lOMoARcPSD|6262375

DEBER CAPITULO 1

Modelos econométricos (Universidad Técnica Particular de Loja)

StuDocu no está patrocinado ni avalado por ningún colegio o universidad.

Descargado por miriam cervantez (miriamalejo967@gmail.com)
 TITULACIÓN DE ECONOMÍA
ECONOMETRÍA III
15.1. Consulte la información de la tabla 15.2. Si 𝒀̂𝒕 es negativa, suponga que es igual
a 0.01, y si es mayor que 1, suponga que es igual a 0.99. Recalcule las
ponderaciones 𝑾̂𝒕 y estime el MLP mediante MCP. Compare los resultados con los
dados en (15.2.11) y coméntelos.

Ecuación 15.2.11

Nueva Ecuación
Residual 39.70104 38 1.04476447 R-squared = 0.96
99 56
Adj R- = 0.96
squared 38
Total 1154.271 40 28.8567908 Root MSE = 1.02
63 21

yipo Coef. Std. t P>|t| [95% Interval

Err. Conf. ]

ipo -.5348302 .0666249 - 0.000 -.6697052 -.399955

8.03 2
xpo .0772993 .0041429 18.6 0.000 .0689124 .0856861
6

𝑌̂𝑖 1 𝑋𝑖
= −0.5348302 + 0.0772993
√𝑤̂𝑖 √𝑤̂𝑖 √𝑤̂𝑖

Comparando las dos ecuaciones se puede ver la segunda ecuación más robusta a la
primera ya que su intervalo de confianza es menor, sus errores estándar son menores al
igual que los valores de t, por lo que a breves rasgos la segunda ecuación sin
estimaciones negativas o mayores a uno se ajusta mejor que la primera ecuación.

15.2. Para la información sobre propiedad de vivienda de la tabla 15.1, las

estimaciones de máxima verosimilitud del modelo logit son las
siguientes:
𝑃𝑡
𝐿̂ = ln ( ̂ ) = −493(54 + 32.96 𝑖𝑛𝑔𝑟𝑒𝑠𝑜)
𝑡
1 − 𝑃̂𝑡
t = (−0.000008) (0.000008)
Comente estos resultados, teniendo en mente que todos los valores de ingreso por encima
de 16 (1 000 dólares) corresponden a Y = 1 y todos los valores de ingreso por debajo de
16 corresponden a Y = 0. A priori, ¿qué esperaría en tal situación?

A priori se puede decir que se tiene una corta brecha entre las probabilidades de poseer
una vivienda (100%) y de no poseerla (0%), por lo que no se tendrían posibilidades claras
sobre la propiedad de las viviendas

15.3. Al estudiar la compra de bienes imperecederos Y (Y =1 si hubo compra, Y =0 si

no la hubo) como función de diversas variables para un total de 762 familias, Janet
A. Fisher* obtuvo los siguientes resultados del MLP:

a) Comente en general sobre el ajuste de la ecuación.

A simple vista se aprecian altos valores en los errores estándar ya que la gran
mayoría poseen valores elevados y no significativos frente a los coeficientes, lo que
indica que estos no son tan confiables. Existen tan solo tres variables con errores
estándar significativos. X1, X13 y X16. Se concluye que el modelo en general
cuenta con variables irrelevantes.

b) ¿Cómo interpreta el coeficiente de −0.0051 asociado a la variable de

cuentas corrientes? ¿Cómo explica el signo negativo de esta variable?

Dado un incremento unitario de en las cuentas corrientes, la posibilidad de realizar

la compra de bienes imperecederos es de 0,5%.

c) ¿Cuál es el razonamiento de la introducción de las variables edad elevada al

cuadrado y número de hijos elevado al cuadrado? ¿Por qué hay signo negativo en
ambos casos?

Las posibles causas pueden ser que el investigador asumió que las personas con
elevada edad consumen alimentos imperecederos con más frecuencia que los
jóvenes dado que para su avanzada edad son más fáciles de preparar y poseen un
 costo más bajo, esta última puede ser también la razón de incluir el número de hijos
elevado en el modelo.

d) Si tiene valores de cero para todas las variables excepto para la variable
ingreso, encuentre la probabilidad condicional de una familia, cuyo ingreso es $20
000, de comprar un bien imperecedero.

(Y=1I X=20000) = 0.1411+ (0.0251*20)

P = 0,6431 64,31%

e) Estime la probabilidad condicional de poseer uno o más bienes imperecederos

si X1 =$15 000, X3 =$3 000, X4=$5 000, X6 =0, X7 =1, X8 =$500, X9 =$300, X10 =0,
X11=35, X13 =1, X14 =2, X16 =0.

