EL MODELO DE REGRESIN LINEAL MLTIPLE CON STATA

Carlos Giovanni Gonzlez Espitia

E-mail: cggonzalez@icesi.edu.co
Departamento de Economa
Universidad Icesi




Resumen

El objetivo de este documento es introducir al lector al modelo de regresin lineal
mltiple (MRLM), siguiendo una metodologa bsica sobre la especificacin,
estimacin, contrastes y proyecciones del modelo, y realizando su aplicacin en el
programa economtrico Stata.


Palabras Clave: Econometra, software economtrico, Stata
Clasificacin JEL: C01, C87.

Stata es una marca registrada de Stata Corporation. Copyright 19962010 StataCorp LP, 4905
Lakeway Drive, College Station, TX 77845 USA. Las opiniones contenidas en este documento, los errores
u omisiones son de exclusiva responsabilidad del autor.

2

1 Introduccin

Generalmente en economa, los fenmenos no son explicados por nicas variables,
pues estos estn determinados por un sinnmero de interacciones de distintas
variables y actores. Rara vez la teora econmica es tan simple como para explicar el
comportamiento de una variable solamente a partir de cambios en otra. Para poder
explicar variaciones en una determinada variable econmica, la economa apela a la
modelizacin para facilitar la comprensin de los acontecimientos: de esto surge el
modelo de regresin lineal mltiple.

En la regresin lineal simple, el valor promedio de una variable dependiente est
determinado como una funcin lineal de una constante y una nica variable
explicativa. Es importante conocer primero los detalles de la regresin simple para
tener una aproximacin a la regresin mltiple. Para esto, se recomienda estudiar
primero el documento que precede a este titulado Introduccin a la Econometra y el
MRLS con Stata.

La regresin lineal mltiple simplemente incrementa el nmero de variables
explicativas. Se trata entonces de un modelo que pretende relacionar una variable
dependiente con un conjunto de variables exgenas. La variable dependiente,
tambin llamada regresando o explicada, se designa generalmente como Y , y las
variables dependientes, regresores o explicativas, se designan generalmente por
1 2
, ...
k
X X X . La variable Y es entonces funcin de k factores explicativos:

1 2
( ; ... )
k
Y f x x x =


El nmero de variables dependientes x vara de acuerdo con la teora econmica y la
variable que se desee explicar.

El objetivo de este documento es acercar al lector a la formalizacin de un modelo
economtrico mucho ms utilizado en el amplio mundo de la economa, con el fin de
que se inicie en la labor del econometrista haciendo una aproximacin de las
relaciones entre variables mucho ms acertada.

Este documento va dirigido a todos los estudiantes, profesores e investigadores en
economa deseosos de empezar a usar el programa, o profundizar sus conocimientos
en la herramienta. El documento es una herramienta de apoyo y no sustituye los
manuales de Stata, ni a los libros ms rigurosos de econometra.

2 Especificacin

Como ya se ha mencionado en los anteriores documentos, una parte fundamental
para iniciar en el proceso de regresin de un modelo economtrico es la obtencin y
el anlisis de los datos. Para un efectivo conocimiento de los mismos, se recomienda
realizar una serie de estadsticas descriptivas, utilizando herramientas como tablas y
grficos para as lograr saber frente a que tipo de estructura de datos se enfrenta el
econometrista.

3

Generalmente, se trabaja con una muestra de n observaciones y en el modelo se
utilizan k variables. Adems, se trabaja bajo el supuesto de que existe una relacin
lineal entre las variables X s y la variable dependiente Y, por lo tanto se puede
representar matemticamente de la siguiente manera:

1 0 1 11 2 12 1 1
2 0 1 12 2 22 2 2
0 1 1 2 2
...
...
...
k k
k k
n n n k kn n
y x x x
y x x x
y x x x



= + + + + +
= + + + + +
= + + + + +

Se trata entonces de un modelo que es representable de manera matricial as:
1
2
x 1
.
.
n
n
y
y
Y
y
| |
|
|
|
=
|
|
|
\
,
11 21 1
12 22 2
1 2
x
...
...
... ... ... ...
...
k
k
n n kn
n k
x x x
x x x
X
x x x
| |
|
|
=
|
|
\
,
1
2
x 1
.
.
n
n

| |
|
|
|
=
|
|
|
\
y
1
2
n x 1
.
.
n

| |
|
|
|
=
|
|
|
\


Donde la variable dependiente es una variable aleatoria que est en funcin de las k
variables independientes y un trmino de error u. El primer subndice de las variables
explicativas representa la posicin de la variable como tal, mientras que el segundo
subndice representa las n observaciones determinadas de la muestra. Esta forma
matricial de escribir el modelo es equivalente a:

