Econometría Básica
Taller #4
1. Suponga que el modelo
𝑝𝑐𝑡𝑠𝑡𝑐𝑘 = 𝛽0 + 𝛽1 𝑓𝑢𝑛𝑑𝑠 + 𝛽2 𝑟𝑖𝑠𝑘𝑡𝑜𝑙 + 𝑢
satisface los primeros cuatro supuestos de Gauss-Markov, donde pctstck es el porcentaje de la
pensión de un trabajador invertida en el mercado de valores, funds de la cantidad de fondos
mutualistas de donde el trabajador puede elegir y risktol es una medida de la tolerancia al riesgo
(risktol grande significa que la persona tiene una alta tolerancia al riesgo). Si funds y risktol
están correlacionadas positivamente, ¿cuál es la inconsistencia en 𝛽 ̃1 , el coeficiente de
pendiente en la regresión simple de pctstck sobre funds?
Modelo insesgado
Sesgo dado por la correlación positiva entre risktol y funds
Una mayor tolerancia al riesgo significa una mayor disposición a invertir en el mercado de
valores, por lo que 𝛽2 > 0 , y como se concede en el enunciado risktol y funds están
correlacionadas positivamente. Entonces 𝛽 ̃1 .Tiene una inconsistencia positiva (sesgo asintótico).
Esto tiene sentido: si omitimos el risktol de la regresión y se correlaciona positivamente con
funds, parte del efecto estimado de los fondos se debe realmente al efecto del riesgo.
2. La base de datos [Link] contiene información sobre la conducta como
fumadores y otras variables de los adultos solteros estadounidenses en una muestra aleatoria. La
variable cigs es la cantidad (promedio) de cigarros fumados por día. ¿Piensa que la variable cigs
tiene una distribución normal en la población de estadounidenses adultos? Explique.
La variable cigs tiene gran probabilidad de no tener una distribución normal ya que la mayoría de
las personas no fuman, por lo que si cigs es igual 0 para más de la mitad de la población por ende
la distribución de cigs es sesgada y por ello no se podría relacionar con una variable aleatoria
normalmente distribuida porque una variable aleatoria normal debe ser simétrica respecto a su
media.
Se adjunta un histograma realizado en stata que reafirma esta posición.
.2
.15
Density
.1
.05
0
0 20 40 60 80
cigs. smoked per day
Grafica #1. Se puede analizar en esta grafica que típicamente se
fuman alrededor de 0 cigarrillos por día.
3. Considere un modelo simple para estimar el efecto de la posesión de una computadora
personal (PC) en el promedio de calificaciones (GPA) para los alumnos del último año de la
carrera en una universidad pública grande:
𝐺𝑃𝐴 = 𝛽0 + 𝛽1 𝑃𝐶 + 𝑢
donde PC es una variable binaria que indica la posesión de una PC
I. ¿Por qué la posesión de una PC podría estar correlacionada con u?
Podría estar factiblemente correlacionada dado que poseer una computadora depende por
ejemplo de los ingresos dado que a medida que aumenta los ingresos hay mayor
posibilidad de acceder a un PC.
II. Explique por qué es probable que PC esté relacionada con el ingreso anual de los
padres. ¿Esto significa que el ingreso de los padres es una buena VI para PC? ¿Por
qué?
Como se comentaba en el anterior inciso poseer un PC tiene una gran posibilidad de estar
relacionado con los ingresos, y cuando la variable de ingresos se encuentra entre los factores no
observados puede incidir en el caso de endogenidad, ya que existe una correlación muy alta entre
estas variables, por ello se puede intuir que el ingresos de los padres pueden ser una buena
variable instrumental para PC, dado que, cumpliría una de las propiedades de los instrumentos la
relevancia que consiste en que la variable independiente endógena y la variable instrumental
estén correlacionadas.
III. Suponga que, hace cuatro años, la universidad otorgó subsidios para comprar
computadoras para casi la mitad de los estudiantes de nuevo ingreso, y se eligió de
manera aleatoria a quienes los recibieron. Explique de manera detallada cómo se
usaría esta información para construir una variable instrumental para PC.
