ESCUELA MILITAR DE INGENIERÍA

“MCAL. ANTONIO JOSÉ DE SUCRE”

UNIDAD ACADÉMICA RIBERALTA
BOLIVIA

PRÁCTICA DE ECONOMETRÍA

EST: BLANCA TERESA MEDINA YARARI

CI: 7645357
CÓDIGO: R1706-X
SEMESTRE: 5to
CARRERA: INGENIERÍA COMERCIAL

GESTIÓN I-2022
15.1 CONSIDERE UN MODELO SIMPLE PARA ESTIMAR EL EFECTO DE LAPOSESION
DE UNA COMPUTADORA PERSONAL (PC) EN EL PROMEDIO DECALIFICACIONES
(GPA) PARA LOS ALUMNOS DEL ULTIMO AÑO DE LACARRERA EN UNA
UNIVERSIDAD PUBLICA GRANDE:GPA = β0 + βPC + μDONDE PC ES UNA VARIABLE
BINARIA QUE INDICA LA POSESION DE UNA PC.i . ¿ P O R Q U E L A
P O S E S I O N D E U N A P C P O D R I A E S T A R CORRELACIONADA CON μ?
La posesión de una computadora personal (PC) puede adoptar 2 valores1 y 2. PC y upueden estar
correlacionados si se tendría información adicional lo cual brindaría unanueva variable para
satisfacer ciertas propiedades pero recordando que en el métodode vi funciona estén o no
correlacionadas PC y u.
ii.
EXPLIQUE POR QUE ES PROBABLE QUE PC ESTE RELACIONADA CONEL INGRESO
ANUAL DE LOS PADRES. ¿ESTO SIGNIFICA QUE ELINGRESO DE LOS PADRES
ES UNA BUENA VI PARA PC? ¿POR QUE?
Porque a medida que el ingreso anual de los padres sea mayor se puede acceder a laposesión de una
computadora .el ingreso anual de los padres es una buena variableinstrumental para PC por que
esta se encuentra relacionada positivamente con lavariable explicativa PC.
iii.SUPONGA QUE , HACE 4 AÑOS , LA UNIVERSIDAD OTORGO
S U B S I D I O S PARA COMPRAR COMPUTADORAS PARA CASI LA MITAD DE
LOSESTUDIANTES DE NUEVO INGRESO , Y ELIGIO DE MANERA ALEATORIAA
QUIENES LOS RECIBIERON .EXPLIQUE DE MANERA DETALLADACOMO SE USARIA
ESTA INFORMACION PARA CONSTRUIR UNAVARIABLE INSTRUMENTAL PARA PC .
Para esto tiene que cumplir 2 supuestos:- El subsidio no esté correlacionado con u es decir: cov
(subsidio, u)=0- El subsidio tiene que estar correlacionado con PC, es decir: cov (subsidio, PC)
≠0Si se cumplen ambos supuestos entonces el subsidio sería una buena variableinstrumental para PC.
15.3 CONSIDERE EL MODELO DE REGRESION SIMPLE Y = β0 + β1X + μ Y SEA
Z UNA VARIABLE INSTRUMENTAL BIANRIA PARA X. USE (15.10) PARAMOSTRAR
QUE EL ESTIMADOR DE VIβ1 SE PUEDE ESCRIBIR COMOΒ1 = (Y1 – Y0) (X1 –
X0)DONDE Y0 Y X0 SON LOS PROMEDIOS MUESTRALES DE Y1 Y X1 SOBRELA
PARTE DE LA MUESTRA CON Zi = 0 , Y DONDE Y1 Y X1 SON LOSPROMEDIOS
MUESTRALES DE Y1 Y X1 SOBRE LA PARTE DE LA MUESTRACON Zi =1 .
WALD (1940) FUE EL PRIMERO EN SUGERIR ESTE ESTIMADOR,CONOCIDO COMO
ESTIMADOR DE AGRUPACION.
No se puede porque nos pide ejercicios del capítulo 6 y no lo hemos desarrollado
15.4 SUPONGA QUE PARA UN ESTADO DETERMINADO EN ESTADOS UNIDOS,SE
DESEA UTILIZAR DATOS DE SERIES DE TIEMPO ANUALES PARA ESTIMAREL
EFECTO DEL SALARIO MINIMO, A NIVEL ESTATAL, SOBRE EL EMPLEO
LASPERSONAS ENTRE 18 Y 25 AÑOS DE EDAD (EMP). UN MODELO SIMPLE
ES:gEMPt = β0 + β1 gMINt + β2 gPOPt + β3gGSPt +β4gGDPt + utDONDE MIN, ES EL
