Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Econometría I
COM – 05223
Práctica Nº 2
Donde, colgpa es el promedio de calificaciones que se mide sobre una escala de cuatro
puntos, hsperc es el percentil en la clase de bachillerato que se gradua (definida de
manera que, por ejemplo, hsperc = 5 significa el 5% superior de la clase), y sat son los
puntajes combinados en matematicas y habilidades verbales en la prueba de logro de los
alumnos.
i) ¿Por qué es lógico que el coeficiente en hsperc sea negativo?
hsperc está definido de tal forma que cuanto menor es, menor será la estadía de los
estudiantes en secundaria. Manteniendo todo lo demás igual cuando peor será la estadía
de los estudiantes en secundaria, menor será su GPA esperado.
iv) Manteniendo hsperc constante, ¿que diferencia en las puntuaciones SAT conduce a
una diferencia estimada colgpa de .50, o medio punto de puntuacion? Comente su
respuesta.
0.5 = 1.392 + 0.00148sat
0.5 – 1.392 = 0.00148sat
-0.892/0.00148 = sat
602.70 = -sat
Manteniendo hsperc constante con una diferencia de 602.70 en sat conduce a una
diferencia estimada de medio punto en colgpa.
KENEDY PAZ FARFAN
INGENIERIA COMERCIAL
5TO SEMESTRE
AÑO 2018
2.3 El siguiente modelo es una version simplificada del modelo de regresión múltiple
utilizado por Biddle y Hamermesh (1990) para estudiar el intercambio entre tiempo
dedicado al sueño y dedicado al trabajo, asi como ver otros factores que afectan el sueño:
sleep = β0 + β1totwrk + β2educ + β3age + u,
donde sleep y totwrk (trabajo total) se miden en minutos por semana y educ y age se
miden en años.
i) Si los adultos intercambian sueño por trabajo, ¿cuál es el signo de β1?
Si una persona trabaja cinco horas más a la semana, ¿cuántos minutos se predice que
disminuya sleep? ¿Es este un intercambio grande?
Sleep = 0.148*300
Sleep = 44.4 minutos
ii) Explique por qué este modelo viola el supuesto de variable independiente constante y
colinealidad perfecta entre variables explicativas.
Porque todas la variables están dependiendo una de otras por el tiempo estimado y
máximo para las cuatro actividades.
iii) ¿Cómo podría reformular el modelo para que sus parámetros tuvieran una
interpretación útil y se satisfaga el supuesto anterior?
2.7 ¿Qué de lo siguiente puede causar que los estimadores MCO sean sesgados?
i) La heterocedasticidad.
2.9 La siguiente ecuación describe la media del precio de la vivienda en una comunidad
en términos de cantidad de contaminación (nox por oxido nitroso) y del número
promedio de habitaciones en las casas de la comunidad (rooms):
log(price) = β0 + β1log(nox) + β2rooms + u.
i) ¿Cuales son los signos probables de β1 y β2? ¿Cuál es la interpretación de β1? Explique.
B1 es Negativo porque tiene que disminuir la contaminación
B2 es positivo porque aumenta las casas de la comunidad
ii) ¿Por qué podría nox [o con mas precisión, log(nox)] y rooms estar correlacionados de
manera negativa? Si es este el caso, ¿produce la regresión simple de log(price) sobre
log(nox) un estimador de β1 con sesgo hacia arriba o hacia abajo?
porque al disminuir la contaminación de una comunidad aumenta la las casas
en la misma comunidad.
¿Las estimaciones de la elasticidad de price con respecto a nox de las regresiones simple y
múltiple tienen la relación de lo que usted hubiera predicho, dada su respuesta en el
inciso ii)? ¿Quiere esto decir que -.718 está en definitiva más cerca de la verdadera
elasticidad que -.043?
