FUNDAMENTOS DE ECONOMETRÍA

TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

EJERCICIO 2.3. 
A partir de los datos proporcionados sobre los resultados de la prueba de aptitud para el
acceso a la universidad en EEUU (ACT) y la nota media en la universidad (GPA) de ocho
estudiantes universitarios
1. Estimar la relación entre GPA y ACT empleando MCO, obtener los valores estimados
de β0 y β1
Comentar la dirección de la relación. ¿El término constante se presta a una
interpretación útil en este caso? Explicar la respuesta. ¿En cuánto se predice que
aumente el GPA si el resultado ACT aumenta en 5 puntos?
2. Calcular los valores ajustados y los residuos para cada observación y comprobar que
los residuos suman aproximadamente cero
3. Dar el valor predicho GPA cuando ACT = 20
4. ¿Qué proporción de la variación de GPA de estos ocho estudiantes se explica por
ACT? Razonar la respuesta
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

MUESTRA ALEATORIA DE TAMAÑO N = 8

Estudiante GPA  (y) ACT (x)

1 2,8 21
2 3,4 24
3 3,0 26
4 3,5 27
5 3,6 29
6 3,0 25
7 2,7 25
8 3,7 30

GPAi = β0 + β1 ACTi + ui con i = 1,2 ,3,…….,8  

 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

DERIVACIÓN ESTIMACIONES POR MCO

MODELO DE REGRESIÓN LINEAL
y = β0 + β1 x + u  SIMPLE

SUPUESTO CRUCIAL → SUPUESTO DE MEDIA CONDICIONADA NULA

E(u|x) = E(u) = 0

El valor esperado de U no depende de X Siempre y cuando incluyamos una

La media de los errores es la misma, constante en la especificación podemos
E(U), independientemente del valor que establecer que el valor medio de u en la
tome X. población es 0 (ver ejercicio 2.2.).

Cov (x,u) = E(xu) = 0 E(u) = 0

Restricción 1 Restricción 2

E(xu) = E [x(y ‐ β0 ‐ β1x)] = 0   E(u) = E (y ‐ β0 ‐ β1x) = 0  

 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

DERIVACIÓN ESTIMACIONES POR MCO

POBLACIONAL

E(xu) = E [x(y ‐ β0 ‐ β1x)] = 0   E(u)   = E (y ‐ β0 ‐ β1x) = 0  

( ) ( )
n n
MUESTRAL

n−1 ∑ x i yi −βˆ 0 −βˆ 1 x i =0 n−1 ∑ yi −βˆ 0 −βˆ 1 x i =0

i=1 i=1

QUEREMOS ENCONTRAR ESTIMACIONES DE β0 Y β1 QUE CUMPLAN ESTAS

DOS RESTRICCIONES
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

DERIVACIÓN ESTIMACIONES POR MCO

( )
n
n−1 ∑ yi −βˆ 0 −βˆ 1 x i =0
i=1

n n n
n−1 ∑ yi − n−1 ∑ βˆ 0 − n−1 ∑ βˆ 1 x i =0 n
i=1 i=1 i=1 ∑ β =nβ0 0
i=1
n n

∑ yi βˆ 1 ∑ x i
n n

∑ βˆ x =βˆ ∑ x
nβˆ 0
1 i 1 i
i=1 i=1

i=1
− − i=1
=0
n n n
y −βˆ 0 −βˆ 1 x =0

βˆ 0 = y −βˆ 1 x
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

DERIVACIÓN ESTIMACIONES POR MCO

∑ x ( y −βˆ −βˆ x )=0

n n

∑ x ( y − y ) =βˆ ∑ x ( x −x )
n
−1
n i i 0 1 i i i 1 i i
i=1 i=1 i=1

( )
n

∑ xi yi −βˆ 0 −βˆ 1 xi =0 ∑x (y −y )
n

i i
i=1
βˆ 1 = i=1
n

( ) ∑ x ( x −x )
n

∑ x i ⎡ yi − y −βˆ 1 x −βˆ 1 x i ⎤ =0
n n

i i ∑ xi ( yi − y )=∑ ( xi − x )( yi − y )
i=1
⎣ ⎦ i=1
i=1
n
i=1
n

∑ x i ( x i − x )=∑ ( x i − x ) 2
i=1 i=1

( )
n

( )
n

∑i i − − ∑i 1 1i
ˆ x −βˆ x =0
β
∑ ( x − x )( y − y )
n
x y y x
i=1 i=1 i i

n
βˆ 1 = i=1
n

( )
n

∑i i 1∑ i ∑(x −x )
2
x y − y ˆ
=β x x − x 2
i
i
i=1 i=1 i=1
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

