UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS

FACULTAD DE ECONOMÍA
SEMESTRE 2023-I

MICROECONOMETRÍA: PRÁCTICA CALIFICADA 2

Profesores: Ledesma Luis / Paredes Tania / Ysique Mayte

Jefes de Práctica: Jara Paolo / Vega Ray
Curso: EF73 Microeconometría
Sección: EN72 / EN73 / EX71 / EX72

Indicaciones Generales:
a. La evaluación tendrá que ser entregada 10 minutos antes de terminar
la sesión.
b. La evaluación es individual y sin materiales.
c. Deberán de guardar todos sus dispositivos electrónicos en sus mochilas
antes de iniciar la evaluación.
d. Todo acto de plagio o intento de plagio será sancionado con una nota
de cero en la evaluación, sin derecho a reclamo.
e. Escriba de manera legible y evite borrones.

I. SECCIÓN TEÓRICA (5 PUNTOS)

1. (5 puntos) Indique si los siguientes enunciados son verdaderos (V) o falsos (F),
cada respuesta debe ser justificada como mejor considere de manera
detallada.

a. En el modelo de probabilidad lineal, a pesar de que los valores

predichos de Y se encuentran fuera del rango [0;1], los errores siguen
una distribución normal y el modelo es homocedástico. (2.5 puntos)

b. El estimador de mínimos cuadrados ordinarios (𝛽̂𝑀𝐶𝑂 ), en

comparación al estimador de variables instrumentales (𝛽̂𝑉𝐼 ), será
consistente toda vez que exista endogeneidad. (2.5 puntos)
II. SECCIÓN PRÁCTICA (15 PUNTOS)

1. (3 puntos) Calcule de manera matricial el estimador de variables

instrumentales (𝛽̂𝑉𝐼 ) ¿Bajo qué condiciones es preferible utilizar el estimador
de mínimos cuadros ordinarios en dos etapas (𝛽̂2𝑆𝐿𝑆 )?

2. (6 puntos) A continuación se presenta una ecuación mincer. El modelo

planteado tiene como determinantes del salario a los años de educación, la
edad de cada persona, los años de experiencia profesional y su cuadrado.

Variable Descripción
Ln_wage Logaritmo natural del salario
Educ Años de educación del entrevistado
Age Edad del entrevistado
Exper Experiencia profesional del entrevistado
Exper2 Experiencia profesional del entrevistado al cuadrado
Sibs Números de hermanos del entrevistado
IQ Coeficiente Intelectual del entrevistado.

Tabla 1
. *** MCO ***
. reg lwage educ age c.exper##c.exper

Source SS df MS Number of obs = 935

F(4, 930) = 37.01
Model 22.7491944 4 5.6872986 Prob > F = 0.0000
Residual 142.9071 930 .153663548 R-squared = 0.1373
Adj R-squared = 0.1336
Total 165.656294 934 .177362199 Root MSE = .392

lwage Coef. Std. Err. t P>|t| [95% Conf. Interval]

educ .0719752 .0069886 10.30 0.000 .0582599 .0856905

age .0138417 .0052691 2.63 0.009 .003501 .0241824
exper .0228743 .0137304 1.67 0.096 -.0040718 .0498205

c.exper#c.exper -.0003962 .0006025 -0.66 0.511 -.0015785 .0007862

_cons 5.147761 .1878415 27.40 0.000 4.779118 5.516403

a. Comente de manera concisa por qué los años de educación debe de ser
tratada como una variable endógena en el modelo presentado. (1.0
punto)
 b. La tabla 2 muestra la estimación mediante el método de VI, ¿Por qué
cree que el coeficiente de la variable educ tiene una magnitud mayor
a cuando se instrumentaliza la variable? (1.0 punto)
c. Interprete los resultados de la Tabla 2 y la significancia de las
variables. (1.0 punto)

