4.7.1 PROBLEMAS 4,1 * (a) Suponiendo que una regresin simple tiene cantidades? Dyi? y2 631:63 y?

? ^ e2i 182:85, encontrar R2. (B) Supongamos que una regresin simple tiene cantidades de N 20,? Y2i 5930:94 , y 16:035, y SSR 666:72, encontrar R2. (C) Supongamos que una simple regresin R2 tiene cantidades 0:7911, acero inoxidable 552:36, y N = 20, encuentre ^ s2. 4,2 * Considere la siguiente ecuacin de regresin estimada (errores estndar entre parntesis): ^ y 5:83 0:869 0:756 x R2 se D1: 23 D0: 117 Reescribe la ecuacin estimada a la que resultara si (A) Todos los valores de x se divide por 20 antes de la estimacin (B) Todos los valores de y se divide por 50 antes de la estimacin (C) Todos los valores de y y x se divide por 20 antes de la estimacin 4.3 Uso de los datos del ejercicio 2.1 y slo una calculadora (muestre su trabajo) compute (A) El valor predicho de y para x0 4 (B) El SED f correspondiente a la parte (a) (C) Un intervalo de prediccin de 95% para y dado x0 4 (D) intervalo A95% prediccin de y dado x x. Comparar el ancho de este intervalo a la que se calcula en la parte (c) 4.4 El director general de una empresa de ingeniera quiere saber si la experiencia de un artista tcnico influye en la calidad de su trabajo. Una muestra aleatoria de 50 artistas se selecciona y se registraron sus aos de experiencia laboral y la calificacin de calidad (segn la evaluacin de sus supervisores). Experiencia laboral (EXPER) se mide en aos y calificacin de calidad (RATING) tiene un valor en el intervalo de uno a cuatro, con 4 muy bueno y 1 muy pobre. Dos modelos se estiman por mnimos cuadrados. Las estimaciones y los errores estndar son Modelo 1: RbATING 3:4464? 0:001459 EXPER? 352 N 50

se D0: 0375 D0: 0000786 Modelo 2: RbATING 1:4276 0:5343 lnEXPER N 49 se D0: 1333 D0: 0433 (A) Para cada modelo, dibuje la funcin de regresin estimada para EXPER 10 a 40 aos. (B) Uso de cada modelo, predecir la clasificacin de un trabajador con 10 aos de experiencia. (C) Uso de cada modelo, encontramos el efecto marginal de un ao ms de experiencia en la calificacin de los trabajadores esperado para un trabajador con 10 aos de experiencia. (D) Uso de cada modelo, la construccin de un intervalo de estimacin del 95% para el efecto marginal se encuentra en (c). Tenga en cuenta que el modelo 2 tiene un menor nmero de observaciones debido a un trabajador que tiene EXPER 0. 4.5 Suponga que usted est estimando un modelo de regresin lineal simple. (A) Si se multiplican todos los valores de x por 20, pero no los valores de y, qu pasa con el parmetro b1 y b2 valores? Qu sucede con mnimos cuadrados b1 y b2 estimaciones? Qu sucede con la varianza del trmino de error? (B) Supongamos que se est estimando un modelo de regresin lineal simple. Si se multiplican todos los valores de y en un 50, pero no los valores de x, que pasa con los valores de los parmetros 4.6 La lnea de mnimos cuadrados ajustada es ^ yi b1 b2xi. (A) algebraicamente, muestran que la lnea ajustada pasa a travs del punto de los medios, DX; YTH. (B) Algebraicamente muestran que el valor promedio de ^ yi es igual a la media de la muestra de y. Es decir, demostrar que ^ y y; dnde ^ y ^ yi = N. 4.7 En un modelo de regresin lineal simple suponer que sabemos que el parmetro de origen es cero, por lo que el modelo es yi b2xi ei. El estimador de mnimos cuadrados de b2 se desarrolla en el Ejercicio 2.4. (A) Cul es el menos predictor cuadrados de y en este caso? (B) Cuando una interseccin no est presente en un modelo, R2 se define a menudo a ser R2u 1? SSE =? Y2i

, Donde SSE es la suma usual de los residuos al cuadrado. Calcular R2u para los datos del ejercicio 2,4. (C) Compare el valor de R2u en la parte (b) para el R2 generalizada r2 y ^ Y, donde ^ y es el factor de prediccin basado en el modelo restringido en la parte (a). (D) Calcular SST ? Bricolaje? y2 y SSR ? ^ yi? y2, donde ^ y es el factor de prediccin basado en el modelo restringido en la parte (a). La suma de los cuadrados de descomposicin SST SSR espera SSE en este caso? 4.7.2 EJERCICIOS DE INFORMTICA 4.8 Las tres primeras columnas de la wa_wheat.dat archivo contiene observaciones sobre el rendimiento de trigo en el Western Australian condados de Northampton, Valle de Chapman, y Mullewa, respectivamente. Hay 48 observaciones anuales correspondientes a los aos 1950-1997. En la comarca del Valle Chapman, tenga en cuenta las tres ecuaciones yt b1 B2t et yt a1 a2lnt et yt g1 g2t2 et (A) Utilizando los datos desde 1950 hasta 1996, estimar cada una de las tres ecuaciones.
. regress chapman time SS 2.39196096 2.81377806 5.20573902 Coef. .0161139 .6775954 df 1 46 47 MS 2.39196096 .061169088 .110760405 t 6.25 9.34 P>|t| 0.000 0.000 Number of obs F( 1, 46) Prob > F R-squared Adj R-squared Root MSE = = = = = = 48 39.10 0.0000 0.4595 0.4477 .24732 Source Model Residual Total chapman time _cons

Std. Err. .0025768 .0725266

[95% Conf. Interval] .0109269 .5316069 .0213008 .8235839

. regress

chapman lnt SS 1.2709089 3.93483012 5.20573902 Coef. .1855143 .5286975 df 1 46 47 MS 1.2709089 .085539785 .110760405 t 3.85 3.59 P>|t| 0.000 0.001 Number of obs F( 1, 46) Prob > F R-squared Adj R-squared Root MSE = = = = = = 48 14.86 0.0004 0.2441 0.2277 .29247

Source Model Residual Total chapman lnt _cons

Std. Err. .0481287 .1472328

[95% Conf. Interval] .0886362 .2323332 .2823923 .8250618

. regress

chapman

t2 SS df 1 46 47 MS 2.95969428 .04882706 .110760405 t 7.79 16.43 P>|t| 0.000 0.000 Number of obs F( 1, 46) Prob > F R-squared Adj R-squared Root MSE = = = = = = 48 60.62 0.0000 0.5685 0.5592 .22097

Source Model Residual Total chapman t2 _cons

2.95969428 2.24604475 5.20573902 Coef. .0003547 .7914385

Std. Err. .0000456 .04816

[95% Conf. Interval] .000263 .6944975 .0004463 .8883795

(B) Teniendo en cuenta (i) las parcelas de las ecuaciones empotrados, (ii) las parcelas de los residuos, (iii) pruebas de normalidad de error, y (iv) los valores de R2, que la ecuacin crees que es preferible? Explain.

1.5 .5 1

10

20 30 time index, 1,...,48

40

50

average wheat yield in tonnes per hectare, Chapman Shire, Western LinearAustralia prediction

1.5 .5 1

10

20 30 time index, 1,...,48

40

50

average wheat yield in tonnes per hectare, Chapman Shire, Western LinearAustralia prediction

1.5 .5 1

10

20 30 time index, 1,...,48

40

50

average wheat yield in tonnes per hectare, Chapman Shire, Western Linear Australia prediction

4,9 * Para cada una de las tres funciones en ejercicio 4,8 (A) Encuentre el valor predicho y un intervalo de prediccin del 95% para el rendimiento cuando t = 48. Es el valor real dentro del intervalo de prediccin? (B) Hallar las estimaciones de las laderas dyt = dt en el punto t = 48. (C) Hallar las estimaciones de las elasticidades dyt = dtt = yt en el punto t = 48. (D) un comentario sobre las estimaciones que obtuvo en las partes (b) y (c). Cul es su importancia? 4,10 El london.dat archivo es una seccin transversal de 1519 hogares extradas de las encuestas 1980-1982 British Family Gastos. Los datos han sido seleccionados para incluir slo los hogares con uno o dos hijos que viven en el Gran Londres. Trabajador por cuenta propia y los hogares retirados han sido excluidas. Definicin de las variables se encuentran en el london.def archivo. La parte del presupuesto de una mercanca, por ejemplo la comida, se define como WFOOD gasto /del gasto total en alimentos Una forma funcional que ha sido popular para la estimacin de las funciones de gasto para los productos bsicos es WFOOD b1 b2 lnTOTEXP e
. by nk, sort : regress wfood lntotexp -> nk = 1 Source Model Residual Total wfood lntotexp _cons SS 2.27500068 4.82856209 7.10356278 Coef. -.1495024 1.009933 df 1 592 593 MS 2.27500068 .008156355 .011979027 t -16.70 25.19 P>|t| 0.000 0.000 Number of obs F( 1, 592) Prob > F R-squared Adj R-squared Root MSE = = = = = = 594 278.92 0.0000 0.3203 0.3191 .09031

Std. Err. .0089517 .0400986

[95% Conf. Interval] -.1670833 .9311799 -.1319214 1.088686

-> nk = 2 Source Model Residual Total wfood lntotexp _cons . SS 2.09549424 7.40307827 9.49857251 Coef. -.1294372 .9535016 df 1 923 924 MS 2.09549424 .00802067 .01027984 t -16.16 26.10 P>|t| 0.000 0.000 Number of obs F( 1, 923) Prob > F R-squared Adj R-squared Root MSE = = = = = = 925 261.26 0.0000 0.2206 0.2198 .08956

Std. Err. .0080079 .036526

[95% Conf. Interval] -.1451531 .8818179 -.1137213 1.025185

(A) Calcule la funcin de las familias con un hijo y las familias con dos hijos. Informar y comentar los resultados. (Puede que le resulte ms conveniente utilizar los archivos lon1.dat y lon2.dat que contienen los datos de los hogares de una y dos nios, con 594 observaciones y 925, respectivamente).

(B) Se puede demostrar que la elasticidad del gasto para la alimentacin est dada por e b1 b2 lnTOTEXP 1? b1 b2lnTOTEXP Encuentra las estimaciones de la elasticidad para una y dos nios-hogares, evaluada en el gasto medio total en cada caso. Estas estimaciones sugieren que la alimentacin es un lujo o una necesidad? (Pista: Son las elasticidades superiores a uno o menos de uno?)
. by nk, sort : summarize lntotexp totexp -> nk = 1 Variable lntotexp totexp -> nk = 2 Variable lntotexp totexp Obs 925 925 Mean 4.546377 101.1676 Std. Dev. .3679154 41.06455 Min 3.688879 40 Max 5.799093 330 Obs 594 594 Mean 4.460276 94.84848 Std. Dev. .4143003 46.08512 Min 3.401197 30 Max 5.966147 390

(C) Analizar los residuales de cada funcin estimada. La forma funcional parece adecuada? Es razonable suponer que los errores se distribuyen normalmente? (D) Con los datos sobre los hogares con dos hijos, lon2.dat, estiman ecuaciones de participacin de presupuesto para combustible (WFUEL) y transporte (Wtrans). Para cada ecuacin discutir la estimacin de b2 y llevar a cabo una prueba de dos colas de significacin estadstica.
. by nk, sort : regress wfuel wtrans -> nk = 2 Source Model Residual Total wfuel wtrans _cons SS .073952816 2.36487239 2.43882521 Coef. -.08724 .1011056 df 1 923 924 MS .073952816 .002562159 .002639421 t -5.37 37.85 P>|t| 0.000 0.000 Number of obs F( 1, 923) Prob > F R-squared Adj R-squared Root MSE = = = = = = 925 28.86 0.0000 0.0303 0.0293 .05062

Std. Err. .0162383 .0026712

[95% Conf. Interval] -.1191084 .0958632 -.0553717 .106348

. di invttail(923,0.975) -1.9625375

. regress

wfood wfuel SS .037672139 9.46090037 9.49857251 Coef. .1242853 .3538603 df 1 923 924 MS .037672139 .010250163 .01027984 t 1.92 52.73 P>|t| 0.056 0.000 Number of obs F( 1, 923) Prob > F R-squared Adj R-squared Root MSE = = = = = = 925 3.68 0.0555 0.0040 0.0029 .10124

Source Model Residual Total wfood wfuel _cons

Std. Err. .0648299 .0067108

[95% Conf. Interval] -.0029457 .3406902 .2515163 .3670305

. regress

wfood wtrans SS .942085595 8.55648692 9.49857251 Coef. -.3113749 .4050961 df 1 923 924 MS .942085595 .0092703 .01027984 t -10.08 79.73 P>|t| 0.000 0.000 Number of obs F( 1, 923) Prob > F R-squared Adj R-squared Root MSE = = = = = = 925 101.62 0.0000 0.0992 0.0982 .09628

Source Model Residual Total wfood wtrans _cons

Std. Err. .0308877 .0050811

[95% Conf. Interval] -.3719931 .3951243 -.2507567 .4150679

(E) Utilizar los resultados de la regresin de la parte (d), calcular la elasticidad e para el combustible y el transporte por primera vez en la mediana del gasto total (90), y luego en el 95 por ciento de los ingresos totales (180). Qu diferencias observa? Son las diferencias que observamos en consonancia con el razonamiento econmico? 4,11 * Reconsiderar los datos electorales presidenciales (fair4.dat) introdujo en ejercicios 2,14 y 3,9. (A) Utilizando los datos de 1916 a 2008, la estimacin del modelo de regresin VOTAR =b1 + b2GROWTH +e. Sobre la base de estas estimaciones, cul es el valor esperado de la votacin en el 2008? Cul es el de mnimos cuadrados residuales para la observacin de las elecciones de 2008?
. reg vote growth Source Model Residual Total vote growth _cons SS 407.923492 765.927214 1173.85071 Coef. .6545116 51.6908 df 1 31 32 MS 407.923492 24.7073295 36.6828346 t 4.06 59.34 P>|t| 0.000 0.000 Number of obs F( 1, 31) Prob > F R-squared Adj R-squared Root MSE = = = = = = 33 16.51 0.0003 0.3475 0.3265 4.9706

Std. Err. .1610797 .8711021

[95% Conf. Interval] .3259873 49.91418 .9830359 53.46742

(C) Calcule la regresin de (a) utilizar los datos desde 1.916 hasta 2.004. Predecir el valor del voto en 2008 con el valor real de crecimiento para 2008, que fue de 0,22%. . di (.22)*.6545116 + 51.6908= 51.834793

Cul es el error de prediccin en este pronstico? Es ms grande o ms pequeo que el error calculado en la parte (a)?

(D) Utilizando los resultados de la regresin de (b), la construccin de un intervalo de prediccin del 95% para 2008 el valor de votar con el valor real de crecimiento 0,22%. Es el resultado real 2008 dentro del intervalo de prediccin?
( 1) .22*growth + _cons = 0 vote (1) Coef. 51.83479 Std. Err. .8677255 t 59.74 P>|t| 0.000 [95% Conf. Interval] 50.06505 53.60453

(D) Uso de los resultados de la estimacin en (b), qu valor de crecimiento habra dado lugar a una prediccin de que el partido en el poder [los republicanos] habra ganado un 50,1% de los votos? 4.12 En el Captulo 4.6 se consider la demanda de pollo comestible, que los EE.UU. Departamento de Agricultura llamadas'' pollos de engorde.'' Los datos para este ejercicio se encuentran en el newbroiler.dat archivo. (A) Utilizando las 52 observaciones anuales, 1950-2001, la estimacin del modelo recproco Q a1 a2d1 PTH = e. Trazar el valor ajustado de Q consumo per cpita de pollo, en libras, en comparacin con P precio real de pollo. En qu medida la relacin estimado se ajusta a los datos?
. reg q recp SS 6425.60536 900.957921 7326.56328 Coef. 48.36496 -6.024364 df 1 50 51 MS 6425.60536 18.0191584 143.658104 t 18.88 -2.93 P>|t| 0.000 0.005 Number of obs F( 1, 50) Prob > F R-squared Adj R-squared Root MSE = = = = = = 52 356.60 0.0000 0.8770 0.8746 4.2449 Source Model Residual Total q recp _cons

Std. Err. 2.561186 2.059201

[95% Conf. Interval] 43.22066 -10.16039 53.50925 -1.888337

10

20

30

40

50

1.5 2 2.5 real price (index) of fresh chicken

3 Linear prediction

per capita consumption of boneless chicken, pounds

(B) Uso de la relacin estimada en la parte (a), calcular la elasticidad del consumo per cpita con respecto al precio real cuando el precio real es la mediana, $ 1,31, y la cantidad que se toma como el valor correspondiente en la curva ajustada. [Sugerencia: La derivada (pendiente) de modelo recproco y un b (1 = x) dx = dy es b (1 = x2)?]. Compare esta elasticidad estimada para el clculo se encuentra en el Captulo 4.6, donde se utiliz la forma funcional log-log. (C) Estimar la demanda de aves de corral con la forma lineal-log funcional Q g1 g2 lnP e. Grafica los valores ajustados de Q consumo per cpita de pollo, en libras, en comparacin con P precio real de pollo. En qu medida la relacin estimado se ajusta a los datos?
. reg q lnp Source Model Residual Total q lnp _cons . SS 5962.45201 1364.11127 7326.56328 Coef. -31.9078 41.21114 df 1 50 51 MS 5962.45201 27.2822254 143.658104 t -14.78 41.64 P>|t| 0.000 0.000 Number of obs F( 1, 50) Prob > F R-squared Adj R-squared Root MSE = = = = = = 52 218.55 0.0000 0.8138 0.8101 5.2232

Std. Err. 2.158362 .9898122

[95% Conf. Interval] -36.243 39.22304 -27.5726 43.19923

10

20

30

40

50

1.5 2 2.5 real price (index) of fresh chicken

3 Linear prediction

per capita consumption of boneless chicken, pounds

(D) Uso de la relacin estimada en la parte (c), calcular la elasticidad del consumo per cpita con respecto al precio real cuando el precio real es la mediana, $ 1,31. Compare esta elasticidad estimada para la estimacin del modelo log-log y del modelo recproco de la parte (b). (E) Evaluar la idoneidad de la log-log, log-lineal, y modelos recprocos para el montaje de los datos de consumo de aves de corral. Cul de ellos se selecciona lo mejor y por qu? 4,13 * stockton2.dat El archivo contiene datos sobre 880 viviendas vendidas en Stockton, California, a mediados de 2005. Descripciones de las variables se encuentran en el stockton2.def archivo. Estos datos se consideraron en los ejercicios 2,12 y 3,11. (A) Estime el modelo log-lineal lnPRICE b1 b2SQFT e. Interpretar los parmetros estimados del modelo. Calcular la pendiente y la elasticidad en la muestra significa que, si es necesario.
. regress lnprice sqft SS 88.3556977 36.1934444 124.549142 Coef. .000596 10.59379 df 1 878 879 MS 88.3556977 .041222602 .141694132 t 46.30 484.84 P>|t| 0.000 0.000 Number of obs F( 1, 878) Prob > F R-squared Adj R-squared Root MSE = 880 = 2143.38 = 0.0000 = 0.7094 = 0.7091 = .20303 Source Model Residual Total lnprice sqft _cons .

Std. Err. .0000129 .02185

[95% Conf. Interval] .0005707 10.5509 .0006212 10.63667

(B) Estime el modelo log-log lnPRICE b1 b2lnSQFT e. Interpretar los parmetros estimados. Calcular la pendiente y la elasticidad en la muestra significa que, si es necesario.
. regress lnprice lnsqft SS 86.4716562 38.0774859 124.549142 Coef. 1.006582 4.170677 df 1 878 879 MS 86.4716562 .043368435 .141694132 t 44.65 25.20 P>|t| 0.000 0.000 Number of obs F( 1, 878) Prob > F R-squared Adj R-squared Root MSE = 880 = 1993.88 = 0.0000 = 0.6943 = 0.6939 = .20825 Source Model Residual Total lnprice lnsqft _cons .

Std. Err. .0225423 .1655084

[95% Conf. Interval] .9623386 3.845839 1.050825 4.495515

(C) Compare el valor de R2-el precio de un modelo lineal b1 e b2SQFT a la medida'''' generalizada R2 para los modelos en (b) y (c).
. reg price sqft Source Model Residual Total price sqft _cons . SS 1.6479e+12 8.0391e+11 2.4518e+12 Coef. 81.38899 -18385.65 df 1 878 879 MS 1.6479e+12 915618929 2.7893e+09 t 42.42 -5.65 P>|t| 0.000 0.000 Number of obs F( 1, 878) Prob > F R-squared Adj R-squared Root MSE = 880 = 1799.75 = 0.0000 = 0.6721 = 0.6717 = 30259

Std. Err. 1.918489 3256.424

[95% Conf. Interval] 77.62363 -24776.94 85.15435 -11994.37

(D) Construccin de histogramas de los mnimos cuadrados a partir de residuos de cada uno de los modelos en (a), (b) y (c) y obtener las estadsticas de Jarque-Bera. Con base en tus observaciones, considera que las distribuciones de los residuos para que sean compatibles con la hiptesis de normalidad? (E) Para cada uno de los modelos (a) - (c), graficar los residuos mnimos cuadrados contra sqft. Observa algn patrn?

