Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Econometría 2
Integrantes:
Valeria García Ortiz
Anlly Lorena Ibarra
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
Con un Test-Statistic de -3.310, rechazamos la hipótesis nula H} rsub {0} ,¿con un valor crítico
de -3.12 y un nivel de significancia al 2,5%, ya que -3.310<-3.12. Concluimos que la variable Itotacc
no tiene raíz unitaria.
Con un nivel de significancia del 5%, también podemos rechazar la hipótesis nula “ H 0”, ya que
-3.31<-2.86.
ii) Ahora agregue dos cambios rezagados a la prueba del inciso i) y calcule la prueba de Dickey-
Fuller aumentada. ¿Qué concluye?
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
Con un test Statistic de -1.502, y los respectivos valores críticos, además agregándole dos rezagos
a nuestra prueba, no podemos rechazar la hipótesis nula “ H 0”, a ningún nivel de significancia. Por
lo tanto, podemos afirmar que la serie tiene raíz unitaria.
iii) Agregue una tendencia temporal lineal a la regresión DF aumentada del inciso ii). Ahora ¿qué
sucede?
Augmented Dickey-Fuller test for unit root Number of obs = 105
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
Para este caso, el Test Statistic nos da -3.666, y el valor crítico al 5% es de -3.449, por lo tanto,
rechazamos la hipótesis nula “ H 0”, puesto que -3.666<-3.449. Podemos concluir que al añadirle al
modelo dos rezagos y agregándole una tendencia temporal a la regresión, eliminamos el problema
de raíz unitaria.
v) Dados los resultados del inciso i) a iii), ¿qué diría que es la mejor caracterización de ltotacct: un
proceso I(1) o un proceso I(0) acerca de una tendencia temporal lineal?
Augmented Dickey-Fuller test for unit root Number of obs = 105
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
El Test Statistic es de -4.744, y es menor que todos los valores críticos que nos arrojó la prueba.
Podemos concluir que, sin importar el nivel de significancia, rechazamos la hipótesis nula. Por lo
tanto, no hay presencia de raíz unitaria.
Augmented Dickey-Fuller test for unit root Number of obs = 105
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
2. Para el siguiente ejercicio use los datos de fecundidad.dta que hemos utilizado en tareas
anteriores. La descripción de los datos puede encontrarla en la tarea 1
i) Corra una regresión de la tasa de fecundidad total gfr en función de las exenciones tributarias pe
y una tendencia temporal lineal. Luego corra la misma regresión con las variables en diferencias y
la tendencia temporal. ¿Qué tan diferentes son los resultados? ¿Confiaría usted en los coeficientes
de las variables a niveles?
. reg gfr pe tendencial
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
pe
D1. -.0441285 .0289463 -1.52 0.132 -.1018899 .0136329
Podemos decir que su primera diferencia tiene como ventaja convertir un proceso integrado de
series de tiempo en un proceso débilmente dependiente. Los resultados a niveles parecen
confiables, siendo lógico pensar que las personas tendrán más hijos si reciben como beneficio una
exención tributaria. Por último, podemos concluir que los coeficientes de estas variables no son
estadísticamente significativos.
ii) Pruebe que la serie gfr es I(1), para hacerlo utilice un test DF aumentado con tendencia
temporal, con un rezago.
. dfuller gfr, lags(1) trend
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
No se rechaza H0 bajo ningún nivel de significancia, por lo tanto, gfr presenta raíz unitaria, siendo
así la serie gfr I (1).
La serie es I (1) ,el coeficiente de gfrL1 (ϴ) no es significativo, por lo que se asume que es cero, por
tanto, no se puede rechazar la hipótesis nula, de que ϴ= 0, que implica la existencia de raíz
unitaria. Por otro lado, la prueba automática de DF nos dice que el estadístico de prueba es -1.474,
el cual es menor a los valores críticos en valor absoluto, como, por ejemplo; menor al -3.41 al 5%
de significancia, no se puede rechazar la hipótesis nula Ho: ϴ= 0 →Hay Raíz unitaria.
Podemos concluir que, la serie gfr es I (1). Es importante tener presente los procesos de raíz
unitaria, estos son integrados de orden uno, o I (1). Lo que significa que la primera diferencia del
proceso es débilmente dependiente (y a menudo estacionaria). Una serie de tiempo I (1) a
menudo se considera un proceso estacionario en diferencias.
iii) Pruebe que la serie pe es I(1), , para hacerlo utilice un test DF aumentado con tendencia
temporal, con un rezago.