1 1 2 2 3 3
... 1, 2...
i k k i
Y X X X X i n = + + + + + =

Este se puede abreviar de la siguiente manera:
Y X = +

En el ejemplo de Wooldridge (2002), el modelo de regresin lineal mltiple, teniendo
en cuenta la teora econmica de la ecuacin de salarios de Mincer, se especifica as:

2
0 1 2 3
exp exp 1, 2,...526
i i i i i
lwage educ er er i = + + + + =

Donde lwage representa el logaritmo del salario, educ representa los aos de
educacin, exper representa los aos de experiencia del individuo y exper
2
los aos de
experiencia al cuadrado que muestra los rendimientos decrecientes a lo largo del
tiempo. La muestra tiene 525 observaciones y se trata de una base de datos de corte
transversal.

2.1 Supuestos del modelo terico


4

Un primer supuesto sobre el modelo es el que plantea que la variable Y es una variable
aleatoria ya que depende de la variable estocstica y adems debe haber una
relacin lineal entre la variable dependiente Y y las variables explicativas X s.
Otro supuesto para el modelo de regresin lineal mltiple es sobre el trmino de
error. Este supuesto plantea que el residuo es una variable aleatoria con valor
esperado nulo,

( ) 0 E = y matriz de varianzas y covarianzas constante y diagonal. Es
decir que para todo i la variable tiene media cero y varianza no dependiente de i.; la
violacin de este supuesto genera un problema de heteroscedastidad. Adems,
cov( ; ) 0
i j
= lo que quiere decir que los errores no estn correlacionados entre s; la
violacin de este supuesto genera un problema de autocorrelacin.
Es importante adems el supuesto segn el cual las variables X
1,
X
2,...
X
k
son linealmente
independientes y son no estocsticas, es decir que no dependen de un trmino de
error; la violacin de este supuesto genera un problema de multicolinealidad.

3 Estimacin

3.1 Clculo de los coeficientes

Al igual que en el modelo de regresin lineal simple, se utiliza el mtodo de Mnimos
Cuadrados Ordinarios (MCO), el cual estima la recta obteniendo el Mejor Estimados
Lineal Insesgado (MELI) el cual minimiza la suma de los cuadrados de los residuos. El
criterio considera que la funcin que mejor se ajusta a los datos es la que minimiza la
varianza del error u, lo que es equivalente a minimizar:

( )
2
2
0 1 2 0 1 1
1 1
( , , ,..., ) ( ... )
n n
k i i i k k
i i
S u y x x
= =
= = + + +




Para el clculo de los coeficientes s de manera manual, se va a trabajar con la matriz
de las X s, y es importante tener en cuenta, desde el principio, que la matriz
T
X X
debe ser invertible. Para esto, es necesario que el rango de la matriz X, que es el
nmero de regresores k, sea menor que el nmero de observaciones n. Este es un
primer paso que debe verificar el econometrista antes de empezar a trabajar, aunque
por lo general, como se trabaja con muestras representativas, estas son generalmente
grandes, y por tanto se cumple con esta condicin.
En el modelo de k variables explicativas, los estimadores de MCO se obtienen al
reducir:

2 2
2 2
1

( ... )
i i i k ki
Y X X =



En notacin matricial, lo anterior equivale entonces a realizar la reduccin de
T

pues:

5

1
2 2 2 2 2
1 2 1 2

[ ... ] ...

T
n n i
n

(
(
(
= = + + + =
(
(

Ahora, como el modelo estimado escrito en trminos matriciales es:

Y X = + , lo
que tenemos es que:

Y X =

Por lo tanto, de lo anterior se puede deducir fcilmente que:


( ) ( )

2
T T
T T T T
Y X Y X
Y Y X Y X X


=
= +


Si el lector conoce las propiedades de la transpuesta de una matriz, debe saber que:

( )
T T T
X X = y, adems, como

T T
X es un escalar, entonces es igual a su
transpuesta

T
Y X

El mtodo de MCO consiste pues, como ya se mencion en el documento previo a
este, en estimar unos coeficientes de tal manera que se minimice
2

.

