1 Considere una ecuación para explicar los sueldos de los directores generales o
CEO en términos de las ventas anuales de la empresa, el rendimiento sobre capital
(roe, en forma de porcentaje), y el rendimiento de las acciones de la empresa (ros, en
forma de porcentaje):
i)En términos de los parámetros del modelo, establezca la hipótesis nula de que,
controlando sales y roe, ros no tiene efecto en el sueldo de los CEO. Establezca la
alternativa de que un mejor desempeño de las acciones de la empresa incremente el
sueldo de los CEO.
H0 : β3 = 0
H1 : β3 > 0
ii) Con los datos de CEOSAL1.RAW, empleando MCO se obtuvo la ecuación
siguiente:
¿Cuál es el porcentaje de aumento de salary que se pronostica si ros aumenta 50
puntos? ¿Tienen ros un efecto práctico grande sobre salary?
(50)(0.00024)=0.012(100)=1.2% y en este caso ros no tiene un efecto práctico grande sobre
el salario.
iii) Pruebe la hipótesis nula que dice que ros no tiene efecto sobre salary contra la
alternativa que dice que ros tiene efecto positivo. Realice la prueba al nivel de
significancia de 10%.
𝐵3 .00024
𝑡= 𝑑𝑒(𝐵3)
= .00054
= 0. 4444
t tablas: 209-4=205 t tablas: 1,286
1,286>0.444
No rechazamos H0, por lo tanto B3 no es estadísticamente significativa en relación al
modelo.
iv) ¿Incluiría usted ros en el modelo final que explica las compensaciones de los CEO
en términos del desempeño de la empresa? Explique
No, ya que no tiene un impacto significativo en el modelo, por consiguiente no afecta la
ausencia de éste en el modelo.
2. En la sección 4.5 se empleó como ejemplo la prueba de si son razonables los
avalúos de precios de casas. Ahí se empleó el modelo log-log para price y assess
[vea la ecuación (4.47)]. Aquí se emplea la formulación nivel-nivel.
i) En el modelo de regresión simple
Primero pruebe la hipótesis H0:B 0 =
0 contra la alternativa de dos colas. Después pruebe H0: B1 = 1 contra la alternativa
de dos colas. ¿Qué concluye?
−14.47
𝑡𝐵0 = 16.27
=− 0. 889
0.976−1
𝑡𝐵1 = .049
=− 0. 489
En ambos casos se rechaza H0 ya que no son significativos y son menores a 0
En conclusión en conjunto ambas variables poseen un impacto en el modelo, pero al
realizar la prueba de forma individual podemos notar que no son significativas. Se
recomienda que se realice una prueba en conjunto.
ii) Para probar la hipótesis conjunta de que H0=b 0 yB 1 = 1, se necesita la SRC del
modelo restringido. Esto es equivalente a calcular ∑i1 n (pricei assessi )2 , donde n
88, ya que los residuales en el modelo restringido son precisamente las diferencias
pricei assessi . (No se necesita ninguna estimación del modelo restringido ya que
ambos parámetros son especificados bajo H0.) Con esto se obtiene SRC 209,448.99.
Realice la prueba F de la hipótesis conjunta
𝑆𝑆𝑅𝑟−𝑆𝑆𝑅𝑛𝑟/𝑞
𝐹= 𝑆𝑆𝑅𝑛𝑟/𝑛−𝑘−1
(209,448.99−165,644.51)/2
𝐹= 165,644.51/(88−2−1)
= 11. 239
Se tomará un nivel de significancia del 5% donde F2,85 y el valor crítico es de
aproximadamente 3.10. Por consiguiente 11. 239>3.10 así que se rechaza H0 B1 y B0 son
diferentes de 0
iii) Ahora, pruebe H0: B2=0, B3 =0 y B4=0 en el modelo
La R-cuadrada de la estimación de este modelo usando las mismas 88 casas es .829.
2 2
(𝑅 𝑛𝑟−𝑅 𝑟)/𝑞
𝐹= 2
(1−𝑅 𝑛𝑟)/(𝑛−𝑘−1)
(0.829−0.820)/3
𝐹= (1−0.829)/88−5−1
= 1. 4385
A un nivel de significancia del 5% donde F 3,82 el valor crítico es de 2.719. Donde
2.719>1.4385 y no se rechaza H0 por lo que es preferible el modelo con menor cantidad de
variables.
iv) Si la varianza de price cambia con assess, lotsize, sqrft o bdrms, ¿qué se puede
decir acerca de la prueba F del inciso iii)?
Si la varianza cambia la prueba F no podrá ser empleada y se tendrá que emplear otra
variación de la prueba F.
3.En el ejemplo 4.7 se usaron datos sobre empresas no sindicalizadas para estimar la
relación entre las tasas de piezas defectuosas (scrap) y otras características de la
empresa. Este ejemplo se verá ahora más de cerca y se emplearán todas las
empresas disponibles
i) El modelo poblacional estimado en el ejemplo 4.7 puede escribirse como
Compare esta ecuación con la estimada empleando sólo las 29 empresas no
sindicalizadas de la muestra.
En este caso el error estándar en hrsemp es el mismo pero la magnitud del coeficiente ha
incrementado a la mitad. El coeficiente es estadísticamente menor que cero al nivel de 5%.
ii) Muestre que el modelo poblacional puede expresarse también de la manera
siguiente
log(𝑠𝑐𝑎𝑟𝑝) = 𝛽0 + 𝛽1 ℎ𝑟𝑠𝑒𝑚𝑝 + [𝛽2 log(𝑠𝑎𝑙𝑒𝑠) − 𝛽2 log(𝑒𝑚𝑝𝑙𝑜𝑦)] + [𝛽2 log(𝑒𝑚𝑝𝑙𝑜𝑦) + 𝛽3
log(𝑒𝑚𝑝𝑜𝑦)] + 𝑢 log(𝑠𝑐𝑎𝑟𝑝)
Interpretando H0
log(𝑠𝑐𝑎𝑟𝑝)= 𝛽0 + 𝛽1 ℎ𝑟𝑠𝑒𝑚𝑝 + 𝛽2 log(𝑠𝑎𝑙𝑒𝑠⁄𝑒𝑚𝑝𝑙𝑜𝑦) + (𝛽2 + 𝛽3 )log(𝑒𝑚𝑝𝑙𝑜𝑦) + 𝑢
iii) Estimando la ecuación del inciso ii) se obtiene
Controlando la capacitación de los trabajadores (hrsemp) y el cociente
ventas-empleado (sales/employ), ¿tienen las firmas más grandes tasas de piezas
defectuosas estadísticamente significativas mayores?
No, ya que nos concentramos en el coeficiente de log (employ), que tiene una estadística t
pequeña. En conclusión el tamaño de la empresa, según lo medido por los empleados, no
posee un efecto significativo, una vez que mantenemos el entrenamiento y las ventas por
empleado.
iv) Pruebe la hipótesis de que un aumento de 1% en sales/employ corresponde a una
disminución de 1% en la tasa de piezas defectuosas.
H0: β2 = -1. El estadístico t es [-0,951 - (-1)] /0,37 = (1 - 0,951) / 0,37 = 0,132 .
El estadístico t no es estadísticamente representativo para poder rechazar Ho, por lo que se
debería optar realizar otro tipo de alternativa ya sea de 1 o de dos colas