Tabla 2
First-stage regressions

Number of obs = 935

F( 5, 929) = 158.71
Prob > F = 0.0000
R-squared = 0.4607
Adj R-squared = 0.4578
Root MSE = 1.6175

educ Coef. Std. Err. t P>|t| [95% Conf. Interval]

age .207636 .0207129 10.02 0.000 .1669866 .2482854

exper .0905892 .0566156 1.60 0.110 -.0205201 .2016985

c.exper#c.exper -.0147719 .0024399 -6.05 0.000 -.0195603 -.0099834

sibs -.0750258 .0240218 -3.12 0.002 -.1221692 -.0278824

IQ .0558494 .0037723 14.81 0.000 .0484461 .0632526
_cons 2.374023 .846445 2.80 0.005 .712857 4.035189

Instrumental variables (2SLS) regression Number of obs = 935

Wald chi2(4) = 130.53
Prob > chi2 = 0.0000
R-squared = 0.0202
Root MSE = .41664

lwage Coef. Std. Err. z P>|z| [95% Conf. Interval]

educ .1505018 .015575 9.66 0.000 .1199753 .1810283

age -.0055446 .0065411 -0.85 0.397 -.0183649 .0072757
exper .0134231 .0146863 0.91 0.361 -.0153615 .0422077

c.exper#c.exper .0010628 .000689 1.54 0.123 -.0002877 .0024132

_cons 4.617744 .2199951 20.99 0.000 4.186562 5.048926

Instrumented: educ
Instruments: age exper c.exper#c.exper sibs IQ

d. Interprete los test sobre endogeneidad, debilidad de instrumentos y

sobreidentificación presentados a continuación y proponga cómo
podría solucionar en caso de que los instrumentos presentados no sean
los adecuados. (3 puntos)

Tabla 3
Tests of endogeneity
Ho: variables are exogenous

Durbin (score) chi2(1) = 37.3709 (p = 0.0000)

Wu-Hausman F(1,929) = 38.677 (p = 0.0000)
 Tabla 4

First-stage regression summary statistics

Adjusted Partial
Variable R-sq. R-sq. R-sq. F(2,929) Prob > F

educ 0.4607 0.4578 0.2274 136.754 0.0000

Minimum eigenvalue statistic = 136.754

Critical Values # of endogenous regressors: 1

Ho: Instruments are weak # of excluded instruments: 2

5% 10% 20% 30%

2SLS relative bias (not available)

10% 15% 20% 25%

2SLS Size of nominal 5% Wald test 19.93 11.59 8.75 7.25
LIML Size of nominal 5% Wald test 8.68 5.33 4.42 3.92

Tabla 5
Tests of overidentifying restrictions:

Sargan (score) chi2(1) = .032689 (p = 0.8565)

Basmann chi2(1) = .03248 (p = 0.8570)

3. (6 puntos) A continuación se presentan los resultados de un estudio sobre los

Determinantes de la Pobreza en el Perú para el año 2013, toma en
consideración las siguientes variables:

Variable Descripción
Pobre Toma valor de 1 si se encuentra en situación de pobreza y 0 en caso contrario.
Educ Educación del encuestado en años
Casado Toma valor de 1 si el encuestado se encuentra casado y 0 en caso contrario
Edad Edad del encuestado en años
Sierra Toma valor de 1 si el encuestado vive en la sierra y 0 en caso contrario
Kids6 Número de hijos menores de 6 años
Adul65 Número de adultos mayores de 65 años que viven con el encuestado
Piso Toma valor de 1 si se cuenta con pisos de concreto y 0 en caso contrario
Agua Toma valor de 1 si se cuenta con agua potable y 0 en caso contrario
Desague Toma valor de 1 si se cuenta con conexión a desague y 0 en caso contrario
 Tabla 2
Iteration 0: log likelihood = -16169.708
Iteration 1: log likelihood = -12650.971
Iteration 2: log likelihood = -12296.853
Iteration 3: log likelihood = -12292.543
Iteration 4: log likelihood = -12292.539
Iteration 5: log likelihood = -12292.539

