Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
4.1 En el modelo de regresión simple bajo RLM.1 a RLM.4, se argumentó que el estimador
de pendiente, 𝛽̂1, es consistente para β1. Empleando 𝛽̂0 = 𝑦̅ - 𝛽̂1𝑥̅1, muestre que 𝛽̂0 = β0.
[Es necesario emplear la consistencia de 𝛽̂1 y la ley de los grandes números, junto con
el hecho de que β0 = E(y) - β1E(x1).]
R.Y=BO + B1X1 +U
E(r)= E(BO + B1X1 +U)
E (y) = BO + EB1X1 +EU
La esperanza de una constante siempre será igual al consante de una esperanza en que :
BO = B1 E(X1) +E(X)
BO =E(Y) - + B1(UX)
BO = UY-B1 UX
R.Las propiedades plím se pueden observar en el apéndice C de Wooldridge.
Partimos de y = β0 + β1x1 + u, luego aplicamos esperanza, plim y la ley de los grandes
números para concluir que plim(β ̂1)= β1
plim B1+b2δ
Donde vemos q´ δ>0
4.3 La base de datos SMOKE.WF1 contiene información sobre la conducta como fumadores
y otras variables de los adultos solteros estadounidenses en una muestra aleatoria. La
variable cigs es la cantidad (promedio) de cigarros fumados por día. ¿Piensa que la
variable cigs tiene una distribución normal en la población de estadounidenses adultos?
Explique.
E J E R C I C I O S E N COM P U TADOR A
4.4 Para este ejercicio emplee los datos del archivo WAGE1.WF1.
120
Series: RESIDUOS
Sample 1 526
100
Observations 526
80 Mean 2.89e-15
Median -0.627936
Maximum 14.65360
60
Minimum -7.606771
Std. Dev. 3.075650
40 Skewness 1.554802
Kurtosis 7.474931
20
Jarque-Bera 650.8075
Probability 0.000000
0
-8 -6 -4 -2 0 2 4 6 8 10 12 14
50 Mean 1.84e-
16
40 Median -
0.032645
Maximum
30 1.428092
Minimum -
20 2.058016
Std. Dev.
10 0.439601
Skewness
0.021232
0 -2.0 -1.5 -1.0 -0.5 0.0 Kurtosis 0.5 1.0
1.5 3.976571
Jarque-Bera
20.94123
Probability
ii) ¿Diría usted que el supuesto RLM.6 está más cerca de ser satisfecho 0.000028
4.5 Para este ejercicio emplee los datos del archivo GPA2.WF1.
Prob.
Prob(F-statistic) 0.000000
ii)Empleando las primeras 2,070 observaciones estime de nuevo la ecuación del inciso
(i)¿Cuál parece tener una distribución más normal?
Variable
Coefficient Std.
C Error Prob.
t-
HSPERC - Statistic
SAT
1.436017 0.0000
0.097782 14.68592
0.012749 -17.74392 0.0000
0.000719
0.001468 8.86E- 16.57771 0.0000
05
R. Donde es más probable utilizar n=4137 tiende a tener una distribución normal
4.6 Existen varios estadísticos que son comúnmente empleados para detectar la falta de
normalidad en las distribuciones poblacionales subyacentes. Aquí se estudiara uno de
estos estadísticos que mide el sesgo de una distribución. Recuerde que todas las
variables aleatorias distribuidas normalmente son simétricas respecto a su media; por
tanto, si una variable aleatoria distribuida de manera simétrica se estandariza, por
ejemplo z = (y - μy)/σy, donde μy = E(y) y σy= de(y), entonces z tiene media cero, varianza
uno y E(z3) = 0. Dada una muestra de datos {yi : i = 1, ..., n}, los valores yi en la muestra
pueden estandarizarse mediante zi = (yi - 𝜇̂y)/ 𝜎̂y, donde 𝜇̂y es la media muestral 𝜎̂y es la
desviación estándar muestral. (Se ignora el hecho de que estas sean estimaciones
basadas en la muestra.) Un estadístico muestral que mide la asimetría es n ,o
aquel en el que en lugar de n se emplea (n - 1) como ajuste para los grados de libertad.
Si y tiene una distribución normal en la población, la asimetría medida en los valores
estandarizados de la muestra no debe ser significativamente diferente de cero.
.
iv) Si en el contexto de la regresión interesa el supuesto de normalidad, ¿se deben
evaluar las distribuciones no condicionales de y y de log(y)? Explique