FACULTAD DE INGENIERIA ECONOMICA – UNAP 2018

Econometría
Taller 02

MODELO DE REGRESION SIMPLE

Primera parte.

1. Una serie de investigadores, realizaron encuestas a 859 individuos,

con el fin de establecer los determinantes del salario. Los resultados
se encuentran en la base de datos DATA MINSER.XLS.
Específicamente se considera el siguiente modelo:

ln(𝑆𝑎𝑙𝑎𝑟𝑖𝑜) = 𝛽0 + 𝛽0 ∗ 𝑒𝑑𝑢𝑐𝑎𝑐𝑖𝑜𝑛 + 𝛽0 ∗ 𝑒𝑥𝑝𝑒𝑟𝑖𝑒𝑛𝑐𝑖𝑎 + 𝛽0 ∗ 𝑒𝑑𝑎𝑑 + 𝛽0

∗ 𝑒𝑑𝑢𝑐𝑎𝑐𝑖𝑜𝑛_𝑚𝑎𝑑𝑟𝑒 + 𝑒

a) Muestre el tamaño de las matrices que definen el modelo

Y X B E
6.645 1 40 12 11 31 8 e1
6.694 1 50 18 11 37 14 e2
6.715 1 40 14 11 33 14 B0 e3
6.477 1 … … … … … B0 e4
: : : : : : : B2 :
: : : : : : : B3 :
: : : : : : : B4 :
6.498 1 … … … … … B5 e856
6.254 1 40 16 6 30 11 (6*1) e857
7.692 1 40 13 10 31 8 e858
6.287 1 45 12 12 28 7 e859
(859*1) (859*6) (859*1)

b) Intuitivamente ¿Qué signos considera tendrán cada uno de los

coeficientes?

 Educación (positivo)

 Experiencia (positivo)

 Edad (positivo)

 Educación de la madre (positivo)

1
 FACULTAD DE INGENIERIA ECONOMICA – UNAP 2018
Econometría
Taller 02

c) Estime el modelo en EVIEWS ¿Que puede decir sobre los signos

esperados, significancia individual, global y bondad de ajuste?

Dependent Variable: LSALARIOS

Method: Least Squares
Date: 12/05/18 Time: 13:08
Sample: 1 859
Included observations: 857

Variable Coefficient Std. Error t-Statistic Prob.

C 5.098935 0.163357 31.21353 0.0000

EDUCACION 0.066469 0.007427 8.949203 0.0000
EXPERIENCIA 0.016930 0.004170 4.059418 0.0001
EDAD 0.012394 0.005127 2.417129 0.0159
MOTHER_EDUC 0.017741 0.004948 3.585542 0.0004

R-squared 0.159330 Mean dependent var 6.793350

Adjusted R-squared 0.155383 S.D. dependent var 0.417717
S.E. of regression 0.383894 Akaike info criterion 0.928918
Sum squared resid 125.5633 Schwarz criterion 0.956651
Log likelihood -393.0414 Hannan-Quinn criter. 0.939537
F-statistic 40.36938 Durbin-Watson stat 1.795711
Prob(F-statistic) 0.000000

Ya teniendo la salida de Eviews podemos decir que:

- El 15.93% de la variabilidad de los salarios esta explicada por las variables
de educacion, experiencia, edad y educacion de la madre; manteniendo el
resto de las varibales constantes.

- Mientras que el 84.07% corresponde a otras variables que no son

consideradas en este modelo

d) Cambie la especificación del modelo incluyendo las variables

experiencia y edad al cuadrado y estime una nueva regresión.
Interprete los resultados de los coeficientes.

Y = β1 + β1 Educacion + β1 Experiencia + β1 Edad + β1 Educacionmadre

+ β1 Experiencia2 + β1 Edad2 + ϵ

2
 FACULTAD DE INGENIERIA ECONOMICA – UNAP 2018
Econometría
Taller 02

Dependent Variable: LSALARIOS

Method: Least Squares
Date: 12/05/18 Time: 13:33
Sample: 1 859
Included observations: 857

Variable Coefficient Std. Error t-Statistic Prob.

