LABORATORIO 4 ECONOMETRIA

o la URL 'https://cran.case.edu/bin/windows/contrib/4.2/MASS_7.3-60.zip'

Content type 'application/zip' length 1172908 bytes (1.1 MB)

downloaded 1.1 MB

package ‘MASS’ successfully unpacked and MD5 sums checked

The downloaded binary packages are in

C:\Users\lab2pc05\AppData\Local\Temp\R-PortableTemp\RtmpcxkqFs\downloaded_packages

> utils:::menuInstallPkgs()

probando la URL 'https://cran.case.edu/bin/windows/contrib/4.2/pastecs_1.3.21.zip'

Content type 'application/zip' length 480016 bytes (468 KB)

downloaded 468 KB

package ‘pastecs’ successfully unpacked and MD5 sums checked

The downloaded binary packages are in

C:\Users\lab2pc05\AppData\Local\Temp\R-PortableTemp\RtmpcxkqFs\downloaded_packages

> # (2.1) Introducir datos base

> k=c(1,1.04,1.05,1.07,1.14,1.16,1.17,1.24,1.31,1.38,1.42,1.47,1.51,1.55,1.59,1.64,1.66,1.67,1.72)

> l=c(4,4.07,4.14,4.21,4.22,4.23,4.25,4.29,4.31,4.35,4.4,4.42,4.45,4.46,4.48,4.55,4.61,4.66,4.68)

> # (2.2.) Estimar el coeficiente del resto de factores en la producción

> mult=sort(1+runif(19,0,0.5))

> # (2.3.) Generar exponente alfa y comentar

> alfa=runif(1,0.1,0.9)

> alfa

[1] 0.3356498

> # (2.3.) Generar exponente beta y comentar

> beta=runif(1,0.1,0.9)
> beta

[1] 0.5528458

> # (2.4) Estimar la rendimientos a escala de la producción y comentar

> rendesc=alfa+beta

> rendesc

[1] 0.8884956

>

> # (2.5) Estimación del producto en base a la función Cobb-Douglas

> q=(18*k^alfa*l^beta)*mult

>

> # (3) Realizar análisis visual y estadístico de datos originales

> # (3.1) Mostar datos generados y comentar

> cbind(k,l,q)

k l q

[1,] 1.00 4.00 40.37653

[2,] 1.04 4.07 41.89107

[3,] 1.05 4.14 44.26272

[4,] 1.07 4.21 45.72622

[5,] 1.14 4.22 47.30926

[6,] 1.16 4.23 48.84758

[7,] 1.17 4.25 49.27888

[8,] 1.24 4.29 52.93632

[9,] 1.31 4.31 55.10536

[10,] 1.38 4.35 57.53914

[11,] 1.42 4.40 59.35265

[12,] 1.47 4.42 60.78750

[13,] 1.51 4.45 65.41509

[14,] 1.55 4.46 66.57894

[15,] 1.59 4.48 67.66277

[16,] 1.64 4.55 69.34635

[17,] 1.66 4.61 71.61107

[18,] 1.67 4.66 72.76808

[19,] 1.72 4.68 74.42804

> # (3.2) Generar un gráfico de la suma física de los insumos y del producto. Comentar

> plot(k+l,q,type="o")

> # (3.3) Generar las estadísticas descriptivas de los insumos y del producto. Comentar.

> cbind(stat.desc(k),stat.desc(l),stat.desc(q))

Error in stat.desc(k) : no se pudo encontrar la función "stat.desc"

> # (1) Especificar las opciones y bibliotecas requeridas para este ejercicio

> options(scipen=999,digits=4)

> library(MASS) #para la transformación Box-Cox

Warning message:

package ‘MASS’ was built under R version 4.2.3

> library(pastecs) # Estadísticas descriptivas

Warning message:

package ‘pastecs’ was built under R version 4.2.3

> # (3.3) Generar las estadísticas descriptivas de los insumos y del producto. Comentar.

> cbind(stat.desc(k),stat.desc(l),stat.desc(q))

[,1] [,2] [,3]

nbr.val 19.00000 19.00000 19.0000

nbr.null 0.00000 0.00000 0.0000

nbr.na 0.00000 0.00000 0.0000

min 1.00000 4.00000 40.3765

max 1.72000 4.68000 74.4280

range 0.72000 0.68000 34.0515

sum 25.79000 82.78000 1091.2236

median 1.38000 4.35000 57.5391

mean 1.35737 4.35684 57.4328

SE.mean 0.05607 0.04424 2.5622

CI.mean.0.95 0.11780 0.09293 5.3830

var 0.05973 0.03718 124.7338

std.dev 0.24440 0.19282 11.1684

coef.var 0.18005 0.04426 0.1945

>
> # (4) Estime modelo de regresión utilizando sus datos

> modelo1=lm(q~k+l)

> summary(modelo1)

Call:

lm(formula = q ~ k + l)

Residuals:

Min 1Q Median 3Q Max

-1.4523 -0.5463 0.0602 0.3816 1.3642

Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) -49.89 13.34 -3.74 0.0018 **

k 34.98 3.17 11.04 0.0000000069 ***

l 13.74 4.02 3.42 0.0035 **

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.716 on 16 degrees of freedom

Multiple R-squared: 0.996, Adjusted R-squared: 0.996

F-statistic: 2.18e+03 on 2 and 16 DF, p-value: <0.0000000000000002

>> # sobre que indica dicho lambda con respecto a la especificación lineal y logaritmica de las

> # variables bajo estudio

>

> bc <- boxcox(q~k+l)

> lambda=with(bc, x[which.max(y)])

> lambda
[1] 0.8687

>

# (5) Puesto que la función es Cobb-Douglas, la linearización de dicha relación se hace

> # a través de la transformación de los datos a logaritmos naturales

>

> lnq=log(q,exp(1))

> lnk=log(k,exp(1))

> lnl=log(l,exp(1))

>

> # (6) Estimar el modelo de regresión utilizando los datos transformados

> modelo2=lm(lnq~lnk+lnl)

> summary(modelo2)

Call:

lm(formula = lnq ~ lnk + lnl)

Residuals:

Min 1Q Median 3Q Max

-0.01966 -0.00953 -0.00214 0.00853 0.02425

Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) 2.1303 0.4191 5.08 0.00011 ***

lnk 0.8116 0.0721 11.25 0.0000000052 ***

lnl 1.1332 0.2988 3.79 0.00160 **

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.0127 on 16 degrees of freedom

Multiple R-squared: 0.996, Adjusted R-squared: 0.996

F-statistic: 2.21e+03 on 2 and 16 DF, p-value: <0.0000000000000002

>