Ingeniería Comercial

Econometría I
COM – 05223

Práctica Nº 3

3.1 ¿Cuál de las causas siguientes puede hacer que los estadísticos t usuales de MCO no
sean válidos (es decir, que no tengan una distribución t bajo H0)?
i) Heterocedasticidad.
ii) Que exista un coeficiente de correlación muestral de .95 entre dos variables
independientes del modelo.
iii) Omitir una variable explicativa importante.

3.2 Considere una ecuación para explicar los sueldos de los directores generales o CEO en
términos de las ventas anuales de la empresa, el rendimiento sobre capital (roe, en forma
de porcentaje), y el rendimiento de las acciones de la empresa (ros, en forma de
porcentaje):

i) En términos de los parámetros del modelo, establezca la hipótesis nula de que,

controlando sales y roe, ros no tiene efecto en el sueldo de los CEO. Establezca la
alternativa de que un mejor desempeño de las acciones de la empresa incrementa el
sueldo de los CEO.
ii) Con los datos de CEOSAL1.WF1, empleando MCO se obtuvo la ecuación siguiente:

¿Cuál es el porcentaje de aumento de salary que se pronostica si ros aumenta 50 puntos?

¿Tiene ros un efecto práctico grande sobre salary?
iii) Pruebe la hipótesis nula que dice que ros no tiene efecto sobre salary contra la
alternativa que dice que ros tiene efecto positivo. Realice la prueba al nivel de
significancia de 10%.
iv) ¿Incluiría usted ros en el modelo final que explica las compensaciones de los CEO en
términos del desempeño de la empresa? Explique.

3.3 La variable rdintens representa el gasto en investigación y desarrollo (I & D) dado

como porcentaje de las ventas. Las ventas (sales) se miden en millones de dólares. La
variable profmarg representa la ganancia como porcentaje de las ventas. Empleando los
datos del archivo RDCHEM.WF1 de 32 empresas de la industria química, se estimó la
ecuación siguiente:
i) Interprete el coeficiente de log(sales). En particular, si sales aumenta 10%, ¿cuál es la
variación estimada en puntos porcentuales en rdintens? ¿Es este efecto económicamente
grande?
ii) Pruebe la hipótesis de que la intensidad de la I & D no varía con sales contra la
alternativa de que aumenta con las ventas. Realice la prueba a los niveles de significancia
de 5 y 10%.
iii) Interprete el coeficiente de profmarg. ¿Es éste coeficiente económicamente grande?
iv) ¿Tiene profmarg un efecto estadístico significativo sobre rdintens?

3.4 ¿En una ciudad estudiantil, influye la población de estudiantes sobre las rentas de las
viviendas? Sea rent la renta mensual promedio en una ciudad estudiantil de Estados
Unidos. Sean pop el total de la población en esa ciudad, avginc el ingreso promedio en la
ciudad y pctstu la población de estudiantes dada como porcentaje del total de la
población. Un modelo para probar esta relación es:
log(rent)= β0 + β1log( pop) + β2log(avginc)+ β3pctstu+ u.
i) De la hipótesis nula que establece que el tamaño del cuerpo estudiantil en
relación con la población no tiene efecto ceteris paribus sobre las rentas
mensuales. Mencione la alternativa que establece que si tiene efecto.
ii) ¿Qué signo espera que tengan β1 y β2?
iii) La ecuación estimada empleando datos de 1990 del archivo RENTAL.WF1
sobre 64 ciudades estudiantiles es:
^
log (rent )= 0.43 + 0.066 log( pop) + 0.507 log(avginc)+ 0.0056 pctstu+ u.
(0.844) (0.039) (0.081) (0.0017)
¿Que está equivocado en la siguiente afirmación: “Un aumento de 10% en la
población corresponde aproximadamente a un aumento de 6.6% en la renta”?
iv) Pruebe la hipótesis establecida en el inciso i) al nivel de 1%

3.5 Considere la ecuación estimada del ejemplo 4.3, la cual se emplea para estudiar el
efecto de faltar a clases en el promedio general (GPA) en la universidad:

i) Empleando la aproximación normal estándar, encuentre el intervalo de confianza de

95% para βhsGPA.
ii) ¿Se puede rechazar la hipótesis H0: βhsGPA = .4 contra la alternativa de dos colas al nivel
de 5%?
iii) ¿Se puede rechazar la hipótesis H0: βhsGPA = 1 contra la alternativa de dos colas al nivel
de 5%?