SALARIO MINIMO, EN DÓLARES REALES, POPt ES LAPOBLACIÓN DE 18 A
25 AÑOS DE EDAD, GSPt ES EL PRODUCTO BRUTO DELESTADO Y GDPt ES
EL PRODUCTO BRUTO INTERNO ESTADOUNIDENSE. ELPREFIJO g INDICA LA TASA
DE CRECIMIENTO DEL AÑO t-1 al año t, LA CUALPOR LO GENERAL SE
APROXIMA MEDIANTE LA DIFERENCIA EN LOSLOGARITMOS.
a)SI ES DE PREOCUPAR QUE EL ESTADO ELIJA SU SALARIO MINIMO
CONBASE, EN PARTE, EN FACTORES INOBSERVABLES (PARA NOSOTROS)QUE
AFECTAN EL EMPLEO JUVENIL, ¿CUAL ES EL PROBLEMA CON
LAESTIMACION DE MCO?El problema con la estimación de MCO es que se produce el problema de
laENDOGENEIDAD debido a los factores inobservables que surgen en
la ecuación.b)SEA USMINt EL SALARIO MINIMO ESTADOUNIDENSE,
QUE TAMBIEN SEMIDE EN TERMINOS REALES, ¿CONSIDERA QUE gUSMINt NO
ESTACORRELACIONADA CON μ?Si gUSMINt no está correlacionada con μ
se puede estimar mediante el método VI.
c)POR LEY , EL SALARIO MINIMO DE CUALQUIER ESTADO DEBE SER
ALMENOS EL MONTO DEL MINIMO ESTADOUNIDENSE .EXPLIQUE
PORQUE ESTO HACE QUE gUSMINt SEA UN CANDIDATO POTENCIALCOMO VI PARA
gMINt.
Esta variable es un candidato potencial para ser una VI si cumple 2 requisitos:Cov(x,u)≠0Cov
(z, u)=0Es decir que la covarianza entre gMINt y el término error no debe de existir.
15.5 REFIERASE A LAS ECUACIONES (15.19) Y (15.20). SUPONGA QUE ðu = ðxDE
MANERA QUE LA VARIACION POBLACIONAL EN EL TERMINO DEL ERRORSEA LA
MISMA QUE EN X. SUPONGA QUE LA VARIABLE INSTRUMENTAL,
Z,ESTA LIGERAMENTE CORRELACIONADA CON u: CORR (z, u)=.1.SUPONGA
TAMBIEN QUE Z y X TIENEN UNA CORRELACION UN POCO MASFUERTE: CORR (z, x)
= .2.a)¿CUAL ES EL SESGO ASINTOTICO EN EL ESTIMADOR DE VI?Plim
β1MCO = β1 + corr(x, u). ðu / ðxPlim β1MCO = β1 + corr(x, u).
Las direcciones de los sesgos asintóticos son diferentes para VI y MCO , en esteejemplo
corr(x,u)>0, corr(z,x)>0 y que la corr(z,u)>0 , entonces el estimador de VI tieneun sesgo
hacia arriba , mientras que el estimador de MCO tiene un sesgo haciaabajo .
b)¿CUÁNTA CORRELACION TENDRIA QUE EXISTIR ENTRE X y U ANTESDE
QUE MCO TUVIERA MAS SESGO ASINTOTICO QUE MC2E?
Suponiendo que x y z estén positivamente correlacionados con u y que corr(z,x)>0 ,entonces
el sesgo asintótico en el estimador de VI es menor que el de MCO solo
sicorr(z,u)/corr(z,x)≤corr(x,u). si corr(z,x) es pequeña entonces una correlacion enapariencia
pequeña entre z y u puede aumentarse para hacer que VI sea peor queMCO aun si la atención se fija
solo en el sesgo.
Ingeniería Comercial
Econometría I
COM – 05223

Práctica Nº 1

1.1 Sea niños la cantidad de hijos que ha tenido una mujer, y educ los años de educación que
tiene esta mujer. Un modelo sencillo para relacionar fertilidad con años de educación es:
niños=β0+ β1educ+ u,
donde u es el error no observado.
i) ¿Qué tipo de factores son los contenidos en u? ¿Es posible que estos factores estén
correlacionados con el nivel de educación?

