CAPITULO 15 EJERCICIOS TEORICOS

15.1 CONSIDERE UN MODELO SIMPLE PARA ESTIMAR EL EFECTO DE LA POSESION DE UNA COMPUTADORA PERSONAL (PC) EN EL PROMEDIO DE CALIFICACIONES (GPA) PARA LOS ALUMNOS DEL ULTIMO AO DE LA CARRERA EN UNA UNIVERSIDAD PUBLICA GRANDE: GPA = 0 + PC + DONDE PC ES UNA VARIABLE BINARIA QUE INDICA LA POSESION DE UNA PC. i. POR QUE LA POSESION DE UNA PC PODRIA ESTAR CORRELACIONADA CON ?

La posesin de una computadora personal (PC) puede adoptar 2 valores1 y 2. PC y u pueden estar correlacionados si se tendra informacin adicional lo cual brindara una nueva variable para satisfacer ciertas propiedades pero recordando que en el mtodo de vi funciona estn o no correlacionadas PC y u. ii. EXPLIQUE POR QUE ES PROBABLE QUE PC ESTE RELACIONADA CON EL INGRESO ANUAL DE LOS PADRES. ESTO SIGNIFICA QUE EL INGRESO DE LOS PADRES ES UNA BUENA VI PARA PC? POR QUE?

Porque a medida que el ingreso anual de los padres sea mayor se puede acceder a la posesin de una computadora .el ingreso anual de los padres es una buena variable instrumental para PC por que esta se encuentra relacionada positivamente con la variable explicativa PC. iii. SUPONGA QUE , HACE 4 AOS , LA UNIVERSIDAD OTORGO SUBSIDIOS PARA COMPRAR COMPUTADORAS PARA CASI LA MITAD DE LOS ESTUDIANTES DE NUEVO INGRESO , Y ELIGIO DE MANERA ALEATORIA A QUIENES LOS RECIBIERON .EXPLIQUE DE MANERA DETALLADA COMO SE USARIA ESTA INFORMACION PARA CONSTRUIR UNA VARIABLE INSTRUMENTAL PARA PC .

Para esto tiene que cumplir 2 supuestos: - El subsidio no est correlacionado con u es decir: cov (subsidio, u)=0 - El subsidio tiene que estar correlacionado con PC, es decir: cov (subsidio, PC) 0 Si se cumplen ambos supuestos entonces el subsidio sera una buena variable instrumental para PC.

15.3 CONSIDERE EL MODELO DE REGRESION SIMPLE Y = 0 + 1X + Y SEA Z UNA VARIABLE INSTRUMENTAL BIANRIA PARA X. USE (15.10) PARA MOSTRAR QUE EL ESTIMADOR DE VI1 SE PUEDE ESCRIBIR COMO 1 = (Y1 Y0) (X1 X0) DONDE Y0 Y X0 SON LOS PROMEDIOS MUESTRALES DE Y1 Y X1 SOBRE LA PARTE DE LA MUESTRA CON Zi = 0 , Y DONDE Y1 Y X1 SON LOS PROMEDIOS MUESTRALES DE Y1 Y X1 SOBRE LA PARTE DE LA MUESTRA CON Zi =1 . WALD (1940) FUE EL PRIMERO EN SUGERIR ESTE ESTIMADOR, CONOCIDO COMO ESTIMADOR DE AGRUPACION. No se puede porque nos pide ejercicios del captulo 6 y no lo hemos desarrollado 15.4 SUPONGA QUE PARA UN ESTADO DETERMINADO EN ESTADOS UNIDOS, SE DESEA UTILIZAR DATOS DE SERIES DE TIEMPO ANUALES PARA ESTIMAR EL EFECTO DEL SALARIO MINIMO, A NIVEL ESTATAL, SOBRE EL EMPLEO LAS PERSONAS ENTRE 18 Y 25 AOS DE EDAD (EMP). UN MODELO SIMPLE ES: gEMPt = 0 + 1 gMINt + 2 gPOPt + 3gGSPt +4gGDPt + ut DONDE MIN, ES EL SALARIO MINIMO, EN DLARES REALES, POPt ES LA POBLACIN DE 18 A 25 AOS DE EDAD, GSPt ES EL PRODUCTO BRUTO DEL ESTADO Y GDPt ES EL PRODUCTO BRUTO INTERNO ESTADOUNIDENSE. EL PREFIJO g INDICA LA TASA DE CRECIMIENTO DEL AO t-1 al ao t, LA CUAL POR LO GENERAL SE APROXIMA MEDIANTE LA DIFERENCIA EN LOS LOGARITMOS. a) SI ES DE PREOCUPAR QUE EL ESTADO ELIJA SU SALARIO MINIMO CON BASE, EN PARTE, EN FACTORES INOBSERVABLES (PARA NOSOTROS) QUE AFECTAN EL EMPLEO JUVENIL, CUAL ES EL PROBLEMA CON LA ESTIMACION DE MCO? El problema con la estimacin de MCO es que se produce el problema de la ENDOGENEIDAD debido a los factores inobservables que surgen en la ecuacin. b) SEA USMINt EL SALARIO MINIMO ESTADOUNIDENSE, QUE TAMBIEN SE MIDE EN TERMINOS REALES, CONSIDERA QUE gUSMINt NO ESTA CORRELACIONADA CON ? Si gUSMINt no est correlacionada con se puede estimar mediante el mtodo VI.

c) POR LEY , EL SALARIO MINIMO DE CUALQUIER ESTADO DEBE SER AL MENOS EL MONTO DEL MINIMO ESTADOUNIDENSE .EXPLIQUE POR QUE ESTO HACE QUE gUSMINt SEA UN CANDIDATO POTENCIAL COMO VI PARA gMINt. Esta variable es un candidato potencial para ser una VI si cumple 2 requisitos: Cov(x,u)0 Cov (z, u)=0 Es decir que la covarianza entre gMINt y el trmino error no debe de existir. 15.5 REFIERASE A LAS ECUACIONES (15.19) Y (15.20). SUPONGA QUE u = x DE MANERA QUE LA VARIACION POBLACIONAL EN EL TERMINO DEL ERROR SEA LA MISMA QUE EN X. SUPONGA QUE LA VARIABLE INSTRUMENTAL, Z, ESTA LIGERAMENTE CORRELACIONADA CON u: CORR (z, u)=.1. SUPONGA TAMBIEN QUE Z y X TIENEN UNA CORRELACION UN POCO MAS FUERTE: CORR (z, x) = .2. a) CUAL ES EL SESGO ASINTOTICO EN EL ESTIMADOR DE VI? Plim 1MCO = 1 + corr(x, u). u / x Plim 1MCO = 1 + corr(x, u). Las direcciones de los sesgos asintticos son diferentes para VI y MCO , en este ejemplo corr(x,u)>0, corr(z,x)>0 y que la corr(z,u)>0 , entonces el estimador de VI tiene un sesgo hacia arriba , mientras que el estimador de MCO tiene un sesgo hacia abajo . b) CUNTA CORRELACION TENDRIA QUE EXISTIR ENTRE X y U ANTES DE QUE MCO TUVIERA MAS SESGO ASINTOTICO QUE MC2E? Suponiendo que x y z estn positivamente correlacionados con u y que corr(z,x)>0 , entonces el sesgo asinttico en el estimador de VI es menor que el de MCO solo si corr(z,u)/corr(z,x)corr(x,u). si corr(z,x) es pequea entonces una correlacion en apariencia pequea entre z y u puede aumentarse para hacer que VI sea peor que MCO aun si la atencin se fija solo en el sesgo.

15.6 I) EN EL MODELO CON UNA VARIABLE EXPLICATIVA ENDGENA Y UNA VARIABLE EXPLICATIVA EXGENA Y UNA VARIABLE EXGENA ADICIONAL , TOME LA FORMA REDUCIDA PARA Y2 , E INSRTELA EN LA ECUACIN ESTRUCTURAL (15.22) ESO DA LA FORMA R EDUCIDA DE Y1 : Y1 = 0 +1Z +2Z2 +V1 CALCULE LAS J LOS TRMINOS DE LAS J Y LAS J II)CALCULE EL ERROR DE LA FORMA REDUCIDA V1 EN LOS TRMINOS DE U1 Y V2 Y LOS PARMETROS

III)COMO SE ESTIMARAN CONSISTENTEMENE LAS AJ?

