Pauta Solemne 1
1. (a) Este resultado depende de que se cumplan varios supuestos como independencia
de media condicional y heterocedasticidad.
(b) Falso. El modelo LOGIT aplica sólo cuando la variable dependiente sólo toma 2
valores posibles (0 o 1).
(c) Falso. El efecto marginal aproxima linealmente cuánto cambiaría la probabili-
dad de que la variable dependiente y tome el valor de 1 si es que la variable
independiente x aumenta en 1.
(d) Falso. Si no se cumple el supuesto sobre de distribución de y que se asume para
obtener el estimador de MV, este estimador ni siquiera será consistente. Por otro
lado, MCO no necesita supuestos tan fuertes de distribución; puede ser consistente
tan sólo si la media del error no depende de x (o si no hay correlación entre el
error y las x).
(e) Falso, el no cumplimiento del supuesto de homocedasticidad no implica que el
estimador de MCO sea sesgado, pero la fórmula para calcular sus errores estándar
tiene que ser modificada
(f) Falso, el R2 sólo mide bondad de ajuste de la recta de regresión, o qué tan cor-
relacionada está la y con una combinación lineal de las x (la recta de regresión).
Correlación no implica causalidad
(g) Falso, para que la distribución de los β de MCO sea normal, los errores de la
regresión tienen que tener distribución normal. Esto no es posible que se cumpla
si y sólo puede tomar 2 valores
dy x
(h) Falso, la elasticidad de y con respecto a x se define dx y
. En cambio la fórmula
propuesta es d dx
ln y dy 1
= dx y
2. (a) • Significancia estadística individual se analiza usando pruebas de hipótesis
individuales con la hipótesis nula de que cada parámetro es igual a cero, es
decir H0 : βgsalud = 0 y H0 : βgini = 0 (no hay problema si se testea la
constante o no).
• Se puede usar la prueba t con distribución T o la prueba t con distribución
asintótica normal (esto lo vemos con los valores críticos usados).
1
• Se puede calcular el estadístico t o usar los valores ya calculados presentados
en la columna t value del output, o sus valores p de la columna Pr(>|t|),
si son interpretados correctamente.
• Concluir que se rechaza la hipótesis nula para la constante, gsalud y gini a
los niveles de significancia usual (sean 90%, 95% o 99%, se debe señalar cuál
se consideró). Explicar que se llega a esta conclusión comparando con valores
críticos.
(b) • Se debe calcular el impacto de cada variable (de las estadísticamente significa-
tivas) según el modelo estimado. Luego, intentar evaluar, de alguna forma,
qué tan grande es este impacto.
• Un incremento del gasto en salud en 1% del PBI aumentaría en promedio la
esperanza de vida del país en 2.9 años. Se puede señalar que este impacto
parece significativo per se. Algo aún mejor es considerar que esto equivale a
poco más del 20% de la desviación estándar (d.e.) de espvida. Si gsalud
sube en una d.e., espvida sube en un 40%, o más de 5 años.
• Un incremento del gini en 1 unidad (mayor desigualdad) reduce en promedio
la esperanza de vida en 0.47 años. Un incremento de 10 unidades (una d.e.)
tendría un impacto similar que un incremento del gasto en salud en una d.e.
(c) Sería: 74.407 + 2.903(1.8) − 0.473(45) = 58.347
(d) Como señala en la pregunta, se cree que gsalud afectaría gini. También es claro
que afecta espvida. Si no se incluye en la regresión sería una variable relevante
omitida y claramente impediría interpretar β̂gini como un efecto causal.
(e) Una posibilidad serían otras variables relevantes omitidas. Si se propone algún
ejemplo, mejor. Una posibilidad sería el PBI del país, que podría reducir la de-
sigualdad (al tener más recursos para programas sociales, por ejemplo) y mejorar
la esperanza de vida por otras vías más allá del gasto en salud.
Otra posibilidad es argumentar la posibilidad de causalidad inversa, es decir, que
espvida también cause variaciones en gini. Por ejemplo, shocks negativos de
espvida (por ej. una pandemia como la actual) pueden afectar la desigualdad
por su efecto heterogéneo en la sociedad.
3. (a) Para esto se debe probar la hipótesis nula H0 : βBase = 0, βAge = 0, βT rT = 0. El
test de razón de verosimilitud es:
LR
−2 ln λ = −2 ln = −2(ln LR −ln LU ) = −2(−1, 202.998−(−421.354)) = 1563.288
LU
El valor crítico al 95% de una χ2 (3) es 7.81 (se usan 3 grados de libertad, pues
hay 3 restricciones en H0 ). Por lo tanto se rechaza la hipótesis nula.