. dfuller pe, lags(1) trend
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
No se rechaza H0 bajo ningún nivel de significancia, por lo tanto, “pe” presenta raíz unitaria, siendo
así la serie pe I (1).
La serie pe es I (1), el coeficiente de peL1 (ϴ) no es significativo, por lo que se asume que es cero,
por lo tanto, no se puede rechazar la hipótesis nula, de que ϴ= 0, que implica la existencia de raíz
unitaria. La prueba aumentada de DF nos dice que el estadístico de prueba es -1.471, menor a
todos los valores críticos en valor absoluto, por lo cual no se puede rechazar la Ho: ϴ= 0 → Raíz
unitaria. En conclusión, la serie pe es I (1).
iv) Haga un test de co-integración que permita controlar por una tendencia temporal lineal y
comente el resultado del test. Cuáles son las implicaciones en cada posible resultado del test.
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
. reg gfr pe
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
La combinación lineal entre gfr y pe es I (1), por lo tanto, estas no están co-integradas; puede que
una regresión de grft en pet sea espuria y no posea resultados significativos, así no hay una
relación entre gfr y pe en el largo plazo.
Haciendo un test de DF ampliado con tendencia, el cual permite controlar por una tendencia
temporal lineal, nos damos cuenta de que no hay cointegración entre las variables, puesto que el
valor del estadístico de prueba es menor (en valor absoluto) que los valores críticos, por ende, no
se puede rechazar la hipótesis nula de no cointegración. Se concluye que no existe una relación
estable a largo plazo entre las variables, es decir una combinación lineal entre estas variables nos
da como resultado una serie I (1).
3. Para el siguiente ejercicio use los datos mroz.dta que encontrará en la página del curso. La
descripción de los datos es la siguiente:
i) Estime un modelo Logit de la probabilidad de participar en el mercado laboral incluyendo las
variables explicativas exper, exper2, nwifeinc, age, kidslt6 y kidsge6
Podemos decir que solo “exper, expersq, age y kidslt6” son estadísticamente significativas, siendo
la de mayor valor o impacto positivo en la PEA en orden descendente la variable exper seguida de
kidslt6, expersq y age.
Teniendo en cuenta el punto anterior las únicas variables que no son significativas para la PEA son
los ingresos no laborales (nwifeinc) y número de hijos entre 6 y 18 (kidsge6) por el contrario las
demás variables arrojaron resultados significativos del 99% .
( 1) [inlf]kidslt6 = 0
( 2) [inlf]kidsge6 = 0
chi2( 2) = 47.17
Prob > chi2 = 0.0000
Por medio de la prueba de significancia conjunta de las variables que describen la presencia de
niños en el hogar, esta no muestra que son estadística y conjuntamente significativas, pues su
probabilidad es menor al 5%. Por lo tanto, a un nivel de significancia menor al 1%, no hay
significancia conjunta en las variables de presencia de niños en el hogar.
3. Como la fecundidad afecta la oferta laboral? Usando el archivo fertility.dta que se encuentra en
la página del curso, resuelva el siguiente problema. Encuentre a continuación una descripción de
las variables incluidas en el archivo.
a. Regrese la variable weeksm1 como función del indicador morekids usando OLS. Interprete los
resultados. (coeficientes, significancia)
b. Explique porque la estimación OlS del punto anterior es inapropiada para encontrar el efecto
causal de la fecundidad (morekids) sobre la oferta laboral weeksm1.
Para comprender cómo funciona la regresión VI, imaginemos que la variación de X tiene dos
partes: una parte que, por alguna razón, está correlacionada con u (esta es la parte que causa los
problemas) y una segunda parte que está correlacionada con u. Si se dispone de información que
permita aislar la segunda parte de X, podríamos centrarnos en esas variaciones de X que no están
correlacionadas con u y despreocuparnos de las variaciones de X que sesgan las estimaciones
MCO. Morekinds está correlacionada con el error, por lo que una forma de aislar el efecto de
Morekinds sobre weeksm1 es a través de un instrumento (Samesex)
c. La data contiene la variable samesex, la cual es igual a uno si los primeros dos hijos tienen el
mismo sexo o igual a cero en cualquier otro caso. ¿Son las parejas cuyos primeros dos hijos son del
mismo sexo más propensos a tener otro hijo? Comente sobre la magnitud y la significancia de este
efecto.