R. Los tipos de factores en u son: Edad, Ingreso. Estos factores están correlacionados con
el nivel de educación de la mujer, ya que depende mucho en la edad que empieza a recibir
la educación y el ingreso por que sin ello no se puede tener la educación adecuada.

ii) ¿Es posible que con un análisis de regresión simple se halle el efecto ceteris paribus de
educación sobre fertilidad? Explique.

R. la regresión lineal simple estudia el efecto de una variable independiente.

Por lo tanto, en este caso no se puede hallar el efecto de ‘’ceteris paribus’’ ya que la
variable no es independiente.

1.2 En el modelo de regresión lineal simple y= β0 + β1x+ u, suponga que E(u)≠ 0. Sea α0 = E(u),
muestre que siempre es posible reescribir el modelo con la misma pendiente, pero con
otro intercepto y otro error, de manera que el nuevo error tenga valor esperado cero.

α 0=E (u)
β → β 0+α u → u−α 0
E(u) ≠ 0
R.
Y = β 0+ β 1+ u
Y = ( α + β 0 ) + β 1 X + (u−α 0 )

E(u)≠(u−α 0)

Y = ( α + β 0 ) +(β 1 X +e )
1.3 En la tabla siguiente se presentan las puntuaciones obtenidas en el examen de ingreso a
la universidad en Estados Unidos, ACT (American College Test), y en el GPA (promedio
escolar) por ocho estudiantes universitarios. El GPA está medido en una escala de cuatro
puntos y se ha redondeado a un digito después del punto decimal.
Estudiante GPA ACT GPA* u
1 2.8 21 GPA1 =b0+ GPA*1-GPA1
(b1*21)
2 3.4 24 =b0+(b1*24)
3 3.0 26 =b0+(b1*26)
4 3.5 27 =b0+(b1*27)
5 3.6 29 =b0+(b1*29)
6 3.0 25 =b0+(b1*25)
7 2.7 25 =b0+(b1*25)
8 3.7 30 =b0+(b1*30)
GPA* - GPA estimado
i) Estime la relación entre GPA y ACT empleando MCO; es decir, obtenga las estimaciones
para la pendiente y para el intercepto en la ecuación

Comente la dirección de la relación ¿tiene, en este caso, el intercepto una interpretación

útil? Explique, ¿qué tanto más alto será el GPA predicho si ACT aumenta cinco puntos?

Estudiante GPA ACT ~Y ~X X.Y (Y-~Y)^2 (X-~X)^2 GPA

1 2,8 21 -0,4125 -4,875 2,0109375 0,17015625 23,765625 2,71428571
2 3,4 24 0,1875 -1,875 -0,3515625 0,03515625 3,515625 3,02087912
3 3 26 -0,2125 0,125 -0,0265625 0,04515625 0,015625 3,22527473
4 3,5 27 0,2875 1,125 0,3234375 0,08265625 1,265625 3,32747253
5 3,6 29 0,3875 3,125 1,2109375 0,15015625 9,765625 3,53186813
6 3 25 -0,2125 -0,875 0,1859375 0,04515625 0,765625 3,12307692
7 2,7 25 -0,5125 -0,875 0,4484375 0,26265625 0,765625 3,12307692
8 3,7 30 0,4875 4,125 2,0109375 0,23765625 17,015625 3,63406593
TOTAL 25,7 207 0 0 5,8125 1,02875 56,875 25,7

~y=25,7/8=3,2125
~x=207/8=25,875

B1= 5,8125/56,875=0,1021978

B0=3,2125-(0,1021978*25,875) =0,56813187

GPA= 0,56813187+(0,1021978 *ACT)

ACT aumenta 5 0,1021978*5 = 0,511
Entonces GPA aumentara 0,511

si ACT es 0 el promedio será de 0,56813187 sobre 4

Si ACT aumenta en cinco puntos GPA aumentará en 0.511, el intercepto no tiene una
interpretación útil porque a medida que aumenta ACT el GPA aumenta pero no sirve de nada
porque el ACT Sigue aumentando la cual no les combiné a los estudiante

ii) Calcule los valores ajustados y los residuales para cada observación y verifique que los
residuales (aproximadamente) sumen cero.

