Ejercicios De Econometrı́a

Nicolas Muraro

1 Cápitulo 2
Pregunta 4
La base de datos BWGHT.RAW contiene cifras sobre los hijos nacidos de mu-
jeres en Estados Unidos. Las dos variables de interés son la variable inde-
pendiente, peso en onzas del niño al nacer (bwght) y la variable explicativa,
cantidad promedio diaria de cigarros consumidos por la madre durante el em-
barazo (cigs). La siguiente ecuación de regresión simple se estimó con datos de
n=1,388 nacimientos:

^ = 119.77 − 0.514cigs
bwght

i) ¿Cuál es el peso al nacer que se predice si cigs = 0? ¿ y cuando cigs = 20

(un paquete por dı́a)? Analice la diferencia.

SOL

^ = 109.49
Sı́ cigs = 0 =⇒ bwght

Lo cuál indicarı́a que cuando no se fuma ningúna cantidad (en promedio) de

cigarros durante el embarazo, el peso (en onzas) del niño al nacer es de 119.77.

^ = 119.77 − 0.514 ∗ 20 = 109.49

Sı́ cigs = 20 =⇒ bwght

De manera que, si se fuma un paquete de cigarros por dı́a, la estatura del

niño al nacer será de 109.49 onzas.

ii) ¿Capta esta ecuación de regresión simple una relación causal entre el peso
del niño al nacer y el hábito de fumar de la madre? Explique.

SOL

Dado que existen muchas otras variables que pueden explicar el peso del niño
al nacer, este módelo no necesariamente explica una relación causal.

1
 iii) Para que el peso al nacer predicho sea de 125 onzas, ¿Cuál tiene que ser
el valor del cigs? Explique.

SOL

5.23
125 = 119.77 − 0.514cigs =⇒ cigs = −
0.514
∴ cigs ≈ −10
Dado a la naturaleza de las variables (no negativas), no es posible predecir la
cantidad de cigarros a fumar para que el tamaño del niño sea de 125 onzas. Esto
es debido a que la relación entre la variable explicativa y la variable explicada
es negativa, de manera que, por cada cigarro fumado sólo se verá reducido el
tamaño del niño al nacer. Por lo tanto, como el modelo predice que el máximo
crecimiento que puede tener un niño es de 119.77 onzas, entonces no es posible
que alzance un tamaño de 125 onzas.

iv) La proporción de mujeres en la muestra que no fumaron durante el embarazo

es aproximadamente 0.85 ¿ Ayuda esto a entender sus hallazgos del inciso iii)?

SOL

Ya que sólo se está utilizando la variable cigs para explicar el peso del niño
al nacer, sólo se obtiene un valor predicho cuando cigs = 0. Por lo tanto, el
valor predicho es el promedio del peso de los niños al nacer y es por ello que se
obtiene un menor valor de B̃0

Pregunta 8
Considere el modelo estándar regresión simple y = B0 + B1 x + u bajo los
supuestos RLS.1 a RLS.5 de Gauss-Markov. Los estimadores usuales de MCO
B̂0 y B̂1 son insesgados para sus respectivos parámetros poblacionales. Sea B̃1
el estimador de B1 obtenido suponiendo que el intercepto es cero.

i) Determine E(B̃1 ) en términos de xi , B0 y B1 . Verifique que B̃1 es inses-

gado respecto a B1 cuando el intercepto poblacional (B0 ) es cero.¿Hay otros
casos en los que B̃1 sea insesgado?

