Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ayudanta #1
(PAUTA)
Roberto E. Jaln Gardella
Abril 2015
1. Se tienen datos sobre los salarios de un grupo de trabajadores seleccionados aleatoriamente, de los que
250 son hombres y 280 son mujeres. Al correr la regresin por mnimos cuadrados ordinarios se obtiene
que Yb = 15:3 + 3:1X, donde el Yb es el salario medido en $/hora, X es una variable cualitativa binaria
(tal que X = 1 si la persona es hombre, X = 0 si la persona es mujer). Determine X, Y .
Respuesta:
Las X slo toman dos valores posibles: 1 o 0. El valor 1 se repite 250 veces, el valor 0 se repite 280 veces. El
tamao de la muestra es n = 250 + 280 = 530. Luego
X=
530
P
Xi
i=1
530
Por la propiedad de los mnimos cuadrados ordinarios, estimados con intercepto, la recta estimada pasa por el
punto (X;Y ). Luego
n
P
Ybi = nY
i=1
Respuesta:
Por denicin
Luego
n
X
i=1
Ybi =
n
X
Yi = Ybi + u
bi
u
bi ) =
(Yi
i=1
n
X
i=1
Yi
n
X
i=1
u
bi
Sabemos que para mnimos cuadrados ordinarios, una de las condiciones necesarias de primer orden es
n
X
i=1
Ybi =
u
bi = 0
n
P
Yi
Yi = n i=1 = nY
n
i=1
n
X
3. Basado en el ejemplo 4.3 y problema 4.5 del texto de Wooldridge. Considrese la ecuacin estimada
utilizando el software E-Views, para estudiar los efectos de la inasistencia a clases en el perodo de
calicaciones de los estudiantes universitarios, donde ColGP A es el puntaje promedio (entre 2.2 y 4.0)
obtenido en la universidad, hsGP A es el puntaje promedio obtenido en la educacin media (entre 2.4
y 4.0), ACT es un puntaje de logro (entre 16.0 y 33.0), y SKIP P ED es el nmero de clases perdidas
en la semana (entre 0 y 5). Basado en dicha informacin, comente las siguientes armaciones:
Dependent Variable: COLGPA
Method: Least Squares
Date: 08/30/10 Time: 17:38
Sample: 1 141
Included observations: 141
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
HSGPA
ACT
SKIPPED
1.389554
0.411816
0.014720
-0.083113
?
0.093674
0.010565
0.025999
4.191039
4.396259
?
-3.196840
0.0000
?
0.1658
0.0017
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.233593
0.216811
0.329487
14.87297
-41.50070
1.881094
3.056738
0.372310
0.645400
0.729053
13.91875
0.000000
(a) Si Alberto y Bernardo son idnticos, excepto por las faltas a clase; Alberto ha faltado ms que
Bernardo; y ambos faltan una vez ms, entonces esto disminuir ms el puntaje promedio de
Alberto que el de Bernardo, tanto en cantidad de puntos como porcentualmente.
Respuesta:
De acuerdo al reporte de estimacin con E-Views, la especicacin completa del modelo estimado es la
siguiente:
0:0831SKIP P ED
Nos interesa analizar cmo vara el puntaje (ColGP A) cuando vara el nmero de faltas (skipped), en
condiciones ceteris paribus. Como sabemos que Alberto y Bernardo son idnticos, exceptos por las faltas a
clase, necesitaremos una misma grca para explicar a ambos. Para facilidad de explicacin, supongamos
que ambos tienen los siguientes antecedentes:
hsGP A = 3:5
ACT = 25:0
Entonces, el puntaje de Alberto y el de Bernardo, que dependern de sus faltas a clases, pueden ser
estimado con la misma especicacin:
d A = 3:198910
ColGP
0:0831SKIP P ED
Grcamente:
ColGPA
B
0.0831
B
1
A
0.0831
A
1
Skipped
Bernardo tiene menos faltas a clases que Alberto. Si ambos faltan a 1 clase ms, sus respectivas notas
disminuirn en la misma cantidad de 0.0831 puntos. Quin disminuy porcentualmente ms? Como el
puntaje inicial de Alberto es menor, la variacin de 0.0831 puntos representa un mayor porcentaje de su
nota, comparado con Bernardo. Luego, la armacin es verdadera.
