Estadstica e Introduccin a la Econometra

Curso 2012-13
Ejercicios del Tema 6
Soluciones
1.- La siguiente tabla contiene los resultados de la prueba de aptitud para el acceso a la universidad
en Estados Unidos (ACT ) y la nota media en la universidad (GP A) de 8 estudiantes universitarios:
GP A
2:8
3:4
3:0
3:5
3:6
3:0
2:7
3:7

ACT
21
24
26
27
29
25
25
30

Utilizando estos datos:

a) Estime los parmetros del modelo
GP A =

1 ACT

+u

y presente los resultados en forma de ecuacin.

b) El trmino constante se presta a interpretacin en este caso? Explique la respuesta.
c) En cunto se predice que aumente la nota media en la universidad si el resultado del test de
aptitud aumenta en 5 puntos?
d) Calcule los valores ajustados y los residuos para cada observacin y compruebe que la suma
de los residuos es cero.
e) Qu valor predice el modelo para la nota media para los individuos que han obtenido 20
puntos en el test de aptitud?
f ) Qu proporcin de la variacin de GP A de estos 8 estudiantes se explica por ACT ?
Solucin:
a) Tenemos que calcular
b = Sxy
1
Sx2

b =y
0

b x
1

para eso vamos a calcular primero la media de ACT y de GP A; la varianza de ACT y la covarianza entre
ACT y GP A
ACT = 25:875 GP A = 3:2125
2
SACT
= 8:125 SACT;GP A = 0:83035714
Los parmetros estimados son:

y por tanto

b =y
0

b = 0:83035714 = 0:1022
1
8:125

b x = 3:2125 + 0:1022
1

25:875 = 0:5681

[
GP
A = 0:5681 + 0:1022 ACT
1

b) El trmino constante mide la prediccin para la variable dependiente cuando la variable

explicativa es cero, por tanto como en este ejercicio no tiene sentido que la puntuacin del test de aptitud
sea cero, la constante no se presta a interpretacin.
c) El modelo estimado predice que si el resultado del test de aptitud aumenta en 5 puntos la nota
media de la universidad aumentar en 0:1022 5 = 0:511 puntos.
d)
[
[
GP A ACT GP
A = 0:5681 + 0:1022 ACT u
b = GP A GP
A
2:8
21
2:7143
0:0857
3:4
24
3:0209
0:3791
3:0
26
3:2253
0:2253
3:5
27
3:3275
0:1725
3:6
29
3:5319
0:0681
3:0
25
3:1231
0:1231
2:7
25
3:1231
0:4231
3:7
30
3:6341
0:0659
La suma de los residuos es -0.0002 (no es exactamente cero por los errores de redondeo).
e) El modelo predice que la nota media para los individuos que han obtenido 20 puntos en el test
de aptitud es 0:5681 + 0:1022 20 = 2:6121 puntos.
f ) Tenemos que calcular el R2
SCR
R2 = 1
SCT
n
n
X
X
SCR =
u
b2i = 0:4347 y SCT =
(yi y)2 = 1:0288 ) R2 = 1 0:4347
1:0288 = 0:5775. ACT explica el
i=1

i=1

57:75% de la variacin de GP A:

2.- Considere la funcin de consumo lineal estimada utilizando una muestra de ingresos (renta) y
consumos (cons) anuales (ambos medidos en dlares) para una muestra de 100 familias americanas:
cons
d =

124:84 + 0:853 renta

R2 = 0:692

n = 100;

a) Interprete el trmino constante de esta ecuacin y comente su signo y su magnitud.

b) Interprete la pendiente de esta ecuacin.
c) Cul es la prediccin para el consumo de una familia cuyos ingresos son de 30000 dlares?
d) Qu proporcin de la variacin en el consumo viene explicada por la renta?
e) Suponga que utilizando la misma muestra medimos el consumo de las familias en miles de
dlares. Calcule los nuevos parmetros estimados del modelo y el R2 : Si medimos ahora tambin los
ingresos en miles de dlares, cules seran los nuevos parmetros estimados del modelo y el R2 ?
Solucin:
a) La constante, 124:84, mide el consumo predicho para una familia con 0 dlares de renta.
Evidentemente esto no tiene ningn sentido, y reeja que esta funcin de consumo predice muy mal el
consumo para niveles muy bajos de renta.
b) La pendiente, 0:853; mide la propensin marginal al consumo. Es decir, se estima que si el
ingreso del hogar aumentara en un dlar el consumo aumentara en 0:853 dlares.
c) La prediccin para el consumo de una familia cuyos ingresos son de 30; 000 dlares es:
cons
d =

