SOLUCION

1. i) ¿En qué mes y año entró en vigor la ley del cinturón de seguridad en
California? ¿Cuándo aumentó el límite de velocidad en carretera a 65 millas
por hora?

Esta Ley, entro a regir en Enero del año 1986 y el límite de velocidad en
carretera aumento a 65 millas por hora en Mayo de 1987.

ii) Haga una regresión de la variable log (totacc) sobre una tendencia lineal en el
tiempo y 11 variables binarias mensuales, usando enero como el mes base.
Interprete la estimación del coeficiente de la tendencia. ¿Diría usted que hay
estacionalidad en el total de accidentes?

Source SS df MS Number of obs = 108

F( 12, 95) = 19.20
Model .890633493 12 .074219458 Prob > F = 0.0000
Residual .367303985 95 .003866358 R-squared = 0.7080
Adj R-squared = 0.6711
Total 1.25793748 107 .011756425 Root MSE = .06218

ltotacc Coef. Std. Err. t P>|t| [95% Conf. Interval]

t .0031713 .0002238 14.17 0.000 .0027271 .0036156

dt1 .0061885 .0638278 0.10 0.923 -.1205257 .1329026
dt2 .1156003 .0637827 1.81 0.073 -.0110245 .242225
dt3 .0450166 .0637385 0.71 0.482 -.0815203 .1715534
dt4 .0710438 .0636949 1.12 0.268 -.0554066 .1974943
dt5 .0700345 .0636522 1.10 0.274 -.0563311 .1964
dt6 .0597687 .0636102 0.94 0.350 -.0665134 .1860509
dt7 .0799853 .0635689 1.26 0.211 -.046215 .2061856
dt8 .0389531 .0635284 0.61 0.541 -.0871668 .165073
dt9 .1019934 .0634887 1.61 0.111 -.0240476 .2280345
dt10 .0636449 .0634498 1.00 0.318 -.0623188 .1896086
dt11 .0722199 .0634116 1.14 0.258 -.053668 .1981078
_cons 10.47969 .0148128 707.47 0.000 10.45028 10.50909

Coeficiente de la tendencia: La tasa del total de accidentes crece alrededor de

0.31713% al año en promedio
 Considero que si hay estacionalidad en el total de accidentes, pues se puede decir
que las desviaciones estándar de las 11 variables binarias son muy similares, es
decir, constantes, esto obedece a que la varianza en esta regresión es constante
ósea que cumple con el proceso estocástico estacionario en covarianza y si la
varianza es constante las desviaciones estándar también lo serán pues estas
depende de la varianza.

iii) Añada a la regresión del inciso ii) las variables wkends, unem, spdlaw y
beltlaw. Comente el coeficiente sobre la variable de desempleo (unem). ¿Su
signo y magnitud tienen sentido? Es significativa?

Source SS df MS Number of obs = 108

F( 16, 91) = 24.83
Model 1.02350765 16 .063969228 Prob > F = 0.0000
Residual .234429829 91 .002576152 R-squared = 0.8136
Adj R-squared = 0.7809
Total 1.25793748 107 .011756425 Root MSE = .05076

ltotacc Coef. Std. Err. t P>|t| [95% Conf. Interval]

t .0006608 .0006097 1.08 0.281 -.0005503 .0018719

dt1 -.0800083 .0570258 -1.40 0.164 -.193283 .0332664
dt2 .0019503 .0577007 0.03 0.973 -.1126651 .1165657
dt3 -.063243 .0584705 -1.08 0.282 -.1793876 .0529015
dt4 -.1008981 .0611844 -1.65 0.103 -.2224335 .0206372
dt5 -.0501315 .0593209 -0.85 0.400 -.1679651 .0677022
dt6 -.0438391 .0566527 -0.77 0.441 -.1563728 .0686946
dt7 -.0476903 .057627 -0.83 0.410 -.1621593 .0667788
dt8 -.0635248 .057665 -1.10 0.274 -.1780692 .0510196
dt9 .0030374 .0554663 0.05 0.956 -.1071397 .1132144
dt10 -.0163788 .0548439 -0.30 0.766 -.1253194 .0925618
dt11 .0314415 .0537816 0.58 0.560 -.075389 .1382721
wkends .0096508 .0051596 1.87 0.065 -.000598 .0198997
unem -.0338549 .0066993 -5.05 0.000 -.0471622 -.0205476
spdlaw -.0507235 .0188395 -2.69 0.008 -.0881458 -.0133012
beltlaw .0762757 .0204424 3.73 0.000 .0356695 .1168819
_cons 10.72593 .1056425 101.53 0.000 10.51609 10.93578
El coeficiente unem es igual a -0.0338549 esto indica que la tasa de desempleo
disminuye ante la variación de la totalidad de accidentes a medida que se aplican
leyes para reducir su accidentalidad. Tienen sentido su signo y su magnitud, ya
que al haber más aplicaciones en leyes para disminuir la tasa de accidentalidad, el
desempleo disminuye. La variable unem es altamente significativa.