Como lo expone Guajarati (2010), de este proceso resultan k ecuaciones simultneas
con k incgnitas, que son las ecuaciones normales de la teora de mnimos cuadrados.
Dichas ecuaciones escritas de forma matricial son:

1
1 2
2
2 22 2 2 2 2 2
2
2
2 2

1 1 1 1

... ...
... ...

ki
i n i i i ki
ki k kn n ki ki i ki
k
T
Y n X i X
X X X Y X X X X
X X X Y X X X X
X X

(
(
( (
(
(
( (
(
(
( (
=
(
(
( (
(
(
( (
(
(

T
X Y


Es decir:

( )
T T
X X X Y =

Si se multiplica a ambos lados de la ecuacin por
1
( )
T
X X

con el fin de hallar la matriz
de los s se obtiene entonces que:

1 1

( ) ( ) ( ) ( )
T T T T
X X X X X X X Y

=

Donde
1
( ) ( )
T T
X X X X

es la matriz identidad, y por tanto se ha encontrado el clculo

para hallar el vector de coeficientes as:

6

1

( ) ( )
T T
X X X Y

=

Se sabe adems que es una matriz de (kx1),
1
( )
T
X X

es una matriz de (kxk),
T
X es
una matriz de (kxn) y Y de (nx1).

El clculo de los estimadores de MCO para el modelo de regresin lineal mltiple es
entonces posible realizarlo manualmente hallando la matriz inversa de ( )
T
X X
mediante mtodos como el de GaussJordan o el mtodo de cofactores, por ejemplo,
y posteriormente realizando los clculos de multiplicacin de matrices bsicos de un
curso de lgebra matricial.

El mtodo de MCO arroja los estimadores

insesgados y de mnima varianza:

1. Insesgamiento: el valor esperado de la estimacin es aproximadamente igual al
valor del parmetro poblacional, es decir:

2. Mnima Varianza: los coeficientes estimados son consistentes, lo cual se
muestra mediante una varianza tal que:
2
2
var( )
y
s y
n

= =
El trmino independiente
0
no necesariamente debe aparecer en el modelo, sin
embargo es la muestra de una variable
0
x cuyo valor siempre es 1.
El objetivo de la estimacin es obtener los valores de los parmetros
0 1 2
, , ,...,
k

del modelo los cuales, una vez estimados, se representan por

.

3.2 Estimacin en Stata del modelo

Una vez se conoce entonces cual es el procedimiento que se sigue al estimar los
coeficientes del modelo terico, es posible pasar pues a la estimacin mediante un
software economtrico: en este caso se utilizar Stata.

Para la estimacin del modelo, se utiliza el mismo comando que cuando se trata de un
modelo de regresin lineal simple:

.regress depvar indepvar1 indepvar2

De la misma forma, este comando permite utilizar las opciones [in], [if], [weight] y
[options].

La tabla de estimacin que se revela en la ventana de resultados de Stata una vez se le
indica al programa que corra la regresin del modelo mediante este comando es:





7

Tabla 1. Resultados de la estimacin mediante Stata


La tabla que muestra Stata con los resultados se compone de tres partes: la tabla
Anova en la parte superior izquierda; detalles del modelo y la base de datos en la parte
superior derecha, y abajo los resultados de la estimacin compaados de los errores
estndar, los estadsticos t asociados, los valores p y los intervalos de confianza.

3.3 Interpretacin de los resultados

La interpretacin de los coeficientes depende siempre de la especificacin del modelo
de regresin lineal mltiple que se tenga. La interpretacin es la misma que la que se
hace en el modelo regresin simple en muchos casos.

En el ejemplo de la ecuacin de salarios minceriana de Wooldridge (2002), se tiene un
modelo del tipo:

2
0 1 2
1 2
2
Y X X
X
X


= + + +

= +

En este modelo se presenta entonces la presencia de una variable cuadrtica. En este
caso, podramos decir que ante un cambio en 1 unidad en X, Y vara en media en
1 2
2 + unidades. Aqu
1
y
2
no tienen interpretacin por separado, simplemente es
posible decir que, dependiendo del signo de
2
, los efectos marginales sern
crecientes( )
2
0 > o decrecientes ( )
2
0 < .

