Ingeniería Comercial

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.

Es la heterocedasticidad y Omitir una variable explicativa importante, viola la aceptación de MRL.

Los supuestos MLC no contienen ninguna mención de las correlaciones muestrales entre variables
independientes, excepto para descartar el caso en que la correlación es uno

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):

i) En términos de los parámetros del modelo, establezca la hipótesis nula de que,

controlando sales y roe, ros no tiene efecto en el sueldo de los CEO. Establezca la
alternativa de que un mejor desempeño de las acciones de la empresa incrementa el sueldo
de los CEO.
𝐻0: 𝐵3 = 0, 𝐻1: 𝐵3 > 0

ii) Con los datos de CEOSAL1.WF1, empleando MCO se obtuvo la ecuación siguiente:

¿Cuál es el porcentaje de aumento de salary que se pronostica si ros aumenta 50 puntos?

¿Tiene ros un efecto práctico grande sobre salary?

50*(100*0,00024) = 1,2% Si ros aumenta 50 puntos en porcentaje salary aumentaría en 1,2%

¿Tienen ros un efecto práctico grande sobre salary? No el esfecto será mui pequeño

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

∝= 0,10 𝑡∝ 2 ⁄ ,𝑛−𝑘−1 = 1.645

𝑣𝑎𝑟(𝐵̂ 3) = 2.935𝑒 −7 = 0.0000002935

𝑒𝑒(𝐵̂3) = √𝑣𝑎𝑟(𝐵̂ 3) = √0.0000002935=0.0005418

𝑡 = 𝐵̂3 𝑒𝑒(𝐵̂ 3) = 0.00024 /0.0005418 = 0,4429 𝑁𝑜 𝑒𝑠 𝑆𝐼𝐺𝑁𝐼𝐹𝐼𝐶𝐴𝑇𝐼𝑉𝑂

Por lo tanto no se rechasa la hipótesis nula

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:

i) Interprete el coeficiente de log(sales). En particular, si sales aumenta 10%,

¿cuál es la variación estimada en puntos porcentuales en rdintens? ¿Es este
efecto económicamente grande?

𝒓𝒅𝒊𝒏𝒕𝒆𝒏𝒔 ̂ = 𝟎̂. 𝟒𝟕𝟐 + 𝟎̂. 𝟑𝟐𝟏𝒍𝒐𝒈(𝒔𝒂𝒍𝒆𝒔),𝒅𝒐𝒏𝒅𝒆 𝒍𝒐𝒈(𝒔𝒂𝒍𝒆𝒔) = 𝟏𝟎%

𝒓𝒅𝒊𝒏𝒕𝒆𝒏𝒔 ̂ = 𝟎. 𝟒𝟕𝟐 + 𝟎. 𝟑𝟐𝟏(𝟏𝟎%)
𝒓𝒅𝒊𝒏𝒕𝒆𝒏𝒔 ̂ = 𝟎. 𝟑𝟐𝟏(𝟏𝟎%)
𝒓𝒅𝒊𝒏𝒕𝒆𝒏𝒔 ̂ = 𝟎. 𝟎𝟑𝟐𝟏
𝛽̂ 1= Si las ventas aumentan en 10% el gasto en investigación y desarrollo como % de
ventas es de en 0.0321%, mientras las demás variables permanecen constantes. Para
un porcentaje de aumento tan grande de ventas el efecto de este es demasiado
pequeño.
 ii) Pruebe la hipótesis de que la intensidad de la I & D no varía con sales contra la
alternativa de que aumenta con las ventas. Realice la prueba a los niveles de
significancia de 5 y 10%.