3.6 La tabla siguiente se obtuvo empleando los datos del archivo CEOSAL2.WF1:
Variable dependiente: log(salary)
Variables (1) (2) (3)
independientes
log(sales) .224 .158 .188
(.027) (.040) (.040)
log(mktval) -- .112 .100
(.050) (.049)
profmarg —— -.0023 - .0022
 (.0022) (.0021)
ceoten —— —— .0171
_.0092 (.0055)
comten —— —— -.0092
(.0033)
intercepto 4.94 4.62 4.57 (0.25)
(0.20) (0.25)
Observaciones 177 177 177
R-cuadrada .281 .304 .353

La variable mktval es el valor de mercado de la empresa, profmarg es la ganancia

expresada como porcentaje de las ventas, ceoten son los años como director general de
la empresa y comten son los años de antigüedad en la empresa del director general.
i) Analice el efecto de profmarg sobre el sueldo del director general.
ii) ¿Tiene un efecto significativo el valor de mercado? Explique.
iii) Interprete los coeficientes de ceoten y de comten. ¿Son estas variables
explicativas estadísticamente significativas?
iv) ¿Qué opina del hecho de que una mayor antigüedad en la empresa,
manteniendo todos los demás factores constantes, corresponda a un sueldo
menor?

Ejercicios en Computadora
3.7 El modelo siguiente puede usarse para estudiar si los gastos de campaña afectan los
resultados de las elecciones:
voteA = β0 + β1log(expendA)+ β2log(expendB)+ β3 prtystrA + u,
donde, voteA es el porcentaje de votos recibidos por el candidato A, expendA y
expendB son los gastos de campaña del candidato A y del candidato B y prtystrA
es una medida de la fortaleza del partido del candidato A (el porcentaje de votos
que obtuvo el partido de A en la elección presidencial más reciente).
i) ¿Cuál es la interpretación de β1?
ii) En términos de los parámetros, establezca la hipótesis nula de que un aumento de
1% en los gastos de A es compensado por un aumento de 1% en los gastos de B.
iv) Estime el modelo dado usando los datos del archivo VOTE1.WF1 y presente los
resultados de la manera usual. ¿Los gastos de A afectan los resultados de las
elecciones? ¿Y los gastos de B? ¿Puede usar estos resultados para probar la
hipótesis del inciso ii)?
iv) Estime el modelo que proporciona directamente el estadístico t para probar la
hipótesis del inciso ii). ¿Qué concluye usted? (Use una alternativa de dos colas.)

3.8 Para este ejercicio utilice los datos del archivo LAWSCH85.RAW.
i) Usando el modelo del problema 3.4,:

Establezca y pruebe la hipótesis nula de que el ranking entre las escuelas de derecho
no tiene efecto ceteris paribus sobre el sueldo inicial medio.
ii) ¿Son las características de los estudiantes de nuevo ingreso —a saber, LSAT y GPA—
significativas de manera individual o conjunta para explicar el sueldo (salary)?
(Asegúrese de tomar en cuenta que hay datos faltantes en LSAT y GPA.)
iii) Pruebe si el tamaño del grupo (clsize) o el tamaño de la facultad (faculty) necesitan ser
agregados a esta ecuación; realice una prueba sencilla. (Tenga cuidado de tomar en
cuenta que hay datos faltantes en clsize y faculty.)
iv) ¿Qué factores pueden influir en la posición en el ranking de una escuela de leyes que
no están incluidos en la regresión del sueldo?

3.9 Para este ejercicio emplee los datos en el archivo MLB1.WF1.

i) Emplee el modelo siguiente:

Elimine la variable rbisyr. ¿Qué pasa con la significancia estadística de hrunsyr?

¿Qué pasa con el tamaño del coeficiente de hrunsyr?
ii) Al modelo del inciso i) agregue las variables runsyr (carreras por año), fldperc
(porcentaje de fildeo) y sbasesyr (bases robadas por año). ¿Cuáles de estos
factores son significativos individualmente?
iii) En el modelo del inciso ii) pruebe la significancia conjunta de bavg, fldperc y
sbasesyr.

