Ingeniería Comercial Leandro Antonio Rodríguez Carrillo

Econometría I Cod: R1711-6

COM – 05223

Práctica N.º 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 ¿Es posible
que: ii) con un análisis de regresión simple se halle el efecto ceteris paribus de educación
sobre fertilidad? Explique.
R.- Esto 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. todo no
contemplar esto dentro del modelo, no hay forma que dentro de la regresión simple se
hallar un efecto causal de una variable puede 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.
R- En la ecuación (y =β0 + β1x + u), sumar y restar (α0) 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 es (α0 + 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.
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

R.- El intercepto no tiene una interpretación útil porque ATC no está cerca de cero para la.
Población si ATC es 5 puntos más alto aumenta en 0,1022 (5) =0,511 entonces GPA=0,511
aumenta
ii) Calcule los valores ajustados y los residuales para cada observación y verifique que los
residuales (aproximadamente) sumen cero.

GPA1 =b0+
(b1*21) GPA*1-
  Y A X B     GPA1
Est. GPA Yi-Y ACT Xi-X A*B B^2 GPA* u
1 2,8 -0,4125 21 -4,875 2,01 23,77 2,71 0,0857
2 3,4 0,1875 24 -1,875 -0,35 3,52 3,02 0,3791
3 3 -0,2125 26 0,125 -0,03 0,02 3,23 -0,2253
4 3,5 0,2875 27 1,125 0,32 1,27 3,33 0,1725
5 3,6 0,3875 29 3,125 1,21 9,77 3,53 0,0681
6 3 -0,2125 25 -0,875 0,19 0,77 3,12 -0,1231
7 2,7 -0,5125 25 -0,875 0,45 0,77 3,12 -0,4231
8 3,7 0,4875 30 4,125 2,01 17,02 3,63 0,0659
5,81 56,88
3,2125 25,875 0,00

β1= 0,1022 β0= 0,5681

iii) ¿Cuál es el valor que se predice para el GPA si ACT = 20?

=b0+(b1*20)
R.-
ATC= 20
GPA =0,5681+0,1022(20) =2.6121

iv) ¿Qué tanto de la variación en el GPA de estos ocho estudiantes es explicada por el
ACT? Explique

∑ u^ 2i
2 i=1
R =1− n

∑ ¿ ¿¿ ¿
i =1
OBS. R^2  
2
R =1− ( 0,43
1,04 )
=0,5865
1 0,01 0,17 “ATC explica el 58,6% de la variacion de GPA”
2 0,14 0,04
3 0,05 0,05
4 0,03 0,08 1.4 La base de datos BWGHT.WF1 contiene cifras
5 0 0,15 sobre los hijos nacidos de mujeres en Estados
6 0,02 0,05 Unidos. Las dos variables de interés son la variable
7 0,18 0,26 independiente, peso en onzas del niño al nacer
8 0 0,24 (bwght) y la variable explicativa, cantidad
SUMA 0,43 1,04
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.
R.- si cigs= 0
^
bwght =119.77 - 0.514 (0) = 119.77
Esto indica que si fuma ningún cigarrillo (0 en promedio) durante el embarazo el peso al
nacer es de 119.77 onzas.
R.- si cigs= 20
^
bwght =119.77 - 0.514 (20) = 109.49
Esto indica que si fuma 20 cigarrillos en promedio durante el embarazo el peso al nacer es
de 109.49 onzas.

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
R.- Dado que existen muchas más variables que puedan indicar el peso de del infante lo
cual que hace que el modelo no tenga una relación que sea causal.

iii) Para que el peso al nacer predicho sea de 125 onzas, ¿cuál tiene que ser el valor de
cigs? Explique.

125 =119.77 - 0.514 cigs

Cigs0.514 = 119.77-25 = -5.23
5.23
Cigs= - 0.514 = -10,17 => -10 cigs
Esto indica que el máximo de onzas que un infante puede nacer sin necesidad de fumar
cigarrillos es de 119.77; por lo tanto, no es posible que un infante nazca con 125 onzas.
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)?
R.- Ya que solo trabaja con la variable “Cigs” para tratar de expresar el peso de los
infantes, solo se tiene un valor predicho cuando cigs es igual a 0, y por ello se obtiene un
valor menos a B0

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.

R.- El intercepto de la ecuación comprende que cuando el incremento sea igual a o(inc =
0) se prevé que el negativo sea $ 124.8 4 es decir - 124.84 es el nivel de consumo de
alguien ninc = 0 . No tiene mucho sentido que el signo sea negativo ya que técnicamente
una familia no puede tener un consumo negativo, debido a esto nuestra función se
convierte en un débil predictor de consumo con niveles muy bajos de ingresos.

ii) ¿Cuál es el consumo que se predice si el ingreso familiar es de $30,000?

