2, 𝑛 − 𝑘 − 1): 2,03919 Por lo tanto se acepta Ho, entonces 𝛽
̂ 2, no es estadísticamente
significativo al 0,01 nivel de significancia
Para Ho: 𝛽
̂ 4=0
H1: 𝛽
̂ 4≠0
Ho: 𝛽
̂ 5=0
H1: 𝛽
̂ 5≠0
𝑡̂( 𝛽5) ‹ 𝑡(𝛼2, 𝑛 − 𝑘 − 1): −1,9741 Por lo tanto se acepta Ho, entonces 𝛽
̂ 5, no es estadísticamente
significativo al 0,10 nivel de significancia.
iv) ¿Qué opina del hecho de que una mayor antigüedad en la empresa,
manteniendo todos los demás factores constantes, corresponda a un sueldo
menor?
( 𝛽5), al ser negativo, nos habla de que un empleado va deteriorándose en la
empresa, por eso disminuye su sueldo, quizás porque va perdiendo productividad o la
manera de hacer el contrato tienen ciertas cláusulas, por eso debe existir un
momento en el que el sueldo disminuya tanto para hacer un cambio de empleo e ir
renovando el persona
Ejercicios en Computadora
3.7 El modelo siguiente puede usarse para estudiar si los gastos de campaña afectan los
resultados de las elecciones:
voteA = β0 + β1log(expendA)+ β2log(expendB)+ β3 prtystrA + u,
donde, voteA es el porcentaje de votos recibidos por el candidato A, expendA y
expendB son los gastos de campaña del candidato A y del candidato B y prtystrA es
una medida de la fortaleza del partido del candidato A (el porcentaje de votos que
obtuvo el partido de A en la elección presidencial mas reciente).
i) ¿Cuál es la interpretación de β1?
v) Estime el modelo dado usando los datos del archivo VOTE1.WF1 y presente los
resultados de la manera usual. ¿Los gastos de A afectan los resultados de las
elecciones? ¿Y los gastos de B? ¿Puede usar estos resultados para probar la
hipótesis del inciso ii)?
iv) Estime el modelo que proporciona directamente el estadístico t para probar la
hipótesis del inciso ii). ¿Qué concluye usted? (Use una alternativa de dos colas.)
3.8 Para este ejercicio utilice los datos del archivo LAWSCH85.RAW.
i) Usando el modelo del problema 3.4, establezca y pruebe la hipótesis nula de que el
ranking entre las escuelas de derecho no tiene efecto ceteris paribus sobre el sueldo
inicial medio.
ii) ¿Son las características de los estudiantes de nuevo ingreso —a saber, LSAT y GPA—
significativas de manera individual o conjunta para explicar el sueldo (salary)?
(Asegúrese de tomar en cuenta que hay datos faltantes en LSAT y GPA.)
Wald Test:
Equation: Untitled
iii) Pruebe si el tamaño del grupo (clsize) o el tamaño de la facultad (faculty) necesitan ser
agregados a esta ecuación; realice una prueba sencilla. (Tenga cuidado de tomar en
cuenta que hay datos faltantes en clsize y faculty.)
vi) ¿Qué factores pueden influir en la posición en el ranking de una escuela de leyes
que no están incluidos en la regresión del sueldo?
3.9 Para este ejercicio emplee los datos en el archivo MLB1.WF1.
i) Emplee el modelo estimado en la ecuación (4.31) y elimine la variable rbisyr. ¿Qué
pasa con la significancia estadística de hrunsyr? .Que pasa con el tamaño del
coeficiente de hrunsyr?
log( salary) = 11,20 (0,289)+0,0689 (0,012) years +0,0126 (0,0026) gamsyr +0,00098 (0,0011) bavg
eliminando la variable rbisyr. ¿Qu´e ocurre con la significaci´on estad´ıstica de hrunsyr? ¿Y con el
taman˜o del coeficiente de hrunsyr? \log( salary) = 11,021 (0,26572) +0,06773years (0,012)
+0,01576 (0,00157) gamsyr +0,001419 (0,001066) bavg + 0,0359 (0,00724) hrunsyr n = 353 R2 =
iii) Al modelo del inciso i) agregue las variables runsyr (carreras por año), fldperc
(porcentaje de fildeo) y sbasesyr (bases robadas por año). .Cuales de estos
factores son significativos individualmente?
log( salary) = 10,4083 (2,0033)+0,069985 (0,012) years + 0,0079 (0,00268)gamsyr
iii) En el modelo del inciso ii) pruebe la significancia conjunta de bavg, fldperc y
sbasesyr.
3.10 Para este ejercicio emplee los datos del archivo WAGE2.WF1.
i) Considere la ecuación estándar para salario
log(wage) = β0 + β1educ + β2exper + β3tenure + u.
Establezca la hipótesis nula de que un año más de experiencia en la fuerza de
trabajo general tiene el mismo efecto sobre log(wage) que un año más de
antigüedad en el empleo actual.
Considera la ecuaci´on salarial est´andar,log(wage) = β0 +β1educ + β2exper +β3tenure + u.
Establece la hip´otesis de que otro an˜o de experiencia en la poblaci´on activa tiene el mismo
Contrasta la hip´otesis nula de (a) en contra de una alternativa bilateral al nivel de significaci´on
error est´andar de θ = β2 −β3 hay que estimar un modelo que incluya θ, sustituyendo β2 = θ +β3
vi) Si realiza una regresión simple de nettfa sobre inc, ¿és el coeficiente estimado
de inc muy diferente del estimado en el inciso ii)? Justifique su respuesta.