1. Estimar la relación entre GPA y ACT empleando MCO, obtener los valores
estimados de β0 y β1
[X ‐ Media X] [Y ‐ media Y]

∑ ( x − x )( y − y )
n
OBS. GPA (Y) ACT (X) (A) x (B) (A)^2
(A) (B)
1 2,8 21 ‐4,88 ‐0,41 2,01 23,77 i i
2 3,4 24 ‐1,88 0,19 ‐0,35 3,52 βˆ 1 = i=1
n

∑ ( xi − x )
3 3 26 0,13 ‐0,21 ‐0,03 0,02 2
4 3,5 27 1,13 0,29 0,32 1,27
5 3,6 29 3,13 0,39 1,21 9,77 i=1
6 3 25 ‐0,88 ‐0,21 0,19 0,77
7 2,7 25 ‐0,88 ‐0,51 0,45 0,77
8 3,7 30 4,13 0,49 2,01 17,02
SUMA 5,81 56,88 5,81
MEDIA DE X 25,88 βˆ 1 = =0,1022
MEDIA DE Y 3,21
56,88

βˆ 0 = y −βˆ 1 x

βˆ 0 =3,21−(0,1022x25,88) =0,5681

GPA = 0,5681 + 0,1022 ACT

 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE
Comentar la dirección de la relación. ¿El término constante se presta a una interpretación
útil en este caso? Explicar la respuesta. ¿En cuánto se predice que aumente el GPA si el
resultado ACT aumenta en 5 puntos?

GPA = 0,5681 + 0,1022 ACT
Relación positiva entre las notas de acceso y la nota
media universitaria → por cada punto adicional en la
prueba de aptitud para el acceso a la universidad
(ACT) la nota media de la universidad (GPA) se
incrementa en 0,1022 puntos.

Si el resultado del ACT aumenta en 5 puntos → aumento del GPA en 5 x 0,1022 = 0,511 puntos.

ƒ La constante nos indica el valor que toma GPA cuando la variable X toma valor 0. En este
caso, el valor de la constante nos estaría indicando el valor que toma GPA cuando la nota de la
prueba de acceso a la universidad es 0: predice una nota media de la universidad de 0,5681
puntos sobre 4.
ƒLa constante aquí carece de sentido puesto que, en el caso de obtener una nota de 0 en la
prueba de acceso, es de esperar que no tengas acceso a la universidad. Es de suponer que en
la población el valor de X sea siempre superior o igual a la nota mínima requerida para el
acceso a la universidad.
ƒInterpretación de la constante → efecto que, en media, tienen sobre GPA todos aquellos
factores ajenos a ACT (recogidos en “u”, cuya esperanza hemos fijado en cero).
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE
VALORES AJUSTADOS Y RESIDUOS

Valor ajustado → valor que predecimos tomará “Y” en base a nuestra función de
regresión muestral (FRM) cuando X = Xi

ŷi =βˆ 0 +βˆ 1 x i → GPA = 0,5681 + 0,1022 ACT

Residuo → diferencia entre el valor que realmente toma Y cuando X = Xi (valor

que observamos en nuestra muestra) y el valor ajustado predicho por
nuestro modelo para ese nivel de X.

uˆ i = yi − yˆ i = yi −βˆ 0 −βˆ 1 xi → ûi = GPA −(0,5681 + 0,1022 ACT)

MCO: estimadores que

minimicen la suma de los
∑ ( y −βˆ −βˆ x )=0
n
cuadrados de los residuos 2 n−1

( )
n n i 0 1 i

Min ∑ u = ∑ yi −βˆ 0 −βˆ 1 x i

2 Condiciones de  i=1

( )
i 1er orden n
i=1 i=1 n−1 ∑ x i yi −βˆ 0 −βˆ 1 x i =0
i=1
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE
2. Calcular los valores ajustados y los residuos para cada observación y comprobar que
los residuos suman aproximadamente cero.

