Ingeniería Comercial

Econometría I
COM – 05223

Práctica Nº 2

2.1 Utilizando la base de datos GPA2.WF1 de 4,137 alumnos universitarios, se estimó la

ecuación siguiente de MCO:

Donde, colgpa es el promedio de calificaciones que se mide sobre una escala de cuatro
puntos, hsperc es el percentil en la clase de bachillerato que se gradua (definida de manera
que, por ejemplo, hsperc = 5 significa el 5% superior de la clase), y sat son los puntajes
combinados en matematicas y habilidades verbales en la prueba de logro de los alumnos.
i) ¿Por qué es lógico que el coeficiente en hsperc sea negativo?
Es lógico que sea negativo por que existe una relación inversa entre el percentil
y la nota promedio cuando menor sea el valor del percentil mayor espero que
sea la nota promedio.
ii) ¿Cuál es el promedio de calificaciones universitario predicho cuando hsperc =
20 y sat = 1,050?
colgpa=1.392-.0135(20)+.00148(1050) =2.676

iii) Suponga que dos graduados de bachillerato, A y B, se gradúan en el mismo

percentil de bachillerato, pero el puntaje SAT del estudiante A es 140 puntos
más alto (aproximadamente una desviación estándar en la muestra). ¿Cuál es la
diferencia predicha en el promedio de calificaciones universitario para estos dos
alumnos? ¿Es grande la diferencia?
Se espera una diferencia de 0.2072 no es mucha la diferencia porque ambos
estaban en el mismo percentil.
iv) Manteniendo hsperc constante, ¿que diferencia en las puntuaciones SAT conduce a una
diferencia estimada colgpa de .50, o medio punto de puntuación? Comente su respuesta.
La diferencia de las puntuaciones en Sat es de 337.83 con una diferencia estimada en colgpa
de 0.50.

2.2 Los datos en el archivo WAGE2.WF1 sobre trabajadores hombres se utilizan para
estimar la ecuación siguiente:
educ = 10.36 - .094 sibs + .131 meduc + .210 feduc
n = 722, R2 = .214,
Donde, educ es años de escolaridad, sibs es número de hermanos, meduc es años de
escolaridad de la madre y feduc años de escolaridad del padre.
i) ¿Tiene sibs el efecto esperado? Explique. Manteniendo constantes meduc y
feduc ¿cuánto tiene que aumentar sibs para tener una reducción de un año en
los años de educación predichos? (Aquí es aceptable una respuesta en números
no enteros.)
Para reducir un año de educación predicha tendría que tener 11hermanos

Sí. Debido a las restricciones presupuestarias, tiene sentido que, mientras más hermanos

JHONATAN XAVIER ALARCON C.

CODIGO: R1079-0
haya en una familia, menos educación tenga un niño en la familia.
Para encontrar el aumento en el número de hermanos que reduce la educación prevista en
un año, resolvemos. 1 = .094(Δsibs), so Δsibs = 1/.094 ≈ 10.6.

ii) Explique la interpretación del coeficiente de meduc.

Manteniendo a los sibs y feduc fijos, un año más de educación de la madre

implica .131 años más de la educación prevista. Entonces, si una madre tiene
cuatro años más de educación, se predice que su hijo tendrá aproximadamente
medio año (.524) más años de educación

iii) Suponga que el hombre A no tiene hermanos, y que su madre y su padre tienen cada
uno 12 años de escolaridad. El hombre B no tiene hermanos y su madre y su padre tienen
cada uno 16 años de escolaridad. ¿Cuál es la diferencia entre B y A en años predichos de
escolaridad?.

Dado que el número de hermanos es el mismo, pero meduc y feduc son diferentes, los
coeficientes de meduc y feduc deben tenerse en cuenta. La diferencia predicha en la
educación entre B y A es .131(4) + .210(4) = 1.364.

