Tarea 3: Violación de Supuestos Básicos

Tutor: Enrique Rincón Prieto

Presentados Por:

Karen Julieth Jiménez Acosta

C.c. 1075318907

Universidad Nacional Abierta y a Distancia (UNAD)

ECACEN - Economía

Econométrica

Grupo N° 16

Ibagué - Tolima

Octubre 2021
 Preguntas de tipo saber Pro

1. Aplicar logaritmos en la variable dependiente y las explicativas para encontrar

elasticidades:
y t =B 1+ B2 X 2t + B3 X 3t +…+ B t X k t + et
∀ t=1 ,… , T
Donde el termino de perturbación sigue una distribución normal. La imposición de
restricciones incorrectas sobre los coeficientes de dicho modelo lleva a que el estimador de
mínimos cuadrados restringidos sea un estimador.
a) Insesgado
b) No eficiente
c) Completo
d) Sesgado

2. Usted se encuentra desarrollando un análisis sobre los determinantes del salario por
género en Colombia. Su responsabilidad esta en realizar una especificación del modelo
que cumpla con los supuestos clásicos para obtener estimaciones Insesgado. Una vez
estimado el modelo, usted encuentra que las variables explicativas están correlacionadas
con el termino de perturbación. Estaría incumpliendo el supuesto de:
a) Heterocedasticidad
b) Media condicional cero
c) Multicolinealidad
d) Linealidad de los parámetros

3. Sea el modelo estructural descrito por las dos ecuaciones y 1=B0 + B1 X 1 i+ e y X 1 i= X 2 i+ ei

Al estimar B1 por variable instrumental, en la primera etapa corremos.
a) X 2 contra X 1
b) X 1 contra X 2
c) y contra X 1
d) y contra X 2
4. Al correr la regresión y 1=Bo + E i por mínimos cuadrados ordinarios, donde i=1 , 2 ,… n ,
la varianza de B0 es :
a) 𝜎2∈/𝑛 (X)
b) 𝑛2𝜎2∈
c) 𝜎2∈
d) 0

5. Usted es contratado como analista económico en un estudio sobre violencia intrafamiliar.

Su responsabilidad es revisar la precisión y la exactitud de los coeficientes de un modelo
econométrico. Una vez usted revisa el modelo, encuentra que la variable “numero de
botellas de licor consumido por un individuo” y la variable “número de fiestas a las que
asiste en el mes el individuo”, son una combinación lineal. Por lo tanto, la matriz dentro
del modelo no es invertible y el determinante es igual a cero. Como resultado de su
revisión, usted sugiere que el modelo debe ser nuevamente especificado porque presenta
un problema de:
a) Multicolinealidad
b) Homocedasticidad
c) Heterocedasticidad
d) Heterogeneidad

Actividad Colaborativa
2. Leer comprensivamente las lecturas propuestas en la bibliografía, especialmente, el
capítulo 7 de Wooldridge (2010) y el capítulo 9 de Gujarati (2009).
a) Redactar máximo en dos Páginas un ensayo breve en que se explique por qué es
importante la información en variables cualitativas en el análisis económico,
ilustrando con ejemplos su incidencia en las funciones econométricas.
 ENSAYO
Las variables cualitativas son aquellas que expresan datos de objetos o personas en estudio
mediante características o cualidades. A pesar de que son datos no numéricos estas variables se
representan con números, por ejemplo, cuando se estudia un grupo de estudiantes que pueden ser
de género masculino o femenino y son representados mediante una variable binaria con el fin de
que esta pueda ser estudiada y poder obtener resultados precisos y fáciles de interpretar.

Las variables cualitativas periten identificar características no medibles con la variable

cuantitativa ya que son relativas y depende el contexto en el cual sean estudiadas. Por ejemplo, el
nivel socioeconómico de una población se debe establecer mediante una variable ordinal
cualitativa además de que se pueden clasificar según su sexo dándole un valor dicotómico para
poder ser tabulado e interpretado. El efecto de cada una de estas variables se puede determinar
según los resultados obtenidos en las clasificaciones de cada una de las variables, por ejemplo, si
se le asigna el valor de 1 para hombre y 0 para mujer, entonces podemos establecer coeficientes y
el efecto de la variable género en el nivel socioeconómicos de las familias en cada una de las
familias de la comunidad.