15.7 EL SIGUIENTE ES UN MODELO SIMPLE PARA MEDIR EL EFECTO DE UN PROGRAMA DE ELECCIN ESCOLAR SOBRE EL DESEMPEO EN UN EXAMEN ESTANDARIZADO SCORE =0 +1CHOICE +2 FAMINE +U1 DONDE ESCORE ES LA PUNTUACIN EN UN EXAMEN A NIVEL ESTATAL, CHOICE ES UNA VARIABLE BINARIA QUE INDICA QUE UN ESTUDIANTE ASISTI A LA ESCUELA DE SU ELECCIN EL AO PASADO Y FAMINE ES EL INGRESO FAMILIAR . LA VI PARA CHOICE ES GRANTT LA CANTIDAD DE DLARES OTORGADA A LOS ESUDIANTES PARA MATRICULARSE EN LAS ESCULAS DE SU ELECCIN . LA CANTIDAD DE LA BECA DIFERA SEGN EWL NIVEL DEL INGRESO FAMILIAR RAZN POR LA QUE SE CONTROLA FAMINE EN LA ECUACIN I) AUN CON FAMINE EN LA ECUACIN POR QU CHOICE ESTARA CORRELACIONADA CON U1? Se supone que famine es una variable exgeno se sabe que si se estima por MCO todos los estimadores sern sesgados e inconsistentes dado que famine por si misma aparece como variable explicativa no puede servir como variable instrumental para choice por lo tanto choice no estn correlacionadas con u1 II) SI DENTRO DE CADA CLASE DE INGRESO , LOS MONTOS DE LAS BECAS SE ASIGNA DE MANERA ALEATORIA LA BECA GRAN ESTA CORRELACIONADA CON U1 ? Otorgando valores aleatorios en relacin a las becas relacionadas con los monos de ingreso de famine estn no se podrn relacionar con u1 III) ESCRIBA LA ECUACIN EN FORMA REDUCIDA PARA CHOICE QUE NECESITA PARA QUE GRANTT SE CORRELACIONE PARCIALMENTE CON CHOICE? Choice = 0+ 1 score + 2 famine + v1 Ya que gran es una variable exgeno se ha viso que aunque VI es consistente cuando z y u no estn correlacionadas y cuando tienen una correlacin positiva y negativa IV) ESCRIBA LA ECUACIN EN FORMA REDUCIDA PARA SCORE EXPLIQUE POR QUE ES UTIL (SUGERENCIA COMO SE INERPRETA EL COEFICIENTE DE GRANT) score = 0 +1choice + 2 famine + v1

15.8 SUPONGA QUE SE DESEA PROBAR SI LOS JOVENES QUE ASISTEN AL BACHILLERATO FEMENINO TIENE UN MEJOR RENDIMIENTO EN MATEMATICAS

QUE AQUELLAS QUE ASISTEN A LAS ESCUELAS MIXTAS . SE TIENE UNA MUESTRA ALEATORIA DE JVENES DE LOS LTIMOS AOS DE BACHILLERATO DE UN ESTADO EN LOS EE.UU Y SCORE ES LA CALIFICACIN EN UN EXAMEN DE MATEMAICAS ESTANDARIZADO. SA GIRLHS UNA VARIABLE BINARIA QUE INDIQUE SI UNA ESTUDIANTE AISTE E UN BACHILLERATO FEMENIL I) QU OTROS FACTORES SE PUDIERAN CONTROLAR EN LA ECUACIN? DEBE PODER RECABAR DATOS SOBRE ESTOS FACTORES) Siendo score la calificacin de matemticas estandarizado; y girlhs una variable binaria que indique si un bachillerato femenil entonces agregaremos los siguiente factores , score depender del rendimiento , capacidad intelectual II) ESCRIBA UNA ECUACIN QUE RELACIONE SCORE CON GIRLHS Y LOS OTROS FACTORES QUE SE LISTARON EN LA PARTE I score=0 + 1 girhs + 2rendimiento +3 capacidad intelectual + u1 III) SUPONGA QUE EL APOYO Y LA INNOVACIN QUE OFRECEN LOS PADRES SON LOS FACTORES MEDIDOS EN TERMINO DE ERROR EN LA PARE II )ES PROBALE QUE SE CORRELACIONAN CON GIRLHS? EXPLIQUE ESTE PUNTO Ahora nos plantean que la motivacin que ofrecen los padres son factores no medidos es decir estn dados en las variables exgenos excluidas es probable que estas si se correlacione con girhs ya que el rendimiento es mayor esto supone la influencia y o motivacin que ejercen sus padres sobre esta variable IV)ANALIZE LOS SUPUESTOS QUE SE NECESITAN PARA EL NUMERO DE ACHILLERATOS FEMENILES DENTRO DE IN RADIO DE 20 MILLAS DE LA CASA DE UNA JOVEN SEA UNA VI VALIDA PARA GIRLHS Dado que el numero de bachilleraos femeniles se plantean los siguientes supuestos para que la VI sea valida a) se puede suponer que la muestra de la poblacin es subyacente como son los MCO b) se puede suponer que el esta variable omitida no cambia con el tiempo por efeco de los mtodos fijos o de primeras diferencias

15.9 SUPONGA QUE EN LA ECUACIN (15.8) NO SE TIENE UNA BUENA ANDIDATA COMO UNA ARIABLE INSRUMENTAL PARA SKIPED . PERO SE DETIENEN OTRAS DOS PIEZAS DE INFORMACIN DELOS ESTUDIANTES:

PUNTUACIN DEL EXAMEN DE ASMISION DE LA UNIVERSIDAD (SAT) Y PROMEDIO DE CALIFICACIONES (GPA) ANTES DEL SEMESTRE QU PODRA HACER EN LUGAR DE LA ESTIMACIN DE VI ? Si los supuestos de los errores bsicos en las variables (ECV) con validos , el sesgo en el estimados de MCO de 1 es hacia 0 . en algunos casos se podr utilizar un procedimiento de VI para resolver el problema de error ya que son medidas equivocadas considerando esto se podr realizar como alternativa de solucin las variables exgenos como variables instrumentales (VI) 15.10 EN UN ARTICULO EVANS Y SCHWAD (1995) ESUDIARON LOS EFECTOS DE ASISTIR A UN BACHILLERATO CATLICO SOBRE LA PROBABILIDAD DE ASISTRI A LA UNIVERSIDAD . EN CONCRETO SEA COLLEGE UNA ARIABLE BINARIA IGUAL A LA UNIDAD SI UN ESTUDIANTE ASISTE A LA UNIVERSIDAD Y CERO EN EL CASO CONTRARIO SEA CATHHS UNA VARIABLE BINARIA IGUAL A UNO SI EL ESTUDIANTE ASISTE UNA PREPARATORIA CATLICA . UN MODELO DE PROBABILIDAD LINEL ES COLLEGE=0+1CATHHS+ OTROS FACTORES DONDE LOS OTROS FACTORES INCLUYEN GENERO , RAZA , INGRESO FAMILIAR Y EDUCACIN DE LOS PADRES I)POR QUE CATHHS PUEDE ESTAR CORRELACIONADA CON U1? Siendo cathHS una variable binaria correlacionada con el error ya que se puede considerar una variable endgena incluida II)EVANS Y SCHWAB TIENE LOS DATOS SOBRE LA PUNTUACIN DE UN EXAMEN ESTANDARIZADO QUE SE REALIZO CUANDO ADA ESTUDIANTE ESTABA EN EL SEGUNDO AO UNIVERSITARIO QU SE PUEDE HACER CON ESTA VARIABLE PARA MEJORAR LA ESTIMACIN CETERIS PARIBUS DE ASISTIR A UN COLEGIO CATLICO ? Entonces la variable de puntuacin del examen pasara a convertirse en Y1 o variable endgena lo que comprobara si en verdad la estimacin ceteris paribus de asistir a un colegio catlico es mas eficiente o mucho mejor que de asistir a otro tipo de colegio III)SEA CATH REL UNA VARIABLE BIANRIA IGUAL A UNO SI EL ESTUDIANTE ES ACATLICO . ANALICE LOS DOS REQUSIOTS NECESARIOS PARA QUE SEA UAN VI VALIDA PARA CATHHS EN LA ECUACIN ANTERIOR CULES DE ESTOS REQUISITOS SE PUEDE PROBAR ? Se debe agregar una variable observable con Z ya que as va a satisfacer los dos supuestos que los trminos de error no estn correlacionados con esta variable, y la ora es que deber estar correlacionado con cathHS IV)NO ES DE SORPRENDER QUE SER CATLICO TENGA UN EFECTO SIGNIFICATIVO EN ASISTIR A UN BACHILLERATO CATLICO PIENSA QUE CATHREL ES UN INSRUMENTO CONVINCENTE PARA CATHHS?

