ECONOMETRÍA 1

Pablo A. Astudillo E.
Análisis de regresión múltiple
Regresión múltiple: introducción

a) Nivel de educación
Deseo comparar los salarios entre hombre y mujeres b) Edad
c) …
¿Por qué razones pueden ser diferentes? d) …
e) …

E
Q1: ¿Cuál es la diferencia total de la diferencia de salarios de acuerdo al género, XCLU
IR
incluyendo las diferencias causados por nivel de educación?
IN
Q2: Cuál es la diferencia parcial de la diferencia de salarios de acuerdo al género, CL
UI
excluyendo las diferencias causados por nivel de educación? R

¿En qué pregunta se debe incluir la variable educación el análisis?

¿En qué pregunta debe excluirse dicha variable?
 - Datos de salarios de 500 empleados
- Muestra aleatoria de una población más grande

Wage (gráfica 1) es más asimétrica que Log*-Wage (gráfica 2) *Logaritmo natural

Mujeres tienen salarios más bajos que
hombres

PREGUNTAS:

¿Qué tan grande es la diferencia?

¿Cuáles son las causas de la
diferencia?
Regresión múltiple: introducción

Regresión simple:

log(wage) = 4.73 - 0.25 (Mujeres) + e

[ R2 = 0.07, b = -0.25, tb = -6.25 ]

“Género” variable dummy (binaria): 1 para mujeres, 2 para hombres

¿Cuál es la diferencia estimada del salario por género?

a) 25% de desventaja para las mujeres

b) 25% de ventaja para las mujeres log(wagemujer) / log(wagehombre) = -0.25
c) 22% de desventaja para las mujeres
wagemujer = wagehombre x e-0.25 = wagehombre x 0.78
d) 22% de ventaja para las mujeres
-> Mujeres ganan en promedio 22% menos que hombres
Regresión múltiple: introducción

Sin embargo… los salarios no dependen exclusivamente en el género, sino también en factores
como la edad, educación, número de horas por semana, etc.

Edad: 40.05 - 0.11 Mujeres + e [ R2 = 0.00, tb = -0.11 ]

Educación: 2.26 - 0.49 Mujeres + e [ R2 = 0.05, tb = -5.16 ]
Tiempo parcial: 0.20 + 0.25 Mujeres + e [ R2 = 0.07, tb = 6.15 ]

Resultado: casi la misma edad, menor educación, mayor frecuencia en empleos de tiempo parcial
Regresión múltiple: introducción

Debido a que existen muchos factores que afectan a los salarios, es de nuestro interés analizar
el efecto parcial.

Ejem: el efecto parcial del género en el salario, es la diferencia entre los salarios de hombres y
mujeres que quedan posterior a “corregir” por otros efectos como educación o tiempo parcial:

Efecto parcial: si todas las otras variables se mantienen “fijas”

PREGUNTA: ¿Cuál es el efecto parcial del género sobre el salario?

Entonces: Diferencia en salario por género posterior a corregir por las diferencias en educación
y tiempo de trabajo
Regresión múltiple: estimación

Explica la variable y en términos de variables x1, x2, … , xk

Pendientes de los parámetros

Intercepción

Error,
perturbación,
no-observables

Variable dependiente
Variable explicada Variables independientes
Variables explicativas
Regresores

Análisis de regresión múltiple es más adecuado para un análisis ceteris paribus debido a que
permite controlar de manera explícita otros factores que afectan en forma simultánea a la variable
dependiente.
Regresión múltiple: estimación

MOTIVACIÓN:

- Incorporar más factores explicativos en el modelo.

- Explícitamente mantener factores fijos que de otra forma serían parte de u.
- Permitir una major flexibilidad en las formas funcionales

EJEMPLO
Mide el efecto del género (manteniendo
explícitamente constante la educación)

Salario = 𝛽0 + 𝛽1Mujer + 𝛽2Educación + u Otros efectos

Variable dependiente Nivel de educación

(salario por hora)
Regresión múltiple: estimación

EJEMPLO: Gasto por estudiante en esta escuela

avgscore = 𝛽0 + 𝛽1expend + 𝛽2avginc + u Otros efectos

Variable dependiente
Ingresos promedios familiares de
(salario por hora)
los estudiantes en este escuela

- Es probable que el gasto por estudiante esté correlacionado con el ingreso familiar promedio en una
escuela secundaria determinada debido al financiamiento escolar.

- Omitir el ingreso familiar promedio en la regresión llevaría a una estimación sesgada del efecto del gasto en
los puntajes promedio de las pruebas.

- En un modelo de regresión simple, el efecto del gasto por estudiante incluiría en parte el efecto del ingreso
familiar en los puntajes de las pruebas.
Regresión múltiple: estimación
Ingresos familiares
EJEMPLO

cons = 𝛽0 + 𝛽1inc + 𝛽2inc2 + u Otros efectos

Consumo familiar
Ingresos familiares al cuadrado

- Consumo familiar (cons) es una función cuadrática del ingreso familiar (inc).
- El modelo tiene dos variables explicativas: ingresos e ingresos al cuadrado.
- El consumo se explica como una función cuadrática del ingreso.
- Tener MUCHO CUIDADO en cómo interpretar los coeficientes:

Por cuánto aumenta el

Depende de
consumo si los
cuánto ingreso ya
ingresos aumentan
existe
por una unidad
Regresión múltiple: estimación
Log ventas
EJEMPLO

log(salary) = 𝛽0 + 𝛽1log(sales) + 𝛽2ceoten + 𝛽3ceoten2 + u Otros efectos

Log del salario del

Función cuadrática de la antigüedad del
CEO
CEO en la empresa

- El modelo supone una relación de elasticidad constante entre el salario del CEO y las ventas
de su empresa.

- El modelo supone una relación cuadrática entre el salario del CEO y su permanencia en la
empresa.

OJO: Significado de la regresión "lineal": el modelo tiene que ser lineal en los parámetros (no en
las variables)