Econometría I. Soluciones Hoja 3 Carlos Velasco. MEI UC3M.

2007/08

Soluciones Hoja de Ejercicios 3

Econometría I

1. Utilizando los datos de GPA2.RAW sobre 4127 alumnos universitarios, estima la siguiente ecuación
por MCO,
colgpa = 0 + 1 hsperc + 2 sat + u
donde colgpa se mide sobre una escala de cuatro puntos, hsperc es el percentil de los alumnos
de instituto que se gradúan ese año (de…nido de forma que, por ejemplo, hsperc = 5 se re…ere al
5 por ciento de los mejores alumnos que se gradúan) y sat equivale a los resultados conjuntos
en matemáticas y lengua en el test de aptitud escolar. Escribe la ecuación estimada de la forma
habitual y proporciona el R2 :
\ =
colgpa 1;391757 0;013519hsperc + 0;001476sat
n = 4137; R2 = 0;273441

a) ¿Por qué tiene sentido que el coe…ciente de hsperc sea negativo?

Cuanto más alto sea el percentil, quiere decir que los estudiantes son peores, por lo que afecta
negativamente a la nota del college, todo lo demás igual.
b) ¿Qué nota media universitaria (colgpa) podemos predecir si hsperc = 20 y sat = 1050?
\ (hsperc = 20,sat = 1050)
colgpa = 1;391757 0;013519 20 + 0;001476 1050
= 2: 671 2

c) Supongamos que dos alumnos, A y B, se gradúan en el instituto dentro del mismo percentil,
pero que el resultado de A en el test SAT de aptitud escolar es 140 puntos más alto que el
de B (aproximadamente una desviación estándar en la muestra). ¿Qué diferencia podemos
predecir entre la nota media universitaria de ambos alumnos?
\ (A)
colgpa \ (B)
colgpa \ (sat + 140)
= colgpa \ (sat)
colgpa
= 1;391757 0;013519hsperc + 0;001476 (sat + 140)
(1;391757 0;013519hsperc + 0;001476sat)
= 0;001476 140 = 0;206 64:

¿Es una diferencia importante?

Para comparar habría que conocer cuál es la distribución de colgpa; que tiene media mues-
tral 2.65 y desviación típica 0.65, por lo que la diferencia es moderada, sobre ^ =3; pero
comparando con el rango, 4, no es despreciable.
d ) Si mantenemos hsperc …jo, ¿qué diferencia en los resultados SAT nos llevaría a predecir
una diferencia de 0.50 puntos (medio punto) en colgpa? Razona tu respuesta.
Se quiere que
\ (sat +
colgpa sat; hsperc) \ (sat; hsperc) = 0;50:
colgpa

Ahora sabemos que el lado de la izquierda es igual a 0;001476 sat; por lo que
0;50
sat = = 338: 75;
0;001476
que es algo más que 2 sd’s.

1
Econometría I. Soluciones Hoja 3 Carlos Velasco. MEI UC3M. 2007/08

2. El siguiente modelo es una versión simpli…cada del modelo de regresión múltiple utilizado por
Bidel y Hamermesh (1990) para estudiar la relación inversa entre el tiempo dedicado a dormir y
el dedicado a trabajar, junto con otros factores que afectan al sueño:

sleep = 0 + 1 totwrk + 2 educ + 3 age +u

donde el sueño (sleep) y el tiempo total de trabajo (totwrk) se miden en minutos por semana, y
la formación académica (educ) y la edad (age) se miden en años.

a) Si los adultos sustituyen tiempo de sueño por trabajo, ¿cuál será el signo de 1?
Deberá ser negativo.
b) ¿Qué signo podemos pensar que tendrán 2 y 3?
Quizá más educación reduzca el tiempo: 2 negativo (más cosas que hacer, lectura? ocio?
Derivado de una mayor renta, el coste de oportunidad es mayor, pero el análisis es ceteris
paribus, por lo que totwrk es …jo y no se cambian horas de sueño por horas de trabajo). El
efecto biológico de age aparentemente debe ser negativo también, los niños duermen más y
los ancianos menos.
c) Estima la ecuación por MCO usando los datos de SLEEP75.