Residuals

100000

200000

-100000

1000

2000 3000 total square feet of living area

4000

5000

Residuals

-1

-.5

.5

1000

2000 3000 total square feet of living area

4000

5000

Residuals

-1

-.5

.5

1000

2000 3000 total square feet of living area

4000

5000

(F) Para cada modelo en (a) - (c), predecir el valor de una casa de 2700 pies cuadrados. (G) Para cada modelo en (a) - (c), la construccin de un intervalo de prediccin del 95% para el valor de una casa de 2700 pies cuadrados.
. lincom _b[_cons] + (_b[ sqft]*2700) ( 1) 2700*sqft + _cons = 0 price (1) Coef. 201364.6 Std. Err. 2323.278 t 86.67 P>|t| 0.000 [95% Conf. Interval] 196804.8 205924.4

. lincom _b[_cons] + (_b[ sqft]*2700) ( 1) 2700*sqft + _cons = 0 Coef. 12.20289 Std. Err. .0155888 t 782.80 P>|t| 0.000 [95% Conf. Interval] 12.17229 12.23348

lnprice (1)

. lincom _b[_cons] + (_b[ lnsqft]*2700) ( 1) 2700*lnsqft + _cons = 0 Coef. 2721.941 Std. Err. 60.69896 t 44.84 P>|t| 0.000 [95% Conf. Interval] 2602.809 2841.073

lnprice (1)

(H) A partir de su trabajo en este problema, discuta la eleccin de la forma funcional. Qu forma funcional usara? Explain. 4.14 Cunto educacin afectan los salarios? Esta pregunta se explorar la cuestin. El cps4_small.dat archivo de datos contiene 1000 observaciones sobre las tasas salariales por hora, la educacin y otras variables de la Encuesta de Poblacin 2008 Actual (CPS). (A) Construya histogramas de la variable salarial y su logaritmo, ln (salario). Lo que parece ms una distribucin normal? (B) Calcule el salario de regresin lineal b1 e b2EDUC y log-lineal de regresin lnWAGE b1 b2EDUC e. Cul es la estimacin de la rentabilidad de la educacin en cada modelo? Es decir, por un ao adicional de educacin, qu porcentaje de aumento en el salario del trabajador promedio puede esperar? (C) Construir histogramas de los residuos de los modelos lineales y no lineales se ha identificado en (B), y la prueba de Jarque-Bera de normalidad. Tiene un conjunto de desviaciones parecen ms compatibles con la normalidad que la otra? (D) Compare el R2 del modelo lineal a la R2'''' generalizado para el modelo log-lineal. Qu modelo se ajusta a los datos mejor? (E) Grafique los residuales mnimos cuadrados de cada modelo contra EDUC. Observa algn patrn? (F) El uso de cada modelo, predecir el salario de un trabajador con 16 aos de educacin. Compare estas predicciones con el salario real promedio de todos los trabajadores de la muestra con 16 aos de educacin. (G) En base a los resultados obtenidos en los apartados (a) - (f), que forma funcional usara? Explain. 4.15 El retorno de la educacin difieren segn la raza y el gnero? Para este ejercicio, utilice el cps4.dat archivo. (Este es un archivo de gran tamao con 4.838 observaciones. Si su software es una versin para estudiantes, puede utilizar el cps4_small.dat archivo ms pequeo.) En este ejercicio, va a extraer submuestras de observaciones consisten en (i) todos los hombres, (ii) todos hembras, (iii) todos los blancos, (Iv) todos los negros, (v) los hombres blancos, (vi) las hembras blancas, (vii) los hombres negros, y (viii) mujeres negras. (A) Para cada particin de la muestra, obtener el resumen de estadsticas de los salarios.

(B) Coeficiente de variacin Avariable es 100 veces la proporcin de la desviacin estndar de la muestra a su media muestral. Para una variable y, es CV 100? Sy lo que y es una medida de la variacin que tiene en cuenta el tamao de la variable. Cul es el coeficiente de variacin de salarios dentro de cada particin de la muestra? (C) Para cada particin de la muestra, la estimacin del modelo log-lineal lnWAGE b1 b2EDUC e Cul es el porcentaje de retorno aproximado a un ao ms de educacin para cada grupo? (D) El modelo se ajusta bien a los datos de cada particin de la muestra? (E) Para cada particin de la muestra, probar la hiptesis nula de que la tasa de retorno a la educacin es del 10% frente a la alternativa de que no lo es, mediante una prueba de dos colas al nivel del 5% de significancia. 4.16 En el captulo 4.3.5 y 4.4 se examinaron los modelos de rendimiento de trigo en Australia Occidental en el perodo 1950-1997. El rendimiento es'''' rendimiento promedio del trigo en toneladas por hectrea. Estos datos se pueden encontrar en la wa_wheat.dat archivo. (A) Cmo interpretara la variable RYIELD 1/YIELD? (B) Para cada shire, graficar la inversa de rendimiento contra el tiempo. Qu anomalas, si las hubiera, se observa? Con su motor de bsqueda favorito en Internet, descubrir qu condiciones puede haber afectado a la produccin de trigo australiano durante los perodos inusuales que usted pueda encontrar. (C) Calcular la inversa de rendimiento ecuacin RYIELD a1 a2TIME e para cada comarca. Interprete el coeficiente estimado de tiempo y poner a prueba su significado mediante una prueba de una cola y un 5% de nivel de significacin. (d) Grafique los residuales mnimos cuadrados de la parte (c) frente al tiempo. Busque las observaciones atpicas utilizando los menos residuos plazas. (e) los datos correctos Discarding casi nunca es una buena idea, y le recomendamos que no lo haga. Ms adelante en este libro usted descubrir otros mtodos para abordar los problemas, tales como la adicin de las variables explicativas de adicin, pero por el momento nos permiten experimentar. Para cada condado, identifique la observacin ms inusual (con los mayores de mnimos cuadrados residuales). Vuelva a calcular las ecuaciones de rendimiento recprocas para cada comarca, omitiendo el punto de datos ms inusual. Howsensitive son los resultados de la regresin? 5,1 * Considere el modelo de regresin mltiple yi xi1b1 xi2b2 xi3b3 ei con las nueve observaciones yi, xi1, xi2 y xi3 dan en la Tabla 5.5.

Usa una calculadora para contestar las siguientes preguntas: (a) Calcular las observaciones en trminos de desviaciones con respecto a sus posibilidades. Es decir, encontrar x i2 xi2? x2; x i3 xi3? x3, y Y yo yi? y: (b) Calcule? y ix i2,? x 2 i2,? y ix i3,? x i2x i3, y? 2 x

i3. (c) Utilizar las expresiones en el Apndice 5A para encontrar mnimos cuadrados estimaciones b1, b2 y b3. (d) Hallar los mnimos cuadrados residuales ^ e1, e2 ^,. . . , ^ E9. (e) Determinar la estimacin de la varianza ^ s2. (f) Uso (5,9) para encontrar la correlacin muestral entre x2 y x3. (g) Determinar el error estndar de b2. (h) Busca SSE, SST, SSR, y R2. 5.2 * Utiliza tus respuestas al ejercicio 5.1 a (a) Calcular una estimacin del intervalo de 95% para b2 (b) Pruebe la hiptesis H0: b2 1 contra la alternativa de que H1: b2 6 1 5.3 Considere el siguiente modelo que relaciona la proporcin del presupuesto de un hogar gastado en alcohol WALC a TOTEXP gasto total, la edad del jefe de hogar AGE, y el nmero de nios en el hogar NK. WALC b1 b2lnTOTEXP b3AGE b4NK e Los datos en el archivo de london.dat fueron utilizados para estimar este modelo. Vase el ejercicio 4.10 para ms detalles acerca de los datos. Tenga en cuenta que slo los hogares con uno o dos nios se estn considerando. As, NK toma slo los valores de una o dos. La salida de la estimacin de esta ecuacin aparece en la Tabla 5.6.

(A) Llene los espacios en blanco siguientes que aparecen en esta tabla. (I) El estadstico t para b1

(Ii) El error estndar para b2 (Iii) La estimacin b3 (Iv) R2 (V) ^ s (B) interpretar cada una de las estimaciones b2, b3, b4 y. (C) Calcular una estimacin del intervalo de 95% para b3. Qu significa este intervalo lo dije? (D) Probar la hiptesis de que la proporcin del presupuesto para el alcohol no depende de la cantidad de nios en la household. Puede usted sugiere una razn para el resultado de la prueba? 5.4 * El conjunto de datos utilizado en el Ejercicio 5.3 se utiliza de nuevo. Esta vez se utiliza para determinar la proporcin del presupuesto familiar destinado a la transportacin Wtrans depende del registro de ln gasto total (TOTEXP), edad y nmero de hijos NK. La salida se presenta en la Tabla 5,7. (A) Escriba la ecuacin estimada en el modelo normalizado de informe de errores estndar por debajo de las estimaciones de los coeficientes. (B) Interpretar el b2 estimaciones, b3, b4 y. Crees que los resultados tienen sentido desde un punto de vista lgico o? (C) Existen variables que se excluyan de la ecuacin? Por qu? (D) Qu proporcin de variacin en la proporcin presupuesto destinado al transporte se explica por esta ecuacin? (E) Predecir la proporcin del presupuesto que se gasta en transporte, tanto para los hogares de una y dos nios, cuando el gasto total y la edad se fija en sus medias de la muestra, que son 98,7 y 36, respectivamente. 5.5 Esta cuestin tiene que ver con el valor de las casas en las ciudades de los alrededores de Boston. Utiliza los datos de Harrison, D., y DL Rubinfeld (1978), Precios hednicos'' y la demanda de aire limpio'', Revista de Economa Ambiental y Gestin, 5, 81-102. El resultado aparece en la Tabla 5.8. Las variables se definen como sigue: VALOR valor mediano de casas ocupadas por sus propietarios en miles de dlares CRIMEN crimen tasa per cpita NITOX concentracin de xido ntrico (partes por milln) HABITACIONES nmero medio de habitaciones por vivienda EDAD proporcin de unidades ocupadas por sus propietarios construidas antes de 1940

DIST distancias ponderadas a cinco centros de empleo Boston ACCESO ndice de accesibilidad a las autopistas radiales IMPUESTO completo valor de la propiedad-la tasa de impuestos por $ 10.000 PTRATIO de alumnos por maestro por municipio (A) informar brevemente sobre cmo cada una de las variables influye en el valor de una casa. (B) Hallar estimaciones del intervalo de 95% para los coeficientes de la delincuencia y ACCESS. (C) Probar la hiptesis de que el aumento del nmero de habitaciones por uno aumenta el valor de una casa por $ 7.000. (D) Ensayo como hiptesis alternativa H1 que la reduccin del nmero de alumnos por maestro en un 10 aumentar el valor de una casa por ms de $ 10.000. 5,6 Supongamos que en una muestra de 63 observaciones, las estimaciones de mnimos cuadrados y la matriz de covarianza estimada correspondiente se dan por b1 b2 b3 2 4 3 5 2 3 ?1 2 4 3 5; cbovb 3? 2 1 ?240 103 2 4 3 5 Pon a prueba cada una de las siguientes hiptesis y afirmar la conclusin: (A) b2 0 (B) b1 2b2 = 5 (C) b1? b2 b3 4 5.7 Qu son los errores estndar de las estimaciones de mnimos cuadrados b2 y b3 en el modelo de regresin y b1 b2x2 b3x3 e donde N 202, SSE 11.12389 , r23

? 0.114255,? Ni 1 xi2? x2 Th2 1210:178, y? Ni 1 xi3? x3 Th2 30307:57? 5,8 * Un economista agrcola lleva a cabo un experimento para estudiar la relacin entre la produccin de de la renta variable dependiente rendimiento de man (libras por acre) y la produccin de insumos NITRO cantidad de nitrgeno aplicado (cientos de libras por acre) PHOS cantidad de fertilizante fsforo (cientos de libras por acre)

Un total N 27 observaciones fueron obtenidas utilizando diferentes campos de ensayo. El modelo cuadrtico estimado, con un trmino de interaccin, es bYIELD 1:385 8:011 NITRO 4:800 PHOS? 1:944 NITRO2? 0:778 PHOS2? 0:567 NITRO? PHOS (A) Encuentre las ecuaciones que describen el efecto marginal de nitrgeno en el rendimiento y el efecto marginal de fsforo sobre el rendimiento. Qu tienen estas ecuaciones lo dije? (B) Cules son los efectos marginales de nitrgeno y de fsforo cuando (i) y NITRO PHOS 1 y (ii) cuando NITRO 2 y PHOS 2 ? Opina sobre sus hallazgos. (C) Probar la hiptesis de que el efecto marginal de nitrgeno es cero, cuando (Iv) PHOS 1 y 1 NITRO (V) PHOS 1 2 y NITRO (Vi) PHOS 1 y 3 NITRO Nota: La siguiente informacin puede ser til: BVAR b2 2b4 b6 0:233 BVAR b2 4b4 b6 0:040 BVAR b2 6B4 b6 0:233 (D) ^ [Esta parte requiere el uso del clculo] Para la funcin estimado, lo que los niveles de nitrgeno y fsforo dar un rendimiento mximo? Son estos los niveles ptimos de las aplicaciones de fertilizantes para la produccin de cacahuete? 5.9 Cuando la estimacin de ecuaciones de salarios, se espera que los trabajadores jvenes e inexpertos que tienen salarios relativamente bajos y que con la experiencia adicional a sus sueldos subirn, pero luego comienzan a disminuir despus de la edad media, cuando el trabajador se acerca a la jubilacin. Este modelo de ciclo de vida de los salarios puede ser capturada mediante la introduccin de experiencia y experiencia al cuadrado para explicar el nivel de los salarios. Si incluimos tambin los aos de educacin, tenemos la ecuacin SALARIO b1 b2EDUC b3EXPERb4EXPER2 e (A) Cul es el efecto marginal de la experiencia sobre los salarios? (B) Qu signos se puede esperar de cada uno de los coeficientes b2, b3, b4 y? Por qu?

(C) Despus de cuntos aos de experiencia tiene los salarios comienzan a declinar? (Exprese su respuesta en trminos de la b.) (D) Los resultados de la estimacin de la ecuacin utilizando 1000 observaciones en el archivo cps4c_small.dat se dan inTable 5.9 en la pgina 204. Encontrar 95% estimaciones del intervalo de (I) El efecto marginal de la educacin sobre los salarios (Ii) El efecto marginal de la experiencia sobre los salarios cuando EXPER 4 (Iii) El efecto marginal de la experiencia sobre los salarios cuando EXPER 25 (Iv) El nmero de aos de experiencia despus de lo cual disminuir los salarios 5.9.2 EJERCICIOS DE INFORMTICA 5.10 Use una computadora para verificar tus respuestas al ejercicio 5.1, incisos (c), (e), (f), (g) y (h).

5,11 (a) El lond_small.dat archivo contiene un subconjunto de 500 observaciones de la london.dat archivo ms grande. Usa los datos de la lond_small.dat archivo para estimar las ecuaciones del presupuesto de las acciones de la forma W b1 b2lnTOTEXP b3AGE e b4NK por todas las acciones presupuestarias (alimentos, combustible, ropa, alcohol, transporte, y otros) en el conjunto de datos . Informar y discutir sus resultados. En su discusin, comentarios sobre cmo los gastos totales, edad y nmero de hijos influir en las proporciones presupuestarias. Tambin comentar la significacin de las estimaciones de los coeficientes. (B) Productos bsicos son considerados como un lujo si b2> 0 y necesidades si b2 <0. Para cada grupo de productos a prueba H0: b2? 0 contra H1: b2> 0 y hacer comentarios sobre los resultados. 5.12 El cocaine.dat archivo contiene 56 observaciones sobre las variables relacionadas con la venta de cocana en polvo en el noreste de California durante el perodo 1984-1991. Los datos son un subconjunto de los utilizados en el estudio Caulkins, JP y R. Padman (1993),'' Descuentos de cantidad y calidad de Premia de drogas ilcitas'', Revista de la Asociacin Americana de Estadstica, 88, 748-757. Las variables son

PRECIO precio por gramo en dlares por la venta de cocana CUANTI nmero de gramos de cocana en una venta determinada QUAL calidad de la cocana que se expresa como porcentaje de pureza TENDENCIA una variable de tiempo con 1984 1 hasta 1991 8 Considere el modelo de regresin PRECIO b1 b2QUANT b3QUAL b4TREND e (A) Qu signos se puede esperar en el b2 coeficientes, b3, b4 y? (B) Utilice el software de computadora para calcular la ecuacin. Informar de los resultados y la interpretacin de los coeficientes estimados. Los signos result como esperabas? (C) Qu proporcin de la variacin en el precio de la cocana se explica en forma conjunta por la variacin en la cantidad, calidad y tiempo? (D) Se dice que cuanto mayor es el nmero de ventas, mayor es el riesgo de ser atrapado. Por lo tanto, los vendedores estn dispuestos a aceptar un precio ms bajo si se pueden realizar ventas en grandes cantidades. Establecer H0 y H1 que sera apropiado poner a prueba esta hiptesis. Llevar a cabo la prueba de hiptesis. (E) la hiptesis de que la calidad de la cocana no tiene ninguna influencia sobre el precio contra la alternativa que se paga una prima para una mejor calidad de la cocana. (F) Cul es el cambio promedio anual en el precio de la cocana? Puede usted sugerir por qu precio podra estar cambiando en esta direccin? 5.13 El br2.dat archivo contiene datos de 1.080 viviendas vendidas en Baton Rouge, Louisiana, a mediados de 2005.We se refiere a los precios de venta (precio), el tamao de la casa en pies cuadrados (pies cuadrados), y la edad de la casa en aos (AGE). (A) Utilizar todas las observaciones para estimar el siguiente modelo de regresin y reportar el resultados PRECIO b1 b2SQFT b3AGE e (I) Interpretar los coeficientes estimados. (Ii) Encuentre una estimacin del intervalo de 95% para el aumento del precio de un metro cuadrado adicional

de espacio habitable, es decir, @ @ PRECIO = Pies Cuadrados. (Iii) la hiptesis de que tener una casa un ao mayor precio disminuye por 1000 o menos dh0: b3 1000 contra la alternativa de que disminuye precio por ms de 1000 DH1: b3 <1000?. (B) Crear las variables SQFT2 y EDAD2 al modelo de la parte (a) y re-estimar el ecuacin. Informar de los resultados. (I) Encuentra las estimaciones del efecto marginal PRECIO = @ @ PIE CUADRADO para los ms pequeos casa en la muestra, la casa ms grande de la muestra, y una casa de 2300 Superficie de la propiedad. Opina sobre estos valores. Son realistas? (Ii) Encuentra las estimaciones del efecto marginal PRECIO = @ @ AGE para la casa ms antigua en la muestra, la ltima casa de la muestra, y una casa que es de 20 aos edad. Opina sobre estos valores. Son realistas? (Iii) Encuentre una estimacin del intervalo de 95% para el efecto marginal = @ @ PRECIO PIE CUADRADO para un casa con 2300 metros cuadrados. (Iv) En el caso de una casa que tiene 20 aos, pruebe la hiptesis H0: @ PRECIO @ EDAD ? 1000 contra H1: @ PRECIO @ EDAD <? 1000 (C) Se aade el PIE CUADRADO variable de interaccin? EDAD al modelo recogido en el apartado (b) y reestimar la ecuacin. Informar de los resultados. Repita las partes (i), (ii), (iii) y (iv) desde

la parte (b) para este nuevo modelo. Utilice PIE CUADRADO EDAD 2300 y 20. (D) A partir de sus respuestas a las partes (a), (b) y (c), el comentario de la sensibilidad de la resultados a la especificacin del modelo. 5.14 El br2.dat archivo contiene datos de 1.080 viviendas vendidas en Baton Rouge, Louisiana, a mediados de 2005.We se refiere a los precios de venta (precio), el tamao de la casa en pies cuadrados (pies cuadrados), y la edad de la casa en aos (AGE). Definir un nuevo variable que mide la superficie de la casa en trminos de cientos de metros cuadrados, SQFT100 PIE CUADRADO = 100. (A) Estime la ecuacin siguiente e informar de los resultados: lnPRICE a1 a2SQFT100 a3AGE a4AGE2 e (B) Interpretar la estimacin de a2. (C) Determinar e interpretar las estimaciones de lnPRICE @ = @ EDAD cuando la edad 5 y EDAD = 20. (D) Hallar las expresiones para el precio = @ @ y @ EDAD PRECIO = @ SQFT100. (No haga caso del trmino de error.) (E) Estimado @ PRECIO = @ y @ EDAD PRECIO = @ SQFT100 para una casa de 20-aos de edad, con una superficie habitable de 2.300 metros cuadrados. (F) Hallar los errores estndar de las estimaciones en (e). (G) Encuentre una estimacin del intervalo de 95% para el efecto marginal = @ @ PRECIO SQFT100 para una casa de 20-aos de edad, con 2300 metros cuadrados. (H) Para una casa de 20 aos de edad, con 2300 metros cuadrados, la hiptesis H0: @ @ PRECIO EDAD 1000 contra H1: @ @ PRECIO DE EDAD <1000 5,15 * Reconsiderar los datos electorales presidenciales (fair4.dat) introducidas en el Ejercicio 2.14. (A) Estime el modelo de regresin VOTO b1 b2GROWTH b3INFLATION e Informar de los resultados en formato estndar. Las estimaciones para andb3 b2 significativamente diferentes de cero a un nivel de significacin del 10%? Ha usado una cola tests o pruebas twotail? Por qu?

