República Checa

Alumnos:

Escribano Arias, Carla

Fernández Millán, Arantxa
Palmer Prats, María
Ramos Solar, Victor Hugo
Rodríguez Sancho, German Manuel
Primera Parte

1. Estime por MCO sendos MRLS con regresando los salarios (EARNMTH) y como regresores,
además del término independiente, la educación (YRSQUAL) y la experiencia(C_Q09_C),
respectivamente.

̂
𝐸𝐴𝑅𝑁𝑀𝑇𝐻 = 2577.84 + 1300.48𝑌𝑅𝑆𝑄𝑈𝐴𝐿

̂
𝐸𝐴𝑅𝑁𝑀𝑇𝐻 = 19870.4 + 26822𝐶_𝑄09_𝐶

2. Interprete las estimaciones de los parámetros de la educación y la experiencia.

El coeficiente estimado de la educación (YRSQUAL) es de 1300.48, se trata de una relación lineal-lineal

o nivel-nivel, la interpretación es la siguiente: por cada año adicional de educación en Republica Checa,
el salario mensual aumenta en 1300.48 coronas checas.
 El coeficiente estimado para la experiencia (C_Q09_C) es de 26.82, se trata de una relación lineal-
lineal o de nivel-nivel, la interpretación es la siguiente: por cada año adicional de experiencia en
Republica Checa, el salario mensual estimado aumenta en 26.82 coronas checas.

3. Interprete las estimaciones de los términos independientes.

El valor estimado de la variable endógena cuando todas las variables explicativas son igual a 0. En el
caso de Republica Checa, una persona sin educación ni experiencia obtiene un salario estimado de
2577.84 y 19870.4 coronas checas respectivamente.

4. Valore la bondad del ajuste de los modelos estimados.

Para saber cuál es la bondad de ajuste de nuestro modelo nos tenemos que fijar en el valor del R-
cuadrado que aparece en el cuadro de la estimación: Para Republica Checa es de 0.1369 y0.0013. Es
decir que el modelo explica el 13.69% y 0.13% de la varianza o variabilidad del salario mensual
(EARNMTH).

Segunda Parte

5. Estime por MCO un MRLM con regresando los salarios (EARNMTH) y regresores, además del
término independiente, la educación (YRSQUAL) y la experiencia (C_Q09_C).

̂
𝐸𝐴𝑅𝑁𝑀𝑇𝐻 = 1440.31 + 1318.59𝑌𝑅𝑆𝑄𝑈𝐴𝐿 + 50.5973𝐶_𝑄09_𝐶
6. Estime la misma ecuación, pero con una especificación log-log; es decir, con todas las variables
(salarios, educación y experiencia) en logaritmos. Interprete los coeficientes estimados.

𝐿𝑛𝐸𝐴𝑅𝑁𝑇𝑀𝑇𝐻 = 𝛽0 + 𝛽1 𝐿𝑛𝑌𝑅𝑆𝑄𝑈𝐴𝐿 + 𝛽2 𝐿𝑛𝐶_𝑄09_𝐶 + 𝑢

̂
𝐿𝑛𝐸𝐴𝑅𝑁𝑀𝑇𝐻 = 6.92755 + 1.028𝐿𝑛𝑌𝑅𝑆𝑄𝑈𝐴𝐿 + 0.080𝐿𝑛𝐶_𝑄09_𝐶 + 𝑢

La relación de EARNMTH con YRSQUAL es Log-Log, el coeficiente estimado es directamente la

elasticidad estimada de EARNMTH respecto a TRSQUAL. El valor es 1.028 significa que cuando los
años de educación suben en 1%, el salario estimado sube 1.028%.

La relación de EARNMTH con C_Q09_C es Log-Log, el coeficiente estimado es directamente la

elasticidad estimada de EARNMTH respecto a C_Q09_C. El valor 0.080 significa que cuando los años
de experiencia aumenta en 1%, el salario mensual sube en 0.080%.

7. Estime la misma ecuación, pero con una especificación nivel-log. Interprete el coeficiente
estimado para la educación.

