Universidad Nacional Mayor de San Marcos

Facultad de Ciencias Económicas

Escuela Académico Profesional de Economía
Curso: Econometría I Ciclo: 2016-I
Aula: 206-T
Profesor: Alfonso L. Ayala Loro

Examen Parcial 2

1. Sea el modelo: log(wi) = β0 + β1Mi+ β2PEi+ β3X'iγ + ui

donde w es el salario/hora, Mi = 1 si i es mujer, PEi = 1 si padres de i son emigrantes y
X'i recoge las variables cuantitativas: EDi = número de años de estudios, Ai = antigüedad
laboral en años y Ai2 = cuadrado de la anterior. La siguiente tabla recoge estimaciones
MCO y medias muestrales:

Variable 𝛽̂ 𝑋̅
Constante 3.77
Mujer -0.170 0.5097
Padres emigrantes -0.083 0.1106
Años de estudios 0.038 11.58
Antigüedad 0.020 18.85
Cuadrado de Antigüedad 0.0003 496.27

Interpretar los coeficientes estimados asociados a las variables M (Mujer) y PE (Padre

Emigrante).
a. ¿Cuál es la estimación de E(log(wi) I M=1, PE=0, X=
𝑋̅)? (2 p)
E(log(wi)) = 3.77 – 0.17 + 0.038*11.58 +0.02*18.85 + 0.0003*496.27
Constante 3.77
Mujer -0.17
Padres emigrantes 0
Años de estudios 0.44004
Antigüedad 0.377
Cuadrado de Antigüedad 0.148881
4.565921

b. ¿Cuál es la estimación del valor medio del log(wi) para un hombre con padres
emigrantes, 9 años de estudios, y 10 de antigüedad? ¿Cuál es esa estimación para
una mujer con las mismas características? (1 p)

Constante 3.77
Mujer 0
Padres emigrantes -0.083
Años de estudios 0.342
Antigüedad 0.2
Cuadrado de Antigüedad 0.0243
4.2533

c. Proponer un modelo equivalente al anterior utilizando otras variables ficticias o

dummys? (2 p)

2. La variable smokes es una variable binaria igual a uno si la persona fuma e igual a cero
si no es asi. Utilizando los datos del archivo SMOKE.RAW, se estimó un modelo de
probabilidad lineal para smokes: (5 p)
smokes = .656 - .069 log(cigpric) + .012 log(income) - .029 educ + .020 age
(.855) (.204) (.026) (.006) (.006)
[.856] [.207] [.026] [.006] [.005]

- .00026 age2 - .101 restaurn - .026 white

(.00006) (.039) (.052)
[.00006] [.038] [.050]

1
n = 807, R2 = .062.

donde
income = ingreso anual.
cigpric = precio del paquete de cigarros (en centavos de dólar).
educ = años de escolaridad.
age = edad medida en años.
restaurn = un indicador binario igual a uno si la persona reside en un estado en el que
fumar en los restaurantes está prohibido.

La variable white es igual a uno si el entrevistado es blanco e igual a cero si no es así.

Se dan tanto los errores estándar usuales como los errores estándar robustos a la
heterocedasticidad.

i) .Hay alguna diferencia importante entre los dos conjuntos de errores estándar? (1 p)

No hay mucha diferencia entre los errores, esto indicaría que el problema de
heterocedasticidad es bajo.

ii) Permaneciendo todos los demás factores constantes, si la educación aumenta cuatro
años, ¿qué ocurre con la probabilidad estimada de fumar? (1 p)

 prob de fumar = -0.029*4 = -0.116

iii) ¿En qué punto un año más de edad reduce la probabilidad de fumar? (1 p)

+ .020 age - 0.00026 age2

Derivando el igualando a 0:
0.02 – 2*0.00026 age = 0
0.02-0.00052 age = 0
age = 38.46

iv) Interprete el coeficiente de la variable binaria restaurn (una variable que es igual a
uno si la persona vive en un lugar en el que hay restricciones para fumar en los
restaurantes). (1 p)

La probabilidad de que una persona fume en ese estado es menor en 10.1% respecto a
aquellos estados en los que si esta permitido fumar en los restaurantes. Este estimador
es significativo (t = 0.101/0.038 = 2.65).