P = 0.1411+ (0.0251*15)- (0.0051*3) + (0.0013*5) - (0.0469*0)+ (0.0136*1)

- (0.7540*0,5) - (0.9809*0,3) - (0.0367*0) + (0.0046*35) + (0.1760*1)
+ (0.0398*2)+ (0.1760*0)
P= 0.1411+ 0.3765- 0.0153+ 0.0065+0.0136-0.377-0.2943+ 0.161+ 0.1760+0.0796
P= 0,2677

15.4. El valor R2 en la regresión de la participación de la fuerza laboral en la tabla

15.3 es 0.175, relativamente bajo. ¿Puede probar la significancia estadística para
este valor? ¿Qué prueba utiliza y por qué? Comente en general sobre el valor del R2
en tales modelos.

En este tipo de regresiones, el coeficiente de determinación no suele ser usado ya que su

valor no refleja el grado de relación de las variables, en su lugar se utiliza la prueba F ya
que ante la inclusión de variables dicótomas en un modelo brinda una mejor explicación
global.

15.5. Estime las probabilidades de tener casa propia en los diversos niveles de
ingreso en los que se basa la regresión (15.7.1). Grafique las probabilidades
contra el ingreso y comente sobre la relación resultante.
 40

prob

1. 9.750424
2. 13.70765
30

3. 18.40785
4. 28.76329
5. 39.67949
20

6. 34.60555
7. 38.50379
8. 34.1766
30.49937
10

9.
0 10 20 30 40 10. 20.66831
X

Se aprecia que ante un aumento del ingreso la probabilidad de tener casa propia es mayor.

15.6. En la regresión probit de la tabla 15.11 muestre que el intercepto es igual a

−μx/σx y la pendiente es igual a 1/σx, donde μx y σx son la media y la desviación
estándar de X.

𝐼𝑡 = 𝛽1 + 𝛽2𝑋𝑖

𝑋𝑖 − 𝑢𝑥 𝑢𝑥 1
𝐼𝑡 = = − + ( ) 𝑋𝑖
𝜎𝑥 𝜎𝑥 𝜎𝑥
𝑢𝑥 1
𝛽1 = − ; 𝛽2 = − ( )
𝜎𝑥 𝜎𝑥

15.7. Con base en datos de 54 áreas estadísticas metropolitanas estándar

(AEME), Demaris estimó el siguiente modelo logit para explicar tasas altas de
asesinatos versus tasas bajas de asesinatos:**

ln 𝑂̂𝑡 = 1.1387 + 0.0014𝑃𝑡 + 0.0561𝐶𝑡 − 0.4050𝑅𝑡

ee = (0.0009) (0.0227) (0.1568)
Donde O =posibilidades en favor de una tasa alta de asesinatos, P =tamaño de la
población en 1980 en miles, C=tasa de crecimiento de la población entre 1970 y 1980,
R =cociente de lectura, y ee= errores estándar asintóticos.

a) ¿Cómo interpretaría los diversos coeficientes?

Se podría interpretar que ante el aumento de 1000 pobladores en el tamaño

poblacional ponderado, el logaritmo ponderado de las posibilidades en favor de un
incremento de la tasa de asesinato sería del 0,14%; y de manera similar con el
resto de variables.

b ) ¿Qué coeficientes son en lo individual estadísticamente significativos?

De manera individual los coficientes C y R son estadísticamente significativos.

c ) ¿Cuál es el efecto de un incremento unitario en el cociente de lectura en las

posibilidades en favor de una tasa más alta de asesinatos?

Ante el aumento unitario en el cociente de lectura ponderado, el logaritmo

ponderado de las posibilidades en favor de una disminución de la tasa de asesinato
serían del 40,5%.

15.8. Compare y comente sobre las regresiones de MCO y MCP (15.7.3) y (15.7.1).

En lo que refiere a la regresión de MCO se aprecian errores estándar más robustecidos y

un leve cambio en el valor de los coeficientes, sus signos permanecen inmutables; además
los valores t en ambos casos son significativos y no muestran fluctuaciones muy amplias.

15.9. De la encuesta sobre presupuesto familiar de 1980 levantada por la Oficina

Central Holandesa de Estadísticas, J. S. Cramer obtuvo el siguiente modelo logit con
base en una muestra de 2 820 familias. (Los resultados se basan en el método de
máxima verosimilitud y se dan después de la tercera iteración.)† El propósito del
modelo logit fue determinar la adquisición de un automóvil como una función del
(logaritmo del) ingreso. La adquisición de automóvil fue una variable binaria: Y ! 1 si
una familia tenía un automóvil,Y =0 en otro caso

𝐿̂𝑡 = −2.77231 + 0.347582 ln

𝐼𝑛𝑔𝑟𝑒𝑠𝑜
t = (−3.35) (4.05)
X2(1 gl) = 16.681 (valor p = 0.0000)
Donde 𝐿̂𝑡 =el logit estimado y en donde ln Ingreso es el logaritmo del ingreso. La
distribución X2 mide la bondad del ajuste del modelo.

a) Interprete el modelo logit estimado.

