INGENIERÍA COMERCIAL - ECONOMETRIA I

Problemas Tema V Variables Binarias

CON SOLUCIÓN

1. Para analizar el salario de los profesores universitarios se utiliza el modelo:

salario = β0 + β1 Homb + β2 Blanco + β3 Homb · Blanco + β4 exper + u
donde salario es el salario anual del profesor en miles de dólares, exper son los años de
experiencia docente, Homb es una variable binaria que vale 1 si el profesor es hombre y
Blanco es otra variable binaria que vale 1 si el profesor es de raza blanca.
a) Determine el salario medio para:
a.1) Hombres de raza blanca.
SOLUCIÓN:
E(salario|Homb = 1, Blanco = 1, exper) = β0 + β1 + β2 + β3 + β4 exper
a.2) Mujeres de raza blanca.
SOLUCIÓN:
E(salario|Homb = 0, Blanco = 1, exper) = β0 + β2 + β4 exper
a.3) Hombres de raza no blanca.
SOLUCIÓN:
E(salario|Homb = 1, Blanco = 0, exper) = β0 + β1 + β4 exper
a.4) Mujeres de raza no blanca.
SOLUCIÓN:
E(salario|Homb = 0, Blanco = 0, exper) = β0 + β3
b) ¿Cuál es la diferencia en el salario medio entre
b.1) hombres blancos y mujeres blancas con la misma experiencia laboral?
SOLUCIÓN:
E(salario|Homb = 1, Blanco = 1, exper)−E(salario|Homb = 0, Blanco = 1, exper) = β1 +β3
b.2) hombres blancos y hombres no blancos con la misma experiencia laboral?
SOLUCIÓN:
E(salario|Homb = 1, Blanco = 1, exper)−E(salario|Homb = 1, Blanco = 0, exper) = β2 +β3
b.3) mujeres blancas y mujeres no blancas con la misma experiencia laboral?
SOLUCIÓN:
E(salario|Homb = 0, Blanco = 1, exper)−E(salario|Homb = 0, Blanco = 0, exper) = β2
b.4) hombres no blancos y mujeres no blancas con la misma experiencia laboral?
SOLUCIÓN:
E(salario|Homb = 1, Blanco = 0, exper)−E(salario|Homb = 0, Blanco = 0, exper) = β1

1
 c) ¿Cómo contrastarı́a la hipótesis “La diferencia en el salario medio entre blancos y no
blancos con la misma experiencia laboral es la misma para hombres y mujeres?
SOLUCIÓN:
El coeficiente β3 mide las diferencias salariales entre hombres y mujeres de distinta
raza. Por tanto β3 mide la diferencia en el diferencial salarial por sexo entre individuos
blancos y no blancos y también la diferencia en el diferencial salarial por raza entre
hombres y mujeres.
Observa que si β3 = 0 entonces la diferencia salarial entre hombres y mujeres es la
misma para blancos y no blancos. Por otro lado, también se tiene que la diferencia
salarial entre blancos y no blancos serı́a la misma para hombres que para mujeres.
Tenemos que contrastar si β3 es igual a cero o no:

H0 : β3 = 0
H1 : β3 6= 0

El estadı́stico de contraste es
βb3
t= ∼ tN −5 bajo H0 .
SE(βb3 )

Rechazaremos H0 a nivel α si |t| > tN −5,α/2 .

2. Considere el siguiente modelo para el peso de un bebé al nacer

log(bwght) = β0 + β1 cigs + β2 log(f aminc) + β3 parity + β4 male + β5 white + u

donde bwght es el peso del bebé al nacer en onzas, cigs es el número de cigarrillos diarios
que consumió la madre durante el embarazo, f aminc es la renta de la familia en miles de
dólares, parity es el orden de nacimiento del niño, male es una variable ficticia que vale 1
si el bebé es un varón, white es otra variable ficticia que vale 1 si el bebé es de raza blanca.
Utilizando los datos sobre 1388 nacimientos del fichero BWGHT del libro de Wooldridge
se ha estimado el modelo obteniéndose los siguientes resultados:

log(bwght)
d = 4,66 − 0,0044 cigs + 0,0093 log(f aminc) + 0,016 parity
(0,022) (0,00085) (0,0059) (0,0056)
+0,027 male + 0,055 white
(0,010) (0,013)
2
n = 1388, R = 0,047

a) Manteniendo todos los demás factores constantes ¿Cuál es el efecto de fumar 10

cigarrillos más al dı́a sobre el peso del bebé al nacer?
SOLUCIÓN:
El efecto de fumar 10 cigarrillos más al dı́a es un decrecimiento estimado en 0,44 %
en el peso del bebé al nacer.
b) Manteniendo todos los demás factores constantes ¿Pesan más en promedio los bebés
de raza blanca que los de raza no blanca? ¿Cuánto más? ¿Es esa diferencia estadı́sti-
camente significativa?