Para conllevar a una VI valida, se debe satisfacer las siguientes propiedades:
Los subsidios no deben estar relacionados con factores no observados, para así cumplirse
la validez, la cual se cumpliría ya que, si la asignación se asignó al azar, no está
correlacionada con u en particular no está correlacionado con el ingreso familiar y otros
factores socioeconómicos contenidos en u.
Los subsidios deben tener una correlación con tener un PC para cumplirse la relevancia, y
en este caso se cumpliría ya que la universidad otorga los subsidios precisamente para la
compra de computadoras.
Se puede concluir que la variable de subsidios podría ser una buena VI para la posesión de una
computadora persona.
4. Suponga que se desea estimar el efecto de la asistencia a clases sobre el desempeño
de los estudiantes, como en el ejemplo 6.3. Un modelo básico es
𝑠𝑡𝑛𝑑𝑓𝑛𝑙 = 𝛽0 + 𝛽1 𝑎𝑡𝑛𝑑𝑟𝑡𝑒 + 𝛽2 𝑝𝑟𝑖𝐺𝑇𝐴 + 𝛽3 𝐴𝐶𝑇 + 𝑢
donde las variables se definen como en el capítulo 6.
Un modelo para explicar el resultado estandarizado de un examen final (stndfnl) en
términos del porcentaje de asistencia a clases, el anterior promedio general de
calificaciones y la puntuación en el ACT (examen de admisión a la universidad) , atndrte
(asistencia a clases).
i. Sea dist la distancia de los dormitorios de los estudiantes al aula. ¿Piensa que
dist no está correlacionada con u?
Parece razonable suponer que dist y u no están correlacionadas porque las aulas
generalmente se asignan aleatoriamente dejando a un lado factores no observados.
ii. En el supuesto de que dist y u no se correlacionen, ¿qué otro supuesto debe
satisfacer dist para ser una VI válida para atndrte?
Debe satisfacer el supuesto de la relevancia en el cual incide que dist debe estar relacionado con
atndrte, y esto puede ser cierto ya que entre mayor distancia este el dormitorio de las aulas puede
incidir en más inasistencias a clases.
iii. Suponga que, como en la ecuación (6.18), se agrega el término de interacción
priGPA*atndrte:
𝑠𝑡𝑛𝑑𝑓𝑛𝑙 = 𝛽0 + 𝛽1 𝑎𝑡𝑛𝑑𝑟𝑡𝑒 + 𝛽2 𝑝𝑟𝑖𝐺𝑇𝐴 + 𝛽3 𝐴𝐶𝑇 + 𝜷𝟒 𝒑𝒓𝒊𝑨𝑪𝑻 ∗ 𝒂𝒕𝒏𝒅𝒓𝒕𝒆 + 𝑢
Si atndrte está correlacionada con u, entonces, en general, también priGPA*atndrte. ¿Cuál sería
una buena VI para priGPA*atndrte? [Sugerencia: si 𝐸(𝑢| 𝑝𝑟𝑖𝐺𝑇𝐴, 𝐴𝐶𝑇, 𝑑𝑖𝑠𝑡) = 0; como
sucede cuando priGPA, ACT, y dist son exógenas, entonces cualquier función de priGPA y dist
no está correlacionada con u.]
Sería una buena VI para atndrte la variable dist ya que como se ha venido comentando a lo largo
del ejercicio esta variable no está relacionada con los factores no observados siendo así exógena,
dado esto se cumpliría la propiedad de validez, seguidamente se concertó que la asistencia a
clases puede tener una correlación con la distancia del dormitorio por ende la interacción
priGPA*atndrte también poseerá esta relación cumpliéndose la propiedad de relevancia.
