Laboratorios de Econometría

Semestre Primavera 2017

Profesora: Maria Elisa Farías
maria.farias@mail.udp.cl
Econometría

2
 Laboratorio No1 (7/9/2017)
o Estimación de una función de consumo Keynesiana.

o Muestra: datos anuales para Chile entre 1996 y 2015

(series de tiempo).

o Estadísticos descriptivos: media, varianza, desviación

estándar.

3
 Función de Consumo Keynesiana Economía Chilena
o Modelo “teórico”:
C = C0 + c1YD
o Función de Regresión Poblacional:

E(C/YD) = C0 + c1YD

Para un periodo t, se tiene:

Ct = C0 + c1YD+ ut

C0: Consumo Autónomo; c1: Propensión Marginal al Consumo.

o Función de Regresión Muestral:

𝐶መ 𝑡 = 𝐶መ 0 + 𝑐Ƹ 1YDt
4
 Regresión Lineal en Stata – Paso a Paso 1
1. Cargar los datos de una planilla Excel (copiar al editor de
datos). Si los datos existen cargar desde Stata:
use “nombre archivo”
2. Describir los datos como series de tiempo:
tsset periodo, yearly
3. Estadísticas Básicas: entrega los estadísticos del conjunto
de variables
summarize
4. Correlación entre variables: entrega la correlación para el
conjunto de variables
correlate

5. Graficar los datos:

plot con yd periodo
5
 Tabla de Datos
Periodo Ingreso Disponible Consumo Privado
1996 45412071 30894421
1997 48647177 33140507
1998 50596461 34858390
1999 50619844 34668883
2000 53142706 36059553
2001 54470312 37035198
2002 56067204 38079841
2003 58243962 39780924
2004 64782908 43128916
2005 70843069 46774187
2006 77174797 50414847
2007 82068013 54270804
2008 88625492 57081908
2009 89088808 56633265
2010 100005012 62763511
2011 105989026 68319379
2012 111118077 72465632
2013 114851962 76429993
2014 117260303 78245050
2015 118515084 79381875

Media 77876114 51521354.20

Mediana 74008933 48594517
Rango Medio 36551506 24243727

6
 Cálculo de la Regresión por MCO - Paso a Paso (2)
1. Estimación de un modelo por MCO, en que con es la variable
dependiente e, yd es variable explicativa:
regress con yd

2. Guardar resultados de la estimación:

est store mo1

3. Obtener matriz de varianzas y covarianzas

estat vce
4. Calcular el consumo estimado:

predict cone, xb

5. Obtener el vector de residuos:

predict res, residuals

7
 Análisis de Varianza (ANOVA)
o El análisis de varianza consiste en la descomposición de la
variación de la variable dependiente (Suma de Cuadrados
Totales, SCT) en dos componentes:

1. Variación explicada por la regresión: Suma de

Cuadrados Explicados (SCE).

2. Variación no explicada por la regresión: Suma de

Cuadrados Residuales (SCR).

SCT = SCE + SCR

o El análisis de varianza (ANOVA) entrega: la fuente de

la variación, la suma de cuadrados (SS), los grados de
libertad (df) y la media de la suma de cuadrados (MSS).

8
 Análisis Anova

Source SS df MS Number of obs = 20

F( 1, 18) = 3593
Model 5183300000000000 1 5183300000000000 Prob > F = 0
Residual 25968000000000 18 1442700000000 R-squared = 100%
Adj R-squared = 99%
Total 5209200000000000 19 274170000000000 Root MSE = 1200000

con Coef. Std. Err. t P>|t| [95% Conf. Interval]

yd 0.6 0 60 0.00 0.61 1

_cons 2063361 867738 2 0.03 240312.30 3886411

9
 ANOVA en el Modelo Simple

Fuente de Variación SS df MSS

Debido a la regresión (SCE) σ 𝛽መ 2x2 1 σ 𝛽መ 2x2

Debido a los residuos (SCR) Se2 n-2 Se2/n-2

Total (SCT) Sy2 n-1

10
 Probabilidad de Confianza (1 - a): Elección de a
o Error tipo I (a): Probabilidad de rechazar la hipótesis
verdadera.

o Error tipo II (b): Probabilidad de aceptar la hipótesis falsa.

Problema? Al reducir a, puede aumentar b (y viceversa)

Ejemplo: a = 5% (probabilidad de cometer error tipo I).

Alternativa?

o Nivel exacto de significancia p: Nivel de significancia más

bajo al cual la hipótesis nula puede ser rechazada
(probabilidad de aceptar H0).

11
Probabilidad de rechazar H0: p

12
 Crear Variables Dummy

1. Variable dummy sexo

gen D1 = 0
replace D1 = 1 if sexo ==1 (hombre)

2. Variable dummy escolaridad

gen D2 = 0
replace D2 = 1 if esc > 12

3. Variable dummy hijos

gen D3 = 0
Replace D3 = 1 if hijos > 0
13
 Estimar Modelo de Participación Laboral
La Función de Regresión Lineal

Trabaja = b1 + b2lnIngreso + g1D1 + g2D2 + u

Trabaja = b1 + b2lnIngreso + g1D1 + g2D2 + g3D3 + u

Variables:

Trabaja = 1 si el jefe de hogar está empleado.

