EJERCICIO DE ECONOMETRÍA I

EN EVIEWS

ALUMNOS:

RAY CARLOS
VEGA LUGO

NORMA IRENE
PEÑA CARILLO

PROFESOR:

RAÚL ALEXANDER
VELITA ZORRILLA

2018
Se quiere analizar qué variables pueden explicar las variaciones que vemos en el
salario por hora de los trabajadores (Wage) en un momento dado de tiempo.
Usted cree que el salario por hora (wage) (que sería la variable dependiente) es
explicado por los años de educación (educ) y los años de experiencia (exper) (que
serían las variables independientes):
1. Grafique educ y wage, incluyendo en el gráfico la línea de regresión.
¿La relación entre ellas parece lineal? ¿Por qué)

No porque las dispersiones sobre la línea de regresión no se reflejan debajo

de la línea de dispersión, es decir no son simétricas.
2. Estime el estimador MCO para estas variables (wage es la variable
dependiente). Interprete los coeficientes hallados. ¿Son todos los
coeficientes estadísticamente significativos (estadísticamente diferentes a
cero)? ¿Cómo interpreta el valor R2?
H0: Bk = 0
H1: Bk ≠ 0
Tenemos que el p valor es menor que 𝛼, entonces se rechaza H0. Todos los
coeficientes son estadísticamente significativos.
-C: no tiene significado económico, sería que el salario autónomo es de -12.54
dólares por hora.
- b2: si la educación aumenta en un año, manteniéndose constante la experiencia,
el salario aumentara en 2.09 dólares por hora.
-b3: si la experiencia aumenta en un año, manteniéndose constante la educación, el
salario aumentara en 0.14 dólares por hora.
-R2: El 21.6% de las variaciones de los salarios es explicada por la variaciones de
la educación y las variaciones en la experiencia.
Si usted cree que la relación de las variables wage, educ y exper es no lineal,
entonces convendría estimar un modelo log lineal, con la variable dependiente igual
a log(wage):
1. Grafique educ y log(wage). Comparado con su gráfico anterior ¿La relación
entre ellas parece lineal?

Sí porque, las dispersiones sobre la línea de regresión se reflejan sobre las

dispersiones debajo de la línea de dispersión, es decir hay simetría.
 2. Estime el estimador MCO para estas variables log(wage) es la variable
dependiente). Interprete los coeficientes hallados. ¿Son todos los
coeficientes estadísticamente significativos (estadísticamente diferentes a
cero)? ¿Cómo interpreta el valor R2?

H0: Bk = 0
H1: Bk ≠ 0
Tenemos que el p valor es menor que 𝛼, entonces se rechaza H0. Todos los
coeficientes son estadísticamente significativos.
-C: no tiene significado económico, sería que el salario autónomo es de 1
.33 dólares por hora.
- b2: si la educación aumenta en un año, manteniéndose constante la experiencia,
el salario aumentara en 9.74% dólares por hora.
-b3: si la experiencia aumenta en un año, manteniéndose constante la educación, el
salario aumentara en 0.60% dólares por hora.
-R2: El 21.53% de las variaciones de los salarios es explicada por las variaciones
de la educación y las variaciones en la experiencia.
3. Si una persona tiene 15 años de educación y 10 años de experiencia ¿Cuál
es el valor esperado de log(wage)? ¿Cuál es el valor esperado de wage?

El valor esperado de log(wage) es 2.852 dólares por hora.

El valor esperado de wage es 17.3326846 dólares por hora.

4. Si una compañía implementa una nueva política de contratar personas con tres
años menos de experiencia que la mínima requerida, pero con un año más de
educación de la mínima requerida ¿Cuánto será la variación porcentual
esperada del salario que tendrá que pagar la compañía?

Log(wage1) – Log(wage0) = b2 – 3b3

%∆ 𝑤𝑎𝑔𝑒 = 100(𝑏2 − 3𝑏3 )

La variación porcentual esperada del salario que tendrá que

pagar la compañía es de 9.1379%.
 5. Calcular el intervalo de confianza al 95% de la variación porcentual
esperada del salario en el problema anterior.

Al 95% de confianza la variación porcentual de salario se encontrara entre

8.611% y 9.663%

6. Un trabajador que no sabe estadística que cumple con los requisitos

del ejemplo 4 cree que, la variación porcentual esperada de su salario
será de 10%. ¿Usted aceptaría esta hipótesis?