2.3 El siguiente modelo es una versión simplificada del modelo de regresión múltiple
utilizado por Biddle y Hamermesh (1990) para estudiar el intercambio entre tiempo
dedicado al sueño y dedicado al trabajo, así como ver otros factores que afectan el sueño:
sleep = β0 + β1totwrk + β2educ + β3age + u,
donde sleep y totwrk (trabajo total) se miden en minutos por semana y educ y age se miden
en años.
i) Si los adultos intercambian sueño por trabajo, ¿cuál es el signo de β1?
El signo de β1 sería negativo
ii) ¿Qué signos cree que tendran β2 y β3?
β2 es de signo negativo
Y β3 es de signo negativo
iii) Utilizando los datos del archivo SLEEP75.WF1, la ecuación estimada es
sleep = 3,638.25 + .148 totwrk + 11.13 educ + 2.20 age
n = 706, R2 = .113.
Si una persona trabaja cinco horas más a la semana, ¿cuántos minutos se predice que
disminuya sleep? ¿Es este un intercambio grande?
Dependent Variable: SLEEP
Method: Least Squares
Date: 20/03/19 Time: 04:44
Sample: 1 706
Included observations: 706

Variable Coefficient Std. Error t-Statistic Prob.

C 3638.245 112.2751 32.40474 0.0000

TOTWRK -0.148373 0.016694 -8.888075 0.0000
EDUC -11.13381 5.884575 -1.892034 0.0589
AGE 2.199885 1.445717 1.521657 0.1285

R-squared 0.113364 Mean dependent var 3266.356

JHONATAN XAVIER ALARCON C.

CODIGO: R1079-0
 Adjusted R-squared 0.109575 S.D. dependent var 444.4134
S.E. of regression 419.3589 Akaike info criterion 14.92098
Sum squared resid 1.23E+08 Schwarz criterion 14.94681
Log likelihood -5263.106 Hannan-Quinn criter. 14.93096
F-statistic 29.91889 Durbin-Watson stat 1.942609
Prob(F-statistic) 0.000000

sleep=0.148*300
sleep=44 4 minutos
iii) Analice el signo y la magnitud del coeficiente estimado para educ.
El signo de educ es negativo
v) ¿Diria que totwrk, educ y age explican gran parte de la variación en sleep? ¿Qué otros
factores podrian afectar el tiempo dedicado al sueño? ¿Es probable que esten
correlacionados con totwrk?
Totwrk, educ y age no explican gran parte de sleep porque tiene un R2 = A 0,113 que es un valor
muy pequeño y otros factores que podrían afectar el tiempo dedicado al sueño son no tendría
Caracteristicas de salud, composicion de la familia, horario de trabajo, tipo de trabajo
Parte de ellas si, como composicion de la familia: a mas miembros, mas horas de trabajo.

2.5 En un estudio que relaciona el promedio de puntaje en las calificaciones universitarias

con el tiempo utilizado en diversas actividades, usted distribuye una encuesta entre varios
alumnos. A los alumnos se les pregunta cuantas horas utilizan a la semana en cuatro
actividades: estudiar, dormir, trabajar y diversión. Toda actividad que realicen se ubica en
una de las cuatro categorías, de modo que para cada alumno la suma de horas en las cuatro
actividades debe ser 168.
i) En el modelo
GPA = β0 + β1study + β2sleep + β3work + β4leisure + u,
¿Tiene sentido mantener constantes sleep, work y leisure, y variar study?
No tendría sentido debido a que el tiempo lo están utilizando en otras actividades que no
le favorecen en su estudio (calificaciones) .
ii) Explique por qué este modelo viola el supuesto de variable independiente constante y
colinealidad perfecta entre variables explicativas.
Porque todas las variables están dependiendo unas de otras por el tiempo estimado y
máximo para las cuatro actividades.
iii) ¿Cómo podría reformular el modelo para que sus parámetros tuvieran una
interpretación útil y se satisfaga el supuesto anterior?

2.7 ¿Qué de lo siguiente puede causar que los estimadores MCO sean sesgados?
i) La heterocedasticidad.
La heteroscedasticidad no destruye las propiedades de insesgamiento y consistencia de los
estimadores MCO. Sin embargo, estos estimadores dejan de tener una varianza minima, es
decir, dejan de ser MELI.
ii) La omisión de una variable importante.

iii) Un coeficiente de correlación muestral de .95 entre dos variables independientes

incluidas en el modelo.
Suponiendo que el coeficiente poblacional de correlación es cero y la muestra es mayor
que 8, la significancia del r muestral puede ser probada mediante la prueba t

JHONATAN XAVIER ALARCON C.