SOL

n
X
xi yi
i=1
B̃1 = n /E()
X
x2i
i=1

2
  n
X

 xi yi 
 i=1 
E(B̃1 ) = E 
 X n


2 
xi

i=1
n
X
E(xi (B0 + B1 xi + ui ))
i=1
E(B̃1 ) = n
X
x2i
i=1
n
X
xi (B0 + B1 xi + E(ui ))
i=1
E(B̃1 ) = n (1)
X
x2i
i=1

Por lo tanto, ahora se demostrará que es insesgado cuando B0 = 0.

n 0
X
xi (
B :0
0 + B1 xi + 
E(u )))
> i 
i=1
E(B̃1 ) = n
X
x2i
i=1

1
n


X
x2i



E(B̃1 ) = B1 i=1
n

X
2

xi

i=1
∴ E(B̃1 ) = B1
Donde queda demostrado el insesgamiento de B̃1

Para ver si hay otras posibilidades de que sea insesgado, reescribiremos la ecua-
cion (1)
Xn
xi (B0 + B1 xi + E(ui ))
i=1
E(B̃1 ) = n
X
x2i
i=1
n
X n
X n
X
xi B0 B1 x2i E(ui )
i=1 i=1 i=1
E(B̃1 ) = n + n + n
X X X
x2i x2i x2i
i=1 i=1 i=1

3
 1
n
X n
X 
X n
xi x2i
E(ui )


i=1 i=1 i=1
E(B̃1 ) = B0 n + B1 n
+ n
X X X
2
2
xi
i x x2i
i=1
i=1 i=1

Xn Xn
xi E(ui )
0i=1 i=1
E(B̃1 ) = B1 + 
B>
0 n + n
X X
2
xi x2i
i=1 i=1
n
X
E(ui )
i=1
E(B̃1 ) = B1 + n
X
x2i
i=1

De manera que, si no se cumple que E(ui ) = 0, otra forma de que pueda ser
insesgado B̃1 es, que la suma de la variable explicativa al cuadradado sea muy
grande.
n
X
E(ui )
i=1
Pn lim2 E(B̃1 ) = Pn lim2 B1 + Pn lim2 n
i=1 xi →∞ i=1 xi →∞ i=1 xi →∞ X
x2i
i=1

n
X
E(ui )
i=1
E(B̃1 ) = B1 + ∞
n
X 
x2i
i=1

0
n
X 
E(ui )
i=1
E(B̃1 ) = B1 +
∞
E(B̃1 ) = B1
Es por eso la importancia de obtener una gran cantidad de datos.

4
 ii) Determine la varianza de B̃1 .

SOL

n
X
xi yi
i=1
B̃1 = n /V ar( )
X
x2i
i=1
 n
X

 xi yi 
 i=1 
V ar(B̃1 ) = V ar  n
 

X
x2i
 
i=1
n
!
X
V ar xi yi
i=1
V ar(B̃1 ) = !2
n
X
x2i
i=1
n
X
x2i V ar(yi )
i=1
V ar(B̃1 ) = !2
n
X
x2i
i=1

Por el supuesto de homocedasticidad (V ar(u/x) = E(u2 /x) = E(u2 ) = δ 2 ).

n
X
x2i V ar((B1 xi + ui ))
i=1
V ar(B̃1 ) = !2
n
X
x2i
i=1

n 2
X :0 :δ
x2i (
 
V ar(B
 V ar(u
1 xi ) +  i ))
i=1
V ar(B̃1 ) = !2
n
X
x2i
i=1
1
n
X 
x2i
i=1
V ar(B̃1 ) = δ 2 1

n
!2

X
x2i
i=1

5
 δ2
∴ V ar(B̃1 ) = n
X
x2i
i=1

iii) Muestre que V ar(B̃1 ) ≤ V ar(B̂1 ).

SOL
n
X n
X
Como x2i y (xi − x)2 como son positivos se obtiene que.
i=1 i=1

n n
X X 1 1
x2i ≥ (xi − x)2 =⇒ n ≤ n
X X
i=1 i=1
x2i (xi − x)2
i=1 i=1

ya que δ 2 ≥ 0
1 1
n ≤ n /δ 2
X X
x2i (xi − x) 2

i=1 i=1

δ2 δ2
n ≤ n
X X
x2i (xi − x)2
i=1 i=1

V ar(B̃1 ) ≤ V ar(B̂1 )
iv) Analice el efecto de sustitución que existe entre sesgo y varianza al elegir
entre B̃1 y B̂1 .

