Documentos de Académico
Documentos de Profesional
Documentos de Cultura
S10. EA - Unidad 3
S10. EA - Unidad 3
ANÁLISIS DE REGRESIONES
Autores.
Econometría Aplicada
Docente de Cátedra.
Fecha de entrega.
https://drive.google.com/drive/folders/1OOPyQcaMogBeE9b6PU19FOxU
QGM5DRDk?usp=sharing
Página |1
Ejercicio 3.1.
Suponga que:
𝑦 = 𝛽𝑥 + 𝜀
Y X Z
25 6 3
33 3 1
-42 -2 -4
63 9 6
56 -16 -3
𝐻0 : 𝑁𝑜 𝑒𝑥𝑖𝑠𝑡𝑒 𝑙𝑎 𝑒𝑛𝑑𝑜𝑔𝑒𝑛𝑒𝑖𝑑𝑎𝑑
𝐻𝑎 : 𝑆𝑖 𝑒𝑥𝑖𝑠𝑡𝑒 𝑙𝑎 𝑒𝑛𝑑𝑜𝑔𝑒𝑛𝑒𝑖𝑑𝑎𝑑
Literal A.
Contraste por endogeneidad usando un test de Hausman.
> # Se muestra los residuales de p value
> summary(Hausman)[[4]][2,3:4]
t value Pr(>|t|)
-2.75391737 0.07051042
Literal B.
Calcule la línea de regresión muestral, 𝑋̂, de una regresión de X sobre Z.
Estime un modelo de regresión múltiple de Y sobre X y 𝑋̂ y contraste la
Ho de que el coeficiente que acompaña a 𝑋̂ es cero. Muestre que este
contraste es igual al del punto anterior.
Página |2
Coefficients:
Estimate Std. Error t value Pr(>|t|)
x 1.928 1.235 1.561 0.2164
FT_X2 4.242 1.540 2.754 0.0705 .
Hausman Etapas
Tvalue -2.753917 2.753917
Pvalue 0.070510 0.070510
Interpretación.
Ejercicio 3.2.
Se pide:
Literal A.
Para convencerse de que usar sibs como una VI para educ no es lo
mismo que sólo insertar sibs en lugar de educ y estimar la regresión por
MCO, realice la regresión de log(wage) sobre sibs y explique sus
hallazgos.
> # Creamos la nueva variable:
> BD$lg_wage <- log(BD$wage)
> Regresión <- lm(lg_wage ~ sibs, data = BD)
> summary(Regresión)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 6.861076 0.022078 310.771 < 2e-16 ***
sibs -0.027904 0.005908 -4.723 2.68e-06 ***
Interpretación.
Literal B.
La variable brthord es el orden de nacimiento (brthord es (1) uno para el
niño que nació primero, (2) dos para el segundo, y así sucesivamente).
Explique por qué educ y brthord pueden estar negativamente
correlacionadas. Realice la regresión de educ sobre brthord para
determinar si existe una correlación negativa estadísticamente
significativa.
> # LITERAL B.
> Regresión2 <- lm(educ ~ brthord, data = BD)
> summary(Regresión2)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 14.14945 0.12868 109.962 < 2e-16 ***
brthord -0.28264 0.04629 -6.106 1.55e-09 ***
Página |4
Interpretación.
Literal C.
Use brthord como una VI para educ en la siguiente ecuación:
log(𝑤𝑎𝑔𝑒) = 𝛽0 + 𝛽1 𝑒𝑑𝑢𝑐 + 𝑢
> # LITERAL C.
> Regresión3 <- ivreg(lg_wage ~ educ | brthord, data = BD)
> summary(Regresión3)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 5.03040 0.43295 11.619 < 2e-16 ***
educ 0.13064 0.03204 4.078 4.97e-05 ***
Interpretación.
Literal D.
Ahora suponga que se incluye el número de hermanos como una
variable explicativa en la ecuación del salario; esto controla los
antecedentes familiares, en cierto grado:
𝑒𝑑𝑢𝑐 = 𝜋0 + 𝜋1 + 𝜋2 + 𝑣
Página |5
Estime la ecuación (5) usando brthord como una VI para educ, ver
ecuación (6) y comente sobre los parámetros y errores estándares de
𝛽𝑒𝑑𝑢𝑐 y 𝛽𝑠𝑖𝑏𝑠
> Regresión4 <- ivreg(lg_wage ~ educ + sibs |
+ educ + sibs + brthord,
+ data = BD)
> summary(Regresión4)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 6.055953 0.091155 66.436 <2e-16 ***
educ 0.057926 0.006265 9.246 <2e-16 ***
sibs -0.014984 0.006034 -2.483 0.0132 *
Interpretación.
Ejercicio 3.3.
Se pide:
Página |6
Literal A.
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -4.1383066 0.2405942 -17.200 <2e-16 ***
educ -0.0905755 0.0059207 -15.298 <2e-16 ***
age 0.3324486 0.0165495 20.088 <2e-16 ***
I(age^2) -0.0026308 0.0002726 -9.651 <2e-16 ***
Interpretación.
Literal B.
Estime el modelo (7) usando frsthalf como una VI para educ. Compare
el efecto estimado de la educación con la estimación por MCO del
literal A.
Página |7
> # LITERAL A.
> Modelo6 <- lm(children ~
+ educ + age + I(age^2),
+ data = BD)
>
> summary(Modelo6)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -4.1383066 0.2405942 -17.200 <2e-16 ***
educ -0.0905755 0.0059207 -15.298 <2e-16 ***
age 0.3324486 0.0165495 20.088 <2e-16 ***
I(age^2) -0.0026308 0.0002726 -9.651 <2e-16 ***
> # LITERAL B.