CODIGO: R1079-0
Si el valor de t calculado excede el valor t crítico, se puede aceptar la hipótesis de
heteroscedasticidad. (Multicolinealidad)

2.9 La siguiente ecuación describe la media del precio de la vivienda en una comunidad en
términos de cantidad de contaminación (nox por oxido nitroso) y del número promedio de
habitaciones en las casas de la comunidad (rooms):
log(price) = β0 + β1log(nox) + β2rooms + u.
i) ¿Cuales son los signos probables de β1 y β2? ¿Cuál es la interpretación de β1? Explique.
ii) ¿Por qué podría nox [o con mas precisión, log(nox)] y rooms estar correlacionados de
manera negativa? Si es este el caso, ¿produce la regresión simple de log(price) sobre
log(nox) un estimador de β1 con sesgo hacia arriba o hacia abajo?
iii) Utilizando los datos del archivo HPRICE2.WF1, se estimaron las siguientes ecuaciones:
log(price) = 11.71 + 1.043 log(nox), n = 506, R2 = .264.
log(price) = 9.23 + .718 log(nox) + .306 rooms, n = 506, R2 = .514.

¿Las estimaciones de la elasticidad de price con respecto a nox de las regresiones simple y
múltiple tienen la relación de lo que usted hubiera predicho, dada su respuesta en el inciso
ii)? ¿Quiere esto decir que -.718 está en definitiva más cerca de la verdadera elasticidad
que -.043?

EJERCICIOS EN COMPUTADORA

2.11 Un problema de interés para los funcionarios de salud (y para otros) es determinar los
efectos que el fumar durante el embarazo tiene sobre la salud infantil. Una medida de la
salud infantil es el peso al nacer; un peso demasiado bajo puede ubicar al niño en riesgo de
contraer varias enfermedades. Ya que es probable que otros factores que afectan el peso
al nacer estén correlacionados con fumar, deben considerarse. Por ejemplo, un nivel de
ingresos más alto en general da como resultado el acceso a mejores cuidados prenatales y
a una mejor nutrición de la madre.
Una ecuación que reconoce estos factores es:

i) ¿Cuál es el signo más probable para β2?

El signo de β2 es positivo la probabilidad de β2 >0 lo que significa que cuanto mas
aumente el i ngreso aumentara la nutrición de las madres y tendrán acceso a un
mejor cuidado pranatal
ii) ¿Cree que cigs y faminc estén correlacionados? Explique por que la correlación
puede ser positiva o negativa.
Un aumento en el ingreso generalmente aumenta el consumo de bien cigs y famic
podrían estar positivamente correlacionados.por otro lado los ingresos de las familias
son mayores al igual que para las familias con mayor educación y consumo de cigarrillo
tienden a estar negativamente correlacionados la correlacion muestral entre cigs y
faminc es -.173, indicando correlacion negativa.
iii) Ahora, calcule la ecuación con y sin faminc utilizando los datos del archivo BWGHT. WF1.
De los resultados en forma de ecuación incluyendo el tamaño de la muestra y la Rcuadrada.

JHONATAN XAVIER ALARCON C.

CODIGO: R1079-0
Explique sus resultados enfocándose en si el añadir faminc modifica de manera sustancial
el efecto esperado de cigs sobre bwght.
Dependent Variable: BWGHT
Method: Least Squares
Date: 20/03/19 Time: 05:01
Sample: 1 1388
Included observations: 1388

Variable Coefficient Std. Error t-Statistic Prob.

C 116.9741 1.048984 111.5118 0.0000

CIGS -0.463408 0.091577 -5.060315 0.0000
FAMINC 0.092765 0.029188 3.178195 0.0015

R-squared 0.029805 Mean dependent var 118.6996

Adjusted R-squared 0.028404 S.D. dependent var 20.35396
S.E. of regression 20.06282 Akaike info criterion 8.837772
Sum squared resid 557485.5 Schwarz criterion 8.849089
Log likelihood -6130.414 Hannan-Quinn criter. 8.842005
F-statistic 21.27392 Durbin-Watson stat 1.921690
Prob(F-statistic) 0.000000

Las regresiones con faminc con total de observaciones de 1388 y un R cuadrado (R-squared) con
0.029 y ñla ecuación seria representado asi

Bwght= 116.97 – 0.463408cigs + 0.092faminic

Sin faminc

Method: Least Squares

Date: 20/03/19 Time: 10:13
Sample: 1 1388
Included observations: 1388

Variable Coefficient Std. Error t-Statistic Prob.