SOL

Se tiene que para B̃1 el sesgo y su V ar son

n
X
ui
i=1 δ2
B̃1 = B1 + n , V ar(B̃1 ) = n
X X
x2i x2i
i=1 i=1

Mientras que para B̂1 su sesgo y varianza son

n
X
(xi − x)ui
i=1 δ2
B̂1 = B1 + n , V ar(B̃1 ) = n
X X
x2i − nx x2i − nx
i=1 i=1

Observando las formulas, podemos percatarnos que la elección entre B̃1 y B̂1
dependerá de la media de la variable explicativa, x, debido a que sı́ aumenta y
mantenemos constante la suma de cuadrados tanto el sesgo como la varianza de

6
B̂1 aumentan, mientras que para el parámetro B̃1 no se ve afectada.

También el tamaño de la muestra, n, puede afectar al sesgo y la varianza de am-

bos parámetros. Como además del termino B0 ya que si este es muy pequeño,
se puede obtener la expresión antes descrita para B̃1 .
Pn
Por lo tanto, las variables n, x, B0 y i=1 x2i determinarán que parámetro es
mejor.

Pregunta C4
Use la base de datos WAGE2.RAW para estimar una regresión simple que ex-
plique el salario mensual (wage) en términos de la puntuación del coeficiente
intelectual (IQ).

i) Determine el promedio muestral del salario y de IQ.¿cuál es la desviación

estándar muestral de IQ? (la puntuación del coeficiente está estandarizada, de
manera que el promedio de la población es 100 y la desviación estándar es 15).

SOL

Utilizando stata para modelar obtenemos:

Donde la media y desviación estándar de wage es 957.9455 y 404.3608 respec-

tivamente. Y la media y desviación estándar de IQ es 101.2824 y 15,05264
respectivamente.

ii) Estime un modelo de regresión simple en el que un aumento de un punto

IQ modifique wage en una cantidad de dólares constante. Use este modelo para
determinar el aumento que se predice en wage para un aumento de 15 puntos
en IQ.¿Explica IQ la mayor parte de la variación en wage?.

SOL

7
Bajo los datos entregados por Stata, podemos encontrar el modelo de regresión
simple
] = 116.9916 + 8.3031 ∗ IQ
wage
cuando IQ se incrementa en 15 puntos =⇒ wage] = 124.547 dólares. De manera
que al aumentar en 15 puntos de IQ, la variable wage auménta en 124.547 dólares

la variable IQ sólo explica un 9.55% de la variación de wage.

iii) Ahora, estime un modelo en el que cada aumento de un punto en IQ tenga

un mismo efecto porcentual sobre wage. Si IQ aumenta 15 puntos, ¿Cuál es el
aumento porcentual pronosticado para wage?.

SOL

Aplicando ln() a la variable explicada, obtenemos

8
Donde se obtiene la regresión

] = 5.8869 + .0088 ∗ IQ
ln(wage)

donde
∆%wage
] = .88d(IQ)
de manera que

] = .088 ∗ 15 = 13.2%
IQ = 15 =⇒ ∆%wage

ante un aumento de IQ de 15 puntos, produce un aumento de 13.2% en el salario.

2 Cápitulo 3
Pregunta 2
Los datos en el archivo WAGE2.RAW sobre trabajadores hombres se utilizan
para estimar la ecuación siguiente.

d = 10.36 − .094sibs + .131meduc + .210f educ

educ

n = 772 R2 = 0.214
donde educ es años de escolaridad, sibs es número de hermanos, meduc es años
de escolaridad de la madre y f educ años de escolaridad del padre.

i) ¿Tiene sibs el efecto esperado? Explique. Manteniendo constantes meduc

y f educ ¿cuánto tiene que aumentar sibs para tener una reducción de un año
en los años de educación predichos?

SOL

entre más hermanos o (equivalente más hijos en una familia), más dificil es
para una familia que puedan estudiar.

1
−1 = −.094sibs =⇒ sibs = =⇒ sibs ≈ 10.6
.094
De modo que al tener una cantidad de 10.6 hermanos produce una disminución
de 1 año de escolaridad.

ii) Explique la interpretación del coeficiente de meduc.

