Nombre: Jeeferson David España Toro econometría 1 corte 2

1. una pequeña empresa contrata a un consultor para predecir el valor de las ventas semanales
de su producto si su publicidad semanal aumenta a $ 750 por semana. El consultor toma un
registro de cuánto gasta la empresa en publicidad por semana y las ventas semanales
correspondientes en los últimos seis meses. El consultor escribe: "En los últimos seis meses, el
gasto semanal promedio en publicidad ha sido de $ 500 y las ventas semanales promedio han
sido de $ 10,000. Basado en el resultado de una regresión lineal simple, predigo que las ventas
serán de $ 12,000 si se gastan $ 750 por semana en publicidad."

a. ¿Cuál es la regresión simple estimada utilizada por el consultor para hacer esta predicción?

Gasto en Publicidad=750-500=250 ventas= 12000-10000=2000

Lo que significa que cada 250 en publicidad, se aumentan en 2000 las ventas semanales
2000
250
=8

coeficiente Desv. típica Estadístico t valor p

-----------------------------------------------------------------

const 6000,00 0,000000 NA NA

publicidad 8,00000 0,000000 NA NA

Por lo que la relación simple estimada que utiliza es

Ventas=6000+8(publicidad)

Ventas=6000+8(500) Ventas=6000+8(750)

Ventas=10000 Ventas=12000

b. Dibuje el gráfico de la línea de regresión estimada. Localice los valores promedio semanales
en el gráfico.
 ventas con respecto a publisidad (con ajuste mínimo-cuadrático)
13000
Y = 6,00e+003 + 8,00X

12000

11000

10000
ventas

9000

8000

7000

6000
0 100 200 300 400 500 600 700
publisidad

2. Usted tiene los resultados de una regresión lineal simple basada en datos a nivel estatal y el
Distrito de Columbia, un total de N = 51 observaciones.

̂ 𝟐 = 2.04672. ¿Cuál es la suma de los residuos de mínimos

(a) La varianza de error estimada 𝛔
cuadrados al cuadrado?

σ2 = 2.04672 b2=0.00098
̂

∑ 𝑒̂ 2
σ2 =
̂
𝑛−2
∑ 𝑒̂ 2
2.04672 = 51−2

∑ 𝑒̂ 2 = 49(2.04672) = 100.28928
(b) La varianza estimada de b2 es 0.00098. ¿Cuál es el error estándar de b2? ¿Cuál es el valor de
̂) 2?
es el valor de Σ(xi-𝒙

σ2 = 2.04672
̂

error estándar de b2

𝒆𝒔 = √0.00098 = 0,031305

̂) 2?
¿Cuál es el valor de es el valor de Σ(xi-𝒙
𝜎2
Var(b2)=
∑(𝑥1−𝑥̅ )2

𝟐,𝟎𝟒𝟔𝟕𝟐
∑(𝑥1 − 𝑥̅ )2 = = 2088,4898
𝟎,𝟎𝟎𝟎𝟗𝟖

(c) Suponga que la variable dependiente "yi" = el ingreso promedio del estado (en miles de
dólares) de hombres de 18 años o más y "xi", el porcentaje de hombres de 18 años o más que se
graduaron de la escuela secundaria. Si b2 = 0.18, interprete este resultado.

Por lo que el valor b2 = 0.18 sugiere que un 1% en el porcentaje de hombres de 18 años o más que
se hayan graduado de la escuela secundaria conducirá a un aumento en el ingreso promedio de los
hombres de 18 años o más.

̂" = 69.139 y "𝒚

(d) Suponga que "𝒙 ̂" = 15.187, ¿cuál es la estimación del parámetro de
intercepción?

B1 =yi - xi (0,18)

=15.187 - 69.139 (0,18)

B1=15.187 - 69.139(0,18) = 2,74198

3. El archivo br2.dat contiene datos sobre 1080 casas vendidas en Baton Rouge, Louisiana,
durante mediados de 2005. Los datos incluyen el precio de venta, el tamaño de la casa en pies
cuadrados, su edad, si tiene una piscina o chimenea o está en el paseo marítimo. También se
incluye una variable indicadora TRADICIONAL que indica si el estilo de la casa es tradicional o no.
Variable Las descripciones se encuentran en el archivo br2.def.