En algunos casos, las variables ordinales toman demasiados valores para Incluya una variable
binaria para cada valor. Por ejemplo, un archivo contiene Datos sobre la mediana del salario
inicial de los graduados de la facultad de derecho. La variable explicativa clave es el rango de la
facultad de derecho. Porque cada escuela tiene Obviamente, las diferentes calificaciones no
pueden contener una variable binaria para cada calificación. Si no desea incluir calificaciones
directamente en la ecuación, las calificaciones pueden ser Dividido en varias categorías.

Las variables binarias pueden interactuar con variables cuantitativas teniendo en cuenta las
diferencias de sus pendientes entre diferentes grupos en casos extremos cada variable tiene su
propia pendiente y su propia intersección, comprobando si hay alguna diferencia la prueba de
Chow se puede utilizar entre grupos. En muchos casos, si la prueba es más interesante después de
considerar la diferencia en intersecciones, las pendientes de los dos grupos diferentes son iguales.
Para esto, se puede utilizar una prueba F estándar con un modelo sin restricciones, donde incluya
la interacción entre el grupo binario y todas las variables.
 b) Explicar en máximo dos párrafos que es un modelo de elección binaria, y qué
implica que la variable explicada sea cualitativa.
El modelo de elección binaria implica un arquetipo en el cual las variables dependientes toman
dos valores correspondientes 0 y 1. De manera general una variable dependiente puede ser
explicada por diferentes tipos de variables, incluyendo variables binarias. Por ejemplo, si uno
quiere estimar los determinantes de ingreso de un ciudadano, una de las variables explicativas
seria haber terminado los estudios universitarios o no; en este caso tomaría un valor de 1 para Si
y o para No, la variable explicativa cualitativa indica ocurrencia o presencia de una cualidad,
característica o atributo. Es por ello que cuando deseamos respuestas con dos opciones o
posibilidades la elección del modelo binario es acertada y nos permite realizar un análisis
confiable.

c) Explicar en máximo dos párrafos qué es una variable explicadora binaria, cuándo se
usa y cómo se interpretan sus coeficientes.

La variable explicadora binaria se puede considerar como un método de clasificación en un

modelo de regresión lineal que se utiliza cuando se quiere determinar las diferentes observaciones
de una muestra en dos categorías o grupos en función de una cualidad o atributo determinado.
Para el caso de los coeficientes de una variable explicativa dicotómica estos nos indican las
diferencias numéricas dentro del modelo de regresión, esto teniendo en cuenta la bondad del
ajuste del coeficiente R el cual debe establecer una proporción racional de la varianza total de los
datos de la variable explicativa.
3. Resolver los ejercicios de Wooldridge (2010): 7.4, 7.9, C7.5 C7.7, C7.8 y C7.10.

i) La diferencia porcentual aproximada es solo el coeficiente de utilidad por 100.

.283 utility x 100 = 28.3%
El estadístico t es .283/.099≈ -2.86 el cual es estadísticamente significativo.
ii) Ecuación 7.10

100 ∙ [ exp (−.283 )−1 ] ≈−24.7 %

La diferencia porcentual exacta es menor que la obtenida en el inciso i, por tanto, la
estimación es menor.
iii) La diferencia proporcional es .181-.158=.023 o 2.3%, la ecuación que podríamos
utilizar para probar si esta diferencia es estadísticamente significativa seria la
siguiente:
log ( salary ) =β 0+ β1 ( logsales ) + β o roe+δ 1 consprod+δ 2 utility + δ 3 trans+u
Donde trans es una variable ficticia para la industria del transporte. Ahora la base
grupo es finance, por lo que el coeficiente mide directamente la diferencia entre los
 productos de consumo y la industria, y podemos utilizar la estadística t en
consprod.

i) Para el caso d=0 la función fo(z) es:

y = βo + δod + β1 z + δ1d*z + u
y = βo + δo(0) + β1 z + δ1(0)*z + (0)
y = βo + β1 z; Entonces fo(z) = βo + β1 z

Para el caso d=1 la función fo(z) es:

y = βo + δod + β1 z + δ1d*z + u
y = βo + δo(1) + β1 z + δ1(1)*z + (0)
y = βo + δo+ β1 z + δ1*z
y = (βo + δo)+ (β1 z + δ1)z; entonces f1(z) = (βo + δo)+ (β1 z + δ1)z

ii) Suponiendo que δ1 ≠ 0 (lo que significa que las dos rectas no son paralelas), muestre
que el valor z* para que el fo(z) = f1(z) es z*= δ0/ δ1. Este es el punto en el que se
interceptan las dos rectas. Argumente que z* es positivo si y solo si δ0 y δ1 tienen
signos contrarios.
 Matemáticamente, si fo(z) = f1(z), entonces:
βo + β1 = (βo + δo)+ (β1 + δ1)z
βo + β1 - βo - δo = β1 z + δ1 z
- δo = δ1 z
Z* = (- δo )/ δ1
Matemáticamente z* siempre será positivo si si δ0 y δ1 tienen signos contrarios ya que
el signo negativo de la expresión conlleva a que al final se obtenga un resultado
positivo.