Concluyendo se indica que dist es la variable más adecuada para ser una VI de priGPA*atndrte
5. Considere un modelo simple de series de tiempo donde la variable explicativa tenga un
error de medición clásico:
𝑦𝑡 = 𝛽0 + 𝛽1𝑥𝑡∗ + 𝑢𝑡
𝑥𝑡 = 𝑥𝑡∗ + 𝑒𝑡
Error de medición: Sesgo
Donde 𝑢𝑡 tiene una media de cero y no está correlacionada con 𝑥𝑡∗ ni con 𝑒𝑡 . Sólo se observa 𝑦𝑡 y
𝑥𝑡 . Suponga que 𝑒𝑡 tiene una media de cero y que no está correlacionada con 𝑥𝑡∗ y que 𝑥𝑡∗
también tiene una media de cero (este último supuesto es sólo para simplificar el cálculo
algebraico).
i. Escriba 𝑥𝑡∗ = 𝑥𝑡 − 𝑒𝑖 e inserte esto en (15.58). Muestre que el término de error en la
nueva ecuación, 𝑣𝑡 , está correlacionado negativamente con 𝑥𝑡 si 𝛽1 > 0 ¿Qué implica
esto acerca del estimador de MCO de 𝜷𝟏 obtenido de la regresión de 𝒚𝒕 sobre 𝒙𝒕 ?
𝑦𝑡 = 𝛽0 + 𝛽1𝑥𝑡∗ + 𝑢𝑡
𝑦𝑡 = 𝛽0 + 𝛽1 (𝑥𝑡 − 𝑒𝑖 ) + 𝑢𝑡
𝑦𝑡 = 𝛽0 + 𝛽1 𝑥𝑡 + 𝑢𝑡 − 𝛽1 𝑒𝑡 𝑣𝑡
𝑦𝑡 = 𝛽0 + 𝛽1 𝑥𝑡 + 𝑣𝑡
𝑢𝑡 no esta correlacionado con 𝑥𝑡∗ ni con 𝑒𝑡 ,entonces 𝑢𝑡 no está correlacionado con 𝑥𝑡 , 𝑒𝑡 no está
correlacionada con 𝑥𝑡∗
𝐸(𝑣𝑡 , 𝑥𝑡 ) = 𝐸[(𝑢𝑡 − 𝛽1 𝑒𝑡 )𝑥𝑡 ] = 𝐸[𝑢𝑡 𝑥𝑡 ] − 𝛽1 𝐸[𝑒𝑡 𝑥𝑡 ]
𝐸(𝑣𝑡 , 𝑥𝑡 ) = −𝛽1 𝐸[𝑒𝑡 𝑥𝑡 ] < 0 cuando 𝛽1 > 0
Debido a que la variable explicativa y el error tienen un valor esperado negativo, el estimador
MCO de tiene un sesgo descendente.
ii. Además de los supuestos previos, suponga que 𝑢𝑡 y 𝑒𝑡 no están correlacionados con
ninguno de los valores pasados de 𝑥𝑡∗ ni de 𝑒𝑡 ; en particular, ni con 𝑥𝑡−1 ni con 𝑒𝑡−1 .
Muestre que 𝑬(𝒙𝒕−𝟏 𝒗𝒕 ) = 𝟎, donde 𝑣𝑡 es el término de error en el modelo de la parte i).
𝐸(𝑥𝑡−1 𝑣𝑡 )
𝐸[𝑥𝑡−1 (𝑢𝑡 − 𝛽1 𝑒𝑡 )]
𝐸[𝑥𝑡−1 𝑢𝑡 − 𝑥𝑡−1 𝛽1 𝑒𝑡 ]
𝐸[𝑥𝑡−1 𝑢𝑡 ] − 𝐸[𝑥𝑡−1 𝛽1 𝑒𝑡 ]
𝑢𝑡 y 𝑒𝑡 no están correlacionados con ninguno de los valores pasados de 𝑥𝑡∗ ni de 𝑒𝑡 ; en
particular, ni con 𝑥𝑡−1 ni con 𝑒𝑡−1 .
𝐸[𝑥𝑡−1 𝑢𝑡 ] − 𝛽1 𝐸[𝑥𝑡−1 𝑒𝑡 ]
𝐸(𝑥𝑡−1 𝑣𝑡 ) = 0
iii. ¿Es probable que 𝒙𝒕 𝒚 𝒙𝒕−𝟏 estén correlacionadas? Explique.