SOL

nos dice que ante una variación de una unidad de la variable meduc se pro-
duce un cambio de .131 en los años de escolaridad.

iii) Suponga que el hombre A no tiene hermanos, y que su madre y su padre

tienen cada uno 12 años de escolaridad. El hombre B no tiene hermanos y su
madre y su padre tienen cada uno 16 años de escolaridad. ¿Cuál es la diferencia

9
entre B y A en años predichos de escolaridad?.

SOL

Para el hombre A se tiene :

sibs = 0 , meduc = f educ = 12

g = 10.36 + .131 ∗ 12 + .210 ∗ 12 =⇒ educ

educ g = 14.452

Para el hombre B se tiene:

sibs = 0 , meduc = f educ = 16

g = 10.36 + .131 ∗ 16 + .210 ∗ 16 =⇒ educ

educ g = 15.816

De manera que, la diferencia de los años predichos entre B y A es

15.816 − 14.452 = 1.364

Por lo tanto,la diferencia de años de escolaridad predichos es de 1.364 años.

Pregunta 15
Las siguientes ecuaciones estimadas usan los datos en MLB1.RAW, que contiene
información sobre las grandes ligas salarios de beisbol. La variable dependiente,
lsalary, es el logaritmo del salario. Las dos variables explicativas son años en
las ligas mayores (years) y corridas por año (rbisyr):

\ = 12.373 + .1770years
lsalary

(.098) , (.0132)
n = 353 , SSR = 326.196 , SER = .964 , R2 = .337
\ = 11.861 + .0904years + .0302rbisyr
lsalary
n = 353 , SSR = 198.475 , SER = .753 , R2 = .597
i) ¿Cuántos grados de libertad hay en cada regresión? ¿Cómo es que el SER es
más pequeño en la segunda regresión que en la primera?

SOL

Los grados de libertad de la primera y segunda regresión son gl1 = 351 y

gl2 = 350, respectivamente.

Es más pequeño en la regresión multiple debido a que si se agrega una vari-

able explicativa, los grados de libertad también disminuye en uno.
SRC
↓ δ 2 =↓
gl ↑
resultando en un SER más pequeño

10
 ii) El coeficiente de correlación de la muestra entre years y rbisyr es de
aproximadamente 0,487. ¿Esto tiene sentido? ¿Cuál es el factor de inflación
de varianza (solo hay uno) para los coeficientes de pendiente en la regresión
múltiple? ¿Dirı́a que hay poca, moderada o fuerte colinealidad entre years y
rbisyr?

SOL

Sı́ debido a que es de esperarse que entre más años tenga en las ligas may-
ores más corridas tendrá en un año en besibol, de modo que es de esperarse que
tengan correlación.

1 1
F IV = 2 = = 1.31
1 − Rj 1 − .2351
De manera que F IV incrementa la varianza del estimador Bj , debido a la cor-
relación. Dado a que la correlación de las variables son de 0.487 y observando
el valor de F IV , se puede decir que presentan una moderada colinealidad.

iii) ¿Cómo es que el error estándar para el coeficiente en años en la regresión

múltiple es menor que su contraparte en la regresión simple?

SOL

dado a que la error estándar es

δ̂
ee(B̂j ) =
1
[ST Cj (1 − Rj2 )] 2

Dado que al agregarse una nueva variable a la regresión, produce que δ̂ disminuya
y con ello una disminuye ee(B̂j )

↓ δ̂
↓ ee(B̂j ) =
1
[ST Cj (1 − Rj2 )] 2

Pregunta C10
Use los datos en HTV.RAW para responder esta pregunta. La base de datos
incluye información sobre sueldos, educación, educación de los padres y otras
variables para 1,230 hombres que trabajaban en 1991.

i) ¿Cuál es el intervalo de la variable educ en la muestra? ¿Qué porcentaje

de hombres completaron la secundaria pero no bachillerato? ¿Los hombres o
sus padres tenı́an, en promedio, niveles de educación mayores?

SOL

El intervalo de educ es de 20-6=18 años de educación.