En el caso del modelo estimado en el ejemplo de la Tabla 1, es posible interpretar que

1
=9,036 es el cambio porcentual en la variable dependiente W dado un cambio en
una unidad en
i
educ , ceteris paribus.

De la misma forma,
2
= 4,10 es el cambio porcentual en la variable dependiente W
dado un cambio en una unidad en la experiencia laboral del infividuo exp
i
er , ceteris
paribus. Sin embargo, en este punto es importante mostrar que la variable
2
exp
i
er

_cons .1279975 .1059323 1.21 0.227 -.0801085 .3361035
expersq -.0007136 .0001158 -6.16 0.000 -.000941 -.0004861
exper .0410089 .0051965 7.89 0.000 .0308002 .0512175
educ .0903658 .007468 12.10 0.000 .0756948 .1050368

lwage Coef. Std. Err. t P>|t| [95% Conf. Interval]

Total 148.329751 525 .28253286 Root MSE = .44591
Adj R-squared = 0.2963
Residual 103.79038 522 .198832146 R-squared = 0.3003
Model 44.5393713 3 14.8464571 Prob > F = 0.0000
F( 3, 522) = 74.67
Source SS df MS Number of obs = 526

8

muestra los rendimientos decrecientes de un ao adicional de la experiencia del
individuo en el salario. Esto permite saber entonces que dicho incremento en el
salario es cada vez menor a medida que se incrementan los aos de experiencia pues
el signo del asociado es negativo.

4 Contrastes

A partir de la estimacin por el mtodo de MCO, es posible realizar pruebas
estadsticas para corroborar la pertinencia del modelo, es decir para averiguar qu tan
certero es en sus predicciones.

4.1 Prueba de significancia individual

La primera prueba es la ya mencionada prueba de hiptesis para la verificacin de la
significancia individual de los coeficientes cada uno por aparte.

Los parmetros
0 1 2
, , ,...,
k
pueden ser o no significativos dentro del modelo. La
prueba de significancia individual para cada parmetro es una prueba de hiptesis que
se puede realizar mediante la prueba t student o por el mtodo estadstico del valor
p.

La hiptesis nula y la alternativa de la prueba son:

0
1
: 0
0
j
j
H
H

En el caso en que haya evidencia suficiente para rechazar la hiptesis nula, el
coeficiente

es significativo, en cuyo caso se interpreta. Este caso se presenta
cuando se tiene un |t| superior a un t con /2 grados de libertad, rechazando
entonces H
0
. De igual manera, si se contrasta el valor p asociado al coeficiente y se
rencuentra que este es inferior al valor de significancia , el resultado es el mismo,
rechazando la hiptesis nula. La significancia de los coeficientes depende del nivel de
confianza al que se haya rechazado la hiptesis: 90%, 95% o 99% (*, **, ***). Es
importante tener en cuenta el criterio estadstico segn el cual se debe rechazar la
hiptesis al nivel de significancia ms alto posible, y no rechazar al nivel de
significancia menor posible para poder concluir de una manera ms acertada.

4.2 Pruebas de significancia conjunta y global

Es de suma importancia realizar tambin una prueba de significancia conjunta de los
s

denominada prueba Wald, que tiene por hiptesis las siguientes:

0 0 1
1 0
: ...
: No
k
H
H H
= = =



9

Con los mismos criterios estadsticos ya mencionados, se rechaza o no la hiptesis
nula concluyendo de esta manera sobre la significancia conjunta de todos los
coeficientes del modelo. Esta prueba de hiptesis permite verificar pues que existe
una significancia agregada entre todos los s.

Otra prueba es la de significancia global, la cual se denomina tambin prueba F que
tiene como hiptesis las siguientes (ntese que no se incluye el intercepto):

0 1
1 0
: ...
: No
k
H
H H
= =


Se utiliza en este caso el valor p asociado al estadstico F arrojado por la tabla ANOVA
del modelo, permitiendo rechazar o no la hiptesis H
0
y concluir.

4.3 Bondad de ajuste del modelo

Un paso fundamental dentro de la labor del econometrista es la verificacin de la
bondad de ajuste del modelo que estim.

Como primera medida, se define el coeficiente de determinacin (R
2
) como una
medida descriptiva del ajuste global del modelo cuyo valor se encuentra entre 0 y 1.

