EJEMPLO DE RESULTADOS DE REGRESIONES SIMPLES

Se usa la base de datos de 500 personas que se usó en ejercicios anteriores

El ejemplo se basa en la teoría del capital humano que plantea que la educación
aumenta los ingresos de las personas porque las hace más productivas.

Lo siguientes comandos crean una nueva variable que es el logaritmo del ingreso
laboral
. gen ling = ln(inglabo)
(249 missing values generated). Se debe a que el logaritmo de cero no existe
. label var ling "Logaritmo Ingreso Laboral"

Los siguientes comandos crean una nueva variable que es logaritmo del ingreso laboral
por hora traajada
. gen ling_hora = ln(inglabo/(p6800*4.29))
(249 missing values generated. Se debe a que el logaritmo de cero no existe.
. label var ling_hora "Ingreso laboral por hora de trabajo"

PRIMERA REGRESIÓN

Regresión entre ingreso laboral mensual y años de educación

variable name type format label variable label

inglabo long %12.0g ingresos laborales
esc byte %8.0g años de escolaridad

. reg inglabo esc

Source | SS df MS Number of obs = 254

-------------+---------------------------------- F(1, 252) = 47.02
Model | 4.1944e+13 1 4.1944e+13 Prob > F = 0.0000
Residual | 2.2479e+14 252 8.9203e+11 R-squared = 0.1572
-------------+---------------------------------- Adj R-squared = 0.1539
Total | 2.6674e+14 253 1.0543e+12 Root MSE = 9.4e+05

------------------------------------------------------------------------------
inglabo | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esc | 100888.4 14712.87 6.86 0.000 71912.54 129864.2
_cons | -74602.94 166868.7 -0.45 0.655 -403237.9 254032
------------------------------------------------------------------------------

J. Tenjo 1
SEGUNDA REGRESIÓN

Regresión entre el logaritmo del ingreso laboral mensual y los años de educación

variable name type format label variable label

ling float %9.0g Logaritmo Ingreso Laboral
esc byte %8.0g años de escolaridad

. reg ling esc

Source | SS df MS Number of obs = 250 Commented [ARE1]: GRADOS DE LIBERTAD

-------------+---------------------------------- F(1, 248) = 44.69
Model | 25.1653497 1 25.1653497 Prob > F = 0.0000 Commented [ARE2]: VARIACION PROMEDIO POR
Residual | 139.649216 248 .563101677 R-squared = 0.1527 GRADOS DE LIBERTAD
-------------+---------------------------------- Adj R-squared = 0.1493
Total | 164.814566 249 .661905886 Root MSE = .7504 Commented [ARE3]: SE
Commented [ARE4]: RESIDUO
------------------------------------------------------------------------------
ling | Coef. Std. Err. t P>|t| [95% Conf. Interval] Commented [ARE5]: PORCENTAJE DE VARIACION
-------------+---------------------------------------------------------------- TOTAL EXPLICADA POR EL MODELO
esc | .0783982 .0117273 6.69 0.000 .0553004 .101496
_cons | 12.69 .1333678 95.15 0.000 12.42732 12.95268 Commented [ARE6]: SST
------------------------------------------------------------------------------

TERCERA REGRESIÓN

variable name type format label variable label

ling_hora float %9.0g Ingreso laboral por hora de trabajo
esc byte %8.0g años de escolaridad

. reg ling_hora esc

Source | SS df MS Number of obs = 250

-------------+---------------------------------- F(1, 248) = 89.82
Model | 36.4563212 1 36.4563212 Prob > F = 0.0000
Residual | 100.660698 248 .40588991 R-squared = 0.2659
-------------+---------------------------------- Adj R-squared = 0.2629
Total | 137.117019 249 .550670758 Root MSE = .63709

------------------------------------------------------------------------------
ling_hora | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esc | .0943607 .0099565 9.48 0.000 .0747505 .1139709
_cons | 7.285443 .1132301 64.34 0.000 7.062427 7.508458
----------------------------------------------------------------------------- -

J. Tenjo 2