Econometría Superior 2022-23

Repaso y preparación para el ejercicio práctico 1

1. Detales de los datos, estadísticos principales y gráficos

Tipos de datos – corte transversal o series temporales; tamaño de la muestra, estadísticos
principales, matriz de correlación, gráficos de dos variables XY (scatter), distribución de frecuencias
(histograma).

Los estadisticos principales nos muestran medidas de tendencia central, dispersión y los cuantiles.

La matriz de correlación indica el coeficiente de correlación por pares. El coeficiente de correlación

es una medida de dependencia lineal entre dos variables y toma valores entre -1 (correlación
negativa perfecta) y 1 (correlación positiva perfecta). El valor 0 significa no correlación lineal.

1
También podemos hacer el histograma usado la distribución de frecuencias. Aquí tenemos
información sobre la forma de la variable (si cerca de normal en el grafico, y el contraste de
normalidad de Jarque Berra al final de la tabla) y sobre la frecuencia, absoluta y relativa, de las
observaciones en determinados intervalos en la tabla.

Scatter plot o un grafico de dos variables XY

2
2. Estimación e inferencia – interpretación de coeficientes, significación,
contrastes diferentes

*** significativo al 1%

** significativo al 5%

* significativo al 10%

-- Insignificativo

1. Interpretación y significación de coeficientes

• Coef de educ: Cuando se aumenta la educación en un año, el salario por hora aumenta en 9,2%,
(0,092x100) siempre que el resto de las variables permanezcan constantes.
p-valor =0,0000….00008,82<0.01  El coef es estadísticamente significativo al nivel de significación
de 1%. El p-valor es menos de 0.01, y rechazamos la nula (𝐻𝐻0 : 𝛽𝛽𝑗𝑗 =0). Es decir, la educación es
estadísticamente importante para explicar diferencias en salarios.
• Coef de exper: Para cada año adicional de experiencia el salario por hora aumenta en 0,4%, dejando
el resto de las variables fijas.
p-valor =0,0171<0.05. Rechazamos la nula al nivel de 5%, el coef de exper es estadísticamente
significativo al 5%.
• Coef tenure: Cuando se aumenta tenure en una unidad (año), el salario por hora aumenta en 2,2%.
dejando el resto de las variables fijas.
p-valor =3,29e-012<0.01  El coef de tenure es estadísticamente significativo al nivel de
significación de 1%. El p-valor es menos de 0.01, y rechazamos la nula (𝐻𝐻0 : 𝛽𝛽𝑗𝑗 =0), el coef es
estadísticamente distinto de cero.

Recordáis la interpretación de los coeficientes según la forma funcional del modelo estimado

3
2. Bondad de ajuste – para valorar la capacidad del modelo en explicar la variable dependiente
R-cuadrado = 0,316013. 31,6% de la variación de la variable dependiente (log del salario) se explica el
modelo (las tres variables conjuntamente).
También podemos ver el grafico de los residuos (tamaño y patrón de los residuos) y el grafico del
observada vs estimada.

3. Significación global
(si el modelo es significativo o no)

F(3, 522) 80,39092 Valor p (de F) 9,13e-43

P-valor del F = 9,13e-43<0,01 –> Modelo conjuntamente significativo al 1%. Rechazamos la nula (𝐻𝐻0 : 𝛽𝛽1 =
𝛽𝛽2 = 𝛽𝛽3 = 0).

4. Contrastes de un conjunto de regresores o restricciones lineales

4.1 𝐻𝐻0 : 𝛽𝛽2 = 𝛽𝛽3 = 0 (los coefs de exper y tenure son iguales a cero conjuntamente)
Tabla del modelo  Contrastes  omitir variables  elija exper y tenure

4
 El p-valor del contraste es 1,76815e-020<0.01. Rechazamos la nula al 1% de significatividad. Los
coefs de exper y tenure parecen estadísticamente conjuntamente significativos al 1%.
4.2 𝐻𝐻0 : 𝛽𝛽1 − 𝛽𝛽3 = 1 (una restricción lineal)
Ventana del modelo  Contrastes  restricciones lineales  b[2]-b[4]=1 o
b[educ] - b[tenure] = 1
El Syntax de Gretl para restricciones lineales es muy importante!!

