Práctica Nº 4

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

4.2 Suponga que el modelo

pctstck = β0 + β1 funds + β2risktol + u
satisface los primeros cuatro supuestos de Gauss-Markov, donde pctstck es el
porcentaje de la pensión de un trabajador invertida en el mercado de valores, funds de
la cantidad de fondos mutualistas de donde el trabajador puede elegir y risktol es una
medida de la tolerancia al riesgo (risktol grande significa que la persona tiene una alta
tolerancia al riesgo). Si funds y risktol están correlacionadas positivamente, ¿cuál es la
inconsistencia en 𝛽̂1, el coeficiente de pendiente en la regresión simple de pctstck sobre
funds?
R. pctstck = β0 + β1 funds + β2risktol + u
U= B2 risktol V

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.

Código :R848-6 Wilfredo Condori Mamani

 Asimétrica

R. si la muestra aumenta si y solo si esta variable es consistente

Que no tiene una distribucion normal donde plim𝜷 = B

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

i) Repita el inciso i), pero empleando como variable dependiente log(wage).

70
Series: U2
Sample 1 526
60 Observations 526

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

en el modelo nivel o en el modelo log-nivel?

R.- en el segundo cuadro con la media 1.84e-16porque tiene mas característica que
una normal

4.5 Para este ejercicio emplee los datos del archivo GPA2.WF1.

i) Empleando las 4,137 observaciones estime la ecuación colgpa = β0 + β1hsperc + β2sat

+ u y de los resultados en la forma estándar.

Prob.

Código :R848-6 Wilfredo Condori Mamani

 Dependent Variable: COLGPA
}
Method: Least Squares
Date: 04/01/16 Time: 04:59
Sample: 1 4137
Included observations: 4137

Variable Coefficient Std. Error t-Statistic

C 1.391757 0.071542 19.45358 0.0000

HSPERC -0.013519 0.000549 -24.60430 0.0000
SAT 0.001476 6.53E-05 22.60421 0.0000

R-squared 0.273441 Mean dependent var

Adjusted R-squared 0.273090 S.D. dependent var 2.652686
S.E. of regression 0.561546 Akaike info criterion 0.658635
Sum squared resid 1303.589 Schwarz criterion 1.684478
1.689066
Log likelihood -3481.342 Hannan-Quinn criter. 1.686101

F-statistic 777.9170 Durbin-Watson stat 1.873071

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?

Dependent Variable: COLGPA

Method: Least SquaresDate: 04/01/16 Time: 05:02
Sample: 1 2070 Included observations: 2070

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

Mean dependent var 2.693121

R-squared 0.282736 S.D. dependent var 0.636707
Adjusted R-squared 0.282042 Akaike info criterion 1.605090
S.E. of regression 0.59497 Schwarz criterion 1.613257
Sum squared resid 601.6153 Hannan-Quinn criter. 1.608084
Log likelihood -1658.268 Durbin-Watson stat 1.931342
F-statistic 407.3918
Prob(F-statistic) 0.000000

Código :R848-6 Wilfredo Condori Mamani

 iii) Determine el cociente de los errores estándar obtenidos en los incisos i)y ii) para
hsperc.

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.

i) Emplee primero la base de datos 401KSUBS.WF1. Determine la asimetría de inc. Haga

lo mismo con log(inc). ¿Que variable tiene más asimetría y, por tanto, parece ser
menos probable que este distribuida normalmente?

R. esta determina a ser asimétrica

ii) A continuación emplee BWGHT2.WF1. Determine la asimetría de bwght y de

log(bwght). ¿Qué concluye?

Código :R848-6 Wilfredo Condori Mamani

 iii) Evalúe la afirmación siguiente: “La transformación logarítmica siempre hace que
una variable positiva parezca estar distribuida más normalmente”

R. Una transformación logaritmo hace que esta distribución sea asimetría

.
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

Código :R848-6 Wilfredo Condori Mamani