iii) Este modelo representa una relación entre el salario por hora (wage) y dos variables
dicotómicas: el genero (female) y total de los años de universidad (totcoll).
Para el inciso iii los resultados obtenidos por STATA son los siguientes y concuerdan
con los datos planteados en el interrogante iii:

El valor de totcoll para los valores que se predicen para log(wage) sean iguales para
hombres y para mujeres se pueden obtener matemáticamente como se muestra a
continuación:
log ( wage )=2.289−.357 female+.50 totcoll+.030 female∗totcoll

Entonces log(wage) para las mujeres es:

 log ( wage ) f =2.289−.357(1)+ .50totcoll +.030(1)∗totcoll
log ( wage ) f =1.932+.50 totcoll+.030 totcoll
log ( wage ) f =1.932+0.53 totcoll
Log(wage) para los hombres es:
log ( wage ) m=2.289−.357( 0)+.50 totcoll+.030(0)∗totcoll
log ( wage ) m=2.289+ .50totcoll
Cuando Log(wage) f = Log (wage) m, entonces tenemos:
1.932+0.53 totcoll=2.289+ .50totcoll
0.53 totcoll−.50totcoll=2.289−1.932
0.03 totcoll=0.357
0.357
totcoll= = 11.9
0.03
El valor de totcoll para el que los valores que se predicen para Log(wage) sean iguales
para hombres y mujeres es totcoll = 11.9
iv) En el resultado de la ecuación iii se ha estimado que las mujeres necesitan 11.9 años
de universidad para que sus ingresos se igualen al de los hombres, este es un numero
alto para ser relevante. Female*totcoll muestra que las diferencias se reducen en los
niveles superiores de la universidad, sin embargo nunca está cerca, de hecho a los 4
años la diferencia en el salario es pequeña.

Se generarán las siguientes variables en STATA

 log ( Salary )=4.29+0.288 [ Isales ] +0.016 [ roe ] −0.225 [ rosneg ]
N = 209; R2 = 0.296
El coeficiente de rosneg implica que si la empresa dirigida por un CEO tiene rendimientos
negativos, en un periodo de tiempo, se predice que el salario del directivo será de 22.5% más bajo
para niveles dados de ventas.

i) Ecuación 7.18
El coeficiente de female es -0.22678872, este indica que, si todo lo demás permanece
constante, al ser mujer esta le representa un 22.67% de salario (Iwage) cuando
educación (Educ) es 0 osea que no tiene ningún año de educación, por tanto la
diferencia entre generos es de 22.67%.
Ahoraa calculamos con STATA el salario (Iwage) cuando aumentamos el 12.5% en la
educación de las mujeres y obtenemos un resultado de -.29634503. Por tanto tenemos
que cuando female es 1, el valor predicho para Iwage es de 0.29634503, por tanto la
diferencia entre salarios es 29.63% a favor de los hombres.
ii) Corrida de la regresión con female*(educ-12.5)
 El coeficiente de female ahora se puede interpretar como el efecto que se espera tenga
el ser mujer sobre el porcentaje de salario (Iwage) cuando el nivel educativo (Educ) es
12.5 años de estudio.

iii) En el inciso i de la ecuación 7.18 el coeficiente de la variable no es estadísticamente

significativo, pues se evidencia un pValue de 0.176 con lo que a un nivel de confianza
de 90% o 95% no es significativo. Sin embargo, en el inciso ii si es estadísticamente
significativo ya que evidencia un pValue de 0.000 con lo que a un nivel de confianza
de 90% o 95% si es significativo. Es interesante que el coeficiente que si es
significativo arroje impacto negativo alto en los salarios producto de la diferencia de
género y que este nivel sea mayor frente a niveles d educación mayores; esto podría
indicar que es más factible identificar la brecha salarial para niveles de educación
mayores, cuando las personas han cursado varios años de universidad y se enfrentan a
situaciones dispares por su género a pesar de tener el mismo nivel educativo.