TALLER 1 Microeconometria

UNIVERSIDAD DE LOS ANDES
FACULTAD DE ECONOMA
MICROECONOMETRA
TALLER 1
Sergio Gmez 200611490

Oscar Rojas
201528478
Ejercicio 1
valo r i= 0 + 1 are alotei + 2 are acasai+ 3 habitacione s i+ ui
(1)
ln(valo r i)= 0 + 1 ln(arealot ei )+ 2 ln( areacas ai)+ 3 habitacione si + i
(2)
a.
Para el primer modelo se tiene:
Para el segundo modelo:
b.
Se esperara que los signos de las variables fueran positivos ya que, para el caso del rea
tanto del lote como de la casa, entre mayor sea sta, mayor va a ser el valor. De igual
manera se cumple con el nmero de habitaciones, se esperara que, a mayor nmero de
habitaciones, el precio de la vivienda aumente positivamente.
Para el primer modelo:
Variable
arealotei ,
^ 1
es positivo y su interpretacin es que, si se mantiene todo lo
El signo del estimador
dems constante, en promedio, un incremento en un pie cuadrado en el rea del lote

significa un incremento en el precio de la vivienda en un factor de 0.0020677.
Con
=0.05
el
Pvalor<
( 0.002<0,05 ) y se rechazara la prueba de
significancia individual ( 1=0 ). Se concluye que existe evidencia estadstica para

afirmar que
arealotei es relevante a ese nivel
de significancia.
=0.05 , se concluye que, si se tomaran 100

muestras de tamao 88, en 95 de ellas el verdadero valor de 1 estara dentro de
Para el intervalo de confianza con
0.0007908 y 0.0033446.
Variable
areacasai ,
^ 2
dems constante, en promedio, un incremento en un pie cuadrado en el rea de la casa

significa un incremento en el precio de la vivienda en un factor de 0.1227782.
Con
=0.05
Pvalor<
el
( 0.000<0,05 ) y se rechazara la prueba de
significancia individual ( 2=0 ). Se concluye que existe evidencia estadstica para

afirmar que
areacasai es relevante a ese nivel
de significancia.

0.0964541 y 0.1491022.
Variable
habitaciones i ,
^ 3
dems constante, en promedio, un incremento en una habitacin en la vivienda significa

un incremento en el precio de la vivienda en un factor de 13.85252.
Con
=0.05
Pvalor>
el
( 0.128>0,05 ) y no se rechazara la prueba de
significancia individual ( 3=0 ). Se concluye que no existe evidencia estadstica para

afirmar que
habitaciones i
sea relevante a ese nivel
de significancia para el
modelo.
Significancia global:
Con un
=0,05
el
Pvalor<
( 0.0000<0,05 ) se rechaza la hiptesis nula (
1= 2= 3=0 ), es decir, que existe evidencia estadstica para afirmar que al menos
una de las variables independientes explica la variable dependiente ( valor i ).
Bondad de ajuste
El valor de
precio
de
R2
la
es de 0.6724 y su interpretacin es que el 67,24% de la variacin del

vivienda
est
habitaciones i ,area casai y arealotei .
Para el segundo modelo:
siendo
explicada
por
la
variacin
de
Variable
arealotei
La interpretacin del coeficiente
^ 1=0.1679667
que acompaa a esta variable indica
que, manteniendo todo lo dems constante, un incremento de 1% en el rea del lote,

incrementa en promedio el precio de la vivienda en 0.1679667%.
=0.05
Con un nivel de significancia
el
Pvalor<
( 0.000<0,05 ) se
rechazara la prueba de significancia individual ( 1=0 ) optando por la alterna (
1 0 ). Se concluye que existe evidencia estadstica para afirmar que

relevante para el modelo a ese nivel
arealotei
es
de significancia.

muestras de tamao 88, en 95 de ellas el verdadero valor de 1 estara entre
0.0918404 y 0.244093.
Variable
areacasai
^ 2=0.7002324
que acompaa a esta variable es que,
manteniendo todo lo dems constante, un incremento de 1% en el rea de la casa,

incrementa en promedio el precio de la vivienda en 0.7002324 %.
=0.05
el
Pvalor<
( 0.000<0,05 ) se

relevante para el modelo a ese nivel de significancia.
areacasai
es

0.5155597 y 0.8849051.
Variable
habitaciones i
^ 3=0.0369584
manteniendo todo lo dems constante, un incremento de una habitacin, incrementa en

promedio el precio de la vivienda en 3.69584%.
=0.05
el
Pvalor>
( 0.183>0,05 ) no se
rechazara la prueba de significancia individual ( 3=0 ). Se concluye que existe

evidencia estadstica para afirmar que
habitaciones i
no es relevante a ese nivel
de significancia para el modelo.
Con un
=0,05
el
Pvalor<
1= 2= 3=0 ), es decir, que existe evidencia estadstica para afirmar que al menos
una de las variables independientes explica la variable dependiente
valor i .
Bondad de ajuste
El valor de
es de 0.6430 y su interpretacin es que el 64,30% de la variacin del
logaritmo del precio de la vivienda est siendo explicada por la variacin del logaritmo de
las variables independientes.
c.
Al realizar la prueba RESET de Ramsey para el modelo dado en la ecuacin (1) se
obtiene:
Donde para un nivel de significancia del 5%, el

hiptesis nula
H0
Pvalor< , por lo tanto se rechaza la
que dice que el modelo no tiene variables omitidas (no hay error de
especificacin del modelo).

