Guía de actividades y rúbrica de evaluación – Tarea 2 -

Modelos Econométricos de Regresión Lineal Simple y Múltiple

Econometría

Presentado por:
Raúl Mauricio Leyton

Presentado A:
Roger Ojeda Solarte

Universidad Nacional Abierta y a Distancia

Unad
Marzo 2022
 INTRODUCCION

La econometría se basa en el desarrollo de métodos estadísticos que se utilizan para estimar

relaciones económicas, probar teorías económicas y evaluar e implementar políticas
públicas y de negocios. La aplicación más común de la econometría es en el pronóstico de
variables macroeconómicas tan importantes como las tasas de interés, de inflación y el
producto interno bruto.
 Cuestionario

2. Responder:
a) ¿Qué es un coeficiente beta? ¿Por qué la prueba de significancia se basa en la hipótesis
de que beta es igual a cero?
El coeficiente beta pertenece a los parámetros muestrales o estimadores (el de la pendiente
y el intercepto, β γβ respectivamente). Es decir, son las variables para hallar a través del
cálculo.
Así mismo si los datos inician en el origen no posee el coeficiente del intercepto y el
modelo no debe llevar βo .
“La beta tiene como relación el numero 1y si el resultado en su calculo es mayor volatilidad
y por ende mayor riesgo, cuando es igual a 1 la rentabilidad de la acción tiene movimiento
en la misma proporción que el índice de referencia, por otro lado dado que el coeficiente
beta por su formula la varianza del mercado no puede dar cero, la función beta se aproxima
a cero mas no da cero.

b) Apoyándose en la función de la recta en la matemática, explique qué es el intercepto y

qué es la pendiente, y 2 relaciónelos con los coeficientes beta de los modelos de regresión
Como: Y = B0+ B1x + u
El coeficiente B1 es la pendiente de la recta, se explica como el cambio medio que se
produce en la variable y por cada unidad de cambio que se produce en x. El coeficiente Bo
es el punto en el que la recta corta el eje vertical.
En otras palabras,
Bo: es la constante del modelo, Punto Donde la recta de regresión intercepta el eje y en
síntesis, es el valor que toma la variable dependiente y cuando todos los valores son iguales
a cero.
B1=Parámetro de la pendiente en relación entre Y es X. Representa el cambio en el
promedio de la variable dependiente y cuando el factor X se incrementa en una unidad,
manteniendo fijo el resto de los regresores.

c) Qué significa el concepto de “determinación” en econometría, y, por tanto, ¿qué mide el

coeficiente de determinación? ¿Y cómo se interpreta?
“El coeficiente se determina r ∧2 (caso de dos variables) o R∧2 (Regresión Múltiple) es una
medida comprendida que hice cuando bien se ajusta la línea de regresión muestral de los
datos” (Gujarati,2009 p-73).
Con lo anterior es importante mencionar que cuando un modelo de regresión es construido
con el objetivo de predecir, al investigador le interesa encontrar una medida de la bomba de
ajuste es el coeficiente de determinación o R^2, la cual promociona información con
respecto a que también la línea de egresión muestral se ajusta a los datos.
Para el caso de un modelo de egresión lineal simple se denota como r^2 y en donde r es el
coeficiente de correlación lineal entre las variables y X. Debido a que r^2 bajo los
supuestos de modelo de regresión clásico se encuentra entre 0 y 1, la manera de
interpretarlo es en porcentaje, argumentándose que dicho valor refleja la magnitud
porcentual de la variación de la variable y explicada por la variable X.

d) Qué significa causalidad estadística?

Se refiere a una relación de necesidad de concurrencia (simultaneidad) de dos variables
estadísticas correlacionadas, probar la casualidad entre dos variables implica además que
guarden una correlación positiva.
La correlación implica que si tenemos dos variables (AY B) existe correlación entre ellas si
al disminuir los valores de A lo hacen los de B y viceversa. La correlación entre dos
variables no implica, por sí misma, ninguna relación de casualidad.

e) Cuál es la diferencia entre el modelo simple y el modelo múltiple? Y de dos ejemplos, a

través de ecuaciones, donde se especifiquen las variables.

El modelo simple estudia la dependencia de una variable respecto de una única variable
explicativa.
El modelo múltiple estudia la dependencia de una variable respecto de mas de una variable
explicativa.
Para el primer caso, el modelo que relaciona el salario con la antigüedad en el empleo y con
otros factores observamos:

Salario= β o+ β 1+ ¿ ¿ antigüedad + u

Si el salario se mide pesos y antigüedad se mide en años, entonces B1 mide la variación en

el salario por cada año de antigüedad en el empleo, cuando los demás factores permanecen
constantes.
Para el caso 2 se tendría lo siguiente:

Salario= β ο+ β Antigüedad + β 2explabo + u

1
El modelo relacionado con el salario de la antigüedad en el empleo y la experiencia laboral
entre otros factores no observados. Se observa que B2 mide la variación en el salario dado
la experiencia laboral junto a B1 que mide la variación en el salario por cada caño de
antigüedad.

f) Cuál es la relación entre coeficiente de correlación y coeficiente de determinación?

El coeficiente de correlación mide como es de fuerte es la relación lineal entre dos variables
y el coeficiente de determinación o bondad del ajuste mide cuanta varianza explica un
modelo cualquiera. El coeficiente de determinación coincide con el cuadro de correlación
solo para modelo lineales entre dos variables.

g) Cuál es la diferencia de cálculo entre el coeficiente de determinación y el coeficiente de

determinación ajustado?

Coeficiente de determinación r2
Este se basa en la siguiente descomposición
SCT=SCE+SCR
  Suma de Cuadrados Totales (SCT): Es la variación total de los valores reales de Y
respecto de su media muestral.
 Suma de Cuadrados Explicada (SCE): Variación de los valores de Y estimados
alrededor de su medida, que apropiadamente puede llamarse la suma de cuadrados
debido a la regresión es decir debido a las variables (s) explicativas (s) o explicada
por esta.
 Suma de Cuadrados de los Residuos (SCR): La variación residual o no explicada de
los valores de Y alrededor de la línea de regresión o también como (Gujarati,2009,
p.75)

R cuadrado ajustado (coeficiente de determinación ajustada)

El R cuadrado ajusta nos dice que porcentaje de variación de la variable dependiente es
explicado colectivamente por todas las variables independientes.

R2α R cuadrado ajustado o coeficiente de determinación justada

2
R R cuadrado de coeficiente de determinacion

n Numero de observaciones de la muestra

K Numero de variables independientes

3. Resolver los ejercicios de Gujarati (2009): 2.10, 2.12, 2.15 y 2.16.

La conclusión general respecto al diagrama anterior implica que la línea de regresión es de
carácter positivo, con tendencia creciente respecto a los datos dados, esto indica, que las
naciones que más exportan manufactura tienen un mayor crecimiento respecto al salario
real.
Al haber solo tomado 50 países para realizar la regresión, se esta frente a un modelo de
regresión muestral.

En la gráfica, lo que se puede apreciar es una relación inversa entre el salario mínimo y el
PBI pre cápita, se ve que hay una mala distribución de los recursos dentro de estos países.
Lo que se convierte en un tema con bastante que debatir porque los salarios mínimos
pueden depender de su efecto sobre el empleo, la naturaleza de la industria donde se
impone y la fuerza del gobierno hace que se cumpla.
 Gasto en Economía

7000000 Gasto en
6000000 comida
5000000 f(x)=0.44x+942087.77
2
4000000 R =0.37
3000000
2000000
1000000
0

2000000 4000000 6000000 8000000 1000000

Se puede observar que hay una relación entre los gastos de comida con los gastos totales
proporcionalmente directa ya que entre mayor es el gasto total el gasto en comida aumenta.
Según lo establecido en Excel la formula es; { y: 0.4368x+942088; con un R2 de 0.3698}
No existe una relación lineal indefinida porque al satisfacer las necesidades de alimentación
de las personas, estos gastos tienden a disminuir ya que los individuos deciden destinar su
dinero en otra variedad de productos o vienen. En conclusión, se denota que los gastos
totales sobre pasan o llegan a 700 rupias existe gran variabilidad con respecto a una
relación lineal.
 Hombre-Lectura Critica
540
530
520
510
500
490
480
470
460
1965 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015
Calificaciones
Años

Mujeres -Lectura Critica

560

540

520

500

480

460

440

420
1965 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015
Calificaciones
Años
 Hombre-Matematicas
550

540

530

520

510

500

490

480
1965 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015
Calificaciones Hombres
Años

Mujeres
520
510
500
490
480
470
460
450
440
430
420
1965 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015
Calificaciones Mujeres
Años
Con el transcurso de los años la proporción denotada, tanto como para el genero masculino
como para el femenino, en relación en las puntuaciones verbales reflejan una estimada a la
baja, en los años de 1980 especificamente niveles muy bajos, los puntajes tanto para las
matemáticas para los hombres y las mujeres parecen señalar una tendencia de alza, aunque
hay que recalcar que se presentan variaciones año tras año.

Se podría hacer el modelo de regresión simple de la lectura critica con las matemáticas, de
la puntuación en ambos sexos.

2500 Hombres

2000

1500

1000

Mujeres
500

0
400 420 440 460 480 500 520 540 560 580

Comando Inicial
Regress Isalary Isales Imktual
La ecuacion se presenta de la siguiente manera:
Log(salario)= 4.620917+ 0.162128 log(sales) + 0.106708 log (mktval)+u

N=177 y R2=0.2991
La variable profits no puede incluirse en el modelo en forma logarítmica porque presenta
valores negativos y no es posible realizar el logaritmo natural de un número menor a cero.
Se introduce el siguiente comando:
regress Isalary Isales Imktval Profits
Al añadir profits (utilidades de la empresa) la ecuación es la siguiente:
Log (salario)=4.686924+0.161368 log(sales)+0.097529 log(mktval)+0.0000357 profits +u
N=177 Y R^2=0.2993
Como se observa, ambos modelos (el primero sin profits y el segundo incorporando esta
variable) presentan un R cuadrado de 0.2991 y 0. 2993.Si se recuerda el R cuadrado estima
que parte del comportamiento de la variable dependiente es explicada por las variables
independientes introducidas en el modelo. Es así que las variables independientes
seleccionadas para el modelo 1 y 2 tienen un poder explicativo de apenas el 29,9%.
Regress Isalary Isales Imktval profits ceoten
La ecuación que se obtiene es:
Log(salary)=4.557780+0.162239log (sales)+ 0.1017598log(mktval)+0.0000291 profits
+0.011685ceoten
N=177
R^2 =0.318
Por cada año adicional, dejando las demás variables iguales, el salario aumentaría en un
1.168%
Hay que recordar que el coeficiente de correlación muestral estima la dependencia lineal
entre dos variables. En el caso observado un coeficiente de 0,77 se valora alto, pues esta
cerca de 1 que indicaría que la correlación muestral entre las dos variables es total y por
tanto se violaría el supuesto de no colinealidad perfecta. De acuerdo a esto los estimadores
de MCO corren el riesgo de no expresar claramente el efecto sobre la variable dependiente
debido a un cambio en alguna de las dos variables independientes; si existiera una relación
lineal perfecta entre las dos variables los estimadores no serian insesgados.
Regress atndrte priGPA ACT
En forma de ecuación es:
andrte =75.700405+17.260591 prigpa +-1.7165529 act + u

El intercepto tiene un valor Bo de 75,7 se puede interpretar como el valor predicho para la
variable atndrte cuando las variables priGPA y ACT son iguales a cero. Dicho de otra
forma: el intercepto 75,7 es la predicción del porcentaje de asistencia a clases si la
calificación promedia general acumulada y el examen de admisión a la universidad son
ambos en cero. Este intercepto no tiene mucha utilidad si se tiene en cuenta la lógica detrás
del modelo, pues sería incoherente que un individuo tuviera cero en su promedio de notas y
sacara cero en su examen de admisión a la universidad, pero tuviera un promedio de
asistencia a clases de 75,5%, si dicha situación se diera ni siquiera podría entrar a
matricularse en la universidad.
Los coeficientes de pendientes estimados son:
- 17.260591* priGPA
- 1.7165529* ACT

El coeficiente de ACT (calificación en el examen de admisión a la universidad) es negativo

lo cual causa sorpresa, porque a simple vista no es lógico que entre mas alta sea la
calificación en el examen para entrar a la universidad menor sea el promedio de asistencia a
clases de una persona.

atndrte= 75.700405+17.260591+-1.7165529 act + u

atndrte= 75.700405+17.260591(3.65) +-1.7165529(20)
atndrte= 104.3705
Si priGPA= 365 y ACT=20, el atndrte=104.3705. Este resultado es incoherente porque el
promedio de asistencia a clases no puede ser superior a 100%. Hay 60 observaciones con
ACT=20 y no hay observaciones con priGPA=3.5 y ACT=20
atndrte=75.700405+17.260591 prigpa+-1.7165529 act+u
atndrte alumno A: 75.700+17.260(3.1)+-1.716(26)
atndrte alumno A: 93.17
atndrte alumno B:75.700+17.260 prigpa+-1.716(26)
atndrte alumno B:67.33
La diferencia predicha en sus tasas de asistencia es la resta entre
93.17-67.33=25.84

El coeficiente de pendientes es 3.533829

ii) regress I wage educ

El coeficiente de pendiente de B1 es 0.0598392
iv) Verifique que B1 es igual a B1 + B201
B1= 0.0391199
B2= 0.00586313
B: B1+ B 201
0.0391199= 0.0391199+ 0.00586313*3.5338292
0.0391199= 0.0391199+ 0.02071929
0.05983921= 0.05983921
Psoda= 0.9563+0.114988prpblck+1.60 income + u
Tamaño de la muestra= 401
R ∧2=0.0642
El coeficiente de (prpblck=0.1149881), indica un aumento del 11.5% en el precio de la
bebida. Desde mi punto de vista es un aumento considerable desde la respectiva económica.
El coeficiente de (prpblck=0.1149881), en el inciso anterior. En este es prpblck=0.0649
cuando se controla el ingreso la discriminación es mayor.

Log(psoda)=.793768+1215803 prpblck + .0765114log(income)+u

Al multiplicar por 100% =2.43%

Se reduce B prpblck de 0.1215 a 0.0728. Hay una reducción de proporción de
afrodescendientes.

No necesariamente una fuerte correlación entre las variables incita a eliminar una de las
dos.
 BIBLIOGRAFIA

- Wooldridge, Introducción a la Econometría: un enfoque moderno

- Gujarati,D (2009) Econometría