C 119.7719 0.572341 209.2668 0.0000

CIGS -0.513772 0.090491 -5.677609 0.0000

R-squared 0.022729 Mean dependent var 118.6996

Adjusted R-squared 0.022024 S.D. dependent var 20.35396
S.E. of regression 20.12858 Akaike info criterion 8.843598
Sum squared resid 561551.3 Schwarz criterion 8.851142
Log likelihood -6135.457 Hannan-Quinn criter. 8.846420
F-statistic 32.23524 Durbin-Watson stat 1.924390
Prob(F-statistic) 0.000000

Las regresiones sin faminc con total de observaciones de 1388 y un R cuadrado (R-squared) con
0.0227 y la ecuación seria representado asi: bwght = 119.77 – 0.513772cigs

JHONATAN XAVIER ALARCON C.

CODIGO: R1079-0
2.13 El archivo CEOSAL2.WF1 contiene datos de 177 CEO (directores generales) y puede
utilizarse para examinar los efectos del desempeño de la empresa sobre el sueldo de los
CEO.
i) Estime un modelo que relacione el sueldo anual (salary) con las ventas de la empresa
(sales) y el precio de mercado (mktval). Use el tipo de modelo que tiene elasticidad
constante para ambas variables independientes. Escriba los resultados en forma de
ecuación.
Dependent Variable: LSALARY
Method: Least Squares
Date: 20/03/19 Time: 12:32
Sample: 1 177
Included observations: 177

Variable Coefficient Std. Error t-Statistic Prob.

C 4.620918 0.254408 18.16339 0.0000

LSALES 0.162128 0.039670 4.086899 0.0001
LMKTVAL 0.106708 0.050124 2.128880 0.0347

R-squared 0.299114 Mean dependent var 6.582848

Adjusted R-squared 0.291057 S.D. dependent var 0.606059
S.E. of regression 0.510294 Akaike info criterion 1.509146
Sum squared resid 45.30966 Schwarz criterion 1.562979
Log likelihood -130.5594 Hannan-Quinn criter. 1.530979
F-statistic 37.12852 Durbin-Watson stat 2.092115
Prob(F-statistic) 0.000000

Log(salary)= 4.620918+0.162128log(sales)+ 0.106708 Log(MKTVAL)

N=177 R2 =0.299114

ii) Añada profits (utilidades de la empresa) al modelo del inciso (i). ¿Por qué esta variable
no puede incluirse en forma logarítmica? ¿Diría usted que estas variables de desempeño
de la empresa explican la mayor parte de la variación en sueldos de los CEO?
Dependent Variable: LSALARY
Method: Least Squares
Date: 20/03/19 Time: 13:45
Sample: 1 177
Included observations: 177

Variable Coefficient Std. Error t-Statistic Prob.

C 4.686924 0.379729 12.34280 0.0000

LSALES 0.161368 0.039910 4.043299 0.0001
LMKTVAL 0.097529 0.063689 1.531333 0.1275
PROFITS 3.57E-05 0.000152 0.234668 0.8147

R-squared 0.299337 Mean dependent var 6.582848

Adjusted R-squared 0.287186 S.D. dependent var 0.606059
S.E. of regression 0.511686 Akaike info criterion 1.520127
Sum squared resid 45.29524 Schwarz criterion 1.591904
Log likelihood -130.5312 Hannan-Quinn criter. 1.549237
F-statistic 24.63628 Durbin-Watson stat 2.096546
Prob(F-statistic) 0.000000

log(salary)=4.69+ .161log(sales)+ .098log(mktval).000036profits, n = 177, R2=.299

JHONATAN XAVIER ALARCON C.

CODIGO: R1079-0
iii) Añada la variable ceoten (antigüedad del CEO en el puesto) al modelo del inciso (ii).
¿Cuál es el rendimiento porcentual estimado por un año más de permanencia del CEO en
la empresa, manteniendo constantes los otros factores?
Dependent Variable: LSALARY
Method: Least Squares
Date: 20/03/19 Time: 14:48
Sample: 1 177
Included observations: 177

Variable Coefficient Std. Error t-Statistic Prob.