Ya que el enunciado no nombra que es lo que significa cathHSREL lo nombraremos como aquella variable que nos comprobara el rendimiento de unestudiante que asisti a una preparatoria catlica eso lo comprobaremos con la resolucin del modelo en su forma estructural

CAPITULO 15 EJERCICIOS A COMPUTADORA

15.1 USE LOS DATOS EN WAGE2.RAW PARA ESTE EJERCICIO: I) EN EL EJEMPLO 15.2 USANDO SIBS COMO INSTRUMENTO PARA EDUC, LA ESTIMACIN DE VI DEL RENDIMIENTO DE LA ECUACIN ES 0.122. PARA CONVENCERSE DE QUE USAR SIBS COMO UNA VI PARA EDUC NO ES LO MISMO QUE SOLO INSERTAR SIBS EN LUGAR DE EDUC Y ESTIMAR LA REGRESIN POR MCO, REALICE LA REGRESIN DE LOG(WAGE) SOBRE SIBS Y EXPLIQUE SUS HALLAZGOS En el modelo 2 realizamos la regresin lwage sobre sibs obtenemos la siguiente regresin, y si analizamos su R2 ajustada sibs no explica a lwage

En el modelo 1 realizamos la regresin lwage sobre educ usando como VI sibs, y analizamos con el contraste de Hausman que nos dice que si comparamos directamente las estimaciones de MCO y MC2E y se determinase si las diferencias eran estadsticamente significativas, y vemos que en este caso las diferencias si son estadsticamente significativas. Ya que con un valor p = 0.00934895 rechazamos la hiptesis nula los estimadores de MCO son inconsistentes. Como los MCO y MC2E difieren en forma significativa se concluye que educ es endgena sosteniendo que el instrumento observable sibs son exgenos

II) LA VARIABLE BRTHORD ES EL ORDEN DE NACIMIENTO (BRTHORD ES UNO PARA EL NIO QUE NACI PRIMERO, DOS PARA EL SEGUNDO Y AS SUCESIVAMENTE). EXPLIQUE PORQUE EDUC Y BRTHORD PUEDEN ESTAR NEGATIVAMENTE CORRELACIONADOS. REALICE LA REGRESIN DE EDUC SOBRE BRTHORD PARA DETERMINAR SI EXISTE UNA CORRELACIN NEGATIVA ESTADSTICAMENTE SIGNIFICATIVA En el caso que brthord sea 1 los aos de educacin serian 14 aproximadamente esto nos quiere decir que el primer hijo es decir el mayor recibir 14 aos de educacin, y a medida que brthord cresca los aos de educacin sern menos es decir que el 2do hijo el tercero y asi sucesivamente tendrn menos aos de educacin, pero la proporcin de la variacin de educ explicada por brthord es casi el 4% es muy in significante.

III) USE BRTHORD COMO UNA VI PARA EDUC. REPORTE E INTRPRETE LOS RESULTADOS Con esta regresin podemos observar que a mayor aos de educacin su cambio en le salario ser mayor tambin porque su beta 1 tiene un signo positivo, si educ es 10 por ejeplo el logaritmo del salario ser aproximadamente 6.33 es decir su tasa a la que va a crecer el salario a medida que los valores de educ aumente ser 6.33 con R2 ajustado del 10%.

IV)AHORA SUPONGA QUE SE INCLUYE EL NMERO DE HERMANOS COMO UNA VARIABLE EXPLICATIVA EN LA ECUACIN DEL SALARIO; ESTO CONTROLA LOS ANTECEDENTES FAMILIARES, EN CIERTO GRADO: LOG(WAGE) = B0 + B1 EDUC + B2 SIBS +U SUPONGA QUE SE QUIERE USAR BRTHORD COMO UNA VARIABLE INSTRUMENTAL PARA EDUC, SUPONIENDO QUE SIBS ES EXGENA. LA FORMA REDUCIDA PARA EDUC ES EDUC= 0 + 1 SIBS + 2 BRTHORD + V PLANTEE Y PRUEBE EL SUPUESTO DE IDENTIFICACIN V) ESTIME LA ECUACIN DE LA PARTE IV) USANDO BRTHORD COMO UNA VI PARA EDUCA (Y SIBS COMO SU PROPIA VARIABLE INSTRUMENTAL) VI) UTILIZANDO LOS VALORES AJUSTADOS DE LA PARTE IV), EDUC, CALCULE LA CORRELACIN ENTRE EDUC Y SIBS

(1)

(2) Variables endgenas Lwage Educ Variables exgenas Sibs Brthord

De acuerdo al criterio de identificacin que nos dice que se necesitan al menos tantas variables exgenas excluidas como variables explicativas endgenas incluidas en la ecuacin estructural Entonces la ecuacin 1 esta exactamente identificado.

15.2 LOS DATOS DE FERTIL2.RAW INCLUYEN PARA LAS MUJERES EN BOSTWANA DURANTE 1988, INFORMACIN SOBRE EL NMERO DE NIOS (CHILDREN), AOS DE EDUCACIN (EDUC), EDAD (AGE) Y VARIABLES DEL STATUS RELIGIOSO Y ECONMICO i) ESTIME EL MODELO Children= 0 + 1 educ + 2 age + 3 age2 + u MEDIANTE MCO E INTERPRETE LAS ESTIMACIONES. EN PARTICULAR SI SE MANTIENE FIJO AGE, CUL ES EL EFECTO ESTIMADO DE UN AO MAS DE EDUCACIN SOBRE LA FERTILIDAD? SI 100 MUJERES RECIBEN OTRO AO DE EDUCACIN CUNTOS NIOS MENOS SE ESPERA QUE TENGA?

Si se mantiene constante age, y amedida que la educacin aumente la mujer tendra menos hijos. Si la educ aumenta en un uno y mantendiendo constante age y agesq la mujer tendra 1 hijoo menos aproximadamente

II) LA VARIABLE FRSTHALF ES UNA VARIABLE BINARIA IGUAL A UNO SI LA MUJER NACI DURANTE LOS PRIMEROS SEIS MESES DEL AO. EN CASO DE QUE FRSTHALF NO EST CORRELACIONADO CON EL TERMINO DE ERROR DE LA PARTE I) MUESTRE FRSTHALF ES UNA CANDIDATA RAZONABLE COMO VI PARA EDUC Si usamos la variable frsthalf como variable instrumental para educ seria correcta ya que si vemos la prueba de Hausman con un valor p = 0.300487 aceptamos la Hiptesis nula: Los estimadores de MCO son consistentes Con un = 0.05

ii) ESTIME EL MODELO DE LA PARTE I) USANDO FRSTHALF COMO UNA VI PARA EDUC. COMPRUEBE EL EFECTO ESTIMADO DE LA EDUCACIN CON LA ESTIMACIN POR MCO DE LA PARTE I)

iii) AGREGUE LAS VARIABLES BINARIAS, ELECTRIC (ELECTRICIDAD), TV (TELEVISIN) Y BICICLY (BICICLETA) AL MODELO Y SUPONGA QUE SON EXGENAS. ESTIME LA ECUACIN POR MCO Y MC2E Y COMPARE OS COEFICIENTES ESTIMADOS DE EDUC. INTERPRETE EL COEFICIENTE DE TV Y EXPLIQUE PORQU TENER TELEVISOR TIENE UN EFECTO NEGATIVO EN LA FERTILIDAD

15.3 PARA ESTE EJERCICIO USE LOS DATOS EN CARD.RW i. LA ECUACIN QUE SE ESTIMO EN EL EJEMPLO 15.4 SE PUEDE ESCRIBIR COMO LOG(WAGE) = 0 + 1 EDUC + 2 EXPER + + U

DONDE LAS DEMS VARIABLES EXPLICATIVAS SE LISTAN EN LA TABLA 15.1. CON LE FIN DE QUE LAS VI SEAN CONSISTENTES, LA VI PARA EDUC, NEAR4, NO DEBE ESTAR CORRELACIONADA CON U . ESTARA NEARC4 CORRELACIONADAS CON CUESTIONES EN EL TERMINO DE ERROR, COMO LA CAPACIDAD INOBSERVABLE?