(B) Suponga que la tasa de inflacin es del 4%. Predecir el porcentaje de voto para el partido en el que la tasa de crecimiento es (i)? 3%, (ii) 0%, y (iii) 3%. (C) Prueba, como una hiptesis alternativa, que el partido en el poder tendr la mayora del voto esperado cuando la tasa de crecimiento es (i)? 3%, (ii) 0%, y (iii) el 3%. Utilice un nivel de significacin del 1%. Si usted fuera el presidente busca la reeleccin, por qu puede configurar cada una de estas hiptesis como una alternativa en lugar de una hiptesis nula? 5.16 Los datos sobre las ventas semanales de una importante marca de conservas de atn por una cadena de supermercados en una gran ciudad del medio oeste de EE.UU. durante un ao calendario a mediados de 1990 se encuentran en el tuna.dat archivo. Hay 52 observaciones de las variables. SAL1 ventas de unidades de la marca de atn enlatado no.1; APR1 precio por lata de de marca no. 1 lata de atn; APR2, APR3 precio por lata de marcas no. 2 y 3 de atn enlatado. (A) Los precios, APR1 APR2 y APR3 se expresan en dlares. Multiplicar las observaciones sobre cada una de estas variables por 100 para expresarlo en trminos de centavos, llame a las nuevas variables PR1, PR2, PR3 y. Estime el siguiente modelo de regresin e informar de los resultados: SAL1 b1 b2PR1 b3PR2 b4PR3 e (B) Interpretar el b2 estimaciones, b3, b4 y. Tienen los signos esperados? (C) la ayuda de adecuados cola de un anlisis y un nivel de significacin del 5%, la prueba de si cada uno de los coeficientes de b2, b3, b4 y son significativamente diferentes de cero. (D) Con un nivel de significacin del 5%, prueba las siguientes hiptesis: (I) Un aumento del 1 por ciento en el precio de la marca de uno reduce sus ventas un 300 latas. (Ii) Un aumento del 1 por ciento en el precio de la marca de dos aumentos de las ventas de la marca de uno en 300 latas. (Iii) Un aumento del 1 por ciento en el precio de la marca de los tres incrementos de las ventas de la marca de uno en 300 latas. (Iv) El efecto de un aumento de precios en dos marcas en las ventas de la marca de uno es el mismo que el efecto de un aumento de precios en la marca de tres en ventas de una marca. El resultado de esta prueba contradecir sus conclusiones de las partes (ii) y (iii)? (V) Si los precios de todas las marcas 3 subir por ciento 1, no hay ningn cambio en las ventas. 5,17 (a) Reconsiderar el modelo SAL1 b1 b2PR1 b3PR2 e b4PR3 del Ejercicio 5.16. Estime este modelo si an no lo ha hecho, y encontrar una estimacin del intervalo de 95% de las ventas esperadas cuando PR1 90; PR2 75 y PR3 75. Qu est mal en este intervalo? (B) Estime el alternativemodel lnSAL1 a1 a2PR1 a3PR2 a4PR3 e, y encontrar una estimacin del intervalo de 95% para el registro de espera de las ventas cuando PR1 90; PR2

75 y PR3 75. Convertir esto en un intervalo de las ventas, y compararlo con lo que tienes en la parte (a). (C) Cmo funciona la interpretacin de los coeficientes en el modelo con ln (SAL1) como la variable dependiente difieren de la de los coeficientes en el modelo con SAL1 como la variable dependiente? 5.18 Cul es la relacin entre el crimen y el castigo? Esta importante cuestin ha sido examinada por Cornwell y Trumbull4 utilizando un panel de datos de Carolina del Norte. Las secciones transversales son de 90 condados, y los datos son anuales para los aos 1981-1987. Los datos estn en la crime.dat archivo. Utilizando los datos de 1987, estiman una regresin que relaciona el logaritmo de la tasa de criminalidad LCRMRTE a la probabilidad de un arresto PRBARR (la proporcin de arrestos a los delitos), la probabilidad de condena PRBCONV (la proporcin de condenas a detenciones), la probabilidad de una PRBPRIS pena de prisin (la proporcin de penas de prisin a las condenas), el nmero de policas per cpita POLPC, y el salario semanal en WCON construccin. Escriba un informe de sus hallazgos. En su informe, explique el efecto que se puede esperar de cada una de las variables a tener en la tasa de criminalidad y observe si los coeficientes estimados tienen los signos esperados y son significativamente diferentes de cero. Qu variables parecen ser los ms importantes para la disuasin del crimen? Puede explicar el signo del coeficiente de POLPC? 5.19 Utilizar los datos en cps4_small.dat para estimar la ecuacin de salarios siguiente lnWAGE b1 b2EDUC b3EXPER b4HRSWK e (A) Informar los resultados. Interpretar las estimaciones de b2, b3, b4 y. Esas estimaciones significativamente diferentes de cero? (B) Pruebe la hiptesis de que un ao adicional de educacin aumenta el salario mnimo en un 10% frente a la alternativa de que es menos del 10%. (C) Encuentre una estimacin del intervalo de 90% para el porcentaje de aumento en el salario de trabajar una hora adicional por semana. (D) Vuelva a estimar el modelo con las variables EDUC adicionales? EXPER, EDUC2, y EXPER2. Informar de los resultados. Son los coeficientes estimados significativamente diferentes de cero? (E) Para el nuevo modelo, encontramos expresiones de los efectos marginales lnWAGE @ = @ y @ lnWAGE EDUC = @ EXPER: (F) Estimar el efecto marginal = @ @ lnWAGE EDUC para dos trabajadores y Wendy Jill, Jill tiene 16 aos de educacin y 10 aos de experiencia, mientras que Wendy tiene 12 aos de educacin y de 10 aos de experiencia. Qu se puede decir sobre el efecto marginal de la educacin a medida que aumenta la educacin?

(G) de prueba, como una hiptesis alternativa, que efecto marginal de Jill de la educacin es mayor que la de Wendy. Utilice un nivel de significacin del 5%. (H) Estimar el efecto marginal = @ @ lnWAGE EXPER para dos trabajadores de Chris y Dave, Chris tiene 16 aos de educacin y de 20 aos de experiencia, mientras que Dave has16 aos de educacin y de 30 aos de experiencia. Qu se puede decir sobre el efecto marginal de la experiencia a medida que aumenta la experiencia? (I) Para una persona con 16 aos de educacin, encontrar una estimacin del intervalo de 95% para el nmero de aos de experiencia despus de que el efecto marginal de la experiencia se convierte en negativo. 5.20 En la Seccin 5.6.3 se descubri que el nivel ptimo de publicidad de Big Burger Andy Barn, ADVERT0, satisface la ecuacin b3 2b4ADVERT0 1. Con un nivel de significacin del 5%, prueba si cada uno de los siguientes niveles de publicidad podra ser ptimo: (a) ADVERT0 1:75, (b) ADVERT0 1:9, y (c) ADVERT0 02:03 . Cules son los valores de p para cada una de las pruebas? 5.21 Cada maana entre las 6:30 AM y las 8:00 AM Bill deja el suburbio de Melbourne de Carnegie para ir a trabajar en la Universidad de Melbourne. El tiempo que tarda Bill para ir al trabajo (TIME) depende de la hora de salida (SALIDA), el nmero de luces rojas que se encuentra (REDS), y el nmero de trenes que no tiene que esperar a que a nivel Murrumbeena cruce ( trenes). Las observaciones de estas variables para los 231 das de trabajo en 2006 aparecen en el commute.dat archivo. El tiempo se mide en minutos. SALIDA es el nmero de minutos despus de las 6:30 AM que Bill se va. (A) Estime el tiempo ecuacin b1 b2DEPART b3REDS b4TRAINS e Informe de los resultados e interpretar cada una de las estimaciones de los coeficientes, incluyendo el intercepto b1. (B) Buscar 95% estimaciones de intervalo para cada uno de los coeficientes. Ha obtenido estimaciones precisas de cada uno de los coeficientes? (C) Con un nivel de significacin del 5%, la hiptesis de que cada retrasos luz roja Bill por dos minutos o ms, contra la alternativa de que el retraso es inferior a 2 minutos. (D) Con un nivel de significacin del 10%, la hiptesis de que cada tren Bill retrasos por 3 minutos. (E) Con un nivel de significacin del 5%, la hiptesis nula de que la salida a las 7:30 am en lugar de las 7:00 am harn el viaje por lo menos 10 minutos ms (ceteris paribus). (F) El uso de un nivel de prueba de significacin del 5% la hiptesis de que el tiempo mnimo que tarda Bill es menor que o igual a 20 minutos contra la alternativa de que es ms de 20 minutos. Qu supuestos acerca de los verdaderos valores de b2, b3, b4 y tuviste que hacer para realizar esta prueba?

5,22 Reconsiderar el modelo de tiempo de viaje estimado en el ejercicio 5.21 utilizando el archivo de datos commute.dat TIEMPO b1 b2DEPARTS b3REDS b4TRAINS e (A) Con un nivel de significacin del 5%, la hiptesis de que el retraso de un tren es igual a 3 veces el retardo de la luz roja. (B) El uso de un nivel de significacin del 5%, la hiptesis nula de que el retraso de un tren es al menos 3 veces mayor que el retardo de una luz roja contra la alternativa de que es menos de 3 veces mayor. (C) Preocupado de que pueda perder una importante reunin si hay 3 trenes, hojas de Bill para el trabajo a las 7:10 am en lugar de las 7:15 AM. El uso de un nivel de significacin del 5%, la hiptesis nula de que dejar 5 minutos antes es tiempo suficiente para permitir que los trenes de 3 contra la alternativa de que no es suficiente tiempo. (D) Supongamos que Bill encuentra sin luces rojas y los trenes no. Con un nivel de significacin del 5%, la hiptesis de que salir a las 7:15 AM Carnegie es lo suficientemente temprano para llevarlo a la universidad antes de las 8:00 frente a la alternativa no es as. (Realizar la prueba en trminos de tiempo esperado E (TIME).) 5,23 * Lion Forest ha sido un profesional de golf muy exitoso. Sin embargo, a los 45 aos su juego no es lo que sola ser. Comenz la gira pro-cuando slo tena 20 y l ha estado buscando de nuevo el examen de cmo sus estudiantes han cambiado a medida que envejeca. En el golf.dat archivo, la primera columna contiene el marcador final (en relacin a la altura) de 150 torneos. La segunda columna contiene su edad (en unidades de 10 aos). Hay decenas de 6 torneos ms importantes de cada ao durante los ltimos 25 aos. Denotando por su puntuacin SCORE y su edad por edad, estimar el siguiente modelo y obtener las predicciones dentro de la muestra: SCORE b1 b2AGE b3AGE2 b4AGE3 e (A) Probar la hiptesis nula de que una funcin cuadrtica es adecuada frente a la funcin cbica como una alternativa. Cules son las caractersticas de la ecuacin cbica que puede que sea apropiado? (B) Utilizar las predicciones dentro de la muestra para responder a las siguientes preguntas: (I) A qu edad fue de Len en el mejor momento de su carrera? (Ii) Cundo fue juego del Len mejorando a un ritmo cada vez mayor? (Iii) Cundo fue juego del Len mejorando a un ritmo decreciente? (Iv) A qu edad Lion empezar a jugar peor de lo que haba jugado cuando tena 20 aos de edad? (V) Cuando ya no pudo puntuacin inferior a la par (en promedio)? (C) Cuando sea de 70 aos, ser capaz de romper 100? Supongamos que el par es 72.

5,24 * rice.dat El archivo contiene 352 observaciones sobre 44 productores de arroz en la regin de Tarlac Filipinas para los 8 aos de 1990 a 1997. Las variables en el conjunto de datos son toneladas de arroz recin trillado (PROD), las hectreas plantadas (AREA), das-persona de mano de obra familiar y contratada (mano de obra), y kilogramos de fertilizante (FERT). El tratamiento de los datos establecidos como una muestra con N 352, contine con las siguientes preguntas: (A) Calcular la funcin de produccin lnPROD b1 b2lnAREA b3lnLABOR b4lnFERT e Informe de los resultados, interpretar las estimaciones y comentarios sobre la significacin estadstica de las estimaciones. (B) Con un nivel de significacin del 1%, la hiptesis de que la elasticidad de la produccin con respecto a la tierra es igual a 0,5. (C) Encuentre una estimacin del intervalo de 95% para la elasticidad de la produccin con respecto al fertilizante. Ha sido precisamente esta elasticidad mide? (D) El uso de un nivel de 5% de significancia, probar la hiptesis de que la elasticidad de la produccin con respecto a la mano de obra es menor que o igual a 0,3 frente a la alternativa de que es mayor que 0,3. Qu sucede si se invierte la hiptesis nula y alternativa? 5.25 Considere la siguiente funcin de produccin agregada para el sector manufacturero de los EE.UU.: Y aKb2Lb3Eb4Mb5expfeg donde Y es la produccin bruta, K es el capital, L es el trabajo, E es la energa, y M denota otros materiales intermedios. Los datos que subyacen a estas variables se dan en forma de ndice en el manuf.dat archivo. (A) Demostrar que tomar logaritmos de la funcin de produccin lo sita en una forma adecuada para la estimacin por mnimos cuadrados. (B) Estime los parmetros desconocidos de la funcin de produccin y encontrar los errores estndar correspondientes. (C) Discutir las implicaciones econmicas y estadstico de estos resultados.
6.6.1 PROBLEMAS 6.1 Cuando se utiliza n = 40 observaciones para estimar el modelo y b1 b2x B3Z e obtener SSE 979:830 y sy 13:45222. Encontrar (A) R2 (B) El valor de la estadstica F para probar H0: b2 b3 0 (Foro de rechazar o no rechazar H0?) 6.2 Consideremos de nuevo el modelo en el Ejercicio 6.1. Despus de aumentar este modelo con los cuadrados y los cubos de las predicciones ^ ^ y2 e y3, obtenemos SSE 696:5357. Utilice RESET para comprobar errores de especificacin. 6,3 * Considere el modelo y b1 x2b2 x3b3 e y supongamos que la aplicacin de los mnimos cuadrados a 20 observaciones sobre estas variables se obtiene el siguiente resultado? BCoV (b) denota la matriz de covarianza estimada ? : b1

b2 b3 2 4 3 5 0:96587 0:69914 1:7769 2 4 3 5; bcovb 0:21812 0:019195? 0:050301 0:019195 0:048526? 0:031223 ? 0:050301? 0:031223 0:037120 2 4 3 5 ^ S2 0:9466 2:5193 R2 (A) Hallar la variacin total, la variacin no explicada, y la variacin explicada por este modelo. (B) Hallar estimaciones del intervalo de 95% de b2 y b3. (C) Use un t-test para probar la hiptesis H0: b2 1 contra la alternativa H1: b2 <1. (D) Utilice sus respuestas en la parte (a) para probar la hiptesis conjunta H0: b2 0; b3 0. (E) Probar la hiptesis H0: 2b2 b3. 6.4 Considere la ecuacin de salarios lnWAGE b1 b2EDUC b3EDUC2 b4EXPER b5EXPER2 b6EDUC? EXPER b7HRSWK e donde las variables explicativas son los aos de educacin, aos de experiencia y las horas trabajadas por semana. Resultados de la estimacin de esta ecuacin, y para las versiones modificadas del mismo obtenidos por dejar caer algunas de las variables, se muestran en la Tabla 6,4. Estos resultados derivan de las 1000 observaciones en el cps4c_small.dat archivo. (A) El uso de un valor aproximado de 5% de crtico tc 2, qu estimaciones de los coeficientes no son significativamente diferentes de cero? (B) Cul restriccin en los coeficientes de la ecuacin (A) da la ecuacin (B)? Utilice un F-test para poner a prueba esta restriccin. Mostrar cmo el mismo resultado se puede obtener usando una prueba t.

(c) Qu restricciones sobre los coeficientes de la ecuacin (A) dar la ecuacin (C)? Utilice un F-test para poner a prueba estas restricciones. Qu pregunta le est tratando de responder mediante la realizacin de esta prueba? (d) Qu restricciones sobre los coeficientes de la ecuacin (B) dan la ecuacin (D)? Utilice un Ftest para poner a prueba estas restricciones. Qu pregunta le est tratando de responder mediante la realizacin de esta prueba?

(e) Qu restricciones sobre los coeficientes de la ecuacin (A) dar la ecuacin (E)? Utilice un F-test para poner a prueba estas restricciones. Qu pregunta le est tratando de responder mediante la realizacin de esta prueba? (f) Con base en sus respuestas a los apartados (a) a (e), que modelo prefiere? Por qu? (g) Calcular el valor faltante AIC para la ecuacin (D) y el valor perdido del SC para la ecuacin (A). Qu modelo se ve favorecida por la AIC? Qu modelo se ve favorecida por la SC? 6,5 * Considere la ecuacin de salarios lnWAGE b1 b2EDUC b3EDUC2 b4EXPER b5EXPER2 b6HRSWK e (a) Suponga que deseamos probar la hiptesis de que un ao de educacin tiene el mismo efecto en ln (salario) como un ao de experiencia. Qu hiptesis nula y alternativa le tendi una trampa? (b) Cul es el modelo restringido, en el supuesto de que la hiptesis nula es verdadera? (c) Teniendo en cuenta que la suma de errores al cuadrado del modelo restringido es SSER 254,1726, pruebe la hiptesis en (a). (Para SSEU utilizar el valor correspondiente de la Tabla 6.4. El tamao de la muestra es N 1000).

6,6 REINICIAR sugiere el aumento de un modelo existente con los cuadrados de las predicciones ^ y2, o con sus cuadrados y cubos (^ y2, y3 ^). Qu pasara si se aumentaba el modelo con las predicciones se ^ y?

6.7 Cuadro 6.5 contiene la salida de los dos modelos y b1 b2x B3W e y b1 b2x e obtenidos usando n = 35 observaciones. RESTABLECER aplicado a los rendimientos del modelo segundos valores F de 17,98 (para ^ y2) y 8,72 (para ^ y2 y y3 ^). La correlacin entre x y w es RXW 0:975. Discuta las siguientes preguntas: (a) En caso de w se incluyeron en el modelo? (b) Qu puedes decir sobre omitido variables sesgo? (c) Qu puedes decir acerca de la existencia de colinealidad y su posible efecto? 6.8 En la Seccin 6.1.5 se prob la hiptesis nula conjunta H0: b3 b4 03:08 1 y b1 b2 6 01:09 b3 b4 3:61 80 en el modelo de ventas b1 b2PRICE b3ADVERT b4ADVERT2 e Mediante la sustitucin de las restricciones en el modelo y reordenando las variables, muestran cmo el modelo puede ser escrito en una forma en que la estimacin por mnimos cuadrados restringidos producir estimaciones de mnimos cuadrados. 6.6.2 EJERCICIOS DE INFORMTICA 6.9 En el ejercicio 5.25 se expresa el modelo Y aKb2Lb3Eb4Mb5expfeg en trminos de logaritmos y se estim utilizando datos de la manuf.dat archivo. Utilice los datos y resultados de Ejercicio 5,25 a prueba las siguientes hiptesis: (a) H0: b2 0 contra H1: b2 6 0: (b) H0: b2 0, b3 0 frente a H1: b2 6 0 y / o b3 6 0. (c) H0: b2 0, b4 0 frente a H1: b2 6 0 y / o b4 6 0: (d) H0: b2 0, b3 0; b4 0 frente a H1: b2 6 0 y / o b3 6 0 y / o b4 6 0. (e) H0: b2 b3 b4 b5 1 frente a H1: b2 b3 b4 b5 6 1. (f) Analizar el impacto de colinealidad en este modelo.

6,10 * Utilice los datos de la muestra para el consumo de cerveza en el archivo para beer.dat

(A) Estime los coeficientes de la relacin de demanda (6,14) utilizando la informacin de la muestra solamente. Comparar y contrastar estos resultados con los resultados que figuran en el coeficiente de restriccin (6,19). (B) colinealidad parecen ser un problema? (C) Probar la validez de la restriccin que implica que la demanda no va a cambiar si los precios y los ingresos suben en la misma proporcin. (D) Uso del modelo (6,19) para la construccin de un intervalo de prediccin del 95% para Q cuando PB 3:00, 10 PL, PR 2:00, y yo 50000. (Sugerencia: Construya el intervalo para ln (Q) y luego tomar antilogaritmos.) (E) Repetir la parte (d) usando el modelo no restringida de la parte (a). Comentarios. 6.11 Considere las funciones de produccin de la formQ f (L, K), whereQis la medida de produccin y mano de obra L andKare y las entradas de capital, la forma funcional respectively.Apopular es la ecuacin Cobb-Douglas lnQ b1 b2 lnL b3 lnK e (A) Utilizar los datos en el archivo cobb.dat para estimar la funcin de produccin Cobb-Douglas. Hay pruebas de colinealidad? (B) Vuelva a estimar el modelo con la restriccin de rendimientos constantes a escala, es decir, b2 b3 1-y comentar los resultados. 6,12 * Uso de datos en el archivo beer.dat, aplicar RESET para los dos modelos alternativos lnQ b1 b2 lnPB b3 b4 lnPL lnPR b5 lnI e Q b1 b2PB b3PL b4PR b5I e Qu modelo parece reflejar mejor la demanda de cerveza? 6.13 El toodyay.dat archivo contiene 48 observaciones anuales sobre una serie de variables relacionadas con la produccin de trigo en la Comarca Toodyay de Australia Occidental, para el perodo 1950-1997. Esas variables son Y rendimiento del trigo en toneladas por hectrea, t trmino tendencia a permitir el cambio tecnolgico, RG lluvia en germinacin (mayo-junio), RD precipitacin en fase de desarrollo (julio-agosto), y RF lluvias durante la floracin (septiembre-octubre).

La unidad de medida de las precipitaciones son centmetros. Un modelo que permite la respuesta en rendimiento a las lluvias que ser diferentes para los tres perodos diferentes es Y b1 B2t b3RG b4RD b5RF e (A) Estime este modelo. Informar de los resultados y comentarios sobre los signos y la significacin de los coeficientes estimados. (B) Pruebe la hiptesis de que la respuesta del rendimiento a la lluvia es la misma independientemente de si la lluvia cae durante la germinacin, desarrollo o floracin. (C) Estimar el modelo bajo la restriccin de que las tres respuestas a la precipitacin son los mismos. Opina sobre los resultados. 6.14 Siguiendo con el ejemplo de la Seccin 6.3, el archivo contiene hwage.dat otro subconjunto de los datos utilizados por el economista laboral Mroz Tom. Las variables con las que nos ocupan son HW marido del salario en dlares de 2006 HE marido de logro educativo en los aos HA marido de edad CIT una variable igual a uno si vive en una ciudad grande, de lo contrario cero (A) Estime el modelo HW b1 b2HE b3HA e Qu efectos tienen los cambios en el nivel de educacin y edad tienen sobre los salarios? (B) se restablece sugieren que el modelo de la parte (a) es adecuada? (C) Crear las variables HE2 y HA2 a la ecuacin original y volver a calcular. Describir el efecto que la educacin y la edad tienen sobre los salarios en este nuevo modelo estimado. (D) se restablece sugieren que el modelo de la parte (c) es adecuado? (E) Estimar de nuevo el modelo de la parte (c) con la variable CIT incluido. Qu se puede decir sobre el nivel de los salarios en las grandes ciudades en relacin con fuera de esas ciudades? (F) Crees que CIT se deben incluir en la ecuacin? (G) Tanto para el modelo estimado en el apartado (c) y el modelo estimado en el apartado (e), evaluar los siguientes cuatro derivados: (I) qHW

QHE para HE y SE 6 15 (Ii) qHW QHA para HA y HA 35 50 La omisin de las TIC llevan a omitir-variable sesgo? Puede usted sugerir por qu? 6.15 El stockton4.dat archivo contiene datos de 1500 viviendas vendidas en Stockton, California, durante 1996-1998. Descripciones de las variables se encuentran en el stockton4.def archivo. (A) Estime el siguiente modelo e informar de los resultados: Sprice b1 b2LIVAREA b3AGE b4BEDS b5BATHS e (B) Xiaohui quiere comprar una casa. Ella est considerando dos que tienen la misma sala, el mismo nmero de cuartos de bao, y el mismo nmero de dormitorios. Se trata de dos aos de edad y el otro es de diez aos. Qu diferencia de precio puede esperar que entre las dos casas? Qu es una estimacin del intervalo de 95% de esta diferencia? (C) Wanling casa tiene una superficie habitable de 2.000 metros cuadrados. Ella tiene la intencin de ampliar su sala de 200 metros cuadrados. Cul es el aumento esperado en el precio que se obtiene de esta extensin? Pon a prueba como una hiptesis alternativa de que el aumento en el precio ser de por lo menos $ 20.000. Utilice un 0,05. (D) Xueyan casa tiene una superficie habitable de 1.800 metros cuadrados. Ella est planeando aadir otro dormitorio de tamao de 200 pies cuadrados. Cul es el aumento esperado en el precio que se obtiene de esta extensin? Encuentre una estimacin del intervalo de 95% para el aumento de precios esperado. (E) se restablece sugieren que el modelo es un ser razonable? 6,16 Reconsiderar los datos y el modelo estimado en el Ejercicio 6.15. (A) Aada las variables LIVAREA2 y EDAD2 al modelo, volver a estimar, y reportar los resultados. (B) Tiene un F-test indican que la adicin de LIVAREA2 y EDAD2 ha mejorado el modelo? Utilice un 0,05. (C) Las piezas de Respuesta (b) - (e) El ejercicio de 6,15 con la nueva especificacin.