C 4.557780 0.380255 11.98612 0.0000

LSALES 0.162234 0.039483 4.109003 0.0001
LMKTVAL 0.101760 0.063033 1.614389 0.1083
PROFITS 2.91E-05 0.000150 0.193232 0.8470
CEOTEN 0.011685 0.005342 2.187313 0.0301

R-squared 0.318299 Mean dependent var 6.582848

Adjusted R-squared 0.302445 S.D. dependent var 0.606059
S.E. of regression 0.506179 Akaike info criterion 1.503990
Sum squared resid 44.06941 Schwarz criterion 1.593712
Log likelihood -128.1032 Hannan-Quinn criter. 1.540378
F-statistic 20.07748 Durbin-Watson stat 2.047158
Prob(F-statistic) 0.000000

log(salary)=4.56+ .162log(sales)+ .102log(mktval)+ .000029profits+ .012ceoten, n=2177,

R2=.318. esto significa…
iv) Encuentre el coeficiente de correlación muestral entre las variables log(mktval) y profits.
¿Estas variables están fuertemente correlacionadas? ¿Qué indica esto sobre los
estimadores de MCO?
correlación muestral entre log(mktval) y profits es 0.78, el cual ……

2.15 Confirme la interpretación de descuento de los efectos parciales de las estimaciones

de MCO, haciendo de manera explícita tal descuento para el ejemplo 3.2. del texto de
Wooldridge. Esto requiere primero regresar educ sobre exper y tenure y guardando los
residuales, 𝑟̂ 1. Después, regrese log(wage) sobre 𝑟̂ 1. Compare el coeficiente de 𝑟̂ 1 con el
coeficiente de educ en la regresión de log(wage) sobre educ, exper y tenure.
Educ=13.57 –0.74 exper+0.48tenure+ r1
n=526 R2 =0.01
Log(wage)=1.62+0.092r1 n=526 , R2 =0.207

2.17 Utilice los datos del archivo MEAP93.WF1 para responder esta pregunta.
Dependent Variable: MATH10
Method: Least Squares
Date: 20/03/19 Time: 14:59
Sample: 1 408
Included observations: 408

Variable Coefficient Std. Error t-Statistic Prob.

C -20.36076 25.07287 -0.812063 0.4172

LEXPEND 6.229691 2.972634 2.095680 0.0367
LNCHPRG -0.304585 0.035357 -8.614468 0.0000

JHONATAN XAVIER ALARCON C.

CODIGO: R1079-0
 R-squared 0.179927 Mean dependent var 24.10686
Adjusted R-squared 0.175877 S.D. dependent var 10.49361
S.E. of regression 9.526228 Akaike info criterion 7.353301
Sum squared resid 36753.36 Schwarz criterion 7.382795
Log likelihood -1497.073 Hannan-Quinn criter. 7.364972
F-statistic 44.42926 Durbin-Watson stat 1.902822
Prob(F-statistic) 0.000000

math=-20.36076+6.229691 Log(EXPEND)- 0.304585 LogNCHPRG

i) Estime el modelo:

y dé los resultados en la forma usual, incluyendo el tamaño de la muestra y la R-cuadrada.

¿Son los signos de los coeficientes de pendiente los que usted esperaba? Explique.
ii) ¿Qué piensa del intercepto estimado en el inciso i)? en particular, ¿tiene sentido igualar
a cero las dos variables explicativas? [Sugerencia: recuerde que log(1)=0.]
iii) Ahora corra la regresión simple de math10 sobre log(expend) y compare el coeficiente
de pendiente con la estimación obtenida en el inciso i). ¿Es ahora el efecto estimado de los
gastos por estudiante mayor o menor que en el inciso i)?
iv) Determine la correlación entre lexpend = log(expend) y lnchprg. ¿Le parece razonable el
signo?
v) Use el inciso iv) para explicar sus hallazgos del inciso iii).

2.19 Use los datos del archivo CHARITY.WF1 para responder a las preguntas siguientes:
i) Estime la ecuación

mediante MCO y dé el resultado en la forma usual, incluyendo el tamaño de la muestra y

la R-cuadrada. Compare la R-cuadrada con la de la regresión simple en la que se omite
giftlast (monto de la donación más reciente) y propresp (tasa de respuesta). (Vea el
ejercicio (1.7).
ii) Interprete el coeficiente de mailsyear. ¿Es mayor o menor que el coeficiente
correspondiente en la regresión simple?
iii) Interprete el coeficiente de propresp. Tenga cuidado con las unidades de medición de
propresp.
iv) Ahora agregue a la ecuacion la variable avggift. ¿Qué pasa con el efecto estimado de
mailsyear?
v) ¿Qué ha pasado con el coeficiente de giftlast en la ecuacion del inciso iv)? ¿Qué cree que
este pasando?