EJERCICIOS EN COMPUTADORA
2.11 Un problema de interes para los funcionarios de salud (y para otros) es determinar
los efectos que el fumar durante el embarazo tiene sobre la salud infantil. Una medida de
la salud infantil es el peso al nacer; un peso demasiado bajo puede ubicar al niño en
riesgo de contraer varias enfermedades. Ya que es probable que otros factores que
afectan el peso al nacer esten correlacionados con fumar, deben considerarse. Por
ejemplo, un nivel de ingresos más alto en general da como resultado el acceso a mejores
cuidados prenatales y a una mejor nutricion de la madre.
Una ecuacion que reconoce estos factores es:
ii) ¿Cree que cigs y faminc esten correlacionados? Explique por que la correlacion puede
ser positiva o negativa.
Por un lado, un cumento en el ingreso genrealmente aumenta el cunsumo de un bien, y
cigs y faminc podrían estar positivamente correlacionados. Por otro lado, los ingresos de
las familias son mayores también para las familias con mayor educación, y más eduación y
consumo de cigarrillos tienden a estar negativamente corelacionados. La correlación
muestral entre cigs y faminc es −.173, indicando correlación negativa.
iii) Ahora, calcule la ecuacion con y sin faminc utilizando los datos del archivo BWGHT.
WF1. De los resultados en forma de ecuacion incluyendo el tamano de la muestra y la
Rcuadrada. Explique sus resultados enfocandose en si el anadir faminc modifica de
manera sustancial el efecto esperado de cigs sobre bwght.
Dependent Variable: BWGHT
Method: Least Squares
Date: 03/14/16 Time: 00:14
Sample: 1 1388
Included observations: 1388
2.13 El archivo CEOSAL2.WF1 contiene datos de 177 CEO (directores generales) y puede
utilizarse para examinar los efectos del desempeño de la empresa sobre el sueldo de los
CEO.
i) Estime un modelo que relacione el sueldo anual (salary) con las ventas de la empresa
(sales) y el precio de mercado (mktval). Use el tipo de modelo que tiene elasticidad
constante para ambas variables independientes. Escriba los resultados en forma de
ecuación.
Dependent Variable: LOG(SALARY)
Method: Least Squares
Date: 03/14/16 Time: 00:49
Sample: 1 177
Included observations: 177
ii) Añada profits (utilidades de la empresa) al modelo del inciso (i). ¿Por qué esta variable
no puede incluirse en forma logarítmica? ¿Diría usted que estas variables de desempeño
de la empresa explican la mayor parte de la variación en sueldos de los CEO?
Dependent Variable: LOG(SALARY)
Method: Least Squares
Date: 03/14/16 Time: 00:54
Sample: 1 177
Included observations: 177
iii) Añada la variable ceoten (antigüedad del CEO en el puesto) al modelo del inciso (ii).
¿Cuál es el rendimiento porcentual estimado por un año más de permanencia del CEO en
la empresa, manteniendo constantes los otros factores?
Dependent Variable: LOG(SALARY)
Method: Least Squares
Date: 03/14/16 Time: 00:53
Sample: 1 177
Included observations: 177
2.17 Utilice los datos del archivo MEAP93.WF1 para responder esta pregunta.
Dependent Variable: MATH10
Method: Least Squares
Date: 03/14/16 Time: 01:36
Sample: 1 408
Included observations: 408
i) Estime el modelo:
ii) ¿Qué piensa del intercepto estimado en el inciso i)? en particular, ¿tiene sentido
igualar a cero las dos variables explicativas? [Sugerencia: recuerde que log(1)=0.]
iii) Ahora corra la regresión simple de math10 sobre log(expend) y compare el coeficiente
de pendiente con la estimación obtenida en el inciso i). ¿Es ahora el efecto estimado de
los gastos por estudiante mayor o menor que en el inciso i)?
iv) Determine la correlación entre lexpend = log(expend) y lnchprg. ¿Le parece razonable
el signo?
v) Use el inciso iv) para explicar sus hallazgos del inciso iii).
2.19 Use los datos del archivo CHARITY.WF1 para responder a las preguntas siguientes:
i) Estime la ecuación
2.14 (i)