124:84 + 0:853

30; 000 = 25; 465:16$

d) El R2 mide la proporcin de la variacin en la variable dependiente explicada por la variable

independiente. En este caso la renta explica el 69:2% de la variacin en el consumo.
e) Sea consm el consumo en miles de dlares. La relacin entre la variable en miles de dlares y
en dlares es:
cons
consm =
1000
El cambio de unidades en la variable dependiente supone que hay que dividir las estimaciones para la
constante y para la pendiente por 1000; con lo que el modelo estimado es

consm
\ =

0:12484 + 0:000853 renta

R2 = 0:692

n = 100;

El R2 no vara al cambiar las unidades de medida.

Sea consm el consumo en miles de dlares. La relacin entre la variable en miles de dlares y en
dlares es:
renta
rentam =
1000
El cambio de unidades en la variable dependiente supone que hay que multiplicar la estimacin para
la pendiente por 1000; con lo que el modelo estimado es

consm
\ =

0:12484 + 0:853 rentam

R2 = 0:692

n = 100;
El R2 no vara al cambiar las unidades de medida.

3.- En base a una muestra de de 935 individuos para los que se observa el salario mensual (wage) en
dlares y el resultado de un test de inteligencia (IQ) se han obtenido las siguientes estimaciones MCO:
wage
[ = 117 + 8:3IQ
wage
[ = 2628 + 778:5 log(IQ)
\ = 5:9 + 0:0088IQ
log(wage)
\ = 2:94 + 0:83 log(IQ)
log(wage)

(1)
(2)
(3)
(4)

a) Cul de estos modelo supone que un aumento de un punto en el test de inteligencia IQ

implica una variacin de una cantidad constante en dlares en la media de wage? En base a ese modelo,
estime la variacin en el salario medio ante un aumento de 10 puntos en el resultado del test.
b) Cul de estos modelo supone que cada aumento de un punto en el test de inteligencia IQ
tiene el mismo efecto porcentual sobre wage? En base a ese modelo, calcule la variacin porcentual en el
salario predicho ante un aumento de 10 puntos en el resultado del test.
c) Compare los resultados obtenidos en los apartados anteriores para un individuo cuyo salario
mensual coincide con el salario medio en la muestra (el salario medio en la muestra es 958 dlares).
d) Cul de estos modelos supone que el aumento de un 1% en el test de inteligencia IQ tiene
siempre, en media, el mismo efecto porcentual sobre wage? En base a ese modelo, calcule la variacin
porcentual estimada en el salario ante un aumento del 10 por ciento en el resultado del test. En este
modelo, obtenga el incremento salarial que experimentar un individuo que tenga el salario medio y
el resultado de IQ medio de la muestra ante un aumento del 10% en el resultado del test (la media
del resultado del test de inteligencia en la muestra 101). Compare este resultado con el obtenido en el
apartado b) para dicho individuo.
e) Calcule las pendientes estimadas para cada modelo si medimos el salario en cientos de dlares.
3

Solucin:
a) El modelo que supone que una variacin en una unidad en la variable explicativa implica una
variacin constante en la media de la variable dependiente es el modelo lineal en niveles (1). En este
ejercicio, se estima que si IQ aumenta en 10 puntos el salario medio aumentar en 8:3 10 = 83 dlares.
b) El modelo que supone que una variacin en una unidad en la variable explicativa supone un
cambio porcentual constante en la variable dependiente es el modelo log-nivel (3). En este ejercicio, se
estima que si IQ aumenta en 10 el salario aumentar en media un 100 0:0088 10 = 8:8%.
c) Segn el modelo (1) el aumento del salario en dlares sera de 83 dlares y segn el modelo (3)
del 8:8%, que dado su salario equivale a 0:088 958 = 84:3 dlares (muy similar a la estimacin basada
en el modelo (1)).
d) El modelo que supone una variacin porcentual constante en la variable dependiente ante un
incremento porcentual de la variable explicativa es el modelo en log-log, cuyas estimaciones se presentan
en la ecuacin (4). Utilizando dichas estimaciones, se obtiene que ante un aumento de un 10% en el
resultado del test, la variacin porcentual media en el salario ser de un 8:3%. Para un individuo con los
valores medios de las variables, un aumento de un 10% en el test supondr un aumento de 0:1 101 = 10:1
puntos. Segn el modelo (4), ante este aumento en el resultado del test, el incremento en salario ser, en
media, de un 8:3%, que dado su salario equivale a 0:083 958 = 79:5 dlares. Comparando los resultados
con los obtenidos en el apartado b), ante un incremento del resultado del test similar (de 10 puntos) el
aumento en el salario medio en este apartado es similar, aunque ligeramente menor, que el que se estima
utilzando el modelo (3).
e) Si llamamos wage100 al salario en cientos de dlares tenemos que
wage
wage100 =
100
por tanto, en los modelos (1) y (2) tenemos que dividir la pendiente por 100. Es decir en el modelo (1) el
8:3
coeciente estimado de IQ sera 100
= 0:083; y en el modelo (2) el coeciente estimado de log(IQ) sera
778:5
100 = 7:785:
En los modelos (3) y (4) la pendiente no cambia ya que la variable wage est en logaritmos.
4.- Considere el siguiente modelo que relaciona el peso del beb al nacer (peso) con el consumo de
cigarrillos de la madre durante el embarazo (cigs)
peso =