𝐻0: 𝛽1 = 0

𝐻1: 𝛽1 ≠ 0

 n-k-1= 32-2-1= 29

| 𝑡𝛽̂ 1| = 𝛽̂ 1 𝑒𝑒𝛽̂ 1 = 0.321 0.216 = 1.4861

5% 𝑡∝ 2 ,𝑛−𝑘−1 = 2.045

| 𝑡𝛽̂ 1|>𝑡∝ 2 ,𝑛−𝑘−1

1.4861≯2.045 R= No se rechaza H0 al nivel de significancia 5%

10%

𝑡∝ 2 ,𝑛−𝑘−1 = 1.699

| 𝑡𝛽̂ 1|>𝑡∝ 2 ,𝑛−𝑘−1

1.4861≯1.699 R= No se rechaza H0 al nivel de significancia 10%

iii) Interprete el coeficiente de profmarg. ¿Es éste coeficiente económicamente

grande?

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%.

iv) ¿Tiene profmarg un efecto estadístico significativo sobre rdintens?

 n-k-1= 32-2-1= 29

| 𝑡𝛽̂ 1| = 𝛽̂ 1 /𝑒𝑒𝛽̂ 1 = 0.050 /0.046 = 1.0869

10% 𝑡∝ 2 ,𝑛−𝑘−1 = 1.699

| 𝑡𝛽̂ 1|>𝑡∝ 2 ,𝑛−𝑘−1

1.0869≯1.699

5% 𝑡∝ 2 ,𝑛−𝑘−1 = 2.045 |

𝑡𝛽̂ 1|>𝑡∝ 2 ,𝑛−𝑘−1

1.0869≯2.045

1% 𝑡∝ 2 ,𝑛−𝑘−1 = 2.756

| 𝑡𝛽̂ 1|>𝑡∝ 2 ,𝑛−𝑘−1

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.

En términos poblacionales la hipótesis nula debe ser H0: 𝛽𝑗 = 0 y la hipótesis

alternativa H1: 𝛽𝑗 ≠ 0 por lo tanto: H0: 𝛽3 = 0, es necesario que 𝛽3 sea igual a 0 para
que la variable independiente no afecte en renta mensual promedio en una ciudad
estudiantil de Estados Unidos. H1: 𝛽3 ≠ 0, si el tamaño del cuerpo estudiantil en
relación con la población es diferente de 0 afectara la renta mensual promedio en una
ciudad estudiantil de Estados Unidos.
ii) ¿Qué signo espera que tengan β1 y β2?

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.

iii) La ecuación estimada empleando datos de 1990 del archivo RENTAL.WF1

sobre 64 ciudades estudiantiles es:
 ̂ = 0.43 + 0.066 log( pop) + 0.507 log(avginc)+ 0.0056 pctstu+ u.
log(rent)
(0.844) (0.039) (0.081) (0.0017)
¿Que está equivocado en la siguiente afirmación: “Un aumento de 10% en la
población corresponde aproximadamente a un aumento de 6.6% en la renta”?
𝒍𝒐𝒈̂(𝒓𝒆𝒏𝒕) = 𝟎. 𝟎𝟒𝟑 + 𝟎. 𝟎𝟔𝟔 𝒍𝒐𝒈(𝒑𝒐𝒑) + 𝟎. 𝟓𝟎𝟕 𝒍𝒐𝒈(𝒂𝒗𝒈𝒊𝒏𝒄) + 𝟎. 𝟎𝟎𝟓𝟔 𝒑𝒄𝒕𝒔𝒕𝒖 .

. (0.844). (0.039). (0.081) . (0.0017)

𝒏 = 𝟏𝟒𝟏, 𝑹 𝟐 = 0.458 El incremento del 6.6% en la renta tocaría corregir que es por
aumentar en 1% del total de la población con todos los demás factores constantes

iv) Pruebe la hipótesis establecida en el inciso i) al nivel de 1%

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:

𝑡 𝐵̂3 = 0.0056 /0.0017≈3.29411

Y de esta manera 𝐵̂ 3 es estadísticamente significativo al 1% de significancia o es

estadísticamente diferente de cero al nivel de significancia del 1%. Por lo tanto, no se
acepta la hipótesis nula y no se rechaza la hipótesis alternativa

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:

i) Empleando la aproximación normal estándar, encuentre el intervalo de

confianza de 95% para βhsGPA.