𝐸𝐴𝑅𝑁𝑇𝑀𝑇𝐻 = 𝛽0 + 𝛽1 𝐿𝑛𝑌𝑅𝑆𝑄𝑈𝐴𝐿 + 𝛽2 𝐿𝑛𝐶_𝑄09_𝐶 + 𝑢

̂ =− 31407.9 + 18794.6𝐿𝑛𝑌𝑅𝑆𝑄𝑈𝐴𝐿 + 1198.29𝐿𝑛𝐶_𝑄09_𝐶

𝐸𝐴𝑅𝑁𝑀𝑇𝐻
 la relación de EARNMTH con YRSQUAL es lin-log. Para interpretar la pendiente estimada, tenemos
que DIVIDIRLA por 100

18794.6/100=187.946

y diremos: cuando los años de educación aumentan un 1%, el salario mensual estimado aumenta en
197.946 coronas checas.

la relación de EARNMTH con C_Q09_C es lin-log. Para interpretar la pendiente estimada, tenemos
que DIVIDIRLA por 100:

1198.29/100=11.9829

y diremos: cuando los años de experiencia aumentan un 1%, el salario mensual estimado aumenta en
11.8929 Coronas Checas.

8. Determine cuál de los tres modelos estimados es el que mejor ajusta a tus datos. Razone su

respuesta.

Tenemos tres modelos: en primer lugar, tenemos el Lin-Lin, segundo Log-Log y tercero Lin-Log, para
comprar estos modelos podemos utilizar el R-Cuadrado, pero sin embargo necesitamos que todos los
modelos tengan la misma variable endógena y solamente se puede comparar el modelo 1 y 3 ya que
son los únicos que tienen la misma variable endógena, en el caso 2 la variable endógena es Ln
EARNMTH.
 Para poder comparar los tres modelos vamos a utilizar el criterio de arkaike (AIC).

Modelos AIC n
Lin-Lin 41536.59 1988
Log-Log 3146.303 (41448.29292) 1953
Lin-Log 40760.02 1953

AIC 2 y = AIC 2ln y + 2 × N × ̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅

ln EARNMTH

AIC 2 y = 3146.303 + 2 × 1953 × ̅̅̅̅̅̅̅̅̅̅̅̅

9.805937 = 41448.29292

̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
ln EARNMTH = 9.805937

La regla para elegir del AIC es el que tenga menos AIC de todos los modelos en nuestro caso es el
Lin-Log.

Tercera Parte

9. Estime la misma ecuación, pero con una especificación log-nivel, es decir, los salarios en
logaritmos; mientras que experiencia y educación en unidades originales (años). Interprete los
coeficientes estimados.

𝐿𝑛𝐸𝐴𝑅𝑁𝑇𝑀𝑇𝐻 = 𝛽0 + 𝛽1 𝑌𝑅𝑆𝑄𝑈𝐴𝐿 + 𝛽2 𝐶_𝑄09_𝐶

𝐿𝑛𝐸𝐴𝑅𝑁𝑇𝑀𝑇𝐻 = 8.71004 + 0.738249𝑌𝑅𝑆𝑄𝑈𝐴𝐿 + 0.00395580𝐶_𝑄09_𝐶
 La relación de EARNMTH con YRSQUAL es log-lin. Para interpretar la pendiente estimada,
tenemos que MULTIPLICARLA por 100.

0.0738249 x 100 = 7.38

Cuando la educación aumenta en un año el salario mensual estimado aumenta en 7.38%.

La relación de EARNMTH con C_Q09_C es log-lin. Para interpretar la pendiente estimada, tenemos
que MULTIPLICARLA por 100:
0.00395580 x 100 = 0.39558
Cuando la experiencia aumenta en un año el salario mensual estimado aumenta en 0.3958%.