iv) En la regresión del inciso iii) interprete los coeficientes de spdlaw y beltlaw.
¿Los efectos estimados son los que usted esperaba? Son significativas las
variables? Explique su respuesta.

El coeficiente beltlaw= 0.0762757 muestra que la tasa de accidentes fue mayor

despues de la aplicación de la ley de cinturón de seguridad en California,( La
totalidad de accidentes fue mayor), el efecto estimado no es el esperado, pues
uno espera que con la aplicacion de la nueva ley de cinturon de seguridad la tasa
de accidentes disminuya en gran proporcion. Esta variable es significativa
El coeficiente spdlaw= -0.507235 indica que la tasa de accidentes disminuyo a
partir de la creacion de la ley 65mph en carretera. El efecto estimado si es el
esperado, pues si se aplica la ley 65 mph en carretera la tasa de accidentes
disminuiria. Esta variable es significativa.

viii) Comente el enunciado siguiente: “Siempre se debe obtener la primera

diferencia de cualquier serie de tiempo para la que se sospeche que tiene una raíz
unitaria antes de hacer la regresión simple, puesto que es la estrategia segura y
debe dar resultados parecidos al uso de niveles”.
 2. Para el siguiente Ejercicio use los Datos cphillips.dta, los mismos que utilizó en
la tarea pasada. Conteste:

i) Usando la base de datos completa, estime la ecuación de la curva estática de

Phillips
inf t =β 0 + β 1 unemt + ut
Informe los resultados de la manera usual.

Source SS df MS Number of obs = 49

F( 1, 47) = 2.62
Model 25.6369575 1 25.6369575 Prob > F = 0.1125
Residual 460.61979 47 9.80042107 R-squared = 0.0527
Adj R-squared = 0.0326
Total 486.256748 48 10.1303489 Root MSE = 3.1306

inf Coef. Std. Err. t P>|t| [95% Conf. Interval]

unem .4676257 .2891262 1.62 0.112 -.1140213 1.049273

_cons 1.42361 1.719015 0.83 0.412 -2.034602 4.881822

Inft=1.42361+0.4676257Unemt
 ii) Obtenga los residuales de MCO del inciso i) u t y Estime la regresión de ut sobre
ut-1. (Está bien incluir un intercepto en esta regresión.) ¿Existe evidencia
contundente de correlación serial?

Source SS df MS Number of obs = 48

F( 1, 46) = 24.34
Model 150.91704 1 150.91704 Prob > F = 0.0000
Residual 285.198417 46 6.19996558 R-squared = 0.3460
Adj R-squared = 0.3318
Total 436.115457 47 9.27905227 Root MSE = 2.49

uh Coef. Std. Err. t P>|t| [95% Conf. Interval]

uh
L1. .5729695 .1161334 4.93 0.000 .3392052 .8067338

_cons -.1133967 .359404 -0.32 0.754 -.8368393 .610046

 No existe evidencia contundente de correlación serial pues el coeficiente
unem=0.4676257 es menor que uno; Es por esto que el orden de integración es
I(0) y hay dependencia débil.

iii) Ahora estime el modelo de la curva estática de Phillips mediante la

estimación iterativa de Prais- Winsten.

. prais inf unem

Iteration 0: rho = 0.0000

Iteration 1: rho = 0.5727
Iteration 2: rho = 0.7307
Iteration 3: rho = 0.7719
Iteration 4: rho = 0.7792
Iteration 5: rho = 0.7803
Iteration 6: rho = 0.7805
Iteration 7: rho = 0.7805
Iteration 8: rho = 0.7805
Iteration 9: rho = 0.7805

Prais-Winsten AR(1) regression -- iterated estimates

Source SS df MS Number of obs = 49

F( 1, 47) = 7.39
Model 37.9720609 1 37.9720609 Prob > F = 0.0092
Residual 241.618458 47 5.14081826 R-squared = 0.1358
Adj R-squared = 0.1174
Total 279.590519 48 5.82480248 Root MSE = 2.2673

inf Coef. Std. Err. t P>|t| [95% Conf. Interval]

unem -.715659 .3134522 -2.28 0.027 -1.346244 -.0850744

_cons 8.295912 2.23143 3.72 0.001 3.806854 12.78497

rho .7805446

Durbin-Watson statistic (original) 0.802700

Durbin-Watson statistic (transformed) 1.909865
 iv) Estime también el modelo de la curva estática de Phillips mediante la
estimación iterativa de
Cochrane-Orcutt.