Se debe introducir primero los conceptos de Suma de cuadrados total (SCT), Suma de
cuadrados de la regresin (SCR) y Suma de cuadrados de los errores (SCE); tambin
abreviados como SST, SSR y SSE por sus siglas en ingls.

Ahora, se definen como sigue:

( )
2
2
1
n
T
i
i
i
SST Y Y Y Y nY
=
= =

2 2
1 1

( )
n n
T
i i i
i i
SSR Y Y
= =
= = =


( )
2
2
1

n
T
i
i
i
SSE Y Y Y Y nY
=
= =

A partir de esto, se define el coeficiente de determinacin (R
2
) como una medida
descriptiva del ajuste global del modelo cuyo valor se encuentra entre 0 y 1. Este se
obtiene a partir de la relacin
2
1
SSE SSR
R
SST SST
= =

Un modelo ser tanto mejor cuanto mayor sea su R
2
, es decir entre ms cercano a 1 se
encuentre. Sin embargo, es importante resaltar que este coeficiente depende del
nmero de regresores incluidos en el modelo, por tanto, entre ms variables
independientes se incluyan mayor ser el coeficiente.


10

Para la comparacin entre modelos, este problema se resuelve con el coeficiente de
determinacin corregido tambin llamado R
2
ajustado definido como:

2
2
1
1 (1 )
n
R R
n k
| |
=
|

\


El
2
R es entonces una buena medida de calidad de la regresin y es til para la
comparacin de modelos economtricos entre s, ya que a medida que crece la
muestra ( n ) el
2
R tiende al R
2
, sin depender del nmero de regresores k.


TABLA ANOVA:

FUENTE DE LA
VARIACIN

SUMA DE CUADRADOS
GRADOS
DE
LIBERTAD
CUADRADOS
MEDIOS
ESTADSTICO
F

REGRESIN
2 2
1 1

( )
n n
T
i i i
i i
SR Y Y
= =
= = =




1 k

SR
CMR
k
=

CME
CMR


ERROR

( )
2
2
1

n
T
i
i
i
SE Y Y Y Y nY
=
= =

n k

SE
CME
n k
=

TOTAL

( )
2
2
1
n
T
i
i
i
ST Y Y Y Y nY
=
= =

1 n






4.4 Intervalos de confianza

Es usual tambin calcular intervalos de confianza (Prez, 2006) para los parmetros.
Suponiendo que se dispone de un vector ya estimado de

s de los coeficientes,
podramos escribir:

1,2

Al estimar mediante el mtodo de MCO, se hace la suma de los errores al cuadrado,
como ya se mencion anteriormente, tambin llamada suma residual (SR) o en ingls
Sum Square Residual (SSR):

2 2

( )
1 1
n n
T
SR Y Y
i i i
i i
= = =

= =



11

El valor de las estimaciones de los parmetros vienen dados por:

con su respectiva matriz de covarianzas:

.
De lo anterior se deduce que el estadstico

i i
i
ii
N
a

= sigue una distribucin normal

con media cero y varianza constante.

Por tanto, el intervalo de confianza para
i
al nivel de significancia vendr dado por:

/ 2; 1

i n k ii
t a

Donde a
ii
es el elemento isimo de la diagonal principal de la matriz
2 1
( )
T
X X

.



5 Proyeccin

Un ltimo y muy importante paso en el trabajo del econometrista es el de realizar las
proyecciones de las variables Los valores estimados pueden ser utilizados para
encontrar el valor medio y la proyeccin para el valor esperado de la variable
dependiente.

Al estimar el modelo Y X = y se obtiene el modelo estimado

Y X = , se tiene que
el valor
0 0

Y X = es un estimador lineal insesgado ptimo del pronstico de Y para un
valor dado X
0
de X. A partir de esto, se puede predecir el valor esperado de Y
0

0
( ) E Y o
el valor puntual Y
0
. Los residuos de la prediccin estarn cuantificados por las
varianzas de los predictores, la cual, en la prediccin media tiene un valor de
2 1
0 0
( )
T T
X X X X

.

Un intervalo de confianza para la prediccin en la media, a un nivel de significancia
se calcula a travs de:

1
0 1 0 0

( / 2) ( )
T T
n k
Y t X X X X




Donde
1
( / 2)
n k
t

representa el valor del estadstico t en un nivel de significancia de
/2 con (n-k-1) grados de libertad.