10. Añada al modelo anterior un regresor adicional: un término cuadrático para la experiencia.

l𝑛(𝑌) = 𝛽0 + 𝛽1𝐸𝐷𝑈𝐶 + 𝛽2𝐸𝑋𝑃 + 𝛽3𝐸𝑋𝑃2 + u

𝐿𝑛𝐸𝐴𝑅𝑁𝑇𝑀𝑇𝐻 = 8.47489 + 0.0734091𝑌𝑅𝑆𝑄𝑈𝐴𝐿 + 0.0425746𝐶_𝑄09_𝐶 − 0.00096𝐶_𝑄09_𝐶 2

̂
𝜕𝐿𝑛𝐸𝐴𝑅𝑁𝑀𝑇𝐻
= 0.0425746 − 2 ∗ 0.000960𝐶_𝑄09_𝐶 = 0.0425746 − 0.0018 𝐶_𝑄09_𝐶
𝜕𝐶_𝑄09_𝐶

A mayor experiencia mayor incremento en el salario, pero ese incremento es cada vez menor a medida
que la experiencia aumenta.
 11. En el modelo del apartado anterior, el efecto de la experiencia no es lineal (no es constante), pero
¿qué nivel de la experiencia maximiza el salario?.
0.0425746 − 0.0018 𝐶_𝑄09_𝐶 = 0
C_Q09_C = 23.65 => 24
En Republica Checa, el nivel de experiencia que maximiza el salario mensual es 24 años.

Cuarta Parte

12. Discute si el signo obtenido en las estimaciones del parámetro 𝛽1 es el que predice la teoría
económica.

l𝑛(𝑌) = 𝛽0 + 𝛽1𝐸𝐷𝑈𝐶 + 𝛽2𝐸𝑋𝑃 + 𝛽3𝐸𝑋𝑃2 + u

𝐸𝐴𝑅𝑀𝑇𝐻 = 𝛽0 + β1𝑌𝑅𝑆𝑄𝑈𝐴𝐿 + 𝛽2𝐶_𝑄09_𝐶

𝜕𝐸𝐴𝑅𝑀𝑇𝐻 𝜕𝐿𝑛𝐸𝐴𝑅𝑀𝑇𝐻
>0 → > 0 → 𝛽1
𝜕𝑌𝑅𝑆𝑄𝑈𝐴𝐿 𝜕𝑌𝑅𝑆𝑄𝑈𝐴𝐿

Haciendo la derivada oportuna sacamos que 𝛽1 del primer modelo es > 0, podemos decir que la derivada
de LnEARMTH respecto de YRSQAUL será positiva y por tanto una subida en la educación dará lugar a
un aumento en el salario.

13. Contrasta, con la excepción del término constante o independiente, la significatividad individual
de cada uno de los restantes parámetros del modelo (𝛽1, 𝛽2 𝑦 𝛽3) para unos niveles de
significación del 5% y del 1%.
L𝑛(𝑌) = 𝛽0 + 𝛽1𝐸𝐷𝑈𝐶 + 𝛽2𝐸𝑋𝑃 + 𝛽3𝐸𝑋𝑃2 + u
𝐿𝑛𝐸𝐴𝑅𝑁𝑇𝑀𝑇𝐻 = 𝛽0 + 𝛽1 𝑌𝑅𝑆𝑄𝑈𝐴𝐿 + 𝛽2 𝐶_𝑄09_𝐶
HO: β1= 0 HO: β2= 0 HO: β3= 0
H1: β1≠ 0 H1: β2≠ 0 H1: β3≠ 0

q=1 q=1 q=1

k=3 k=3 k=3

n=1984 n=1984 n=1984

 ̂ −𝛽1
𝛽1 0.0734091−0 0.05
𝑡= = = 14.7645 𝛼 = = 0.025 t1988-3-1=1.960
𝜎𝛽1 0.00497200 2

Como el valor absoluto del estadístico es 14.7645 > C=1.960, Rechazamos la hipótesis nula para un nivel
de significación del 5%, es decir que β1 es estadísticamente significativo.

̂ −𝛽1
𝛽1 0.0734091−0 0.01
𝑡= = == 14.7645 𝛼 = = 0.005 t1988-3-1=2.576
𝜎𝛽1 0.00497200 2

Como el valor absoluto del estadístico es 14.7645 > C=2.576, Rechazamos la hipótesis nula para un nivel
de significación del 1%, es decir que β1 es estadísticamente significativo.

̂ −𝛽2
𝛽2 0.0425746−0 0.05
𝑡= = = 11.1539 𝛼 = = 0.025 t1988-3-1=1.960
𝜎𝛽2 0.00381701 2

Como el valor absoluto del estadístico es 14.7645 > C=1.960, Rechazamos la hipótesis nula para un nivel
de significación del 5%, es decir que β2 es estadísticamente significativo.

̂ −𝛽2
𝛽2 0.0425746−0 0.01
𝑡= = = 11.1539 𝛼 = = 0.005 t1988-3-1=2.576
𝜎𝛽2 0.00381701 2

Como el valor absoluto del estadístico es 11.1539 > C=2.576, Rechazamos la hipótesis nula para un nivel
de significación del 1%, es decir que β2 es estadísticamente significativo.

