Ingeniería Comercial

Econometría I
COM – 05223

Práctica Nº 1

1.1 Sea niños la cantidad de hijos que ha tenido una mujer, y educ los años de educación
que tiene esta mujer. Un modelo sencillo para relacionar fertilidad con años de
educación es:
niños=β0+ β1educ+ u,
donde u es el error no observado.
i) ¿Qué tipo de factores son los contenidos en u?. ¿Es posible que estos factores
estén correlacionados con el nivel de educación?
R/ Son aquellas variables no observadas ya sea por falta de información o la
dificultad que hay para medir la variable. Estas variables no observadas
pueden estar directamente correlacionadas con el nivel de educación, como lo
es el índice de pobreza.
ii) ¿Es posible que con un análisis de regresión simple se halle el efecto ceteris
paribus de educación sobre fertilidad? Explique.
R/ No es posible. La fertilidad tiene distintas variables que explican tanto
contextuales como personales que explican la razón por la cual puede tener o
no más niños. Al no contemplar esto dentro del modelo, no hay forma que
dentro de la regresión simple se pueda hallar un efecto causal de una variable
sobre la otra.

1.2 En el modelo de regresión lineal simple y= β0 + β1x+ u, suponga que E(u)≠ 0. Sea α0 =
E(u), muestre que siempre es posible reescribir el modelo con la misma pendiente,
pero con otro intercepto y otro error, de manera que el nuevo error tenga valor
esperado cero.

En la ecuación y =β0 + β1x + u , sumar y restarα 0

desde el lado derecho para obtener y = (α + β0) + β1x + ( u-α0). Llama al nuevo error e
= u - α0, de modo que E ( e ) =0. La nueva intersección esα0 + β0, pero la pendiente sigue
β1
1.3 En la tabla siguiente se presentan las puntuaciones obtenidas en el examen de ingreso
a la universidad en Estados Unidos, ACT (American College Test), y en el GPA
(promedio escolar) por ocho estudiantes universitarios. El GPA está medido en una
escala de cuatro puntos y se ha redondeado a un digito después del punto decimal.
Estudiante GPA ACT GPA* u
1 2.8 21 GPA1 =b0+ GPA*1-GPA1
(b1*21)
2 3.4 24 =b0+(b1*24)
3 3.0 26 =b0+(b1*26)
4 3.5 27 =b0+(b1*27)
5 3.6 29 =b0+(b1*29)
 6 3.0 25 =b0+(b1*25)
7 2.7 25 =b0+(b1*25)
8 3.7 30 =b0+(b1*30)
GPA* - GPA estimado
i) Estime la relación entre GPA y ACT empleando MCO; es decir, obtenga las
estimaciones para la pendiente y para el intercepto en la ecuación

Comente la dirección de la relación ¿tiene, en este caso, el intercepto una interpretación

útil? Explique, ¿qué tanto más alto será el GPA predicho si ACT aumenta cinco puntos?
El intercepto no tiene una interpretación útil por que act no esta cerca de cero para la.
Población
si act es 5 puntos mas alto aumenta en 0,10(5)=0,5 entonces gpa=0,5 aumenta
ii) Calcule los valores ajustados y los residuales para cada observación y verifique que los
residuales (aproximadamente) sumen cero.
Se puede verificar que los residuos tal como informan en la tabla sumen a 0,4 lo que esta
mui cerca de cero dado que el error del redondeo inherente
iii) ¿Cuál es el valor que se predice para el GPA si ACT = 20?
=b0+(b1*20)
gpa =0,57+0,10(20)=2,57
iv) ¿Qué tanto de la variación en el GPA de estos ocho estudiantes es explicada por el
ACT? Explique.
Es explicada porque el GPA no influye en el ACT de manera especifica ya que el ACT es un
promedio obtenido por el examen de ingreso.
1.4 La base de datos BWGHT.WF1 contiene cifras sobre los hijos nacidos de mujeres en
Estados Unidos. Las dos variables de interés son la variable independiente, peso en
onzas del niño al nacer (bwght) y la variable explicativa, cantidad promedio diaria de
cigarros consumidos por la madre durante el embarazo (cigs). La siguiente ecuación
de regresión simple se estimó con datos de n = 1,388 nacimientos:

^
bwght =119.77 - 0.514 cigs
i) ¿Cuál es el peso al nacer que se predice si cigs= 0? ¿Y cuando cigs= 20 (un paquete
por día)? Analice la diferencia.
BWGHT=119.77 cuando cigs es = 0
BWGHT=109.49 cuando cigs es = 20

ii) ¿Capta esta ecuación de regresión simple una relación causal entre el peso del niño al
nacer y el hábito de fumar de la madre? Explique.
iii) Para que el peso al nacer predicho sea de 125 onzas, ¿cuál tiene que ser el valor de
cigs?. Explique.
iv) ¿La proporción de mujeres en la muestra que no fumaron durante el embarazo es
aproximadamente 0.85. ¿Ayuda esto a entender sus hallazgos del inciso iii)?