Por otro lado, un intervalo de confianza para la prediccin puntual est dado por:

1
0 1 0 0

( / 2) 1 ( )
T T
n k
Y t X X X X


+

Y por tanto, la varianza para la prediccin puntual tiene un valor de
2 1
0 0
( ( ) 1)
T T
X X X X

+ . (Prez (2006))


12

Es importante tener siempre presente que el valor esperado de la variable
dependiente dado un determinado valor de X, se refiere al promedio esperado para Y,
a diferencia de la proyeccin de la variable dependiente dado un determinado valor de
X la cual se refiere al valor que se espera de Y y no a su valor medio.

El comando que se debe utilizar en Stata para las proyecciones en este modelo es el
mismo que se utiliza en el caso de la regresin lineal simple:

.predict yest, xb

El comando genera como resultado la creacin de una nueva variable llamada yest que
aparecer en el archivo de datos; se puede ver entrando a la base de datos dando click
en el editor de datos. En el comando se utiliza tambin la opcin xb para establecer
que la proyeccin sea lneal.

Dentro del ejemplo manejado en este documento, es decir aquel que estima la
ecuacin minceriana de salarios, la prediccin de una variable se muestra a
continuacin:

Tabla 2. Prediccin de la variable Y


La interpretacin de esta nueva variable debe tener en cuenta los valores asociados
para cada observacin de las dems variables del modelo, es decir: para un individuo
con once aos de educacin y dos aos de experiencia, se esperara que, en promedio,
tenga un salario de 1,2 unidades monetarias.

Para obtener los residuos se utiliza la opcin residuals as:

.predict yest, residuals


6 Comentarios finales

13

La regresin lineal mltiple es simplemente una abertura a una gran cantidad de
modelos a los que se puede recurrir a la hora de hacer una regresin. La escogencia de
los mismos depende tanto de la base de datos como de la teora econmica sobre el
tema que se est trabajando.

7 Bibliografa

Acock, A. C. (2006) A Gentle Introduction to Stata, Third edition. Stata Press
Adkins L.C y Carter R. (2008). Using Stata for Principles of Econometrics. Wiley.
Baum C. F. (2006) An Introduction to Modern Econometrics Using Stata. Stata
Press
Becker, Gary S. (1964) Human Capital: A theorical and empirical analysis, with
special reference to education. New York.
Blossfeld H-P., Golsch K., Rohwer G. (2007) Event History Analysis with Stata.
Cameron A.C y Trivedi P.K (2009). Microeconomtrics using Stata. Stata Press
Cleves M., Gould W., Gutierrez R., Marchenko Y. (2002) An Introduction to
Survival Analysis using Stata. Thrid edition. Stata Press
Chiswik, Barry (2003) Jacob Mincer, Experience and the distributions of
earnings. Institute for the study of labor (IZA). IDEAS
Gujarati (2010) Econometra. Mxico. Mc Graw Hill
Gould W., Pitblado J., Sribney W. (2006) Maximum likelihood Estimation with
Stata. Stata Press
Hamilton, L.C. (2009). Statistics with STATA 8. Belmont, CA: Duxbury Press
Kohler, U. y Kreuter, F. (2009). Data Analysis Using Stata. College Station, TX:
Stata Press
Long, J. S. (2009) The Workflow of Data Analysis Using Stata. Stata Press.
Mincer, J. (1974) Schooling, experience and earnings, Columbia University
Press.
Mitchell M. (2008) A visual guide to Stata Graphics. Stata Press
Murray, M. (2006) Econometrics: a modern introduction. Ed. Pearson
Pollock, Ph. H. (2006) A Stata Companion to Political Analysis. Washington, CQ
Press.
Rabe-Hesketh, S. y Everitt, B. (2004). A Handbook of Statistical Analysis Using
STATA, London: Chapman & Hall/CRC Press
Newton J., Cox N. (2003) Seventy-six Stata tips
STATA CORP (2008). Users Guide, Reference Manual Release 10. Stata Press.
Wooldridge, J. (2006) Introduccin a la econometra. Un enfoque moderno. Ed.
Thomson

Algunos recursos en Internet para usuarios Stata:
http://www.ats.ucla.edu/stat/stata/
http://econpapers.hhs.se/paper/bocbocoec/531.htm
http://fmwww.bc.edu/ec/res.info.php
http://ideas.repec.org/s/boc/bocins.html

14

http://ideas.repec.org/s/boc/bocode.html