Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Los estadisticos principales nos muestran medidas de tendencia central, dispersión y los cuantiles.
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.
2
2. Estimación e inferencia – interpretación de coeficientes, significación,
contrastes diferentes
*** significativo al 1%
** significativo al 5%
* significativo al 10%
-- Insignificativo
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)
P-valor del F = 9,13e-43<0,01 –> Modelo conjuntamente significativo al 1%. Rechazamos la nula (𝐻𝐻0 : 𝛽𝛽1 =
𝛽𝛽2 = 𝛽𝛽3 = 0).
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!!
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 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%.
Además de los contrastes de significación individual, podemos hacer un contraste para un conjunto de
regresores
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.