1.5 En la función lineal de consumo

 la propensión marginal a consumir estimada (PMgC) del ingreso no es más que la
ons /inc= ^β 0
pendiente, β1, mientras que la propensión media a consumir (PMeC) es c^
/inc ^β 1. Usando las observaciones sobre ingreso anual y consumo de 100 familias
(ambos medidos en dólares), se obtiene la ecuación siguiente:

i) Interprete el intercepto en esta ecuación y analice su signo y su magnitud.

ii) ¿Cuál es el consumo que se predice si el ingreso familiar es de $30,000?
iii) Con inc en el eje x, trace una grafica la PMgC estimada y de la PMeC estimada.

1.6 Considere la función de ahorro

2
donde e es una variable aleatoria con E(e) = 0 y Var(e)=σ e. Suponga que e es
independiente de inc.
i) Muestre que E(u|inc) = 0, de manera que el supuesto clave de media condicional cero
se satisface. [Sugerencia: Si e es independiente de inc, entonces E(e|inc)= E(e).]
2
ii) Muestre que Var(u|inc)=σ einc, de manera que se viola el supuesto de
homocedasticidad. En particular, la varianza de sav (ahorro) aumenta con inc.
[Sugerencia: Var(e|inc)= Var(e), si inc y e son independientes.]
iii) Proporcione un análisis para sostener el supuesto de que la varianza de los ahorros
aumenta con el ingreso familiar.

1.7 Suponga que desea estimar el efecto de las horas invertidas en un curso de
preparación para el examen estándar de admisión (SAT) sobre la puntuación
obtenida en este examen (sat). La población es la de todos los alumnos de último año
de bachillerato que están por ingresar a la universidad en un determinado año.
i) Suponga que se le otorga un subsidio para realizar un experimento controlado.
Explique cómo estructuraría el experimento con objeto de estimar el efecto causal de
hours sobre sat.
ii) Considere el caso más real en el que los estudiantes deciden cuanto tiempo invertir
en el curso de preparación para el examen, y usted solo puede muestrear de la
población, en forma aleatoria, sat y hours. Escriba un modelo poblacional de la forma

donde, como de costumbre en un modelo con intercepto, puede suponerse que

E(u) = 0. Enumere por lo menos dos factores contenidos en u. ¿Es posible que
estos estén correlacionados positiva o negativamente con hours?
iii) En la ecuación del inciso ii) ¿cuál debe ser el signo de β 1 si el curso de preparación es
efectivo?
iv) En la ecuación del inciso ii), ¿cuál es la interpretación de β 0?

EJERCICIOS EN COMPUTADORA
1.8 La base de datos 401K.WF1 es un subconjunto de los datos analizados por Papke
(1995) para estudiar la relación entre la participación en un plan de pensión y la
generosidad del plan. La variable prate es el porcentaje de trabajadores que están
inscritos en el plan y que tienen cuenta activa; esta es la variable que se quiere
 explicar. La medida de la generosidad es la tasa de contribución (de la empresa) al
plan, mrate. Esta variable es la cantidad promedio con la que la empresa contribuye
al plan de cada trabajador por cada $1 que aporte el trabajador. Por ejemplo, si
mrate = 0.50, entonces a una contribución de $1 del trabajador corresponde una
contribución de 50 centavos de la empresa.
i) Encuentre el promedio de la tasa de participación y el promedio de la tasa de
contribución para la muestra.

ii) Ahora, estime la ecuación de regresión simple

y de los resultados, el tamaño de la muestra y R-cuadrada.

iii) Interprete el intercepto de la ecuación. Interprete también el coeficiente de mrate.

iv) Determine la prate que se predice para = 3.5. ¿Es razonable esta predicción? Explique
que ocurre aquí.
v) ¿Qué tanto de la variación en prate es explicada por mrate? En su opinión, ¿es
mucho?

1.9 La base de datos CEOSAL2.WF1 contiene información sobre directores generales de

empresas (CEO) estadounidenses. La variable salary es el sueldo anual, en miles de
dólares, y ceoten son los años de antigüedad como CEO de la empresa.
i) Determine el sueldo y la antigüedad promedio en esta muestra.
ii) ¿Cuántos de estos directivos se encuentran en su primer año como CEO (es decir,
ceoten = 0)? ¿Cuál es la mayor antigüedad entre estos CEO?
iii) Estime el modelo de regresión simple

y de los resultados en la forma usual. ¿Cuál es el aumento porcentual (aproximado)

que se pronostica en el sueldo por cada año adicional de antigüedad como CEO?