Se concluye que existe evidencia estadstica para afirmar que hay error de especificacin
en el modelo dado en la ecuacin (1).
d.
Para la prueba J Davidson-McKinnon primero se estima el modelo dado en la ecuacin (1)
y se obtiene
^y A
y se incorpora en el modelo dado en la ecuacin (2) como regresor
adicional.
Luego se estima el modelo dado en la ecuacin (2) y se obtiene
^y B
y se incorpora en
el modelo dado en la ecuacin (1) como regresor adicional.

Posteriormente se mira si los coeficientes que acompaan tanto a
^y A
como
^y B
son
estadsticamente diferentes de cero y se mira cul de los dos modelos es incorrecto (o si

los dos son incorrectos).
De esta forma, estimando el primer modelo e incorporndolo en el segundo modelo,

queda:
ln ( valor i ) = 0 + 1 ln ( arealotei) + 2 ln ( areacasai ) + 3 habitacione s i + ^y A + i

Luego se realiza la regresin sobre este modelo y se obtiene:
Enseguida se realiza la prueba t para
H 0 : =0
Ha: 0
En este caso a un nivel de significancia del 5%, el
Pvalor> , por lo tanto, no se
rechaza la hiptesis nula, existe evidencia estadstica para afirmar que el segundo modelo
no presenta sesgo de especificacin.
Ahora, estimando el segundo modelo e incorporndolo en el primero, queda:
valo r i= 0 + 1 are alotei + 2 are acasai+ 3 habitacione s i+ ^y B + i
Luego se realiza la regresin sobre este modelo y se obtiene:
Enseguida se realiza la prueba t para
H 0 : =0
H a : 0
En este caso a un nivel de significancia del 5%, el
Pvalor> , por lo tanto, no se
rechaza la hiptesis nula y existe evidencia estadstica para afirmar que el segundo
modelo no presenta sesgo de especificacin. En conclusin, los dos modelos estn
correctamente especificados.
e.
valo r i= 0 + 1 arealot e i + 2 areacas a i+ i
(3)
ln (valo r i)= 0 + 1 ln (arealot ei )+ 2 ln (areacas ai)+ ei
(4)
Prueba del Multiplicador de Lagrange Modelo (3):
Se estima el modelo y se obtiene
^ y luego se estima la siguiente regresin auxiliar:
^ i =0 + 1 arealot ei + 2 area cas a i+ 3 habitacione si + i

Siendo
habitacione s i la variable que se presume que est omitida.
La prueba de hiptesis es:
H 0 : 3=0
H 0 : 3 0
Y se usa el multiplicador de Lagrange
LM =n Raux q
donde
es el nmero de
variables extras o restricciones.

Si
LM > 21 , q se rechaza
H 0 hay correlacin entre habitacione s i y

^ .
Realizando en Stata este procedimiento se tiene:
De la anterior salida para niveles de significancia del 1%, 5% y 10%, no se rechaza la

hiptesis nula de que
3 =0 . Por lo tanto, se concluye que hay evidencia estadstica
para afirmar que el modelo no presenta variable omitida.
Prueba del Multiplicador de Lagrange Modelo (4):
Se estima el modelo y se obtiene
e^
y luego se estima la siguiente regresin auxiliar:
e^ i=0 +1 ln( arealot e i)+2 ln ( areacas ai)+ 3 hatiacione s i+ i

Siendo
habitacione s i la variable que se presume omitida.
La prueba de hiptesis es:
H 0 : 3=0
H 0 : 3 0
Y se usa el multiplicador de Lagrange
LM =n R2aux 2q
donde
es el nmero de
variables extras o restricciones.

Si
LM > 1 , q se rechaza
H 0 hay correlacin entre habitacione s i y

^ .
Realizando en Stata este procedimiento se tiene:
De la anterior salida para niveles de significancia del 1%, 5% y 10%, no se rechaza la

hiptesis nula de que
3=0 . Por lo tanto, se concluye que hay evidencia estadstica
para afirmar que el modelo no presenta variable omitida por lo tanto est bien
especificado.
Ejercicio 2
wk d i= 0 + 1 ln(wag ei )+ 2 e d i+ 3 unioni + 4 fe mi + i
a.
Intuitivamente incluir el salario puede explicar en cierta medida el nmero de horas que
los jefes de hogar tienen que trabajar. Se podra pensar que a mayor salario menos
semanas de trabajo requeridas para poder cumplir con el pago de los gastos diarios del
hogar.
A medida que los aos de escolaridad aumentan, es posible que la persona tenga ms
conocimientos y por ende un mejor trabajo que le permitir disfrutar de ms semanas para
el ocio.
Si el jefe de hogar tiene un contrato escrito es posible que tenga que cumplir un horario de
trabajo y sus horas de semanas trabajadas sea menor en comparacin con una persona
que no tiene un contrato escrito firmado y se vea en la obligacin de tener que trabajar
ms tiempo para poder cumplir con sus obligaciones con el hogar.
Por ltimo, si la persona siendo jefe de hogar, es mujer, va a tener que trabajar menos
horas a la semana en comparacin con los hombres jefes de hogar ya que es posible que
sus obligaciones las compartan con sus esposos o que se vean obligadas a dedicar ms
tiempo en el cuidado de los hijos. Tambin es posible que los hombres jefes de hogar
prefieran que sus esposas se dediquen al cuidado del hogar y por eso mayor va a ser el
nmero de semanas trabajadas en comparacin con las mujeres.
b.
Es posible que se requiera incluir otras variables de control como lo es la experiencia que
se relaciona con el salario y puede tener cierta incidencia en el nmero de semanas
trabajadas.
Tambin se podra incluir la variable dictoma que asume el valor de 1 si la persona es
blanca y cero de lo contrario, ya que si hay cierta discriminacin puede que las personas
de tez negra estn obligadas a trabajar mayor nmero de semanas en comparacin con
las que no.
Otra variable que se podra incluir es si la persona es un trabajador de baja jerarqua (en
ingls lo llaman blue collar occupation) ya que lo ms probable es que estas personas
tengan que trabajar mayor nmero de semanas en comparacin de las que no.
Otras variables que se podra incluir son las que hacen referencia al lugar de residencia
(rea rural o urbana), el sector donde se labora.
Dado que el estudio es realizado en Estados Unidos y los datos son tomados de la
poblacin de este pas, se puede incluir una variable dictoma que asume el valor de 1 si
la persona es americana y cero si es inmigrante, dado que las personas inmigrantes