v) La persona número 206 de la base de datos tiene las características siguientes: cigpric
= 67.44, income = 6,500, educ = 16, age = 77, restaurn = 0, white = 0 y smokes = 0.
Calcule la probabilidad predicha de que esta persona fume. Comente sobre el resultado.
(1 p)

log beta X * beta

cons 0.656 0.656
pric 67.44 4.21123831 -0.069 -0.29057544
incom 6500 8.77955746 0.12 1.05354689
educ 16 -0.029 -0.464
age 77 0.02 1.54
age2 5929 -0.00026 -1.54154
restaur 0 -0.101 0
white 0 -0.026 0

smokes 0 0.95343145

Al tratarse de un individuo de ingresos altos la probabilidad predicha de que la persona

fume es alta. Asimismo, la edad al cuadrado anula el efecto de la edad en la predicción.
El error en la predicción es muy alto.

2
3. Sea el modelo: consumo = b0 + bi*PBI, con datos del BCRP de 1993-2012,
obtenemos:

reg cons pbi

Source | SS df MS Number of obs = 20

-------------+------------------------------ F( 1, 18) =15070.92
Model | 1.3624e+10 1 1.3624e+10 Prob > F = 0.0000
Residual | 16272187.3 18 904010.404 R-squared = 0.9988
-------------+------------------------------ Adj R-squared = 0.9987
Total | 1.3641e+10 19 717923021 Root MSE = 950.79

------------------------------------------------------------------------------
cons | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
pbi | .6071653 .0049458 122.76 0.000 .5967746 .6175561
_cons | 12981.59 756.6833 17.16 0.000 11391.86 14571.33
------------------------------------------------------------------------------

predict residuo, resid

estat dwatson

Durbin-Watson d-statistic( 2, 20) = 1.145332

Se prueban las siguientes relaciones entre los residuos:

regress residuo L.residuo pbi

Source | SS df MS Number of obs = 19

-------------+------------------------------ F( 2, 16) = 1.25
Model | 2033970.91 2 1016985.46 Prob > F = 0.3118
Residual | 12969818.1 16 810613.631 R-squared = 0.1356
-------------+------------------------------ Adj R-squared = 0.0275
Total | 15003789 18 833543.834 Root MSE = 900.34

------------------------------------------------------------------------------
residuo | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
residuo |
L1. | .3428977 .2244481 1.53 0.146 -.1329111 .8187065
|
pbi | -.0024205 .004944 -0.49 0.631 -.0129014 .0080603
_cons | 414.0415 769.4571 0.54 0.598 -1217.135 2045.218
------------------------------------------------------------------------------

. regress residuo L.residuo L2.residuo pbi

Source | SS df MS Number of obs = 18

-------------+------------------------------ F( 3, 14) = 1.23
Model | 2581334.51 3 860444.835 Prob > F = 0.3347
Residual | 9767652.1 14 697689.436 R-squared = 0.2090
-------------+------------------------------ Adj R-squared = 0.0395
Total | 12348986.6 17 726410.977 Root MSE = 835.28

------------------------------------------------------------------------------
residuo | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
residuo |
L1. | .3292022 .2317507 1.42 0.177 -.1678537 .8262581
L2. | -.2695746 .2258858 -1.19 0.253 -.7540515 .2149022
|
pbi | -.0039936 .0048477 -0.82 0.424 -.0143909 .0064036
_cons | 742.4556 766.7435 0.97 0.349 -902.0457 2386.957
------------------------------------------------------------------------------

i) Pruebe si existe autocorrelación según el estadístico de Durbin y Watson. (2 p)

Dl = 1.20 dU 0 1.41, autocorrelacion positiva

ii) Contraste la presencia de autocorrelación utilizando el test de Breusch-

Godfrey. (2 p)

Prueba chi cuadrado = N * R2

Para la primera regresión:

19*0.1356 = 2.57, X2 = 30.14, en menor, se rechaza Ha de autocorrelación

3
4. Dado el modelo ̂
Yi = β0 + β1 X1i + β2 X2i + ui con la matriz:

2 0 0 0
0 4 0 0
E uu '   2  , E u   0
0 0 6 0
 
0 0 0 8

Es adecuado estimar por MCO? Justifique (2 p)

¿Cómo se solucionaría el problema? ¿Cómo podría utilizar la técnica MCO para
obtener estimadores óptimos en este modelo? (2 p)

Se solucionó en la práctica.

5. Describa dos de los métodos para estimar los parámetros en un modelo que muestra
signos de autocorrelación. (2 p)

MCG
Transformacion de Prais
MCGF