Ejercicios del Captulo 17

Josu Barahona y Jeerson Chirn

19 de enero de 2017

PROBLEMAS
C17.1 Use los datos en PNTSPRD.RAW para este ejercicio.
i) La variable favwin es una variable binaria si el equipo favorecido
por la diferencia de puntos (spread) predicha por Las Vegas gana. Un
modelo de probabilidad lineal para estimar si el equipo favorecido
gana es
P (f avwin = 1 | spread) = 0 + 1 spread

Explique por qu, si la diferencia de puntos (spread) incorpora

toda la informacin relevante, se espera 0 = 5.
Si la diferencia de puntos (spread) cuenta con toda la informacin relevante,
quiere decir que esta variable es cero y no habra favoritos, entonces la proba-
bilidad esperada de que gane sera nicamente 0.5 y es por lo tanto se esperar
que el intercepto sea 0.5.
ii) Estime el modelo de la parte i) mediante MCO. Pruebe H0 :
0 = 5 frente a una alternativa de dos colas. Use los errores estndar
usuales y los robustos a la heterocedasticidad.
library(foreign)
deber17.1=read.dta("http://fmwww.bc.edu/ec-p/data/wooldridge/pntsprd.dta")
attach(deber17.1)
modelo17.1=lm(favwin~spread)
modelo17.1
summary(modelo17.1)
library(xtable)
xtable(modelo17.1)
Call:
lm(formula = favwin ~ spread)
1
 Residuals:
Min 1Q Median 3Q Max
-0.9836 -0.1192 0.1519 0.3069 0.4037
Coecients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.576949 0.028235 20.434 < 2e-16 ***
spread 0.019366 0.002339 8.281 9.32e-16 ***

Signif. codes:
0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
Residual standard error: 0.4017 on 551 degrees of freedom
Multiple R-squared: 0.1107, Adjusted R-squared: 0.1091
F-statistic: 68.57 on 1 and 551 DF, p-value: 9.324e-1
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.5769 0.0282 20.43 0.0000
spread 0.0194 0.0023 8.28 0.0000
H0 : 0 = 0, 5
Ha : 0 = 0, 5
t = (0.576 0.5)/0.028235 = 2, 6917

La tabla t student muestra el estadstico gl=551 a un nivel de signicancia

del 5%. Posee un valor de 1,96.
Con estos resultados se procede a rechazar la Ho con un nivel de signicancia
del 5% y se concluye que no es igual a 0,5.
0

iii) La variable spread es estadsticamente signicativa? Cul

es la probabilidad estimadas de que el equipo favorito gane cuando
spread = 10
H0 : 1 = 0
Ha : 1 = 0
t = 0, 01936/0, 002339 = 8, 277

La tabla t student muestra el estadstico gl=551 a un nivel de signicancia

del 5%. Posee un valor de 1,96.
Con estos resultados se procede a rechazar la Ho y se concluye que spread
es signicativa a un nivel del 5% de signicancia.
La probabilidad estimada de que el equipo favorito gane cuando spread=10
es:
P rob = 0, 576 + (10 0, 01936) = 0, 7696
Por lo tanto la probabilidad de que el equipo favorito gane es 76,96%.
2
 iv) Ahora estime un modelo probit para P (f avwin = 1|spread). In-
terprete y pruebe la hiptesis nula de que el intercepto es cero.
Call:
glm(formula = favwin ~ spread, family = binomial(link = "logit"))
Deviance Residuals:
Min 1Q Median 3Q Max
-2.6042 0.1487 0.4554 0.8232 1.1386
Coecients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -0.07116 0.17322 -0.411 0.681
spread 0.16323 0.02256 7.236 4.61e-13 ***

Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 605.5 on 552 degrees of freedom
Residual deviance: 527.8 on 551 degrees of freedom
AIC: 531.8
Estimate Std. Error z value Pr(>|z|)
(Intercept) -0.0712 0.1732 -0.41 0.6812
spread 0.1632 0.0226 7.24 0.0000

H0 : 0 = 0
Ha : 0 6= 0
t = (0, 07116)/0, 17322 = 0, 41

La tabla t student muestra el estadstico gl=551 a un nivel de signicancia

del 5%. Posee un valor de 1,96.
Aqu se rechaza la hiptesis nula.
v) Use el modelo probit para estimar la probabilidad de que el
equipo favorito gane cuando spread = 10. Compare esto con la esti-
macin del MPL de la parte iii).
La probabilidad estimada de que el equipo favorito gane cuando spread=10
es:
P rob = 0, 071 + (10 0, 16) = 1, 529
Por lo tanto la probabilidad de que el equipo favorito gane es ms del 100%,
lo cual diere notablemente de la probabilidad estimada en el literal iii.