. prais inf unem,corc

Iteration 0: rho = 0.0000

Iteration 1: rho = 0.5727
Iteration 2: rho = 0.7160
Iteration 3: rhoAR(1)
Cochrane-Orcutt = 0.7611
regression -- iterated estimates
Iteration 4: rho = 0.7715
Iteration 5: rho = 0.7735
Source SS df MS Number of obs = 48
Iteration 6: rho = 0.7740 F( 1, 46) = 4.33
Iteration 7: rho = 0.7740
Model 22.4790685 1 22.4790685 Prob > F = 0.0430
Iteration 8: rho = 0.7740
Residual 238.604008 46 5.18704365 R-squared = 0.0861
Iteration 9: rho = 0.7741
Adj R-squared = 0.0662
Iteration 10: rho = 0.7741
Total 261.083076 47 5.55495907 Root MSE = 2.2775

inf Coef. Std. Err. t P>|t| [95% Conf. Interval]

unem -.6653356 .3196035 -2.08 0.043 -1.308664 -.0220071

_cons 7.583458 2.38053 3.19 0.003 2.7917 12.37522

rho .7740512

Durbin-Watson statistic (original) 0.802700

Durbin-Watson statistic (transformed) 1.593634
3. Para el siguiente ejercicio use los datos Interes.dta. Estos datos contienen
información fiscal sobre gastos e ingresos del gobierno, adicionalmente tasas de
interés de la deuda pública. Todo esto para la Economía Estadounidense. Use el
siguiente directorio para guiarse y conteste.

year 1948-1996
i3 Tasa de Interés deuda
pública inf Tasa de inflación
rec Ingresos del Gobierno
%PIB out Gastos del
Gobierno % PIB def
Déficit del Gobierno % PIB
i) Estime una regresión que busque identificar la posible relación causal entre la
tasa de interés de la deuda pública explicada por la inflación y el déficit del
gobierno. Interprete los coeficientes y diga si son significativos.
 Source SS df MS Number of obs = 56
F( 2, 53) = 40.09
Model 272.420338 2 136.210169 Prob > F = 0.0000
Residual 180.054275 53 3.39725047 R-squared = 0.6021
Adj R-squared = 0.5871
Total 452.474612 55 8.22681113 Root MSE = 1.8432

i3 Coef. Std. Err. t P>|t| [95% Conf. Interval]

inf .6058659 .0821348 7.38 0.000 .4411243 .7706074

def .5130579 .1183841 4.33 0.000 .2756095 .7505062
_cons 1.733266 .431967 4.01 0.000 .8668497 2.599682

Los coeficientes de las variables tasa de inflación y déficit del gobierno% PIB
afectan positivamente la tasa de interés de deuda pública. Estas variables son
altamente significativas para explicar la tasa de interés de deuda pública.

ii) Estime un Test de Durvin Watson de correlación serial. Existe a la luz de este
test correlación serial?
Durbin-Watson d-statistic( 3, 56) = .7161527

. reg i3 inf def El test anterior muestra existencia de correlación serial, pues este resultado
(0.7161527) no es cercano a 2.
Source SS df MS Number of obs = 56
iii) Estime un test de correlación serial53)tipo
F( 2, = AR(1)
40.09 asumiendo exogeneidad estricta,
Model 272.420338 2 136.210169 Prob > F = 0.0000
Residual
usando los
180.054275
residuos estimados.
53 3.39725047
Existe a =la
R-squared
luz de
0.6021
este test correlación serial?
Adj R-squared = 0.5871
Total 452.474612 55 8.22681113 Root MSE = 1.8432

i3 Coef. Std. Err. t P>|t| [95% Conf. Interval]

inf .6058659 .0821348 7.38 0.000 .4411243 .7706074

def .5130579 .1183841 4.33 0.000 .2756095 .7505062
_cons 1.733266 .431967 4.01 0.000 .8668497 2.599682
. reg uh L1.uh

