Máximo Fernando Mercedes Despradel

1098491
Econometría 2
Tarea Heterocedaaticidad

El ii) y iii), porque la heterocedasticidad causa que la inferencia estadistica basada en los estadisticos t y F
sea invalida incluso en muestras grandes. Además como la heterocedasticidad es una violación a los
supuestos de Gauss-Markov los MCO dejan de ser MELI.

beer
=β 0 (1 /inc ) + β 1 + β 2 ( price/inc ) + β 3 ( educ /inc )+ β 4 ( female/inc ) + ( u/inc )
inc
Los coeficientes tienen los efectos esperados. El estadistico t de crsgpa es superior al 5% y el estadistico t
más grande entre ellos, aún utilizando el error estandar robusto sigue teniendo una significancia del 5%.
Si crsgpa fuese la única variable explicativa significaria que, sin ninguna información de los estudintes, el
mejor predictor del termino GPA sería la media del GPA de los estudiantes del curso, además el intercepto
sería 0. Con más variables explicativas, la hipotesis nula no es necesarimente cierta, porque crsgpa podría
estar correlacionada con caracteristicas de los estudiantes. Al hacer las prueas t con el error estandar y
error robusto comprobamos que no podemos negar la hipotesis nula en ningún nivel de significancia.
Podemos ver que al mantener todas las demás variables constntes el coeficiente de season es negativo y
baja el GPA en 0.16. El t estadistico usando el error robusto sería significativo únicamente al 5%, mientras
que el error estandar no es significante ni siquiera al 10%, por lo que el uso de los error varia el resultado.
 Var ( u∨totwrk , educ , age , ynkid , male )=Var ( u∨male ) =δ 0+ δ 1 male
Lo que hace que la varianza para female sea solo δ 0 y para male δ 0 +δ 1

Al el coeficiente de male ser negtivo la varianza

estimada para las mujeres es mayor

No, porque el estadistico t es de -1.06, o que no es significante.

El error estandar robusto es casi el

doble que el error estandar haciendo que lotsize sea much menos significativo al igual que pasa con sqrf,
por otra parte bdrms se vuelve un poco más significativo.

Al igual que antes el error estandar

robusto es mayor que el error estandar, pero las diferencias son muchos menos relevates, log(lotsize) y
log(sqrf) mantienen un alto t estadistico, mientras que el estadistico t de bdrms no es significante al 5% en
ningún caso.

Que la transformación a log mitigo y casi que elimina los efectos de la heterocedasticidad.