̂ −𝛽3
𝛽3 −0.000960423−0 0.05
𝑡= = = −10.52 𝛼 = = 0.025 t1988-3-1=-1.960
𝜎𝛽3 0.0000913085 2

Como el valor absoluto del estadístico es 10.52 > C=1.960, Rechazamos la hipótesis nula para un nivel de
significación del 5%, es decir que β3 es estadísticamente significativo.
 ̂ −𝛽3
𝛽3 −0.000960423−0 0.01
𝑡= = = −10.52 𝛼 = = 0.005 t1988-3-1=-2.576
𝜎𝛽3 0.0000913085 2

Como el valor absoluto del estadístico es 10.52 > C=2.576, Rechazamos la hipótesis nula para un nivel de
significación del 1%, es decir que β3 es estadísticamente significativo.

Método valor-p

Regla de decisión

Si valor-p ≤ α, Rechazamos H0

Si valor-p > α, no Rechazamos H0

v-p β1 = 6.95 e-047 ≤ α=0.05, Rechazamos H0

v-p β2 = 4.59 e-028 ≤ α=0.05, Rechazamos H0

v-p β3= 3.23 e-025≤ α=0.05, Rechazamos H0

v-p β1 = 6.95 e-047 ≤ α=0.01, Rechazamos H0

v-p β2 = 4.59 e-028 ≤ α=0.01, Rechazamos H0

v-p β3= 3.23 e-025≤ α=0.01, Rechazamos H0

14. Contrasta la significatividad conjunta del modelo.

HO: β1= β2= β3=0
H1: no HO
Valor p =2.77*10-67
𝛼 = 0.05
Rechazamos ya que Vp< 𝛼

𝑅𝐺2 /𝑘 0.097743/3
𝐹= 2 = = 71.6433, 𝐹𝑡𝑎𝑏𝑙𝑎𝑠 = 2.60
(1 − 𝑅𝐺 )/(𝑛 − 𝑘 − 1) (1 − 0.097743)/(1988 − 3 − 1)

El valor de las tablas de una distribución F para un nivel de significación del 5%, 3 grados de libertad en
el numerador y 1984 en el denominador es de 2.60, el cual está por debajo del valor estadísticos F muestral
(Ftablas<Fmuestral). Por tanto, se rechaza la hipótesis nula.
15. Contrasta si el coeficiente de la educación (parámetro 𝛽1) es igual a 0.10 frente a la hipótesis
alternativa de que es menor que 0.10.
HO: β1= 0.10
H1: β1< 0.10
̂ −𝛽1
𝛽1 0.0734091−0.10 0.05
𝑡= = = −5.3481 𝛼 = = 0.025 t1988-3-1=-1.960
𝜎𝛽1 0.00497200 2

Como el valor absoluto del estadístico es 5.3481 > C=1.960, Rechazamos la hipótesis nula para un nivel
de significación del 5%, es decir que 𝛽1 es estadísticamente significativo.

16. Contrasta si el coeficiente de la experiencia (parámetro 𝛽2) es igual a 0.10 frente a la hipótesis
alternativa de que es mayor que 0.10.
HO: β1= 0.10
H1: β1 > 0.10
̂ −𝛽2
𝛽2 0.0425746−0.10 0.05
𝑡= = = −15.0446 𝛼 = = 0.025 t1988-3-1=-1.960
𝜎𝛽2 0.00381701 2

Como el valor absoluto del estadístico es 15.0446 > C=1.960, Rechazamos la hipótesis nula para un nivel
de significación del 5%, es decir que 𝛽2 es estadísticamente significativo.

17. Contrasta conjuntamente si 𝛽1 𝑦 𝛽2 son ambas 0,1.

HO: β1= β2= 0.10

H1: β1≠β2≠ 0.10
(𝑆𝐶𝑅𝑅 −𝑆𝐶𝑅𝐺 )/𝑞 (662.2226−627.2444)/2
𝐹= = = 55.3466
𝑆𝐶𝑅𝐺 /(𝑛−𝑘−1) 627.2444/(1988−2−1)

Bajo H0, F~F2,1985, α=0.05, Vc=3.00. Como 55.3466>3, Rechazamos la H0.