1 cigs

+u

Utilizando una muestra de 1388 nacimientos se han obtenido los siguientes resultados
peso
d = 3395:5
(16:23)

n = 1388;

14:57cigs
(2:56)

R2 = 0:0227

donde peso est medido en gramos y cigs en nmero de cigarrillos diarios.

a) Interprete la pendiente de esta ecuacin.
b) Cul es el peso predicho si la madre no ha fumado durante el embarazo? y si la madre fuma
un paquete diario (cigs = 20)? Comente la diferencia.
c) Implica necesariamente esta regresin simple que existe un efecto causal del hbito de fumar
de la madre sobre el peso del beb al nacer? Razone su respuesta.
d) Para predecir un peso de 3 kilos y medio a qu tendra que ser igual cigs? Comente la
respuesta.
Solucin:
a) La pendiente, 14:57, mide la variacin en el peso medio ante un aumento de una unidad en
el nmero de cigarrillos que fuma la madre durante el embarazo. El modelo predice que si las madres
fumaran un cigarrillo ms al da los bebs pesaran en media 14:57 gramos menos.
4

b) Si la madre no ha fumado durante el embarazo el peso predicho es de 3395:5 gramos. Si la madre

ha fumado un paquete diario durante el embarazo el peso predicho es de peso
d = 3395:5 14:57 20 = 3104:1
gramos. El modelo estimado predice que fumar un paquete de tabaco al da durante el embarazo supone
una prdida de peso para el beb de casi 300 gramos.
c) No, ya que hay muchos otros factores que inuyen en el peso del beb y que pueden estar
correlacionados con el consumo de cigarrillos como la salud general de la madre, el consumo de alcohol u
otras substancias, la renta, etc.
d) Para que el modelo prediga un peso de 3.5 kilos el consumo diario de cigarrillos debera ser
negativo, lo cual no tiene ningn sentido. El modelo no sirve para ese rango de valores.
5.- Considere el siguiente modelo que relaciona el tiempo dedicado a dormir con el tiempo dedicado
al trabajo remunerado
sleep = 0 + 1 totwrk + u
donde sleep son los minutos de sueo nocturno semanales y totwrk es el nmero de minutos de trabajo
remunerado a la semana. Utilizando los datos del chero SLEEP75 del libro de Wooldridge:
a) Estime este modelo y presente en forma de ecuacin los parmetros estimados, los errores
estndar, el nmero de observaciones y el R2 .
b) Interprete el trmino constante y la pendiente.
c) Qu porcentaje de la variacin del tiempo dedicado a dormir viene explicado por el tiempo
dedicado al trabajo?
d) Si aumenta en dos horas el tiempo semanal dedicado al trabajo, en cunto se estima que
disminuir el tiempo medio dedicado a dormir?
Solucin:
a)

Model 1: OLS, using observations 1-706

Dependent variable: sleep
coefficient std. error t-ratio p-value
--------------------------------------------------------const
3586.38
38.9124
92.17 0.0000 ***
totwrk
-0.150746 0.0167403 -9.005 1.99e-018 ***
Mean dependent var
Sum squared resid
R-squared
F(1, 704)

3266.356
1.25e+08
0.103287
81.08987

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)

[ = 3586:4
sleep
(38:91)

444.4134
421.1357
0.102014
1.99e-18

0:1507totwrk
(0:0167)

n = 706;