(b) Análisis idéntico a pregunta (2a). Base, TrT y Age son significativas al 99%.
2
(c) Sabemos E[y] = θ = exp(β0 + β1 Base + β2 Age + β3 T rT ). El número esperado de
ataques para el placebo será:
E[y] = exp(1.949 + 0.02265(31.22) + 0.02274(28.34) − 0.1527(0)) = 27.13
Para alguien que recibió el tratamiento será:
E[y] = exp(1.949 + 0.02265(31.22) + 0.02274(28.34) − 0.1527(1)) = 23.29
El tratamiento con progabide reduciría el número promedio de ataques en 3.84.
(d) Número promedio de ataques para persona con 28 años:
E[y] = exp(1.949 + 0.02265(22) + 0.02274(28) − 0.1527(1)) = 18.75
Número promedio de ataques para persona con 38 años:
E[y] = exp(1.949 + 0.02265(22) + 0.02274(38) − 0.1527(1)) = 23.54
Tener 10 años más, desde los 28 años, aumenta el número de ataques promedio
en 4.79
(e) Efecto marginal de Age sobre E[y] se encuentra tomando la derivada:
dE[y]
= exp(β0 + β1 Base + β2 Age + β3 T rT ) × β2
dAge
Entonces:
dE[y]
= (18.75) × (0.02274) = 0.426
dAge
El efecto de incrementar en 10 años se aproxima: 0.426 × 10 = 4.26. La aproxi-
mación es cercana al efecto calculado en la pregunta previa (4.79).
4. (a) Igual que pregunta (3a), se hace una prueba de razón de verosimilitud:
−2(ln LR − ln LU ) = −2(−3449.863 − (−3239.792)) = 420.14
El valor crítico al 95% de una χ2 (3) es 7.81. Se rechaza la hipótesis nula.
(b) Probabilidad para persona de 45 años, mujer y desocupada:
exp(0.5914 − 0.3498(1) + 0.4031(0) − 0.0254(45))
= 0.289
1 + exp(0.5914 − 0.3498(1) + 0.4031(0) − 0.0254(45))
Probabilidad para persona de edad promedio, mujer y ocupada:
exp(0.5914 − 0.3498(1) + 0.4031(1) − 0.0254(45.99))
= 0.372
1 + exp(0.5914 − 0.3498(1) + 0.4031(1) − 0.0254(45.99))
3
(c) Probabilidad de participar para hombres desocupados, de edad promedio:
exp(0.5914 − 0.3498(0) + 0.4031(0) − 0.0254(45.99))
= 0.36
1 + exp(0.5914 − 0.3498(0) + 0.4031(0) − 0.0254(45.99))
Probabilidad de participar para hombres ocupados, de edad promedio:
exp(0.5914 − 0.3498(0) + 0.4031(1) − 0.0254(45.99))
= 0.457
1 + exp(0.5914 − 0.3498(0) + 0.4031(1) − 0.0254(45.99))
El efecto de estar ocupado sería 0.457 - 0.36 = 0.097
(d) Probabilidad de participar para mujeres ocupadas, de edad promedio:
exp(0.5914 − 0.3498(1) + 0.4031(1) − 0.0254(45.99))
= 0.372
1 + exp(0.5914 − 0.3498(1) + 0.4031(1) − 0.0254(45.99))
Con 10 años más la probabilidad es:
exp(0.5914 − 0.3498(1) + 0.4031(1) − 0.0254(55.99))
= 0.315
1 + exp(0.5914 − 0.3498(1) + 0.4031(1) − 0.0254(55.99))
El efecto de tener 10 años más es reducir la probabilidad en 0.057
(e) Sea:
exp(0.5914 − 0.3498(1) + 0.4031(1) − 0.0254(45.99))
Λ= = 0.372
1 + exp(0.5914 − 0.3498(1) + 0.4031(1) − 0.0254(45.99))
El efecto marginal de edad es:
dp
= Λ × (1 − Λ) × βedad = (0.372)(0.628)(−0.0254) = −0.0059
dedad
Usando esto, el efecto de 10 años sería aproximadamente -0.059. El resultado es
menor al de la pregunta anterior (-0.057). La diferencia se debe a que el efecto
marginal es una aproximación.