6.17 El stockton4.dat archivo contiene datos de 1500 viviendas vendidas en Stockton, CA durante 1996-1998. Descripciones de las variables se encuentran en el stockton4.def archivo. (A) Estime el siguiente modelo e informar los resultados lnSPRICE b1 b2LIVAREA b3LIVAREA2 b4AGE b5AGE2 b6BEDS e (B) Con un nivel de significacin del 5%, si la prueba de vivienda ayuda a explicar el precio de venta. (C) Con un nivel de significacin del 5%, prueba si la edad ayuda a explicar el precio de venta. (D) Predecir el precio de 10-aos de antigedad con una superficie habitable de 2.000 metros cuadrados y tres dormitorios. Encontrar predicciones usando tanto (1) el predictor natural, y (2) el predictor corregido. (Vase el Captulo 4.5.3.) (E) Encontrar A95% intervalo de prediccin para una casa con las caractersticas especificadas en (d). (F) Despus de extender su sala de 200 metros cuadrados, de 10 aos de edad Wanling, a 3 dormitorios casa tiene una superficie habitable de 2.200 metros cuadrados. Ignorando el trmino de error, estimar el precio de la casa de Wanling despus de la ampliacin. (G) de prueba, como una hiptesis alternativa, que la sala de estar de toWanling extensin ha aumentado el precio de la casa por lo menos $ 20.000. Utilice un 0,10 . (H) se restablece sugieren que el modelo es un ser razonable? 6.18 El stockton4.dat archivo contiene datos de 1.500 viviendas vendidas en Stockton, CA durante 1996-1998. Descripciones de las variables se encuentran en el stockton4.def archivo. (A) Estime el siguiente modelo lnSPRICE b1 b2LIVAREA b3LIVAREA2 b4AGE b5AGE2 b6BEDS b7LIVAREA? BEDS b8LIVAREA2? BEDS b9AGE? BEDS b10AGE2? BEDS e Informe de la relacin estimada entre ln (Sprice), LIVAREA y AGE para dos, tres y cuatro dormitorios casas. (B) Probar la hiptesis nula H0: b6 0, b8 0, 0 b9, b10 0. Utilice un 0,05. (C) Estimar el modelo que implica el resultado de la prueba en (b). Reporte la relacin estimada entre ln (Sprice), LIVAREA y AGE para dos, tres y cuatro dormitorios casas. (D) Cul de los dos modelos en las partes (a) y (c) es favorecido por, (1) la AIC? (2) la SC? 6,19 Reconsiderar el modelo de tiempo de viaje estimado en el ejercicio 5.21 utilizando el commute.dat archivo de datos: TIEMPO b1 b2DEPARTS b3REDS e b4TRAINS Encuentre una estimacin del intervalo del 95% para el proyecto de ley vez llega a la Universidad cuando:

(A) Se va Carnegie a las 7:00 am y se encuentra con seis luces rojas y un tren. (B) Se va Carnegie a las 7:45 am y se encuentra con diez luces rojas y trenes de cuatro. 6,20 * Reconsiderar la funcin de produccin de arroz estimada en el ejercicio 5.24 utilizando los datos de la rice.dat del archivo: lnPROD b1 b2 lnAREA b3 b4 lnLABOR lnFERT e (A) Con un nivel de significacin del 5%, la hiptesis de que la elasticidad de la produccin con respecto a la tierra es igual a la elasticidad de la produccin con respecto al trabajo. (B) Con un nivel de significacin del 10%, la hiptesis de que la funcin de produccin tiene rendimientos constantes a escala, es decir, H0: b2 b3 b4 1. (C) Con un nivel de significacin del 5%, conjuntamente probar las dos hiptesis en las partes (a) y (b)-es decir, H0: b2 b3 b2 y b3 b4 1. (D) Encontrar restringidos mnimos cuadrados estimaciones para cada uno de los modelos restringidos implicados por las hiptesis nulas en las partes (a), (b) y (c). Comparar las distintas estimaciones y sus errores estndar. 6,21 * Re-estimar el modelo en el Ejercicio 6.20 con (i) Fert omite, (ii) MANO DE OBRA omite, y (iii) omiti AREA. En cada caso, analizar el efecto de la omisin de una variable en la estimacin de los otros dos elasticidades. Asimismo, en cada caso, compruebe si se ha recuperado de RESET de la variable omitida. 6,22 * En el captulo 5.7 se utilizaron los datos en el archivo pizza4.dat para estimar el modelo PIZZA b1 b2AGE b3INCOME b4AGE? INCOME e (A) Probar la hiptesis de que la edad no afecta a la pizza gasto-es decir, probar la hiptesis conjunta H0: 0 b2, b4 0. Qu concluye? (B) Construir las estimaciones puntuales y un 95% las estimaciones del intervalo de la propensin marginal a gastar en pizza para individuos de edades 20, 30, 40, 50, y 55. Opina sobre estas estimaciones. (C) Modificar la ecuacin para permitir un ciclo de vida'''' efecto de que el efecto marginal de los ingresos sobre los gastos de pizza aumenta con la edad, hasta un punto, y luego cae. Hacerlo aadiendo el trmino (EDAD2? INC) para el modelo. Qu seal se anticipa en este trmino? Estime el modelo y probar la significacin del coeficiente de esta variable. La estimacin tienen el signo esperado? (D) Utilizando el modelo en (c), la construccin de las estimaciones puntuales y el 95% intervalo de las estimaciones de la propensin marginal a gastar en pizza para individuos de edades 20, 30, 40, 50 y 55. Opina sobre estas estimaciones. A la luz de estos valores, y de la gama de la edad en los datos de la muestra, qu se puede decir acerca de la funcin cuadrtica de edad que describe la propensin marginal a gastar en pizza?

(E) significancelevel Forthemodelinpart (c), areeachofthecoefficientestimatesforAGE, (AGE? INC) y (EDAD2? INC) significantlydifferentfromzeroata5%? Llevar a cabo una prueba conjunta de la importancia de estas variables. Opina sobre sus resultados. (F) Controlar el modelo utilizado en la parte (c) para colinealidad. Aadir el trmino (Age3? INC) para el modelo en (c) y compruebe el modelo resultante para colinealidad. 6.23 Utilizar los datos en cps4_small.dat para estimar la ecuacin salarial siguiente: lnWAGE b1 b2EDUC b3EDUC2 b4EXPER b5EXPER2 b6EDUC? EXPER e (A) Hallar estimaciones del intervalo de 95% para: (I) El cambio porcentual aproximado del salario de un ao adicional de educacin de una persona con 10 aos de educacin y de 10 aos de experiencia. (Ii) El cambio porcentual aproximado del salario de un ao ms de experiencia para alguien con 10 aos de educacin y de 10 aos de experiencia. (Iii) El cambio porcentual aproximado del salario de un ao adicional de educacin de una persona con 20 aos de educacin y de 20 aos de experiencia. (Iv) El cambio porcentual aproximado del salario de un ao adicional de experiencia para alguien con 20 aos de educacin y de 20 aos de experiencia. (B) Prueba de la hiptesis conjunta de que el cambio en (i) es 10% y el cambio en (ii) es del 4%. (C) Prueba de la hiptesis conjunta de que el cambio en (iii) es 12%, y el cambio en (iv) es 1%. (D) Prueba de la hiptesis conjunta de que el cambio en (i) es 10%, el cambio en (ii) es del 4%, el cambio en (iii) es 12%, y el cambio en (iv) es 1%. (E) encontrar y reportar los mnimos cuadrados restringidos calcula bajo el supuesto de que la hiptesis conjunta en (c) es verdadera. 6.24 Los datos sobre las ventas semanales de una importante marca de conservas de atn por una cadena de supermercados en una gran ciudad del medio oeste de EE.UU. durante un ao calendario a mediados de 1990 se encuentran en el tuna.dat archivo. Hay 52 observaciones de las variables. La variable de SAL1 ventas de unidades de marca no. 1 lata de atn, APR1 precio por lata de de marca no. 1 lata de atn, APR2, APR3 precio por lata de nn marcas. 2 y 3 de atn enlatado. (A) Interpretar los coeficientes en la ecuacin siguiente. Cules son los signos esperados? lnSAL1 b1 b2 lnAPR1 b3 b4 lnAPR2 lnAPR3 e

(B) Estime la ecuacin y reportar los resultados. Las estimaciones tienen los signos esperados? Son significativamente diferentes de cero a un nivel de significacin del 5%? (C) El gerente de marketing para no. Una marca de atn afirma que es el precio de una marca en relacin con los precios de las marcas 2 y 3, que es importante. Ella sugiere el modelo lnSAL1 a1 a2 ln APR1 APR2 ?? a3 ln APR1 APR3 ?? e Demostrar que este modelo es una versin restringida del modelo original donde b2 b3 b4 0, con a2 ? B3 y a3 ? B4. (D) Con un nivel de significacin del 10%, prueba si los datos apoyan la afirmacin del director de marketing. (E) Estimar el modelo restringido dado en la parte (c). Informar de los resultados. Interpretar las estimaciones. Son las estimaciones significativamente diferentes de cero? (F) Qu marca, no. 2 o no. 3, es el competidor ms fuerte a ninguna marca. 1? Por qu? (G) Existe una prueba de hiptesis confirmar su respuesta a la parte (f)? Haz la prueba dos veces: una vez con el modelo en la parte (a) y una vez con el modelo de la parte (c). 6.25 Consideremos de nuevo los datos de la tuna.dat archivo utilizado en el Ejercicio 6.24. Llevar a cabo las transformaciones de los datos siguientes: VENTA SAL1/1000 ventas se mide en miles de unidades PR1 APR1? 100 precio de ninguna marca. 1 en centavos PR2 APR2? 100 precio de ninguna marca. 2 en centavos PR3 APR3? 100 precio de ninguna marca. 3 en centavos

(a) Estime cada una de las siguientes tres ecuaciones y explicar la relacin entre los coeficientes estimados: SAL1 b1 b2APR1 b3APR2 b4APR3 e SAL1 a1 a2PR1 a3PR2 a4PR3 e VENTAS g1 g2PR1 g3PR2 g4PR3 e (b) Estime cada una de las siguientes ecuaciones y explicar la relacin entre los coeficientes estimados: lnSAL1 b1 b2APR1 b3APR2 b4APR3 e lnSAL1 a1 a2PR1 a3PR2 a4PR3 e lnSALES g1 g2PR1 g3PR2 g4PR3 e (c) Calcular cada una de las siguientes ecuaciones y explicar la relacin entre los coeficientes estimados: lnSAL1 b1 b2 lnAPR1 b3 b4 lnAPR2 lnAPR3 e lnSAL1 a1 a2 lnPR1 a3 a4 lnPR2 lnPR3 e lnSALES g1 g2 lnPR1 g3 g4 lnPR2 lnPR3 e 7.6 Ejercicios Respuestas a los ejercicios marcados con * aparecen en www.wiley.com / colegio / colina. 7.6.1 PROBLEMAS 7.1 Un departamento de economa de una universidad grande hace un seguimiento de los salarios de sus empresas principales de partida. Se toma la econometra afectar salario inicial? Vamos SAL salario en dlares, promedio GPA de de punto en una escala de 4.0, MTRICAS 1 si el estudiante tom la econometra y mtricas 0 en caso contrario. Usando el metrics.dat archivo de datos, que contiene informacin sobre 50 recin graduados, se obtiene la regresin estimada BSAL 24200 1643GPA 5033METRICS R2 0:74 se 1078 352 456 (A) Interpretar la ecuacin estimada. (B) Cmo modificar la ecuacin para ver si las mujeres tenan menores salarios iniciales que los hombres? (Sugerencia: Definir una variable de indicador FEMENINO = 1, si es mujer; cero en caso contrario.)

(C) Cmo modificar la ecuacin para ver si el valor de la econometra es la misma para hombres y mujeres? 7.2 * En septiembre de 1998, una estacin de televisin local en contacto con un econometra para analizar algunos datos de ellos. Iban a hacer una historia de Halloween en la leyenda de la conducta lunas llenas "que afecta de manera extraa. Se recogieron datos de un hospital local en casos de urgencias para el perodo del 1 de enero de 1998 hasta mediados de agosto. Hubo 229 observaciones. Durante este tiempo hubo ocho lunas llenas y nuevas siete lunas (un mito relacionado se refiere luna nueva) y tres das festivos (Da de Ao Nuevo, Memorial Day, y la Pascua). Si se produce un efecto de luna llena, entonces los administradores del hospital se ajustar el nmero de mdicos y enfermeras de urgencias, y la polica local puede cambiar el nmero de oficiales de guardia. Con los datos de la fullmoon.dat archivo obtenemos los resultados de la regresin en la siguiente tabla: T es una tendencia temporal (T 1,2,3, ..., 229) y el resto son variables indicadoras. HOLIDAY 1 si el da es un da de fiesta, 0 en caso contrario. Viernes 1 si el da es un viernes, 0 en caso contrario. Sbado 1 si el da es un sbado, 0 en caso contrario. FULLMOON 1 si hay una luna llena, 0 en caso contrario. NewMoon 1 si hay luna nueva, 0 en caso contrario.

(a) Interpretar los resultados de la regresin. Cuando las salas de emergencia En caso de contar con ms llamadas? (b) El modelo se vuelven a estimar la omisin de la FULLMOON variables y newmoon, como se muestra a continuacin. Opina sobre cualquier cambio que observe. (c) Probar la significacin conjunta de FULLMOON y NewMoon. Establecer las hiptesis nula y alternativa e indicar la estadstica de prueba que utilice. Qu concluye?

7,3 Henry Saffer y Chaloupka Frank ('' la demanda de drogas ilcitas,'' la investigacin econmica, 37 (3), 1999, 401-411) las ecuaciones de estimacin de la demanda de alcohol, la marihuana, la cocana y la herona en una muestra de tamao n = 44.889. La ecuacin estimada para el consumo de alcohol despus de omitir una variable de control de par se muestra en el grfico de la parte superior de la pgina 289. Las definiciones de las variables (medias de muestra entre parntesis) son los siguientes: La variable dependiente es el nmero de das alcohol fue utilizado en los ltimos 31 das (3,49) PRECIO DE ALCOHOL? Precio de un litro de alcohol puro en dlares de 1983 (24.78) INGRESOS? Ingreso personal total en dlares de 1983 (12425) GNERO?? Una variable binaria 1 si es hombre (0,479) ESTADO CIVIL? Una variable binaria 1 si es casado (0,569) EDAD 12-20? Una variable binaria 1 si el individuo es 12-20 aos de edad (0,155) EDAD 21-30? Una variable binaria 1 si el individuo es 21-30 aos de edad (0,197) NEGRO? Una variable binaria 1 si el individuo es negro (0,116) HISPANIC? Una variable binaria 1 si el individuo es de origen hispano (0,078)

(a) Interprete el coeficiente del precio de alcohol. (b) Calcule la elasticidad-precio de las medias de las variables. (c) Calcular la elasticidad de los precios en el precio medio de alcohol y de los ingresos, por 21-30 un hombre negro casado edad. (d) Interprete el coeficiente de la renta. Si medimos los ingresos en unidades de $ 1.000, lo que el coeficiente estimado sea? (e) Interpretar los coeficientes de las variables indicadoras, as como su significado. 7.4 En el archivo stockton.dat tenemos datos desde enero 1991 a diciembre de 1996 sobre precios de la vivienda, metros cuadrados, y otras caractersticas de 4.682 viviendas que se vendieron en Stockton, California. Uno de los problemas clave en relacin con los precios de vivienda en una construccin regin preocupaciones de los ndices de precios de la vivienda'','' como se discuti en la Seccin 7.2.4b. Para ilustrar esto, se estima un modelo de regresin para precio de la vivienda, incluyendo como explicativas las variables del tamao de la casa (pies cuadrados), la edad de la casa (AGE) y las variables indicadoras anuales, la omisin de la variable de indicador para el ao 1991. PRECIO b1 b2SQFT b3AGE d1D92 d2D93 d3D94 d4D95 d5D96 e Los resultados son como sigue:

(A) Discutir los coeficientes estimados en el PIE CUADRADO y AGE, incluyendo su interpretacin, los signos y la significacin estadstica. (B) Discutir los coeficientes estimados de las variables del indicador. (C) Qu hubiera pasado si hubiramos incluido una variable de indicador para el ao 1991? 7.6.2 EJERCICIOS DE INFORMTICA

7,5 * A (7,7) que especifica un modelo hednico de precios de la vivienda. La variable dependiente fue el precio de la casa en dlares. Economistas de bienes races han encontrado que para muchos conjuntos de datos, un modelo ms apropiado tiene la variable dependiente ln (PRECIO). (A) Usando los datos en el archivo de utown.dat, estimar el modelo (7,7) usando ln (PRECIO) como la variable dependiente. (B) Discutir los coeficientes estimados en el PIE CUADRADO y AGE. Consulte el Captulo 4.5 para obtener ayuda con la interpretacin de los coeficientes de esta forma log-lineal funcional. (C) Calcular el porcentaje de cambio en el precio debido a la presencia de una piscina. Utilice tanto la primera aproximacin en la Seccin 7.3.1 y el clculo exacto de la seccin 7.3.2. (D) Calcule el cambio porcentual en el precio debido a la presencia de una chimenea. Utilice tanto la primera aproximacin en la Seccin 7.3.1 y el clculo exacto de la seccin 7.3.2. (E) Calcule el cambio porcentual en el precio de una casa de 2,500 pies cuadrados cerca de la universidad con respecto a la misma casa en otro lugar utilizando la metodologa en la Seccin 7.3.2. 7.6 Los datos sobre las ventas semanales de una importante marca de conservas de atn por una cadena de supermercados en una gran ciudad del medio oeste de EE.UU. durante un ao calendario a mediados de 1990 se encuentran en el tuna.dat archivo. Hay 52 observaciones de las variables SAL1 ventas unitarias de ninguna marca. 1 lata de atn APR1 precio por lata de marca no. 1 lata de atn APR2, APR3 precio por lata de nn marcas. 2 y 3 de atn enlatado DISP un indicador variable que toma el valor uno si hay una exhibicin de la tienda para la marca no. 1 durante la semana, pero no anuncio en el peridico; cero en caso contrario DISPAD un indicador variable que toma el valor uno si hay una exhibicin de la tienda y un anuncio de peridico durante la semana; cero en caso contrario (A) Estime, por mnimos cuadrados, el modelo log-lineal lnSAL1 b1 b2APR1 b3APR2 b4APR3 b5DISP b6DISPAD e (B) Analizar e interpretar las estimaciones de b2, b3, b4 y. (C) Son los signos y las magnitudes relativas de las estimaciones de B5 y B6 consistentes con la lgica econmica? Interpretar estas estimaciones utilizando los enfoques en las secciones 7.3.1 y 7.3.2.

(D) Prueba, a nivel de un 0:05 de significacin, cada una de las siguientes hiptesis: (I) H0: b5 0, H1: b5 6 0 (Ii) H0: b6 0, H1: b6 6 0 (Iii) H0: b5 0, b6 0; H1: b5 b6 o 6 0 (Iv) H0: b6? b5, H1: b6> b5 (E) Analizar la pertinencia de las pruebas de hiptesis en (d) para los ejecutivos de la cadena de supermercados. 7.7 Los prestamistas hipotecarios estn interesados en la determinacin de los factores de prstamo del prestatario y que pueden conducir a la delincuencia o la ejecucin hipotecaria. En el archivo de lasvegas.dat son 1000 las observaciones de las hipotecas para viviendas unifamiliares en Las Vegas, Nevada, durante el ao 2008. La variable de inters es delincuente, un indicador variable 1 si el prestatario tenido al menos tres pagos (90 o ms das de retraso), pero cero en caso contrario. Las variables explicativas son LVR la relacin entre el importe del prstamo al valor de la propiedad; REF 1 si el propsito del prstamo era un refinanciamiento'''' y 0 si el prstamo era para una compra; INSUR 1 si la hipoteca lleva hipoteca seguros, cero en caso contrario; tasa inicial de tipo de inters de la hipoteca; MONTO valor en dlares de la hipoteca (en $ 100.000); CRDITO puntaje de crdito, TERM nmero de aos entre el desembolso del prstamo y la fecha en que se espera que sea reembolsado en su totalidad , ARM 1 si la hipoteca tiene una tasa de inters ajustable, y 0 si hipotecario tiene una tasa fija. (A) Estime la probabilidad lineal (regresin) DELINCUENTE modelo que explica como una funcin de las variables restantes. Son los signos de los coeficientes estimados razonables? (B) Interprete el coeficiente de INSUR. Si CREDITincreases en 50 puntos, cul es el efecto estimado sobre la probabilidad de un prstamo moroso? (C) Calcular el valor predicho de DELINQENT para el final (1000a) la observacin. Interprete este valor. (D) Calcular el valor predicho de delincuente por las 1000 observaciones. Cuntos eran menos que cero? Cuntos fueron mayores que 1? Explique por qu estas predicciones son problemticos. 7.8 Una gestin motel descubri que un producto defectuoso se utiliz en la construccin del motel. Se necesitaron siete meses para corregir los defectos, durante los cuales aproximadamente 14 habitaciones en el motel de 100 unidades fueron puestos fuera de servicio durante un mes a la vez. El motel prdida de beneficios debido a estos cierres, y la cuestin de cmo calcular las prdidas fue dirigida por Adams (2008) .21 Para este ejercicio, utilice los datos de motel.dat.