La mayoría de las series de tiempo económicas, a menos que representen la primera diferencia de
una serie o el cambio porcentual, se correlacionan positivamente con el tiempo. Lo cual es
probable que 𝑥𝑡 y 𝑥𝑡−1 estén correlacionados positivamente. Si el modelo es para primeras
diferencias o cambios porcentuales, todavía puede haber correlación positiva o negativa entre 𝑥𝑡
y 𝑥𝑡−1
iv. ¿Qué sugieren las partes ii) y iii) como una estrategia útil para estimar de forma
consistente 𝜷𝟎 𝒚 𝜷𝟏 ?
Esta sugiriendo que el sesgo originado por el error de medición, puede ser solucionado por las
VI, dado que en el inciso ii). Encontramos que 𝑥𝑡−1 es exógeno cumpliéndose la propiedad de
validez, y en el inciso iii). Encontramos una correlación entre 𝑥𝑡−1 y 𝑥𝑡 cumpliéndose la
porpiedad de relevancia, por ende se puede creer que 𝑥𝑡−1 puede llegar hacer una variable
instrumental de 𝑥𝑡 , conllevando a que la VI sea consistente para 𝛽0 𝑦 𝛽1.
6. La ecuación siguiente se estimó empleando los datos del archivo [Link]:
̂
log(𝑠𝑎𝑙𝑎𝑟𝑦) = 4.322 + .276 log(sales) + .0215 roe − .00008roe2
(.033) (.0129) (.00026)
(.324)
𝑛 = 209 , 𝑅 2 = .282.
Esta ecuación permite que roe tenga un efecto decreciente sobre log(salary). ¿Es esto, en
general, necesario? Explique por qué.
Log-nivel
Una función cuadrática puede presentar efectos marginales o decrecientes, en este caso la
7. Empleando los datos del archivo [Link], mediante MCO se obtuvo la ecuación
siguiente:
̂ = 2.613 + 0.00030𝑠𝑎𝑙𝑒𝑠 − 0.0000000070𝑠𝑎𝑙𝑒𝑠 2
𝑟𝑑𝑖𝑛𝑡𝑒𝑛𝑠
(.429) (.00014) (.0000000037)
𝑛 = 32 , 𝑅 2 = .1484.
i. ¿En qué punto se vuelve negativo el efecto de sales sobre rdintens?
̂
∆𝑟𝑑𝑖𝑛𝑡𝑒𝑛𝑠
= 0.00030 − 2 ∗ (0.0000000070)𝑠𝑎𝑙𝑒𝑠
∆𝑠𝑎𝑙𝑒𝑠
0 = 0.00030 − 2 ∗ (0.0000000070)𝑠𝑎𝑙𝑒𝑠
2 ∗ (0.0000000070)𝑠𝑎𝑙𝑒𝑠 = 0.00030
0.00030
𝑠𝑎𝑙𝑒𝑠 =
2 ∗ (0.0000000070)
𝑠𝑎𝑙𝑒𝑠 = 21.428.57
El punto de inflexión está en 21.428.57 ventas en millones de dólares
ii. ¿Conservaría usted el término cuadrático del modelo? Explique.
𝐻0 : 𝛽2 = 0 −0.0000000070
𝑡𝛽̂ = .0000000037
= -1.89
2
𝐻1 : 𝛽2 ≠ 0
𝑅. 𝐶: {|𝑡𝛽̂ | > 𝑐} 𝑅. 𝐶: {|1.89| > 𝑡29,1−∝ }
2 2
𝑛 − 𝑘 − 1 = 32 − 2 − 1 𝑅. 𝐶: {|1.89| > 𝑡29,1−∝ }
2
𝑛 − 𝑘 − 1 = 29 𝑅. 𝐶: {|1.89| > 2.045230} X
∝= 0.05
A un nivel de significancia del 5% no hay evidencia estadística para rechazar la hipótesis nula a
favor de la alterna, por lo cual con una prueba de dos colas no se incluiría el termino cuadrático.
iii. Defina salesbil como las ventas medidas en miles de millones de dólares: salesbil=
sales/1,000. Escriba de nuevo la ecuación estimada con 𝑠𝑎𝑙𝑒𝑠𝑏𝑖𝑙 𝑦 𝑠𝑎𝑙𝑒𝑠𝑏𝑖𝑙 2 como
variables independientes. No olvide dar los errores estándar y la R-cuadrada.