Primera etapa
d. Explique porque samesex es un instrumento válido para la regresión por IV de la regresión que
explica weeksm1 en función de morekids. Explique en su respuesta si el instrumento es o no un
instrumento débil (usando un test estadístico formal)
e. Estime la regresión del punto 1 por variables instrumentales usando la variable samesex como
instrumento. Compare los resultados de esta regresión con los del punto uno. ¿Qué signo tiene el
sesgo de endogeneidad de la regresión por OLS?
La inclusión de controles (agem1 black hispan othrace) reduce el coeficiente, no obstante, la
dirección y magnitud sigue siendo significativa, la introducción de controles puede conducir a
estimaciones más precisas.
4. En el archivo seatbelts.dta, que está colgado en la página del curso encontrará un archivo de
datos panel. Información longitudinal (en el tiempo) para un conjunto de observaciones. En este
caso es un panel de Estados en Norte América, donde se tiene información sobre leyes de tránsito
y accidentes para el periodo comprendido entre 1997 y 1983
a)Estime el efecto del uso del cinturón de seguridad sobre accidentes, para esto regrese
Fatalityrate como función de sb_useage, speed65, speed70, ba08, drinkage21, ln(income), and
age. Note que tienen que generar la variable ln(income), nombrela Lincome. Sugiere esta
regresión que el uso de cinturón de seguridad reduce los accidentes
no, por el contrario, los aumenta, ya que un aumento en la Tasa de uso del cinturón de
seguridad aumenta .0040684 al Número de muertes por millón de millas de carretera
b. Ahora incluya efectos fijos por estado y vuelva a estimar la regresión del punto a. De una
interpretación global de que capturan estos efectos fijos. Cambian las conclusiones del punto a
después de incluir los efectos fijos. (Nota en la tabla de presentación omita los coeficientes de los
efectos fijos de otra forma la tabla quedaría muy grande)
R/ al incluir los efectos fijos se puede observar que el uso del cinturón de seguridad
reduce la tasa de muertes por millón de millas en la carretera, caso contrario a la
regresión anterior, en general todas las variables son significativas al 5 por ciento
menos speed65 y drinkage21, las variables que reducen la fatalidad son ba08, Lincome
y sb_useage
c. Además de los efectos fijos por estado, ahora adicionalmente, incluya efectos fijos de tiempo y
vuelva a estimar la regresión del punto a. De una interpretación global de que capturan estos
efectos fijos. Cambian las conclusiones del punto a después de incluir los efectos fijos. (Nota en la
tabla de presentación omita los coeficientes de los efectos fijos de otra forma la tabla quedaría
muy grande).
R/ no, el uso del cinturón sigue reduciendo la fatalidad en accidentes, por otro lado, en
general las variables son significativas al 5% menos Lincome y Speed65 este resultado
es más realista ya que el ingreso no debería afectar la fatalidad de accidentes, La edad
afecta la fatalidad positivamente, La edad para beber reduce la fatalidad, El límite de
velocidad a 70 aumenta la fatalidad el Límite legal para sobriedad 0.08% alcohol en la
sangre reduce la fatalidad de accidentes Y el uso de cinturón la reduce.
d. Cuál de las tres especificaciones es más confiable y porque?
el modelo más confiable seria el que incluye los efectos fijos de año y estado, ya que los
resultados son más consistentes con lo que deberían ser en la realidad, por ejemplo, el
ingreso no debería ser significativo, y las variables uso de cinturón, edad para beber y el
límite de sobriedad deberían reducir la fatalidad de accidentes.
e) el modelo más confiable seria el que incluye los efectos fijos de año y estado, ya que los
resultados son más consistentes con lo que deberían ser en la realidad, por ejemplo, el
ingreso no debería ser significativo, y las variables uso de cinturón, edad para beber y el
límite de sobriedad deberían reducir la fatalidad de accidentes.
la variable primary que es el uso obligatorio de cinturón no reduce la fatalidad en los
accidentes, por el contrario, secondary que es la recomendación del uso del cinturón de
seguridad si reduce la fatalidad en accidentes, finalmente, estas variables no son
significativas para explicar la fatalidad en accidentes.