(a) Trace el precio de la casa contra el tamaño de la casa para casas con estilo tradicional.
 price con respecto a sqft (con ajuste mínimo-cuadrático)
1,1e+006
Y = -2,84e+004 + 73,8X

1e+006

900000

800000

700000

600000
price

500000

400000

300000

200000

100000

0
1000 2000 3000 4000 5000 6000 7000
sqft

(b) Para las casas de estilo tradicional estimar el modelo de regresión lineal PRECIO = 𝜷1 + 𝜷2
SQFT + e. Interpreta las estimaciones. Dibuja un boceto de la línea ajustada.

coeficiente Desv. típica Estadístico t valor p

-----------------------------------------------------------------

const −28407,6 5728,16 −4,959 9,31e-07 ***

sqft 73,7719 2,30097 32,06 1,56e-130 ***

Media de la vble. dep. 143470,6 D.T. de la vble. dep. 80988,38

Suma de cuad. residuos 1,37e+12 D.T. de la regresión 48683,09

R-cuadrado 0,639286 R-cuadrado corregido 0,638664

F(1, 580) 1027,923 Valor p (de F) 1,6e-130

Log-verosimilitud −7106,397 Criterio de Akaike 14216,79

Criterio de Schwarz 14225,53 Crit. de Hannan-Quinn 14220,20

 PRECIO = 𝜷1 + 𝜷2 SQFT + e.

precio casa tradicional: −28407,6+ 73,7719 SQFT+ e

price con respecto a sqft (con ajuste mínimo-cuadrático)

1,1e+006
Y = -2,84e+004 + 73,8X

1e+006

900000

800000

700000

600000
price

500000

400000

300000

200000

100000

0
1000 2000 3000 4000 5000 6000 7000
sqft

Conclusión:

Se observa en la figura que existe una relación directa fuerte entre la variable precio y tamaño de
las casas, es decir conforme aumenta el tamaño de las casas también lo hace el precio, pero
también se observa que existen datos muy alejados.

la pendiente de 73, 772 sugiere que el precio esperado de la casa aumenta en aproximadamente
$73,77 por cada pie cuadrado adicional del tamaño de la casa. el término de intercepción es
-28 408 que se interpretaría como el precio en dólares de una casa tradicional de cero pies
cuadrados. Pero un valor negativo no tiene sentido y por eso no hay datos en la región de cero
pies cuadrados.

(c) Para las casas de estilo tradicional, estimar el modelo de regresión cuadrática

PRECIO = α1 + α2 𝐒𝐐𝐅𝐓 𝟐 + e.

Calcule el efecto marginal de un adicional pies cuadrados de área habitable en una casa con
2000 pies cuadrados de espacio habitable. Calcule la elasticidad de PRICE con respecto a SQFT
para una casa con 2000 pies cuadrados de espacio habitable. Grafica la línea ajustada. En el
gráfico, dibuja la línea que es tangente a la curva para una casa de 2000 pies cuadrados.
 coeficiente Desv. típica Estadístico t valor p

--------------------------------------------------------+p---------

const 68710,0 2873,19 23,91 1,81e-088 ***

sq_sqft 0,0120632 0,000346258 34,84 2,56e-144 ***

Suma de cuad. residuos 1,23e+12

1. modelo de regresión cuadrática

precio casa tradicional: 68710 + 0, 0120632 SQFT 2 + e

2. efecto marginal
dprice
dsqf t
= 2x 0, 0120632 SQFT=

dprice
=0,0241264 SQFT
dsqf t

efecto marginal para 2000

dprice
dsqf t
=0,0241264 x 2000

=48,2528

3. Elasticidad para 2000

Precio= 68710 + 0, 0120632 20002 + e

Precio=116962,8
2000
E=116962 (48,2528)= 0,8251 es inelástica la demanda para 2000 sqtf
 4. Grafica la línea ajustada

price con respecto a sq_sqft (con ajuste mínimo-cuadrático)

1,1e+006
Y = 6,87e+004 + 0,0121X

1e+006

900000

800000

700000

600000
price

500000

400000

300000

200000

100000

0
0 1e+007 2e+007 3e+007 4e+007 5e+007
sq_sqft
 (d) Para las regresiones en (b) y (c) calcule los mínimos cuadrados residuales y trace ellos contra
SQFT. ¿Alguno de nuestros supuestos parece violado?

b.

Residuos de la regresión (= price observada - estimada)

600000

500000

400000

300000
residuo

200000

100000

-100000

-200000

-300000
1000 2000 3000 4000 5000 6000 7000
sqft
c.