(A) La tasa de ocupacin para el motel daado es MOTEL_PCT, y la tasa de ocupacin es COMP_PCT competidor. En la misma grfica, trace estas variables en funcin del tiempo. Qu tena la mayor ocupacin antes del perodo de reparacin? Que tena la ocupacin ms alta durante el perodo de reparacin? (B) Calcular la tasa de ocupacin media del motel y los competidores cuando las reparaciones no se estaban haciendo (llame a estos MOTEL0 y COMP0) y cuando se estaban haciendo (Motel1 andCOMP1). Durante el perodo de no reparacin, cul era la diferencia entre las ocupaciones medias, MOTEL0? COMP0? Suponga que la tasa de ocupacin motel daado habra mantenido la misma diferencia relativa en la ocupacin si no hubiera habido ninguna reparacin. Es decir, supongamos que la ocupacin del motel daado habra sido Motel1 COMP1 MOTEL0? COMP0. Calcule la estimacin'''' sencillo de ocupacin MOTEL perdido 1? Motel1. Calcule la cantidad de la prdida de ingresos durante el perodo de siete meses (215 das) asumiendo una tarifa promedio de $ 56,61 por noche. (C) Dibuje una versin revisada de la figura 7.3 que explica el clculo de la parte (b). (D) Como alternativa, considere un mtodo de regresin. Un modelo que explica la ocupacin motel utiliza como variables explicativas de ocupacin de los competidores, el precio relativo (RELPRICE) y una variable de indicador para el perodo de reparacin (reparacin). Es decir, vamos a MOTEL PCTT b1 b2COMP PCTT b3RELPRICEt b4REPAIRt et Obtener los mnimos cuadrados estimaciones de los parmetros. Interprete los coeficientes estimados, as como sus signos y significados. (E) Uso de los mnimos cuadrados estimacin del coeficiente de la reparacin de la parte (d), calcular una estimacin de la prdida de ingresos por el motel daado durante el perodo de reparacin (215 das @ $ 56,61? B4). Compare este valor con la estimacin'''' sencillo en la parte (b). Construya una estimacin del intervalo de 95% para la prdida estimada. Es la prdida estimada de la parte (b) dentro del intervalo de estimacin? (F) Realizar la especificacin de la regresin de RESET prueba. Hay alguna prueba de errores de modelo? (G) Grafique los residuales cuadrados mnimos contra el tiempo. Existen patrones obvios? 7,9 * En el experimento STAR (Seccin 7.5.3), los nios fueron asignados al azar dentro de las escuelas en tres tipos de clases: Clases pequeas con 13 a 17 estudiantes, de tamao regular con clases de 22-25 alumnos, y las clases de tamao regular con un tiempo completo, profesor ayudante para ayudar al profesor. Calificaciones de los alumnos en las pruebas de rendimiento se registraron, al igual que alguna informacin acerca de los estudiantes, maestros y escuelas. Los datos para las clases de kindergarten est contenida en el archivo de datos star.dat. (A) Calcular la media de TOTALSCORE para (i) los estudiantes en las aulas de tamao regular con los profesores de tiempo completo, butnoaide, (ii) los estudiantes regulares-sizedclassrooms con

los profesores a tiempo completo y anaide, y (iii) los estudiantes insmall classrooms.What Qu observa acerca de resultados de las pruebas en estos tres tipos de ambientes de aprendizaje? (B) Estime el TOTALSCOREi regressionmodel b1 b2SMALLi b3AIDEi ei, donde AIDE es un indicador variable equivalente a una de las clases impartidas por un profesor y un ayudante y cero en caso contrario. Cul es la relacin de los coeficientes estimados de la regresin de las medias de muestra en la parte (a)? Probar la significancia estadstica de B3 en el nivel de 5% de significancia. (C) Para la regresin en (b) aadir la variable explicativa adicional TCHEXPER. Es esta variable estadsticamente significativa? Tiene su adicin al modelo afectar las estimaciones de b2 y b3? (D) En la regresin en (c) aadir el BOY variables explicativas adicionales, FREELUNCH y WHITE_ASIAN. Alguna de estas variables estadsticamente significativo? Su adicin al modelo afectar las estimaciones de b2 y b3? (E) Para la regresin en (d) aadir el TCHWHITE variables explicativas adicionales, TCHMASTERS, SCHURBAN y SCHRURAL. Alguna de estas variables estadsticamente significativo? Su adicin al modelo afectar las estimaciones de b2 y b3? (F) Analizar la importancia de las piezas (c), (d) y (e) a nuestra estimacin de los efectos del tratamiento'''' en la parte (b). (G) Agregue a los modelos en (b) a travs de variables indicadoras (e) para cada escuela ESCUELA j 1 si el estudiante est en la escuela j 0 en otro caso? Pruebe la significacin conjunta de estas escuelas'', efectos fijos.'' La inclusin de estas variables indicadoras de efectos fijos alteran sustancialmente las estimaciones de b2 y b3? 7.10 Muchas ciudades de California han aprobado polticas de zonificacin inclusiva (tambin conocidos como mandatos de vivienda por debajo del mercado) como un intento de vivienda tomake polticas ms affordable.These requerir a los desarrolladores vender algunas unidades por debajo del precio themarket en un porcentaje de los newhomes construidos. Por ejemplo, en un desarrollo de 10 newhomes cada uno con valor de mercado de US $ 850.000, el desarrollador puede tener que vender 5 de las unidades a $ 180.000. Means et al. (2007) 22 examinar los efectos de estas polticas sobre precios de la vivienda y el nmero de unidades de vivienda disponibles con 1990 (antes del impacto de polticas) y 2000 (despus del impacto de polticas) censo datos sobre las ciudades de California. Utilice means.dat para los siguientes ejercicios. (A) Utilizando slo los datos correspondientes a 2000, comparar las medias de muestra de LNPRICE y LNUNITS para ciudades con una poltica de zonificacin inclusiva, IZLAW 1, para los que no la poltica, IZLAW 0. Sobre la base de estas estimaciones, cul es la diferencia porcentual de los precios y el nmero de unidades para las ciudades con y sin la ley? [Para este

ejemplo, utilice la regla simple que el 100 [ln (y1)? ln (y0)] es la diferencia entre el porcentaje aproximado y0 y y1.] La ley logre su propsito? (B) Utilice la existencia de una poltica de zonificacin inclusiva como un tratamiento''''. Considere aquellas ciudades que no aprobaron una ley semejante, IZLAW 0, el grupo de control''''. Dibuja una figura como la de la figura 7.3 compara el tratamiento y el grupo control y LNPRICE LNUNITS, y determinar el efecto del tratamiento''.'' Son sus conclusiones sobre el efecto de la poltica lo mismo que en (a)? (C) Utilice LNPRICE y LNUNITS en las diferencias-en-diferencias regresiones con variables explicativas D, la variable de indicador para el ao 2000; IZLAW, y la interaccin de D y IZLAW. Es la estimacin del efecto de tratamiento estadsticamente significativo, y de la seal esperada? (D) Para las regresiones en (c) aadir la LMEDHHINC variable de control. Interpretar la estimacin de la nueva variable, incluyendo su signo y su significado. Cmo afecta la adicin de las estimaciones del efecto del tratamiento? (E) Para las regresiones en (d) aadir las variables EDUCATTAIN, PROPPOVERTY y LPOP. Interpretar las estimaciones de estas nuevas variables, incluyendo sus signos y significados. Cmo afectan estas incorporaciones las estimaciones del efecto del tratamiento? (F) Escribir un ensayo de 250 palabras discutir los resultados esenciales en los apartados (a) a (e). Incluya en su ensayo un anlisis econmico de la poltica. 7,11 Esta pregunta se ampla el anlisis del Ejercicio 7.10. Lea la introduccin a ese ejercicio si no lo han hecho. Cada ciudad en la muestra pueden tener caractersticas nicas, no observables que afectan LNPRICE y LNUNITS. A raz de la discusin en la Seccin 7.5.6, utilice los datos diferenciados para controlar estos efectos no observados. (A) Regress DLNPRICE y DLNUNITS en IZLAW. Comparar la estimacin del efecto del tratamiento con los de la regresin de las diferencias-en-diferencias de LNPRICE y LNUNITS sobre la exposicin de las variables D, la variable de indicador para el ao 2000; IZLAW, y la interaccin de D y IZLAW. (B) ^ Explique, algebraicamente, por qu el resultado en (a) se produce. (C) Para la regresin en (a) aadir la DLMEDHHINC variable. Interpretar la estimacin de esta nueva variable, incluyendo su signo y su significado. Cmo afecta la adicin de las estimaciones del efecto del tratamiento? (D) En la regresin en (c), aadir las variables DEDUCATTAIN, DPROPPOVERTY y DLPOP. Interpretar las estimaciones de estas nuevas variables, incluyendo sus signos y significados. Cmo afectan estas incorporaciones las estimaciones del efecto del tratamiento? 7,12 Usa los datos de la cps5.dat archivo para estimar la regresin de ln (salario) de las variables explicativas EDUC, EXPER, EXPER2, HEMBRA, NEGRO, CASADO, SUR, a tiempo completo, y METRO.

(A) Discutir los resultados de la estimacin. Interpretar cada coeficiente y hacer comentarios sobre su signo y su significado. Son las cosas como era de esperar? (B) ^ (conjunto de datos grande) Utilice el cps4.dat datos para volver a estimar la ecuacin. Qu cambios observaste? 7,13 ^ (gran conjunto de datos) Usar el cps4.dat archivo de datos para la siguiente: (A) Estime el modelo utilizado en la Tabla 7.4. (I) Probar la hiptesis nula de que la interaccin entre NEGRO y mujeres es estadsticamente significativa. (Ii) Probar la hiptesis nula de que no existe un efecto regional. (B) Estime el modelo utilizado en la Tabla 7.4 usando ln (salario) como la variable dependiente en lugar de salario. (I) Analizar las diferencias importantes en los resultados entre las especificaciones lineales y log-lineal. (Ii) Probar la hiptesis nula de que la interaccin entre NEGRO y mujeres es estadsticamente significativa. (Iii) Probar la hiptesis nula de que no existe un efecto regional. (C) Estime los modelos utilizados en la Tabla 7.5. Realizar la prueba de la hiptesis nula de que no hay diferencia entre las ecuaciones de salarios para los trabajadores del Sur y nonsouthern. (D) Estimacin de los modelos utilizados en la Tabla 7.5 usando ln (salario) como la variable dependiente en lugar de salario. (I) Analizar las diferencias importantes en los resultados entre las especificaciones lineales y log-lineal. (Ii) Llevar a cabo la prueba de la hiptesis nula de que no hay diferencia entre las ecuaciones de salarios para los trabajadores del Sur y nonsouthern. 7.14 *El modelo del Profesor Ray C. Fair votacin se introdujo en el Ejercicio 2.14. l construye modelos que explican y predicen las elecciones presidenciales de Estados Unidos. Ver su sitio web en http://fairmodel.econ.yale.edu/vote2008/index2.htm. La premisa bsica del modelo es que la participacin del partido en el poder de los dos partidos (Demcrata y Republicano) voto popular (titular significa que el partido en el poder en el momento de la eleccin) se ve afectada por una serie de factores relacionados con la economa, y las variables relacionadas con la poltica, tales como el tiempo que el partido en el poder ha estado en el poder, y si el presidente se postula para la reeleccin. Datos Fair, 33 observaciones correspondientes a los aos electorales desde 1880 hasta 2008, estn en el fair4.dat archivo. La variable dependiente es VOTO participacin porcentual de los votos ganados por el partido en el poder. Las variables explicativas incluyen PARTY 1 si existe un titular demcrata en el momento de la eleccin y? 1 si existe un titular republicano. PERSONA 1 si el titular es candidato a las elecciones y cero en caso contrario. DURACIN 0 si el partido en el poder ha estado en el poder por un perodo, si un partido en el poder ha estado en el poder durante dos mandatos consecutivos, 1,25 si el partido en el poder ha estado en el poder durante tres perodos consecutivos, 1.50 durante cuatro perodos consecutivos, y as sucesivamente. GUERRA 1 para las elecciones de 1920, 1944 y 1948 y cero en caso contrario.

CRECIMIENTO tasa de crecimiento del PIB real per cpita en los tres primeros trimestres del ao de la eleccin (tasa anual). INFLACIN valor absoluto de la tasa de crecimiento del deflactor del PIB en los primeros 15 trimestres de la administracin (tasa anual) a excepcin de 1920, 1944 y 1948, donde los valores son cero. Goodnews nmero de trimestres en los primeros 15 trimestres de la administracin en la que la tasa de crecimiento de reales capitaGDPis por mayor de 3,2% a una tasa anual a excepcin de 1920, 1944 y 1948, donde los valores son cero. (A) Considere el modelo de regresin VOTO b1 b2GROWTH b3INFLATION b4GOODNEWS b5PERSON b6DURATION b7PARTY b8WAR e Discutir los efectos anticipados de la persona que las variables dummy y WAR. (B) La parte variable binaria es algo diferente de las variables ficticias que hemos considerado. Escriba la funcin E regresin (VOTE) para los dos valores de partido. Discutir los efectos de esta especificacin. (C) Utilice los datos para el perodo 1916-2004 para estimar el modelo propuesto. Discutir los resultados de la estimacin. Son los signos como se esperaba? Son las estimaciones estadsticamente significativo? En qu medida el ajuste del modelo a los datos? (D) Predecir el resultado de las elecciones de 2008, utilizando los datos de 2008 dados por los valores de las variables explicativas. En base a la prediccin, se ha escogido el resultado de la eleccin correcta? (E) Construya un intervalo de prediccin del 95% para el resultado de las elecciones de 2008. (F) Uso de valores de datos de su eleccin (hay que explicarlas), predecir el resultado de las elecciones de 2012. 7.15 El br2.dat archivo de datos contiene los datos sobre 1080 las ventas de viviendas en Baton Rouge, Louisiana, durante julio y agosto de 2005. Las variables son el precio ($), sqf (total de pies cuadrados), dormitorios (nmero), baos (nmero), la edad (aos), propietario ( 1 si ocupada por el propietario; cero si est vacante o en alquiler), Piscina ( 1 si est presente ), TRADICIONAL ( 1 si el estilo tradicional; 0 si otro estilo), chimenea ( 1 si est presente), y WATERFRONT ( 1 si en el paseo martimo). (A) Calcular las estadsticas de resumen de datos y comentarios. En particular, la construccin de un histograma de los precios. Qu se observa? (B) Estimar un modelo de regresin que explica ln (PRECIO = 1000) como una funcin de las variables restantes. Divida el PIE CUADRADO variable por 100 antes de la estimacin. Opina sobre lo bien que el modelo se ajusta a los datos. Discutir los signos y la significacin estadstica de los

coeficientes estimados. Son los signos que usted espera? Dar una interpretacin exacta del coeficiente de Waterfront. (C) Crear una variable que es el producto ofWATERFRONT y tradicional. Aadir esta variable en el modelo y reestimar. Cul es el efecto de la adicin de esta variable? Interprete el coeficiente de esta variable de interaccin, y discutir su signo y significacin estadstica. (D) Es discutible que las casas de estilo tradicional puede tener una funcin de regresin diferente del conjunto diverso de estilos no tradicionales. Llevar a cabo una Chowtest de la equivalencia de los modelos de regresin para los estilos tradicionales versus no tradicionales. Qu concluye? (E) Uso de la ecuacin estimada en la parte (d), predecir el valor de una casa de estilo tradicional, con 2500 metros cuadrados de superficie, es decir 20 aos de edad, que es ocupada por el propietario en el momento de la venta, que tiene una chimenea, 3 dormitorios y 2 baos, pero no tiene piscina, y que no est en la lnea de costa. 7,16 * Los datos de 1500 las ventas de viviendas de Stockton, California, estn contenidos en el archivo de datos stockton4.dat. [Nota:. Stockton3.dat es una versin ms grande de la misma serie de datos, que contiene las observaciones 2610] Las casas se separan las viviendas unifamiliares que fueron puestos a la venta del 1 de octubre de 1996, y 30 de noviembre de 1998. Las variables son el precio ($), LIVAREA (cientos de pies cuadrados), CAMAS (nmero de habitaciones), baos (nmero de cuartos de bao), LGELOT ( 1 si el tamao del lote es de ms de 0,5 hectreas, cero de otra manera), edad (aos ) y piscina ( 1 si el hogar cuenta con piscina, cero en caso contrario). (a) Examinar el histograma de los precios. Qu se observa? Cree el ln variable (precio) y examinar su histograma. Comente la diferencia. (b) Estimar una regresin de ln (PRICE/1000) sobre las variables restantes. Discutir los resultados de la estimacin. Opina sobre los signos y la significacin de la LIVAREA variables, CAMAS, BAO, EDAD, y la piscina. (c) Discutir el efecto del tamao de lote ms grande en el precio de venta de una casa. (d) Dar a conocer a la modelo una variable de interaccin LGELOT * LIVAREA. Estime este modelo y discutir la interpretacin, signo y significacin del coeficiente de la variable de interaccin. (e) Llevar a cabo una prueba de Chow de la equivalencia de los modelos de casas que estn en grandes lotes y casas que no lo son. 8.1 Demuestre que la varianza del estimador de mnimos cuadrados dada en (8.8) se reduce a la dada en (8,6) cuando S2I s2. Esto es, ? Ni

1 ? dxi? x2s2i ? h ? Ni 1xi? x2 i2 s2 ? Ni 1xi? x2 8.2 Considerar el modelo yi b1 b2xi ei con varianza heteroscedasticos varei S2I y su versin transformada homoscedsticos y

yo 1 B1S? yo b2x

yo e

donde i y

yo

 s? 1 i yi; x

yo s? 1 i xi, y e

yo s? 1 i IE. Las ecuaciones normales cuya solucin proporciona los estimadores de mnimos cuadrados generalizados ^ ^ b1 y b2 son ? s? 2 yo ?? ^ b1 ? s ? 1 ix

yo ?? ^b 2 ? S? 1

Iy

yo ? s? 1 ix

yo ?? ^b 1 ? X

2 yo ?? ^b 2 ? X

Iy

yo (a) Demostrar que b1 y b2 ^ ^ se puede escribir como ^b

2 ? s? 2 i Yixi ? s? 2 yo ? ? s? 2 i yi ? s? 2 yo

? ? s? 2 i xi ? s? 2 yo

? ? s? 2 i x2i ? s? 2 yo ? ? s? 2 i xi ? s? 2 yo

Beta 2, ^ b1 ? S? 2 i yi ? s? 2 yo ? ? s? 2 i xi ? s? 2 yo

? ^b 2 (b) Demostrar que b1 y b2 ^ ^ son iguales a los mnimos cuadrados b1 y b2 estimadores cuando S2I s2 para todo i. Es decir, las varianzas de error son constantes. (c) Tiene una comparacin de las frmulas para ^ ^ b1 y b2 con las de b1 y b2 sugiero una interpretacin para b1 y b2 ^ ^? 8.3 Considere el modelo de regresin simple yi b1 b2xi ei ei donde son errores independientes con Eei 0 y varei s2x2i. Supongamos que usted tiene los siguientes cinco observaciones y D4; 3; 1; 0; 2 Tes x 1, 2, 1, 3, 4 utilizar una calculadora de mano para conocer mnimos cuadrados generalizados estimaciones de b1 y b2. 8.4 Una muestra de 200 hogares de Chicago fue llevado a investigar en qu medida los hogares estadounidenses tienden a viajar cuando toman vacaciones. Medir la distancia en millas por ao, el siguiente modelo se estim MILES b1 b2INCOME b3AGE b4KIDS e

Las variables se explican por s excepto tal vez por la edad, la edad promedio de los miembros adultos de la familia. Los datos estn en la vacation.dat archivo. (A) La ecuacin se estim por mnimos cuadrados y los residuos se representan frente a la edad y el ingreso en la figura 8,4. Qu sugieren estos grficos para usted? (B) Ordenar las observaciones de acuerdo a descender los valores de la renta, y la aplicacin de mnimos cuadrados para las primeras 100 observaciones, y de nuevo a la segunda 100 observaciones, los rendimientos de las sumas de cuadrados de los errores SSE1 2:9471? 107 SSE2 1:0479? 107 Utilice la prueba Goldfeld-Quandt a prueba de errores heteroscedsticos. Incluye la especificacin de las hiptesis nula y alternativa. (C) La Tabla 8.2 contiene tres conjuntos de estimaciones: los de mnimos cuadrados, los de mnimos cuadrados con errores estndar de White, y los de mnimos cuadrados generalizados en el supuesto de S2I s2? INCOME2. (I) Cmo millas recorridas vacaciones dependen de los ingresos, la edad y el nmero de nios en el hogar? (Ii) Cmo los errores estndar de White comparar con los menos errores plazas estndar? Cambian su evaluacin de la precisin de la estimacin? (Iii) Hay pruebas que sugieren las estimaciones de mnimos cuadrados generalizados son mejores estimaciones? 8.5 En el ejercicio 5.5 una ecuacin utilizada para la valoracin de las viviendas en pueblos de los alrededores de Boston se estim. Volver a estimar la ecuacin con los errores estndar de White da la salida en la Tabla 8.3. (A) Para los coeficientes de la delincuencia, HABITACIONES, EDAD, y TAX, comparar 95% intervalos de confianza obtenidos con los errores estndar del Ejercicio 5.5 con los de la tabla 8.3.

(b) Crees que heteroscedasticidad es probable que sea un problema? (c) Cules son las inferencias engaosas probable si los errores estndar incorrectas se utilizan? 8.6 Continuando con el ejemplo en el Ejercicio 8.5, tabla 8.4 contiene la salida de la siguiente regresin por mnimos cuadrados EHAT a1 a2ROOMS a3ROOMS2 a4CRIME a5CRIME2 v a6DIST donde EHAT SQ denota los cuadrados de los residuos mnimos cuadrados de la funcin de media estimada en el Ejercicio 8.5. (a) Discuta cmo cada una de las habitaciones a las variables, el crimen, y las influencias DIST la varianza de los valores de las casas.

(b) Prueba de heterocedasticidad. 8,7 * Considere el modelo yi b1 b2xi ei Eei 0 varei S2I expazi Dispone de las siguientes ocho observaciones yi, xi, y zi:

Utilice una calculadora de mano para (A) Hallar los mnimos cuadrados estimaciones de b1 y b2. (B) Hallar los menos residuos plazas. (C) Calcular a. (D) Hallar estimaciones de la varianza ^ S2I. (E) Busca mnimos cuadrados generalizados estimaciones de b1 y b2. (Sugerencia: Utilice los resultados del ejercicio 8,2) 8.7.2 EJERCICIOS DE INFORMTICA 8.8 El stockton96.dat archivo contiene 940 observaciones sobre ventas de casas en Stockton, California, en 1996. Son un subconjunto de los datos en el archivo stockton.dat utilizados para el Ejercicio 7.4. (A) Utilizar los mnimos cuadrados para estimar una ecuacin lineal que relaciona el precio de la vivienda precio al tamao de la casa en pies cuadrados SQFTand la edad de la casa en la AGE aos. Opina sobre las estimaciones. (B) Supongamos que usted es dueo de dos casas. Uno tiene 1400 metros cuadrados, y el otro tiene 1800 metros cuadrados. Ambos tienen 20 aos de edad. Qu precio estimar obtendr para cada casa. (C) Use la prueba de White (con trmino de producto cruzado incluido) para detectar la heteroscedasticidad. (D) Calcular a1 y a2 en la funcin de varianza S2I expa1 a2SQFT.