Y 1=β 0+ β 1 X 1

GPA=0,5681+ 0,1022 ACT

Estudiante GPA ACT VALOR AJUSTADO RESIDUO

1 2,8 21 2,714285714 0,085714286
2 3,4 24 3,020879121 0,379120879
3 3 26 3,225274725 -0,22527473
4 3,5 27 3,327472527 0,172527473
5 3,6 29 3,531868132 0,068131868
6 3 25 3,123076923 -0,12307692
7 2,7 25 3,123076923 -0,42307692
8 3,7 30 3,634065934 0,065934066
TOTAL 25,7 207 25,7 -0,0002

U =−0,0002

iii)¿Cuál es el valor que se predice para el GPA si ACT = 20?

=b0+(b1*20)
R.
GPA=0,56813187 +0,1021978 ( 20 )

GPA=2 , 61
iv) ¿Qué tanto de la variación en el GPA de estos ocho estudiantes es explicada por el ACT?
Explique.

R^2

1.4 La base de datos BWGHT.WF1 contiene cifras sobre los hijos nacidos de mujeres en
Estados Unidos. Las dos variables de interés son la variable independiente, peso en
onzas del niño al nacer (bwght) y la variable explicativa, cantidad promedio diaria de
cigarros consumidos por la madre durante el embarazo (cigs). La siguiente ecuación de
regresión simple se estimó con datos de n = 1,388 nacimientos:

^
bwght =119.77 - 0.514 cigs
i) ¿Cuál es el peso al nacer que se predice si cigs= 0? ¿Y cuando cigs= 20 (un paquete por
día)? Analice la diferencia.
R si cigs=0 el peso del bebe al nacer es de 119.77 onzas
Bwght=119,77-0,514(20)=89,49
Si el nivel de cigarrillos aumenta baja el peso del niño a 89,49 onzas

ii) ¿Capta esta ecuación de regresión simple una relación causal entre el peso del niño al
nacer y el hábito de fumar de la madre? Explique.
R Una regresión puede arrojar resultados significativos, sin embargo, no necesariamente
toda regresión explica una relación causal.

Pueden existir otros factores que ayuden a determinar el peso del niño, los cuales no están
siendo considerados dentro de este modelo

iii) Para que el peso al nacer predicho sea de 125 onzas, ¿cuál tiene que ser el valor de cigs?.
Explique.
125=119,77-0,514 cigs
5,23/-0,514=cigs
-10,17509
Para que el peso del niño sea de 125 onzas debe de dejar de fumar 10,17509 cigarrillo o 11

iv) ¿La proporción de mujeres en la muestra que no fumaron durante el embarazo es

aproximadamente 0.85. ¿Ayuda esto a entender sus hallazgos del inciso iii)?
Debido a que en la regresión se consideran las variables “Bwght” (dependiente) y “cigs”
(independiente)siendo la variable “cigs” la cantidad de cigarrillos que consumen las
madres, la proporción obtenida ayuda a predecir la cantidad de infantes que
pesarán aproximadamente 119.77 que será igual a la cantidad de madres que no
consumieron cigarro
1.5 En la función lineal de consumo

la propensión marginal a consumir estimada (PMgC) del ingreso no es más que la

ons /inc= ^β 0 /inc
pendiente, β1, mientras que la propensión media a consumir (PMeC) es c^
^β 1. Usando las observaciones sobre ingreso anual y consumo de 100 familias (ambos
medidos en dólares), se obtiene la ecuación siguiente:

i) Interprete el intercepto en esta ecuación y analice su signo y su magnitud.

Cons= -124,84 + 0,853 inc.
Si el nivel de ingreso de una familia es cero su nivel de consumo es de -124,82 dolares.
consumo negativo

ii) ¿Cuál es el consumo que se predice si el ingreso familiar es de $30,000?

Cons= -124,84+0,853(30000) = 25465,16 dólares
Si el ingreso familiar es de 30000 el consumo que se predice es de 25465,16 dólares

iii) Con inc en el eje x, trace una grafica la PMgC estimada y de la PMeC estimada.

1.6 Considere la función de ahorro

donde e es una variable aleatoria con E(e) = 0 y Var(e)=σ 2e. Suponga que e es
independiente de inc.
i) Muestre que E(u|inc) = 0, de manera que el supuesto clave de media condicional
cero se satisface. [Sugerencia: Si e es independiente de inc, entonces E(e|inc)=
E(e).]

ii) Muestre que Var(u|inc)=σ 2einc, de manera que se viola el supuesto de homocedasticidad.
En particular, la varianza de sav (ahorro) aumenta con inc. [Sugerencia: Var(e|inc) =
Var(e), si inc y e son independientes.]
iii) Proporcione un análisis para sostener el supuesto de que la varianza de los ahorros
aumenta con el ingreso familiar.