laboran ms tiempo que las personas netamente americanas.
c.
Al estimar el modelo por MCO se obtiene:
d.
Variable
wag e i
^ 1=0.738114
manteniendo todo lo dems constante, un incremento de 1% en el salario, incrementa en

promedio el nmero de semanas trabajadas en 0.00738114.
=0.05
el
Pvalor<
( 0.000<0,05 ) se

relevante a ese nivel
wag e i
es
de significancia.

0.3511924 y 1.125036.
Variable
ed i
^ 2=0.1524285
que acompaa a esta variable es
que, manteniendo todo lo dems constante, un incremento de un ao de escolaridad,

disminuye en promedio el nmero de semanas trabajadas en 0.1524285.
=0.05
el
Pvalor<
( 0.000<0,05 )se rechazara
la prueba de significancia individual ( 2=0 ) optando por la alterna ( 2 0 ). Se

concluye que existe evidencia estadstica para afirmar que
ed i
es relevante a ese nivel
de significancia.

-0.2153127 y
Variable
-0.0895443.
^ 3=1.99073
manteniendo todo lo dems constante, si existe un contrato firmado, en promedio, el

nmero de semanas trabajadas por un jefe de hogar es menor en 1.99073 en
comparacin con los jefes de hogar que no tienen un contrato firmado.
=0.05
el
Pvalor<
( 0.000<0,05 ) se

relevante a ese nivel de significancia.
es

-2.32447 y
Variable
-1.656989.
fem i
^ 4=1.40769
manteniendo todo lo dems constante, en promedio, una mujer jefa de hogar tiene que
trabajar 1.40769 semanas menos en comparacin con un hombre jefes de hogar.
=0.05
el
Pvalor<
( 0.000<0,05 ) se

relevante para el modelo a ese nivel de significancia.
es

-1.928516 y
-0.8868637.
Con un
=0,05
el
Pvalor<
1= 2= 3= 4 =0 ), es decir, que existe evidencia estadstica para afirmar que al

menos una de las variables independientes explica la variable dependiente
wk d i
en el
modelo.
Bondad de ajuste
El valor de
R2
es de 0.0408 y su interpretacin es que el 4.08% de la variacin del
nmero de semanas trabajadas por parte de los jefes de hogar est siendo explicada por
la variacin de las variables independientes.
e.
La variable
di
puede ser un buen instrumento porque se podra pensar que a mayor
edad que se tenga menor va a ser la participacin en la industria manufacturera, puede

ser visto como un trabajo ms para gente joven y de alta exigencia respecto a la parte
fsica.
La variable
sms ai , puede ser vista como que las personas jvenes buscan estar cerca
de las urbes ya que desean progresar econmicamente y en las ciudades es donde se

presentan ms oportunidades laborales. En cambio, las personas mayores prefieren ms
tranquilidad y por eso su eleccin de vivienda puede estar orientada hacia las zonas
ms calmadas como lo son las rurales.
Otra variable que podra ser considerada como un buen instrumento es la experiencia ya
que para obtener experiencia se requiere de tiempo y el tiempo constituye el paso de los
aos (aumento de la edad). Por lo tanto, entre ms aos de experiencia tenga una
persona, mayor puede ser su edad.
f.
Se realiza la estimacin por MC2E:
g.
En la primera etapa se puede ver que el instrumento
di
es relevante a 5% de
significancia. Tambin se puede ver que el instrumento no es dbil debido al valor de la

prueba F global es mayor que 10 en la primera etapa.
En la segunda etapa se ve que se han cambiado los valores de las variables y que la
nica que no es relevante es
fe mi
cuyo
Pvalor=0.538 . De resto para las dems
variables existe evidencia estadstica para afirmar que su valor es distinto de cero.
h.
Estimando por MC2E el modelo considerando las variables
instrumentos de
ln (wag e i) :
ind i
sms ai
como
i.
En la primera etapa se puede ver que los dos instrumentos son relevantes al 5% de
significancia. El valor de la prueba F global es mayor que 10 por lo tanto los instrumentos
no son dbiles.
En la segunda etapa se aprecia el cambio en el valor de los coeficientes de los
parmetros y todas las variables son significativas al 5% excepto la variable
fe mi
cuyo
Pvalor=0.493 .
j.
Para el test de Hausman, primero se estima el modelo original y se guardan los resultados
con el nombre de
bmco :
Luego se estima el modelo corrigiendo el problema por endogeneidad y se guardan los

resultados con el nombre de
biv :
Por ltimo, se utiliza el comando de Hausman para realizar la prueba:
Como el
Pvalor
arrojado por el test es 0.0038, a un nivel de significancia del 5%, se
rechaza la hiptesis nula de que no existen problemas de endogeneidad.