Near4 si esta correlacionada con el termino de error y no cumple con el requisito para ser una variable insturmental, entonces no puede ser una variable instrumental. Estimamos el modelo con MCO ya que no tenemos variables instrumental potencial.

ii.

PARA UNA SUBMUESTRA DE HOMBRES EN EL CONJUNTO DE DATOS, SE DISPONE DE LAS PUNTUACIONES IQ. REALICE UNA REGRESIN DE IQ SOBRE NEARC4, PARA REVISAR EL PROMEDIO DE LAS PUNTUACIONES DE IQ VARA SI EL HOMBRE SE CRI DE UNA UNIVERSIDAD CON PROGRAMA DE CUATRO AOS.

iii.

AHORA, REALICE UNA REGRESIN DE IQ SOBRE NEARC4,SMSA66, Y LAS VARIABLES BINARIAS REGRESIONABLES DE 1966, REG662, , REG669. ESTN IQ Y NEARC4 RELACIONADAS DESPUS DE HABER DESCONTADO EL EFECTO PARCIAL DE LAS VARIABLES BINARIAS GEOGRFICAS? COMPRUEBE ESTOS CON SUS RESULTADOS DE LA PARTE II)

iv.

APARTIR DE LAS PARTES II) Y III) QU CONCLUYE ACERCA DE LA IMPORTANCIA DE CONTROLAR SMSA66 Y LAS VARIABLES BINARIAS REGIONALES DE 1966 EN LA ECUCACIN DEL LOG(WAGE)?

Buenos mientras las regiones se alejen mas van ejerciendo un efecto negativo sobre IQ, es decir mientras mas lejos viva se supone que pierde horas en transportarse; podemos ver que su costo de oportunidad de estar en la universidad y de estar estudiando en la universidad es mayor. 15.4 EN ESTE EJERCICIO USE LOS DATOS EN INTDEF.RAW. UNA ECUCACIN SIMPLE QUE RELACIONA LA TASA DE BONOS DEL TESORO A SUS TRES MESES (I3) CON LA TASA DE INFLACIN (CONSTRUIDA A PARTIR DEL NDICE DEL PRECIOS AL CONSUMIDOR) ES i3t = 0 + 1 inf + u i. ESTIME ESTA ECUACIN POR MCO, OMITIENDO EL PRIMER PERIODO PARA COMPARACIONES POSTERIORES.

ii.

ALGUNOS ECONOMISTAS CONSIDERAN EL IPC NO REPRESENTA LA VERDADERA TASA DE INFLACIN, DE MANERA QUE LOS MCO CON LA PARTE I) SUFREN DE UN SESGO DE ERROR DE MEDICIN. VUELVA A ESTIMAR LA EDUCACIN DE LA PARTE I) USANDO INFT-1 COMO VARIABLE INSTRUMENTAL PARA INF

15.5 USE LOS DATOS DE CARD.RW PARA ESTE EJERCICIO i. ESTIME LA ECUACIN POR MC2E AGREGUE NEARC2 COMO INSTRUMENTO. EL COEFICIENTE DE EDUC CAMBIA MUCHO?

ec(1)

Si usamos a near2 como el coeficiente de educ el estimado es 0.343274 es decir si la educ es igual a 1 el lwage variara en 0.34; en cambio cuando estimamos el modelo sin usar a near2 como VI y los estimamos simplemente con MCO si la educ el uno, lwage es 0.12 en la ec(1) lo cual es menor; es decir cuando usamos una VI la influencia de educ sobre lwage es mayor.

ec(2)

ii.

PRUEBE LA NICA RESTRICCIN DE SOBRE IDENTIFICACIN DEL PUNTO II) Variables endgenas Lwage Variables exgenas Educ Nearc2

Como vemos en el cuadro en nmero de variables exgenos excluidas = 0 y el nmero de endgenas incluidas es 2 entonces el modelo esta subidetificado.
15.7 USE LOS DATOS EN PHILLIPS.RAW PARA ESTE EJERCICIO I) EN EL EJEMPLO 11.5 SE ESTIM UNA CURVA DE PHILLIPS AUMENTADA POR EXPECTATIVAS DE LA FORMA INFT=B0 + B1 UNEMT + E Si el choque de la oferta (et) esta correlacionado con unemt se observa el problema de las variables explicativas endgenas donde estimadores de MCO suelen ser inconsistentes cuando existen variables omitidas; es decir el parmetro estimado no converge al lmite. II) SUPONGA QUE E ES IMPRESCINDIBLE DADA TODA LA INFORMACIN PASADA Si E(et/inft-1,unemt-1,.)= 0 esto hace que unemt-1 sea una buena candidata para VI para unemt porque entonces la Cov(unemt-1,et) = 0

III) REALICE LA REGRESIN DE UNEM SOBRE UMENT-1 ?ESTN UNEM Y UNEM -1 CORRELACIONADAS DE FORMA SIGNIFICATIVA Modelo 2: MCO, usando las observaciones 1949-2003 (T = 55) Variable dependiente: unem Coeficiente Desv. Tpica Estadstico t Valor p

----------------------------------------------------------------const unem_1 1.48968 0.742382 0.520203 0.0892927 2.864 8.314 0.0060 ***

3.54e-011 ***

Contraste de especificacin RESET Hiptesis nula: La especificacin es adecuada Estadstico de contraste: F(2, 51) = 0.272145 con valor p = P(F(2, 51) > 0.272145) = 0.762843 El valor p de unem_1 es 3.54e-011 *** lo cual nos indica que es significativo al 1% por lo cual unem_1 esta correlacionado de manera positiva con unemt ( de hecho unemt_1 explica aproximadamente 9% de la variacin de unemt en la muestra) IV) ESTIME LA CURVA DE PHILLIPS AUMENTADA POR EXPECTATIVA A TRAVS DE VI. REPORTE LOS RESULTADO DE LA FORMA ACOSTUMBRADAD Y COMPRELOS CON LAS ESTIMACIONES DE MCO DEL EJEMPLO 15.1 Estimaciones de MCO Variable dependiente: cinf (1) const unem Unem_hat n R2 lnL 55 0.1037 -123 2.828** (1.225) -0.5176** (0.2090) -0.1304 (0.2929) 55 0.0037 -125.9 (2) 0.6338 (1.692)

Desviaciones tpicas entre parntesis * indica significativo al nivel del 10 por ciento ** indica significativo al nivel del 5 por ciento Al estimar por MCO nos muestra que unemt est correlacionado de manera negativa con el aumento de la inflacin en -52% aprox pero al usar las variables instrumentales nos dice que unem solo representa -13% del aumento de la inflacin lo cual es apenas la5ta parte del estimador de MCO 15.8 USE LOS DATOS EN 401KSUBS.RAW PARA ESTE EJERCICIO. LA ECUACIN DE INTERS ES UN MODELO DE PROBABILIDAD LINEAL