2
 SOLUCIÓN:
Según la estimación los bebés de raza blanca pesan un 5,5 % más que los bebés de
raza no blanca. Contrastemos si esta diferencia es significativa:

H0 : β5 = 0
H1 : β5 6= 0

El estadistico del contraste es

βb5
t= ∼ t1388−6 bajo H0
SE(βb5 )

El valor del estadı́stico es

0,055
t= = 4,2308
0,013
El p − valor de t = 4,2308 es

p − valor = 2 ∗ P (t1382 > 4,2308) = 0

Por tanto, se rechaza la hipótesis nula para todo nivel de significación. Hay evidencias
de que las diferencias en el peso al nacer de bebés de raza blanca y no blanca son
estadı́sticamente significativas.
c) Manteniendo todos los demás factores constantes ¿Pesan más en promedio los niños
que las niñas? ¿Cuánto más? ¿Es esa diferencia estadı́sticamente significativa?
SOLUCIÓN:
Según la estimación los niños pesan un 2,7 % más que las niñas. Contrastemos si esta
diferencia es significativa:

H0 : β4 = 0
H1 : β4 6= 0

El estadistico del contraste es

βb4
t= ∼ t1382 bajo H0
SE(βb4 )

El valor del estadı́stico es

0,027
t= = 2,7
0,010
El p − valor de t = 2,7 es

p − valor = 2 ∗ P (t1382 > 2,7) = 0,007

Por tanto, se rechaza la hipótesis nula para todo nivel de significación mayor que
0,7 %. Para un nivel de significación del 5 % se rechaza la hipótesis nula y por tanto,
hay evidencias de que las diferencias en el peso al nacer de los niños y las niñas son
estadı́sticamente significativas.

3
 d ) Manteniendo todos los demás factores constantes ¿Qué diferencia hay en promedio
entre el peso de los varones de raza blanca y de las hembras de raza no blanca?
SOLUCIÓN:
En el modelo la diferencia en el peso entre los varones de raza blanca y las hembras
de raza no blanca es :

E(log(bwght)|cigs, f aminc, parity, male = 1, white = 1)

− E(log(bwght)|cigs, f aminc, parity, male = 0, white = 0)
= β4 + β5

Según la estimación la diferencia en el peso entre los niños de raza blanca y las niñas
de raza no blanca es: 0,027 + 0,055 = 0,082. Los niños de raza blanca pesan en
promedio un 8,2 % más que las niñas de raza no blanca.

3. Se desea analizar si existen diferencias en la función de producción entre las empresas del
sector A y las del sector B. Para eso se considera el modelo de regresión
log Yi = β1 Ai + β2 Bi + β3 (Ai ∗ log Li ) + β4 (Bi ∗ log Li ) + β5 (Ai ∗ log Ki ) + β6 (Bi ∗ log Ki ) + ui
donde Yi es la producción, Li es el trabajo y Ki es el capital de la empresa i, y

1 si la empresa i pertenece al sector A
Ai =
0 si la empresa i no pertenece al sector A

1 si la empresa i pertenece al sector B
Bi =
0 si la empresa i no pertenece al sector B
Explique cómo contrastarı́a las siguientes hipótesis:
a) La función de producción es idéntica en los dos sectores.
SOLUCIÓN:
Para que la función de producción sea la misma en los dos sectores debe cumplirse
que β1 = β2 , β3 = β4 y β5 = β6 . Por tanto, debemos realizar el contraste:

H0 : β1 = β2 ; β3 = β4 ; β5 = β6
H1 : β1 6= β2 y/ó β3 6= β4 y/ó β5 6= β6

b) Las elasticidades de la producción respecto al empleo y al capital son idénticas en los

dos sectores.
SOLUCIÓN:
La elasticidad de la producción respecto del empleo viene dada por el coeficiente de
log(Li ) y la elasticidad respecto del capital viene dada por el coeficiente de log(Ki ).
Para que las elasticidades de la producción respecto al empleo y al capital sean idénti-
cas en los dos sectores debe cumplirse que β3 = β4 y β5 = β6 . Por tanto, debemos
realizar el contraste:

H0 : β3 = β4 ; β5 = β6
H1 : β3 6= β4 y/ó β5 6= β6

4
 c) Los rendimientos a escala de la función de producción son idénticos en los dos sectores.
SOLUCIÓN:
Los rendimientos a escala de la función de producción vienen dados por la suma
de los coeficientes de log(Li ) y log(Ki ). Los rendimientos a escala de la función de
producción para las empresas del sector A son β3 + β5 y para las empresas del sector
B son β4 + β6 . Por tanto, para contrastar si los rendimientos a escala de la función
de producción son idénticos en los dos sectores debemos realizar el contraste:

H0 : β3 + β5 = β4 + β6
H1 : β3 + β5 6= β4 + β6

4. Para contrastar la efectividad de un programa de formación laboral sobre los salarios

posteriores de los trabajadores, especificamos el modelo

log(wage) = β0 + β1 train + β2 educ + β3 exper + u

donde train es una variable binaria con valor 1 si el trabajador participó en el programa.
Pensemos que el término de error contiene caracterı́sticas no observables del trabajador.
Si los trabajadores menos hábiles tienen mayores posibilidades de ser seleccionados para
el programa, y se usa un análisis MCO, ¿qué se puede decir sobre el sesgo probable en el
estimador MCO de β1 ?
SOLUCIÓN:
Dado que los trabajadores menos hábiles tienen mayores posibilidades de ser seleccionados
para el programa la variable train va a estar correlacionada con el error y por tanto, el
estimador MCO de β1 va a estar sesgado. El signo del sesgo va a ser negativo, puesto
que a mayor habilidad esperarı́amos mayor salario, y la correlación entre la habilidad y la
variable train es negativa (menor habilidad mayor probabilidad de ser seleccionado para
el programa), por tanto, el estimador MCO de β1 estará infraestimando el valor real de
β1 , es decir, se estarı́a infraestimando el efecto que el programa tiene el el salario.

5. La estimación de la diferencia en el consumo medio de cervezas entre hombres y mujeres

con renta 25mil dólares al año según la muestra es −126 − 1,3 ∗ 25 = −158, 5 dólares al
año.

a) b.1) Tenemos que contrastar:

H0 : β2 = β3 = 0
H1 : β2 6= 0 y/ó β3 6= 0

El modelo restringido β2 = β3 = 0 es el modelo

cerv = β0 + β1 Renta + u

cuyo R-cuadrado es 0,1355.

El estadı́stico del contraste es
(R2 − Rr2 )/2
F = ∼ F2,30 bajo H0
(1 − R2 )/30

5
 El valor del estadı́stico es
(0,5055 − 0,1355)/2
F = = 11,2235
(1 − 0,5055)/30

b.2) La propensión marginal al consumo es

∂cerv
= β1 + β3 M uj
∂renta
Para contrastar si la propensión marginal al consumo de cerveza es mayor para los
hombres que para las mujeres debemos contrastar:

H0 : β3 = 0
H1 : β3 < 0

El estadı́stico de contraste es:

βb3
t= ∼ t30 bajo H0
SE(βb3 )
Para esta muestra t = −0,13/0,1 = −1,3.

6. a) Estimación

log(salary
d i) = 4,89 + 0,224 log(salesi ) + 0,124 f inancei + 0,239 consprodi
(0,275) (0,032) (0,089) (0,083)
−0,253 utilityi
(0,097)
T = 209, SCR = 44,33

b) El contrate es

H0 : β2 = β3 = β4 = 0
H1 : β2 6= 0 y/ó β3 6= 0 y/ó β4 6= 0

El modelo restringido es

log(salary) = β0 + β1 log(sales) + u

Su estimación es

log(salary
d i) = 4,82 + 0,257 log(salesi )
(0,288) (0,035)
T = 209, SCR = 52,66

El estadı́stico del contraste es

(SCRr − SCR)/3
F = ∼ F3,204 bajo H0
SCR/204
El valor del estadı́stico para la muestra es
(52,66 − 44,33)/3
F = = 12,78
44,33/204

6
 c) La diferencia porcentual promedio en el salario entre los sectores servicios e industrial
viene dado por el coeficiente β2 y su estimación es del 12,4 %. Para contrastar si esta
diferencia es significativa debemos realizar el siguiente contraste:

H0 : β2 = 0
H1 : β2 6= 0

Es decir, tenemos que contrastar si la variable f inance es significativa. El estadı́stico

del contraste es
βb2
t= ∼ t204 bajo H0
SE(βb2 )
El valor del estadı́stico es
0,124
t= = 1,39
0,089
d ) La diferencia entre el sector financiero y el sector industrial viene dado por β2 y la
diferencia entre el sector bienes de consumo y el sector industrial viene dado por β3 .
Por tanto, la diferencia entre el sector de bienes de consumo y el sector financiero viene
dado por β3 − β2 . Ası́ que en promedio la diferencia porcentual en el salario estimado
entre el sector de bienes de consumo y el sector financiero es 0,239 − 0,124 = 0,115.
Es decir, serı́a un 11.5 % mayor en el sector de bienes de consumo que en el sector
financiero.
Para contrastar esta hipótesis de forma sencilla tenemos que utilizar como categorı́a
de referencia el sector financiero (o el de bienes de consumo), es decir, tenemos que
incluir la dummy del sector de la industria y excluir la del sector financiero (o la del
sector de bienes de consumo), excluyendo la dummy del sector financiero tendrı́amos
el modelo:

log(salaryi ) = γ0 + γ1 log(salesi ) + γ2 indusi + γ3 consprodi + γ4 utilityi + ui

En este modelo 100 ∗ γ3 mide las diferencias en porcentaje en el salario medio entre
las empresas del sector de bienes de consumo y las del sector financiero, y por tanto,
la hipótesis de que no hay diferencias serı́a γ3 = 0.
La estimación del modelo es

log(salary
d i) = 5,01 + 0,244 log(salesi ) − 0,124 indusi + 0,114 consprodi
(0,277) (0,032) (0,089) (0,091)
−0,477 utilityi
(0,104)
T = 209, SCR = 44,33

De donde obtenemos que el coeficiente de la variable indusi no es estadı́sticamente

distinto de cero (t = −1,39 y su p − valor = 0,166).
7. a) La estimación del modelo es

colgpa
d = 1,24 − 0,057 hsize + 0,005 hsize2 − 0,013 hsperc +
(0,079) (0,016) (0,002) (0,001)
0,002 sat + 0,155 f emale + 0,169 athlete
(0,0001) (0,018) (0,042)
2
N = 4137 R = 0,293

7
 La diferencia estimada en la nota media de la universidad entre los atletas y los que no
lo son es de 0.169 puntos. Para contrastar si esta diferencia es significativa debemos
contrastar si la variable athlete es significativa:
H0 : β6 = 0
H1 : β6 6= 0
El estadı́stico del contraste es
βb6
t= ∼ t4130 bajo H0
SE(βb6 )
b) La estimación es
colgpa
d = 3,05 − 0,053 hsize + 0,005 hsize2 − 0,017 hsperc +
(0,033) (0,018) (0,002) (0,0006)
+0,058 f emale + 0,005 athlete
(0,019) (0,045)
2
N = 4137 R = 0,1885
La diferencia estimada por ser atleta es ahora de 0.005 puntos. Esta diferencia se debe
a que la variable omitida sat es una variable relevante (es significativa) con lo que su
omisión produce un sesgo en los valores estimados y en este caso el sesgo es negativo
(el coeficiente de sat es positivo y la correlación entre sat y athlete es negativa en la
muestra).
c) El modelo que permite que el efecto de ser atleta sobre la nota media difiera en
función del sexo del alumno es
colgpa = β0 +β1 hsize+β2 hsize2 +β3 hsperc+β4 sat+β5 f emale+β6 athlete+β7 (f emale∗athlete)+u
Su estimación es
colgpa
d = 1,24 − 0,057 hsize + 0,005 hsize2 − 0,013 hsperc +
(0,080) (0,016) (0,002) (0,0006)
0,002 sat + 0,155 f emale + 0,167 athlete + 0,008 (f emale ∗ athlete)
(0,0001) (0,018) (0,048) (0,096)

N = 4137 R2 = 0,293
De donde la variable female*athlete no es significativa para un nivel de significación
del 5 % ( el t-ratio es t = 0,08 y su p − valor es 0,936.
d ) El modelo que permite que el efecto de sat sobre la nota media difiera en función del
sexo del alumno es
colgpa = β0 +β1 hsize+β2 hsize2 +β3 hsperc+β4 sat+β5 f emale+β6 athlete+β7 (f emale∗sat)+u
Su estimación es
colgpa
d = 1,26 − 0,057 hsize + 0,005 hsize2 − 0,013 hsperc +
(0,097) (0,016) (0,002) (0,0006)
0,002 sat + 0,102 f emale + 0,168 athlete + 0,00005(f emale ∗ sat)
(0,0001) (0,134) (0,043) (0,0001)
2
N = 4137 R = 0,293
De donde la variable female*sat no es significativa para un nivel de significación del
5 % ( el t-ratio es t = 0,4 y su p − valor es 0,692.