Por lo tanto, se concluye que existe evidencia estadstica para afirmar que el modelo tiene
problemas de endogeneidad y se prefieren los estimadores de las variables
instrumentales debido al sesgo que presentan los de MCO.
k.
Despus de estimar el modelo por MC2E se obtienen los residuales del modelo:
Luego se utiliza el multiplicador de Lagrange:
LM =n R2aux 2q
En este caso
es el nmero de instrumentos extra (dos en este caso). Por lo tanto:
Como el
Pvalor>
(asumiendo un nivel de significancia del 5%), no se rechaza la
hiptesis nula de que los instrumentos son exgenos. Se concluye que hay evidencia
estadstica para afirmar que los instrumentos son vlidos (son exgenos).
Ejercicio 3
smoke r i= 0+ 1 edu c i + 2 ag ei + 3 incom e i + 4 pcigs 79i + 5 ag e2i

a.
Estimacin modelo MPL con errores estndar robustos
Estimacin modelo LOGIT y efectos marginales
Estimacin modelo PROBIT y efectos marginales
Ahora se realiza una tabla para mostrar los valores predichos
Se puede apreciar que el valor medio es similar (aproximadamente 0.38), la desviacin

estndar tambin es muy parecida en los tres modelos (entre 0.124 y 0.125), pero resalta
el hecho de que el MPL tiene valores predichos negativos mientras que los otros dos
modelos si tienen sus predicciones en el rango
[ 0.1 ] .
b.
2
smoke r i= 0+ 1 edu c i + 2 ag ei + 3 incom e i + 4 pcigs 79i + 5 ag ei
Para saber si la edad tiene efectos marginales decrecientes se debe mirar los signos de
los coeficientes que acompaan a las variables
coeficiente
2> 0
y el coeficiente
age
ag e 2 . En este caso el
5< 0 . El procedimiento de prueba de hiptesis
para determinar si el efecto marginal de la edad es decreciente es:
Prueba de hiptesis para el coeficiente
Planteamiento de la hiptesis:
H o : 2 0
H a : 2 >0
En este caso se desea mirar si es posible rechazar la hiptesis nula para saber si el
trmino lineal de la edad es mayor a cero.
Nivel de significancia:
Se elige un nivel de significancia del 5% ( =0.05
Estadstico calculado o de prueba:
Para el modelo MPL se utiliza un estadstico
es:
cuyo valor (segn la salida de Stata)
5.20
Para el modelo LOGIT y PROBIT se emplea el estadstico

Stata) es:
Z LOGIT =5.12
Z PROBIT =5.12
Estadstico de contraste:
cuyo valor (segn
Con un
=0.05
el estadstico de contraste para la distribucin
son
respectivamente:
t tablas =1.646135109
Z tablas =1.644853627
Conclusin:
Dado que en los tres modelos el estadstico calculado se encuentra en la zona de
rechazo ( estadstico calculado>estadstico de contraste ), por lo tanto, no se acepta
la hiptesis nula de que el coeficiente que acompaa a la variable
edad
es menor o
igual a cero y se opta por la alterna, es decir, existe evidencia estadstica para afirmar
que
2> 0 .
Prueba de hiptesis para el coeficiente
H o : 5 0
H a : 5 <0
En este caso se desea mirar si es posible rechazar la hiptesis nula para saber si la
edad tiene efectos marginales decrecientes.
es:
cuyo valor (segn la salida de Stata)
-6.69

Stata) es:
Z LOGIT =6.00
cuyo valor (segn
Z PROBIT =6.05
Con un
=0.05
son
respectivamente:
t tablas =1.646135109
Z tablas =1.644853627
Conclusin:
Dado que en los tres modelos el estadstico calculado se encuentra en la zona de
rechazo ( estadstico calculado<estadstico de contraste ), por lo tanto, se rechaza la
eda d 2 es positivo y
se opta por la alterna, es decir, existe evidencia estadstica para afirmar que 5< 0 .
hiptesis nula de que el coeficiente que acompaa a la variable
Al realizar las pruebas de hiptesis para el coeficiente que acompaa la variable

y para el coeficiente que acompaa a la variable
existe evidencia estadstica para afirmar que
edad
eda d 2 se lleg a la conclusin de que

2> 0 y 5< 0 . Por esta razn, la
variable edad tiene efectos marginales decrecientes.

c.
2
smoke r i= 0+ 1 edu c i + 2 ag ei + 3 incom e i + 4 pcigs 79i + 5 ag ei
El procedimiento de prueba de hiptesis para determinar si el efecto marginal del ingreso

es superior a 0.10 es:
H o : 3 0.10
H a : 3 >0.10
En este caso se busca ver si se rechaza la hiptesis nula para saber si el efecto marginal
del ingreso es superior a 0.10.
cuyo valor es:
^
06
( 3) 1.59 10 0.10
=
=59172.538
se ( ^ 3)
1.69 1006
t=
cuyo valor es:
^
( 3) 1.711006 0.10
=
60241,99
1.66 1006
se ( ^ 3)
Z LOGIT =
^
06
( 3) 1.87 10 0.10
=
60242,09
06
se ( ^ 3)
1.66 10
Z PROBIT =
Con un
=0.05
son
respectivamente:
t tablas =1.646135109
Z tablas =1.96
Conclusin:
Dado que en los tres modelos el estadstico calculado se encuentra en la zona de no

rechazo, se acepta la hiptesis nula de que los efectos marginales de la variable
ingres o i son menores o igual a 0.10.
De hecho, si se mira el reporte de Stata de los efectos marginales el
Pvalor
que
arroja es mayor al 0.1 por lo tanto no se rechaza la hiptesis nula de la prueba de

significancia individual de que el coeficiente que acompaa a la variable
estadsticamente igual a cero.
ingres o i
es
MPL:
Efectos marginales LOGIT:
Efectos marginales PROBIT:
d.
Todos los intervalos de confianza se calculan con la siguiente ecuacin:
IC= ^ 1 t
1 , nk1
2
se ( ^ 1)
Intervalo de confianza MPL- escolaridad
I C superior =0.0249299+1.961960.0046031
I C superior 0.01589
I C inferiror=0.02492991.961960.0046031
I C inferiror 0.033961
Intervalo de confianza Logit- escolaridad (marginal)
I C superior =0.0273688+1.960.00508
I C inferiror=0.02736881.960.00508
Intervalo de confianza Probit-escolaridad (marginal)
I C superior =0.0266452+1.960.00492
I C inferiror=0.02664521.960.00492
e.
smoke r i= 0+ 1 edu c i + 2 ag ei + 3 incom e i + 4 pcigs 79i + 5 ag e2i

El procedimiento de prueba de hiptesis en los tres modelos con el fin de determinar la
validez de la restriccin de que
escolaridad = precio cigarrillo=0
para los tres modelos es:
Modelo MPL:
H 0 : 1= 4 =0
H a : Al menosun i 0 i=1,4
Se elige un nivel de significancia
del 0.05 (5%)
Estadstico calculado:
Para hallar el estadstico calculado se necesita evaluar el modelo con las restricciones
y sin las restricciones y se obtienen las sumas del cuadrado de los errores para los
dos modelos. A continuacin, se muestran los resultados:
Ahora se encuentra el estadstico de contraste con ayuda de la siguiente expresin:
SC E R SC ENR
q
Fc =
SC E NR
nk1
En este caso
es el nmero de estricciones (en este caso son 2),
de observaciones y
el nmero
el nmero de variables explicativas del modelo sin
restriccin.
Reemplazando valores queda:
270.56818263.51143
2
Fc =
15.934
263.51143
119651
El estadstico de contraste es un
F q ; nk 1 F2,1190
cuyo valor es
3.003286469 .
Conclusin:
Como
Fc > F 1 ;2 ;1190
se rechaza la hiptesis nula de que
1= 4=0
y por lo
tanto existe evidencia estadstica para afirmar que al menos uno de los dos betas es
diferente de cero.
De igual manera, con el comando testparm se comprueba el resultado:
Y, por lo tanto, como el
Pvalor<
la conclusin es la misma.
Modelo LOGIT:
H 0 : 1= 4 =0
del 0.05 (5%)
y sin las restricciones y se obtienen los
log likelihood
para ambos modelos. A
continuacin, se muestran los resultados:
Ahora se encuentra el estadstico de razn de verosimilitud con ayuda de la siguiente

expresin:
ERV =2 [ ln LSR ln LCR ]

En este caso
el
ln LSR
log likelihood
es el
log likelihood
del modelo sin restriccin y ln LCR
es
del modelo con restriccin.
ERV =2 [ 750.84796(767.26131) ] =32.8267

El estadstico de contraste es una Chi-cuadrado con
restricciones cuyo valor es
5.991464547 .
Conclusin:
Como
ERV > 22 se rechaza la hiptesis nula de que
1= 4=0 . Existe evidencia
estadstica para afirmar que al menos uno de los dos betas es diferente de cero.
Pvalor<
Modelo PROBIT:
H 0 : 1= 4 =0
del 0.05 (5%)
y sin las restricciones y se obtienen los
log likelihood
para ambos modelos. A
continuacin, se muestran los resultados:
Ahora se encuentra el estadstico de razn de verosimilitud con ayuda de la siguiente

expresin:
ERV =2 [ ln LSR ln LCR ]

En este caso
el
ln LSR
log likelihood
es el
log likelihood
del modelo sin restriccin y ln LCR
del modelo con restriccin.
ERV =2 [ 750.81585(766.89794) ]=32.16418
es
El estadstico de contraste es una Chi-cuadrado con
restricciones cuyo valor es
5.991464547 .
Conclusin:
Como
ERV > 22 se rechaza la hiptesis nula de que
1= 4=0 . Existe evidencia
estadstica para afirmar que al menos uno de los dos betas es diferente de cero.
Pvalor<
f.
El procedimiento de prueba de hiptesis con el fin de determinar que el valor esperado de
la probabilidad de fumar es igual a 0.42 es el siguiente:
+ pcigs 79= pcigs

79+ag e2= ag e2 ) = 0 + 1 educ+
E P ( smoker=1|educ= educ+
age=age+income=
income
Por lo tanto, la hiptesis es:
H 0 : 0 + 1 educ+
2 age+
3 income+
4 pcigs79+
5 ag e 2=0.42
H 0 : 0 + 1 educ+
2 age+
3 income+
4 pcigs79+
5 ag e 2 0.42
Se elige un nivel de significancia de 0.05
El estadstico sigue una distribucin
para el MPL y una distribucin
para LOGIT
y PROBIT y su valor se calcula de la siguiente forma:
t c , Z c=
( 0 + 1 educ+
2 age+
3 income+
4 pcigs79+
5 ag e 2)0.42
Donde
' S (X X )
2
[]
educ
age
5 1=
income
pcigs79
ag e2
'
'1 6 = 1 educ
age
income
79 ag e2
pcigs
1
S 2 ( X ' X ) var cov ( ^ )
Estadstico de contraste
El estadstico de contraste sera el
t=1.961959484
z=1.96
Conclusin
Si el estadstico calculado es mayor al de contraste se rechaza la hiptesis nula de que el

valor esperado de la probabilidad de fumar es igual a 0.42, cuando las variables
independientes toman sus valores medios. Si sucede lo contrario se acepta la hiptesis
nula, es decir, existe evidencia estadstica para afirmar que la probabilidad de fumar es
0.42, cuando las variables independientes toman sus valores medio.
g.
R2 para el modelo MPL se obtiene:
El
2
R=
SCR 18.3907393
=
=0.06523802
SCT 281.902174
Este valor concuerda con el arrojado por Stata.

El Pseudo
R2 se calcula para los modelos PROBIT y LOGIT de la siguiente manera:
Pseudo R 2=1
En este caso
ln LSR
ln LCR
ln LCR
es la funcin logaritmo de verosimilitud restringida para la cual
slo se incluye el intercepto en el modelo tanto para LOGIT como PROBIT:
Reemplazando valores se obtiene:
Pseudo R 2LOGIT =1
750.84796
=0.0549
794.47478
Pseudo R PROBIT =1
750.81585
=0.0550
794.47478
Los anteriores valores concuerdan con los arrojados por Stata.

Otra medida de ajuste comparativamente simple es la cuenta
R2 , que se define
Como:
Cuenta R2=
predicciones correctas
total de observaciones
Para poder obtener los valores de la
cuenta R 2 , a continuacin, se muestran las tablas
de las predicciones para cada uno de los modelos:
Reemplazando valores se obtiene:

2
Cuenta RMPL =
678+74
0.6288
1196
Cuenta R2LOGIT =
667+ 92
0.6342
1196
Cuenta R2PROBIT =
672+ 89
0.6363
1196
Ejercicio 4
Addo ni = 0+ 1 Ag e i + 2 Educatio ni + 3 Marrie di + 4 Kid s i+ i

DocVisit si= 0 + 1 Ag e i+ 2 Education i+ 3 Incom e i + 4 Femal ei + 1 ^
Addoni+ v i
a.
Al estimar el LOGIT del modelo de la ecuacin 6 se obtiene:
(6)
(7)
Luego se obtienen los efectos marginales:
Se puede apreciar que el efecto de una persona casada no es significativo al 1%, 5% y

10%. De igual manera sucede con la edad y el nmero de nios menores de 16 en la
casa.
Por otra parte, la educacin si es significativa al 5% y su interpretacin es que,
manteniendo los dems factores constantes, un incremento en un ao en educacin,
aumenta la probabilidad de comprar un seguro privado complementario en 0.4 puntos
porcentuales.
De igual manera se tiene que la interpretacin del coeficiente que acompaa a la variable
edad es que manteniendo los dems factores constantes, un aumento en un ao de edad,
aumenta la probabilidad de comprar un seguro privado complementario en 0.04 puntos
porcentuales.
Para el nmero de nios menores de 16 en la casa su interpretacin es que manteniendo
los dems factores constantes un aumento en el nmero de nios en una unidad,
disminuye la probabilidad de comprar un seguro privado complementario en 0.3 puntos
porcentuales.
Por ltimo, el cambio en la probabilidad de comprar un seguro privado complementario
cuando una persona pasa de estar soltera a estar casada se aumenta en 0.6 puntos
porcentuales.
b.
Al estimar el modelo de la ecuacin (7) se obtiene:
Los efectos marginales son:
De los efectos marginales se puede ver que todas las variables excepto
significativas al 1%, 5% y 10%.
^
addoni
son
^
addoni solamente es significativa al 10%.
Las interpretaciones de los coeficientes que acompaan a las variables son:
Un aumento en un ao de edad incrementa el nmero de visitas al doctor en 0.04

veces
ceteris paribus .
Un aumento en un ao de educacin disminuye el nmero de visitas en 0.106 veces
Un aumento en el ingreso en un franco alemn disminuye el nmero de visitas al
ceteris paribus .
doctor en 0.0002 veces
El nmero de visitas al doctor es mayor en 0.45 veces en las mujeres en comparacin

con los hombres
ceteris paribus .
ceteris paribus .
Un aumento en la probabilidad en un punto porcentual de comprar un seguro privado

complementario, aumenta el nmero de visitas al doctor en 10.77 veces.
c.
Prueba de dependencia global

H 0 : 1= 2= 3= 4 ==0
H a : Al menos o un i 0 i=1,2,3,4
Se elige un nivel de significancia del 5%.

Estadstico de prueba:
El estadstico de prueba es el
ERV =2 [ ln LSR ln LCR ] q
donde
es el nmero
de restricciones (5 en este caso).