Modelo 1: MCO, usando las observaciones 1-9275

Variable dependiente: pira Coeficiente Desv. Tpica Estadstico t const -0.197724 0.0686446 -2.8804 p401k 0.0536598 0.00957134 5.6063 inc 0.00867882 0.000511042 16.9826 sq_inc -2.27964e-05 4.03269e-06 -5.6529 age -0.00159362 0.00333022 -0.4785 sq_age 0.00011729 3.82282e-05 3.0682 Media de la vble. dep. 0.254340 D.T. de la vble. dep. Suma de cuad. residuos 1442.442 D.T. de la regresin R-cuadrado 0.179971 R-cuadrado corregido F(5, 9269) 406.8513 Valor p (de F) Log-verosimilitud -4530.336 Criterio de Akaike Criterio de Schwarz 9115.482 Crit. de Hannan-Quinn Valor p 0.00398 <0.00001 <0.00001 <0.00001 0.63228 0.00216

*** *** *** *** *** 0.435513 0.394487 0.179528 0.000000 9072.672 9087.217

El valor coeficiente estimado de p401k (participar en un plan de pensiones) es de 5 % aprox significativo al 1% por el valor p; los cual nos indica que esta correlacionado de manera positiva con tener una cuenta individual de retiro (pira) ii) El problema de utilizar MCO sera que el efecto sustitucin seteris paribus tendra variables explicativas endgenas como los tipos de ahorros que no se observan en la regresin por lo cual los estimadores sern inconsistentes iii) Para que e401 k sea una buena VI para p401k , p401k debe esta correlacionada con e401k lo cual hacemos una regresin : Entonces hay heteroscedasticidad lo cual nos dice que la Cov(Z,u) =/=0 entonces no sera una buena VI.

Variable dependiente: p401k Coeficiente Desv. Tpica Estadstico t Valor p --------------------------------------------------------------const e401k 0.000000 0.704427 0.00380583 0.00607764 0.0000 115.9 1.0000 0.0000 ***

Se ve que hay una correlacin significativa pero al hacer una prueba de Heteroscedasticidad: Contraste de heterocedasticidad de Breusch-Pagan Hiptesis nula: No hay heterocedasticidad Estadstico de contraste: LM = 7188.95 con valor p = P(Chi-Square(1) > 7188.95) = 0

Variable dependiente: p401k Desviaciones tpicas robustas ante heterocedasticidad, variante HC1

iv)

Coeficiente Desv. Tpica Estadstico t Valor p --------------------------------------------------------------const e401k 0.000000 0.704427 0.000000 NA 93.09 NA 0.0000 ***

0.00756703

Al estimar por variables robustas el error estndar es mas pequeos por lo cual la varianza ser menor y sern estimadores MELI v) Estimaciones de MCO Variable dependiente: pira (1) const p401k inc sq_inc age sq_age p401k_hat n R2 lnL 9275 0.1800 -4530 -0.1977** (0.06864) 0.05366** (0.009571) 0.008679** (0.0005110) -2.280e-05** (4.033e-06) -0.001594 (0.003330) 0.0001173** (3.823e-05) 0.009021** (0.0004882) -2.410e-05** (3.889e-06) -0.001244 (0.003258) 0.0001131** (3.843e-05) 0.02024 (0.01295) 9275 0.1774 -4545 (2) -0.2061** (0.06551)

Desviaciones tpicas entre parntesis * indica significativo al nivel del 10 por ciento ** indica significativo al nivel del 5 por ciento Ante MCO el coeficiente de p401k es 5 % y mediante VI el coeficiente es 2 % lo cual se ha reducido y el error estndar robusto es de 0.01295 siendo ms grande que el de MCO de 0.0095 lo cual no se puede probar aun si la ecuacin es significativa. vi) Si la Ho es que cov(p401k,u)=0 para ello corremos una regresin de u contra p401k lo cual nos da :

Coeficiente Desv. Tpica Estadstico t Valor p const p401k_hat 0.000000 0.000000 0.00499276 0.0122476 0.0000 0.0000 1.0000 1.0000

Lo cual el valor p nos dice que no hay significancia por ser muy alto lo cual nos ayuda a probar la Ho de que el error no se correlaciona con p401k 15.9 EL PROPSITO DE ESTE EJERCICIO ES COMPARAR LAS ESTIMACIONES Y ERRORES ESTNDAR OBTENIDOS AL USAR CORRECTAMENTE MCE CON LOS QUE SE OBTUVIERON USANDO PROCEDIMIENTO INADECUADOS USE WAGE2.RAW i)
MC2E, usando las observaciones 1-935 Variable dependiente: lwage Mediante Instrumentos: educ Instrumentos: const sibs exper tenure black Coeficiente Desv. Tpica z Valor p

---------------------------------------------------------const educ exper tenure black 5.21598 0.0936325 0.0209216 0.0115482 -0.183329 0.543451 0.0337194 0.00838773 0.00273965 0.0501358 9.598 8.16e-022 *** 2.777 0.0055 2.494 0.0126 *** **

4.215 2.50e-05 *** -3.657 0.0003 ***

Contraste de Hausman Hiptesis nula: Los estimadores de MCO son consistentes Estadstico de contraste asinttico: Chi-cuadrado(1) = 0.567892 con valor p = 0.451098

Valor p alto entonces se acepta la hiptesis nula ii) MC2E MANUAL: MCO, usando las observaciones 1-935 Variable dependiente: lwage Coeficiente Desv. Tpica Estadstico t Valor p

----------------------------------------------------------------const educ_hat exper tenure black 5.21598 0.0936325 0.0209216 0.0115482 -0.183329 0.568815 0.0352931 0.00877919 0.00286752 0.0524757 9.170 2.653 2.383 4.027 -3.494 2.97e-019 *** 0.0081 0.0174 *** **

6.10e-05 *** 0.0005 ***

Si comparamos lo coeficientes de las variables son iguales que los obtenidos en la parte i) pero los errores estndar son tantos diferentes que la parte i) ; los obtenidos haciendo MC2E manualmente son mas grandes por lo que son inadecuados. iii) Estimaciones de MCO Variable dependiente: lwage (1) const educ_hat exper tenure black educ_hat2 n R2 lnL 935 0.0891 -474 5.216** (0.5688) 0.09363** (0.03529) 0.02092** (0.008779) 0.01155** (0.002868) -0.1833** (0.05248) -0.0003940 (0.003121) 0.01397** (0.002691) -0.2416** (0.04153) 0.06997** (0.02638) 935 0.0891 -474 (2) 5.771** (0.3604)

Desviaciones tpicas entre parntesis * indica significativo al nivel del 10 por ciento ** indica significativo al nivel del 5 por ciento El rendimiento de la educacin en la forma incorrecta de estimacin es de 7 % aprox con un error estndar de 0.02638 y el de la forma correcta es de 4 % aprox con un error estndar de 0.03529. 15.10. i) t(1228, 0.025) = 1.962

VARIABLE

COEFICIENTE

INTERVALO DE CONFIANZA 95%

const educ

1.09232 0.101361

0.921052 0.0884336

1.26359 0.114289

Modelo 1: MCO, usando las observaciones 1-1230 Variable dependiente: educ Coeficiente Desv. Tpica Estadstico t Valor p --------------------------------------------------------------const ctuit 13.0384 -0.0494466 0.0671676 0.0835227 194.1 -0.5920 0.0000 *** 0.5540

ii)