1.7 Suponga que desea estimar el efecto de las horas invertidas en un curso de preparación
para el examen estándar de admisión (SAT) sobre la puntuación obtenida en este
 examen (sat). La población es la de todos los alumnos de último año de bachillerato que
están por ingresar a la universidad en un determinado año.
i) Suponga que se le otorga un subsidio para realizar un experimento controlado. Explique
cómo estructuraría el experimento con objeto de estimar el efecto causal de hours sobre
sat.
ii) Considere el caso más real en el que los estudiantes deciden cuanto tiempo invertir en el
curso de preparación para el examen, y usted solo puede muestrear de la población, en
forma aleatoria, sat y hours. Escriba un modelo poblacional de la forma

donde, como de costumbre en un modelo con intercepto, puede suponerse que E(u)
= 0. Enumere por lo menos dos factores contenidos en u. ¿Es posible que estos estén
correlacionados positiva o negativamente con hours?
iii) En la ecuación del inciso ii) ¿cuál debe ser el signo de β 1 si el curso de preparación es
efectivo?
iv) En la ecuación del inciso ii), ¿cuál es la interpretación de β0?

EJERCICIOS EN COMPUTADORA
1.8 La base de datos 401K.WF1 es un subconjunto de los datos analizados por Papke (1995)
para estudiar la relación entre la participación en un plan de pensión y la generosidad del
plan. La variable prate es el porcentaje de trabajadores que están inscritos en el plan y
que tienen cuenta activa; esta es la variable que se quiere explicar. La medida de la
generosidad es la tasa de contribución (de la empresa) al plan, mrate. Esta variable es la
cantidad promedio con la que la empresa contribuye al plan de cada trabajador por cada
$1 que aporte el trabajador. Por ejemplo, si mrate = 0.50, entonces a una contribución
de $1 del trabajador corresponde una contribución de 50 centavos de la empresa.
i) Encuentre el promedio de la tasa de participación y el promedio de la tasa de contribución
para la muestra.

ii) Ahora, estime la ecuación de regresión simple

 y de los resultados, el tamaño de la muestra y R-cuadrada.

iii) Interprete el intercepto de la ecuación. Interprete también el coeficiente de mrate.

Cuando la participación es igual a 0 el coeficiente es igual al 83% entonces mrate es 5,86

iv) Determine la prate que se predice para = 3.5. ¿Es razonable esta predicción? Explique
que ocurre aquí.

v) ¿Qué tanto de la variación en prate es explicada por mrate? En su opinión, ¿es mucho?

1.9 La base de datos CEOSAL2.WF1 contiene información sobre directores generales de

empresas (CEO) estadounidenses. La variable salary es el sueldo anual, en miles de
dólares, y ceoten son los años de antigüedad como CEO de la empresa.
i) Determine el sueldo y la antigüedad promedio en esta muestra.
ii) ¿Cuántos de estos directivos se encuentran en su primer año como CEO (es decir, ceoten
= 0)? ¿Cuál es la mayor antigüedad entre estos CEO?
iii) Estime el modelo de regresión simple

y de los resultados en la forma usual. ¿Cuál es el aumento porcentual (aproximado) que

se pronostica en el sueldo por cada año adicional de antigüedad como CEO?
1.10 Utilice los datos de SLEEP75.WF1 de Biddle y Hamermesh (1990) para analizar si existe
una relación inversa entre las horas de sueño por semana y las horas de trabajo pagado
por semana ¿Cualquiera de las variables puede usarse como la variable dependiente.
Estime el modelo

donde sleep corresponde a minutos de sueño por semana durante la noche y totwrk
corresponde al total de minutos de trabajo por semana.
i) De sus resultados en forma de ecuación, además de la cantidad de observaciones
y la R2. ¿Qué significa el intercepto de la ecuación?

sleep=3,586.4-0.151 totwrk
sleep
n=706, R2 = 0.103
el intercepto implica que una persona que no trabaja duerme al mes 3,586.4
minutos, esto es …. horas por noche.

ii) Si totwrk aumenta 2 horas, ¿cuánto se estima que disminuirá sleep? ¿Le parece
que este efecto sea grande?