VALOR 
OBS. ACT (X) GPA (Y) RESIDUO
AJUSTADO
1
2
21
24
2,80
3,40
2,71
3,02
0,0857
0,3791
ûi >0 La FRM estimada subestima yi
3 26 3,00 3,23 ‐0,2253
4 27 3,50 3,33 0,1725
5 29 3,60 3,53 0,0681
6 25 3,00 3,12 ‐0,1231
7 25 2,70 3,12 ‐0,4231 ûi <0 La FRM estimada sobreestima yi
8 30 3,70 3,63 0,0659

3,63 = 0,5681 + ( 0,1022 x 30 )

8

∑Û =−0,0002
i=1
i
Condición de 1er orden

( )
n n
n−1 ∑ yi −βˆ 0 −βˆ 1 x i = 0 = n−1 ∑ U
ˆi
i=1 i=1
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

BONDAD DEL AJUSTE

n 2

SUMA TOTAL DE LOS CUADRADOS (STC)   → ∑(y −y )

STC =                  SEC         +        SEC

i
i=1
Medida de la varianza muestral total en las yi. Indicador del grado de dispersión de la variable a
explicar en la muestra.
n 2

SUMA EXPLICADA DE LOS CUADRADOS (SEC)   → ∑ ( ŷ − y )

i=1
i

Medida de la varianza muestral de los valores ajustados. Indicador del grado de dispersión de
las variables predichas en la muestra.
n
SUMA DE LOS CUADRADOS DE LOS RESIDUOS (SCE)   →
∑i
û
i=1
2

Medida de la varianza muestral de los residuos. Indicador del grado de dispersión de los
residuos en la muestra.

BONDAD DEL AJUSTE → medida de la capacidad de la relación lineal establecida entre la

variable a explicar (Y) y la variable explicativa (X) para explicar (Y)

SEC SCE Proporción de la varianza muestral total en las Yi que viene

R =
2
=1− explicada por la SEC, esto es, por la parte determinista del
STC STC modelo especificado
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

3. Dar el valor predicho GPA cuando ACT = 20

GPA = 0,5681 + 0,1022 x20 = 2,61

4. ¿Qué proporción de la variación de GPA de estos ocho estudiantes se explica por ACT?
Razonar la respuesta n

SEC SCE SEC SCE ∑û 2

i
R =
2
=1− R2 = =1− =1 − n
i=1
STC STC STC STC
∑ ( yi − y )
2

i=1

OBS. RESIDUO ^2 (Yi ‐ MEDIA Y)^2

R2 = 1 – (0,43/1,03) = 0,577
1 0,01 0,17
2 0,14 0,04
ACT explica el 57,7% de la variación de GPA. 
3 0,05 0,05
4 0,03 0,08
5 0,00 0,15
6 0,02 0,05
7 0,18 0,26
8 0,00 0,24
SUMA 0,43 1,03
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

EJERCICIO 2.5. 
En la función de consumo lineal
ˆ =βˆ 0 +βˆ 1 inc
cons
La propensión marginal al consumo (PMC) estimada de la renta es simplemente la
ˆ
cons βˆ
pendiente, mientras que la propensión media al consumo (PMEC) es = 0 +βˆ 1
inc inc
Empleando observaciones de 100 familias sobre sus ingresos y consumo anuales (ambos
medidos en dólares), obtenemos la siguiente ecuación:

ˆ = − 124,84 + 0,853inc
cons con n=100 y R2 = 0,692
1. Interpretar el término constante en esta ecuación y comentar su signo y su
magnitud
2. ¿Cuál es el consumo predicho cuando el ingreso de la familia es de 30.000 $?
3. Dibujar la curva de PMC y PMEC estimadas, con inc en el eje de las x.
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE
1. Interpretar el término constante en esta ecuación y comentar su signo y su magnitud

ˆ = − 124,84 + 0,853inc
cons

En aquellos casos en los que el nivel de ingresos anual de una familia es cero (inc = 0),
su nivel de consumo es de ‐124,84$ al año. → ¿consumo negativo?

Indicador de la baja utilidad de la función de consumo estimada para niveles de renta

bajos.

2. ¿Cuál es el consumo predicho cuando el ingreso de la familia es de 30.000 $?

ˆ = − 124,84 + 0,853x 30.000 =25.465,16$
cons
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

EJERCICIO 2.6. 
Utilizando los datos de 1988 sobre las casas vendidas en Andover, Massachusetts, de
Kiel y McClain (1995), la siguiente ecuación relaciona el precio de las viviendas (price)
con la distancia a un incinerador de basura construido recientemente (dist)
ˆ = 9,40+ 0,312log(dist)
log(price) con n=135 y R2 = 0,162
1. Interpretar el coeficiente de log(dist). ¿Es el signo de esta estimación el que se
puede esperar?
2. ¿Ofrece la regresión simple un estimador insesgado de la elasticidad, ceteris
paribus, de price con respecto a dist? (Responder teniendo en cuenta la decisión de
la ciudad sobre dónde situar un incinerador).
3. ¿Qué otros factores de una casa tienen una incidencia sobre su precio? ¿Pueden
estar correlacionados con la distancia al incinerador?
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

UNIDADES DE MEDIDA
Relaciones lineales y = β0 + β1 x + u  → 2 LIMITACIONES

ƒ El efecto de un incremento dado de X sobre Y es el mismo, independientemente del

nivel de partida que tome X

ƒ Efecto porcentual no constante → el porcentaje de variación de Y depende del nivel

inicial de X

TRANSFORMACIONES LOGARÍTMICAS
VBLE  VBLE
MODELO INTERPRETACIÓN β1
DEP. INDEP.

Nivel – Nivel y  x  ∆y = β1∆x Por cada unidad que ↑x, y↑ en β1 unidades

Un ↑ de x en un (β1/100)% hace que y ↑ en
Nivel – Log y Log(x) ∆y = (β1/100)%∆x
una unidad
Log – Nivel Por cada unidad adicional de x, y↑ en un (100.
log(y) x  ∆%y = (100.β1)∆x
Semielasticidad β1)%
Log – Log
log(y) Log(x) ∆%y = β1%∆x El ↑ en un 1% de x hace que y se ↑ en un β1 %
Elasticidad
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE
1. Interpretar el coeficiente de log(dist). ¿Es el signo de esta estimación el que se puede esperar?
ˆ = 9,40+ 0,312log(dist)
log(price) Elasticidad del precio de la vivienda respecto de la
distancia al incinerador de basuras: por cada 1%
que se incrementa la distancia respecto del
incinerador el precio de la vivienda se incrementa
en un 0,312%
2. ¿Ofrece la regresión simple un estimador insesgado de la elasticidad, ceteris paribus, de price
con respecto a dist? (Responder teniendo en cuenta la decisión de la ciudad sobre dónde
situar un incinerador). INSESGADO E(βˆ 1 ) = β1
RLS.1. Linealidad en los parámetros ˆ = 9,40 + 0,312log(dist)
log(price)
RLS.2. Muestreo aleatorio Muestra aleatoria de tamaño n=135

RLS.3. Media condicionada nula E(u|x) = E(u) = 0
n
RLS.4. Variación muestral variable independiente i y j ∈ n tal que x i ≠ x j → ∑ ( x i − x ) 2 >0
i=1

Supuesto sobre cómo se relacionan X y U, E(u|x) = E(u) → no existe relación alguna entre “X” y “U”,
y, por tanto el valor medio de “U” no depende del valor que tome “X”
¿Existen factores recogidos en U que afecten al precio de la vivienda y que estén correlacionados con
la distancia respecto del incinerador? → distancia respecto del centro urbano, densidad urbana del
área, nivel medio de los barrios mas próximos al incinerador, etc.
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

EJERCICIO 2.11. 
El conjunto de datos CEOSAL2.RA contiene información sobre directores generales de
empresas estadounidenses. La variable salary es la remuneración anual, en miles de
dólares y ceoten es el número de años de antigüedad en un puesto de director general.