El valor p de ctuit es de 0.5540 o 55% lo cual es muy alto y lo cual nos hace suponer que no hay correlacin entre la educacin y el cambio en la matrcula universitaria; lo cual no puede ser una buena VI por para ello tendra que haber correlacin entre la variable explicativa y el instrumento. Ademas: Contraste de especificacin RESET Hiptesis nula: La especificacin es adecuada Estadstico de contraste: F(2, 1226) = 1.98584 con valor p = P(F(2, 1226) > 1.98584) = 0.137706 Valor p pequeo por lo cual se rechaza la Ho iii) Modelo 2: MCO, usando las observaciones 1-1230 Variable dependiente: lwage Coeficiente 0.243496 0.125915 0.00180797 -0.0212294 -0.0541922 -0.0309812 0.0237906 0.199852 0.0275742 0.204344 0.115582 Desv. Tpica 0.168361 0.00874529 0.000320917 0.0767319 0.0935642 0.0812247 0.0791625 0.0948275 0.0868972 0.0419348 0.0490223 Estadstico t 1.4463 14.3980 5.6338 -0.2767 -0.5792 -0.3814 0.3005 2.1075 0.3173 4.8729 2.3577 Valor p 0.14836 <0.00001 <0.00001 0.78208 0.56256 0.70295 0.76382 0.03528 0.75106 <0.00001 0.01854

const educ expersq nc ne south nc18 ne18 south18 urban urban18

*** ***

** *** **

El rendimiento esperado de una ao ms de educacin sobre lwage es de 13 % aproximadamente

iv)

Modelo 3: MCO, usando las observaciones 1-1230 Variable dependiente: educ Coeficiente 16.9536 -0.0241233 -0.970758 -0.938546 -0.572323 0.916041 1.1154 0.515078 -0.0858672 -0.993568 -0.125076 Desv. Tpica 0.262357 0.000794658 0.249946 0.305157 0.26512 0.258779 0.309706 0.283831 0.13716 0.157759 0.0623218 Estadstico t 64.6205 -30.3568 -3.8839 -3.0756 -2.1587 3.5399 3.6015 1.8147 -0.6260 -6.2980 -2.0069 Valor p <0.00001 <0.00001 0.00011 0.00215 0.03107 0.00042 0.00033 0.06981 0.53141 <0.00001 0.04498

const expersq nc ne south nc18 ne18 south18 urban urban18 ctuit

*** *** *** *** ** *** *** * *** **

Ahora vemos que el valor p de ctuit es de 0.04498 el cual quieres decir que el coeficiente de ctuit es significativo al 5% v) Modelo 3: MCO, usando las observaciones 1-1230 Variable dependiente: educ Coeficiente 16.9536 -0.0241233 -0.970758 -0.938546 -0.572323 0.916041 1.1154 0.515078 -0.0858672 -0.993568 -0.125076 Desv. Tpica 0.262357 0.000794658 0.249946 0.305157 0.26512 0.258779 0.309706 0.283831 0.13716 0.157759 0.0623218 Estadstico t 64.6205 -30.3568 -3.8839 -3.0756 -2.1587 3.5399 3.6015 1.8147 -0.6260 -6.2980 -2.0069 Valor p <0.00001 <0.00001 0.00011 0.00215 0.03107 0.00042 0.00033 0.06981 0.53141 <0.00001 0.04498

const expersq nc ne south nc18 ne18 south18 urban urban18 ctuit

*** *** *** *** ** *** *** * *** **

t(1219, 0.025) = 1.962 Variable const educ_hat expersq nc ne south nc18 ne18 south18 urban urban18 Coeficiente -3.15973 0.326935 0.00663750 0.181561 0.141515 0.0864465 -0.171326 -0.0365588 -0.0791401 0.223402 0.315024 Intervalo de confianza 95 (-8.62863, 2.30917) (0.00405576, 0.649815) (-0.00113671, 0.0144117) (-0.182000, 0.545121) (-0.229681, 0.512710) (-0.168650, 0.341543) (-0.526329, 0.183676) (-0.465606, 0.392489) (-0.330498, 0.172218) (0.129443, 0.317362) (-0.0212365, 0.651285)

El intervalo de confianza con VI para la educ es de (0.00405576, 0.649815) y el de MCO es de (0.0884336 ,0.114289) por lo que se nota que el intervalo de VI contiene al intervalo de MCO por ser este ms grande que el de MCO. vi) El procedimiento es adecuado porque al estimar educ contra el instrumento tambin los asemos con las dems variables lo cual es correcto en la estimacin de MC2E

CAPITULO 16 EJERCICIOS A COMPUTADORA

16.1.- USE SMOKE.RAW PARA ESTE EJERCICIO: i) UN MODELO PARA ESTIMAR LOS EFECTOS DEL TABAQUISMO EN EL INGRESO ANUAL (QUIZ A TRAVS DE AUSENCIAS LABORALES) ES: LOG(INCOME)= 7.79544 + 0.00173057 CIGS + 0.0603605 EDUC + 0.0576907 AGE - 0.000630589 AGESQ + UI CMO SE INTERPRETA B1? Pues que ante una variacin de 100% de cigs income solo varia en 0.17% ii) PARA REFLEJAR EL HECHO DE QUE EL CONSUMO DE CIGARROS PODRA ESTAR DETERMINADO CONJUNTAMENTE POR EL INGRESO, UNA ECUACIN DE LA DEMANDA DE CIGARROS ES: CIGS= AO + A1 LOG(INCOME) + A2 EDUC + A3 AGE + A4 AGESQ + A5 LOG(CIGPRIC) + A6 RESTAURN + U2 Donde cigpric es el precio de una cajetilla de cigarros (en centavos) y restaurantes es una variable binaria igual a la unidad si la persona vive en un estado cuyos restaurantes restringen el consumo de cigarros. Si se supone que estos son variables exgenas al individuo, que signos se esperara A5 y A6. Se esperara que ambos tengan signo negativo. iii) CON BASE A QU SUPUESTO LA ECUACIN DE INGRESO DE LA PARTE I) SE IDENTIFICO? La ecuacin no esta identificada iv) ESTIME LA ECUACIN DE INGRESO MEDIANTE MCO Y ANALICE LA ESTIMACIN DE B1 El valor de B1 es 0.00173057 lo cual nos da a entender que ante una variacin de 100% de cigs log(income) varia en 0.17% v) ESTIME LA FORMA REDUCIDA PARA CIGS.(RECUERDO QUE ESTO IMPLICA REALIZAR LA REGRESIN DE CIGS SOBRE TODAS LAS VARIABLES EXGENAS.)LOG(CIGPRIC) Y RESTAURN SON SIGNIFICATIVAS EN LA FORMA REDUCIDA? Restaurn es significativo al 5% pero log(cigpric) solo es significativo al 10%.

vi) AHORA ESTIME LA ECUACIN DE INGRESO MEDIANTE MC2E. ANALICE COMO SE COMPARA LA ESTIMACIN DE B1 CON LA ESTIMACIN DE MCO. No se puede realizar debido a que falta al menos 2 variables exgenas mas. vii) SE PIENSA QUE LOS PRECIOS DEL CIGARRO Y LAS RESTRICCIONES EN LOS RESTAURANTES PARA FUMAR SON EXGENOS EN LA ECUACIN DE INGRESO? Si son variables exgenas.

16.2.- USE MROZ.RAW PARA ESTE EJERCICIO: i) VUELVA A ESTIMAR LA FUNCIN DE OFERTA DE MANO DE OBRA EN EL EJEMPLO 16.5, MEDIANTE LOG (HOURS) COMO LA VARIABLE DEPENDIENTE. COMPARE LA ELASTICIDAD ESTIMADA (QUE AHORA ES CONSTANTE) CON LA ESTIMACIN OBTENIDA DE LA ECUACIN 16.24 EN EL PROMEDIO HORAS TRABAJADAS: En la ecuacin 16.24 el promedio de horas trabajadas es de 1303, por lo tanto la elasticidad estimada es de 1640/1303 = 1.26 lo cual implica un incremento mayor de 1% en las horas trabajadas dado un incremento de 1% en el salario. El caso de la elasticidad constante es de -0.283579 ii) EN LA ECUACIN DE OFERTA DE MANO DE OBRA DE LA PARTE I) SEA EDUC ENDGENA DEBIDO A LA CAPACIDAD OMITIDA. USE MOTHEDUC Y FATHEDUC COMO VI PARA EDUC. RECUERDE, AHORA SE TIENE DOS VARIABLES ENDGENAS EN LA ECUACIN. lwage tiene un coeficiente de 0.411571 pero no es significativo al 10%, el coeficiente de educ es -0.156154 y si es significativo a un nivel de 5%. iii) PRUEBE LAS RESTRICCIONES DE SOBRE IDENTIFICACIN EN LA ESTIMACIN DE MC2E DE LA PARTE II) LAS VI PASAN LA PRUEBA? Las ecuacin esta sobre identificada.