Reemplazamos los $30.000 en la ecuación:

cons=-124,84+0,853^ * inc
cons=-124,3+0,853^ * 30.0000
cons = 25465, 16

El consumo predicho para un ingreso familiar de US30.000 es de $25465

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

donde e es una variable aleatoria con E(e) = 0 y Var(e)=σ 2e. 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).]

R.- E ( u|inc ) =E ( √ inc∗e )=E ( √ inc∗e∨inc)

Usamos la propiedad E ( xy )=E ( x ) E ( y ) si X y Y son independientes:
E ( √ inc 1}∨inc )∗E ( e|inc )=0

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.]

R.- Var ( u|inc )=Var ( √ inc∗e ) =Var ( √ inc∗e∨inc)

Usamos la propiedad .- Var [ a∗X ] =a 2∗Var [ X ]
2
¿( √inc) ∗Var ( e|inc )=inc∗σ 2
Todo esto se debe a: Var ( u|x )=σ 2 es el error que tiene la misma varianza para cualquier
valor de una variable explicativa.

iii) Proporcione un análisis para sostener el supuesto de que la varianza de los ahorros
aumenta con el ingreso familiar.

R.- Sabemos que unas familias con unos ingresos superiores no tienen limitaciones
económicas y tendrán mayor chance de ahorrar o decidir qué porcentaje de sus ingresos a
gastar. A diferencia que una familia de escasos recursos, pues utilizaran la mayor parte de
estos a cubrir costos que son de primera necesidad.

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.

R.-
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.

R.-

PRATE MRATE

Tasa de Participación Tasa de contribución

 PROMEDIO  87.36291  0.731512

ii) Ahora, estime la ecuación de regresión simple

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

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

de 1534 observaciones y el resultado de R-cuadrada: 0.074703

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

B0= intercepto de la ecuación = 83.0754554213

B1=MRATE*5.86107917343

*El intercepto me dice que la constante que hay entre prate y mrate es de 83.075…
unidades Mientras que el coeficiente de mrate me dice que por cada unidad que aumente
mrate prate aumentara en 5.861… unidades.
iv) Determine la prate que se predice para = 3.5. ¿Es razonable esta predicción? Explique
que ocurre aquí?

R.- PRATE = 83.0754554213 +(5.86107917343*MRATE(3.5))= 103.5892325

*No es razónable ya que supera el 100% que sería nuestro porcentaje máximo de
trabajadores.

v) ¿Qué tanto de la variación en prate es explicada por mrate? En su opinión, ¿es mucho?

R.- R^2=.074703 En mi opinión no es tan grande la variación una respecto a la otra ya

que son variables directamente dependientes.

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.

R.- PROMEDIOS:

SALARY SUELDO EN CEOTEN

DLLS ANTIGÜEDAD EN AÑOS

865.8644 7.954802

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?

R.- 5 de los 177 CEO muestran estar en su primer año. Los 2 CEO más antiguos tienen
una antigüedad de 37 Años en la empresa.

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?

R.- El sueldo aumenta en un .00097% por cada año de antigüedad adicional.

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 R 2.
¿Qué significa el intercepto de la ecuación?

R.- SLEEP = 3586.37695151 - 0.150745824119*TOTWRK +u

Se tienen 706 observaciones

R^2= .103287

Que como base el individuo ya duerme alrededor de 3586.37695151 minutos por semana

ii) Si totwrk aumenta 2 horas, ¿cuánto se estima que disminuirá sleep? ¿Le parece que
este efecto sea grande?

R.- Sleep disminuirá 2 * 0.150746=0.3014 minutos, es decir, 18.09 segundos El efecto no

parece ser tan grande puesto que representa 301492/120=0.25% del tiempo trabajado.

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.)

R.- WAGE = 116.99156 16.991564786+8.30306430823^ * IQ+u

SALARIO MENSUAL COEFICIENTE INTELECTUALPROMEDIO

957.9455 101.2824

DESVIACIÓN ESTANDAR 15.05264

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?

R.- WAGE = 116.99i 564786+8.30306430823^ * IQ+u

WAGE = 116.991 16.991564786+8.30306 4308 430823^ * 15+u=241.5375^ 29

0.095535

* Dado que la R^ ^ 2 nos da un resultado de se puede concluir que la variación en wage

con IQ no es tan precisa.

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?

R.- LWAGE = 5.88699 433389 + 0.00880 5^ 8 7764^ * 1Q+u=6.01910167

Si IQ aumenta 15 puntos wage amental en un 16.019%

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?

R.- log(rd)= beta o+ beta1 log(sales)+u // B1 es la elasticidad de rd respecto a sales.

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.

RD = - 0.57721 237 + 0.0406 * SALES + u

LRD = - 4.10472 3311+1.0757304769^ * LSALES+u

La elasticidad estimada para rd respecto a sales es de 1.0757304769

*Esta elasticidad nos dice que los gastos anuales dependen en un 1.07% de las ventas