3.10 Para este ejercicio emplee los datos del archivo WAGE2.WF1.
i) Considere la ecuación estándar para salario
log(wage) = β0 + β1educ + β2exper + β3tenure + u.
Establezca la hipótesis nula de que un año más de experiencia en la fuerza de
trabajo general tiene el mismo efecto sobre log(wage) que un año más de
antigüedad en el empleo actual.
ii) Al nivel de significancia de 5% pruebe la hipótesis nula del inciso i) contra la
alternativa de dos colas construyendo un intervalo de confianza del 95%.¿Qué es
lo que concluye usted?

3.11 La base de datos 401KSUBS.WF1 contiene información acerca de riqueza financiera

neta (nettfa), edad de la persona entrevistada (age), ingreso familiar anual (inc),
tamaño de la familia (fsize), y participación en ciertos planes de pensiones para
estadounidenses. Las variables riqueza e ingreso están dadas en miles de dólares.
Para esta ecuación, emplee solo los datos de hogares de una sola persona (es decir
fsize = 1).
i) ¿Cuántos hogares de una sola persona hay en esta base de datos? 2017
ii) Use MCO para estimar el modelo
nettfa = β0 + β1 inc + β2 age + u,
 y de los resultados empleando el formato habitual. Compruebe que solo utiliza
los hogares de una sola persona que hay en la muestra. Interprete los
coeficientes de pendiente. ¿Hay algo que sorprenda en las estimaciones de
pendiente?
iii) ¿Tiene algún significado interesante el intercepto en la regresión del inciso ii)?
Explique.
v) Encuentre el valor-p de la prueba H 0: β2 = 1 contra H1: β2 ≠ 1. ¿Rechaza usted
H0 al nivel de significancia de 1%?
Como el valor p del Test es mayor al nivel de significancia (es decir 1%) NO voy
a rechazar la hipótesis nula, es decir el coeficiente de la variable inc es igual a 1
estadísticamente al 1% de significancia.
LA REGLA DEL P-VALUE NOS DICE QUE SI EL VALOR ENCONTRADO EN EL TEST
ES MAYOR AL NIVEL DE SIGNIFICANCIA (QUE NORMALMENTE PERO NO
SIEMPRE ES DEL 5%) ENTONCES NO VAMOS A RECHAZAR LA HIPÓTESIS NULA.
v) Si realiza una regresión simple de nettfa sobre inc, ¿és el coeficiente estimado de
inc muy diferente del estimado en el inciso ii)? Justifique su respuesta.

Guías para las respuestas

3.1 a) y c)
3.2 i) H0: β3 = 0. H1: β3 > 0.
ii) 0.12, el efecto es del 1.2% ….
iii) El valor crítico para el test de una cola usando gdl= ∞, es igual a 1.282 (Ver Tabla
G.2. de Wooldridge) El estadístico t en ros es .00024/.00054 ≈ .44, que es mucho
menor que su valor crítico. Entonces no rechazamos H0 a un nivel de significancia
del 10%.
iv) Basados en esta muestra, el coeficiente estimado ros parece ser diferente de cero
solo por una variación muestral. Por otro lado, incluir ros podría no estar causando
ningún daño; dependerá de que tan correlacionado se encuentre con las otras
variables independientes (además estas son muy significativas inclusive con ros en
la ecuación).
3.3 (i) Manteniendo profmarg fijo ˆ^ rdintens = .321, si %Δsales = 10,^ rdintens Δ≈.032.
(ii) H0:1β = 0 vs H1: β1 > 0, El estadístico t es 1.486. El valor crítico al 5% para el test
de una cola con 29 gdl, obtenido de la tabla G.2 es 1.699; entonces no rechazamos
H0. Pero el valor crítico del 10% es 1.311; como el t estadístico es mayor,
rechazamos H0 a favor de H1 al nivel de 10%.
(iii) Su t estadístico es 1.087, que es menor inclusive al 10% del valor crítico.

3.4 (i) H0:3β = 0. H1:3β ≠ 0.

(iii) “un incremento del 10% en la población incrementa la renta por.66%.”
(iv) Con 60 gdl , el valor crítico al 1% para un test de dos colas es 2.660. El t estadístico
es 3.29, entonces ….
3.5 (i) .412 ± 1.96(.094), o .228 a .596.
(ii) .4 está dentro el 95% del IC.
(iii) 1 está fuera del 95% del IC.
3.6 (i) en las columnas (2) y (3), el coeficiente de profmarg es negativo, a pesar de que su t
estadístico es –1. El margen de ganancia no tiene efecto sobre los salarios de los
CEO.
 (ii)La columna (3), controla la mayoría de los factores que afectan el salario. El
estadístico t en log(mktval) es 2.05, significante a un nivel del 5%. log(mktval) es
estadísticamente significativo porque el coeficiente es una elasticidad, un
aumento ceteris paribus del 10% en el valor del mercado prevé un aumento en el
salario del 1%.
(iii) Son individualmente significativas, tceoten ≈ 3.11 y tcomten –2.79. Otro año
como CEO en la compañía incrementará el salario por 1.71%. Por otro lado, un año
con la compañía pero no como CEO, reducirá el salario por .92%.