8
8. a) Estimación del modelo sólo para hombres:

sleeph
d = 60,803 − 0,182 totwrkh − 0,218 educ + 0,119 age − 0,0007age2 + 1,006 yngkid
(5,167) (0,024) (0,124) (0,239) (0,0028) (0,984)
N = 400, SCR = 17712,22

Estimación del modelo sólo para mujeres:

sleeph
d = 70,645 − 0,140 totwrkh − 0,170 educ − 0,506 age + 0,006 age2 − 1,971 yngkid
(6,415) (0,028) (0,160) (0,309) (0,004) (1,553)
N = 306, SCR = 15913,49

Observamos grandes diferencias en el intercepto, y en el efecto de las variables edu-

cación, edad, edad al cuadrado y de la variable binaria que toma el valor 1 si tiene
hijos menor de 3 años (algunos incluso de distinto signo).
b) Debemos estimar el modelo

sleeph = δ0 + δ1 male + δ2 totwrkh + δ3 male ∗ totwrkh + δ4 educ + δ5 male ∗ educ

+δ6 age + δ7 male ∗ age + δ8 age2 + δ9 male ∗ age2 + δ10 yngkid
+δ11 male ∗ yngkid + u

Cuya estimación es

Source SS df MS Number of obs = 706

F( 11, 694) = 9.48
Model 5052.02247 11 459.27477 Prob > F = 0.0000
Residual 33625.7095 694 48.452031 R-squared = 0.1306
Adj R-squared = 0.1168
Total 38677.732 705 54.8620312 Root MSE = 6.9607

sleeph Coef. Std. Err. t P>|t| [95% Conf. Interval]

totwrkh -.1399495 .0264349 -5.29 0.000 -.1918514 -.0880476

educ -.1700856 .1527387 -1.11 0.266 -.4699709 .1297997
age -.5059428 .2951749 -1.71 0.087 -1.085486 .0736
agesq .0061323 .0035575 1.72 0.085 -.0008525 .0131172
yngkid -1.971376 1.484365 -1.33 0.185 -4.88576 .9430074
male -9.842017 8.146527 -1.21 0.227 -25.83681 6.152777
maletotwrkh -.0421737 .036674 -1.15 0.251 -.114179 .0298317
maleeduc -.0474541 .1994658 -0.24 0.812 -.4390828 .3441746
maleage .6252193 .3853886 1.62 0.105 -.1314482 1.381887
maleagesq -.0068785 .0045986 -1.50 0.135 -.0159072 .0021503
maleyngkid 2.977713 1.801752 1.65 0.099 -.5598244 6.515251
_cons 70.64549 6.130866 11.52 0.000 58.60822 82.68276

Donde podemos observar que efectivamente la SCR para toda la muestra es igual a
la suma de las SCR del as estimaciones individuales para hombres y mujeres.
c) Debemos estimar el modelo

sleeph = α0 + α1 male + α2 totwrkh + α3 educ + α4 age + α5age2 + α6 yngkid + u

9
 Cuya estimación es

Source SS df MS Number of obs = 706

F( 6, 699) = 16.30
Model 4747.794 6 791.299 Prob > F = 0.0000
Residual 33929.938 699 48.5406838 R-squared = 0.1228
Adj R-squared = 0.1152
Total 38677.732 705 54.8620312 Root MSE = 6.9671

sleeph Coef. Std. Err. t P>|t| [95% Conf. Interval]

totwrkh -.1634235 .0181634 -9.00 0.000 -.1990848 -.1277622

educ -.1952212 .0978659 -1.99 0.046 -.3873675 -.0030749
age -.1449567 .1888182 -0.77 0.443 -.5156754 .225762
agesq .0021407 .0022445 0.95 0.341 -.0022661 .0065474
yngkid -.00038 .8379401 -0.00 1.000 -1.645561 1.644801
male 1.462576 .5777991 2.53 0.012 .3281462 2.597005
_cons 64.0142 3.990232 16.04 0.000 56.17992 71.84848

De donde podemos observar que la variable male es significativa para un nivel de

significación del 5 % ( el t-ratio es 2.53 y su p − valor es 0,012 < 0,05.