∝= 0,5 ∝ ⁄ 2 = 0,025

141 − 3 − 1 = 137

𝑡(0,025,137) = 1,9777

𝑒𝑒(𝛽̂1) = 0,094

[𝛽̂1 ± 𝑒𝑒(𝛽̂1) 𝑡(∝ 2 ⁄ ;𝑘−𝑛−1) ]

[0,412 ± 0,094 ∗ (1,9777)]

[0,412 ± 0,1859]

[𝟎, 𝟐𝟐𝟔𝟏; 𝟎, 𝟔𝟗𝟖𝟎]

ii) ¿Se puede rechazar la hipótesis H0: βhsGPA = .4 contra la alternativa de dos colas
al nivel de 5%?

ii) 𝐻0:𝛽̂1 = 0,4

𝐻1: 𝛽̂1 ≠ 0,4

(𝛽̂1) = 𝛽̂1 − 𝑎𝑗 /𝑒(𝛽̂1) = 0,412 − 0,4 /0,094 = 0,127

0,127 < 1,977

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

|−6,255| > 1,977 𝑅𝑒𝑐ℎ𝑎𝑧𝑜 𝐻0

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

La variable mktval es el valor de mercado de la empresa, profmarg es la ganancia expresada

como porcentaje de las ventas, ceoten son los años como director general de la empresa y
comten son los años de antigüedad en la empresa del director general.
i) Analice el efecto de profmarg sobre el sueldo del director general.

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.

ii) ¿Tiene un efecto significativo el valor de mercado? Explique.

Para Ho: 𝛽
̂ 2=0

H1: 𝛽
̂ 2≠0

t(̂ 𝛽2): 0,0999 /.04899 t(̂ 𝛽2): 2,03919 V (̂

𝛽2): 0.0024

∝ 2 ⁄ = 0,025 𝑡(𝛼2, 𝑛 − 𝑘 − 1): 1,9741

𝑡̂( 𝛽2) › 𝑡(𝛼2, 𝑛 − 𝑘 − 1): 2,03919

Por lo tanto no se acepta Ho, entonces 𝛽

̂ 2, es estadísticamente significativo, 0,05 nivel de
significancia

∝ 2 ⁄ = 0,05 𝑡(𝛼2, 𝑛 − 𝑘 − 1): 1,6539

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

∝ /2 = 0,005 𝑡(𝛼2, 𝑛 − 𝑘 − 1): 2,6052

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

iii) Interprete los coeficientes de ceoten y de comten. ¿Son estas variables

explicativas estadísticamente significativas?
( 𝛽4): cuando aumenta un año de experiencia como director general, el sueldo aumenta en un
0,0171, con todo lo demás constante. ̂

( 𝛽5): cuando aumenta un año de antigüedad en la empresa, el sueldo disminuye en un 0,00923,

con todo lo demás constante.

Para Ho: 𝛽
̂ 4=0

H1: 𝛽
̂ 4≠0

t(̂ 𝛽4): 0,0171035/ 0,00553 𝑡(𝛼2, 𝑛 − 𝑘 − 1): 1,9741

𝑡̂( 𝛽4): 3,0928

𝑡̂( 𝛽4) › 𝑡(𝛼2, 𝑛 − 𝑘 − 1): 1,9741

Por lo tanto no se acepta Ho, entonces 𝛽

̂ 5, es estadísticamente significativo al 0,10 nivel de
significancia. Para

Ho: 𝛽
̂ 5=0

H1: 𝛽
̂ 5≠0

t(̂ 𝛽5): −0,0092377/ 0,00333 𝑡(𝛼2, 𝑛 − 𝑘 − 1): 1,9741

𝑡̂( 𝛽5): -2,7740

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?

ii) En términos de los parámetros, establezca la hipótesis nula de que un aumento

de 1% en los gastos de A es compensado por un aumento de 1% en los gastos
de B.