(E) Uso de la suposicin de varianza de la parte (d), encontrar mnimos cuadrados generalizados estimaciones de los parmetros de la ecuacin estimada por mnimos cuadrados de la parte (a). Opina sobre los resultados. (F) Utilizar los resultados de la parte (e) para estimar los precios que se consigue para sus dos casas. 8.9 (a) Utilizando las estimaciones obtenidas en la parte (a) del Ejercicio 8.8 como los valores de los parmetros, y asumiendo los errores distribuidos normalmente, encuentre la probabilidad de que (i) el 1400 pies cuadrados casa se vende por ms de $ 115.000 y (ii) el 1800 - pies cuadrados casa se vende por menos de $ 110.000. (B) Despus de realizar la correccin ^ ^ a1 ^ a1 1:2704; utilizar las estimaciones obtenidas en las partes (d) y (e) del ejercicio 8,8 como el parmetro de valores y, suponiendo que los errores distribuidos normalmente, encontrar la probabilidad de que ( i) su casa de 1400 pies cuadrados se vende por ms de $ 115.000 y (ii) su casa de 1,800 pies cuadrados se vende por menos de $ 110.000. (C) Comentar y comparar las respuestas obtenidas en los apartados (a) y (b). 8,10 * (a) El propsito de este ejercicio es para probar si la especificacin de varianza S2I s2xi introducido en la Seccin 8.4.1 ha sido adecuada para eliminar heteroscedasticidad en el ejemplo gastos de alimentacin en el texto. Calcula los cuadrados de los residuos del modelo transformado para obtener las estimaciones de (8,32). Regresin de los cuadrados de los residuos en xi y la prueba de heteroscedasticidad. (B) Nos preguntamos ahora si la especificacin varianza S2I s2xg i introducido en la seccin 8.5 elimina heterocedasticidad. Calcula los cuadrados de los residuos del modelo transformado para obtener las estimaciones de (8,47). Regresin de los cuadrados de los residuos en xi y prueba de heterocedasticidad. 8,11 Reconsiderar el modelo de gasto de los hogares que aparece en el texto, y los datos de los que estn en el food.dat archivo. Es decir, tenemos el modelo yi b1 b2xi ei donde yi es el gasto de alimentos para el hogar i-simo y xi es el ingreso. Encuentra mnimos cuadrados generalizados estimaciones de b1 y b2 en los supuestos (i) varei s2 ffiffiffiffi xi p (Ii) varei s2x2i (Iii) varei s2lnxi Opina sobre la sensibilidad de las estimaciones y sus errores estndar para la especificacin heteroscedasticos. Para cada caso, utilice el blanquear? Estadstico R2 y los residuales del modelo transformado para comprobar si heteroscedasticidad ha sido eliminado.

8.12 En el pubexp.dat archivo hay datos sobre el gasto pblico en educacin (EE), el producto interno bruto (PIB) y poblacin (P) para 34 pases en el ao 1980. Es la hiptesis de que el gasto per cpita en educacin se relaciona linealmente con el PIB per cpita. Esto es, yi b1 b2xi donde ei yi EEi Pi y Pi xi PIBi

? Se sospecha que la IE puede ser heteroscedasticos con una variacin relacionada con xi. (A) Por qu podra la sospecha acerca de heterocedasticidad ser razonable? (B) Estime la ecuacin utilizando los mnimos cuadrados; graficar la funcin al cuadrado y los residuales. Hay alguna evidencia de heteroscedasticidad? (C) Prueba de la existencia de heterocedasticidad mediante una prueba de White. (D) Use la frmula de White durante al menos varianza cuadrados estima para encontrar algunos errores estndares alternativos de los mnimos cuadrados estimaciones obtenidas en la parte (b). Utilice estos errores estndar y los obtenidos en la parte (b) para construir dos alternativas 95% intervalos de confianza para b2. Qu se puede decir sobre el intervalo de confianza que ignora la heterocedasticidad? (E) Estimar de nuevo a la ecuacin bajo la suposicin de que varei s2xi. Informar de los resultados. Construya un intervalo de confianza del 95% para b2. Comentario sobre su anchura respecto a la de los intervalos de confianza se encuentran en la parte (d). 8,13 * Considere la siguiente funcin de costos donde C denota el costo y la salida Q denota. Supongamos que s2Q1t vare1t . Nosotros utilizamos un subndice t porque las observaciones son series cronolgicas de datos. Se almacenan en el archivo de cloth.dat. C1T b1 b2Q1t b3Q21 t b4Q3 1t E1T (A) Encuentre mnimos cuadrados generalizados estimaciones de B1, B2, B3 y B4. (B) Pruebe la hiptesis b1 b4 0.

C) Qu puedes decir acerca de la naturaleza de la funcin de costo promedio si la hiptesis en (b) es cierto? (D) En qu hiptesis sobre el trmino de error sera ms apropiado para estimar la funcin de costo promedio de la funcin de costo total? 8,14 * En el archivo cloth.dat hay 28 series cronolgicas de observaciones sobre el costo total (C) y la salida (Q) por dos empresas de fabricacin de ropa. Es la hiptesis de que las funciones de ambas firmas costos son cbicos y se puede escribir como la empresa 1: C1T b1 b2Q1t b3Q2 1t b4Q31 t E1T la empresa 2: C2T d1 d2Q2t d3Q22 t d4Q32 t e2t donde Ee1t Ee2t 0, vare1t s21, s22 y vare2t . Tambin, E1T y e2t son independientes uno de otro tiempo y otra vez. (A) Estime cada funcin utilizando los mnimos cuadrados. Informar y comentar los resultados. Los coeficientes estimados tienen los signos esperados? (B) Con un nivel de significacin del 10%, la hiptesis de que H0: s21 s22 contra la alternativa de que H1: s21 s22 6 . (C) Estime ambas ecuaciones en forma conjunta, en el supuesto de que b1 d1, d2 b2, b3 d3, d4 y b4 . Informar y comentar los resultados. (D) Probar la hiptesis H0: b1 d1, d2 b2, b3 y b4 d3 d4 comentario sobre el resultado de la prueba.

8,15 * (a) Reconsiderar la ecuacin de salarios que se estim en el apartado 8.4.2. En lugar de estimar las varianzas de dos submuestras separadas, una para el rea metropolitana y el otro para las zonas rurales, estimar las dos varianzas utilizando el modelo S2I expa1 a2METROi y una nica muestra combinada. Son sus varianza estimaciones diferentes de los obtenidos utilizando dos submuestras separadas? Por qu? (B) Encuentre un nuevo conjunto de estimaciones de mnimos cuadrados generalizados para la funcin de la media y compararlos con los de (8,36). (C) Hallar blancas errores estndar de las estimaciones de mnimos cuadrados de la media function.How se comparan con los menos errores generalizados plazas estndar obtenidas en la parte (b)? 8.16 Considere el siguiente modelo para explicar el consumo de gasolina por coche en Alemania y Austria para el perodo 1960-1978: lnGAS b1 b2lnINC b3lnPRICE b4lnCARS e INC es donde el ingreso per cpita real, el precio es el precio de la gasolina real, y CARS es el stock per cpita de los coches. Los datos sobre estas variables aparecen en el gasga.dat archivo. (A) Utilizando menos estimaciones separadas plazas, estimar la varianza del error de G Alemania s2, y la varianza del error de A. Austria s2 (B) Pruebe la hiptesis H0: S2G s2 A contra la alternativa H1: s2 G 6 s2 A un nivel de significacin del 5%. (C) Hallar mnimos cuadrados generalizados estimaciones de los coeficientes b1, b2, b3, b4. (D) Utilizar los resultados en (c) para probar la hiptesis nula de que la demanda es inelstica DB3 precio? ? 1 Tes frente a la alternativa de que la demanda es elstica b3 <? 1. 8.17 El br2.dat archivo contiene datos de 1080 viviendas vendidas en Baton Rouge, Louisiana a mediados de 2005.We se ocupan del precio de venta (precio), el tamao de la casa en pies cuadrados (pies cuadrados), y la edad de la casa en aos (AGE). Definir una nueva variable que mide el tamao de la casa en trminos de cientos de metros cuadrados, SQFT100 PIE CUADRADO = 100.

(A) Hallar estimaciones de mnimos cuadrados de la ecuacin siguiente y guarde los residuos: lnPRICE b1 b2SQFT100 b3AGE b4AGE2 e (B) Grafique los residuos contra menos (i) la edad y SQFT100 (ii). Hay alguna evidencia de heteroscedasticidad? (C) Prueba de heteroscedasticidad mediante una prueba de Breusch-Pagan y las variables edad y SQFT100. Hay evidencia de heteroscedasticidad a un nivel de significacin del 1%? (D) Calcule la funcin de varianza S2I exp a1 a2AGEi a3SQFT100i and el informe de los resultados. Utilice la opcin robusta error estndar y hacer comentarios sobre los efectos de la edad y SQFT100 de la varianza. (E) Utilice la funcin de varianza estimada en (d) para encontrar estimaciones de la varianza ^ S2I, i = 1, 2,. . . , 1080, y el uso de dichas estimaciones para encontrar mnimos cuadrados generalizados estimaciones de la ecuacin en (a). (F) Utilizar un formato de tabla para reportar las estimaciones y los errores estndar para el modelo en la parte (a), a partir de las tcnicas de estimacin siguientes. Opina sobre las diferencias y similitudes. (I) Los mnimos cuadrados (Ii) los mnimos cuadrados con robustos a la heteroscedasticidad errores estndar (Iii) los mnimos cuadrados generalizados de la parte (e) (Iv) de mnimos cuadrados generalizados de la parte (e), pero con errores estndar robustos (G) Los residuos transformados a partir de la regresin transformado en el apartado (e) muestran evidencia de heteroscedasticidad? Use una prueba de Breusch-Pagan con variables edad y SQFT100. 8.18 En la Seccin 8.6.1 se estim el modelo de probabilidad lineal COKE b1 b2PRATIO b3DISP COKE b3DISP PEPSI e donde COKE 1 si un comprador comprar Coca-Cola y Coca-Cola 0, si un comprador compr Pepsi. El PRATIO variable fue la relacin de precios relativos de CocaCola a Pepsi, y DISP_COKE y DISP_PEPSI fueron variables indicadoras igual a uno si la pantalla correspondiente estaba presente. Supongamos ahora que tenemos 1.140 observaciones a los compradores seleccionados aleatoriamente de 50 tiendas diferentes. Cada tienda tiene su propia configuracin para PRATIO, DISP_COKE y DISP_PEPSI. Deje un subndice (i, j) indica que el comprador jth en la tienda i, de modo que podemos escribir el modelo como COKEij b1 b2PRATIOi b3DISP COKEi b3DISP Pepsii eij medio esta ecuacin sobre todos los compradores en la tienda para que ith tenemos COKEi? b1 b2PRATIOi b3DISP COKEi b3DISP Pepsii ei? (8.52) donde

ei? 1 Ni ?N yo j1 eij COKEi? 1 Ni ?N yo j1 COKEij y Ni es el nmero de compradores muestreados en la tienda i-simo. (A) Explique por qu COKEi es la proporcin de los compradores en la tienda que compr ith Coca-Cola. (B) Dado que E COKEij ?? pi y COKEij var ?? pi 1? pi , muestran que E COKEi? ?? pi y COKEi var? ?? pi 1? pi Ni (C) Interpretar pi y expresarlo en trminos de PRATIOi, DISP_COKEi y DISP_PEPSIi.

(D) Las observaciones de las variables COKEi?, PRATIOi, DISP_COKEi, DISP_PEPSIi andNi aparecen en el coke_grouped.dat archivo. Encontrar estimaciones de mnimos cuadrados de (8,52). Opina sobre los resultados. (E) Prueba de heterocedasticidad mediante la aplicacin de los blancos testwith productos cruzados trminos de los mnimos cuadrados residuals.Explainwhyitmakessensetoincludethecrossproductterms. (F) Estimar pi y COKEi var? para cada una de las tiendas. Reporte la media, desviacin estndar, mximo y mnimo de la pi estimado. (G) Encuentra mnimos cuadrados generalizados estimaciones de (8,52). Opina sobre los resultados y compararlos con los obtenidos en el apartado (d). 8,19 (a) Usando los datos de cps4_small.dat estimar la ecuacin de salarios siguiente con mnimos cuadrados y robustos a la heteroscedasticidad errores estndar: lnWAGE b1 b2EDUC b3EXPER b4EXPER2 b5EXPER EDUC e Informe de los resultados?. (B) Aadir casado con la ecuacin y re-estimacin. Sosteniendo la educacin y la experiencia constante, hacen los trabajadores casados obtener salarios ms altos? Con un nivel de significacin del 5%, probar una hiptesis nula de que los salarios de los trabajadores casados son inferiores o iguales a los de los trabajadores solteros contra la alternativa de que los salarios de los trabajadores casados son ms altos. (C) Grafique los residuales de la parte (a) en contra de los dos valores de CASADO. Hay evidencia de heteroscedasticidad? (D) Estimar el modelo en la parte (a) dos veces: una con las observaciones sobre los trabajadores casados y slo una vez usando observaciones en slo los trabajadores solteros. Utilice la prueba Goldfeld-Quandt y un nivel de significacin del 5% para probar si las varianzas de error para los trabajadores casados y solteros son diferentes. (E) Encuentre mnimos cuadrados generalizados del modelo en la parte (a). Comparar las estimaciones y los errores tpicos con los que se obtienen en la parte (a). (F) Encuentre dos estimaciones del intervalo de 95% para el efecto marginal = @ @ ElnWAGE EDUC para un trabajador con 16 aos de educacin y de 10 aos de experiencia. Utilizar los resultados de la parte (a) para un intervalo y los resultados de la parte (e) para el intervalo de otro. Opina sobre cualquier diferencia. 8.20 Consideremos de nuevo los datos en cps4_small.dat y la ecuacin de salarios lnWAGE b1 b2EDUC b3EXPER b4EXPER2 b5EXPER? EDUC e. (A) Grafique los residuales mnimos cuadrados EDUC contra y en contra de exper. Qu sugieren?

(B) Prueba de heteroscedasticidad mediante una prueba de Breusch-Pagan donde la varianza depende EDUC, EXPER y se casaron. Qu concluye con un nivel de significacin del 5%? (C) Calcule la varianza de una funcin que incluye EDUC, EXPER, y se cas y lo utilizan para estimar la desviacin estndar de cada observacin. (D) Hallar mnimos cuadrados generalizados estimaciones de la ecuacin de salarios. Comparar las estimaciones y los errores tpicos con los que se obtienen a partir de estimacin por mnimos cuadrados con robustos a la heteroscedasticidad errores estndar. (E) Encuentre dos estimaciones del intervalo de 95% para el efecto marginal = @ @ ElnWAGE EXPER para un trabajador con 16 aos de educacin y de 20 aos de experiencia. El uso de mnimos cuadrados con robustos a la heteroscedasticidad errores estndar para un intervalo y los resultados de la parte (d) para el otro. Opina sobre cualquier diferencia. 8.21 Este ejercicio es una continuacin del Ejercicio 8.20. Las estimaciones de 8,20 (c) y 8,20 (d) se debe utilizar para responder a las siguientes preguntas. (A) Pronstico del salario de un trabajador casado con 18 aos de educacin y de 16 aos de experiencia. Utilice tanto el predictor natural y el factor de prediccin corregida. (Vase el Captulo 4.5.3.) (B) Encuentre un intervalo de pronstico del 95% para el salario de un trabajador casado con 18 aos de educacin y de 16 aos de experiencia. No haga caso de la incertidumbre y el error muestral de la estimacin de los coeficientes. 8.22 En el ejercicio 7.7 se consider un modelo diseado para proporcionar informacin a los prestamistas hipotecarios. Ellos quieren determinar los factores de prstamo del prestatario y que pueden conducir a la delincuencia o la ejecucin hipotecaria. En el archivo de lasvegas.dat son 1000 las observaciones de las hipotecas para viviendas unifamiliares en Las Vegas, Nevada en 2008. La variable de inters es delincuente, un indicador variable 1 si el prestatario se perdi por lo menos tres pagos (nmero 90 das de retraso), pero cero en caso contrario. Las variables explicativas son LVR la relacin entre el importe del prstamo al valor de la propiedad; REF 1 si el propsito del prstamo era un refinanciamiento'''' y 0 si el prstamo era para una compra; INSUR 1 si la hipoteca lleva hipoteca seguros, cero en caso contrario; tasa inicial de tipo de inters de la hipoteca; MONTO valor en dlares de la hipoteca (en $ 100.000); CRDITO puntaje de crdito, TERM nmero de aos entre el desembolso del prstamo y la fecha en que se espera que sea reembolsado en su totalidad , ARM 1 si la hipoteca tiene una tasa de inters ajustable, y 0 si hipotecario tiene una tasa fija. (A) Estime la probabilidad lineal (regresin) DELINCUENTE modelo que explica como una funcin de las variables restantes. Utilice la prueba de White con trminos de productos cruzados incluido para la prueba de heterocedasticidad. Por qu se incluyen los trminos de productos cruzados?

(B) Utilice las estimaciones de (a) para estimar las varianzas de error para cada observacin. Cuntas de estas estimaciones son por lo menos uno? Cuntos son en la mayora de cero? Cuntos son menos de 0,01? (C) Preparar una tabla que contiene las estimaciones y los errores estndar de la estimacin del modelo de probabilidad lineal en cada una de las siguientes maneras: (I) Los mnimos cuadrados con errores estndar convencionales. (Ii) Mnimos cuadrados con robustos a la heteroscedasticidad errores estndar. (Iii) los mnimos cuadrados generalizados omitiendo observaciones con varianzas menores de 0,01. (iv) los mnimos cuadrados generalizados con varianzas menos de 0,01 cambi a 0,01. (v) los mnimos cuadrados generalizados con varianzas menos de 0,00001 a 0,00001 cambiado. Discutir y comparar los diferentes resultados. (d) Uso de los resultados de (iv), interpretar cada uno de los coeficientes. Mencionar si los signos son razonables y si son significativamente diferentes de cero. 9.9.1 PROBLEMAS 9.1 Considere el siguiente modelo de rezagos distribuidos sobre el porcentaje de crecimiento en inversin privada (INVGWTH) para la tasa de fondos federales de inters (FFRATE): INVGWTHt 4? 0:4 FFRATEt? FFRATEt 0:8? 1? FFRATEt 0:6? 2 ? FFRATEt 0:2? 3 (a) Supongamos FFRATE = 1% para t = 1, 2, 3, 4. Utilice la ecuacin anterior para pronosticar INVGWTH para t = 4. (b) Supongamos FFRATE se eleva hasta el 1,5% en el perodo t = 5 y luego regres a su nivel inicial de 1% para t = 6, 7, 8, 9. Usa la ecuacin para predecir INVGWTH paraperodos t = 5, 6, 7, 8, 9. Relacionar los cambios en sus previsiones para los valores de la coeficientes. Cules son los multiplicadores de retardo? (c) Supongamos FFRATE se eleva a 1,5% para los perodos t = 5, 6, 7, 8, 9. Use la ecuacin para pronosticar INVGWTH por perodos t = 5, 6, 7, 8, 9. Relacionar los cambios en su pronsticos a los valores de los coeficientes. Cules son los multiplicadores intermedios? Qu es el multiplicador total? 9.2 El ex9_2.dat archivo contiene 105 observaciones semanales sobre los ingresos por ventas (ventas) y gastos de publicidad (ADV) en millones de dlares por un gran departamento centrooeste almacenar en el ao 2008 y 2009. La siguiente relacin se estim: 25:34 bSALESt 3:802 1:842 advt advt? 1 2:265 advt? 2

(a) Describa la relacin entre las ventas y los gastos de publicidad. Incluir una explicacin de la relacin lag. Cundo publicidad tienen su mayor impacto? Cul es el efecto total de un sostenido aumento de $ 1 millones en publicidad gastos? (b) La matriz de covarianza estimada de los coeficientes es

Usando una prueba de una cola y un nivel de significacin del 5%, que se quedan coeficientes son significativamente diferentes de cero? Sus conclusiones cambiar si se utiliza una prueba de cola uno? Cambian si se utiliza un nivel de significacin del 10%? (c) Hallar los intervalos de confianza del 95% para el multiplicador de impacto, el multiplicador provisional para el perodo, y el multiplicador total. 9,3 Reconsiderar la ecuacin estimada y la matriz de covarianza en el Ejercicio 9.2. Supongamos, como ejecutivo de marketing de los grandes almacenes, que dispone de un total de $ 6 millones para gastar en publicidad durante las prximas tres semanas, t 106, 107, y 108. Tenga en cuenta las siguientes asignaciones de los $ 6 millones: ADV106 6; ADV107 0; ADV108 0 ADV106 0; ADV107 6; ADV108 0 ADV106 2; ADV107 = 4; ADV108 0 (a) Para cada asignacin de los $ 6 millones, la previsin de ingresos de ventas para t = 106, 107, y 108. Lo que conduce a la asignacin de la mayor previsin de ingresos totales por ventas en las tres semanas? Lo que conduce a la asignacin de la mayor previsin de las ventas en la semana t 108? Explique por qu estos resultados se obtuvieron. (b) Hallar los intervalos de prediccin del 95% para ADV108 para cada una de las tres asignaciones. Si maximizando ADV108 es su objetivo, que la asignacin elegiras? Por qu? 9,4 * Los siguientes plazas menos residuos provienen de una muestra de tamao T 10:

(a) Utilice una calculadora para calcular las autocorrelaciones de muestra: r1 ?T t=2 ^ ^ et et? 1 ?T t=1 ^ e2t r2 ?T t=3 ^ ^ et et? 2 ?T t=1 ^ e2t (b) Probar si (i) R1 es significativamente diferente de cero y (ii) R2 es significativamente diferente de cero. Dibuja los dos primeros compases del correlograma. Incluya los lmites de significacin. 9.5 El growth47.dat archivo contiene 250 observaciones trimestrales en EE.UU. el crecimiento del PIB en el trimestre dos de 1947, a tres cuartos de 2009. A partir de estos datos, podemos calcular las cantidades siguientes: ? 250

t=1 Gt? G ? Alpha 2 333:8558? 250 t=2 Gt? G ?? Gt? 1? G ?? 162:9753 ? 250 t=3 Gt? G ?? Gt? 2? G ?? 112:4882 ? 250 t=4 Gt? G ?? Gt? 3? G ?? 30:5802