[
sleep = 3638;245 0;148373ttwork 11;13381educ + 2;199885age
n = 706; R2 = 0;113364:

Si alguien trabaja cinco horas más por semana, ¿en cuántos minutos se estima que disminuirá
sleep? ¿Es una sustitución importante?
[ disminuirá en 0;148373 (5 60) = 44: 512 minutos.
Como totwrk se mide en minutos, sleep
La sustitución es muy pequeña, ya que de que cada 10 minutos que aumentamos de trabajo,
sólo reducen en 1.4 minutos el tiempo de sueño. Comparado con la media (y la sd) de sleep;
3266 (444) ; el efecto es muy pequeño.
d ) Argumentar el signo y la magnitud del del coe…ciente estimado de educ:
El signo es negativo como argumentábamos (también puede tener relación con la naturaleza
del trabajo). Su magnitud es bastante pequeña.
e) ¿Explican totwrk; educ y age una parte importante de la variación en sleep?
Nó, sólo el 11 %.
¿Qué otros factores pueden afectar al tiempo dedicado a dormir?
Características de salud, composición de la familia, horario de trabajo, tipo de trabajo.
¿Es probable que estén correlacionadas con totwrk?
Parte de ellas sí, como composición de la familia: a más miembros, más horas de trabajo
(sesgo en los estimadores?).

3. En un estudio que relaciona la nota media universitaria con el tiempo empleado en diversas activi-
dades, se distribuye una encuesta entre un grupo de estudiantes en la que se les pregunta cuántas
horas emplean en cuatro actividades: estudiar, dormir, trabajar y ocio. Cualquier actividad debe
incluirse en una de las cuatro categorías, de forma que las cuatro actividades deben sumar 168
horas para cada estudiante

2
Econometría I. Soluciones Hoja 3 Carlos Velasco. MEI UC3M. 2007/08

a) En el modelo

GP A = 0 + 1 study + 2 sleep + 3 work + 4 leisure + u;

¿tiene sentido mantener …jos sleep, work y leisure; y modi…car study?

No, porque si aumentamos el tiempo de estudio hay que sacar el tiempo extra de algún sitio
y deben disminuir sleep, work y/o leisure:
b) Explicar por qué este modelo viola el supuesto RLM.4.
Porque hay una relación lineal perfecta,

study + sleep + work + leisure = 168:

c) ¿Cómo se podría reformular el modelo para que los parámetros tengan una interpretación útil
y satisfaga el supuesto RLM.4?
Habría que eliminar una de las variables explicativas, por ejemplo leisure; y los cambios
de study se podrían estudiar dejando …jos sleep y work; pero disminuyendo en la misma
magnitud leisure:

4. Considera el modelo de regresión múltiple bajo los supuestos RLM.1-4,

y= 0 + 1 x1 + 2 x2 + 3 x3 + u:

Nos interesa estimar la suma de los parámetros en x1 y x2 : llamémoslo 1 = 1+ 2: Demostrar

que ^1 = ^ 1 + ^ 2 es un estimador insesgado de 1 :

E ^1 = E ^1 + E ^2
= 1 + 2

= 1;

por lo que es insesgado también.

5. Supongamos que la productividad media de los trabajadores en una fábrica (avgprod) depende de
dos factores, la media de horas de capacitación laboral (avgtrain) y la habilidad media de los
trabajadores (avgabil) :

avgprod = 0 + 1 avgtrain + 2 avgabil + u:

Supongamos que esta ecuación satisface los supuestos de Gauss-Markov. Si se les dan subvenciones
a aquellas fábricas cuyos trabajadores tienen una habilidad inferior a la media, de forma que
avgtrain y avgabil están negativamente correlacionados, ¿cuál es el sesgo probable en ~ 1 ; obtenido
a partir de una regresión simple de avgprod sobre avgtrain?
Si
^ = ~ 0 + ~ 1 avgtrain
avgprod
tenemos que
d
E ~1 = + ~ ~1 = Cov (avgtrain; avgabil)
1 2 1;
Vdar (avgtrain)
La forma de subvencionar implica que ~1 < 0; mientras que esperaremos que 2 > 0; por lo que
el sesgo será negativo: ~ 1 infraestimará en media el verdadero efecto de la formación, 1 :