H0: %∆ 𝑤𝑎𝑔𝑒
̂ = 10%
H1: %∆ 𝑤𝑎𝑔𝑒
̂ ≠ 10%
No, por que como hemos visto el intervalo de la variación
porcentual del salario es entre 8.611% y 9.663%, 10% se
encuentra fuera del intervalo, entonces se rechaza la hipótesis
nula.
Supongamos que ahora nuevamente tomamos a wage como variable dependiente.
Ahora añadimos las variables age y age^2.
1. Estime el modelo anterior. ¿Son todos los coeficientes estadísticamente
significativos? ¿Qué significa los signos de age y age^2?
H0: Bk = 0
H1: Bk ≠ 0
Tenemos que el p valor es menor que 𝛼 para todos excepto b3, entonces b3 no es
estadísticamente significativo.
-C: no tiene significado económico, sería que el salario autónomo es de -31
.94 dólares por hora.
- b2: si la educación aumenta en un año, manteniéndose constante la experiencia la
edad, el salario aumentara en 1.8049 dólares por hora.
-b3: si la experiencia aumenta en un año, manteniéndose constante la educación y
la edad, el salario disminuirá en -0.1371 dólares por hora.
- b4: si la edad aumenta en un año, manteniéndose constante la experiencia y la
educación, el salario aumentara en 1.2153 dólares por hora.
- b5: A mayor edad se espera que aumente el salario, cada vez menos hasta llegar
a una edad que disminuya el salario en -0.0107 dólares por hora
-R2: El 213.34% de las variaciones de los salarios es explicada por las variaciones
de la educación, las variaciones en la experiencia y las variaciones de la edad.
2. Estime el efecto marginal de age sobre wage. Compare este efecto marginal
para dos personas con 35 y 65 años. ¿Qué conclusiones puede obtener de
estos resultados?

El valor es 0.465342,
 El valor es -0.1774
Cuando una persona tiene 35 años su efecto marginal va hacer
más positivo que una persona que tiene 65 años. Es decir su
salario va aumentar en mayor cuantía que si tuviera 65 años.
3. Añada ahora el término interactivo age*exper. Estime el efecto marginal de
exper sobre wage. Compare ahora el efecto marginal que tendrá exper sobre
wage para una persona que tiene 60 años con otra persona que tiene 35 años.
¿Qué conclusiones puede sacar de estos resultados?

el valor es -0.085672
 El valor es -0.6822
Cuando una persona tiene 35 años su efecto marginal de la
experiencia va hacer más negativo que una persona que tiene 65
años.
4. Eliminen age*exper de la regresión. Un economista afirma que age no
influye en los valores de wage. Pruebe esta hipótesis, aceptando o
rechazándolo. Muestre los resultados que apoyen su afirmación.

H0: B4 = 0
H1: B4≠ 0
Tenemos que el p valor es menor que 𝛼, entonces age influye en los valores de
wage, se rechaza la hipótesis nula.
Continuando con el ejercicio con la variable dependiente log(wage). Añada las
variables age, age^2.
1. Analice el coeficiente de exper ¿Tiene sentido el signo que muestra? ¿Por
qué?

A medida que tenga más experiencia logaritmo de wage va a dismininuir

en -5.40% dólares y consecuentemente wage va a disminuir, en la realidad
esto no tiene mucho sentido porque a mayor experiencia comumente se
paga más.

2. ¿Cómo interpreta los signos de age y age^2? Interprete ahora el efecto

marginal de age sobre log(wage). ¿Es este efecto marginal constante?
¿Cómo varía cuando age se incrementa (sugerencia: analice este efecto
marginal para dos personas con 30 y 60 años)?
- b4: si la edad aumenta en un año, manteniéndose constante la experiencia y la
educación, el salario aumentara en 11.48% dólares por hora.
- b5: A mayor edad se espera que aumente el salario, cada vez menos hasta
llegar a una edad que disminuya el salario en -0.0624% dólares por hora, es
decir hay rendimientos decrecientes.
El efecto marginal sobre el salario depende ahora también de la edad de la
persona, no es constante. A mayor edad el efecto marginal disminuirá.
 el valor cuando la edad es 60 es: 0.039908%

el valor cuando la edad es 30 es: 0.07364.%

Cuando una persona tiene 30 años su efecto marginal de su edad
va hacer más positivo que una persona que tiene 60 años.
3. Un economista afirma que age no influye en los valores de log(wage).
Pruebe esta hipótesis, aceptando o rechazándolo. Muestre los resultados
que apoyen su afirmación.