11
El porcentaje que llegó hasta el grado 12 es de 41.63%.

En promedio los padres tienen como media 12.44 años de educación mientras
que los hombres tienen una media de 13.04 años. De modo que si se tiene
en promedio años de educación menores (también debido a que la desviación
estándar es menor, eso indica que los datos están menos dispersos).

ii) Estime el modelo de la regresión

educ = B0 + B1 motheduc + B2 f atheduc + u

por medio de MCO y reporte los resultados en la forma usual.¿ Cuánta de la

variación en educ de la muestra se explica por la educación de los padres? In-
terprete el coeficiente en motheduc.

SOL

Utilizando Stata obtenemos

De manera que, la estimación del modelo es

educ
d = 6.964 + .3042motheduc + .1903f atheduc

n = 1230 , R2 = .2493
el 24.93% de la variación de educ, se explica por la variación de los padres.

el coeficiente B̂1 = .3042 explica que ante una variación de la variable motheduc
(manteniendo todo lo demás constante), genera una variación de .3042 en educ.

iii) Añada la variable abil (una medida de habilidad cognitiva) a la regresión del
inciso ii), y reporte los resultados en forma de ecuación. ¿La ”habilidad” ayuda
a explicar las variaciones en la educación, aun después de controlar la educación

12
de los padres? Explique.

SOL

De manera que se obtiene

educ
d = 8.4487 + .5025abil + .1891motheduc + .1111f atheduc

n = 1230 , R2 = .4275
Observando R2 podemos concluir que la variable abil si ayuda a explicar parte
de la variabilidad de la variable educ, debido a que ahora con las tres variables
explicativas demuestran el 42.75% de la variabilidad de educ.

iv) Ahora estime una ecuación donde abil aparece en forma cuadrática:

educ = B0 + B1 motheduc + B2 f atheduc + B3 abil + B4 abil2 + u

Usando los estimados B̂3 y B̂4 , use el cálculo para encontrar el valor de abil,
llamado abil∗ , donde educ se minimiza. (Los démas coeficientes y valores de las
variables de la educación de los padres no tienen efecto; se está manteniendo
fija la educación de los padres.) Observe que abil se mide de tal manera que se
permiten valores negativos. También podrı́a verificar que la segunda derivada
es positiva, por lo que en realidad tiene un mı́nimo.

SOL

δ
educ = B0 + B1 motheduc + B2 f atheduc + B3 abil + B4 abil2 + u /
δ abil

13
 δ educ
= B3 + 2B4 abil
δ abil
δ educ
mı́nimizando ( = 0) se obtiene
δ abil
B3
B3 + 2B4 abil = 0 =⇒ abil∗ = −
2B4
Aplicando el crı́terio de la segunda derivada para demostrar si efectivamente es
un mı́nimo
δ 2 educ
= 2B4
δ abil2
Dado que B4 ≥ 0 debido a que ante más habilidad tenga una persona más años
de educación tendra. De manera que, abil∗ es un mı́nimo.

De manera que obteniendo los valores de B̂3 = .4015 y B̂4 = .0506.

.4015
abil∗ = − = −3.9674
2 ∗ .0506
v) Argumente que sólo una pequeña fracción de los hombres en la muestra tienen
una ”habilidad” menor que el valor calculado en el inciso iv) ¿Por qué es esto
importante?.

SOL

El porcentaje de los hombres que obtuvo una cantidad menor al obtenido en el

inciso iv) es de 1.22%. Es importante debido a que aumenta la variable educ
cuando el valor de abil es menor que −3.9674 lo que significa que no es un bueno
modelo cuando se presenten estas situaciones. De manera que, el modelo explica
el 98.78% de los datos.

vi) Si tiene acceso a un programa estadı́stico que incluya capacidades gráficas,

use los estimados del inciso iv) para graficar la relación entre la educ y la abil
pronosticados. Tanto motheduc como f atheduc tienen sus valores promedio en
la muestra, 12.18 y 12.45, respectivamente.