Residuos de la regresión (= price observada - estimada)

400000

300000

200000

100000
residuo

-100000

-200000

-300000

-400000
0 1e+007 2e+007 3e+007 4e+007 5e+007
sq_sqft

el supuesto de homocedasticidad var (e | x) = 𝜎 2 podría ser violado porque los residuos más
grandes para las casas más grandes implican que la propagación o variación de los errores es
mayor a medida que aumentan los pies cuadrados. o, en otras palabras, no existe una variación
constante del término de error para todos los tamaños de vivienda.
(e) Una base para elegir entre estas dos especificaciones es qué tan bien están los datos Ajuste
por el modelo. Compare la suma de los residuos cuadrados (SSE) de los modelos en (b) y (c).
¿Qué modelo tiene un SSE más bajo? ¿Cómo tener un SSE más bajo indica un modelo de "mejor
ajuste"?

B. Suma de cuad. residuos 1,37e+12 modelo lineal

C. Suma de cuad. residuos 1,23e+12 modelo cuadratico

𝑆𝑆𝐸2 <𝑆𝑆𝐸1

El modelo SSE que mas se ajusta es el c por que es el que menor Suma de residuos cuadrados.

(f) Para las casas de estilo tradicional, estimar el modelo de regresión lineal lineal Ln (PRICE) = y1
+ y2 SQFT + e. Interpreta las estimaciones. Grafica la línea ajustada, y dibuje la línea tangente a
la curva para una casa con 2000 pies cuadrados de sala de estar.

coeficiente Desv. típica Estadístico t valor p

--------------------------------------------------------------

const 10,7989 0,0346705 311,5 0,0000 ***

sqft 0,000413235 1,39270e-05 29,67 2,12e-118 ***

Ln (PRICE) = 10,7989 + 0,000413235 SQFT

sqft
1200000

1000000

800000

600000

400000

200000

0
0 1000 2000 3000 4000 5000 6000 7000 8000

4. El modelo de fijación de precios de activos de capital (CAPM) es un modelo importante en el

campo de las finanzas. Explica las variaciones en la tasa de rendimiento de un valor en función de
la tasa de rendimiento de una cartera que consta de todas las acciones que cotizan en bolsa, que
se denomina cartera de mercado. En general, la tasa de rendimiento de cualquier inversión se
mide en relación con su costo de oportunidad, que es el rendimiento de un activo libre de riesgo.
La diferencia resultante se llama prima de riesgo, ya que es la recompensa o el castigo por hacer
una inversión arriesgada. El CAPM dice que la prima de riesgo en la seguridad "j" es proporcional a
la prima de riesgo en la cartera del mercado. Es decir

rj - rf = 𝛽𝑗 (r m -r f)

donde rj y rf son los rendimientos de la seguridad j y la tasa libre de riesgo, respectivamente, r m

es el rendimiento de la cartera del mercado y Bj es el valor "beta" de la seguridad j . La beta de una
acción es importante para los inversores, ya que revela la volatilidad de la acción. Mide la
sensibilidad del retorno de la seguridad j a la variación en todo el mercado de valores.

Como tal, los valores de beta menor que 1 indican que la acción es "defensiva" ya que su variación
es menos que el del mercado. una beta mayor que 1 indica una "acción agresiva". Los inversores
suelen querer una estimación de la beta de una acción antes de comprarla. El modelo capm que se
muestra arriba es el "modelo económico" en este caso. el "modelo econométrico" en este caso. el
"modelo econométrico" se obtiene al incluir una intersección en el modelo (aunque la teoría dice
que debería ser cero) y un término de error,

rj -rf = ∝ 𝑗 + 𝛽𝑗 (rm -rf) + e

a) Explique por qué el modelo econométrico anterior es un modelo de regresión simple como los
discutidos en este capítulo.

Si es un modelo de regresión simple porque puede escribirse como y= 𝛽1 + 𝛽2 (x) + e

Donde y= rj -rf, 𝛽1=∝ 𝑗 como una constante , 𝛽2= 𝛽j como multiplicador de x = (rm -rf) y el error
e=e

(b) En el archivo de datos capm4.dat hay datos sobre los rendimientos mensuales de seis
empresas (Microsoft, GE, GM, IBM, Disney y Mobil-Exxon), la tasa de rendimiento del mercado
cartera (MKT) y la tasa de rendimiento del activo libre de riesgo (RISKFREE). Los 132 observaciones
cubren enero de 1998 a diciembre de 2008. Estime el CAPM modelo para cada empresa y comente
sobre sus valores beta estimados. ¿Cuál firma parece más agresivo? ¿Qué empresa parece más
defensiva?

