UNIVERSIDAD DE SAN BUENAVENTURA (CALI)

FACULTAD DE CIENCIAS ECONÓMICAS

Asignatura: Econometría I Tema: Regresión
Actividad: taller del tercer corte lineal múltiple

Docente: Edwin Arbey Hernández García

Nombre Estudiante: Juan Manuel Sanchez
Código: 30000069602 Máxima fecha de entrega: miércoles 1 de junio, 23:55 horas
Nota: la calificación definitiva será de cero sí el estudiante hace y/o coopera con el plagio en
cualquier prueba académica que presente al docente. Así mismo se notificará a las directivas
de la Facultad. NO AL PLAGIO.

A continuación, encontrará los puntos del taller. Se calificarán sobre la nota de 5 aquellos
trabajos que suban a la plataforma con excelente presentación, en las gráficas, en las
ecuaciones, en redacción, ortografía e interpretación económica. Para ello pueden usar el
Excel y el editor de ecuaciones de Word. Trabajos que lleguen como fotos de cuaderno, con
ecuaciones en Word que no sea con el editor de ecuaciones, errores de ortografía, redacción
y mala presentación, serán calificados sobre nota máxima de 3,5.

El taller se puede hacer en parejas.

1) Con los siguientes datos:

Año Empleo PIB Exportacion

es
2015 19 31 7
2016 24 35 10
2017 27 40 16
2018 36 49 28
2019 44 65 52

Y su matriz inversa

( )
−1
164,04594 −5,9781565 4,3890685
( X T X ) = −5,9781565 0,21863062 −0,16113233
4,3890685 −0,16113233 0,1195024

Donde el empleo se mide en número de personas, mientras que el PIB y las exportaciones
se miden en miles de pesos a precios constantes de 2015.

1.1) Estimar un modelo econométrico que explique cuantitativamente el impacto del PIB
y las exportaciones sobre el empleo. Comente los efectos marginales estimados a la
luz de la teoría económica.
1.2) Interprete los parámetros estimados asociados a las variables.
1.3) Calcule el vector Y^ de valores estimados y el vector u^ de errores estimados.
1.4) Calcule la Tabla ANOVA
1.5) Calcule el R2ajustado . Hacer la respectiva interpretación.

Nota: el ejercicio debe hacerse paso a paso en Word.

2) En R-Studio, con la base de datos “GEIH 2017” que hemos venido trabajando en clase,
estimar la siguiente ecuación de Mincer.

ln ( salario ) =β1 + β 2 esc+ β 3 edad + β 4 edad 2 + μ

Donde,
ln ( salario ) : es el salario en logaritmo natural
esc : variable medida en años de educación
edad : es la edad del individuo como variable proxi de la experiencia

1. Verificar a la luz de la teoría sí los parámetros estimados cumplen con los signos
esperados
2. Interpretar los parámetros estimados
3. Hacer el contraste de hipótesis de significancia global
4. Hacer el contraste de hipótesis de significancia individual
2
5. Interpretar el Rajustado

Solución
1)

1.1.

Lo primero es notar que nuestro modelo se relaciona con el modelo general como:

Modelo general: Y i= β^ 1 + ^β 2 X 1 ,i + ^β 3 X 2 , i+ μ^ i
Modelo nuestro: EMPi= β^1 + ^ β 2 PIBi + β^3 X i + μi

Es decir que
Y =EMP=empleo
X 1 =PIB= producto interno bruto
X 2 =X=exportaciones
Teniendo en cuenta que
^β=( X ' X )−1 X ' y

Debemos ubicar las matrices para estimar los betas.

Luego,

[ ]
1 31 7
1 35 10
X= 1 40 16
1 49 28
1 65 52

[]
19
24
y= 27
36
44

( )
−1
164,04594 −5,9781565 4,3890685
( X T X ) = −5,9781565 0,21863062 −0,16113233
4,3890685 −0,16113233 0,1195024

X : matriz transpuesta de X
'

[ ]
1 1 1 1 1
X T = 31 35 40 49 65
7 10 16 28 52

Identificando las matrices procedemos a estimar los betas

^β −1
(4∗1)= ( X X ) (3∗3 ) X (3∗5) y(5∗1)
' '

[]
19

( )[ ]
164,04594 −5,9781565 4,3890685 1 1 1 1 1 24
^β= −5,9781565 0,21863062 −0,16113233 ∗ 31 35 40 49 65 ∗ 27
4,3890685 −0,16113233 0,1195024 7 10 16 28 52 36
44

Aplicando el producto de matrices llegamos a lo siguiente

[]
19

[ ]
81.184526 −1.29867 −4.855012 −5.989546 3.697686 24
^β= 3.697686 0.0626 0.18897 ∗
0.22308 −0.14596 27 Luego
0.230552 −0.055462 −0.1441 −0.160246 0.129722 36
44
 [ ]
−35.6908
^β= 1.9650
−0.9172

Finalmente, el modelo estimado con papel y lápiz es:

^
EMPi=−35.7293+ 1.9650 PIBi −0.9172 X i
De esta manera:

- El signo positivo de la variable PIB nos permite indicar que, cuando crece, el empleo
también lo hace.