SOL

d = 8.2402 + 0.1901motheduc + 0.1089f atheduc + .4014abil + .0506abil2

educ
En la regresión calculada se remplaza las variables motheduc y f atheduc por
sus promedios motheduc = 12.18 y f atheduc = 12.45.

d = 8.2402 + 2.3154 + 1.3558 + .4014abil + .0506abil2

educ
d = 11.9114 + .4014abil + .0506abil2
educ

14
3 Cápitulo 4
Pregunta 3
La variable rdintens representa el gasto en investigación y desarrollo (I & D)
dado como porcentaje de las ventas. Las ventas (sales) se miden en millones de
dólares. La variable prof marg representa la ganancia como porcentaje de las
ventas.

Empleando los datos del archivo RDCHEM.RAW de 32 empresas de la industria

quı́mica, se estimó la ecuación siguiente:

\ = 0.472 + 0.321log(sales) + 0.50prof marg

rdintens

n = 32 R2 = 0.99
i) Interprete el coeficiente de log(sales). En particular, si sales aumenta en
10%,¿ cuál es la variación estimada en puntos porcentuales en rdintens?¿ Es
este efecto económicamente grande?

SOL

\ = 0.472 + 0.321log(sales) + 0.50prof marg

rdintens /d

\ = 0.321 d(sales) + 0.50d(prof marg)

d(rdintens)
sales
\ = 0.321 ∆sales ∗ 100 + 0.50∆prof marg
∆rdintens
sales 100
\ = 0.00321 %∆sales + 0.50∆prof marg
∆rdintens

15
Por lo tanto, ante una variacion de la variable explicativa sales en un porciento,
\ en una maginitud de 0.00321.
afecta a la variable explicada rdintens

\ se
Si la variable sales aumenta en un 10%, implica que la variable rdintens
ve afectada en 0.0321.

Si bien, parece un el parámetro B̂1 parece un término pequeño, su unidad de

medida está en millones. Por lo tanto si tiene un efecto económicamente grande.

ii) Pruebe la hipótesis de que la intensidad de la R & D no varı́a con sales

contra la alternativa de que aumenta con sales Realice la prueba a los niveles
de significancia de 5 y 10%.

SOL

Haciendo la resolución con stata (codigos: reg rd sales)

Observando la tabla, se puede inferir que se rechaza la hipótesis nula y se acepta

la alternativa, de modo que a un nivel de confianza de 5%, las variación de la
variable sales si afectan a la variable rd.

iii) Interprete el coeficiente de prof marg.¿Es este coeficiente económicamente

grande?

SOL

ante una variación de una unidad de la variable prof marg, genera un cam-
\ al observar el parámetro B̂2 = 0.50 podemos
bio de 0,50 en la variable rdintens
indicar que ante una variación de una unidad de prof marg obtenemos una
variación en rdintens en una magnitud de 0.50. Cómo se puede observar, no es
económicamente grande.

16
Pregunta 10
El análisis de regresión puede emplearse para probar si el mercado emplea de
manera eficiente la información sobre valuación de acciones. En concreto, sea
return el rendimiento total de conservar una acción de una empresa durante
el periodo de cuatro años que va desde fines de 1990 hasta fines de 1994. L
hipótesis de los mercados eficientes dice que estos rendimientos no deben estar
relacionados de manera sistemática con la información conocida en 1990. Si las
caracterı́sticas de una empresa al principio del periodo ayudaran para predecir
los rendimientos de las acciones, entonces esta información podrı́a uusarse para
elegir las acciones.

Para 1990, sea dkr el cociente de deuda sobre capital de una empresa, eps
sean las ganancias por acción, netinc sea el ingreso neto y salary la compen-
sación total del director general.

i) Empleando los datos en el archivo RETURN.RAW, se estimó la ecuación

siguiente:
\ = −14.37 + .321dkr + .043eps − .0051netinc + .0035salary
return

(6.89) (.201) (.078) (.0047) (.0022)

2
n = 142 , R = .0395
Pruebe si al nivel de significancia de 5% las variables explicativas son conjunta-
mente significativas. ¿ Es alguna de las variables explicativas individualmente
significativa?