Source SS df MS Number of obs = 55

F( 1, 53) = 32.13
Model 63.9253751 1 63.9253751 Prob > F = 0.0000
Residual 105.435728 53 1.98935336 R-squared = 0.3775
Adj R-squared = 0.3657
Total 169.361103 54 3.13631672 Root MSE = 1.4104

uh Coef. Std. Err. t P>|t| [95% Conf. Interval]

uh
L1. .6225242 .1098185 5.67 0.000 .4022562 .8427922

_cons .0153323 .1903397 0.08 0.936 -.3664407 .3971053

Durbin-Watson d-statistic( 2, 55) = 1.592725

. reg i3_d1 inf_d1 def_d1
El test nos muestra que hay una luz de correlación serial. pues este resultado
Source (1.592752)
SS df no es
MScercano a 2.
Number of obs = 55
F( 2, 52) = 5.57
Model
iv) Genere las primeras diferencias de la variable dependiente y de las
17.8058166 2 8.90290831 Prob > F = 0.0065
Residual 83.1753705 52 1.59952636 R-squared = 0.1763
independientes (use los mismos nombres y agregue _d1). Luego estime la misma
Adj R-squared = 0.1446
Total regresión54del1.87002198
100.981187 punto anterior pero con las diferencias. Interprete los resultados.
Root MSE = 1.2647

i3_d1 Coef. Std. Err. t P>|t| [95% Conf. Interval]

inf_d1 .1494892 .0921555 1.62 0.111 -.0354343 .3344127

def_d1 -.1813151 .1476825 -1.23 0.225 -.4776618 .1150315
_cons .0417738 .1713874 0.24 0.808 -.3021401 .3856877
 De acuerdo a la regresión anterior se puede interpretar: como la variable i3 tasa
de interés de deuda publica ante variaciones de las variables inflacion y deficit del
Gobierno % PIB, estas variables no son significativas en ningun nivel. La tasa de
interes de deuda publica esta explicada en un 14.46% por la tasa de inflacion y el
deficit del Gobierno % PIB.

. reg uh1 L1.uh1

Source SS df MS Number of obs = 54

F( 1, 52) = 0.29
Model .429432552 1 .429432552 Prob > F = 0.5944
Residual 77.7882033 52 1.49592699 R-squared = 0.0055
Adj R-squared = -0.0136
Total
v) Estime53otra
78.2176359
vez los test de correlación, usando los residuos estimados, sobre
1.47580445 Root MSE = 1.2231

este nuevo modelo. Existe correlación serial en este nuevo modelo?

uh1 Coef. Std. Err. t P>|t| [95% Conf. Interval]

uh1
L1. .071925 .1342418 0.54 0.594 -.1974509 .3413009

_cons -.041392 .1664432 -0.25 0.805 -.3753848 .2926007

 Durbin-Watson d-statistic( 2, 54) = 1.963781

El test nos muestra que no existe correlación serial en este modelo, pues el
resultado (1.96) es aproximadamente 2, por tanto, este modelo es consistente con
no correlación serial.

4. Para la siguiente pregunta use los datos que encontrará en el archivo

fecundidad.dta (los cuales encontrará en la página del curso), incorpore los
siguientes labels a las variables:
gfr Tasa de Fertilidad Total
pe Exención tributaria por hijo (US$)
year Año
pill Dummy para después de la introducción
de píldora ww2 Dummy para después de la
guerra mundial
i )Estime el siguiente modelo e interprete
los resultados
. reg gfr_d1 pe_d1 pe_r1d1 pe_r2d1

Source SS df MS Number of obs = 69

F( 3, 65) = 6.56
Model 293.259859 3 97.7532864 Prob > F = 0.0006
Residual 968.199959 65 14.895384 R-squared = 0.2325
Adj R-squared = 0.1971
Total 1261.45982 68 18.5508797 Root MSE = 3.8595

gfr_d1 Coef. Std. Err. t P>|t| [95% Conf. Interval]

pe_d1 -.0362021 .0267737 -1.35 0.181 -.089673 .0172687

pe_r1d1 -.0139706 .0275539 -0.51 0.614 -.0689997 .0410584
pe_r2d1 .1099896 .0268797 4.09 0.000 .0563071 .1636721
_cons -.9636787 .4677599 -2.06 0.043 -1.89786 -.0294976
 La regresión de La tasa de fertilidad total con respecto a la exención tributaria en
tres periodos de tiempo; en los dos primeros periodos pe_d1 y pe_r1d1 estos
coeficientes son negativos y el el coeficiente pe_r2d1 es positivo. Esta variable y
sus rezagos no son significativos en este modelo excepto pe_r2d1 que es
altamente significativa y es lo que se espera de acuerdo a su signo, sin embargo a
la luz de los resultados obtenidos en general este modelo es poco confiable.

ii) Use un test para correlación tipo AR(1) , usando los residuos estimados, con y
sin asumir exogeneidad estricta y diga en cada caso si el test indica la existencia
de correlación serial tipo AR(1).