-18.12 minutos
1.11 Use la base de datos WAGE2.WF1 para estimar una regresión simple que explique el
salario mensual (wage) en términos de la puntuación del coeficiente intelectual (IQ).
i) Determine el promedio muestral del salario y de IQ. ¿Cuál es la desviación estándar
muestral de IQ? (La puntuación del coeficiente intelectual esta estandarizada, de manera
que el promedio de la población es 100 y la desviación estándar es 15.)

iii) Estime un modelo de regresión simple en el que un aumento de un punto en IQ

modifique wage en una cantidad de dólares constante. Use este modelo para
determinar el aumento que se predice en wage para un aumento de 15 puntos
en IQ. ¿Explica IQ la mayor parte de la variación en wage?
 iii) Ahora, estime un modelo en el que cada aumento de un punto en IQ tenga un mismo
efecto porcentual sobre wage. Si IQ aumenta 15 puntos, ¿cuál es el aumento porcentual
pronosticado para wage?

1.12 En la población formada por las empresas de la industria química, sea rd gastos anuales
en investigación y desarrollo y sales ventas anuales (ambos en millones de dólares).
i) De un modelo (no una ecuación estimada) que implique una elasticidad constante
entre rd y sales. ¿Que parámetro es la elasticidad?
ii) Ahora, estime el modelo usando la base de datos RDCHEM.WF1. Escriba la ecuación
estimada en su forma usual. ¿Cuál es la elasticidad estimada para rd respecto a sales?
Explique qué significa esta elasticidad.
Notas
1.2. Use +α0 y -α0 en la regresión, ordenamos términos y luego tomamos la esperanza de
la ecuación resultando en una nueva regresión con intercepto α 0 + β0 , y la pendiente
continúa siendo β1 y la esperanza del nuevo error será cero.
1.3.i) GPA ^ =0.5681 + 0.1022 ACT
n=8
Si ACT aumenta en cinco puntos GPA aumentará en 0.511, el intercepto no tiene una
interpretación útil porque…..
ii) Obtenga los errores y sume! El valor es aproximadamente -0.0002 que se puede
redondear a cero.
iii) R. 2.61
iv) R. el 0.577, explique….
1.6. i) Cuando se establece √ inc como condicionante de la esperanza, se asume como una
constante. Entonces E(u|inc) = E(√ inc*e|inc)….entonces…
ii) Resp es similar al inciso anterior pero aplicar las propiedades de la varianza.
1.8 i) El promedio de prate es 87.36 y el promedio de mrate es 0.732
ii) prate=83.05+5.86 mrate
n=1.534, R2 = 0.075
iv) obtendríamos un valor de 103.59 para prate, lo cual es inconsistente con una tasa
máxima del 100% de participación ….
1.9 i) El salario promedio es 865 .864 que implica un valor de $ 865,864 puesto que la
variable está expresada en miles de dólares. El promedio de ceoten es 7.95
ii) cinco ceos son nuevos y el más antiguo tiene 37 años
iii) la ecuación: log(salary)=6.51 + 0.0097 ceoten
n=177, R2 = 0.013
un año más como CEO se predice que aumentará el salario en casi un 1% (explique
….)
1.10 i) sleep=3,586.4-0.151 totwrk
n=706, R2 = 0.103
el intercepto implica que una persona que no trabaja duerme al mes 3,586.4 minutos,
esto es …. horas por noche.
ii) -18.12 minutos …….
1.11 i) salario promedio $957.95 y IQ promedio 101.28 la desviación estándar 15.05
ii) wage=116.99+8.30IQ
n=935, R2 = 0.096
iii) log(wage)= 5.89 + 0.0088 IQ
n=935, R2 = 0.099
1.12 i) log(rd)=β0+ β1log(sales)+ u,; donde β1 es la elasticidad de rd con respecto de sales
ii) log(rd)=-4.105+ 1.076 log(sales)+ u,
n=32; R2 = 0.910
métodos econométricos

Los métodos econométricos tienen importancia en casi todas las ramas de la economía aplicada. Se
emplean cuando se desea probar una teoría económica o cuando se piensa en una relación que tiene
alguna importancia para decisiones de negocios o para el análisis de políticas

En un análisis empírico se utilizan datos para probar teorías o estimar relaciones.