(A) Calcule los tres primeros autocorrelaciones r1, r2 y r3 for G. Prueba si cada uno es significativamente diferente de cero a un nivel de significacin del 5%. Dibuje los tres primeros compases de la correlograma. Incluya los lmites de significacin. (B) Dado que? 250 t = 2 Gt? 1? G? 1 ? Alpha 2 333:1119 y? 250 t = 2 Gt? G1 ?? Gt? 1? G? 1 ?? 162:974, donde G1 ? 250 t = 249 2GT 1:662249 y G? 1 ? 250 t 2GT? 1 = 249 1:664257, encontrar estimaciones de mnimos cuadrados de d1 y U1 en la AR (1) modelo Gt d u1Gt? 1 et. Explique la diferencia entre la estimacin ^ u1 y el r1 estimacin obtenida en la parte (a). 9.6 El aumento de la tasa de inters de la hipoteca aumenta el costo de ser propietario de una casa y reducir la demanda de viviendas. En esta pregunta consideramos una ecuacin donde la variacin mensual en el nmero de viviendas familiares NewOne vendidos en los EE.UU. depende del cambio de lastmonth en la tasa hipotecaria a 30 aos convencional. Casas para ser el nmero de viviendas nuevas vendidas (en miles) y tasa themortgage ser iracundo. Cambios Theirmonthly se denotan byDHOMESt HOMESt ? HOMESt? 1 y DIRATEt IRATEt? ? IRATEt 1.Con datos entre enero de 1992 marzo de 2010 (almacenado en el homes.dat archivo), se obtienen las siguientes estimaciones de mnimos cuadrados de regresin: bDHOMESt ? 2:077? DIRATEt 53:51? 1 se D3: D16 498 : 98 obs 218

(A) Interpretar la estimacin? 53,51. Construir e interpretar un intervalo confidcnce 95% para el coeficiente de DIRATEt? 1. (B) Que ^ et denotar los residuos de la ecuacin anterior. Utilice la siguiente ecuacin estimada para llevar a cabo dos pruebas separadas de primer orden para los errores autorregresivos. ^ Et ? 0:1835? 3:210 DIRATEt? 1? 0:3306 ^ et? 1 R2 0:1077 se D16: 087 D0: 0649 obs 218 (C) El modelo con AR (1) los errores se estim en bDHOMESt ? 2:124? 58:61 DIRATEt? 1 y ? 0:3314 et? 1 ^ vt se D2: D14 497 : 10 de D0: 0649 obs 217 Construya un intervalo de confianza del 95% para el coeficiente de DIRATEt beta 1, y hacer comentarios sobre el efecto de ignorar autocorrelacin en inferencias acerca de este coeficiente.
9,7 * Considere el modelo y ret? 1 vt (A) Supongamos que r = 0,9 y s2v 1. Cul es (i) la correlacin entre ET y et? 1? (Ii) la correlacin entre et et y 4? (Iii) la S2E varianza? (B) Repita la parte (a) con r = 0,4 y s2v 1. Comente la diferencia entre las respuestas de las partes (a) y (b). 9.8 En la Seccin 9.1, la siguiente curva de Phillips fue estimada: dINFt 0:1001 0:2354 Inft 1 0:1213 0:1677 Inft 2 3 Inft 0:2819 Inft 4?????0:7902 DUT Los cuatro ltimos valores de la muestra para la inflacin son INF2009Q3 1:00; INF2009Q2 0:5; INF2009Q1 0:1;? INF2008Q4 y 0:3. La tasa de desempleo fue del 5,8% 2009Q3. La varianza de error estimado por la ecuacin anterior es ^ s2v 0:225103. (A) Teniendo en cuenta que las tasas de desempleo en los tres primeros trimestres de muestras post-son U2009Q4 5:6; U2010Q1 5:4; 5:00 y U2010Q2 , utilice la ecuacin estimada para pronosticar la inflacin de 2009Q4, 2010Q1 2010Q2 y. (B) Hallar los errores estndar de los errores de previsin para sus pronsticos en (a). (C) Hallar los intervalos de prediccin del 95% para INF2009Q4; INF2010Q1 y INF2010Q2. Qu tan confiables son los pronsticos que se encuentran en la parte (a)? 9.9 Considere la posibilidad de la representacin lag infinito yt un ? 1 s0 bsxt? s et para el modelo ARDL yt d u1yt? 1 u2yt? 2 u3yt? 3 u4yt? 4 d0xt vt (A) Demostrar que un d = 1? u1? u2? u3? u4 b0 d0 b1 b0u0 b2 b1u1 b0u2 b3 b2u1 b1u2 b0u3 bs bs ? 1U1 bs? 2u2 bs? 3u3 bs? 4u4 por s? 4 (B) aplicar los resultados de (a) para encontrar las estimaciones de los pesos lag primeros 12 para la estimacin de la curva de Phillips en el Ejercicio 9.8. Grfico esos pesos y comentar en el

grfico. (C) Qu tasa de inflacin es consistente con una tasa de desempleo constante (donde DU 0 en todos los perodos de tiempo)? 9,10 * Los datos trimestrales desde 1960Q1 2009Q4 a, almacenados en el archivo consumptn.dat, se utilizaron para estimar la siguiente relacin entre el crecimiento en el consumo de bienes de consumo duraderos en los EE.UU. (DURGWTH) y el crecimiento de la renta personal disponible (INCGWTH):

bDURGWTHt 0:0103? 0:1631 DURGWTHt? 1 0:7422 INCGWTHt 0:3479 INCGWTHt? 1 (A) Teniendo en cuenta thatDURGWTH2009Q4 0:1; INCGWTH2009Q4 0:9; INCGWTH2010Q1 0:6 y 0:8 INCGWTH2010Q2 , pronstico DURGWTH 2010Q1 y 2010Q2 para. (B) Determinar y hacer comentarios sobre los pesos de retraso implcitas de hasta 12 cuartos para la representacin lag infinito distribuido DURGWTHt un ? 1 s 0 bsINCGWTHt? s et (C) Hallar los valores de la de uno y dos trimestres de retraso y multiplicadores intermedios, y el multiplicador total. Interpretar esos valores. 9,11 (a) Escriba la AR (1) modelo de error et ret? 1 vt retraso en la notacin del operador. (B) Demostrar que D1? rL? 1 1 rL R2L r3L3? ? ? y por lo tanto que et vt rvt? 1 r2vt? 2 r3vt? 3 ? ? ? 9.9.2 EJERCICIOS DE INFORMTICA 9,12 * Considere la Ley de Okun finito modelo distribuido desfase que se calcul en la seccin 9,2 y los datos para los que aparecen en okun.dat. (A) Calcular el siguiente modelo para q 0, 1, 2, 3, 4, 5, y 6. un DUT? q s0

bsGt? s et En cada uno de los datos de casos de uso de t 1986Q4 a 2009Q3 t para asegurar que 92 observaciones se utilizan para cada estimacin. Reportar los valores de los criterios de seleccin de AIC y SC para cada valor de q. Qu longitud se quedan elegira sobre la base de la AIC? Qu longitud de rezago elegiras basado en el SC? (B) Utilizando el modelo que minimiza la AIC: (I) Encuentre un intervalo de confianza del 95% para el multiplicador de impacto. (Ii) Probar la hiptesis nula de que el multiplicador total es igual a -0,5 frente a la alternativa de que es mayor que -0,5. Utilice un nivel de significacin del 5%. (Iii) Encuentre un intervalo de confianza del 95% para la tasa de crecimiento GN normal. (Sugerencia: Utilice el software para obtener el error estndar para ^ GN ^ a = ^ g donde ^ g q s 0BS Puede hacerlo al pretender poner a prueba una hiptesis como H0:?.. A = 1 g ) 9.13 El ex9_13.dat archivo contiene 157 observaciones semanales sobre los ingresos por ventas (ventas) y los gastos de publicidad (ADV) en millones de dlares por una gran tienda midwest departamento para el perodo 2005-2007. (Ejercicio 9.2 utiliza datos sobre esta tienda para 20082009.) Las semanas son del 28 de diciembre de 2004, al 25 de diciembre de 2007. Les denotar como t = 1, 2,. . . , 157. (A) Grafique la serie de las ventas y ADV. Parecen estar en tendencia o no parecen fluctuar en torno a una media constante? En los grficos, dibujar lneas horizontales en el medio de la serie. (B) Estimar un modelo finito de rezagos distribuidos de la forma SALESt un ? q s0 bsADVt? s et para q 0, 1, 2, 3, 4, y 5. En cada caso de uso 152 observaciones (t = 6, 7, ..., 157 donde t = 6 es 1 de febrero de 2005). Reporte los valores de sacarosa y los multiplicadores totales para cada ecuacin. Es el multiplicador total estimado sensible a la eleccin de la longitud del lag? (C) Formular observaciones sobre la estructura de rezagos estimado del modelo que minimiza la SC. Le parece sensato para usted? Son todas las estimaciones significativamente diferentes de cero a un nivel de significacin del 5%? Use este modelo para responder a las restantes partes de esta pregunta.

(D) Construir 95% estimaciones de intervalo para el multiplicador de retardo (i) de una semana, (ii) una semana multiplicador provisional, (iii) multiplicador de retraso de dos semanas, y (iv) dos semanas multiplicador provisional. (E) El director general afirma que el aumento de los gastos de publicidad por $ 1 milln a la semana en cada una de las tres prximas semanas aumentar las ventas totales durante esas tres semanas por lo menos $ 6 millones. Existe suficiente evidencia en los datos para apoyar esta afirmacin? (F) Las ventas de pronstico de ingresos para los cuatro primeros de la muestra despus de la semana, t 158, 159, 160, 161 cuando (i) no se gasta en publicidad para esas cuatro semanas, (ii) $ 4 millones se gastan en la primera semana ( t = 158), y nada se gasta en las tres semanas restantes, y (iii) $ 1 millones se gastan en cada una de las cuatro semanas. Opina sobre los tres caminos pronstico diferentes. 9.14 Una forma de modelar la respuesta de alimentacin para un cultivo agrcola consiste en especificar un modelo en el que la superficie plantada (ha) depende del precio. Cuando el precio de la produccin de este cultivo es alto, los agricultores plantan ms de ese cultivo que cuando su precio es bajo. Dejar REA denotar la superficie plantada, y el precio denotar precio de salida, y asumiendo un log-log (elasticidad constante) forma funcional, un rea finita modelo de rezagos distribuidos respuesta de este tipo se puede escribir como ln AREAt un ? q s0 En bs PRICEt? s ThTh et Usamos este modelo para explicar el rea de la caa de azcar plantada en una regin del pas del sudeste asitico de Bangladesh. La informacin sobre las elasticidades de retardo y provisional es til para la planificacin gubernamental. Es importante saber si existentes fbricas de procesamiento de azcar es probable que sean capaces de manejar la salida predicha, si es probable que sea el exceso de capacidad de molienda, y si una poltica de precios unir la produccin, procesamiento, y el consumo es deseable. Los datos comprenden 34 observaciones anuales en zona y el precio se dan en la bangla.dat archivo. (A) Estime este modelo suponiendo q = 4. Qu son el retraso estimado elasticidades y provisionales? Opina sobre los resultados. (B) Se ha descubierto que los pesos obtenidos lag en la parte (a) no son sensibles. Una forma de tratar de superar este problema es insistir en que los pesos se encuentran en una lnea recta bs a0 a1s s 0, 1, 2, 3, 4

Si a0> 0 y a1 <0, estos pesos se reducir, lo que implica que los agricultores colocar un peso mayor en los precios ms recientes, cuando la formacin de sus expectativas. Sustituir bs a0 a1s en la ecuacin original y por lo tanto muestran que esta ecuacin puede escribirse como En AREAt un a0zt0 a1zt1 et donde zt0 ? 4 s0 En PRICEt? s and ZT1 ? 4 s1 s En PRICEt s ?: (C) Crear las variables zt0 y ZT1 y encontrar los mnimos cuadrados estimaciones de a0 y a1. (D) Utilizar las estimaciones de A0 y A1 para encontrar estimaciones de bs a0 a1s y comentar sobre ellos. El problema original se ha curado? Las pesas ahora satisfacer las expectativas a priori? (E) Cmo se las elasticidades de retardo y provisional comparar con los obtenidos anteriormente? 9,15 * Reconsiderar la caa de azcar suministro problema de respuesta que se introdujo en el Ejercicio 9.14. Utilizando los datos en bangla.dat, estimar el siguiente modelo sin retrasos ln AREAt b1 b2 PRICEt En ThTh et (A) Encuentre la funcin de autocorrelacin de los residuales. Qu autocorrelaciones son significativamente diferentes de cero? (B) Realizar un test LM de autocorrelacin de los errores utilizando un rezagado residual y un nivel de significacin del 5%. (C) Encuentre dos 95% intervalos de confianza para la elasticidad de la oferta y un uso menos errores plazas estndar y el otro con HAC errores estndar. Cules son las consecuencias para la estimacin del intervalo cuando los errores correlacionados serialmente se ignoran? (D) Estimar el modelo bajo el supuesto de que el error es un AR (1) proceso. Es la estimacin para significativamente distinto de cero r en un nivel de significacin del 5%? Calcula un intervalo de confianza del 95% para la elasticidad de la oferta. Cmo se compara con los obtenidos en la parte (c)? (E) estimar una ARDL (1,1) para el modelo de respuesta del azcar en la oferta. Qu restricciones son necesarias en los coeficientes de este modelo para que sea equivalente a la de (d)? Pruebe estas restricciones utilizando un nivel de significacin del 5%. Los residuos de este modelo muestran ninguna evidencia de correlacin serial?

9,16 * Considere adems la ARDL (1,1) modelo de respuesta de la oferta para la caa de azcar estimado en parte (e) del Ejercicio 9.15. En AREAt d u1 ln AREAt? 1 ThTh d0 PRICEt ln ln ThTh d1 PRICEt? 1 ThTh vt (A) Supongamos que las dos primeras muestras post-precios se PRICET1 1 y PRICET2 0:8. Utilice la ecuacin estimada para previsin ln (AREA) en los aos T 1 y T 2. Cules son las previsiones correspondientes para el rea de? (B) Hallar los intervalos de prediccin del 95% para la zona en aos T 1 y T 2. Podemos predecir con precisin la zona? (C) Utilizar los resultados en (9.90) y la ecuacin estimada para encontrar lag y elasticidades provisionales durante un mximo de cuatro aos. Interpretar estos valores. (D) Hallar la elasticidad total estimado. Qu significa este valor te lo dijo? 9.17 El growth47.dat archivo contiene 250 observaciones trimestrales en EE.UU. el crecimiento del PIB (variacin porcentual en el PIB) respecto al trimestre 2, 1947, para el trimestre 3 de 2009. (A) Estime un AR (2) modelo de crecimiento del PIB y comprobar para ver si los residuos se autocorrelacionados. Qu autocorrelaciones residuales, si los hay, son significativamente diferentes de cero? Un test LM con dos errores retardados sugieren errores correlacionados en serie? (B) Repita la parte (a) utilizando un AR (3) modelo. (C) Utilice el estimado AR (3) modelo para encontrar 95% intervalo de pronstico para el crecimiento en 2009Q4, 2010Q1 y 2010Q2. Revise para ver si las cifras reales de crecimiento cay dentro de sus intervalos de pronstico. (Usted puede encontrar estas figuras de la Reserva Federal Economic Data (FRED) pgina web mantenida por el Banco de la Reserva Federal de St. Louis). 9.18 Usted desea comparar el rendimiento de un modelo analtico y un modelo de suavizado exponencial para pronosticar los ingresos por ventas una semana en el futuro. (A) Con los datos de ex9_13.dat, estimar un AR (2) modelo para las ventas. Revise para ver si los errores estn serialmente correlacionados. (B) Re-estimar el AR (2) modelo con los ltimos cuatro observaciones (t = 154, 155, 156, y 157) omitidas. Utilice el modelo estimado para pronosticar las ventas para t = 154 (una semana antes). Llame a la previsin SALESAR 154. (C) Re-estimar el AR (2) modelo con las tres ltimas observaciones (t = 155, 156, y 157) omitidas. Utilice el modelo estimado para pronosticar las ventas para t = 155 (una semana antes). Llame a la previsin SALESAR

155. (D) Continuar con el proceso descrito en los incisos (b) y (c) para obtener pronsticos SALESAR156 y SALESAR 157. (E) Siga el mismo procedimiento con un modelo de suavizado exponencial. Primero con los ltimos cuatro observaciones omite, los tres ltimos, a continuacin, los dos ltimos, y luego el ltimo, encontrar la estimacin de parmetro de suavizado que minimiza la suma de los cuadrados de la muestra dentro de un solo paso los errores de pronstico. En cada caso, utilice el parmetro de suavizacin estimado para predecir una semana antes, la obtencin de las previsiones Salesas 154; Salesas 155, 156 y Salesas Salesas 157. (F) Hallar los errores de prediccin cuadrtico medio (MSPE)? 157 t = 154 SALESAR t? ? SALESt2 = 4 y? 157 t = 154 Salesas t? SALESt ??2 = 4. Sobre la base de sus MSPE, mtodo que ha llevado a los pronsticos ms precisos? 9.19 En este ejercicio explorar ms a fondo la relacin entre viviendas vendidas y el tipo de hipoteca que se introdujo en el Ejercicio 9.6. Para familiarizarse con las variables, volver atrs y leer la pregunta para el Ejercicio 9.6. A continuacin, utilice los datos de homes.dat para responder a las siguientes preguntas: (A) Obra Grfica, iracundos, DHOMES y DIRATE. Qu variables parecen estar tendencias? Cules no estn en tendencia? (B) Estime el siguiente modelo e informar los resultados. Son todas las estimaciones significativamente diferentes de cero a un nivel de significacin del 5%? DHOMESt d u1DHOMESt? 1 d1DIRATEt? 1 d2DIRATEt? 2 vt (9.92) (C) Probar la hypothesisH0: u1d1 d2 contra la alternativeH1: u1d1 6 d2 a un nivel de significacin del 5%?. Qu significa el resultado de este test te lo dijo?

(D) Hallar la funcin de autocorrelacin de los residuos de la estimacin (9.92). Se nota alguna evidencia de correlacin serial en los errores? (E) Prueba de correlacin serial de los errores en (9.92) utilizando una prueba de LM con dos errores rezagados. (F) Estime el siguiente modelo ARDL: DHOMESt d u1DHOMESt 1 u5DHOMESt 5 d1DIRATEt 1 d3DIRATEt 3 vt (9.93)???? Este es un caso especial de un ARDL (5,3) modelo donde u2 u3 u4 d2 d0 0. Es esta ecuacin una mejora con respecto a (9.92)? Por qu? 9,20 (a) Demostrar que (9.93) se puede escribir como HOMESt d DU1 1HOMESt? 1? u1HOMESt? 2 u5DHOMESt? 5 d1DIRATEt? 1 d3DIRATEt? 3 vt (B) Si no lo ha hecho, la estimacin (9.93). Utilice esta ecuacin estimada y el resultado de la parte (a) para predecir el nmero de nuevas casas unifamiliares vendidas en abril, mayo y junio de 2010, suponiendo que la tasa hipotecaria en esos tres meses se mantiene constante en el 4,97% (C) Hallar los intervalos de prediccin del 95% para los tres pronsticos hechos en la parte (b). 9.21 En (9.59) se obtiene la siguiente ecuacin estimada para la Ley de Okun dDUt 0:3780 0:3501 DUT? 1? 0:1841 Gt? 0:0992 Gt? 1 se D0: 0578 D0: 0846 D0: 0307 D0: 0368 (A) Utilizar los datos en okun.dat para reproducir estas estimaciones. (B) Comprobar el correlograma de los residuos. Hay autocorrelaciones significativas? (C) Llevar a cabo pruebas de LM de autocorrelacin en los residuos de error se queda hasta cuatro. (D) Vuelva a estimar la ecuacin con las variables DUT? 2 y GT? 2 aadido por separado y luego juntos. Son sus coeficientes significativamente distintos de cero? (E) Qu concluye acerca de la especificacin en (9.59)? 9.22 Una relacin importante en la macroeconoma es la funcin de consumo. El consumptn.dat archivo contiene los datos trimestrales desde 1960Q1 2009Q4 a sobre los cambios porcentuales de la renta personal disponible y el consumo personal expenditures.We describir estas variables como el crecimiento de los ingresos (INCGWTH) y el crecimiento del consumo (CONGWTH). Para garantizar que el mismo nmero de observaciones (197) se utilizan para estimacin en cada uno de los modelos que considerar, utilizar como perodo 1960Q4 a 2009Q4 muestra. Cuando sea pertinente, variables retardadas en el lado derecho de las ecuaciones puede utilizar valores antes de 1960Q4.