C 5.320813 1.761780 3.020134 0.0026

EDUCACION 0.066267 0.007597 8.723269 0.0000
EXPERIENCIA 0.019746 0.014539 1.358169 0.1748
EXPERIENCIA2 -0.000130 0.000645 -0.200969 0.8408
EDAD -0.002037 0.107392 -0.018969 0.9849
EDAD2 0.000223 0.001616 0.137874 0.8904
MOTHER_EDUC 0.017693 0.004958 3.568241 0.0004

R-squared 0.159384 Mean dependent var 6.793350

Adjusted R-squared 0.153450 S.D. dependent var 0.417717
S.E. of regression 0.384333 Akaike info criterion 0.933522
Sum squared resid 125.5553 Schwarz criterion 0.972348
Log likelihood -393.0141 Hannan-Quinn criter. 0.948388
F-statistic 26.86048 Durbin-Watson stat 1.796329
Prob(F-statistic) 0.000000

Nuevo modelo estimado

n(salarios) = 5.320813 + 0.066267educacioni + 0.02037experienciai

− 0.002037edadi + 0.017693educacion𝑖 − 0.000130experienciai 2
+ 0.000223edadi 2

e) De acuerdo al modelo anterior, calcule los efectos marginales sobre la

variable experiencia y edad. Interprete los resultados.

∂l n(salarios)
= β2 (salariosi ) − 2β5 (experiencia∗ )(salarios∗ )
∂exp.

EXPERIENCIA = 0.0197(970.5145) − 2(0.0001)(970.5145)(11.4516) = 16.8963

Cuando la persona tenga más experiencia, su salario aumentará en 16.90%

manteniendo el resto de las variables constantes.
3
 FACULTAD DE INGENIERIA ECONOMICA – UNAP 2018
Econometría
Taller 02

∂l n(salarios)
= −β3 (salariosi ) − 2β6 (edadi )(salariosi )
∂edad
EDAD = −0.002(970.5145) − 2(0.0002)(970.5145)(32.9755) = 10.8603

En cuanto a la edad de las personas, su salario aumenta en 10.90%

manteniendo el resto de las variables constantes

f) Explique cuál de los dos modelos recomendaría, y por qué.

SRC
𝐑𝟐 equivalente = 1 −
STC

123206742226
𝐑𝟐 equivalente = 1 −
149.3613

𝐑𝟐 equivalente = −824889.666

Segunda parte.

2. La función de producción de quinua convencional en el altiplano

puneño: Estudio de caso aplicativo (economía aplicada a la
producción agrícola).

A partir de un experimento en 13 parcelas de quinua convencional en el distrito de

Cabanillas-Puno el objetivo de un trabajo de investigación fue establecer los
determinantes del nivel de rendimiento de quinua. Los resultados del experimento
se encuentran en la base de datos Data_funcion_produccion.xls. Específicamente
se considera el siguiente modelo.

𝑌 = 𝛽1 + 𝛽2 𝑁 + 𝛽3 𝑃 + 𝛽4 𝑁 2 + 𝛽5 𝑃2 + 𝛽6 𝑁𝑃 + 𝜀
Dónde:

 Y= rendimiento de quinua convencional en kilogramos/hectárea (Kg/ha)

 N= Kilogramos de nitrógeno/hectárea (Kg de N/ha)
 P= Kilogramos de Fosforo/hectárea (Kg de P/ha)

4
 FACULTAD DE INGENIERIA ECONOMICA – UNAP 2018
Econometría
Taller 02

a) Estime el modelo econométrico en EVIEWS ¿Qué puede decir sobre

los signos esperados , significancia individual. Significancia global o
bondad de ajuste?

