Profesores: Marco Batarce

Paula Fariña
Laura Ramaciotti

CII2752-ECONOMETRÍA
SOLEMNE No 1
24 de abril de 2018

Instrucciones:
Respuestas ilegibles no serán corregidas.

Los alumnos involucrados en copia serán calificados con nota 1,0 en el curso.

No se permite el uso de calculadoras TI. Deben tener celulares apagados.

1. (6 puntos) Considere la siguiente ecuación que modela el salario de las mujeres (wage) como
una función de variables de productividad: la experiencia y educación de la trabajadora (exper
y educ); la edad (age); el número de hijos menores a 6 años (kidslt6); y el número de niños de
al menos 6 años (kidge6).

ln(wage) = β0 + β1 exper + β2 exper2 + β3 educ + β4 age + β5 kidslt6 + β6 kidge6 + 

Empleando los datos de 498 trabajadoras casadas con hijos para el año 1987 se obtuvieron los
siguientes resultados.
ˆ
ln(wage) = −0,421+ 0,040exper+ 0,00078exper2 + 0,108educ− 0,0015age− 0,061kidslt6− 0,015kidge6
(0,317) (0,013) (0,00040) (0,014) (0,0053) (0,0,89) (0,028)

R2 = 0,158, errores estándar entre paréntesis.

a) Cuál es el efecto porcentual en el salario medio de una mujer que se producirı́a ante un
aumento pequeño de su experiencia , ceteris paribus.

Respuesta
El efecto porcentual en el salario medio de una mujer que se producirı́a ante un aumento
pequeño de su experiencia es (β1 +2β2 exper)100 %. Su valor estimado es (4+0,156exper) %.
Se trata de la semi-elasticidad del salario medio con respecto a la experiencia.

b) Calcule la elasticidad del salario medio de la mujer con respecto al nivel educativo. ¿Es ésta
constante para todo todos los niveles educativos? Interprete este resultado.
 Respuesta
La elasticidad del salario medio de la mujer con respecto al nivel educativo es:

∂E(wage) educ
Elaseduc (E(wage)) = = β4 educ
∂educ E(wage)

Su valor estimado es 0,108educ. No es constante con respecto al nivel educativo. Se inter-

preta como sigue: un aumento en un 1 % del nivel educativo de una mujer se traduce en un
aumento de 0.108educ % en su salario medio.

c) Explique que representa β4 para este modelo.

Respuesta
100β4 representa el cambio porcentual en el salario medio ante un cambio pequeño en la
edad de la mujer. Se denomina semi-elasticidad del salario medio con respecto a la edad.
Su valor negativo indica que ante un aumento pequeño en la edad de la mujer, su salario
se reduce en 0.15 %.

d ) Interprete el estadı́stico R2 .

Respuesta
El estadı́stico R2 mide la porción en la variabilidad de la variable dependiente, (en este
caso el salario) explicada por el modelo. Se puede afirmar que 15.8 % de la variabilidad del
salario es explicada por el modelo.

2. (6 puntos) Las ecuaciones de Mincer son funciones de regresión muestral que intentan explicar
cómo los años de escolaridad y los años de experiencia laboral explican el ingreso de una persona.
Usted y sus compañeros se encuentran discutiendo respecto de cuál de estas funciones de regresión
es más adecuada para explicar el ingreso de las personas:

ŷi = β̂1 + β̂2 esci + β̂3 expi (1)

ŷi = β̂1 + β̂2 esci + β̂3 expi + β̂4 exp2i (2)

donde yi es el ingreso del trabajo de la persona i, esci representa los años de escolaridad de la
i-ésima persona, y expi son los años de experiencia laboral de la persona i.
a) Explique por qué ninguna de estas ecuaciones viola el supuesto de linealidad de los paráme-
tros de MCO.

Respuesta
El supuesto de linealidad en los parámetros de MCO implica que los parámetros asociados a
cada variable explicativa están elevados a 1 (es decir, que los no estén elevados a un número
diferente de 1). Este supuesto sı́ permite que regresores están elevados a algún número
diferente de 1.
b) ¿Cuál es la interpretación de que exista un término al cuadrado en una función de regresión?

Respuesta
Se debe interpretar como que la experiencia afecta de forma no lineal al ingreso. En par-
ticular, la experiencia afecta de forma más que proporcional a los ingresos, lo que quiere
decir que a medida que aumenta la experiencia, el ingreso aumenta cada vez más.

c) ¿Qué test estadı́stico harı́a usted si quisiera corroborar si corresponde o no incluir en la

función de regresión?