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

Test Statistic Value df Probability

F-statistic 9.951742 (2, 130) 0.0001

Chi-square 19.90348 2 0.0000

Null Hypothesis: C(2)=C(3)=0

Null Hypothesis Summary:

Normalized Restriction (= 0) Value Std. Err.

C(2) 0.004696 0.004010

C(3) 0.247524 0.090037

Restrictions are linear in coefficients.

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

+0,0144 (0,016) hrunsyr +0,0108 (0,0072) rbisyr n = 353,SSR = 183,186,R2 = 0,6278

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 =

0,6254 Ahora hrunsyr es muy significativa,βhrunsyr =0,0359 0,00724= 4,9586.y su taman˜o es

ahora m´as del doble.

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

+0,00053 (0,0011) bavg + 0,0232 (0,00864)hrunsyr+0,01739 (0,00506) runsyr

+0,001035 (0,002) fldperc −0,00642 (0,00518) sbasesyr n = 353 R2 = 0,6390bavg,

fldperc y sbasesyr no son significativos individualmente.

iii) En el modelo del inciso ii) pruebe la significancia conjunta de bavg, fldperc y
sbasesyr.

log( salary) = 11,5309 (0,11798)+0,06965 (0,01193) years +0,00865 (0,00259) gamsyr +

0,028(0,00746)hrunsyr +0,01405 (0,0039) runsyr,n = 353 R2 = 0,6368y el estad´ıstico F esF

=0,6390−0,6368 1−0,6390353−1−7 3= 0,70083

que no es significativa, no son significativas tampoco conjuntamente.

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

efecto sobre log(wage) que otro an˜o de antigu¨edad en el empleo actual.H0 : β2 = β3

ii) Al nivel de significancia de 5% pruebe la hipótesis nula del inciso i) contra la

alternativa de dos colas construyendo un intervalo de confianza del 95%.¿Qué es lo
que concluye usted?

Contrasta la hip´otesis nula de (a) en contra de una alternativa bilateral al nivel de significaci´on

del 5% mediante un intervalo de confianza al 95%. ¿Cu´al es tu conclusi´on? Para conseguir el

error est´andar de θ = β2 −β3 hay que estimar un modelo que incluya θ, sustituyendo β2 = θ +β3

log(wage) = β0 + β1educ+ θexper +β3 (tenure + exper)+ u.

3.11 La base de datos 401KSUBS.WF1 contiene información acerca de riqueza financiera

neta (nettfa), edad de la persona entrevistada (age), ingreso familiar anual (inc),
tamaño de la familia (fsize), y participación en ciertos planes de pensiones para
estadounidenses. Las variables riqueza e ingreso están dadas en miles de dólares.
Para esta ecuación, emplee solo los datos de hogares de una sola persona (es decir
fsize = 1).
i) ¿Cuántos hogares de una sola persona hay en esta base de datos?
Descriptive Statistics for FSIZE
Categorized by values of FSIZE
Date: 04/05/19 Time: 12:15
Sample: 1 9275
Included observations: 9275

FSIZE Mean Std. Dev. Obs.

1 1.000000 0.000000 2017
2 2.000000 0.000000 2199
3 3.000000 0.000000 1829
4 4.000000 0.000000 1990
5 5.000000 0.000000 816
6 6.000000 0.000000 268
7 7.000000 0.000000 95
8 8.000000 0.000000 38
9 9.000000 0.000000 7
10 10.00000 0.000000 7
11 11.00000 0.000000 3
12 12.00000 0.000000 4
13 13.00000 0.000000 2
All 2.885067 1.525835 9275
 ii) Use MCO para estimar el modelo
nettfa = β0 + β1 inc + β2 age + u,
y de los resultados empleando el formato habitual. Compruebe que solo utiliza los
hogares de una sola persona que hay en la muestra. Interprete los coeficientes de
pendiente. ¿Hay algo que sorprenda en las estimaciones de pendiente?
Dependent Variable: NETTFA
Method: Least Squares
Date: 04/05/19 Time: 12:43
Sample: 1 2017
Included observations: 2017

Variable Coefficient Std. Error t-Statistic Prob.