Logistic regression Number of obs = 30,449

LR chi2(9) = 7754.34
Prob > chi2 = 0.0000
Log likelihood = -12292.539 Pseudo R2 = 0.2398

pobre Coef. Std. Err. z P>|z| [95% Conf. Interval]

educ -.1373746 .0042029 -32.69 0.000 -.1456122 -.129137

casado .5262574 .0379148 13.88 0.000 .4519459 .600569
edad -.0137037 .0015472 -8.86 0.000 -.0167362 -.0106712
sierra .5480696 .03382 16.21 0.000 .4817836 .6143557
kids6 .7944813 .0300895 26.40 0.000 .7355069 .8534556
adul65 .2530399 .0330193 7.66 0.000 .1883232 .3177566
piso -1.079547 .0372303 -29.00 0.000 -1.152517 -1.006577
agua -.2749704 .0380747 -7.22 0.000 -.3495955 -.2003453
desague -.4795724 .0402126 -11.93 0.000 -.5583876 -.4007571
_cons .3455238 .0966845 3.57 0.000 .1560257 .5350219

a. ¿Qué muestran los coeficientes de cada variable de la regresión logit

sobre la probabilidad de que una mujer se encuentre sindicalizada?
¿Por qué estos coeficientes no se pueden interpretar como los
coeficientes de MCO? (1.0 punto)

4. En base a la estimación anterior se les pide:

a. Interpretar los efectos marginales (2 puntos).

b. Interprete el Sensitivity y el Specificity. ¿Cuál es el umbral en el que
modelo predice que el individuo es pobre? (2 puntos).
c. Si se estimara el mismo estudio por un modelo Probit. ¿Con cuál
modelo nos quedaríamos? ¿Por qué? (1 punto).
 . mfx
Tabla 7
Marginal effects after svy:logit
y = Pr(pobre) (predict)
= .13042186

variable dy/dx Std. Err. z P>|z| [ 95% C.I. ] X

educ -.0148255 .00061 -24.36 0.000 -.016019 -.013633 8.50212

casado* .0587203 .00491 11.96 0.000 .049099 .068342 .663877
edad -.0015153 .00023 -6.68 0.000 -.00196 -.001071 52.657
sierra* .0338942 .00585 5.79 0.000 .022422 .045366 .333421
kids6 .0896587 .00476 18.82 0.000 .080323 .098994 .246328
adul65 .0304209 .00494 6.16 0.000 .020744 .040098 .381083
piso* -.1516342 .00794 -19.10 0.000 -.167197 -.136072 .677293
agua* -.0267174 .00701 -3.81 0.000 -.040458 -.012977 .831463
desague* -.0643422 .00732 -8.79 0.000 -.078695 -.04999 .674721

(*) dy/dx is for discrete change of dummy variable from 0 to 1

Tabla 8
Logistic model for pobre

True
Classified D ~D Total

+ 2618 1597 4215

- 4181 22053 26234

Total 6799 23650 30449

Classified + if predicted Pr(D) >= .5

True D defined as pobre != 0

Sensitivity Pr( +| D) 38.51%

Specificity Pr( -|~D) 93.25%
Positive predictive value Pr( D| +) 62.11%
Negative predictive value Pr(~D| -) 84.06%

False + rate for true ~D Pr( +|~D) 6.75%

False - rate for true D Pr( -| D) 61.49%
False + rate for classified + Pr(~D| +) 37.89%
False - rate for classified - Pr( D| -) 15.94%

Correctly classified 81.02%

Tabla 9

Akaike's information criterion and Bayesian information criterion

Model Obs ll(null) ll(model) df AIC BIC

logit1 30,449 -16169.71 -12292.54 10 24605.08 24688.32

probit1 30,449 -16169.71 -12271.19 10 24562.39 24645.62

Note: N=Obs used in calculating BIC; see [R] BIC note.