Guías para respuestas.

2.1 (i) hsperc esta definido de tal forma que cuanto menor es, menor será la estadía de
los estudiantes en secundaria. Manteniendo todo lo demás igual cuando peor sera la
estadía de los estudiantes en secundaria, menor será su GPA esperado.
(ii) colgpa=2676
(iii) A tendrá una puntación más alta en un 0.207

JHONATAN XAVIER ALARCON C.

CODIGO: R1079-0
2.2 i) Δsibs = 1/.094≈ 10.6.
ii) Si la madre tiene cuatro años más de educación se espera que el hijo tenga medio
año (.524) más de educación. Mantenidendo sibs y feduc constantes.
iii) la diferencia en educación entre A y B se estima en 1.364.
2.3 i) relación negativa
iii) toma en cuenta que totwrk está en minutos. Entonces se espera una disminución
en sleep de 44.4 minutos. Para una semana una reducción en 45 minutos no es
significativa.
2.4 iii) 24.8%
2.11 (i) la probabilidad de β2 > 0, significa que cuanto más aumenta el ingreso aumentará
la nutrición de las madres y tendrán acceso a un mejor cuidado prenatal.
(ii) Por un lado, un cumento en el ingreso genrealmente aumenta el cunsumo de un
bien, y cigs y faminc podrían estar positivamente correlacionados. Por otro lado, los
ingresos de las familias son mayores también para las familias con mayor educación, y
más eduación y consumo de cigarrillos tienden a estar negativamente corelacionados.
La correlación muestral entre cigs y faminc es −.173, indicando correlación negativa.
(iii) Las regresiones sin y con faminc son:
bwght = 119.77 −.514 cigs, n = 1388, R2=0.023
y bwght= 116.97- .463cigs + .093faminc, n=1388, R2=0.030
El efecto de fumar cigarrillos es estrechamente menor cuando faminc se agrega a la
regresión, pero la diferencia no es muy alta. Esto se debe al hecho de que cigs y famic
no están muy correlacionados y el coeficiente de faminc es muy pequeño. (La variable
faminc está medida en miles, entonces un incremento en el ingreso de $10,000 más
aumentará la predicción del peso al nacer por solo 0.93 onzas.

2.12 (i) price=-19.32+.128sqrft +15.20bdrms, n=88, R2 =0.632

(ii) manteniendo pies cuadrados constante, Δprice= 15.20 Δbdrms, entonces el
precio aumenta 15.20, que significa $15,200.
(iii) Ahora Δprice= .128 Δsqrft + 15.20 Δbdrms = .128(140) + 15.20 = 33.12, o $33,120.
Esto significa ………. Con respecto de (ii).
(iv) 63.2%.
(v) Precio predecido es 353.544, o $353,544.
(vi) Compara los resultados del inciso (v), con los basados solo en pies cúbicos y
número de cuartos, esto nos sugiere ….. también existen otras variables que afectan
el precio sobre los cuales no tenemos control.
2.13 (i) log(salary)=4.62 +.162log(sales)+.107log(mktval), n = 177, R2=.299
(ii) log(salary)=4.69+ .161log(sales)+ .098log(mktval).000036profits, n = 177, R2=.299
(iii) log(salary)=4.56+ .162log(sales)+ .102log(mktval)+ .000029profits+ .012ceoten,
n=2177, R2=.318. esto significa…..
(iv) correlación muestral entre log(mktval) y profits es 0.78, el cual ……

2.14 (i)

Variable Promedio Mínimo Máximos

JHONATAN XAVIER ALARCON C.

CODIGO: R1079-0
 atndrte 81.71 6.25 100
priGPA 2.59 .86 3.93
ACT 22.51 13 32

(ii) atndrte=75.70 + 17.26priGPA - 1.72ACT, n = 680, R2 = .291.

Signfica ….
(iv) atndrte = 75.70 + 17.267(3.65) – 1.72(20) ≈ 104.3.
(v) = 25.86.

2.15 educ = 13.57 − .074 exper + .048 tenure + 𝑟̂ 1 ; n = 526, R2 = .101.

log(wage)=1.62 + .092 𝑟̂ 1 , n = 526, R2 = .207.

JHONATAN XAVIER ALARCON C.

CODIGO: R1079-0