H0: B4 = 0
H1: B4≠ 0
 Tenemos que el p valor es menor que 𝛼, entonces age influye en los valores de
wage, se rechaza la hipótesis nula.
4. Halle la prueba de significancia general de su modelo. ¿Es su modelo uno
que explica las variaciones que se ve en log(wage)?

H0: Bk = 0
H1: Bk ≠ 0
Tenemos que el p valor es menor que 𝛼 para todos excepto b1, entonces b1 no es
estadísticamente significativo pero eso no importa, el modelo si explica las
variaciones que se ve en log(wage).
5. Un Economista tiene la siguiente creencia: Si la educación se incrementa
en 4 años y la experiencia se incrementa en 2 años, el cambio porcentual
del salario será de 7%, además, si la edad se incrementa en 2 años cuando
la edad inicial se establece en 2 años, el cambio porcentual sobre el salario
será de 13%. ¿Acepta o rechaza la hipótesis nula?

Log(wage1) – Log(wage0) = 4b2 +2b3

%∆ 𝑤𝑎𝑔𝑒 = 100(4𝑏2 + 2𝑏3 )
 H0: %∆ 𝑤𝑎𝑔𝑒
̂ =7
H1: %∆ 𝑤𝑎𝑔𝑒
̂ ≠7

p valor es mayor a alfa, entonces se acepta la hipótesis nula.

Log(wage1) – Log(wage0) = 2b4 +5b5 (age +1)
%∆ 𝑤𝑎𝑔𝑒 = 100(2𝑏4 + 5𝑏5 ∗ 3) = 13
H0: %∆ 𝑤𝑎𝑔𝑒
̂ = 13
H1: %∆ 𝑤𝑎𝑔𝑒
̂ ≠ 13

p valor es menor a alfa, entonces se rechaza la hipótesis nula.

6. Elimine age^2 de su regresión anterior, y estime nuevamente el modelo. Se
cree que educ puede estar correlacionado con exper y age, lo que podría ser un
signo de colinealidad. Halle la matriz de correlación entre las variables
log(wage), educ, exper y age. ¿Hay alguna evidencia de colinealidad entre
algunas variables? Mencione las dos variables que tienen la mayor correlación
(sugerencia: cree la variable lwage = log(wage), seleccione todas las variables
y ábralas como “Group”)

Sí hay evidencia de colinealidad, las variables que tienen mayor correlación

son exper- age y educ- age.
7. Una manera de probar si existe colinealidad es usando una regresión auxiliar
con todas las variables explicativas. Tome ahora como variable dependiente
exper y como variables independientes educ y age. Pruebe la hipótesis nula de
que las dos variables halladas en 6 no son colineales.
 H0: B3 = 0
H1: B3≠ 0

El p valor es menor a alfa, entonces se rechaza H0, es decir, exper es colineal

con age
H0: B2-= 0
H1: B2 ≠ 0

El p valor es menor a alfa, entonces se rechaza H0, es decir, exper es colineal

con educ.

8. Eliminamos las variable age en la regresión principal porque creemos que es

una variable irrelevante. Estime nuevamente el modelo usando MCO. Analice
ahora los coeficientes de educ y exper ¿Hay evidencia de que estos coeficientes
estimados son sesgados (compare con los coeficientes hallados en 6)? ¿Por
qué? ¿Cuál es su conclusión?
 Comparando con

Vemos que los coeficientes de educ y exper cambian bastante al omitir age,
entonces estos coeficientes son segados, por lo tanto age es relevante.
9. Incluya nuevamente age en la regresión anterior y estime nuevamente la
ecuación usando MCO. Un economista afirma que su modelo debe incluir
variables polinómicas de educ y exper en su modelo (como age^2, educ^2,
educ^3, exper^3, educ*exper, etc), ya que el modelo estimado no está
correctamente especificado. Utilice el test RESET para este ejemplo, usando
polinomios cuadráticos y cúbicos. ¿Cuál es la hipótesis nula del test RESET?
¿Se acepta o rechaza la hipótesis nula? ¿Cuál es su conclusión?