El p-valor del contraste es 0<0.01. Rechazamos la nula al 1% de significatividad. La diferencia entre

los coefs de educ y tenure parece estadísticamente distinta de uno al nivel de significatividad de 1%.
3. Variables Ficticias

Como incluir factores cualitativos en nuestros modelos  variables ficticias (VF), variables binarias para las
categorías del factor cualitativo, que toman dos valores arbitrarios (0 y 1).

Como añadir variables ficticias, diferencia en términos constantes y en pendientes parciales, añadir una VF
de manera aditiva y multiplicativa (termino de interacción), interpretación y significación de VFs, Contraste
CHOW de cambio estructural, evitar trampa de VFs.

Un modelo solo con una VF (Female = 1 si la persona es mujer) – hay diferencia en el salario promedio entre
hombres y mujeres?

- El constante indica el salario medio por hora de los hombres en la muestra (si female=0). Los hombres
ganan, en promedio, $7.10 por hora.

5
- El coef de la VF mide la diferencia en el salario por hora entre hombres y mujeres. Es decir, las mujeres
ganan 2,5 dolares menos. El salario promedio de las mujeres es 7.10- 2.51= 4.59 dolares por hora.
- Ambos parámetros son estadísticamente significativos al nivel de significatividad de 1%.

El modelo 3 tiene el logaritmo de wage como variable dependiente.

- El coef de la VF (female) es interesante porque mide la diferencia proporcional (porcentual) promedio

entre el salario por hora de una mujer y de un hombre, dados los mismos niveles de educ, exper y tenure. Si
se toman un hombre y una mujer con los mismos niveles de educación, experiencia y antigüedad, la mujer
gana, en promedio 29,6% menos por hora que el hombre. Esto es la discriminación laboral por sexo, la
brecha salarial.

El modelo 10 incluye un término de interacción, multiplicando la variable ficticia por la explicativa (aquí la
female por la experiencia) para verificar si la relación entre experiencia y salario (la pendiente) depende en
el género. Primero tenemos que crear el término de interacción: Añadir definir nueva variable 
Introduzca la fórmula

6
- El coef de female mide la diferencia proporcional (porcentual) promedio entre el salario por hora de una
mujer y de un hombre, dados el mismo nivel de experiencia. Las mujeres ganan, en promedio 29,3% menos
por hora que los hombres del mismo nivel de exper.

- El coef de experiencia*female (el término de interacción) mide la diferencia salarial proporcional de cada
año adicional de experiencia entre mujeres y hombres. Las mujeres ganan 0,5% menos que los hombres para
cada año adicional de experiencia. Un año más de experiencia vale más para los hombres. Este coeficiente
tiene un p-valor de 0,0638 < 0.10, entonces es significativo al 10%.

Es el genero un factor importante en la determinación de salarios controlando por experiencia?

Además de los contrastes de significación individual, podemos hacer un contraste para un conjunto de
regresores

𝐻𝐻0 : 𝛽𝛽[𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓] = 𝛽𝛽[𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 _ 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓] = 0

En gretl: Contrastes  Omitir variables  selectionar female y exper_female. P-valor del contraste es
2,52398e-018>0,01. Rechazamos la nula. Los coeficientes de female y exper_female son conjuntamente
significativos al 1% de significación.

Para responder, también, podemos utilizar el contraste Chow de cambio estructural. Básicamente, estamos
preguntado si el género cambia la relación entre experiencia y salario por hora. El contraste compara dos
muestras/ modelos (determinadas por género): un modelo solo con mujeres y un solo con hombres.

7
En gretl: Primero estimamos el modelo general sin la variable ficticia. Después, en la ventana del modelo 
contrastes  Contraste de Chow  tenemos que especificar el punto/factor de cambio (en este ejemplo es
la observación 274 o la variable female que separa los hombres y las mujeres).

Se rechaza la nula de estabilidad (con p-valor = 0,000). Es decir, si al nivel de significación de 1%, hay un
cambio estructural, hay una diferencia entre hombres y mujeres. El uso de VFs es mejor porque nos indica el
tamaño, signo y tipo de diferencia.