Trabaja = 0, está desempleado o no participa.

D1 = 1 si el jefe de hogar es hombre, 0 si es mujer.

D2 = 1, si el jefe de hogar tiene más de 12 años de escolaridad, 0
si tiene 12 años o menos.
D 3 = 1, si el jefe de hogar tiene hijos.
14
 Estimación de la Probabilidad de Trabajar (1)
1. Modelo de Probabilidad Lineal

regress trabaja ling D1 D2

est store mo1

regress trabaja ling D1 D2 D3

est store mo2

2. Modelo Logit

logit trabaja ling D1 D2

est store mo3

logit trabaja ling D1 D2 D3

est store mo4
15
 Estimación de la Probabilidad de Trabajar (2)

Modelo Probit:

probit trabaja ling D1 D2

est store mo5

probit trabaja ling D1 D2 D3

est store mo6

Obtener tabla de resultados para comparar:

estimates table mo1 mo2 mo3 mo4 mo5 mo6,

stats( chi2 df N aic bic rank )
star(.05 .01 .001) style(oneline)

16
 Los resultados de las estimaciones en Stata

Variable mo1 mo2 mo3 mo4 mo5 mo6

ling .19399676*** .19363825*** 1.7389244*** 1.7375521*** .84166159*** .84084694***

D1 .04392939*** .03937987*** .5602736*** .51334802*** .32051355*** .29432797***
D2 -.05322635*** -.05835498*** -0.21489891 -0.25341346 -0.09303611 -0.1152486
D3 -.02672868* -0.18844073 -0.11198184
_cons -1.5165965*** -1.4893669*** -18.772628*** -18.588214*** -8.9785707*** -8.869407***

chi2 1229 1230 1163 1165

df
N 3321 3321 3321 3321 3321 3321
aic 916 912 1583 1583 1649 1649
bic 940 942 1607 1614 1673 1679
rank 4 5 4 5 4 5

17
 Test de Normalidad (Skewness y Kurtosis)

o Skewness: Medida de asimetría de la distribución, construida

con la varianza de x y la desviación estándar. Indica la
probabilidad de ocurrencia a ambos lados de la media.

Skewness: Sk = E[(x – u)3]

Si la distribución es simétrica: Sk = 0, esto quiere decir que la

probabilidad de ocurrencia es la misma a ambos lados de la
media, por lo tanto: f(u – x) = f(u + x)).

o Kurtosis: Medida de la densidad de las “colas” de la

distribución (para descartar la distribución uniforme). Para
esto se usa el cuadrado de la varianza, que entrega un valor
de densidad crítico. Si la densidad sobrepasa ese valor se
rechaza H0.

Kurtosis = E[(x- u)4]

18
 Aplicación de tests de Normalidad y Heterocedasticidad
1) Iniciar una sesión: log begin nombre (“mi sesión”)
2) Cargar los datos, definir series: (datos usados en control
recuperativo)
tsset coun periodo, yearly

3) Convertir variables en logaritmos:

gen lpib90 = ln(gdppc90)
gen lkpc =ln(capitalstock)
gen lchina = ln(china)

4) Estimar el modelo por MCO:

regress lpib90 lkpc lchina
est store mo1

5) Obtener vector de residuos

predict res1, residuals 19
 Test de Normalidad
1. Pruebas gráficas:

histogram lpib90
histogram res
pnorm lpib90
pnorm res

2. Pruebas de Simetria-Sekness y kurtosis:

sktest lpib90 lkpc lchina res1

H0: variable es simétrica vs H1 : distribución es asimétrica

Si c_estimada > c (tabla), se rechaza H0

20
 Test de Heterocedasticidad (Comandos)
1. La regresión estimada por MCO:

lpib90t = 5.685436 + 0.6384379lkpct + 0.0631932lchinat

2. Aplicar test de White y Breusch-Pagan

H0: homocedasticidad vs H1: heterocedasticidad

 Si c(p) > c (p)-tabla, se rechaza H0
p: k – 1 (parámetros de variables que podrían causar la
heterocedasticidad)

whitetst
 Se obtiene: c(5) = 41 > c(5)-tabla = 11,07 Se rechaza H0
bpagan res1
 Se obtiene: c(1) = 69.04 > c(1)-tabla = 3,84 Se rechaza H0
httest 21

 Se obtiene: c(2) =6.34 > c(2)-tabla = 5,99 Se rechaza H0

 Corrección de Heterocedasticidad (Comandos)
Para corregir existen tres alternativas:

i) Dividir los parámetros estimados por la desviación

estándar estimada de los errores.
ii) Estimar el modelo por Mínimos Cuadrados Generalizados
(MCG), usando alguna de las variables como ponderadores:

• glm lpib90 lkpc lchina [pweight = lkpc], family(gaussian)

link(identity)
• glm lpib90 lkpc lchina [pweight = rslkpc], family(gaussian)
link(identity)
rslkpc = (lkpc)1/2
iii) Estimar el modelo por MCG, usando la variable
dependiente estimada como ponderador.
෣
• glm lpib90 lkpc lchina [pweight = 𝑙𝑝𝑖𝑏90], family(gaussian)
link(identity)
22