H0: B5 = 0 , B6=0… el modelo tiene una correcta forma funcional

H1: B5≠ 0, B6≠ 0…..el modelo no tiene una correcta forma funcional

Vemos que el p valor es menor a alfa, entonces se rechaza la hipótesis nula,

es decir el modelo no tiene una correcta forma funcional.

10.Ahora incluya en la regresión anterior las variables dummies female, married

y female*married, que toman el valor 1 si el individuo analizado es mujer y
casado, respectivamente. ¿Son todos los coeficientes estadísticamente
significativos? Si el grupo base es hombre soltero, Encuentre las diferencias de
salario para los siguientes grupos con respecto al grupo base a) Si el individuo
es mujer soltera, b) Si el individuo es un hombre casado y c) Si el individuo es
una mujer casada.
11.Elimine las variables dummy female, married y female*married en la regresión
anterior. Añada ahora a la regresión anterior las variables midwest, west,
northeast y south (medio-oeste, oeste, nor-este y sur). Queremos saber si no
existe diferencia de salarios en las diferentes regiones del país. Escriba la
hipótesis nula, y pruebe si la acepta o rechaza.

H0: B5 = 0 , B6=0 ,B7=0 … no hay distinción de salario entre regiones

H1: B5≠ 0, B6≠ 0, B7≠ 0…si hay distinción de salario entre regiones.

Vemos que el p valor es menor a alfa, entonces se rechaza la hipótesis nula,

es decir, si hay distinción de salario entre regiones.
12.Elimine ahora todas las variables dummy en la regresión anterior. Sólo
conserve educ, exper y age. Estime nuevamente este modelo, pero ahora
guarde los residuales de esta regresión en una nueva variable llamada uhat.
Ahora obtenga 3 gráficos, donde uhat sea el eje y, y las variables educ, exper
y age como variables x (uno para cada gráfico). ¿Hay alguna variable con la
cual la varianza de los errores cambia a medida que la variable independiente
cambia? Mencione la variable que cumple esta condición de manera más
obvia.
 Se observa que la variable educ es homocedastica

13.Use el test de Breusch-Pagan para el modelo anterior. También use el test de

White para probar si el modelo presenta signos de heteroscedasticidad. ¿Cuál
es el resultado de cada test? ¿Ambos test concuerdan?

H0: B1 = 0 , B2=0 ,Bs=0 … varianza es homocedastica

H1: B1≠ 0, B2≠ 0, Bs≠ 0…varianza es heterocedastica
 Vemos que el p valor es menor a alfa, entonces se rechaza la hipótesis nula,
es decir, hay heterocedasticidad.

Vemos que el p valor es menor a alfa en el test de white

, entonces se rechaza la hipótesis nula, es decir, hay heterocedasticidad.
Ambos test muestran el mismo resultado, entonces hay heterocedasticidad.

14.Suponga ahora que la varianza de los errores es una función de la educación,

de la siguiente forma: σi2 = σ2 * EDUC. Estime ahora el modelo usando
Mínimos Cuadrados Generalizados, ponderado las varianzas sobre las
variables explicativas y explicadas. Compare los errores estándar de los
coeficientes educ, exper y age con los errores estándar de los coeficientes
hallados en 12. Uno esperaría que, al ser el estimador MCG mejor que el
estimador MCO, sus errores estándar sean menores ¿Ve usted que esto se
cumpla? ¿Qué implicaría la respuesta anterior? No tome en cuenta el
intercepto, sólo los coeficientes de educ, exper y age.
 El MCG no es MCO ya que sus errores estándar son mayores, esto implica
que no hemos especificado la forma funcional de la varianza correctamente.
15.En el ejercicio anterior, si hemos hecho una buena suposición de la función de
la varianza de los errores, entonces al realizar nuevamente el test de White
sobre este modelo, esperaríamos que ya no haya signos de heteroscedasticidad
¿se cumple esto en nuestro modelo?
H0: B1 = 0 , B2=0 ,Bs=0 … varianza es homocedastica
H1: B1≠ 0, B2≠ 0, Bs≠ 0…varianza es heterocedastica
Vemos que la forma funcional de la varianza no esta
correctamente especificado, y el p valor es menor a alfa, entonces
se rechaza la hipótesis nula, es decir nuestro modelo sigue siendo
heterocedasticidad.