9. a) Si existe discriminación y el modelo está correctamente especificado el signo del coefi-

ciente de la variable white va a ser positivo, es decir, se van a conceder más prestamos
a personas de raza blanca que a los otros solicitantes.
b) La estimación del modelo es

approve
d = 0,708 + 0,201 white
(0,018) (0,020)

c) El resultado de la estimación es

Source SS df MS Number of obs = 1971

F( 15, 1955) = 25.86
Model 35.4004787 15 2.36003192 Prob > F = 0.0000
Residual 178.393534 1955 .09124989 R-squared = 0.1656
Adj R-squared = 0.1592
Total 213.794013 1970 .10852488 Root MSE = .30208

approve Coef. Std. Err. t P>|t| [95% Conf. Interval]

white .1288196 .0197317 6.53 0.000 .0901223 .1675169

hrat .001833 .0012632 1.45 0.147 -.0006444 .0043104
obrat -.0054318 .0011018 -4.93 0.000 -.0075926 -.003271
loanprc -.1473001 .0375159 -3.93 0.000 -.2208755 -.0737246
unem -.0072989 .003198 -2.28 0.023 -.0135708 -.0010271
male -.0041441 .0188644 -0.22 0.826 -.0411405 .0328523
married .0458241 .0163077 2.81 0.005 .0138418 .0778064
dep -.0068274 .0067013 -1.02 0.308 -.0199699 .0063151
sch .0017525 .0166498 0.11 0.916 -.0309006 .0344057
cosign .0097722 .0411394 0.24 0.812 -.0709094 .0904538
chist .1330267 .0192627 6.91 0.000 .0952492 .1708043
pubrec -.2419268 .0282274 -8.57 0.000 -.2972858 -.1865677
mortlat1 -.0572511 .050012 -1.14 0.252 -.1553336 .0408314
mortlat2 -.1137234 .0669838 -1.70 0.090 -.2450905 .0176438
vr -.0314408 .0140313 -2.24 0.025 -.0589586 -.0039229
_cons .9367312 .0527354 17.76 0.000 .8333077 1.040155

d ) El modelo estimado es:

10
 Source SS df MS Number of obs = 1971
F( 16, 1954) = 25.17
Model 36.5318071 16 2.28323794 Prob > F = 0.0000
Residual 177.262206 1954 .090717608 R-squared = 0.1709
Adj R-squared = 0.1641
Total 213.794013 1970 .10852488 Root MSE = .30119

approve Coef. Std. Err. t P>|t| [95% Conf. Interval]

white -.1459751 .080263 -1.82 0.069 -.3033851 .0114349

hrat .0017897 .0012596 1.42 0.156 -.0006806 .0042599
obrat -.0122262 .0022155 -5.52 0.000 -.0165713 -.0078812
whiteobrat .0080879 .0022903 3.53 0.000 .0035963 .0125796
loanprc -.1525356 .0374357 -4.07 0.000 -.2259537 -.0791175
unem -.0075281 .0031893 -2.36 0.018 -.0137829 -.0012733
male -.0060154 .0188167 -0.32 0.749 -.0429184 .0308875
married .0455358 .0162603 2.80 0.005 .0136465 .0774251
dep -.00763 .0066856 -1.14 0.254 -.0207417 .0054817
sch .0017766 .0166011 0.11 0.915 -.0307812 .0343344
cosign .0177091 .0410807 0.43 0.666 -.0628576 .0982757
chist .1298548 .0192274 6.75 0.000 .0921464 .1675632
pubrec -.240325 .0281486 -8.54 0.000 -.2955296 -.1851205
mortlat1 -.0627819 .0498906 -1.26 0.208 -.1606262 .0350624
mortlat2 -.1268446 .0668914 -1.90 0.058 -.2580306 .0043414
vr -.0305396 .0139926 -2.18 0.029 -.0579816 -.0030975
_cons 1.180648 .0868076 13.60 0.000 1.010403 1.350894

e) Según la estimación anterior, el efecto de ser blanco sobre la probabilidad de que el

crédito sea concedido es −0,146+0,008∗obrat. Por tanto, cuando obrat es 32 el efecto
de ser blanco sobre la probabilidad de que el crédito sea concedido es −0,146 + 0,008 ∗
32 = 0,11.
Intervalo de confianza al 95 % de β1 + 32 ∗ β4

(0,11 − 1,96 ∗ 0,1371; 0,11 + 1,96 ∗ 0,1371) = (−0,1587; 0,3787)

11