- El signo negativo de las exportaciones indica que, las firmas dedicadas a exportar bienes
requieren un personal más idóneo, teniendo en cuenta su cualificación y no el número de
empleados.

1.2.

^
EMPi=−35.6908+ 1.9650 PIBi −0.9172 X i

Si las exportaciones crecen marginalmente en 100 u/m, el empleo decrece en 90 individuos, ceteris
paribus.

Por cada aumento de 100 u/m la variable del PIB, 196 individuos adquieren empleo, ceteris paribus.

1.3.

Cálculo de ^
EMPi :

Si quisiéramos hallar el vector ^

^
EMPi de valores estimados tendríamos que reemplazar cada valor
de PIBi y X i. De esta manera tendríamos la recta estimada para las dos variables independientes.

Partimos por lo tanto de la ecuación estimada

^
EMPi=−35.6908+ 1.9650 PIBi −0.9172 X i

Y se debe reemplazar cada observación i de cada variable explicativa y multiplicarla por el

parámetro estimado asociado a esa variable:
Año 2015: ^
EMP2015 =−35.6908+1.9650 PIB2015 −0.9172 X 2015

^
EMP2015 =−35.6908+1.9650 ( 31 )−0.9172 ( 7 )
^
EMP2015 =18.76

Año 2016: ^
EMP2016 =−35.6908+1.9650 PIB2016 −0.9172 X 2016

^
EMP2016 =−35.6908+1.9650 ( 35 )−0.9172 ( 10 )
^
EMP2016 =23.87

Año 2017: ^
EMP2017 =−35.6908+1.9650 PIB2017 −0.9172 X 2017

^
EMP2017 =−35.6908+1.9650 ( 40 )−0.9172 (16 )
^
EMP2017 =28.19

Año 2018: ^
EMP2018 =−35.6908+1.9650 PIB2018 −0.9172 X 2018

^
EMP2018 =−35.6908+1.9650 ( 49 ) −0.9172 ( 28 )
^
EMP2018 =31.87

Año 2019: ^
EMP2019 =−35.6908+1.9650 PIB2019 −0.9172 X 2019

^
EMP2019 =−35.6908+1.9650 ( 65 )−0.9172 ( 52 )
^
EMP2019 =44.29

Y así sucesivamente para todas las observaciones. Por lo tanto, el vector de observaciones
estimadas ^
EMPi queda:

Año ^
EMP PIB Exportacione
s
2015 18.76 31 7
2016 23.87 35 10
2017 28.19 40 16
2018 31.87 49 28
2019 44.29 65 52

Vector de errores estimados:

 Año Empleo ^
EMP
201 19 18.76
5
201 24 23.87
6
201 27 28.19
7
201 36 31.87
8
201 44 44.29
9

^i
Por lo tanto, haciendo uso de u^i=Y i−Y

Año Empleo ^
EMP u^t
201 19 18.76 0.24
5
201 24 23.87 0.13
6
201 27 28.19 -1.19
7
201 36 31.87 1.13
8
201 44 44.29 -0.29
9
1.4.

TABLA ANOVA:

Para el cálculo de la ANOVA vamos a hacer uso de los parámetros estimados:

^
EMPi=−35.7293+ 1.9650 PIBi −0.9172 X i

Los datos que se necesitan para llenar la tabla ANOVA son:

k=3
n=5

Donde el vector de parámetros estimados fue

 [ ][ ]
β1 −35.7293
^β= β = 1.9650
2
β3 −0.9172

[ ]
1 1 1 1 1
T
X = 31 35 40 49 65
7 10 16 28 52

[]
19
24
y= 27
36
44

Con esta información, podemos hacer los respectivos cálculos para llenar la tabla ANOVA.

k–1= 3–1=2
n–k=5–3=2
n–1=5–1=4
SCM = ^β T X T y −n y 2

^β T =[−35.72975 1.965031 −0.9173278 ]

[ ]
1 1 1 1 1
T
X = 31 35 40 49 65
7 10 16 28 52

[]
19
24
y= 27
36
44

y 2=30 2=900

[]
19

[ ]
1 1 1 1 1 24
SCM= [−35.7293 1.9650 −0.9172 ]∗ 31 35 40 49 65 ∗ 27 −5∗(900)
7 10 16 28 52 36
44
 []
19
24
SCM= [ 18.7653 23.8737 28.1955 34.8741 44.3013 ]∗ 27 −5∗(900)
36
44
SCM=4574.62617−4500

SCM=74,62617
 SCE = y T y− ^ T T
β X y

Obsérvese que la segunda parte de esta fórmula ya se calculó

[]
19

[ ]
1 1 1 1 1 24
^β T X T y =[ −35.72975 1.965031 −0.9173278 ]∗ 31 35 40 49 65 ∗ 27 =4574.62617
7 10 16 28 52 36
44