3
 vi) Agregue las variables favhome, fav25 y und25 al modelo pro-
bit y pruebe la signicancia conjunta de estas variables mediante la
prueba de razn de verosimilitudes. (Cuntos gl hay en la distribu-
cin ji-cuadrada?) Interprete este resultado enfocndose en la pre-
gunta de si la diferencia de puntos incorpora toda la informacin
observable antes de un juego.
Call:
glm(formula = favwin ~ spread + fav25 + favhome + und25, family =
binomial(link = "logit"))
Deviance Residuals:
Min 1Q Median 3Q Max
-2.6223 0.1502 0.4592 0.8058 1.2230
Coecients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -0.16342 0.21698 -0.753 0.451
spread 0.15477 0.02367 6.538 6.22e-11 ***
fav25 0.04827 0.27617 0.175 0.861
favhome 0.27047 0.23146 1.169 0.243
und25 -0.36849 0.41501 -0.888 0.375

Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 605.50 on 552 degrees of freedom
Residual deviance: 525.89 on 548 degrees of freedom
AIC: 535.89
with(modelo17lv,null,deviance-deviance)
[1] 79.60808
with(modelo17lv,pchisq(null,deviance-deviance,df.null-df.residual))
[1] 1
1-with(modelo17lv,pchisq(null,deviance-deviance,df.null-df.residual))
[1] 2.220446e-16
La mejora del modelo fue de 79,61 al aumentar las variables fav25, favhome
y und25. El modelo es signicativo.
Hiptesis nula ambos coecentes son 0
Hiptesis alternativa: Al menos uno de los 2 debe ser diferente de cero.
Se rechaza Ho, por lo tanto las variables son signicativas.
C17.2 Use los datos en LOANAPP.RAW para este ejercicio; vea tam-
bin el ejercicio en computadora C7.8.

4
 i) Estime un modelo probit de approve sobre white. Encuentre
la probabilidad de que se apruebe un prstamo tanto para blancos
como para no blancos. Cmo se compara esto con las estimaciones
de probabilidad lineal?

Estimate Std. Error z value Pr(>|z|)

(Intercept) 0.5469 0.0754 7.25 0.0000
white 0.7839 0.0867 9.04 0.0000

Null deviance: 1480.7 on 1988 degrees of freedom

Residual deviance: 1401.8 on 1987 degrees of freedom
AIC: 1405.8
Number of Fisher Scoring iterations: 4
Con valores ajustados del modelo podemos ver que la gente blanca tiene
0.908 probabilidades de obtener de un crdito, mientras la gente que no es
blanca tiene una probabilidad de 0.708 de aceptacin.
ii) Ahora agregue las variables hrat, obrat, loanprc, unem, male,
married, dep, sch, cosign, chist, pubrec, mortlat1, mortlat2 y vr al
modelo probit. Hay alguna evidencia estadsticamente signicativa
de discriminacin contra los no blancos?

Estimate Std. Error z value Pr(>|z|)

(Intercept) 2.0623 0.3163 6.52 0.0000
white 0.5203 0.0969 5.37 0.0000
hrat 0.0079 0.0070 1.12 0.2623
obrat -0.0277 0.0061 -4.50 0.0000
loanprc -1.0120 0.2403 -4.21 0.0000
unem -0.0367 0.0177 -2.07 0.0380
male -0.0370 0.1099 -0.34 0.7363
married 0.2657 0.0947 2.81 0.0050
dep -0.0496 0.0391 -1.27 0.2044
sch 0.0146 0.0954 0.15 0.8780
cosign 0.0861 0.2409 0.36 0.7209
chist 0.5853 0.0956 6.12 0.0000
pubrec -0.7787 0.1270 -6.13 0.0000
mortlat1 -0.1876 0.2572 -0.73 0.4656
mortlat2 -0.4944 0.3259 -1.52 0.1293
vr -0.2011 0.0815 -2.47 0.0136

5
 Aadiendo todas estas varibales podemos ver que si existe una fuerte discrim-
inacin contra los no blancos. Los blancos tienen ms del 50% de probabilidades
de ser aceptado.
iii) Estime el modelo de la parte ii) mediante logit. Compare el
coeciente de white respecto a la estimacin probit.

Estimate Std. Error z value Pr(>|z|)

(Intercept) 3.8017 0.5947 6.39 0.0000
white 0.9378 0.1729 5.42 0.0000
hrat 0.0133 0.0129 1.03 0.3031
obrat -0.0530 0.0113 -4.70 0.0000
loanprc -1.9050 0.4604 -4.14 0.0000
unem -0.0666 0.0328 -2.03 0.0424
male -0.0664 0.2064 -0.32 0.7478
married 0.5033 0.1780 2.83 0.0047
dep -0.0907 0.0733 -1.24 0.2160
sch 0.0412 0.1784 0.23 0.8172
cosign 0.1321 0.4461 0.30 0.7672
chist 1.0666 0.1712 6.23 0.0000
pubrec -1.3407 0.2174 -6.17 0.0000
mortlat1 -0.3099 0.4635 -0.67 0.5038
mortlat2 -0.8947 0.5686 -1.57 0.1156
vr -0.3498 0.1537 -2.28 0.0229
Usando logit en vez de probit en el modelo el coeciente de whites sube a
0.937
C17.3 Use los datos en FRINGE.RAW para este ejercicio.
library(foreign)
deber17.3=read.dta("http://fmwww.bc.edu/ec-p/data/wooldridge/fringe.dta")
attach(deber17.3)
i) Para qu porcentaje de trabajadores en la muestra pension es
igual a cero? Cul es el rango de pension para trabajadores con
benecios de pensin no iguales a cero? Por qu un modelo Tobit
es apropiado para modelar pension?
Porcentaje para el cual la pensin es 0.
porc0 = (table(pension)[1])/616 100
27.92208
6
 172 trabajadores no reciben pensin, los trabajadores que si reciben pensin
van en el rango comprendido desde los 7.28 hasta 2880.27.
Rango de pensiones de las otras personas:
0.00 2880.27
range(pension)

El rango de pensiones de las personas que s reciben la pensin es de 7,28 a

2880.27.
La probabilidad de que los hombres y los blancos tengan pensiones ms altas
son muy probables de que sucedan.