=)
0:0831
0:0831
>
ColGP AA
ColGP AB
(b) Si Carlos y Diego son idnticos, excepto por el promedio de la educacin media, y Carlos fue
mejor estudiante que Diego en el colegio, entonces, de acuerdo al modelo, no ser posible para
Diego superar a Carlos en notas, a menos que Diego falte ms a clases.
Respuesta:
Tambin aqu queremos analizar el puntaje con respecto al nmero de faltas a clases. Pero en este caso,
ahora Carlos y Diego no son tan idnticos, y se diferencian por su hsGP A. Sin embargo, notemos que el
modelo estimado nos indica que 1 falta adicional a clases afecta por igual a ambos, reducindoles 0.0831.
Grcamente, esto implica que son dos rectas paralelas (tienen la misma pendiente), pero con interceptos
distintos. La recta de Carlos est ms arriba porque l tuvo un mayor puntaje hsGP A que Diego. As,
a un mismo nmero de faltas a clases, Carlos tiene mayor puntaje que Diego. Luego, la armacin es
falsa e incorrecta, porque si Diego faltara an ms a clases, su puntaje ColGP A, que ya es inferior al de
Carlos, empeorara an ms. Slo si Carlos faltara mucho a clases, entonces s pudiera ocurrir que Diego
lo superara en puntaje ColGP A.
ColGPA
Carlos
Diego
D
D
1
Skipped
wi =
El modelo muestral estimado es
+ vi + ei
w
bi = e + e vi
e=
v) (wi
(vi
w)
i=1
(1)
n
P
v)
(vi
i=1
Para relacionarlo con el modelo que fue estimado antes de cambiar de escala, veamos que
vi
xi
c2
wi
=) v =
1 X xi
1X
x
1 1X
vi =
xi =
=
n i=1
n i=1 c2
c2 n i=1
c2
=) vi
v=
xi
c2
x
1
=
(xi
c2
c2
x)
(2)
yi
c1
=) w =
1X
1 X yi
1 1X
y
wi =
=
yi =
n i=1
n i=1 c1
c1 n i=1
c1
=)
w=
wi
yi
c1
y
1
=
(yi
c1
c1
y)
(3)
e=
n
P
i=1
1
c2
(xi
n
P
i=1
1 1
c2 c2
x) c11 (yi
(xi
y)
2
x)
n
P
(xi
c2 i=1
=
n
P
c1
x) (yi
y)
=
(xi
i=1
x)
c2 b
c1
Por la propiedad de los mnimos cuadrados, la recta estimada pasa por los puntos medios de las variables, por
tanto
e=w
ev =
y
c1
c2 b
c1
x
c2
1
y
c1
bx = 1 b
c1
5. En el modelo de regresin
Yi =
1 Xi
2 Di
3 Xi
Di + ui
donde Xi es una variable continua (p.ej. edad) y Di es una variable cualitativa binaria (p.ej. D = 1 si
hombre, D = 0 si mujer).
(a) Explique en un grco Yi versus Xi , lo que implica este modelo en relacin a las dos categoras
identicadas por la variable binaria.
Respuesta:
Si D = 0 :
Yi;D=0 =
1 Xi
Si D = 1 :
Yi;D=1 = (
2)
+(
3 ) Xi
Grcamente, este modelo considera la posibilidad que el intercepto y la pendiente fuese distinto para
cada grupo.
D=1
1+ 3
1
0+ 2
D=0
1
X
(b) Interprete los coecientes
0;
1;
2;
3.
Respuesta:
Para la interpretacin, supongamos que X es "experiencia laboral", Y es "salario mensual", D es la
variable cualitativa binaria, igual a 1 si el trabajador es hombre, e igual a 0 si el trabajador es mujer.
0 sera el salario mensual de una mujer que ingresa al mercado laboral, es decir, sin experiencia laboral.
0 + 2 sera el salario mensual de un hombre sin experiencia laboral. Luego, 2 sera la diferencia en el
salario de un trabajador sin experiencia, debido a la diferencia de gnero.
1 sera el incremento en el
salario mensual de una mujer, por cada ao adicional de experiencia laboral. 1 + 3 sera el incremento
en el salario mensual de un hombre, por cada ao adicional de experiencia laboral. Como vemos, este
modelo indicara que, a experiencia laboral igual, los individuos del grupo D = 1 recibiran un salario
mensual superior que el de los individuos del grupo D = 0.