3
Econometría I. Soluciones Hoja 3 Carlos Velasco. MEI UC3M. 2007/08

6. Suponemos que el modelo poblacional que determina y es

y= 0 + 1 x1 + 2 x2 + 3 x3 + u;

y que este modelo satisface los supuestos de Gauss-Markov. Sin embargo, estimamos el modelo
que omite x3 : Supongamos que ~ 0 ; ~ 1 ; ~ 2 son los estimadores MCO de la regresión de y sobre x1
y x2 : Se pide demostrar que el valor esperado de ~ 1 (condicionado a los valores de las variables
independientes en la muestra) es
Pn
~ i=1 r
^i1 xi3
E 1 = 1+ 3 P n 2 ;
i=1 r
^i1

donde r^i1 son los residuos MCO de la regresión de x1 sobre x2 : [Pista: usa la fórmula de ~ 1 en
función de r^i1 e introducir en la ecuación yi = 0 + 1 xi1 + 2 xi2 + 3 xi3 + ui ].
Si estimamos
y~ = ~ 0 + ~ 1 x1 + ~ 2 x2 ;
tenemos que Pn
~ = Pi=1 r^i1 yi
1 n 2
i=1 r^i1
donde r^i1 son los residuos MCO de la estimación de x1 sobre x2 ; para eliminar el efecto de x2 :
Ahora podemos obtener, sustituyendo yi = 0 + 1 xi1 + 2 xi2 + 3 xi3 + ui ; que
Pn
~ r^i1 yi
1 = Pi=1
n
r^2
Pni=1 i1
i=1 r^i1 ( 0 + 1 xi1 + 2 xi2 + 3 xi3 + ui )
Pn 2
= :
i=1 r
^i1
De ahí obtenemos, ya que r^i1 tienen media muestral cero, que
n
X n
X
r^i1 ( 0+ 1 xi1 + 2 xi2 + 3 xi3 + ui ) = r^i1 ( 1 xi1 + 2 xi2 + 3 xi3 + ui )
i=1 i=1
n
X n
X n
X n
X
= 1 r^i1 xi1 + 2 r^i1 xi2 + 3 r^i1 xi3 + r^i1 ui :
i=1 i=1 i=1 i=1

Analizando cada término tenemos que

n
X n
X n
X
2
r^i1 xi1 = r^i1 (^
xi1 + r^i1 ) = r^i1
i=1 i=1 i=1

porque r^i1 son residuos de una regresión con variable dependiente x1 y predicciones x
^i1 por lo que
Pn
i=1 r
^i1 x
^i1 = 0;
Xn
r^i1 xi2 = 0
i=1
por que r^i1 son residuos de una regresión con variable explicativa x2 :
Por tanto, condicionando en todas la x0 s;
Pn Pn
i=1 r
^i1 xi3 r^i1 ui
E ~1 = 1+ 3 Pn 2 +E Pi=1
n 2
i=1 r
^i1 i=1 r^i1
Pn
i=1 r
^i1 xi3
= 1 + 3 Pn 2 ;
i=1 r
^i1
ya que el último término tiene esperanza 0 porque r^1 depende solamente de x1 y x2 :

4
Econometría I. Soluciones Hoja 3 Carlos Velasco. MEI UC3M. 2007/08

7. Usar los datos de HPRICE1 para estimar el modelo

price = 0 + 1 sqrf t + 2 bdrms +u

donde price es el precio de la vivienda en miles de dólares, sqrf t es la super…cie de la vivienda

en pies cuadrados y bdrms es el número de dormitorios.

a) Presentar los resultados en forma de ecuación.