1. Calcular el salario medio y la antigüedad media en la muestra

2. ¿Cuántos directores generales están en su primer año como director general (es
decir ceoten = 0)? ¿Cuál es el puesto más duradero como director general?
3. Estimar el modelo de regresión simple
log(salary) =β0 +β1 ceoten + u
y presentar los resultados de la forma habitual. ¿Cuál es el porcentaje predicho
(aproximado) de incremento salarial para una año más como director general?
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

GNU REGRESSION ECONOMETRIC AND TIME SERIES LIBRARY

ƒ Software para análisis econométrico escrito en el lenguaje de

programación C libre y de código abierto
ƒ Elaborado por Allin Cottrell de la Universidad de Wake Forest
ƒ Disponible en http://gretl.sourceforge.net/gretl_espanol.html
ƒ Guías del Usuario y de Instrucciones (en inglés) disponibles en el aula
virtual

INPUTS OUTPUTS

ƒDatos ƒ Resultados estimación

Variable dependiente
Variables explicativas ƒ Contrastes
ƒ Especificación modelo
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

ceosal2.gdt → información sobre directores generales de empresas estadounidenses en el

año 1990. Muestra compuesta por 177 observaciones

Variable  a explicar: 
salario anual, en 
miles de $

Variable  explicativa: 
años de antigüedad en 
un puesto de director 
general
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE
1. Calcular el salario medio y la antigüedad media en la muestra

Salario medio en la muestra de 865.860 
miles de $

Antigüedad media en la muestra es de 
7,95 años
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

MEDIDAS DE POSICIÓN

MEDIDAS DE DISPERSIÓN
MEDIDAS DE FORMA

1 N
∑
MEDIA

Estadístico poco robusto frente a la presencia de valores extremos: 
xi observaciones extremas  tienen un elevado efecto sobre su valor
N i=1
Valor central de la distribución, valor m que deja la mitad del área que está por 
debajo de la fdp a la izquierda de m y la otra mitad a la derecha de m
MEDIANA
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

MEDIDAS DE DISPERSIÓN → información sobre si las observaciones están o no muy

dispersas alrededor de su centro
DESV. TÍPICA

1 N Cuanto más próxima a cero esté, más concentrados están

∑ ( xi − x ) los datos alrededor de la media y ésta será más
2
sd(x) =
N − 1 i=1
representativa del conjunto de observaciones.

Problema → la desviación típica depende de las unidades de medida de la variable X, por lo que
no permite realizar comparaciones entre varios conjuntos de datos con distinta unidad de
medida o grandes diferencias en sus medias.
COEFICIENTE DE VARIACIÓN

Nos permite eliminar la dimensionalidad de las variables y por

sd ( X )
tanto comparar la variabilidad de dos conjuntos de datos.
CV = CV < 1 → la dispersión de los datos es “pequeña” en relación
x a su nivel, podemos considerar que la media es bastante
representativa del conjunto de datos.
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

MEDIDAS FORMA DISTRIBUCIÓN→ reflejan otras características del histograma

Indica si los datos se distribuyen o no de forma simétrica

1 N
∑ i ( )
COEF. ASIMETRÍA

3
x − x alrededor de la media.
N i=1 ƒ CA = 0 → distribución simétrica alrededor de la media
CA =
⎛
3
ƒCA > 0 → cola asociada a los valores por encima de la media
∑ i ( xi − x ) ⎞⎟
2
⎜ (derecha) es más larga que la izquierda
⎜ N ⎟ ƒ CA < 0 → cola asociada a los valores por debajo de la media
⎝ ⎠ (izquierda) es más larga que la derecha

El coeficiente de curtosis es una medida del grado de

EXCESO DE CURTOSIS

N
1
∑( i ) concentración que presentan los valores en la región central
4
x − x
N i=1 de la distribución; mide la cantidad de observaciones que se
EC = 4
− 3 encuentran en las colas en relación con las situadas alrededor
⎛
∑ i ( xi − x ) ⎞⎟
2
de la media. Para el cálculo del exceso de curtosis se toma
⎜ como referencia el valor de curtosis de la normal que es 3.
⎜ N ⎟
⎝ ⎠ ƒ EC > 0 → mayor peso de las observaciones en la cola y mayor
apuntamiento que la distribución normal
ƒ EC < 0 → menor peso de las observaciones en la cola y
menos apuntamiento que la distribución normal
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE
2. ¿Cuántos directores generales están en su primer año como director general (es decir ceoten =
0)? ¿Cuál es el puesto más duradero como director general?
Puesto más duradero como
director general → 37 años