Dependent Variable: Y
Method: Least Squares
Date: 12/05/18 Time: 14:41
Sample (adjusted): 1 13
Included observations: 13 after adjustmensts

Variable Coefficient Std. Error t-Statistic Prob.

C 688.4784 760.6446 0.905125 0.3955

N 42.59004 11.60953 3.668540 0.0080
P 29.19038 13.64979 2.138521 0.0698
N2 -0.333764 0.055766 -5.985101 0.0006
P2 -0.382294 0.088011 -4.343701 0.0034
NP 0.234375 0.093231 2.513917 0.0402

R-squared 0.900789 Mean dependent var 3100.000

Adjusted R-squared 0.829924 S.D. dependent var 361.7089
S.E. of regression 149.1696 Akaike info criterion 13.15208
Sum squared resid 155761.0 Schwarz criterion 13.41283
Log likelihood -79.48854 Hannan-Quinn criter. 13.09849
F-statistic 12.71136 Durbin-Watson stat 1.541456
Prob(F-statistic) 0.002116

EL MODELO ESTIMADO ES:

Y = 688.4784 + 42.59004N + 29.19038P − 0.333764N2 − 0.382294P 2

+ 0.234375NP

b) Calcule las elasticidades de producción promedio para ambos

insumos. Interprete sus resultados. Enfatice sobre la utilidad que
tienen estos resultados para el diseño de políticas en el manejo de
quinua convencional en el altiplano puneño.

𝑌 = 688.4784 + 42.59004N + 29.19038P − 0.333764N2 − 0.382294P2

+ 0.234375NP

5
 FACULTAD DE INGENIERIA ECONOMICA – UNAP 2018
Econometría
Taller 02

90
εYN = (42.59004 − 0.667528 ∗ 90 + 0.234375 ∗ 60) ∗ ( )
3100

εYN = −0.0994

Al incrementar en un 1% del insumo de N (nitrógeno) en la producción de quinua

se generaría una disminución de rendimiento en un 9.94%.

60
̅ + 0.234375N
εYP = (29.19038 − 0.764588P ̅) ∗ ( )
3100

60
εYP = (29.19038 − 0.764588 ∗ 60 + 0.234375 ∗ 90) ∗ ( )
3100

εYP = 0.085332

Al incrementar en un 1% de insumo P (fosforo) en la producción de quinua se

generara un aumento en los rendimientos de producción en 8.53%.

c) Con el deseo de introducir medidas de apoyo a la producción de

quinua convencional, es necesario averiguar si los insumos utilizados
se comportan como complementarios o competitivos. Lleve a cabo la
respectiva prueba de hipótesis para un 𝜶 = 𝟎. 𝟎𝟏

SOLUCION:

PRUEBA DE DEPENDENCIA

PASO 1: Planteamiento De Hipótesis

𝐻0 = 𝛽2 = 𝛽3 = 𝛽4 = 0

𝐻𝐴 = 𝛽2 = 𝛽3 = 𝛽4 = 0

PASO 2: Nivel De Significancia:

𝛼 = 1%

PASO 3: Estadístico De Prueba:

[𝛽´𝑋´𝑌 − 𝑛𝑌 2 ]/(𝑘 − 1)
𝐹𝐶= ↔
[𝑌´𝑌 − 𝛽´𝑋´𝑌]/(𝑛 − 𝑘)

6
 FACULTAD DE INGENIERIA ECONOMICA – UNAP 2018
Econometría
Taller 02

(1414240.91)/(6 − 1)
𝐹𝐶 =
(155759.091)/(13 − 6)

282848.1819
𝐹𝐶 =
22251.29864

𝐹𝑐 = 12.71153592

PASO 4: Regiones De Decisión:

PASO 5: Conclusión:

7
 FACULTAD DE INGENIERIA ECONOMICA – UNAP 2018
Econometría
Taller 02

d) Con los resultados del modelo econométrico se pide realizar los

siguientes gráficos:

Gráfico de la superficie de respuesta de nitrógeno y fosforo sobre el rendimiento.

