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. 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)

b. En el modelo de probabilidad lineal, si los valores predichos de Y se encuentran

fuera del rango [0;1], los errores siguen una distribución normal en muestras
grandes y el modelo es heterocedástico. (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 un estudio basado en una Encuesta

Longitudinal Nacional sobre los salarios de las mujeres jóvenes durante el periodo
1968 a 1988. El modelo planteado tiene como determinantes del salario a la edad de
cada mujer, la edad al cuadrado, la antigüedad en el trabajo, el año de nacimiento, y
nivel de educación y la permanencia en el trabajo.

Variable Descripción

Ln_wage Logaritmo natural del salario

Age Edad del entrevistado
Birth_yr Año de nacimiento
Grade Años de escolaridad completados que van de 0 a 18 años.
Tiempo que una persona ha trabajado para un empleador en particular en
Ternure
años
Union Toma valor de 1 si la mujer pertenece a un sindicato y 0 en caso contrario
Wks_work Semanas trabajadas durante el último año
Msp Toma valor de 1 si es casada y 0 en caso contrario.

a. Comente de manera concisa por qué la permanencia en el trabajo debe de ser

tratada como una variable endógena en el modelo presentado. (1.5 puntos)
b. La tabla 2 muestra la estimación mediante el método de MCO, ¿Por qué cree
que el coeficiente de la variable ternure tiene una magnitud menor a cuando se
instrumentaliza la variable? (1.5 puntos)
c. 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 1
. ivregress 2sls ln_wage age c.age#c.age birth_yr grade (tenure = union
> wks_work msp), first

First-stage regressions

Number of obs = 18,625

F(7, 18617) = 654.06
Prob > F = 0.0000
R-squared = 0.1974
Adj R-squared = 0.1971
Root MSE = 3.6992

tenure Coefficient Std. err. t P>|t| [95% conf. interval]

age .0026782 .0414106 0.06 0.948 -.0784904 .0838467

c.age#c.age .0025855 .0006614 3.91 0.000 .0012891 .0038818

birth_yr .0163099 .0101705 1.60 0.109 -.0036252 .0362449

grade .0888385 .0116065 7.65 0.000 .0660886 .1115884
union 1.334304 .0641491 20.80 0.000 1.208566 1.460042
wks_work .0343949 .0010954 31.40 0.000 .0322478 .036542
msp -.0812262 .0566523 -1.43 0.152 -.19227 .0298176
_cons -3.09171 .7667447 -4.03 0.000 -4.5946 -1.58882

Instrumental variables 2SLS regression Number of obs = 18,625

Wald chi2(5) = 4681.13
Prob > chi2 = 0.0000
R-squared = .
Root MSE = .48441

ln_wage Coefficient Std. err. z P>|z| [95% conf. interval]

tenure .1060832 .0033585 31.59 0.000 .0995007 .1126657

age .0162345 .0053761 3.02 0.003 .0056974 .0267716

c.age#c.age -.0005309 .0000863 -6.15 0.000 -.0007 -.0003617

birth_yr -.0091139 .0013289 -6.86 0.000 -.0117184 -.0065093

grade .070454 .001576 44.71 0.000 .0673652 .0735429
_cons .9079537 .1016266 8.93 0.000 .7087693 1.107138

Instrumented: tenure
Instruments: age c.age#c.age birth_yr grade union wks_work msp
 Tabla 2
. reg ln_wage tenure age c.age#c.age birth_yr grade

Source SS df MS Number of obs = 28,099

F(5, 28093) = 2388.03
Model 1913.26146 5 382.652292 Prob > F = 0.0000
Residual 4501.56247 28,093 .16023787 R-squared = 0.2983
Adj R-squared = 0.2981
Total 6414.82393 28,098 .228301798 Root MSE = .4003

ln_wage Coefficient Std. err. t P>|t| [95% conf. interval]

tenure .0350292 .0007151 48.98 0.000 .0336274 .0364309

age .0486046 .003208 15.15 0.000 .0423167 .0548925

c.age#c.age -.0007131 .0000532 -13.41 0.000 -.0008174 -.0006089

birth_yr -.0024565 .0008429 -2.91 0.004 -.0041086 -.0008045

grade .0771322 .0010539 73.19 0.000 .0750666 .0791978
_cons -.0595327 .0613794 -0.97 0.332 -.1798394 .0607739

Tabla 3
. estat endogenous

Tests of endogeneity
H0: Variables are exogenous

Durbin (score) chi2(1) = 783.599 (p = 0.0000)

Wu-Hausman F(1,18618) = 817.707 (p = 0.0000)