5 directores 
generales en su 
primer año
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE
3. Estimar el modelo de regresión simple
log(salary) =β0 +β1 ceoten + u
y presentar los resultados de la forma habitual. ¿Cuál es el porcentaje predicho (aproximado)
de incremento salarial para una año más como director general?

log(salary) =β0 +β1 ceoten + u Hay que crear la variable log(salary)

 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

Especificación del modelo log(salary) =β0 +β1 ceoten + u

 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

Fichero de resultados

Coeficiente ceoten →
por cada año adicional
como director general
el modelo predice un
aumento en el salario
del 0,0097 x 100 =
0,97%.

Recta de regresión MCO ˆ
log(salary) = 6,51+ 0,0097ceoten

La constante nos indica el valor que toma log(salary) cuando la variable ceoten toma
valor 0,esto es, en los 5 casos en los que los directores generales están en su primer año
en el puesto de director general.
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

EJERCICIO 2.13. 
Emplear los datos de WAGE2.RAW para estimar una regresión simple que explique el
salario mensual (wage) en función del resultado del QI (IQ)

1. Obtener el salario medio y el QI medio de la muestra. ¿Cuál es la desviación

estándar de IQ? (Los resultados del QI están estandarizados de tal manera que la
media poblacional es 100 con una desviación estándar de 15).
2. Estimar un modelo de regresión simple en el que el aumento de un punto en IQ
cambie wage en una cantidad constante de dólares. Utilizar este modelo para
encontrar el aumento predicho de salario para un aumento de IQ en 15 puntos.
¿Explica IQ la mayor parte de la variación de wage?
3. Estimar un modelo en el que cada aumento de un punto de IQ tenga el mismo
efecto porcentual sobre wage. Si IQ aumenta en 15 puntos, ¿cuál es el aumento
predicho aproximado en porcentaje en wage?
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

1. Obtener el salario medio y el QI medio de la muestra. ¿Cuál es la desviación estándar de IQ?

(Los resultados del QI están estandarizados de tal manera que la media poblacional es 100 con
una desviación estándar de 15).

Salario medio → 957$ mensuales
QI medio → 101, 28
Valores cercanos a los valores poblacionales 
Desviación estándar QI → 15,05
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

2. Estimar un modelo de regresión simple en el que el aumento de un punto en IQ cambie wage

en una cantidad constante de dólares. Utilizar este modelo para encontrar el aumento
predicho de salario para un aumento de IQ en 15 puntos. ¿Explica IQ la mayor parte de la
variación de wage?

VBLE  VBLE
MODELO INTERPRETACIÓN β1
DEP. INDEP.

Nivel – Nivel y  x  ∆y = β1∆x Por cada unidad que ↑x, y↑ en β1 unidades

Un ↑ de x en un (β1/100)% hace que y ↑ en una
Nivel – Log y Log(x) ∆y = (β1/100)%∆x
unidad
Log – Nivel Por cada unidad adicional de x, y↑ en un (100.
log(y) x  ∆%y = (100.β1)∆x
Semielasticidad β1)%
Log – Log
log(y) Log(x) ∆%y = β1%∆x El ↑ en un 1% de x hace que y se ↑ en un β1 %
Elasticidad

wage =β0 +β1 IQ + u El incremento en una unidad de IQ lleva aparejado un

incremento en el salario mensual en β1 $.
El efecto de un incremento de IQ sobre wage es el mismo
independientemente del nivel de partida de IQ.
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

wage =β0 +β1 IQ + u

ˆ = 116,99+ 8,30 IQ
wage
n = 935, R2 =0,095

Aumento en el salario predicho por el modelo estimado ante un aumento de IQ

en 15 puntos: ∆ wage = 8,3 x 15 = 124,5$

SEC SCE
R2 = =1− = 0,095 Proporción de la varianza muestral total que viene
STC STC explicada por la SEC, esto es, por la parte
determinista del modelo especificado. IQ tan sólo
explica un 9,5% de la variación de wage.
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

3. Estimar un modelo en el que cada aumento de un punto de IQ tenga el mismo efecto

porcentual sobre wage. Si IQ aumenta en 15 puntos, ¿cuál es el aumento predicho
aproximado en porcentaje en wage?