Grafico en

3D

Grafico del producto marginal y producto medio para nitrógeno.

PMgNITROGENO
30.00
26.61
23.79
20.00

10.00 12.07
5.01
0.00
PMgN

-3.42 -3.42 -3.42 -3.42 -3.42

-10.00 -11.86
-20.00 -18.92

-30.00 -30.64
-33.46
-40.00
1 2 3 4 5 6 7 8 9 10 11 12 13
PMgN 12.0 23.7 -31 -19 26.6 -33 -12 5.01 -3.4 -3.4 -3.4 -3.4 -3.4
Observaciones

8
 FACULTAD DE INGENIERIA ECONOMICA – UNAP 2018
Econometría
Taller 02

Grafico del producto marginal y producto medio para fosforo.

PMgP
40
30 31.02 31.93
20
16.02 14.95
PMgP

10
4.4 4.4 4.4 4.4 4.4
0
-10 -7.2 -6.13
-20 -22.2 -23.11
-30
1 2 3 4 5 6 7 8 9 10 11 12 13
PMgP 16 -22 31 -7.2 -6.1 15 31.9 -23 4.4 4.4 4.4 4.4 4.4
Observaciones

e) OPTIMO TECNICO:

Con los resultados del modelo econométrico calcular los valores críticos de N y P
que optimizan la función de producción (rendimiento máximo).NOTA Resolver el
sistema de derivadas parciales igualando a cero. Verificar el cumplimiento de la
condición suficiente del máximo.

SOLUCION:

𝑌 = 688.478448 + 42.590043 ∗ 𝑁 + 29.1903759 ∗ 𝑃 − 0.33376409 ∗ 𝑁 2

± 0.38229374 ∗ 𝑃2 + 0.234375 ∗ 𝑁𝑃 + 𝑒

𝑑𝑦
= 42.590043 − 0.66752818 ∗ 𝑁 + 0.234375 ∗ 𝑃 = 0
𝑑𝑛
𝑑𝑦
= 29.1903759 − 0.76458748 ∗ 𝑃 + 0.234375 ∗ 𝑁 = 0
𝑑𝑝

0.66752818 -0.234375 N 42.590043

=
-0.234375 0.76458748 P 29.1903759

N 1.67874419 0.51459863 42.590043

= *
P 0.51459863 1.46563877 29.1903759

N 86.5191147
=
P 64.6993244

9
 FACULTAD DE INGENIERIA ECONOMICA – UNAP 2018
Econometría
Taller 02

f) OPTIMO ECONOMICO:

Dado que el interés de los productores es la maximización del ingreso monetario

para el sustento familiar, cobra relevancia determinar el óptimo económico, por lo
tanto, teniendo en cuenta que el promedio del precio de quinua
convencional/kilogramo es de S/.3.57, el precio promedio de un Kilogramo de
Nitrógeno es de S/5.00 y el precio promedio de un kilogramo de Fosforo es de
S/.3.87.Calcular los valores críticos de N y P que optimizan la función de beneficio.
NOTA – Resolver el sistema de derivadas parciales igualando a la relación precio
factor / precio producto.

𝑌 = 688.478448 + 42.590043 ∗ 𝑁 + 29.1903759 ∗ 𝑃 − 0.33376409 ∗ 𝑁 2

± 0.38229374 ∗ 𝑃2 + 0.234375 ∗ 𝑁𝑃 + 𝑒

5
= 42.590043 − (2)(0.33376409) ∗ 𝑁 + 0.234375 ∗ 𝑃
3.57
3.87
= 29.1903759 − (2)(0.38229374) ∗ 𝑃 + 0.234375 ∗ 𝑁
3.57

0.66752818 -0.234375 N 42.590043

=
-0.234375 0.76458748 P 29.1903759

N 1.67874419 0.51459863 41.1894828

= *
P 0.51459863 1.46563877 28.1063423

N 83.6100901
=
P 62.3897963

10