En este caso
ln LCR
es la funcin logaritmo de verosimilitud restringida para la cual
slo se incluye el intercepto en el modelo. Teniendo esto presente, a continuacin, se

muestra la regresin incluyendo solo el intercepto:
Remplazando se obtiene el
ERV :
ERV =2 [ 15859.171(16398.154 ) ]=1077.966
Estadstico de contrate:
El
25 es 11.07049769
Conclusiones
Como
ERV > 5 (1077.966>11.07049769) , se rechaza la nula. Existe evidencia
estadstica para afirmar que al menos uno de los coeficientes que acompaan a las
variables del modelo de la ecuacin (7) es diferente de cero.
Prueba de significancia individual para la variable

Planteamiento de la hiptesis
Age
H 0 : 1=0
H a : 1 0
Nivel de significancia
Se elige un nivel de significancia del 5%
Estadstico de prueba
El estadstico de prueba es un
Z c=
^ 0.0175220
=
12.948566
se ( ^ ) 0.0013532
Estadstico de contrate
Z =1.96
El estadstico de contrate es un
Conclusiones
Como la prueba es de dos colas se mira
12.948566>1.96
|Z c|> Z tablas
en este caso
y por lo tanto se rechaza la nula. A 5% de significancia existe
evidencia estadstica para afirmar que la variable
Age
Education
H 0 : 2=0
H a : 2 0
Z :
es diferente de 0.
Z c=
^ 0.03857660
=
3.0219183
0.0127656
se ( ^ )
Z =1.96
Conclusiones
3.0219183>1.96
|Z c|> Z tablas
en este caso
Educ ation es diferente de 0.
Income
H 0 : 3=0
H a : 3 0
Z c=
Z :
^ 0.00008030
=
12.685624
se ( ^ ) 6.33 1006
Conclusiones
Z =1.96
12.685624>1.96
|Z c|> Z tablas
en este caso
Income es diferente de 0.
Female
H 0 : 4 =0
Ha: 4 0
Z c=
Z :
^ 0.16408680
=
9.0986964
0.0180341
se ( ^ )
Z =1.96
Conclusiones
9.0986964>1.96

H 0 : =0
Ha: 0
en este caso
|Z c|> Z tablas
Female es diferente de 0.
^
Addon
Z c=
Z :
^ 3.9113990
=
1.8806403
2.079823
se ( ^ )
Z =1.96
Conclusiones
1.8806403<1.96
|Z c|> Z tablas
en este caso
y por lo tanto si se acepta la nula. A 5% de significancia existe
^
Addon
es igual a 0.
d.
La prueba de hiptesis para determinar si estadsticamente el efecto marginal de
Femal ei
es superior a 0.1
H 0 : 4 0.1
H a : 4>0.1
Z c=
Z :
^ .45374380.1
=
=7.0791235
0.04997
se ( ^ )
Estadstico de contraste
El estadstico de contraste es 1.644853627 ya que es una prueba de una sola cola.
Conclusiones
Como
Z c > Ztablas (7.0791235>1.6444853627)
se rechaza la hiptesis nula. Existe
evidencia estadstica para afirmar que el efecto marginal de la variable
female
es
superior a 0.1.
Ejercicio 5
es
l
loginvp cit = 0+ 1 ing tran sit + 2 desemp t it + 3 tasa it + 4 desplazamient o it + 5 H coc ait + i
a.
Se podra esperar que los coeficientes que acompaan a las variables
es
desemp t it
ing tran sit
seas positivos, a mayores transferencias del gobierno central y mejores
ndices, mayor va a ser el logaritmo de la inversin per cpita municipal.

En cuanto a las variables
l
tasa it
desplazamient o it
se esperara un signo
negativo, se supone que mayores tasas de homicidio y mayor nmero de personas

desplazadas hacen que el logaritmo la inversin municipal per cpita sea menor.
Y, para la variable
H coc ait , se espera un signo negativo, el hecho de que en el
municipio haya cultivos de coca en un ao especfico puede hacer que el logaritmo la

inversin municipal per cpita sea menor.
Ahora se estima el modelo por MCO (como un pool de datos):
Se puede apreciar que las variables
desplazamiento
tasa homicidios
no son
significativas a los niveles convencionales de significancia. Las otras variables si son

relevantes tanto al 1% como el 5% y 10%.
Los signos de las variables
desplazamiento
tasa homicidios
son contrario a lo
esperado, esta diferencia se podra atribuir a que se supuso que los efectos individuales
no observados son cero.
b.
Primero se muestra los resultados de la regresin por efectos fijos:
De la regresin se puede observar que de la prueba de hiptesis para ver si los efectos
individuales no observados son cero ( H 0 : todos los
al menos un
ai=0 ) se rechaza y por lo tanto
ai 0 , esto quiere decir que correr el modelo por MCO no es lo correcto.
Ahora se muestra la regresin por efecto aleatorios:
En este caso se est asumiendo que la correlacin de

En ambas regresiones la variable
desplazamiento
ai
con
X it
es igual a cero.
no es relevante al 1%, 5% y 10% y
los signos de todas las regresoras si concuerdan con lo esperado.