Source SS df MS Number of obs = 68

F( 1, 66) = 6.12
Model 82.0925491 1 82.0925491 Prob > F = 0.0160
Residual 885.696553 66 13.4196447 R-squared = 0.0848
Adj R-squared = 0.0710
Total 967.789102 67 14.4446135 Root MSE = 3.6633

uh Coef. Std. Err. t P>|t| [95% Conf. Interval]

uh
L1. .2918091 .1179825 2.47 0.016 .0562495 .5273687

_cons .0180209 .4442522 0.04 0.968 -.8689571 .904999

 Durbin-Watson d-statistic (2, 68) = 1.990071 (asume exogeneidad estricta)

En este caso el valor del test es de 1.990071 (cercano a 2) por lo tanto es

consistente con no correlación serial.

Durbin's alternative test for autocorrelation

lags(p) F df Prob > F

1 0.003 ( 1, 65 ) 0.9553

H0: no serial correlation

(No asume exogeneidad estricta)

El test F nos indica que existe correlación serial, porque si se observa el valor del
p-value no se puede rechazar H0

iii) Use un test para correlación tipo AR(2), usando los residuos estimados, con y
sin asumir exogeneidad estricta y diga en cada caso si el test indica la existencia
de correlación serial tipo AR(2).
. reg uh L1.uh L2.uh

Source SS df MS Number of obs = 67

F( 2, 64) = 2.96
Model 81.9169802 2 40.9584901 Prob > F = 0.0589
Residual 885.304168 64 13.8328776 R-squared = 0.0847
Adj R-squared = 0.0561
Total 967.221148 66 14.6548659 Root MSE = 3.7193

uh Coef. Std. Err. t P>|t| [95% Conf. Interval]

uh
L1. .2938915 .125322 2.35 0.022 .0435321 .5442509
L2. -.0083428 .1253272 -0.07 0.947 -.2587127 .2420271

_cons .0264226 .4543896 0.06 0.954 -.881325 .9341702

. dwstat /*asume exogeneidad estrcita*/

. estat durbinalt, small /* no asume exogeneidad estricta*/

Durbin's alternative test for autocorrelation

lags(p) F df Prob > F

1 0.297 ( 1, 63 ) 0.5877

H0: no serial correlation

El test F nos indica que existe correlación serial, porque si se observa el valor del
p-valor no se puede rechazar H0.

5. Para la siguiente pregunta use los datos que encontrará en el archivo

fecundidad.dta (los cuales encontrará en la página del curso), incorpore los
siguientes labels a las variables:
gfr Tasa de Fertilidad Total
pe Exención tributaria por hijo (US$)
year Año
pill Dummy para después de la introducción
de píldora ww2 Dummy para después de la
guerra mundial

i) Estime una regresión de la tasa de fertilidad explicada por la exención

tributaria por hijo, la variable pill y la variable ww2. Interprete
coeficientes y significancia.

. reg gfr pe pill ww2

Source SS df MS Number of obs = 72

F( 3, 68) = 20.38
Model 13183.6215 3 4394.54049 Prob > F = 0.0000
Residual 14664.2739 68 215.651087 R-squared = 0.4734
Adj R-squared = 0.4502
Total 27847.8954 71 392.223879 Root MSE = 14.685

gfr Coef. Std. Err. t P>|t| [95% Conf. Interval]

pe .08254 .0296462 2.78 0.007 .0233819 .1416981

pill -31.59403 4.081068 -7.74 0.000 -39.73768 -23.45039
ww2 -24.2384 7.458253 -3.25 0.002 -39.12111 -9.355684
_cons 98.68176 3.208129 30.76 0.000 92.28003 105.0835
 El coeficiente ww2 =-24.2384 muestra que la tasa de fertilidad fue menor durante
la segunda guerra mundial. Dada pe, hubo alrededor de 24 nacimientos menos
por cada 1,000 mujeres en edad de procrear.