SOL

17
Como se puede observar por el estadı́stico F=1.41 de manera que, no podemos
rechazar la hipotesis nula (que los parametros en su conjunto no son significa-
tivos estadı́sticamente).

Observando el estadı́stico t , podemos ver que los valores t más grandes pre-
sentes en los datos son los de la variable dkr que es igual al de la variable salary.
Con ese valor t tan pequeño a un nivel de significancia de 5% y gl = 137 no se
rechaza que no sean significativos individualmente.

ii) Ahora se estima el modelo empleando la forma logarı́tmica de netinc y

de salary:
\ = −36.30 + .327dkr + .069eps − 4.74log(netinc) + 7.24log(salary)
return

(39.37) (.203) (.080) (3.39) (6.31)

2
n = 142 , R = .0330
¿Se modifica alguna de sus conclusiones del inciso i)?

SOL

Podemos observar ahora que el estadı́stico F ahora es más pequeño que antes
(F=1.17), de modo que no se puede rechazar la hipotesis nula.

iii) En esta muestra, algunas de las empresas tienen deuda cero y otras tienen
ganancias negativas. ¿Debe tratar de emplearse en el modelo log(dkr) o log(eps)
para ver si con esto mejora el ajuste? Explique.

18
SOL

No, debido a que el dominio de una función logaritmica son los numeros posi-
tivos, de manera que no se puede introducir log a la variable dkr no eps dado
que pueden tomar valores negativos e inclusive cero.

iv) En general, ¿es fuerte o débil la evidencia para la predictibilidad de los

rendimientos de las acciones?

SOL

Dado a los esadı́sticos t que hemos utilizado (y F) parece ser muy debil la
evidencia de predictibilidad de los rendimientos de las acciones. Debido a las
pruebas estadı́sticas que indicaron que son insignificantes (tanto el estadı́stico F
como el estadı́stico t), además las variables explicativas sólo explican el 3.95%
de la variabilidad de total de los rendimientos de las acciones.

Pregunta C12
Use los datos del archivo ECONMATH.RAW para responder las siguientes pre-
guntas.

i) Estime un modelo que explique colgpa a hsgpa, actmth y acteng. Informe

los resultados en la forma habitual. ¿ Todas las variables explicativas son es-
tadı́sticamente significativas?

SOL

19
 colgpa = .0283 + .0122acteng + .0130actmth + .6590hsgpa
(.1677) (.0050) (.0051) (.0530)
n = 814 , R2 = .2557
De manera que, al observar el estadı́stico F podemos concluir que todas las vari-
ables explicativas en su conjunto son estadı́sticamente significativa. Por lo tanto
la hipotesis nula de hsgpa = actmth = acteng = 0 se rechaza por la hipótesis
alternativa.

ii) Considere un aumento en hsgpa de una desviación estándar, aproximada-

\ manteniendo actmth y acteng fijos.
mente 0.343. Por cuánto aumenta colgpa,
Aproximadamente ¿cuántas desviaciones estándar tendrı́a que tener actmth
\ en la misma cantidad que una desviación
para incrementar el cambio colgpa
estándar en hsgpa? Explique

SOL

Ante una variación de la variable hsgpa de 0.343, produce un aumento en la

variable explicativa de

[ = .6590 ∗ d(hsgpa)
d(colpa)

[ = .6590 ∗ .343
d(colpa)
[ = .2261
d(colpa)
por lo tanto, la variable actmth

.2261 = 0.0130d(actmth)

20
 d(actmth) = 17.3923
Dado que la desviación estándar de actmth es de 3.7733, la variable actmth
debe incrementarse en 4.6 desviaciones estándar.

iii) Pruebe la hipótesis nula de que actmth y acteng tienen el mismo efecto
(en la población) contra una alternativa de dos colas. Informe el valor-p y de-
scriba sus conclusiones.