Por otra parte, la variable
H coca
es relevante para efectos aleatorios al 5% mientras
que para efectos fijos no. Las otras variables si son relevantes a los niveles
convencionales de significancia.
La diferencia de los resultados se debe a que efectos fijos se basa en que
cov (a i , X it )0
mientras que efectos aleatorios se basa en que
cov ( ai , X it ) =0 .
c.
Al realizar la prueba de Hausman para comparar los estimadores de efectos fijos vs los de
efectos aleatorios se obtiene:
Para un nivel de significancia
del 5% se tiene que como el
Pvalor<0.05
se
rechaza la hiptesis nula de que no hay endogeneidad. Existe evidencia estadstica para
afirmar que la regresin por efectos aleatorios presenta problemas de endogeneidad y por
lo tanto se prefiere efectos fijos.
d.
Para comparar los estimadores de pool vs los de efectos aleatorios se realiza el Contraste
Breusch-Pagan. A continuacin, se muestra los resultados obtenidos:
En este caso la hiptesis nula establece que la varianza del componente individual es
cero. Para un nivel de significancia
=0.05
el
Pvalor<
concluye que existe evidencia estadstica para afirmar que
se rechaza
H 0 , se
2a > 0 y por lo tanto prefiero
efectos aleatorios en vez de pool

e.
La prueba estadstica para comparar los estimadores de efectos fijos vs los de pool es el
contraste de significancia de seccin cruzada.
Esta prueba se puede realizar por medio de la ltima lnea en la regresin del modelo por
efectos fijos. Para este caso la salida es la siguiente:
H 0 : a1=a 2==ai=0
H a : al menosun ai 0
Se puede apreciar que asumiendo un nivel de significancia
=0.05
el
Pvalor<
y por lo tanto rechazo la hiptesis nula.

Se concluye que existe evidencia estadstica para afirmar que al menos uno de los
efectos individuales no observados es diferente de cero y por lo tanto se prefiere la
estimacin por efectos fijos.

TALLER 1 Microeconometria

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

TALLER 1 Microeconometria

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE LOS ANDES

Sergio Gmez 200611490

valo r i= 0 + 1 are alotei + 2 are acasai+ 3 habitacione s i+ ui

ln(valo r i)= 0 + 1 ln(arealot ei )+ 2 ln( areacas ai)+ 3 habitacione si + i

Para el segundo modelo:

El signo del estimador

dems constante, en promedio, un incremento en un pie cuadrado en el rea del lote

( 0.002<0,05 ) y se rechazara la prueba de

significancia individual ( 1=0 ). Se concluye que existe evidencia estadstica para

arealotei es relevante a ese nivel

=0.05 , se concluye que, si se tomaran 100

El signo del estimador

dems constante, en promedio, un incremento en un pie cuadrado en el rea de la casa

( 0.000<0,05 ) y se rechazara la prueba de

significancia individual ( 2=0 ). Se concluye que existe evidencia estadstica para

areacasai es relevante a ese nivel

=0.05 , se concluye que, si se tomaran 100

El signo del estimador

dems constante, en promedio, un incremento en una habitacin en la vivienda significa

( 0.128>0,05 ) y no se rechazara la prueba de

significancia individual ( 3=0 ). Se concluye que no existe evidencia estadstica para

sea relevante a ese nivel

( 0.0000<0,05 ) se rechaza la hiptesis nula (

es de 0.6724 y su interpretacin es que el 67,24% de la variacin del

habitaciones i ,area casai y arealotei .

Para el segundo modelo:

La interpretacin del coeficiente

que acompaa a esta variable indica

que, manteniendo todo lo dems constante, un incremento de 1% en el rea del lote,

Con un nivel de significancia

rechazara la prueba de significancia individual ( 1=0 ) optando por la alterna (

1 0 ). Se concluye que existe evidencia estadstica para afirmar que

=0.05 , se concluye que, si se tomaran 100

La interpretacin del coeficiente

que acompaa a esta variable es que,

manteniendo todo lo dems constante, un incremento de 1% en el rea de la casa,

rechazara la prueba de significancia individual ( 2=0 ) optando por la alterna (

2 0 ). Se concluye que existe evidencia estadstica para afirmar que

=0.05 , se concluye que, si se tomaran 100

La interpretacin del coeficiente

que acompaa a esta variable es que,

manteniendo todo lo dems constante, un incremento de una habitacin, incrementa en

rechazara la prueba de significancia individual ( 3=0 ). Se concluye que existe

no es relevante a ese nivel

de significancia para el modelo.

( 0.0000<0,05 ) se rechaza la hiptesis nula (

es de 0.6430 y su interpretacin es que el 64,30% de la variacin del

Donde para un nivel de significancia del 5%, el

Pvalor< , por lo tanto se rechaza la

especificacin del modelo).

y se incorpora en el modelo dado en la ecuacin (2) como regresor

el modelo dado en la ecuacin (1) como regresor adicional.

estadsticamente diferentes de cero y se mira cul de los dos modelos es incorrecto (o si

De esta forma, estimando el primer modelo e incorporndolo en el segundo modelo,

ln ( valor i ) = 0 + 1 ln ( arealotei) + 2 ln ( areacasai ) + 3 habitacione s i + ^y A + i

Enseguida se realiza la prueba t para

Pvalor> , por lo tanto, no se

Ahora, estimando el segundo modelo e incorporndolo en el primero, queda:

valo r i= 0 + 1 are alotei + 2 are acasai+ 3 habitacione s i+ ^y B + i

Luego se realiza la regresin sobre este modelo y se obtiene:

Enseguida se realiza la prueba t para

Pvalor> , por lo tanto, no se

ln (valo r i)= 0 + 1 ln (arealot ei )+ 2 ln (areacas ai)+ ei