Tabla 4
. estat firststage

First-stage regression summary statistics

Adjusted Partial
Variable R-sq. R-sq. R-sq. F(3,18617) Prob > F

tenure 0.1974 0.1971 0.0755 506.743 0.0000

Minimum eigenvalue statistic = 506.743

Critical Values # of endogenous regressors: 1

H0: Instruments are weak # of excluded instruments: 3

5% 10% 20% 30%

2SLS relative bias 13.91 9.08 6.46 5.39

10% 15% 20% 25%

2SLS size of nominal 5% Wald test 22.30 12.83 9.54 7.80
LIML size of nominal 5% Wald test 6.46 4.36 3.69 3.32
 Tabla 5

. estat overid

Tests of overidentifying restrictions:

Sargan (score) chi2(2) = 34.6431 (p = 0.0000)

Basmann chi2(2) = 34.6927 (p = 0.0000)

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

sindicación de mujeres en los Estados Unidos entre los años 1970 y 1988 que toma en
consideración las siguientes variables:

Variable Descripción

Union Toma valor de 1 si se encuentra sindicalizada y 0 en caso contrario.

Age Edad de la mujer en la fecha de la encuesta.
Grade Años de escolaridad completados que van de 0 a 18 años.
No SMSA1 Toma valor de 1 si no vive en un área estadística metropolitana.
South Toma valor de 1 si vive en la zona sur de Estados Unidos y 0 en caso contrario

Representa la clasificación étnica que toma valor de 1 si es una persona de

Black
color y 0 en otro caso.

1
En los Estados Unidos un área estadística Metropolitana o conocido en inglés como metropolitan statistical area
(abreviado MSA) es una región geográfica con una relativa alta densidad de población y un núcleo poblacional con
enlaces económicos a la región que la rodea.
 Tabla 6

. probit union c.age c.grade i.not_smsa i.south i.black, vce(robust)

Iteration 0: log pseudolikelihood = -13864.23

Iteration 1: log pseudolikelihood = -13272.575
Iteration 2: log pseudolikelihood = -13269.093
Iteration 3: log pseudolikelihood = -13269.093

Probit regression Number of obs = 26,200

Wald chi2(5) = 1072.47
Prob > chi2 = 0.0000
Log pseudolikelihood = -13269.093 Pseudo R2 = 0.0429

Robust
union Coefficient std. err. z P>|z| [95% conf. interval]

age .0070053 .0013698 5.11 0.000 .0043205 .00969

grade .0403384 .0039526 10.21 0.000 .0325915 .0480853
1.not_smsa -.0559286 .0206865 -2.70 0.007 -.0964735 -.0153837
1.south -.5120426 .0200004 -25.60 0.000 -.5512426 -.4728425
1.black .4883875 .0207293 23.56 0.000 .4477588 .5290162
_cons -1.436187 .0644433 -22.29 0.000 -1.562494 -1.309881

d. ¿Qué muestran los coeficientes de cada variable de la regresión probit sobre

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

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 esta sindicalizado? (2 puntos).
c. Si se estimara el mismo estudio por un modelo Logit. ¿Con cuál modelo nos
quedaríamos? ¿Por qué? (1 punto).
 Tabla 7

Average marginal effects Number of obs = 26,200

Model VCE : Robust

Expression : Pr(union), predict()

dy/dx w.r.t. : age grade 1.not_smsa 1.south 1.black

Delta-method
dy/dx Std. Err. z P>|z| [95% Conf. Interval]

age .0019934 .0003893 5.12 0.000 .0012304 .0027563

grade .0114783 .0011171 10.28 0.000 .0092888 .0136677
1.not_smsa -.0157848 .0057886 -2.73 0.006 -.0271302 -.0044394
1.south -.140847 .0051763 -27.21 0.000 -.1509925 -.1307016
1.black .1496103 .0065969 22.68 0.000 .1366807 .1625399

Note: dy/dx for factor levels is the discrete change from the base level.

Tabla 8
Probit model for union

True
Classified D ~D Total

+ 33 20 53
- 5778 20369 26147

Total 5811 20389 26200

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

True D defined as union != 0

Sensitivity Pr( +| D) 0.57%

Specificity Pr( -|~D) 99.90%
Positive predictive value Pr( D| +) 62.26%
Negative predictive value Pr(~D| -) 77.90%

False + rate for true ~D Pr( +|~D) 0.10%

False - rate for true D Pr( -| D) 99.43%
False + rate for classified + Pr(~D| +) 37.74%
False - rate for classified - Pr( D| -) 22.10%

Correctly classified 77.87%

Tabla 9
Akaike's information criterion and Bayesian information criterion

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

logit1 26,200 -13864.23 -13264.03 6 26540.05 26589.09

probit1 26,200 -13864.23 -13269.09 6 26550.19 26599.23

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