Para un incremento unitario ($1000) en el ingreso ponderado, el logaritmo ponderado de

las posibilidades en favor de que una familia tenga automóvil es 34,76%

b) Del modelo logit estimado, ¿cómo obtendría la expresión para la probabilidad

de un automóvil?

Primero tomando el antilogaritmo de la ecuación estimada.

𝑃𝑖
(1−𝑃𝑖)
= 0.0625𝑋0,3475

Teniendo la expresión para probabilidad de automóvil:

0.0625𝑋0,3475
𝑃𝑖 =
1 + 0.0625𝑋0,3475

c) ¿Cuál es la probabilidad de que una familia con un ingreso de $20 000 posea un
automóvil?, ¿y para un nivel de ingreso de $25 000? ¿Cuál es la tasa de cambio de la
probabilidad en un nivel de ingreso de $20 000?

Tomando en cuenta el literal b se tiene:

0.0625(20000)0,3475
𝑃𝑖 =
1 + 0.0625(20000)0,3475

Pi=0.66

d ) Comente sobre la significancia estadística del modelo logit estimado.

El modelo de manera general muestra significancia en los parámetros, es decir de manera

individual y de manera global mediante el estimador de X2 teniendo que su bondad de
ajuste es muy buena.
 Investigación Teórica

DISTRIBUCIÓN DE PROBABILIDADES DE BERNOULLI

En esta distribución son solo posibles dos resultados: éxito o fracaso. Podemos definir una
variable aleatoria discreta X tal que:
Éxito = 1
Fracaso = 0
Si la probabilidad de éxito es p y la de fracaso 1 - p, podemos construir una función de
probabilidad:

F (x)  
1 p, para x  0
P(x)  p (1 p)
x 1x
x  0,1
 1, para x  1
Un típico experimento de Bernoulli es el lanzamiento de una moneda con probabilidad p
para cara y (1-p) para cruz.

DEFINICIÓN Y CARACTERÍSTICAS DE UN MODELO NORMAL

La distribución de probabilidad normal posee una multitud de variables aleatorias continuas

siguen una distribución normal o aproximadamente normal. Una de sus características más
importantes es que casi cualquier distribución de probabilidad, tanto discreta como
continua, se puede aproximar por una normal bajo ciertas condiciones. A la distribución
normal también se la denomina con el nombre de campana de Gauss, pues al representar
su función de probabilidad, ésta tiene forma de campana.

Características de la distribución normal de la probabilidad.

1. La curva tiene un solo pico. Presenta una forma de campana.

2. La media se encuentra en el centro de su curva normal.
3. A causa de la simetría de la distribución normal de probabilidad, la mediana y la moda
de la distribución también se hallan en el centro.
4. Las dos colas de una distribución normal de probabilidad se extienden de manera
indefinida y nunca tocan el eje horizontal.

Áreas bajo la curva normal.

TEOREMA DEL LÍMITE CENTRAL

El teorema de Límite Central estipula que dado un grupo numeroso de variables

independientes y todas ellas siguen el mismo modelo de distribución, la suma de ellas se
distribuye según una distribución normal. Este teorema se aplica tanto a la suma de
variables discretas como variables continuas.

Características

1. Permite averiguar la probabilidad de que la media de una muestra concreta esté en un

cierto intervalo.

2. Permite calcular la probabilidad de que la suma de los elementos de una muestra esté, a
priori, en un cierto intervalo.

3. Inferir la media de la población a partir de una muestra.

Bibliografía
Ángel, J., Sedano, M., & Vila, A. (s.f.). Universidad Oberta de Cataluña. Recuperado el 06 de Abril de 2015, de
Universidad Oberta de Cataluña: http://www.uoc.edu/in3/emath/docs/Distrib_Normal.pdf

Mantilla, M. (03 de Mayo de 2014). Slideshare. Recuperado el 08 de Abril de 2015, de Slideshare:

http://es.slideshare.net/monicamantillahidalgo/teorema-del-limite-central

Sanchez, B. (06 de Marzo de 2006). Departamento de matemática aplicada y estadística. Recuperado el 08

de Abril de 2015, de Departamento de matemática aplicada y estadística:
matap.dmae.upm.es/.../Probabilidad/5_DistribucionesDiscretas.pptx

Vazquez, J. (Septiembre de 2002). Gestiopolis. Recuperado el 08 de Abril de 2015, de Gestiopolis:

http://www.gestiopolis.com/recursos/experto/catsexp/pagans/eco/44/distrinormal.htm