SOL

Por lo tanto, el valor del estadı́stico t=4.5889 (que es muy grande) y gl=810.
De manera que el valor-p es

valor-p = P (|T | > 4.5889) = 2P (T > 4.5889) = 2 ∗ (0.0000003) ≈ 0

Se puede concluir que, para para un nivel de significancia muy pequeño (prac-
ticamente cero pero mayor a al valor-p encontrado), no se rechaza la hipotesis
nula.

iv)Suponga que el oficial de admisiones universitarias quiere que use los datos
de las variables del inciso (i) para crear una ecuación que explique al menos el
\ ¿Qué le dirı́as al oficial?
50 por ciento de la variación en colgpa.

SOL

Que las variables presentes en el modelo sólo explican el 25.57% de la variación

\ y no el 50%. Lo cual tendrá que agregar más variables que estén
total de colgpa
relacionadas con la variable explicada.

21
4 Cápitulo 5
Pregunta 2
Supongo que el modelo

pctstck = B0 + B1 f unds + B2 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,
f unds 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 un alta tolerancia al riesgo). Si f unds y risktol están cor-
relacionadas positivamente, ¿Cuál es la inconsistencia en B̃1 , el coeficiente de
pendiente en la regresión simple de pctstck sobre f unds?.

SOL

Una mayor tolerancia al riesgo significa una mayor disposición a invertir en

el mercado de valores, por lo que B2 > 0. Por supuesto, los fondos y el riesgo
están positivamente correlacionados (δ1 > 0).

plim(B̃1 ) = B1 + B2 δ1

entonces B1 tiene una inconsistencia positiva (sesgo asintótico). Esto tiene

sentido: si omitimos risktol de la regresión y se correlaciona positivamente
con f unds, parte del efecto estimado de f unds se debe realmente al efecto de
risktol.

Pregunta C6
Use los datos del archivo ECONMATH.RAW para responder esta pregunta

i) Lógicamente, ¿cuáles son los valores más pequeños y más grandes que puede
tomar la variable score?. ¿Cuáles son los valores más pequeños y más grandes
en la muestra?.

SOL

La variable score sólo puede tomar valores entre [0 ; 100].

22
Y el valor mı́nimo y máximo que puede tomar en la muestra obtenida es de
19.53 y 98.44, respectivamente.

ii) Considere el modelo lineal poblacional

score = B0 + B1 colgpa + B2 actmth + B3 acteng + u
¿ Por qué no puede asumirse RLM.6 para el término de error u?. ¿Qué conse-
cuencias tiene esto para usar el estadı́stico t habitual para probar H0 : B3 = 0?.

SOL

Debido a que no la variable score está acotada en el intervalo de [0 ; 100]

y la media debe ser de 50 como además de que más del 95% de los datos debe
encontrarse a no más de dos desviaciones estandar de la media. Por lo tanto
el término de error, u, no puede comportarse como una distribución normal en
este ejemplo.

Los problemas asociados cuando no se cumple el supuesto de normalidad del

termino de error son que los estadı́sticos t y F no se comportan como las dis-
tribuciones t y F respectivamente.

iii) Estime el modelo del inciso ii) y obtenga el estadı́stico t y el valor-p

asociado para la prueba H0 : B3 = 0. ¿Cómo defenderı́a sus hallazgos ante al-
guien que hace la siguiente declaración: ”No puede confiar en el valor-p porque
claramente el término de error en la ecuación no puede tener una distribución
normal”.

SOL

23
 score
[ = 16.1740 + .05176acteng + .8834actmth + 12.3662colgpa
(2.8004) (.1111) (.1122) (.7151)
2
n = 814 , R = .3971
De manera que , observando el intervalo de confianza podemos deducir que no se
puede rechazar la hipotesis nula a un nivel de confianza de 5%, donde el valor-p
es de aproximadamente cero como se puede observar en la siguiente imagen

Si bien, el termino de error, u, no se comporta como una distribución normal,

por el teorema del lı́mite central se puede concluir que los estimadores de MCO
satisfacen la normalidad asintótica, lo cual significa que están distribuidos de
manera aproximadamente normal cuando se tienen muestras de tamaño sufi-
cientemente grande. Y en este ejemplo se dispone de un tamaño de muestra
grande que es de 814 datos.

24