[Sugerencia: observe que 𝒔𝒂𝒍𝒆𝒔𝒃𝒊𝒍𝟐 = 𝒔𝒂𝒍𝒆𝒔𝟐 /𝟏. 𝟎𝟎𝟎𝟐 .]
𝑠𝑎𝑙𝑒𝑠 𝑠𝑎𝑙𝑒𝑠 2
̂ = 2.613 + (1000) ∗ 0.00030
𝑟𝑑𝑖𝑛𝑡𝑒𝑛𝑠 2
− (1.000 ) ∗ 0.0000000070
1000 1.0002
̂ = 2.613 + (1000) ∗ 0.00030𝑠𝑎𝑙𝑒𝑠𝑏𝑖𝑙 − (1.0002 ) ∗ 0.0000000070𝑠𝑎𝑙𝑒𝑠𝑏𝑖𝑙 2
𝑟𝑑𝑖𝑛𝑡𝑒𝑛𝑠
̂ = 2.613 + 0.3𝑠𝑎𝑙𝑒𝑠𝑏𝑖𝑙 − 0.007𝑠𝑎𝑙𝑒𝑠𝑏𝑖𝑙 2
𝑟𝑑𝑖𝑛𝑡𝑒𝑛𝑠
(.429) (.14) (.0037)
Los errores estándar también se multiplicaron por 1000, y el 𝑅 2 no se ve afectado por este
cambio de medidas.
𝑛 = 32 , 𝑅 2 = .1484
iv. ¿Qué ecuación prefiere con objeto de dar los resultados?
Se preferiría la ecuación del inciso iii) ya que es mucho más fácil de leer porque contiene menos
ceros que la del inciso ii), cabe resaltar que las dos ecuaciones son las mismas lo único es que
están medidas en diferentes escalas.
8. El modelo siguiente permite que el rendimiento de la educación sobre el salario dependa
de la cantidad total de educación de los dos padres, denominada pareduc:
𝑙𝑜𝑔(𝑤𝑎𝑔𝑒) = 𝛽0 + 𝛽1 𝑒𝑑𝑢𝑐 + 𝛽2 𝑒𝑑𝑢𝑐 ∗ 𝑝𝑎𝑟𝑒𝑑𝑢𝑐 + 𝛽3 exper + 𝛽4 tenure + 𝑢
i. Muestre que, de forma decimal, el rendimiento de un año más de educación en
este modelo es
∆𝑙𝑜𝑔(𝑤𝑎𝑔𝑒)
= 𝛽1 + 𝛽2 𝑝𝑎𝑟𝑒𝑑𝑢𝑐
∆𝑒𝑑𝑢𝑐
Demostración
∆𝑙𝑜𝑔(𝑤𝑎𝑔𝑒) = 𝛽1∆𝑒𝑑𝑢𝑐 + 𝛽2 𝑝𝑎𝑟𝑒𝑑𝑢𝑐∆𝑒𝑑𝑢𝑐
∆𝑙𝑜𝑔(𝑤𝑎𝑔𝑒) = (𝛽1 + 𝛽2 𝑝𝑎𝑟𝑒𝑑𝑢𝑐)∆𝑒𝑑𝑢𝑐
∆𝑙𝑜𝑔(𝑤𝑎𝑔𝑒)
= 𝛽1 + 𝛽2 𝑝𝑎𝑟𝑒𝑑𝑢𝑐
∆𝑒𝑑𝑢𝑐
¿Qué signo espera que tenga 𝜷𝟐 ? ¿Por qué?
Se espera que sea positivo dado que entre más educación tenga los padres, hay más probabilidad
de que el hijo tenga más educación por ende tenga a futuro un mayor salario.
ii. Empleando los datos del archivo [Link], la ecuación estimada es
̂ = 5.65 + .047 educ + .00078 educ ∗ pareduc + .019 exper + .010 tenure
𝑙𝑜𝑔(𝑤𝑎𝑔𝑒)
(.13) (.010) (.00021) (.004) (.003)
𝑛 = 722 , 𝑅 2 = .169
(Sólo 722 observaciones contienen información completa sobre la educación de los padres.)