(A) Grafique la forCONGWTHandINCGWTH series de tiempo. Incluye una lnea horizontal en la media de cada serie. Es la serie parecen fluctuar en torno a una media constante? (B) Estime el modelo CONGWTHt d d0INCGWTHt vt. Interpretar la estimacin para d0. Compruebe si hay errores correlacionados en serie utilizando el correlograma residual, y una prueba de LM con dos errores rezagados. Qu concluye? (C) Calcular la modelCONGWTHt d u1CONGWTHt? 1d0INCGWTHt vt. Es este modelo una mejora con respecto a que en la parte (b)? Es la estimacin para u1 significativamente diferente de cero? Los valores de la AIC y el CP disminuy? Ha correlacin serial en los errores han eliminado? (D) Se aade el CONGWTHt variable? 2 para el modelo en la parte (c) y re-estimacin. Es este modelo una mejora con respecto a que en la parte (c)? Es la estimacin de U2 (el coeficiente de CONGWTHt? 2) significativamente diferente de cero? Los valores de la AIC y el CP disminuy? Ha correlacin serial en los errores han eliminado? (E) Aadir el INCGWTHt variable? 1 a la modelo en la parte (d) y re-estimacin. Es este modelo una mejora con respecto a que en la parte (d)? Es la estimacin de d1 (el coeficiente de INCGWTHt? 1) significativamente diferente de cero? Los valores de la AIC y el CP disminuy? Ha correlacin serial en los errores han eliminado? (F) La adicin de CONGWTHt? 3 o INCGWTHt? 2 mejorar el modelo en la parte (a)? (G) La cada de la CONGWTHt variable? 1 en el modelo de la parte (e) y re-estimacin. Por qu podra considerar abandonar esta variable? El modelo que se debe calcular es CONGWTHt d u2CONGWTHt? 2 d0INCGWTHt d1INCGWTHt? 1 vt (9,94) Esta modelo tienen valores ms bajos que los AIC y SC que en (a)? Hay alguna prueba de errores correlacionados en serie? 9.23 Si an no lo ha hecho, utilice los datos de consumptn.dat y el perodo 1960Q4 a 2009Q4 muestra para estimar (9.94). Teniendo en cuenta que INCGWTH2010Q1 0:6; INCGWTH2010Q2 0:8 y 0:7 INCGWTH2010Q3 , encontrar el 90% intervalo de pronstico para el crecimiento del consumo en 2010Q1, 2010Q2 y 2010Q3. Opina sobre estos intervalos. 9.24 Considere la representacin lag infinito de (9.94) que se escribe como CONGWTHt un ? 1 s0 bsINCGWTHt? s et

(A) Deducir expresiones que se pueden utilizar para calcular el ancho de U2; d0 y d1;. (B) Hallar las estimaciones para el uno, dos, y tres cuartos de retraso y multiplicadores intermedios, y el multiplicador total. Interpretar estas estimaciones. 9.25 En esta pregunta se investiga el efecto de los cambios salariales en la tasa de inflacin. Tales efectos pueden ser desde el lado de la demanda o la oferta. Por el lado de la oferta, se espera que los aumentos de salarios para aumentar los costos de produccin y aumentar los precios. Por el lado de la demanda, los aumentos salariales significar una mayor renta disponible, y una mayor demanda de bienes y servicios que tambin empuja al alza los precios. Independientemente de la lnea de razonamiento, la relacin entre los cambios en los salarios y la inflacin es probable que sea un proceso dinmico, sino que toma tiempo para que los cambios salariales para impactar sobre la inflacin. Para investigar esta relacin dinmica, utilizamos datos trimestrales sobre la inflacin de EE.UU. (INF) y el crecimiento de los salarios (WGWTH) de 1970Q2 2010Q1 a. Estos datos se pueden encontrar en la infln_wage.dat archivo. (A) Grafique la serie de tiempo para INF y WGWTH. Incluye una lnea horizontal en la media de cada serie. Es la serie parecen fluctuar en torno a una media constante? (B) Estime el modelo Inft d d0WGWTHt vt. Interpretar la estimacin para d0. Compruebe si hay errores correlacionados en serie utilizando el correlograma residual, y una prueba de LM con dos errores rezagados. Qu concluye? (C) Estime el modelo Inft d u1INFt? 1 d0WGWTHt vt. Encontrar estimaciones para el multiplicador de impacto y el multiplicador total para el efecto de un cambio en el crecimiento del salario en la inflacin. Cmo estos valores se comparan con la estimacin para d0 de la parte (b)? (Pista:. Uso (9.90) con d1 0 y sumar la progresin geomtrica para obtener el multiplicador total) (D) inclusin de Inft? 1 en el modelo de correlacin en serie de eliminar los errores? Reporte cualquier autocorrelaciones significativas residuales de la ecuacin de la parte (c) y los resultados de las pruebas de LM con dos y tres residuos rezagados. (E) Aadir Inft primero? 2 y, a continuacin Inft? 3, para el modelo de la parte (c). En cada caso, informar de los resultados de los controles correlograma y LM de correlacin serial errores. (F) Omitir Inft? 2 desde el segundo modelo estimado en el apartado (e), y estimar el modelo resultante Inft d u1INFt? 1 u3INFt? 3 d0WGWTHt vt (9.95) Por qu podra considerar abandonar Inft? 2? Saba que su omisin llevar a una cada en la AIC y SC? Trate de aadir WGWTHt? 1. Su inclusin mejorar la ecuacin? 9.26 Si an no lo ha hecho, utilice los datos de infln_wage.dat de estimar (9.95). Teniendo en cuenta que WGWTH2010Q2 0:6; WGWTH2010Q3 0:5; WGWTH2010Q4 0:7 y 0:4 WGWTH2011Q1 , encuentra 95% intervalo de pronstico para la inflacin en 2010Q2, 2010Q3, 2010Q4 y 2011Q1. Tiene conocimiento el crecimiento salarial decir mucho sobre el futuro de

la inflacin? 9.27 Considere la representacin lag infinito de (9.95) que se escribe como Inft un ? 1 s 0 bsWGWTHt? S et (A) Deducir expresiones que se pueden utilizar para calcular A y B en la de u1; u3; d; y d0. (B) Calcular la tasa de inflacin se mantiene en cuando WGWTH WGWTH 0. Utilice las estimaciones de (9.95) para poner a prueba la hiptesis de que la tasa de inflacin es cero cuando el crecimiento salarial es cero. (C) Calcular la tasa de inflacin, cuando el crecimiento salarial es constante en el 0,25% por trimestre. (D) Grafique los multiplicadores de retardo para retrasos de hasta 12 trimestres. Opina sobre lo que este grfico muestra. (E) Grafique los multiplicadores provisionales para retrasos de hasta 12 trimestres. Opina sobre lo que este grfico muestra. (F) Supongamos WGWTH ha sido constante durante un largo perodo de tiempo en el pasado. Luego, en el trimestre t 1 aumenta un 0,2%, en el trimestre t 2 se incrementa en otro 0,1%, y en el trimestre t 3 vuelve a su nivel original. Calcule el importe en que la inflacin va a cambiar en cuartos T 1, T 2; T 3, T 4 , 5 y T. 10.5.1 PROBLEMAS 10.1 Utilizacin de los datos a nivel estatal, un investigador desea examinar la relacin entre el alquiler medio pagado (renta) como una funcin del valor de la vivienda media (MDHOUSE en $ 1.000). El porcentaje de la poblacin del estado vive en una zona urbana (PCTURBAN) se utiliza como un control adicional.

(A) Las estimaciones de mnimos cuadrados del modelo estn en la columna (1). Por qu podran estar preocupados de que MEDHOUSE, el precio medio de las viviendas, es endgeno en esta regresin? (B) Cuatro instrumentos se consideran: el ingreso familiar medio (FAMINC en $ 1.000) y la regin del pas (REG1, REG2, Reg3). Utilizando los modelos de las columnas (2) y (3) de prueba, si los instrumentos son dbiles. (C) En la columna (4) de los residuos cuadrados (menos VHAT) de la regresin en la columna (2) se aaden como un regresor a la regresin de base. Las estimaciones se obtuvieron utilizando los mnimos cuadrados. Cul es la utilidad de esta regresin? Qu indican los resultados de (1)? (D) En la columna (5) son estimaciones IV/2SLS utilizando los instrumentos enumerados en el inciso (b). Qu diferencias observas entre estos resultados y los resultados menos plazas en la columna (1)? Tenga en cuenta que las estimaciones (aunque no los errores estndar) son los mismos en las columnas (4) y (5). Es esto un error? Explain.

(E) En la columna (6) de los residuos de la estimacin en (5) se revirti al de las variables indicadas. Qu informacin est contenida en estos resultados? 10.2 La oferta laboral de las mujeres casadas ha sido objeto de una gran cantidad de investigacin econmica. Tenga en cuenta la especificacin de la oferta siguiente ecuacin HORAS b1 b2WAGE b3EDUC b4AGE b5KIDSL6 b6KIDS618 b7NWIFEINC e donde HORAS es la oferta de mano de obra, los salarios es salario por hora, es EDUC aos de educacin, KIDSL6 es el nmero de nios en el hogar que tienen menos de seis aos de edad, KIDS618 es el nmero entre 6 y 18 aos de edad y NWIFEINC es el ingreso de otras fuentes de empleo de la mujer. (A) Discutir los signos esperados para cada uno de los coeficientes. (B) Explique por qu esta ecuacin de la oferta no puede ser siempre estimado por mnimos cuadrados. (C) Supongamos que consideramos la mujer en el mercado laboral EXPER experiencia y su cuadrado, EXPER2, para ser instrumentos de salario. Explique cmo estas variables satisfacer la lgica de las variables instrumentales. (D) es la ecuacin de oferta identificado? Explain. (E) Describir los pasos (no rdenes de la computadora) que tomara para obtener estimaciones MC2E. 10.5.2 EJERCICIOS DE INFORMTICA 10.3 Para examinar la teora cuantitativa del dinero, Brumm (2005) [Crecimiento'' El dinero, el crecimiento del producto y la inflacin: un nuevo examen de Linchp la teora cuantitativa moderna en Prediccin'', Southern Economic Journal, 71 (3), 661-667 ] especifica la ecuacin Inflables b1 b2MONEY b3OUTPUT e donde inflable es la tasa de crecimiento del nivel general de precios, el dinero es la tasa de crecimiento de la oferta monetaria, y la salida es la tasa de crecimiento de la produccin nacional. Segn la teora, debemos observar que b1 0, b2 = 1, b3 y 1?. Dr. Brumm amablemente nos proporcion los datos que utiliz en su trabajo, que figura en el brumm.dat archivo. Se compone de los datos de 1995 en 76 pases. (A) Estimar el modelo por mnimos cuadrados, y la prueba de (I) la hiptesis de unin fuerte que b1 0, 1 b2, b3 y ? 1 (Ii) la b2 dbil hiptesis conjunta 1 y b3? 1

(B) Examinar los menos residuos plazas para la presencia de heterocedasticidad relacionado con el DINERO variable. (C) Obtener errores estndar robustos para el modelo y compararlos con los menos errores plazas estndar. (D) Se argumenta que la produccin puede ser endgeno. Cuatro variables instrumentales se proponen INICIAL nivel inicial del PIB real, ESCUELA una medida del logro educativo de la poblacin, INV participacin en la inversin promedio del PIB, y POPRATE tasa media de crecimiento de la poblacin. El uso de estos instrumentos, obtener variables instrumentales (MC2E) calcula de la ecuacin de la inflacin. (E) Prueba de las hiptesis fuertes y dbiles enumerados en (a) utilizando las estimaciones IV. Si el software lo permite, hacer las pruebas robustos respecto de heterocedasticidad. (F) Use la prueba de Hausman para comprobar la endogeneidad de la produccin. Debido a que los errores de la regresin puede ser heteroscedasticos, usar errores estndar robustos cuando se estima la regresin auxiliar. (G) Poner a prueba la validez de las restricciones de sobreidentificacin. (H) Anlisis de la pertinencia de los instrumentos en un conjunto F de la prueba como se describe en la Seccin 10.4.2. Si el software lo permite, utilizar una prueba de conjunto robusto. 10,4 25 Los valores de x e y en ivreg1.dat fueron generados artificialmente. Utilice el software del equipo para llevar a cabo las siguientes acciones: (A) Crear el valor de la variable dependiente del modelo y b1 b2x e 1 1? X e por el mtodo descrito en la Seccin 10.1.3. (B) En la misma grfica, trace el valor de y contra x, y la funcin de regresin Edyth 1 1? X. Los datos caen al azar sobre la funcin de regresin? (C) Utilizando los datos y crean en la parte (a) y x, obtener las estimaciones de mnimos cuadrados de los parmetros b1 y b2. Comparar los valores estimados de los parmetros a los valores verdaderos. (D) Grafique los datos y la recta de regresin ajustada al cuadrado ^ y b1 b2x. Compare esta parcela a la que en la parte (b). (E) Calcular los menos residuos cuadrados de la regresin de mnimos cuadrados en la parte (d). Encuentre la matriz de correlacin muestral de las variables x, e, y menos residuos plazas ^ e y? b1? b2x.Comment en los valores de las correlaciones. Cul de estas correlaciones no podra calcular utilizando una muestra de datos recogidos en el mundo real?

10.5 * Usando el software del equipo, y las 50 observaciones sobre el ahorro (y), los ingresos (x), y el ingreso promedio (z) en savings.dat, (A) Estime una regresin por mnimos cuadrados de ahorro sobre la renta. (B) Estimar la relacin entre el ahorro y el ingreso (x) utilizando el estimador de variables instrumentales, con el instrumento de z, el uso de software economtrico diseado para las variables instrumentales, o de dos etapas, la estimacin por mnimos cuadrados. (C) Utilizando los pasos descritos en la seccin 10.4.1, llevar a cabo la prueba de Hausman (a travs de una regresin artificial) de la existencia de correlacin entre x e y la perturbacin aleatoria. (D) Utilizar al menos dos regresiones, para obtener los IVestimates en la parte (b). Comparar las estimaciones, errores tpicos, y t-estadsticas a las que en la parte (b), y comentar las diferencias. 10.6 Los 500 valores de x, y, z1 y z2, en ivreg2.dat fueron generados artificialmente. La variable b1 y b2x e 3 1? X e. (A) El x variable explicativa sigue una distribucin normal con media cero y varianza S2X 2. El error aleatorio e tiene una distribucin normal con media cero y varianza S2E 1. La covarianza entre x e y es 0,9. Usando la definicin algebraica de correlacin, determinar la correlacin entre x e y. (B) Teniendo en cuenta los valores de x e y, y los valores de b1 y b2 3 1, calcule los valores de la e randomdisturbances. Encuentra la correlacin muestral entre x e y y compararlo con su respuesta en (a). (C) En la misma grfica, trace el valor de y contra x, y la funcin de regresin Edyth 3 1? X. Tenga en cuenta que los datos no caen al azar sobre la funcin de regresin. (D) Estimar el modelo de regresin y b1 e b2x por mnimos cuadrados usando una muestra que consta de los primeros n = 10 observaciones sobre y y x. Repita con N = 20, N 100, y N 500. Qu observa acerca de las estimaciones de mnimos cuadrados? Estn ms cerca de los verdaderos valores a medida que aumenta el tamao de muestra, o no? Si no, por qu no? (E) Las variables z1 y z2 se construyeron para tener distribuciones normales con medio cero y varianzas uno, y que se correlaciona con x pero no correlacionada con e. Utilizando el conjunto de 500 observaciones, encontrar las correlaciones de la muestra entre z1, z2, x, y e.Will z1 y z2 tomar buenas variables instrumentales? Por qu? Es uno mejor que el otro? Por qu? (F) Estime el modelo y b1 e b2x por variables instrumentales utilizando una muestra formada por los primeros n = 10 observaciones y el instrumento z1. Repita con N = 20, N 100, y N 500. Qu observa acerca de las IVestimates? Estn ms cerca de los verdaderos valores a medida que aumenta el tamao de muestra, o no? Si no, por qu no?

(G) Estimar el modelo y b1 e b2x por variables instrumentales utilizando una muestra formada por los primeros n = 10 observaciones y z2 instrumento. Repita con N = 20, N 100, y N 500. Qu observa acerca de las IVestimates? Estn ms cerca de los verdaderos valores a medida que aumenta el tamao de muestra, o no? Si no, por qu no? La comparacin de los resultados con solo z1 z2 para los que utilizan solos, qu instrumento conduce a una estimacin ms precisa? Por qu es esto as? (H) Estimar el modelo y b1 e b2x por variables instrumentales utilizando una muestra formada por los primeros n = 10 observaciones y los instrumentos z1 y z2. Repita con N = 20, N 100, y N 500. Qu observa acerca de las estimaciones IV? Estn ms cerca de los verdaderos valores a medida que aumenta el tamao de muestra, o no? Si no, por qu no? Es la estimacin ms precisa utilizando dos instrumentos de una, como en las partes (f) y (g)? 10,7 * Una empresa de consultora dirigido por el Sr. John Chardonnay est investigando la eficacia relativa de la produccin de vino de 75 bodegas de California. Juan establece la funcin de produccin Q b1 b2MGT b3CAP b4LAB e whereQis un ndice de la produccin de vinos de una bodega, teniendo en cuenta tanto la cantidad como la calidad, la MGT es una variable que refleja la eficiencia de la gestin, la PAC es un ndice de la entrada de capital, y LAB es un ndice de la mano de obra. Porque no puede obtener datos sobre la eficacia de la gestin, John recoge observaciones sobre el nmero de aos de experiencia (Xper) de cada gerente de bodega y utiliza esa variable en lugar de MGT. Las 75 observaciones se almacenan en el archivo de chard.dat. (A) Estime la ecuacin revisada utilizando mnimos cuadrados y comentar los resultados. (B) Hallar las estimaciones correspondientes intervalos de produccin de vino en las bodegas que tienen los valores promedio de la muestra para el trabajo y el capital y tienen directores con (I) 10 aos de experiencia (Ii) 20 aos de experiencia (Iii) una experiencia de 30 aos. (C) John le preocupa que el Xper variable proxy puede estar correlacionado con el trmino de error. l decide hacer una prueba de Hausman, utilizando la edad del gerente (AGE) como instrumento para Xper. Regress Xper de la edad; CAP y LAB, y guardar los residuos. Incluir estos residuos como una variable adicional en la ecuacin que estimado en la parte (a), y comentar sobre los resultados de la prueba de Hausman. (D) Utilice el estimador de variables instrumentales para estimar la ecuacin Q b1 b2XPER b3CAP b4LAB e

Con la edad, la PAC y LAB como las variables instrumentales. Opina sobre los resultados y compararlos con los obtenidos en la parte (a). (E) Hallar las estimaciones correspondientes intervalos de produccin de vino en las bodegas que tienen los valores promedio de la muestra para el trabajo y el capital y tienen directores con (I) 10 aos de experiencia (Ii) 20 aos de experiencia (Iii) 30 aos de experiencia Compare estas estimaciones del intervalo con los obtenidos en la parte (b). 10.8 La oferta laboral de las mujeres casadas ha sido objeto de una gran cantidad de investigacin econmica. A trabajo6 clsico es el del profesor Tom Mroz, que amablemente nos proporcion sus datos. El archivo de datos es mroz.dat y las definiciones de las variables se encuentran en el mroz.def archivo. El archivo de datos contiene informacin sobre las mujeres que han trabajado en el ao anterior y los que no lo tienen. La variable que indica si una mujer trabajada es LFP, la participacin en la fuerza laboral, que toma el valor 1 si la mujer trabajaba y 0 si no lo hizo. Utilice slo los datos sobre las mujeres que trabajaban para los siguientes ejercicios. Tenga en cuenta la especificacin de la ecuacin de suministro HORAS b1 b2lnWAGE b3EDUC b4AGE b5KIDSL6 b6KIDS618 b7NWIFEINC e El NWIFEINC variable se define como NWIFEINC FAMINC? HORAS SALARIO? (A) Teniendo en cuenta que la mujer en el mercado laboral EXPER experiencia y su cuadrado, EXPER2, para ser instrumentos para ln (salario), pruebe la endogeneidad de ln (salario) con la prueba de Hausman. (B) Calcular la ecuacin de la primera etapa lnWAGE p1 p2EDUC p3AGE p4KIDSL6 p5KIDS618 p6NWIFEINC p7EXPER v p8EXPER2 mediante estimacin por mnimos cuadrados, y la significatividad conjunta de EXPER y EXPER2. Estos instrumentos parecen adecuados? (C) En este problema tenemos un instrumento excedente. Comprobar la validez del instrumento excedente mediante la prueba sugerida en la seccin 10.4.2. Qu concluye acerca de la validez de la variable de sobreidentificacin? (D) Tambin es posible en la ecuacin de la oferta que el nivel de la mujer de la educacin es endgeno, debido a la omisin de la capacidad del modelo. Discutir la conveniencia de utilizar como instrumentos de educacin de la madre de la mujer de (MOTHEREDUC), la educacin de su

padre (FATHEREDUC), la educacin de su marido (HEDUC) y el nmero de la mujer de los her(E) Calcular las ecuaciones de la primera etapa para la EDUC y ln (salario), incluyendo todos los instrumentos en (b) y los instrumentos que se detallan en (d). En cada ecuacin de la primera etapa, la significatividad conjunta de EXPER, EXPER2, MOTHEREDUC, FATHEREDUC, HEDUC y hermanos. (F) Utilizar los resultados de (e) llevar a cabo una prueba de Hausman de la endogeneidad de la EDUC y ln (salario). (G) Calcular las estimaciones MC2E de la ecuacin de la oferta, en el supuesto de que EDUC y ln (salario) son endgenas. Discutir los signos de las estimaciones y de significacin. Hay alguna sorpresa? (H) Poner a prueba la validez de los instrumentos de sobreidentificacin sobre la base de la parte (g). (I) Haga un resumen de 200 palabras de lo que ha descubierto en este ejercicio sobre la oferta laboral de las mujeres casadas. 10.9 Considere un modelo de oferta de pollo comestible, que los EE.UU. Departamento de Agricultura llamadas'' pollos de engorde.'' Los datos para este ejercicio se encuentran en el newbroiler.dat archivo, que es una adaptacin de los datos proporcionados por Epple y McCallum (2006). 7 Los datos son anuales, 1950-2001, pero en las estimaciones de usar los datos de 19601999. La ecuacin de la oferta es lnQPRODt b1 b2 lnPt b3 lnPFt b4TIMEt lnQPRODt 1 Tes donde est QPROD de produccin agregada de los pollos jvenes, P ndice de precios reales de pollo fresco, PF ndice de precios reales de los alimentos para asar, TIME 1 ?;. . . ; 52. Esta ecuacin de oferta es dinmica, con produccin quedado en el lado derecho. Esta variable predeterminada que se conoce en el momento t y es tratado como exgeno. TIMED 1, 2,. . . ; 52 se incluye para capturar el progreso tcnico en la produccin. Algunas posibles variables instrumentales externas son lnYt donde Y es el ingreso real per cpita; lnPBt donde PB es el precio real de la carne; POPGRO porcentaje crecimiento de la poblacin desde el ao t? 1 a t;? En DPT 1 Tes log retardado del precio real del pollo; lnEXPTS registro de de las exportaciones de pollo. (A) Calcular la ecuacin de la oferta por mnimos cuadrados. Discutir los resultados de la estimacin. Son los signos y la significacin lo que prevn? (B) Calcular la ecuacin de la oferta de utilizar un estimador de variables instrumentales con todos los instrumentos disponibles. Comparar estos resultados con los de (a). (C) Probar la endogeneidad de lnPt mediante la prueba de regresin basado Hausman se describe en la Seccin 10.4.1.

(D) Verificar si los instrumentos son adecuados, mediante la prueba de instrumentos dbiles descritos en la seccin 10.3.5. Qu concluye? (E) Sospecha que la validez de los instrumentos por razones lgicas? En caso afirmativo, cules y por qu? Comprobar la validez instrumento mediante el procedimiento de ensayo descrito en el punto 10.4.2.manos (hermanos).