16.3.- USE LOS DATOS EN OPENNESS.RAW, PARA ESTE EJERCICIO. i) YA QUE LOG (PCINC) ES INSIGNIFICANTE EN 16.22 Y TAMBIN EN LA FORMA REDUCIDA PARA OPEN, DESCRTELA DEL ANLISIS. ESTIME 16.22 MEDIANTE MC0 Y VI SIN LOG (PCINC). CAMBIA ALGUNA CONCLUSIN IMPORTANTE? Si estimamos mediante MCO como se supona el coeficiente de open es negativa -0.214952 y significativa al 5% por lo que concuerda con algunas conclusiones dadas en el libro. Pero si estimamos con MC2E el coeficiente de open es -0.332874 con un nivel de significancia de 5%. ii) AUN CON LOG(PINC) FUERA DEL ANLISIS, CUL ES UN MEJOR INSTRUMENTO PARA OPEN: LAND O LOGLAND? ESTIMACIONES DE MCO Variable dependiente: open (1) const land lland 40.45** (2.342) -1.128e-05** (3.289e-06) -7.618** (2) 121.8** (9.044) 4.334e-06 (3.136e-06) -8.398** (3) 129.2** (10.47)

(0.7990) n R**2 corregido 114 0.0869

(0.9755) 114 0.4431 114 0.4476

Desviaciones tpicas entre parntesis * indica significativo al nivel del 10 por ciento ** indica significativo al nivel del 5 por ciento

Parece que la mejor Variable Instrumental es log(land)

iii) AHORA VUELVA A LA 16.22. AGREGUE LA VARIABLE ALEATORIA OIL A LA ECUACIN Y TRATE COMO EXGENA. ESTIME LA ECUACIN MEDIANTE VI. SER UN PRODUCTOR DE PETRLEO TIENE UN EFECTO CETERIS PAIBUS EN LA INFLACIN? Open y lpcinc no son significantes al 5% por lo que ser un productor de petrleo no tiene un efecto ceteris paribus.

16.4.- USE LOS DATOS EN CONSUMP.RAW PARA ESTE EJERCICIO. i) EN EL EJEMPLO 16.7, USE EL MTODO DE LA SECCIN 15.5 PARA PROBAR LA RESTRICCIN DE SOBRE IDENTIFICACIN PARA ESTIMAR 16.35 QU SE CONCLUYE? 2.15%<5% por lo tanto no existe correlacin entre las variables exgenas ii) CAMPBELL Y MANKIW UZAN REZAGOS DE SEGUNDO ORDEN DE TODAS LAS VARIABLES COMO VI DEBIDO A LOS POSIBLES PROBLEMAS DE MEDICIN DE DATOS Y REZAGOS EN LA INFORMACIN. VUELVA A ESTIMAR 16.35 USANDO SOLO GC_2, GY_2,R3_2 COMO VI. CMO SE COMPARAN LAS ESTIMACIONES CON LAS DE 16.36? Gc= -0.00543483 + gy 1.20421 - r3 0.000426166 + Ui

La diferencia es notable en primer lugar en la ecuacin 16.36 el signo de la constante es positiva y ahora el signo es negativo adems tambin existen variaciones importantes en las variables de las otras dos constantes. iii) REALICE UNA REGRESIN DE GY SOBRE LAS VI DE PARTE II) Y PRUEBE SI GY ESTA SUFICIENTEMENTE CORRELACIONADO CON ELLOS POR QU ES IMPORTANTE? Parece ser que no estn lo suficientemente correlacionados debido a que la R cuadrado de dicha regresin es de solo 0.013714 lo cual es muy poco as que tal ves, no sean buenas Variables Instrumentales. 16.5.- USE EL ECONOMIC REPORT OF THE PRESIDENT PARA ACTUALIZAR LOS DATOS EN CONSUMP.RAW AL MENOS A 2003. VUELVA A ESTIMAR LA ECUACIN 16.35 CAMBIA ALGUNA CONCLUCIN IMPORTANTE?

i) EN EL EJEMPLO 16.7, USE EL MTODO DE LA SECCIN 15.5 PARA PROBAR LA RESTRICCIN DE SOBRE IDENTIFICACIN PARA ESTIMAR 16.35 QU SE CONCLUYE? No existe correlacin entre las variables exgenas y el error lo cual confirma que estas variables son exgenas. ii) CAMPBELL Y MANKIW UZAN REZAGOS DE SEGUNDO ORDEN DE TODAS LAS VARIABLES COMO VI DEBIDO A LOS POSIBLES PROBLEMAS DE MEDICIN DE DATOS Y REZAGOS EN LA INFORMACIN. VUELVA A ESTIMAR 16.35 USANDO SOLO GC_2, GY_2,R3_2 COMO VI. CMO SE COMPARAN LAS ESTIMACIONES CON LAS DE 16.36? Gc= -0.00543483 + gy 1.20421 - r3 0.000426166 + Ui La diferencia es notable en primer lugar en la ecuacin 16.36 el signo de la constante es positiva y ahora el signo es negativo adems tambin existen variaciones importantes en las variables de las otras dos constantes. iii) REALICE UNA REGRESIN DE GY SOBRE LAS VI DE PARTE II) Y PRUEBE SI GY ESTA SUFICIENTEMENTE CORRELACIONADO CON ELLOS POR QU ES IMPORTANTE? Parece ser que no estn lo suficientemente correlacionados debido a que la R cuadrado de dicha regresin es de solo 0.013714 lo cual es muy poco as que tal ves, no sean buenas Variables Instrumentales. 16.6.- USE LOS DATOS EN CEMENT.RAW PARA ESTE EJERCICIO. i) UNA FUNCIN ESTTICA INVERSA DE LA OFERTA PARA EL CRECIMIENTO MENSUAL EN EL PRECIO DEL CEMENTO (GPRC) EN FUNCIN DEL CRECIMIENTO DE LA CANTIDAD (GCEM) ES

GPRC= A1 GCEM + B0 + B1 GPRCPET + B2 FEB + + B12 DEC + UI DONDE GPRCPET (AUMENTO EN EL PRECIO DEL PETRLEO) SE SUPONE EXGENA Y EFB,DEC SON VARIABLES BINARIAS MENSUALES. QU SIGNO ESPERA PARA A1 Y B1? ESTIME LA ECUACIN MEDIANTE MCO. LA PENDIENTE DE LA FUNCIN DE OFERTA ES ASCENDENTE? Yo esperara que A1 sea positivo debido a que mayor demanda mas se incrementa el precio, y B1 es tambin positiva debido a que si aumenta el petrleo eso me genera a mis mayores gastos por lo tanto mi precio se va a aumentar para poder satisfacer el margen de utilidad. Despues de resolver por el mtodo de MCO A1 resulto negativo (0.0733078) y B1 si resulto ser positivo (0.0724110) ii) LA VARIABLE GDEFS ES EL AUMENTO MENSUAL EN GASTO REAL EN DEFENSA DE LOS ESTADOS UNIDOS. QU SE NECESITA SUPONER ACERCA DE GDEFS PARA QUE SEA UNA BUENA VI PARA GCEM? PRUEBE SI GCEM ESTA CORRELACIONADA PARCIALMENTE CON GDEFS PUEDE EMPLEAR GDEFS COMO UNA VI PARA ESTIMAR LA FUNCIN DE OFERTA? El R cuadrado de regresionar gcem en funcin de gdefs es 0.000330 lo cual es muy bajo por lo tanto no estn correlacionados, eso significa que no seria una buena Variable Instrumental. iii) SHEA 1993 ARGUMENTA QUE EL AUMENTO EN LA PRODUCCIN DE LA CONSTRUCCIN RESIDENCIAL (GRES) Y NO RESIDENCIAL (GNOM) SON INSTRUMENTOS VALIDOS PARA GCEM. LA IDEA ES QUE ESTOS DESPLAZADORES DE LA DEMANDA, EN GENERAL NO DEBEN ESTAR CORRELACIONADOS CON EL ERROR DE LA OFERTA. PRUEBE SI GCEM ESTA CORRELACIONADO PARCIALMENTE CON GRES Y GNOM; DE NUEVO, NO DEBE PREOCUPAR LA CORRELACIN SERIAL EN LA FORMA REDUCIDA. Para gres, esta no se correlaciona con el error pero gnom a un nivel de significancia de 5% si se correlaciona por lo que no sera adecuado considerarla como una variable instrumental.