disney

coeficiente Desv. típica Estadístico t valor p

--------------------------------------------------------------

const −0,00114941 0,00595624 −0,1930 0,8473

prima_mks 0,897838 0,123627 7,262 3,11e-011 **

las acciones de Disney son DEFENSIVA porque son menor a 1

GE
coeficiente Desv. típica Estadístico t valor p

--------------------------------------------------------------

const −0,00116693 0,00475922 −0,2452 0,8067

prima_mks 0,899260 0,0987816 9,104 1,33e-015 ***

las acciones de GE son DEFENSIVA porque son menor a 1

GM

coeficiente Desv. típica Estadístico t valor p

-----------------------------------------------------------------

const −0,0115500 0,00974295 −1,185 0,2380

prima_mks 1,26141 0,202223 6,238 5,77e-09 ***

las acciones de GM son AGRESIVAS porque son MAYOR a 1

ibm

coeficiente Desv. típica Estadístico t valor p

--------------------------------------------------------------

const 0,00585126 0,00609142 0,9606 0,3385

prima_mks 1,18821 0,126433 9,398 2,52e-016 ***

las acciones de IBM son AGRESIVAS porque son MAYOR a 1

Microsoft

coeficiente Desv. típica Estadístico t valor p

--------------------------------------------------------------

const 0,00609752 0,00774673 0,7871 0,4327

prima_mks 1,31895 0,160790 8,203 1,98e-013 ***

las acciones de Microsoft son AGRESIVAS porque son MAYOR a 1

Xom

coeficiente Desv. típica Estadístico t valor p

-----------------------------------------------------------------

const 0,00788014 0,00432231 1,823 0,0706 *

prima_mks 0,413969 0,0897132 4,614 9,33e-06 ***

las acciones de Microsoft son DEFENSIVAS porque son MENOR a 1

¿Cuál firma parece más agresivo? ¿Qué empresa parece más defensiva?

Microsoft

prima_mks =1,31895 es la más “agresiva” por qué es mayor a 1 y porque de las acciones
escogidas es la mayor

Xom

prima_mks =0,413969 la acción xom es la más defensiva por que es menor a uno y la menor
entre las acciones escogidas.

(c) La teoría financiera dice que el parámetro de interceptación 𝜶𝒋 debería ser cero. ¿Esto parece
correcto dadas sus estimaciones? Para las acciones de Microsoft, graficar las línea de regresión
junto con la dispersión de datos.

disney

const −0,00114941

GE

const −0,00116693

GM

const −0,0115500

ibm

const 0,00585126

Microsoft

const 0,00609752

Xom

const 0,00788014

según las estimaciones las constantes todas son aproximadas a 0 por lo que son consistentes con
la teoría.
 prima_msft con respecto a prima_mks (con ajuste mínimo-cuadrático)
0,5
Y = 0,00610 + 1,32X

0,4

0,3

0,2
prima_msft

0,1

-0,1

-0,2

-0,3

-0,4
-0,15 -0,1 -0,05 0 0,05
prima_mks

(d) Estime el modelo para cada empresa bajo el supuesto de que ∝j = 0. Haga las estimaciones de
los valores beta ¿cambian mucho?

Disney GE GM IBM

prima_mks 0,897919 prima_mks 0,899342 prima_mks 1,26223 prima_mks 1,18780

Microsoft xom

prima_mks 1,31852 prima_mks 0,413412

Cuando ∝j = 0 no cambia se observa que la naturaleza agresiva o defensiva de las acciones no

cambia compara da con las calculadas anteriormente.

5. Se realizó un experimento longitudinal en Tennessee a partir de 1985 y hasta 1989. Se siguió a

una sola cohorte de estudiantes desde el jardín de infantes hasta el tercer grado. En el
experimento, los niños fueron asignados aleatoriamente dentro de las escuelas en tres tipos de
clases: clases pequeñas con 13–17 estudiantes, clases de tamaño regular con 22–25 estudiantes y
clases de tamaño regular con un ayudante de maestro de tiempo completo para ayudar al
maestro. Se registraron los puntajes de los estudiantes en las pruebas de rendimiento, así como
algunos información sobre los alumnos, maestros y escuelas. Datos para el jardín de infantes Las
clases están contenidas en el archivo de datos star.dat.
(a) Utilizando niños que están en una clase de tamaño regular o en una clase pequeña, calcule El
modelo de regresión que explica los puntajes combinados de aptitud de los estudiantes como
una función del tamaño de la clase, TOTALSCORE = β1 + 𝜷2SMALLi + ei. Interpreta las
estimaciones. Con base en este resultado de regresión, ¿qué concluye sobre el efecto de la
clase? tamaño en el aprendizaje?

coeficiente Desv. típica Estadístico t valor p

----------------------------------------------------------------

const 918,043 1,66716 550,7 0,0000 ***

small 13,8990 2,44659 5,681 1,44e-08 ***

TOTALSCORE = 918,043 + 13,8990 SMALLi + ei.