C -43.03981 4.080393 -10.54796 0.0000

INC 0.799317 0.059731 13.38200 0.0000
AGE 0.842656 0.092017 9.157631 0.0000

R-squared 0.119343 Mean dependent var 13.59498

Adjusted R-squared 0.118469 S.D. dependent var 47.59058
S.E. of regression 44.68275 Akaike info criterion 10.43854
Sum squared resid 4021048. Schwarz criterion 10.44688
Log likelihood -10524.27 Hannan-Quinn criter. 10.44160
F-statistic 136.4648 Durbin-Watson stat 1.975944
Prob(F-statistic) 0.000000

Respuesta : a mayor edad mayor riqueza.

iv) ¿Tiene algún significado interesante el intercepto en la regresión del inciso ii)?
Explique.
̂ = −43.04 + .799 inc + .843 age
𝑛𝑒𝑡𝑡𝑓𝑎
( 4.08) (.060) (.092)
n = 2,017, R2 = .119.

v) Encuentre el valor-p de la prueba H0: β2 = 1 contra H0: β2 < 1. ¿Rechaza usted

H0 al nivel de significancia de 1%?

El estadístico t es ≈ −1.71, el p-value es .044.

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.

el coeficiente de la pendiente de inc en una regresión simple es.821. La

correlación entre inc y age es .039.

Guías para las respuestas

3.1 a) y c)
3.2 i) H0: β3 = 0. H1: β3 > 0.
ii) 0.12, el efecto es del 1.2% ….
 iii) El valor crítico para el test de una cola usando gdl= ∞, es igual a 1.282 (Ver Tabla
G.2. de Wooldridge) El estadístico t en ros es .00024/.00054 ≈ .44, que es mucho
menor que su valor crítico. Entonces no rechazamos H0 a un nivel de significancia
del 10%.
iv) Basados en esta muestra, el coeficiente estimado ros parece ser diferente de cero
solo por una variación muestral. Por otro lado, incluir ros podría no estar causando
ningún daño; dependerá de que tan correlacionado se encuentre con las otras
variables independientes (además estas son muy significativas inclusive con ros en
la ecuación).
3.3 (i) Manteniendo profmarg fijo ˆrdintenŝ = .321, si %Δsales = 10,rdintensΔ ̂ ≈.032.
(ii) H0:1β = 0 vs H1: β1 > 0, El estadístico t es 1.486. El valor crítico al 5% para el
test de una cola con 29 gdl, obtenido de la tabla G.2 es 1.699; entonces no
rechazamos H0. Pero el valor crítico del 10% es 1.311; como el t estadístico es
mayor, rechazamos H0 a favor de H1 al nivel de 10%.
(iii) Su t estadístico es 1.087, que es menor inclusive al 10% del valor crítico.

3.4 (i) H0:3β = 0. H1:3β ≠ 0.

(iii) “un incremento del 10% en la población incrementa la renta por.66%.”
(iv) Con 60 gdl , el valor crítico al 1% para un test de dos colas es 2.660. El t estadístico
es 3.29, entonces ….
3.5 (i) .412 ± 1.96(.094), o .228 a .596.
(ii) .4 está dentro el 95% del IC.
(iii) 1 está fuera del 95% del IC.
3.6 (i) en las columnas (2) y (3), el coeficiente de profmarg es negativo, a pesar de que su t
estadístico es –1. El margen de ganancia no tiene efecto sobre los salarios de los
CEO.
(ii)La columna (3), controla la mayoría de los factores que afectan el salario. El
estadístico t en log(mktval) es 2.05, significante a un nivel del 5%. log(mktval) es
estadísticamente significativo porque el coeficiente es una elasticidad, un
aumento ceteris paribus del 10% en el valor del mercado prevé un aumento en el
salario del 1%.
(iii) Son individualmente significativas, tceoten ≈ 3.11 y tcomten –2.79. Otro año como
CEO en la compañía incrementará el salario por 1.71%. Por otro lado, un año con la
compañía pero no como CEO, reducirá el salario por .92%.