1.10 Utilice los datos de SLEEP75.WF1 de Biddle y Hamermesh (1990) para analizar si
existe una relación inversa entre las horas de sueño por semana y las horas de
trabajo pagado por semana ¿Cualquiera de las variables puede usarse como la
variable dependiente. Estime el modelo

donde sleep corresponde a minutos de sueño por semana durante la noche y totwrk
corresponde al total de minutos de trabajo por semana.
i) De sus resultados en forma de ecuación, además de la cantidad de observaciones y
la R2. ¿Qué significa el intercepto de la ecuación?
ii) Si totwrk aumenta 2 horas, ¿cuánto se estima que disminuirá sleep? ¿Le parece
que este efecto sea grande?

1.11 Use la base de datos WAGE2.WF1 para estimar una regresión simple que explique el
salario mensual (wage) en términos de la puntuación del coeficiente intelectual (IQ).
i) Determine el promedio muestral del salario y de IQ. ¿Cuál es la desviación estándar
muestral de IQ? (La puntuación del coeficiente intelectual esta estandarizada, de
manera que el promedio de la población es 100 y la desviación estándar es 15.)
 ii) Estime un modelo de regresión simple en el que un aumento de un punto en IQ
modifique wage en una cantidad de dólares constante. Use este modelo para
determinar el aumento que se predice en wage para un aumento de 15 puntos en
IQ. ¿Explica IQ la mayor parte de la variación en wage?
iii) Ahora, estime un modelo en el que cada aumento de un punto en IQ tenga un
mismo efecto porcentual sobre wage. Si IQ aumenta 15 puntos, ¿cuál es el aumento
porcentual pronosticado para wage?

1.12 En la población formada por las empresas de la industria química, sea rd gastos
anuales en investigación y desarrollo y sales ventas anuales (ambos en millones de
dólares).
i) De un modelo (no una ecuación estimada) que implique una elasticidad constante
entre rd y sales. ¿Que parámetro es la elasticidad?
ii) Ahora, estime el modelo usando la base de datos RDCHEM.WF1. Escriba la
ecuación estimada en su forma usual. ¿Cuál es la elasticidad estimada para rd
respecto a sales?
Explique qué significa esta elasticidad.
Notas
1.2. Use +α0 y -α0 en la regresión, ordenamos términos y luego tomamos la esperanza
de la ecuación resultando en una nueva regresión con intercepto α 0 + β0 , y la
pendiente continúa siendo β1 y la esperanza del nuevo error será cero.
1.3.i) GPA ^ =0.5681 + 0.1022 ACT
n=8
Si ACT aumenta en cinco puntos GPA aumentará en 0.511, el intercepto no tiene
una interpretación útil porque…..
ii) Obtenga los errores y sume! El valor es aproximadamente -0.0002 que se puede
redondear a cero.
iii) R. 2.61
iv) R. el 0.577, explique….
1.6. i) Cuando se establece √ inc como condicionante de la esperanza, se asume como
una constante. Entonces E(u|inc) = E(√ inc *e|inc)….entonces…
ii) Resp es similar al inciso anterior pero aplicar las propiedades de la varianza.
1.8 i) El promedio de prate es 87.36 y el promedio de mrate es 0.732
ii) prate=83.05+5.86 mrate
n=1.534, R2 = 0.075
iv) obtendríamos un valor de 103.59 para prate, lo cual es inconsistente con una tasa
máxima del 100% de participación ….
1.9 i) El salario promedio es 865 .864 que implica un valor de $ 865,864 puesto que la
variable está expresada en miles de dólares. El promedio de ceoten es 7.95
ii) cinco ceos son nuevos y el más antiguo tiene 37 años
iii) la ecuación: log(salary)=6.51 + 0.0097 ceoten
n=177, R2 = 0.013
un año más como CEO se predice que aumentará el salario en casi un 1%
(explique ….)
1.10 i) sleep=3,586.4-0.151 totwrk
n=706, R2 = 0.103
el intercepto implica que una persona que no trabaja duerme al mes 3,586.4
minutos, esto es …. horas por noche.
ii) -18.12 minutos …….
1.11 i) salario promedio $957.95 y IQ promedio 101.28 la desviación estándar 15.05
ii) wage=116.99+8.30IQ
n=935, R2 = 0.096
iii) log(wage)= 5.89 + 0.0088 IQ
n=935, R2 = 0.099
1.12 i) log(rd)=β0+ β1log(sales)+ u,; donde β1 es la elasticidad de rd con respecto de sales
ii) log(rd)=-4.105+ 1.076 log(sales)+ u,
n=32; R2 = 0.910