[ =
price 19;31500 + 0;128436sqrf t + 15;19819bdrms
n = 88; R2 = 0;631918:

b) ¿Cuál será el aumento estimado en el precio de una vivienda con un dormitorio adicional, si
mantenemos …ja la super…cie de la vivienda?
15198;19$:
c) ¿Cuál será el aumento estimado en el precio de una vivienda con un dormitorio adicional de
una super…cie aproximada de 140 pies cuadrados? Comparar esta respuesta con la respuesta
de (b).

[ =
price 0;128436 sqrf t + 15;19819 bdrms
= 0;128436 140 + 15;19819 1
= 33;179;

es decir 33179$; ya que en este caso aumentamos el tamaño de la casa. En (a) dejábamos la
casa igual de grande, pero hacíamos más habitaciones en el mismo espacio.
d ) ¿Qué porcentaje de la variación en el precio de la vivienda se explica por la super…cie y por
el número de dormitorios?
Un 63,19 %
e) La primera vivienda de la muestra tiene sqrf t = 2438 y bdrms = 4: Calcular el precio de
venta estimado para esta vivienda a partir de la recta de regresión MCO.

[1
price = 19;31500 + 0;128436sqrf t1 + 15;19819bdrms1
= 19;31500 + 0;128436 2438 + 15;19819 4
= 354: 6

es decir, 354600$:
f ) El precio de venta verdadero de la primera vivienda de la muestra es de 300.000$ ( price =
300): Calcular el residuo para esta vivienda. ¿Sugiere esto que el comprador pagó un precio
demasiado alto o demasiado bajo para la vivienda?

u
^1 = y1 y^1
= 300;000 354;600
= 54;600;

por tanto el modelo predice, a partir de sqrf t y de bdrms; que el precio de la casa es bastante
más alto que el precio que se pagó, es decir que el comprador pagó un precio demasiado bajo
para esas dos características de la vivienda (pero hay otros factores que no se miden).

5
Econometría I. Soluciones Hoja 3 Carlos Velasco. MEI UC3M. 2007/08

8. El archivo CEOSAL2 contiene datos sobre 177 directores generales que pueden usarse para exam-
inar el efecto que tiene el rendimiento empresarial sobre el salario de los mismos.

a) Estimar un modelo que relaciona el salario con las ventas de la compañía y el valor de
mercado. Especi…car el modelo para que sea un modelo de elasticidad constante para ambas
variables independientes. Presentar los resultados en forma de ecuación.

log (salary) = 4;620917 + 0;162128 log (sales) + 0;106708 log (mktval) ;

n = 177; R2 = 0;299114:

b) Añadir prof its al modelo de (a). ¿Por qué no se puede añadir esta variable en forma de log-
aritmo? ¿Explican estas variables del rendimiento empresarial la mayor parte de la variación
de los salarios de los directores generales?

log (salary) = 4;686924 + 0;161368 log (sales) + 0;097529 log (mktval) + 0; 000357prof its
n = 177; R2 = 0;299337:

No se puede añadir prof its en logaritmos porque hay compañías en pérdidas, con bene…cios
negativos.
c) Añadir la variable ceoten al modelo de (b). ¿Cuál es el porcentaje de rendimiento estimado
para cada año extra de permanencia en la empresa del director general, si mantenemos …jos
el resto de los factores?
Con cada año adicional, todo lo demás igual, el salario aumentaría aproximadamente, en un
1,168 %.

log (salary) = 4;557780 + 0;162234 log (sales) + 0;101760 log (mktval)

+0; 0000291prof its + 0;011685ceoten
n = 177; R2 = 0;318299:

d ) Calcular el coe…ciente de correlación muestral entre las variables log (mktval) y prof its: ¿Es-
tán estas variables estrechamente relacionadas? ¿Qué nos dice esto acerca de los estimadores
MCO?
Corr (log (mktval) ; prof its) = 0;776897595436

lo que indica que en el modelo en (a) los estimadores MCO estarán sesgados y previsiblemente
el estimador del coe…ciente de log (mktval) estará sesgado positivamente (sobreestimará en
medio el efecto del log (mktval) porque también recoge el efecto de los bene…cios, ambos
positivos y que se mueven conjuntamente). En el modelo (b) la alta correlación implicará
estimadores MCO con altos errores estándar.