De igual modo, El coeficiente pill= -31.59403 indica que la tasa de fertilidad

disminuyo de manera sustancial a partir de la introducción de la píldora
anticonceptiva

Cada variable es estadísticamente significativa al nivel de 1% contra la alternativa

de dos colas.

ii) Use un test de DW alternativo (el que no asume exogeneidad estricta) para
testear la hipótesis de correlación serial. Diga si hay correlación serial.

Durbin's alternative test for autocorrelation

lags(p) F df Prob > F

1 255.261 ( 1, 67 ) 0.0000

H0: no serial correlation

El
. reg gfr pe pill ww2 test F nos indica que no existe correlación serial, porque si se observa el valor
del p-valor se puede rechazar H0
Source SS df MS Number of obs = 72
F( 3, 68) = 20.38
iii) Realice un test de correlación serial tipo AR(1) usando los residuos estimados.
Model 13183.6215 3 4394.54049 Prob > F = 0.0000
Residual Diga si hay
14664.2739 68 correlación
215.651087 serial.R-squared = 0.4734
Adj R-squared = 0.4502
Total 27847.8954 71 392.223879 Root MSE = 14.685

gfr Coef. Std. Err. t P>|t| [95% Conf. Interval]

pe .08254 .0296462 2.78 0.007 .0233819 .1416981

pill -31.59403 4.081068 -7.74 0.000 -39.73768 -23.45039
ww2 -24.2384 7.458253 -3.25 0.002 -39.12111 -9.355684
_cons 98.68176 3.208129 30.76 0.000 92.28003 105.0835
. reg uh L1.uh

Source SS df MS Number of obs = 68

F( 1, 66) = 6.12
Model 82.0925491 1 82.0925491 Prob > F = 0.0160
Residual 885.696553 66 13.4196447 R-squared = 0.0848
Adj R-squared = 0.0710
Total 967.789102 67 14.4446135 Root MSE = 3.6633

uh Coef. Std. Err. t P>|t| [95% Conf. Interval]

uh
L1. .2918091 .1179825 2.47 0.016 .0562495 .5273687

_cons .0180209 .4442522 0.04 0.968 -.8689571 .904999

No hay correlación serial.

iv)Ahora estime el modelo utilizando errores tipo newey-west para un rezago.

. reg gfr pe pill ww2

Source
Que
SS
cambia
df
en la
MS
estimación? Donde son los errores
Number of obs = 72
estándar más grandes?
F( 3, 68) = 20.38
Model 13183.6215 3 4394.54049 Prob > F = 0.0000
Residual 14664.2739 68 215.651087 R-squared = 0.4734
Adj R-squared = 0.4502
Total 27847.8954 71 392.223879 Root MSE = 14.685

gfr Coef. Std. Err. t P>|t| [95% Conf. Interval]

pe .08254 .0296462 2.78 0.007 .0233819 .1416981

pill -31.59403 4.081068 -7.74 0.000 -39.73768 -23.45039
ww2 -24.2384 7.458253 -3.25 0.002 -39.12111 -9.355684
_cons 98.68176 3.208129 30.76 0.000 92.28003 105.0835
. newey gfr pe pill ww2 , lag(1)

Regression with Newey-West standard errors Number of obs = 72

maximum lag: 1 F( 3, 68) = 31.92
Prob > F = 0.0000

Newey-West
gfr Coef. Std. Err. t P>|t| [95% Conf. Interval]

pe .08254 .0366623 2.25 0.028 .0093816 .1556984

pill -31.59403 4.249306 -7.44 0.000 -40.07339 -23.11468
ww2 -24.2384 3.726563 -6.50 0.000 -31.67464 -16.80215
_cons 98.68176 5.838059 16.90 0.000 87.03209 110.3314

Utilizando errores tipo newey-west para un rezago los valores de los coeficientes
son los mismos en ambas regresiones, los errores estándar son muy similares en
ambas regresiones, sin embargo, son más grandes en la regresión con newey-
west y esto se ve reflejado en el estadisitico-t ya que sus p-valor aumentaron es
decir, aumento el nivel de significancia.

TALLER DE STATA N°2

 ALEJANDRA BERNAL
JHON HEIBER MOSQUERA PEREA

LEONARDO MORALES ZURITA

ECONOMETRIA II

UNIVERSIDAD AUTONOMA LATINOAMERICANA

FACULTAD DE ECONOMÍA
MEDELLIN

2016