Respuesta
Corresponde correr el modelo no 2 y hacer un test t sobre β̂4 . Esto, pues la única diferencia
entre el modelo 1 y el modelo 2 es que en el modelo 2 β̂4 = 0.

d ) La siguiente tabla contiene el resultado de la estimación por mı́nimos cuadrados ordinarios

de la regresión (2)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -6.765e+05 1.016e+04 -66.62 <2e-16 ***
esc 7.390e+04 5.511e+02 134.10 <2e-16 ***
exp 1.265e+04 3.993e+02 31.67 <2e-16 ***
exp2 -8.115e+01 5.479e+00 -14.81 <2e-16 ***
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Residual standard error: 605200 on 116728 degrees of freedom

(150236 observations deleted due to missingness)
Multiple R-squared: 0.1511, Adjusted R-squared: 0.1511
F-statistic: 6925 on 3 and 116728 DF, p-value: < 2.2e-16

i Explique el significado de cada una de las 4 columnas en la tabla. Si bien no se le

pide que entregue la fórmula de cada término, sı́ debe entregar la intuición de manera
detallada.

Respuesta
La primera columna contiene el vector de valores estimados para β̂1 , β̂2 , β̂3 , y β̂4 ,
respectivamente. La segunda columna contiene la estimación de la desviación estándar
de cada uno de estos parámetros. Es una estimación debido a que se calcula en base a un
valor estimado de la varianza poblacional (debido a que este valor no es conocido). La
tercera columna es el valor t de cada parámetro, el cual determina un valor a comparar
con el valor crı́tico que nos va a decir si el parámetro es distinto de cero o no.
La cuarta columna indica el mı́nimo nivel de confianza con el cual se puede rechazar la
hipótesis nula. Un nivel de confianza pequeño indica que es muy probable que el valor
del parámetro sea diferente de cero.
 ii Plantee la hipótesis nula y la hipótesis alternativa asociada a testear si es significativo.

Respuesta

H0 : β4 = 0
HA : β4 6= 0

iii Decida si debe rechazar o no rechazar la hipótesis nula con un 95 % de confianza, dada
la información contenida en la tabla.

Respuesta En este caso, el valor t es de -14.81, y como el valor absoluto de este valor es
mayor que dos, podemos rechazar la hipótesis nula en favor de la hipótesis alternativa.
Esto significa que el parámetro asociado a la variable exp2 es significativamente diferente
de cero.

3. (6 puntos) Considere el modelo para predecir el crecimiento de una especie de árbol. En un

instante dado (t = 0) se comienza a medir la altura de una muestra de árboles y se recolecta la
altura media de la muestra durante 12 años. La siguiente tabla muestra los datos recolectados,
donde yt corresponde a la altura media de la muestra para el año t.

Año yt
1 0.581
2 0.735
3 1.128
4 0.764
5 1.208
6 1.872
7 1.518
8 2.158
9 2.401
10 2.111
11 2.330
12 2.870

Puede ser útil saber que

T T
X T (T + 1) X 2 T (T + 1)(2T + 1)
t= , t = ,
t=1
2 t=1
6

12
X 12
X
yt = 19,676, yt2 = 38,546,
t=1 t=1
12
X 12
X
ln yt = 4,525 y ln2 yt = 4,825.
t=1 t=1
a) Considere un modelo lineal para predecir el crecimiento de la forma

yt = β0 + β1 t + εt

Estime los coeficientes del modelo.

Respuesta

b) Considere un modelo no lineal de la forma

yt = eα0 +α1 t eεt

Estime los coeficientes del modelo usando regresión lineal.

Respuesta

c) Interprete los coeficientes β1 y α1 estimados en a) y b).

Respuesta
 Formulario
Estimadores MCO, regresión simple: yi = β1 + β2 xi + i

β̂1 = ȳ − β̂2 x̄
P
xi yi − nx̄ȳ
β̂2 = P 2
x − nx̄2
P 2i
êi
σ̂ 2 =
n− 2
x̄2

2 1
Var(β̂1 ) = σ +P
n (xi − x̄)2
σ2
Var(β̂2 ) = P
(xi − x̄)2

Estimadores MCO, regresión multiple (matricial): Yi = β1 xi1 + · · · + βK xiK + i = β 0 xi + i

β̂ = (X 0 X)−1 (X 0 Y )
Var(β̂) = σ 2 (X 0 X)−1
ê0 ê
σ̂ 2 =
n−K

ê0 ê (Ŷ − Ȳ )0 (Ŷ − Ȳ )

R2 = 1 − =
(Y − Ȳ )0 (Y − Ȳ ) (Y − Ȳ )0 (Y − Ȳ )
SCR/(n − K)
Rc2 = 1 −
SCT /(n − 1)
Test de significancia individual

β̂j − bj
t= ∼ t(n−K)
Err.Est.(β̂j )

Elasticidades y semi-elasticidades

∂E(Y ) x ∂(E(ln(Y )))

Elasx (E(Y )) = =
∂x E(Y ) ∂ln(x)
∂E(Y ) 1 ∂(E(ln(Y )))
SElasx (E(Y )) = 100 = 100
∂x E(Y ) ∂x