3.7 (i) Manteniendo otros factores fijos:

ΔVoteA= β1Δlog(expendA) ≈(β1 /100)(100 ⋅ Δlog(expendA)
≈(β1 /100)( %Δlog(expendA)
(ii) H0: β2 = –β1, o H0: β1+β2 = 0.
(iii) ^
voteA = 45.08 + 6.083 log(expendA) – 6.615 log(expendB) + .152 prtystrA
(3.93) (0.382) (0.379) (.062)
n = 173, R2 = .793.
El coeficiente de log(expendA) es significativo (estadístico t ≈ 15.92), así como el
coeficiente de log(expendB) (estadístico t –17.45).
(iv) θ1 = β1 +β2, o β1 = θ1–β2 :
^
voteA = β0 + θ1 log(expendA) + β2 [log(expendB) – log(expendA)] +β3prtystrA + u,
θ^ 1 ≈ –.532 y es(θ1)≈ .533. El estadístico t es –1. No rechazamos H0 :β2 ≈ –β1.

3.8 (i) log(salary) = β0+β1 LSAT +β2GPA + β3log(libvol) +β4log(cost)+ β5rank + u,

H0: β5 = 0.
log(salary)= 8.34 + .0047LSAT + .248 GPA + .095 log(libvol) + .038 log(cost) – .0033 rank
(0.53) (.0040) (.090) (.033) (.032) (.0003)
n = 136, R2 = .842.
(ii) LSAT (estadístico t ≈ 1.18) GPA (estadístico t 2.76). El test de sifnificancia conjunta es
nos brinda un estadístico F de 9.95 (con 2 y 130 gdl) y p-value ≈ .0001.
(iii) El test de significancia conjunta (con 2 y 131 – 8 = 123 gdl) F ≈ .95 y p-value .39.
Entonces ……..
3.9 (i) ^ log(salary )= 11.02 + .0677 years + .0158 gamesyr + .0014 bavg + .0359 hrunsyr
(0.27) (.0121) (.0016) (.0011) (.0072)
n = 353, R2 = .625.
^
(ii) log(salary )= 10.41 + .0700 years + .0079 gamesyr + .00053 bavg + .0232 hrunsyr
(2.00) (.0120) (.0027) (.00110) (.0086)
+ .0174 runsyr + .0010 fldperc – .0064 sbasesyr
(.0051) (.0020) (.0052)
n = 353, R2 = .639.
(iii) Estadístico F (con 3 y 345 gdl) es .69 p-value= .56.

3.10 (i) log(wage) = β0 + β1educ + β2exper + β3tenure + u

H0: β2 = β3.
(ii) θ2 = β2 –β3. : log(wage) = β0 + β1educ + θ2exper + β3 (exper + tenure) + u
Para obtener el 95% IC para θ2: .0020 ± 1.96(.0047), o desde -.0072 a .0112. Como
cero está en este IC, θ2 no es estadísticamente diferente de cero, no rechazamos H 0:
β2 = β3 al nivel de 5%.
3.11 (i) Existen 2,017 solteros (familias de una persona) en la muestra de 9,275.
^ = −43.04 + .799 inc + .843 age
(ii) nettfa
( 4.08) (.060) (.092)
n = 2,017, R2 = .119.
(iv) El estadístico t es ≈ −1.71, el p-value es .044.
(v) el coeficiente de la pendiente de inc en una regresión simple es.821. La
correlación entre inc y age es .039.
Control Práctica N° 3
Para este ejercicio emplee los datos en el archivo MLB1.WF1.
i) Emplee el modelo siguiente:

Elimine la variable rbisyr. ¿Qué pasa con la significancia estadística de hrunsyr?

¿Qué pasa con el tamaño del coeficiente de hrunsyr?
ii) pruebe la significancia conjunta de gamesyr y bavg.