Interprete el coeficiente del término de interacción. Puede ayudar elegir dos valores específicos
para pareduc —por ejemplo, pareduc= 32 si ambos padres tienen educación universitaria o
pareduc = 24 si los dos padres tienen bachillerato— y de esta manera estimar el rendimiento de
educ.
Caso #1: ambos padres tienen educación universitaria
∆𝑙𝑜𝑔(𝑤𝑎𝑔𝑒)
= 𝛽1 + 𝛽2 𝑝𝑎𝑟𝑒𝑑𝑢𝑐
∆𝑒𝑑𝑢𝑐
∆𝑙𝑜𝑔(𝑤𝑎𝑔𝑒)
= .047 + .00078𝑝𝑎𝑟𝑒𝑑𝑢𝑐
∆𝑒𝑑𝑢𝑐
∆𝑙𝑜𝑔(𝑤𝑎𝑔𝑒)
= .047 + .00078(32)
∆𝑒𝑑𝑢𝑐
∆𝑙𝑜𝑔(𝑤𝑎𝑔𝑒)
= 0.047 + 0.025
∆𝑒𝑑𝑢𝑐
∆𝑙𝑜𝑔(𝑤𝑎𝑔𝑒)
= 𝟎. 𝟎𝟕𝟐
∆𝑒𝑑𝑢𝑐
Interpretación caso #1:
Si educ aumenta 1 año wage aumentara en 7.2% a partir de que los dos padres tengas educación
univesitaria.
Caso #2: los dos padres tienen bachillerato
∆𝑙𝑜𝑔(𝑤𝑎𝑔𝑒)
= 𝛽1 + 𝛽2 𝑝𝑎𝑟𝑒𝑑𝑢𝑐
∆𝑒𝑑𝑢𝑐
∆𝑙𝑜𝑔(𝑤𝑎𝑔𝑒)
= .047 + .00078𝑝𝑎𝑟𝑒𝑑𝑢𝑐
∆𝑒𝑑𝑢𝑐
∆𝑙𝑜𝑔(𝑤𝑎𝑔𝑒)
= .047 + .00078(24)
∆𝑒𝑑𝑢𝑐
∆𝑙𝑜𝑔(𝑤𝑎𝑔𝑒)
= 0.047 + 0.01872
∆𝑒𝑑𝑢𝑐
∆𝑙𝑜𝑔(𝑤𝑎𝑔𝑒)
= 𝟎. 𝟎𝟔𝟓𝟕𝟐
∆𝑒𝑑𝑢𝑐
Interpretación caso #2:
Si educ aumenta 1 año wage aumenta 6.6% a partir de que los dos padres tienen bachillerado.
Rendimiento de educ.
𝛽2 𝑝𝑎𝑟𝑒𝑑𝑢𝑐
𝛽2 (32 − 24)
. 00078(8)
0.00624
La diferencia en el retorno de la educación es de 0.624 por ciento.
iii. Si a esta ecuación se le agrega pareduc como una variable aparte, se obtienen:
̂ = 4.94 + .097 educ + .033 pareduc − .0016 educ ∗ pareduc + .020 exper
𝑙𝑜𝑔(𝑤𝑎𝑔𝑒)
+(.38)
.010 tenure
(.027) (.017) (.0012) (.004) (.003)
𝑛 = 722, 𝑅 2 = .174.
¿Depende ahora el rendimiento estimado de la educación positivamente de la educación de los
padres? Pruebe la hipótesis nula de que el rendimiento de la educación no depende de la
educación de los padres.
𝐻0 : 𝛽3 = 0
−.0016 𝑅. 𝐶: {−1.33 > 𝑡𝑛−𝑘−1,1−∝ }
𝑡𝛽̂ = = -1.33 2
𝐻1 : 𝛽3 > 0 2 .0012
𝑅. 𝐶: {−1.33 > 𝑡717,0.975 }
𝑅. 𝐶: {|𝑡𝛽̂ | > 𝑐} 𝑛 − 𝑘 − 1 = 722 − 4 − 1
2
𝑅. 𝐶: {−1.33 > 1.983972} X
𝑛 − 𝑘 − 1 = 717
∝= 0.05
A un nivel de significancia del 5% hay evidencia estadística para afirmar que el rendimiento
estimado de la educación no depende positivamente de la educación de los padres.