[]
19
24
T
y y= [ 19 24 27 36 44 ]∗ 27 =4575
36
44

Por lo tanto
SCE= y T y− β^ T X T y=4575−4574.62617=0.37383

SCE=0.37383

 SCT = y T y−n y 2= SCM + SCE

De esta manera, SCT = 74,62617+0.37383=75

SCT = 75

SCM
 CMM =
k −1
SCM 74,62617
CMM = = =37.313085
k −1 2

SCE
 CME =
n−k
SCE 0.37383
CME= = =0,186915
n−k 2
 CMM
 F=
CME
37.313085
F= =199,62
0,186915

Al pasar los cálculos anteriores a la tabla

Tabla ANOVA

Causa de Grados de Suma de cuadrados Cuadrados medios Estadístico

variación libertad F
Modelo 2 SCM=74,62617 CMM =37.313085
Error 2 SCE=0.37383 CME=0,186915 F=199,62
Total 4 SCT = 75

k: número de parámetros incluyendo la constante.

n: número de observaciones

De esta manera ya calculamos el estadístico F, que nos dará la significancia global del modelo.

1.5.

2
Ahora calculemos el R ajustado :

Recordemos que la fórmula es:

74,62617
R2= =0,9950
75

n−1
=1−( 1−R )
2 2
R ajustado
n−k

2 (4)
R ajustado =1−( 1−0,997 )
(2)

R2ajustado =0 , 99
2)

En R-Studio, con la base de datos “GEIH 2017” que hemos venido trabajando en clase,
estimar la siguiente ecuación de Mincer.
2
ln ( salario ) =β1 + β 2 esc + β 3 edad + β 4 edad + μ
Donde,
ln ( salario ) : es el salario en logaritmo natural
esc : variable medida en años de educación
edad : es la edad del individuo como variable proxi de la experiencia

1. Verificar a la luz de la teoría sí los parámetros estimados cumplen con los signos
esperados
2. Interpretar los parámetros estimados
3. Hacer el contraste de hipótesis de significancia global
4. Hacer el contraste de hipótesis de significancia individual
5. Interpretar el R2ajustado

2)

1.

Estimación del modelo:

^ 2
ln ( salario )=11,105+ 0 , 093 esc+ 0,67 edad−0,001 edad + μ

Partiendo de la teoría citada en este caso por el economista Jacob Miner, en este caso,
ilustrando que la educación se puede ver como un bien de inversión al mediano o largo
plazo que aumenta la posibilidad que la persona reciba un mayor salario (Teijeiro, 2010).

Los signos que corresponden a la edad y escolaridad son positivos debido a que, al
aumentar la edad y la experiencia laboral, se considera un alza en el salario.
Fuente de Variable Signo
recolecció asociada esperado
n

DANE Salario +

DANE Edad +

DANE Escolaridad +

DANE Experiencia +
2.

Interpretar los parámetros estimados:

Variable Signo esperado

asociada

Salario 11,105***

Escolaridad 0,093***

Edad 0,067***

Experiencia -0,001***

La estimación del modelo arroja los siguientes resultados:

β 2=¿Para cada año marginal de escolaridad, se obtendrá 9,3% adicional de salario.

β 3=¿ Para cada año marginal de edad, se obtendrá 6,7% adicional de salario.

β 4 =¿Para cada año marginal de edad cuadrado, se obtendrá 0,1% adicional de salario.

De esta manera se concluye que a mayor edad y escolaridad los individuos podrán optar por
un mayor salario.
3.

Hipótesis de significancia global:

Prueba de hipótesis de significancia global

Ho: ^
β 2= ^
β 3= β^4 =0
Ha: ^
β ≠^β ≠^
2 β ≠0
3 4

Criterio p−valor ≤ α entonces se rechaza Ho

Teniendo un P-Valor de 0.000, y siguiendo el criterio anterior, rechazamos la hipótesis nula

(H 0 ¿

4.

Hipótesis de significancia individual:

Tenemos el siguiente p−valor para las variables:

- Escolaridad = 0,00
- Edad = 0,00
- Experiencia = 0,00
- Salario = 0,01

Criterio p−valor ≤ α , entonces se rechaza H 0.

Para: β 2 , β 3
Teniendo un P-Valor de 0.000, y siguiendo el criterio anterior, rechazamos la hipótesis nula
(H 0 ¿
5.
2
Interpretación de Rajustado

El coeficiente de determinación se entiende que es la proporción de la varianza total de la

variable explicada por la regresión en el modelo, al igual que refleja la bondad (qué tan
bueno es el modelo) del ajuste de un modelo a la variable dependiente.

2
En nuestro caso, tenemos un coeficiente de determinación ( Rajustado ¿ de 0,23.

Se interpreta que: la variación de las variables independientes explica la variación de la

variable dependiente en un 23%, lo cual quiere decir que la bondad de ajuste del modelo no
es muy buena. Teniendo en cuenta que entre más cerca nos encontremos a 1 (100%), quiere
decir que será más fiable, en nuestro caso se acerca más a 0, lo cual se concluye que la
fiabilidad no es tan favorable.
Referencias

Teijeiro, M. (2010). Las ecuaciones de Mincer y las tasas de rendimiento de la educación en.
Universidad de A Coruña , 20. Recuperado el 25 de mayo de 2022, de
https://2010.economicsofeducation.com/user/pdfsesiones/095.pdf