Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ID: 10136144
Matrícula: 2018-5191
Econometría I
Práctica 5
1. Considere la siguiente regresión con una variable dicotómica (D) y la variable
explicativa X.
𝑌 = 𝛽0 + 𝛽1𝐷 + 𝛽2𝑋 + 𝑢
- Sí, ambos se ven afectados. En el caso del intercepto este será más grande y la pendiente
será mas empinada.
3. Suponga que se tiene información de salarios (pesos por hora), nivel educativo (en
años) y género (hombre o mujer). Si se quiere estimar el efecto de la educación y el
género sobre el salario, se tienen dos opciones, (1) hacer dos regresiones separadas,
una donde se incluyan todas las mujeres y otra todos los hombres, o (2) hacer una
regresión con todos los datos. ¿Cuál opción es mejor? Diga como haría para estimar
ambas opciones.
- Opino que la mejor opción sería hacer una regresión con todos los datos ya que
podríamos crear una variable dummy donde adquieran valor 1 las mujeres y valor 0
los hombres y así ver de una forma más clara como el salario se ve afectado por el
hecho de ser hombre o mujer, además de la educación. También, hacer una regresión
con todos los datos nos permite no tener que separar las observaciones en dos grupos
(hombres y mujeres en el caso de que se tenga una gran muestra)
1, 𝑚𝑢𝑗𝑒𝑟 𝑦 𝑠𝑜𝑙𝑡𝑒𝑟𝑎 0,
𝐸2 = {𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
1, ℎ𝑜𝑚𝑏𝑟𝑒 𝑦 𝑐𝑎𝑠𝑎𝑑𝑜
𝐸3 = {0, 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
1, ℎ𝑜𝑚𝑏𝑟𝑒 𝑦 𝑠𝑜𝑙𝑡𝑒𝑟𝑜
𝐸1 = {0, 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
a) Comente sobre los problemas de estimar la siguiente regresión usando las
variables dicotómicas:
𝑌 = 𝛽0 + 𝛽1𝐸1 + 𝛽2𝐸2 + 𝛽3𝐸3 +
𝛽4𝐸4 + 𝑢
Donde:
Pcnv: proporción de arrestos previos que terminaron en una
condena. Avgsen: tiempo promedio en prisión por condenas
anteriores (en meses). Tottime: meses en prisión antes de 1986
desde los 18 años de edad.
Ptime86: meses en prisión en 1986.
Qemp86: cantidad de trimestres con empleo durante 1986.
b) Como investigador, ¿Qué usted haría con las variables que resultan ser
insignificantes de forma individual? ¿Por qué?
c) Diga la probabilidad de arresto para alguien que tiene 5 arrestos previos con 2
condenas, la primera de 10 meses y la segunda de 36 meses, de los cuales los
últimos 4 meses fueron en 1986. Esta persona no ha conseguido trabajo luego de
salir de prisión.
- La probabilidad es de 0.321142
- Falso, esta no es la única causa, también puede darse porque el modelo es sobre
determinado, es decir que hay más variables explicativas que observaciones.
También cuando se aplican restricciones sobre el modelo o población, por
ejemplo: Si se quiere saber el consumo de un grupo de personas y se usan
variables explicativas como el ingreso o riqueza, ambas variables están muy
correlacionadas, también por un R cuadrado alto y t estadísticos no significativos
y, por último, si el modelo tiene términos polinomiales.
- Verdadero, ya que se tiene dicho que para esta prueba si los R cuadrados de
las regresiones auxiliares dan menor que el R cuadrado del modelo original
por ende no estamos en presencia de multicolinealidad.
f) Omitir una variable relevante del modelo no ocasiona que los MICO dejen de ser
MELI.
- Falso, si lo hace, ya que el no incluir una variable que sea relevante hace que no
estemos incluyendo información importante que ayuda a que el modelo explique
mejor la variable dependiente. Esto ocasiona que los estimadores no tiendan al
parámetro, por lo que dejan de ser MELI al no incluir esa información necesaria.
En resumen, los estimadores van a presentar un sesgo. La varianza de los
estimadores será menor que la del verdadero modelo.
h) Se dice que un modelo esta anidado dentro de otro cuando este es un caso
especial de un modelo más grande.
- Verdadero, ya que existen modelos que tienen distintos niveles. Por ejemplo,
si se quiere saber el rendimiento de los estudiantes de una escuela, se puede
empezar por analizar el rendimiento de los estudiantes de un curso, ya que
el resultado que se obtenga estará muy correlacionado con el rendimiento de
los estudiantes de la escuela.