VBLE  VBLE
MODELO INTERPRETACIÓN β1
DEP. INDEP.

Nivel – Nivel y  x  ∆y = β1∆x Por cada unidad que ↑x, y↑ en β1 unidades

Un ↑ de x en un (β1/100)% hace que y ↑ en una
Nivel – Log y Log(x) ∆y = (β1/100)%∆x
unidad
Log – Nivel Por cada unidad adicional de x, y↑ en un (100.
log(y) x  ∆%y = (100.β1)∆x
Semielasticidad β1)%
Log – Log
log(y) Log(x) ∆%y = β1%∆x El ↑ en un 1% de x hace que y se ↑ en un β1 %
Elasticidad

log(wage)=β0 +β1 IQ + u El incremento en una unidad de IQ lleva aparejado un

incremento en el salario mensual en un (β1x100)%.
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

log(wage)=β0 +β1 IQ + u ˆ
log(wage) = 5,89+ 0,0088 IQ
n = 935, R2 =0,099

El incremento en 15 unidades de IQ lleva aparejado un incremento en el salario mensual

en un 15 x 0,0088 x 100 = 13,2%
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE

EJERCICIO 2.14. 
Para la población de empresas de la industria química, sea rd los gastos anuales de
investigación y desarrollo, y sea sales las ventas anuales (ambos expresados en millones
de dólares).

1. Proponer un modelo (no una ecuación estimada) que implique una elasticidad
constante entre rd y sales. ¿Qué parámetro es la elasticidad?
2. Estimar ahora el modelo empleando los datos RDCHEM.RAW. Presentar las
ecuaciones estimadas de la forma habitual. ¿Cuál es la elasticidad estimada de rd
con respecto a ventas? Explicar con palabras lo que significa esta elasticidad.
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE
1. Proponer un modelo (no una ecuación estimada) que implique una elasticidad constante
entre rd y sales. ¿Qué parámetro es la elasticidad?

VBLE  VBLE
MODELO INTERPRETACIÓN β1
DEP. INDEP.

Nivel – Nivel y  x  ∆y = β1∆x Por cada unidad que ↑x, y↑ en β1 unidades

Un ↑ de x en un (β1/100)% hace que y ↑ en
Nivel – Log y Log(x) ∆y = (β1/100)%∆x
una unidad
Log – Nivel Por cada unidad adicional de x, y↑ en un (100.
log(y) x  ∆%y = (100.β1)∆x
Semielasticidad β1)%
Log – Log
log(y) Log(x) ∆%y = β1%∆x El ↑ en un 1% de x hace que y se ↑ en un β1 %
Elasticidad

log(rd) =β0 +β1 log ( sales ) + u

Elasticidad de los gatos en investigación y desarrollo (rd) con respecto a 
las ventas anuales (sales) → el incremento en un 1% en el volumen de 
ventas anuales lleva aparejado un incremento en los gastos destinados a 
I+D  en un β1%
 FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE
2. Estimar ahora el modelo empleando los datos RDCHEM.RAW. Presentar las ecuaciones
estimadas de la forma habitual. ¿Cuál es la elasticidad estimada de rd con respecto a ventas?
Explicar con palabras lo que significa esta elasticidad.

Variable  a explicar (rd): 
Gasto anual en I+D en el año 1991 por
parte de la industria química, en
millones de $ → logaritmo

Variable  explicativa (sales): 
Ventas anuales de la industria química
en el año 1991, en millones de $ →
logaritmo

log(rd) =β0 +β1 log ( sales ) + u
ˆ = − 4,105+ 1,076log ( sales )
log(rd)
n = 32, R2 = 0,910
FUNDAMENTOS DE ECONOMETRÍA
TEMA 2 ‐ EL MODELO DE REGRESIÓN SIMPLE
Elasticidad de los gatos en investigación y
desarrollo (rd) con respecto a las ventas anuales
(sales) → el incremento en un 1% en el volumen
de ventas anuales lleva aparejado un incremento
en los gastos destinados a I+D en un 1,08%