TOTALSCORE = 918 + 13,9(1) = 931,9

comparando una muestra de clases pequeñas y regulares. Se encuentra que los estudiantes en
clases regulares tienen un puntaje total promedio de 918 mientras que los estudiantes en clases
pequeñas tienen un promedio de 918 + 13,9(1) = 931,9. Este es un aumento del 1,50%. Este
resultado sugiere que las clases pequeñas tienen un impacto positivo en el aprendizaje.

(b) Repita la parte (a) usando las variables dependientes READSCORE y MATHSCORE. Hacer
observas alguna diferencia?

Read score

coeficiente Desv. típica Estadístico t valor p

----------------------------------------------------------------

const 434,733 0,707475 614,5 0,0000 ***

small 5,81912 1,03824 5,605 2,24e-08 **

READSCORE=434,733+5,81912 SMALLi + ei.

READSCORE= 434.733 + 5,8191= 440.55

Los estudiantes en las clases regulares alcanzan un puntaje promedio de lectura de 434.733
mientras que los estudiantes en clases pequeñas alcanzan un promedio de 434.733 + 5,8191=
440.551 Este es un aumento del 1,34%. en matemáticas.

MATHSCORE

coeficiente Desv. típica Estadístico t valor p

----------------------------------------------------------------

const 483,310 1,08107 447,1 0,0000 ***

small 8,07988 1,58649 5,093 3,70e-07 ***

MATHSCORE= 483,310 +8,07988 SMALL i + ei

MATHSCORE= 483,310 +8,07988= 491.38988

los estudiantes en las clases regulares alcanzan un puntaje promedio en las clases regulares
alcanzan un puntaje promedio de 483.31 mientras que los estudiantes en clases pequeñas
alcanzan un promedio de 483.31 + 8.08(1) = 491.38988

Este es un aumento del 1,67%. Estos resultados sugieren que las clases pequeñas tienen un
impacto positivo en el resultado de las pruebas de matemáticas y la lectura.

(c) Usar niños que están en una clase de tamaño regular o en una clase de tamaño regular con
un ayudante de maestro, calcule el modelo de regresión que explica la combinación de
estudiantes puntajes de aptitud en función de la presencia de un ayudante de profesor,
TOTALSCORE = y1 + y2 AIDE + e. Interpreta las estimaciones. Basado en esto resultado de la
regresión, ¿qué concluye sobre el efecto en el aprendizaje de agregar un ayudante de profesor al
aula?

(d) Repita la parte (c) usando las variables dependientes READSCORE y MATHSCORE.

¿Observas alguna diferencia?

TOTALSCORE

coeficiente Desv. típica Estadístico t valor p

---------------------------------------------------------------

const 918,043 1,61294 569,2 0,0000 ***

aide 0,313935 2,27041 0,1383 0,8900

TOTALSCORE= 918,043+0,313935 AIDE + e

TOTALSCORE= 918,043+0,313935 (1)= 918,356935

los estudiantes en clases regulares sin un maestro logran un promedio total de 918,0, mientras
que los estudiantes en clases regulares con un maestro asistente logran un puntaje total promedio
de 918,356935 Estos resultados muestran que un ayudante de maestro tiene poco impacto en el
resultado de aprendizaje en comparación con el tamaño de la clase.

READSCORE

coeficiente Desv. típica Estadístico t valor p

---------------------------------------------------------------

const 434,733 0,697445 623,3 0,0000 ***

aide 0,705413 0,981739 0,7185 0,4725

READSCORE= 434,733 + 0,705413 AIDE + e

READSCORE= 434,733 + 0,705413= 435,438413

MATHSCORE

coeficiente Desv. típica Estadístico t valor p

---------------------------------------------------------------

const 483,310 1,04342 463,2 0,0000 ***

aide −0,391477 1,46874 −0,2665 0,7898

MATHSCORE=483,310 −0,391477 AIDE + e

MATHSCORE=483,310 −0,391477=482,918523

Como se muestra en el puntaje total no se ve afectado por un ayudante de maestro ya que no

influye de manera significativa en el puntajes de lectura pero en el de matemáticas si por que
empieza a ser decreciente.