R = 0:103

b) La constante, 3586:3; mide la prediccin del tiempo dedicado al sueo para los individuos que
no trabajan y por tanto el modelo predice que un individuo que no trabaja duerme 3586:3 minutos a la
5

semana (59:7 horas). En cuanto a la pendiente, 0:1507, mide la variacin en tiempo dedicado al sueo
ante un aumento de una unidad en el tiempo dedicado al trabajo. El modelo predice que si el individuo
trabaja un minuto ms a la semana dedicar 0:1507 minutos menos a dormir.
c) El R2 mide la proporcin de la variacin en la variable dependiente explicada por la variable
independiente. En este caso el tiempo dedicado al trabajo explica el 10:3% de la variacin en el tiempo
dedicado al sueo.
d) Si aumenta en dos horas el tiempo semanal dedicado al trabajo se estima que los individuos
dedicarn, en media, 2 60 0:1507 = 18:084 minutos menos a dormir.
6.- Para la poblacin de empresas de la industria qumica, sea rd los gastos anuales en I+D y sales
las ventas anuales (ambos expresados en millones de dlares).
a) Proponga un modelo de elasticidad constante que relacione el gasto en I+D con las ventas,
Qu parmetro mide la elasticidad?
b) Utilizando los datos del chero RDCHEM del libro de Wooldridge, estime el modelo del
apartado a) y presente en forma de ecuacin los parmetros estimados, los errores estndar, el nmero
de observaciones y el R2 .
c) Cul es la elasticidad estimada del gasto en I+D con respecto a las ventas? Explique con
palabras qu signica esta elasticidad.
d) Cmo variara el coeciente estimado de las ventas si estas se midieran en miles de dlares?
Razone su respuesta.
Solucin:
a) Para que la elasticidad sea constante el modelo tiene que ser lineal en logaritmos
log(rd) =
1

1 log(sales)

+u

mide la elasticidad del gasto en I+D con respecto a las ventas.

b)

Model 1: OLS, using observations 1-32

Dependent variable: l_rd
coefficient std. error t-ratio p-value
--------------------------------------------------------const
-4.10472 0.452768 -9.066 4.27e-010 ***
l_sales
1.07573 0.0618275 17.40 3.20e-017 ***
Mean dependent var
Sum squared resid
R-squared
F(1, 30)

3.602825
8.407684
0.909835
302.7216

\ =
log(rd)

S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)

4:105 + 1:076 log(sales)

(0:0618)

(0:453)

n = 32;

R = 0:91

1.734352
0.529392
0.906829
3.20e-17

c) La elasticidad estimada es 1:076 y por tanto un aumento en las ventas del 1% supone un
incremento en el gasto en I+D del 1:076%
d) Puesto que las ventas estn en logaritmos, el coeciente estimado de las ventas no cambia ante
un cambio en las unidades de medida de las ventas.
7.- El chero CEOSAL2 del libro de Wooldridge contiene informacin sobre directores generales de
empresas americanas. La variable salary es la remuneracin anual en miles de dlares y ceoten es el
nmero de aos de antigedad en el puesto de director general.
a) Proponga un modelo para el que un aumento de un ao el cargo de director general suponga
siempre el mismo aumento porcentual en el salario.
b) Estime el modelo del apartado a) y presente los parmetros estimados, los errores estndar,
el nmero de observaciones y el R2 en una ecuacin.
c) Interprete la pendiente de esta ecuacin.
Solucin:
a) Para que un aumento en un ao el cargo de director general suponga siempre el mismo aumento
porcentual en el salario tenemos que considerar un modelo log-lineal
log(salary) =

1 coeten

+u

b)

Model 1: OLS, using observations 1-177

Dependent variable: l_salary
coefficient
std. error
t-ratio
p-value
--------------------------------------------------------const
6.50550
0.0679911
95.68 4.84e-153 ***
ceoten 0.00972363 0.00636448 1.528
0.1284
Mean dependent var 6.582848 S.D. dependent var 0.606059
Sum squared resid
63.79531 S.E. of regression
0.603775
R-squared
0.013163 Adjusted R-squared 0.007523

\
log(salary)
=

6:51 + 0:00972ceoten

(0:068)

n = 177;

(0:00636)

R2 = 0:013

c) La pendiente de esta ecuacin supone que un aumento de 1 ao en el nmero de aos que lleva
en la empresa el director general implica, en media, un aumento del salario del 100 0:00972 = 0:972%: