Universidad Nacional Mayor de San Marcos

Facultad de Ciencias Econmicas

Escuela Acadmico Profesional de Economa
Curso: Econometra I Ciclo: 2017-I
Aula: 210-T, 215-N
Profesor: Alfonso L. Ayala Loro

Gua de Laboratorio 1

Basados en el texto de Stock y Watson (2011), utilizaremos caschool.dta.

En primer lugar, mediante el commando summarize se presenta los principales estadsticos de

la(s) variables que se escriben despus del comando, en el caso por defecto, el nmero de
observaciones, el promedio, la desviacin estndar, el valor mnimo y el valor mximo.

summarize testscr str meal_pct expn_stu comp_stu

Variable | Obs Mean Std. Dev. Min Max

-------------+--------------------------------------------------------
testscr | 420 654.1565 19.05335 605.55 706.75
str | 420 19.64043 1.891812 14 25.8
meal_pct | 420 44.70524 27.12338 0 100
expn_stu | 420 5312.408 633.9371 3926.07 7711.507
comp_stu | 420 .1359266 .0649558 0 .4208333

con la opcin , detail, se muestran ms indicadores estadsticos como los principales percentiles,
la desviacin o la curtosis de las variables.

summarize testscr str, detail

testscr
-------------------------------------------------------------
Percentiles Smallest
1% 612.65 605.55
5% 623.15 606.75
10% 630.375 609 Obs 420
25% 640 612.5 Sum of Wgt. 420

50% 654.45 Mean 654.1565

Largest Std. Dev. 19.05335
75% 666.675 699.1
90% 679.1 700.3 Variance 363.0301
95% 685.5 704.3 Skewness .0916151
99% 698.45 706.75 Kurtosis 2.745712

str
-------------------------------------------------------------
Percentiles Smallest
1% 15.13898 14
5% 16.41658 14.20176
10% 17.34573 14.54214 Obs 420
25% 18.58179 14.70588 Sum of Wgt. 420

50% 19.72321 Mean 19.64043

Largest Std. Dev. 1.891812
75% 20.87183 24.95
90% 21.87561 25.05263 Variance 3.578952
95% 22.64514 25.78512 Skewness -.0253655
99% 24.88889 25.8 Kurtosis 3.609597

Obtenemos un diagrama de dispersin:

graph twoway scatter testscr str, title("Grfico de dispersin Ratio

Alumno/Profesor-Test")
 Grfico de dispersin Ratio Alumno/Profesor-Test

700
680
660
testscr

640
620
600

15 20 25
str

Podemos agregar la lnea de regresin

graph twoway scatter testscr str, title("Grfico de dispersin Ratio
Alumno/Profesor-Test")|| lfit testscr str
Grfico de dispersin Ratio Alumno/Profesor-Test
700
680
660
640
620
600

15 20 25
str

testscr Fitted values

Modelo MCO

La regresin de test = b0 + b1*str es:

regress testscr str

Source | SS df MS Number of obs = 420

-------------+------------------------------ F( 1, 418) = 22.58
Model | 7794.11004 1 7794.11004 Prob > F = 0.0000
Residual | 144315.484 418 345.252353 R-squared = 0.0512
-------------+------------------------------ Adj R-squared = 0.0490
Total | 152109.594 419 363.030056 Root MSE = 18.581

------------------------------------------------------------------------------
testscr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
str | -2.279808 .4798256 -4.75 0.000 -3.22298 -1.336637
_cons | 698.933 9.467491 73.82 0.000 680.3231 717.5428
------------------------------------------------------------------------------

La ecuacin queda definida como: test = 698.93 2.2798*str.

SS corresponde a la suma de cuadrados (squared sum), la suma total proveniente de dos

fuentes: la explicada por la regresin (model) y la no explicada (residual), siendo los valores
estimados de las expresiones:

N
2
i
ESS = (Y Y) = 7,794.11
N=1
N

SST = (Yi
Y)2 = 152,109.59
N=1
 N

SSR = (ui 2 ) = 144,315.48

N=1

Observamos que los resultados de la regresin muestran un R2 de 0.0512, si se divide SSR entre
(n-k-1) tenemos el promedio de errores cuadrticos MS = 345.25, la raz de este nmero es Root
MSE = 18.58 en la parte superior derecha de la regresin.

Una manera rpida de obtener los indicadores de una regresin es a travs del comando ereturn
list

ereturn list

scalars:
e(N) = 420
e(df_m) = 1
e(df_r) = 418
e(F) = 22.57511055452548
e(r2) = .0512400950796144
e(rmse) = 18.58096749678702
e(mss) = 7794.110040818574
e(rss) = 144315.4836027621
e(r2_a) = .0489703345415273
e(ll) = -1822.249673078509
e(ll_0) = -1833.29557025369
e(rank) = 2

macros:
e(cmdline) : "regress testscr str"
e(title) : "Linear regression"
e(marginsok) : "XB default"
e(vce) : "ols"
e(depvar) : "testscr"
e(cmd) : "regress"
e(properties) : "b V"
e(predict) : "regres_p"
e(model) : "ols"
e(estat_cmd) : "regress_estat"

matrices:
e(b) : 1 x 2
e(V) : 2 x 2

functions:
e(sample)

Modelo en diferencias

Para almacenar la media de las variables en memoria primero se ejecuta un summarize de la

variable de inters, luego se declara un escalar Calculamos la media de testscr y str con los
comandos:
sum str
scalar str_m = r(mean)
display str_m
sum testscr
scalar testscr_m = r(mean)
display testscr_m

Calculamos las variables test y str en diferencias:

gen testscrd = testscr - testscr_m
gen strd = str - str_m

Graficamos el diagram de dispersion:

 Grfico de dispersin Ratio Alumno/Profesor - Test en diferencias

50
0
-50

-5 0 5
strd

testscrd Fitted values

Calculamos la regresin sin constante.

regress testscrd strd, noconstant

Source | SS df MS Number of obs = 420

-------------+------------------------------ F( 1, 419) = 22.63
Model | 7794.11015 1 7794.11015 Prob > F = 0.0000
Residual | 144315.483 419 344.428361 R-squared = 0.0512
-------------+------------------------------ Adj R-squared = 0.0490
Total | 152109.593 420 362.165699 Root MSE = 18.559

------------------------------------------------------------------------------
testscrd | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
strd | -2.279808 .4792526 -4.76 0.000 -3.221847 -1.337769
------------------------------------------------------------------------------

Como se puede observar, el valor de la pendiente no cambia.

Regresando al modelo en niveles podemos testear la hiptesis que H0 = 1 = 0, versus la

hiptesis alternativa Ha: 1 0, con los indicadores de la regresin SE(1) = 0.4798, el
estadstico t es : -2.2798/0.4798 = -4.75, t de tabla es 1.9647, si graficamos en la funcin de
densidad de t:

Funcin de densidad de

No rechazo H0

temptabla

En este caso, se puede rechazar la hiptesis nula de H 0=0, 1 si es vlido y STR tendra influencia
sobre TESTSCR.

Calculamos la regresin agregando como variables explicativas meal_pct, expn_stu y comp_stu:

regress testscr str meal_pct expn_stu comp_stu

Source | SS df MS Number of obs = 420

-------------+------------------------------ F( 4, 415) = 363.43
Model | 118329.608 4 29582.4021 Prob > F = 0.0000
Residual | 33779.9854 415 81.3975551 R-squared = 0.7779
-------------+------------------------------ Adj R-squared = 0.7758
 Total | 152109.594 419 363.030056 Root MSE = 9.0221

------------------------------------------------------------------------------
testscr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
str | -.2897017 .3027755 -0.96 0.339 -.8848664 .3054631
meal_pct | -.594577 .0166727 -35.66 0.000 -.6273506 -.5618035
expn_stu | .0031501 .0008948 3.52 0.000 .0013912 .004909
comp_stu | 17.36753 7.305984 2.38 0.018 3.006178 31.72887
_cons | 667.3319 9.609287 69.45 0.000 648.4429 686.2208
------------------------------------------------------------------------------

El modelo podra quedar especificado como:

regress testscr meal_pct expn_stu comp_stu

Source | SS df MS Number of obs = 420

-------------+------------------------------ F( 3, 416) = 484.37
Model | 118255.088 3 39418.3628 Prob > F = 0.0000
Residual | 33854.5052 416 81.3810222 R-squared = 0.7774
-------------+------------------------------ Adj R-squared = 0.7758
Total | 152109.594 419 363.030056 Root MSE = 9.0211

------------------------------------------------------------------------------
testscr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
meal_pct | -.5960755 .0165973 -35.91 0.000 -.6287006 -.5634504
expn_stu | .003651 .0007256 5.03 0.000 .0022246 .0050773
comp_stu | 18.42998 7.220375 2.55 0.011 4.237009 32.62295
_cons | 658.9037 3.839876 171.60 0.000 651.3557 666.4516
------------------------------------------------------------------------------