16.7 NO SE PUEDE HASER PORQUE REQUIERO DATOS DEL CAPITULO 13 EJEMPLO 13.9

16.8 i) Modelo 1: MCO, usando las observaciones 1-97 Variable dependiente: ltotqty Coeficiente 8.24432 -0.524655 -0.310927 -0.68279 -0.533894 0.0672271 Desv. Tpica 0.162813 0.176112 0.225823 0.222667 0.219937 0.220421 Estadstico t 50.6366 -2.9791 -1.3769 -3.0664 -2.4275 0.3050 Valor p <0.00001 0.00371 0.17193 0.00285 0.01717 0.76107

const lavgprc mon tues wed thurs

*** *** *** **

Sera necesario tener la informacin de la ecuacin de lavgprc para ver si esta contiene al precio como variable exgena observable en esta y por lo tanto inobservable es ltotqty. ii) Los dos supuestos son : El primero es que wave2 y wave3 no se correlacionen con u; es decir con otras variables que afecten a ltotqty Y el segundo supuesto es que wave2 y wave3 se correlacionen con lavgprc para que sean dos instrumentos adecuados a usar iii)

Modelo 2: MCO, usando las observaciones 1-97 Variable dependiente: lavgprc Coeficiente -1.0228 -0.0120798 -0.0089759 0.0505471 0.124191 0.0944805 0.052566 Desv. Tpica 0.144134 0.113641 0.111928 0.111548 0.11077 0.0212852 0.0198199 Estadstico t -7.0962 -0.1063 -0.0802 0.4531 1.1212 4.4388 2.6522 Valor p <0.00001 0.91558 0.93626 0.65154 0.26520 0.00003 0.00945

const mon tues wed thurs wave2 wave3

***

*** ***

Media de la vble. dep. -0.245690 D.T. de la vble. dep. 0.404572 Suma de cuad. residuos 10.93449 D.T. de la regresin 0.348560 R-cuadrado 0.304117 R-cuadrado corregido 0.257724 F(6, 90) 6.555334 Valor p (de F) 9.06e-06 Log-verosimilitud -31.77179 Criterio de Akaike 77.54358 Criterio de Schwarz 95.56655 Crit. de Hannan-Quinn 84.83119 Valor P de la prueba es 9.06e-06 lo cual nos da la significancia conjunta; este valor es pequeo por lo cual podemos deducir que las variables son significativas respecto a lavgprc.

iv)

t(95, 0.025) = 1.960

Variable const lavgprc

Coeficiente 7.87268 -0.866437

Intervalo de confianza 95 (7.64434, 8.10103) (-1.56461, -0.168266)

La demanda es razonable ya que al aumentar la demanda de lavgprc la demanda de ltotqty disminuir. v) NO SE PUEDEN ESTIMAR RESAGOS

16.7 EN UNA UNIVERSIDAD GRANDE, SE PIDE ESTIMAR LA DEMANDA DE BOLETOS PARA LOS JUEGOS DE BASQUETBOL FEMENIL.ES POSIBLE RECABAR DATOS DE SERIES DE TIEMPO DE 10 TEMPORADAS, PARA UN TOTAL APROXIMADO DE 150 OBSERVACIONES. UN MODELO POSIBLE ES: LATTENDt = 0 + 1LPRICEt + 2WINPERC t + 3RIVALt + 4WEEKENDt + 5T + Ut DONDE: PRICEt = el precio de admisin, medido probablemente en trminos reales, por ejemplo, deflactado por el ndice regional de precios al consumidor. WINPERC t = el porcentaje actual de victorias del equipo. RIVALt = variable binaria que indica un juego contra el rival. WEEKENDt = una variable binaria que indica si el juego es en un fin de semana. L DENOTA EL LOGARITMO NATURAL, ASI QUE LA FUNCION DE LA DEMANDA TIENE ELASTICIDAD PRECIO CONSTANTE.
a) POR QUE ES BUENA IDEA TENER UNA TENDENCIA TEMPORAL EN LA ECUACION? Porque nos permite estimar de forma aleatoria, por varias razones:

1. Es muy difcil justificar, a nivel agregado, el supuesto de que los WINPERC t, RIVALt , WEEKENDt sean varibles exgenas.
2. Es problemtico usar modelos que son completamente estticos.

b) LA OFERTA DE BOLETOS ESTA LIMITADA POR LA CAPACIDAD DEL ESTADIO; SUPONGA QUE ESTO NO HA CAMBIADO DURANTE 10 AOS. ESTO INDICA QUE LA CANTIDAD PROPORCIONADA NO VARIA CON EL PRECIO. ESTO SIGNIFICA QUE EL PRECIO ES NECESARIAMENTE EXOGENO EN LA ECUACION DE LA DEMANDA?

No, el precio no es necesariamente exgeno debido a que va estar correlacionado con algunos aspectos inobservables, o factores que influyen en la demanda de boletos para el basquetbol femenil. c) SUPONGA QUE EL PRECIO NOMINAL DE LA ADMISION CAMBIA LENTAMENTE, POR EJEMPLO, AL PRINCIPIO DE CADA TEMPORADA .LA DIRECTIVA ELIGE BASAR EL PRECIO EN LA ASISTENCIA PROMEDIO DE LA ULTIMA TEMPORADA, ASI COMO EN EL XITO DEL EQUIPO EN LA TEMPORADA PASADA. CON BASE EN QUE SUPUESTOS EL PORCENTAJE DE VICTORIAS EN LA ULTIMA TEMPORADA (SEASPERCt1) ES UNA VARIABLE INSTRUMENTAL VALIDA PARA IPRICE? Los supuestos por los cuales el porcentaje de victorias en la ltima temporada (SEASPERCt-1) es una variable instrumental vlida para IPRICE, son:

Los rezagos en las variables exgenas son llamadas variables predeterminadas, donde la covarianza entre SEASPERCt-1 y el termin error debe ser nulo y la covarianza entre IPRICE y SEASPERCt-1 debe de existir.

d) PARECE RAZONABLE INCLUIR (LOGARITMO DEL) PRECIO REAL DE LOS JUEGOS DE BASQUETBOL VARONIL EN LA ECUACION? EXPLIQUE QU SIGNO PREDICE LA TEORIA ECONOMICA PARA ESTE COEFICIENTE? QUE OTRA VARIABLE RELACIONADA CON EL BASQUETBOL VARONIL PODRIA INCLUIRSE EN LA ECUACION DE ASISTENCIA A LOS PARTIDOS FEMENILES? Si, por que en base a esto se podra saber la asistencia del pblico en ambos juegos y determinar el precio correspondiente. Otra variable que se podra incluir seria las derrotas del equipo. e) SI PREOCUPA QUE ALGUNAS DE LAS SERIES, EN PARTICULAR LATTEND Y LPRICE, TENGAN RAICES UNITARIAS COMO SE CAMBIARA LA ECUACION ESTIMADA? Al existir los problemas de races unitarias significara la presencia de problemas de las tendencias y una alta persistencia, esto se podra evitar especificando los sistemas en las primeras diferencias o tasas de crecimiento; pero es necesario reconocer que esta es un MES diferente del que se especifica en niveles. f) SI ALGUNOS JUEGOS SE AGOTARAN QUE PROBLEMAS CAUSARIA ESTO PARA ESTIMAR LA FUNCION DE LA DEMANDA? Si un juego est agotado se tendra que observar la demanda verdadera para ver como esta escases de pblico ya sea por un aumento del precio u otro factor causara que la demanda de asistir a un juego de basquetbol femenil disminuira.