> Modelo7 <- ivreg(children ~
+ educ + age + I(age^2) |
+ frsthalf + age + I(age^2),
+ data = BD)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -3.3878054 0.5481502 -6.180 6.98e-10 ***
educ -0.1714989 0.0531796 -3.225 0.00127 **
age 0.3236052 0.0178596 18.119 < 2e-16 ***
I(age^2) -0.0026723 0.0002797 -9.555 < 2e-16 **
Interpretación.
Literal C.
> # LITERAL C.
> # Aplicamos MCO:
> Modelo8 <- lm(children ~
+ educ +
+ age +
+ I(age^2) +
+ electric +
+ tv +
+ bicycle,
+ data = BD)
>
> summary(Modelo8)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -4.3897837 0.2403173 -18.267 < 2e-16 ***
educ -0.0767093 0.0063526 -12.075 < 2e-16 ***
age 0.3402038 0.0164417 20.692 < 2e-16 ***
I(age^2) -0.0027081 0.0002706 -10.010 < 2e-16 ***
electric -0.3027293 0.0761869 -3.974 7.20e-05 ***
tv -0.2531443 0.0914374 -2.768 0.00566 **
bicycle 0.3178950 0.0493661 6.440 1.33e-10 ***
Interpretación.
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -3.5913324 0.6450889 -5.567 2.74e-08 ***
educ -0.1639814 0.0655269 -2.503 0.0124 *
age 0.3281451 0.0190587 17.218 < 2e-16 ***
I(age^2) -0.0027222 0.0002766 -9.843 < 2e-16 ***
electric -0.1065314 0.1659650 -0.642 0.5210
tv -0.0025550 0.2092301 -0.012 0.9903
bicycle 0.3320724 0.0515264 6.445 1.28e-10 ***
Interpretación.
Ejercicio 3.4.
𝑺𝒊 = 𝒂𝟏 + 𝒂𝟐 𝑬𝒊 + 𝒂𝟑 𝑷𝒊 + 𝒖𝟏𝒊
𝑬𝒊 = 𝑸𝟏 + 𝑸𝟐 𝑺𝒊 + 𝒖𝟐𝒊
Siendo:
P á g i n a | 10
S E P
30 20 15
15 25 5
45 15 5
15 40 15
20 10 10
Se pide:
Literal A.
Expresar el modelo en forma reducida y analizar su identificabilidad
Interpretación.
Literal B.
Estimar cada ecuación del modelo razonando el uso del método
seleccionado.
> #LITERAL B.
>
> # Proponemos el Modelo Econométrico:
> Modelo10 <- lm(S ~ E
+ + P,
+ data = BD)
>
> summary(Modelo10)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 38.7791 19.1132 2.029 0.180
E -0.5233 0.7440 -0.703 0.555
P -0.2267 1.7128 -0.132 0.907
Interpretación.
Ejercicio 3.5.
donde:
Se pide:
Literal A.
Como piensa que se interpretaría 𝛽1 en la ecuación (10).
Literal B.
Para reflejar el heho de que el consumo de cigarros podría estar
determinado conjuntamente por el ingreso, una ecuación de la
demanda de cigarros es:
donde,
Literal C.
Estime la ecuación del ingreso (10) mediante MCO y analice la
estimación 𝛽1.
> # LITERAL C.
>
> # Analizamos el modelo econométrico:
> Modelo12 <- lm(log(income) ~
+ cigs +
+ educ +
+ age +
+ I(age^2),
+ data = BD)
>
> summary(Modelo12)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 7.795e+00 1.704e-01 45.741 < 2e-16 ***
cigs 1.731e-03 1.714e-03 1.010 0.313
educ 6.036e-02 7.898e-03 7.642 6.10e-14 ***
age 5.769e-02 7.644e-03 7.548 1.21e-13 ***
I(age^2) -6.306e-04 8.338e-05 -7.563 1.08e-13 ***
Interpretación.
Literal D.
Estime la ecuación de la demanda del cigarro (11) mediante MCO.
¿Log(cigpric) y restaurn son significativas?
> # LITERAL D.
>
> # Estimamos el modelo econométrico:
> Modelo13 <- lm(cigs ~
+ log(income) +
+ educ +
+ age +
+ I(age^2) +
+ log(cigpric) +
+ restaurn,
+ data = BD)
>
> summary(Modelo13)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -3.639826 24.078659 -0.151 0.87988
log(income) 0.880268 0.727783 1.210 0.22682
educ -0.501498 0.167077 -3.002 0.00277 **
age 0.770694 0.160122 4.813 1.78e-06 ***
I(age^2) -0.009023 0.001743 -5.176 2.86e-07 ***
log(cigpric) -0.750862 5.773342 -0.130 0.89655
restaurn -2.825085 1.111794 -2.541 0.01124 *
Interpretación.
Literal E.
Ahora, estime la ecuación del ingreso mediante MC2E. Analice cómo se
compara la estimación de 𝛽1 con la estimación MCO.
> # LITERAL E.
>
> # Estimación del modelo en una etapa:
> Modelo14 <- lm(educ ~
+ log(income) +
+ age +
+ I(age^2) +
+ log(cigpric) +
+ restaurn,
+ data = BD)
>
> PE <- fitted(Modelo14)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.050e+00 4.600e-14 2.282e+13 <2e-16 ***
PE 9.034e-01 1.221e-15 7.398e+14 <2e-16 ***
age -9.625e-02 3.672e-16 -2.622e+14 <2e-16 ***
I(age^2) 1.358e-03 4.269e-18 3.181e+14 <2e-16 ***
log(cigpric) -3.218e-01 1.112e-14 -2.893e+13 <2e-16 ***
restaurn -1.790e-01 2.166e-15 -8.266e+13 <2e-16 ***
Interpretación.
ANEXOS
P á g i n a | 17