3.7 (i) Manteniendo otros factores fijos:

ΔVoteA= β1Δlog(expendA) ≈(β1 /100)(100 ⋅ Δlog(expendA)
≈(β1 /100)( %Δlog(expendA)
(ii) H0: β2 = –β1, o H0: β1+β2 = 0.
̂ = 45.08 + 6.083 log(expendA) – 6.615 log(expendB) + .152 prtystrA
(iii) 𝑣𝑜𝑡𝑒𝐴
(3.93) (0.382) (0.379) (.062)
n = 173, R2 = .793.
El coeficiente de log(expendA) es significativo (estadístico t ≈ 15.92), así como el
coeficiente de log(expendB) (estadístico t –17.45).
(iv) θ1 = β1 +β2, o β1 = θ1–β2 :
̂ = β0 + θ1 log(expendA) + β2 [log(expendB) – log(expendA)] +β3prtystrA + u,
𝑣𝑜𝑡𝑒𝐴
 𝜃̂1 ≈ –.532 y es(θ1)≈ .533. El estadístico t es –1. No rechazamos H0 :β2 ≈ –β1.

3.8 (i) log(salary) = β0+β1 LSAT +β2GPA + β3log(libvol) +β4log(cost)+ β5rank + u,

H0: β5 = 0.
log(salary)= 8.34 + .0047LSAT + .248 GPA + .095 log(libvol) + .038 log(cost) – .0033 rank
(0.53) (.0040) (.090) (.033) (.032) (.0003)
n = 136, R2 = .842.
(ii) LSAT (estadístico t ≈ 1.18) GPA (estadístico t 2.76). El test de sifnificancia conjunta es
nos brinda un estadístico F de 9.95 (con 2 y 130 gdl) y p-value ≈ .0001.
(iii) El test de significancia conjunta (con 2 y 131 – 8 = 123 gdl) F ≈ .95 y p-value .39.
Entonces ……..
̂
3.9 (i) 𝑙𝑜𝑔(𝑠𝑎𝑙𝑎𝑟𝑦) = 11.02 + .0677 years + .0158 gamesyr + .0014 bavg + .0359 hrunsyr
(0.27) (.0121) (.0016) (.0011) (.0072)
n = 353, R2 = .625.
̂
(ii) 𝑙𝑜𝑔(𝑠𝑎𝑙𝑎𝑟𝑦) = 10.41 + .0700 years + .0079 gamesyr + .00053 bavg + .0232 hrunsyr
(2.00) (.0120) (.0027) (.00110) (.0086)
+ .0174 runsyr + .0010 fldperc – .0064 sbasesyr
(.0051) (.0020) (.0052)
n = 353, R2 = .639.
(iii) Estadístico F (con 3 y 345 gdl) es .69 p-value= .56.

3.10 (i) log(wage) = β0 + β1educ + β2exper + β3tenure + u

H0: β2 = β3.
(ii) θ2 = β2 –β3. : log(wage) = β0 + β1educ + θ2exper + β3 (exper + tenure) + u
Para obtener el 95% IC para θ2: .0020 ± 1.96(.0047), o desde -.0072 a .0112. Como
cero está en este IC, θ2 no es estadísticamente diferente de cero, no rechazamos H0:
β2 = β3 al nivel de 5%.
3.11 (i) Existen 2,017 solteros (familias de una persona) en la muestra de 9,275.
̂ = −43.04 + .799 inc + .843 age
(ii) 𝑛𝑒𝑡𝑡𝑓𝑎
( 4.08) (.060) (.092)
n = 2,017, R2 = .119.
(iv) El estadístico t es ≈ −1.71, el p-value es .044.
(v) el coeficiente de la pendiente de inc en una regresión simple es.821. La correlación
entre inc y age es .039.