Documente Academic
Documente Profesional
Documente Cultură
Econometria II
COM – 06230
PRÁCTICA Nº 3
Datos de Panel 1
Corresponde a ejercicios seleccionados de los Capítulos 13 y 14 de Wooldridge.
1. Las siguientes ecuaciones se estimaron usando la base de datos KIELMC.WF1 para los años
1978 y 1981:
𝐿𝑜𝑔̂ (𝑝𝑟𝑖𝑐𝑒)= 11.49 - .547 nearinc +.394 y81*nearinc
(.26) (.058) (.080)
2
n=321, R = .220
y
𝐿𝑜𝑔̂ (𝑝𝑟𝑖𝑐𝑒)= 11.18 + .563 y81 - .403 y81*nearinc
(.27) (.044) (.067)
2
n = 321, R = .337.
Compare las estimaciones para el término de interacción y81*nearinc con aquellas de la
ecuación (13.9). ¿Porque son tan diferentes las estimaciones?
La primera ecuación omite la variable ficticia de 1981, y81, por lo que no permite
ninguna apreciación de los precios nominales de la vivienda durante el período de tres
años en ausencia de un incinerador. El término de interacción en este caso es
simplemente captar el hecho de que incluso las casas que están cerca del sitio del
incinerador se han valorizado en los últimos tres años. Esta ecuación adolece de un
sesgo variable omitido. La segunda ecuación omite la variable ficticia por estar cerca del
sitio del incinerador, nearinc, lo que significa que no permite diferencias sistemáticas en
las viviendas cercanas y distantes del sitio antes de que se construyera el sitio. Si, como
parece ser el caso, el incinerador se ubicó más cerca de las viviendas menos valiosas, y
luego omitió los atributos cercanos a los precios de la vivienda demasiado bajos para el
efecto del incinerador. De nuevo, tenemos un problema variable omitido. Esta es la
razón por la que se prefiere la ecuación (13.9) (o, mejor aún, la ecuación que agrega un
conjunto completo de controles).
2. ¿Por qué no se pueden usar primeras diferencias cuando se tienen cortes transversales
independientes en dos años (contrariamente a los datos de panel)?
No tenemos observaciones repetidas sobre las mismas unidades transversales en cada
período de tiempo, por lo que no tiene sentido buscar pares para diferenciar. Por
ejemplo, en el Ejemplo 13.1, es muy poco probable que la misma mujer aparezca en
más de un año, ya que cada año se obtienen nuevas muestras aleatorias. En el ejemplo
13.3, algunas casas pueden aparecer en la muestra tanto en 1978 como en 1981, pero
la superposición suele ser demasiado pequeña para realizar un verdadero análisis de
datos de panel.
ISAIARIKI MIYATAKE MEDINA (R1171-1)
3. Suponga que se desea estimar el efecto de varias variables sobre el ahorro anual y se tiene
una base de datos de panel sobre personas, recolectada el 31 de enero de 1990 y el 31 de
enero de 1992. Si se incluye una variable binaria para 1992 y se utiliza la primera
diferenciación, ¿es posible incluir además la edad en el modelo original? Explique.
No, no podemos incluir la edad como una variable explicativa en el modelo original.
Cada persona en el conjunto de datos del panel tiene exactamente dos años más el 31
de enero de 1992 que el 31 de enero de 1990. Esto significa que Δagei = 2 para todo i.
Pero la ecuación que estimamos es de la forma
Donde δ 0 es el coeficiente del año ficticio para 1992 en el modelo original. Como
sabemos, cuando tenemos una intersección en el modelo no podemos incluir una
variable explicativa que sea constante en i; esto viola la Asunción MLR.3. Intuitivamente,
dado que la edad cambia en la misma cantidad para todos, no podemos distinguir el
efecto de la edad del efecto del tiempo agregado.
oF señor es soltarped from el equation [así que eso 10b= en (3.10)], thEstamos en la carne
asadaEn g que, antes de tél cambia en política, allíe no hay diferencia en promedioe duración
ISAIARIKI MIYATAKE MEDINA (R1171-1)
entre alta ganadores y bajoganadores Pero the muy grande (.256), altamente estáticosigno
ticallysignificativo estienes el oyen en(3.12) shows esta presumption ser false. Antes de lacha
políticange, la horeja altay grupo gastó alrededor del 29,2% [exp(.256) 1 .292−≈ ] más tiempo
Compensacion por desempleo que el bajo ganando group. Por dropping highearn de la
regresión, nos attribute al cambio de política la diferenteuna vez entreen the two grupos
dijeront by mirard sin unla intervenciónntion
E J E R C I C I O S E N COM P U TADORA
Wald Test:
Equation: Untitled
ii) Pruebe si la región del país a los 16 años (el Sur es el grupo base) influye sobre la fertilidad.
Wald Test:
Equation: Untitled
Si la región del país a los 16 años si influye sobre la fertilidad F=3.011656 y el valor-p=0.0293
iii) Sea u el termino de error en la ecuación de la población. Suponga que piensa que la varianza
de u cambia con el tiempo (pero no con educ, age, etc.). Un modelo que captura esto es
u2 = y0 + y1y74 +y2 y76 +… +y6y84 + v.
Usando este modelo, pruebe si hay heterocedasticidad en u. (Sugerencia: su prueba F debe
tener 6 y 1,122 grados de libertad.)
Wald Test:
Equation: Untitled
El coeficiente de y85 tiene una relación directa positiva con el salario por hora del trabajador al igual
que con y85・educ y y85・female, asique si la dammy se activa aumentara el salario
del trabajador
log(wage)=.459 + .0747educ +.0185y85 * educ
log(wage)=.459 + .0747(12) +.0185(1)* (12)
log(wage)=1.5774
tiene un aumento de 1.5774 por hora
Otra forma
ii) Vuelva a estimar la ecuacion (13.2) pero mida todos los salarios en dólares de 1978. En
particular, defina el salario real como rwage= wage para 1978 y como rwage =wage/1.65 para
1985. Ahora, use log(rwage) en lugar de log(wage) al estimar la ecuación (13.2). ¿Cuáles
coeficientes difieren de aquellos de la ecuacion (13.2)?
Dependent Variable: LWAGE
Method: Least Squares
Date: 09/29/17 Time: 22:52
Sample: 1 1084
Included observations: 1084
Cambian de manera inversa todos los que fueron reemplazados de y85 por y78 y también cambian educ que
aumento y female que aumento de manera negativa todos lo demás variables no se modificaron sus coeficientes
El signo de δ1 es negativo -0.011311, si β1> 0 significa que tiene una relación directamente
proporcional con el precio es decir mientras mas aumente la distancia de la casa al incinerador
se valorara más el precio .
ii) Estime el modelo del inciso i) e informe los resultados de la manera acostumbrada.Interprete
el coeficiente de y81・log(dist). ¿Que concluye a partir de esto?
El coeficiente de Y81*ldist es inversamente proporcional con el precio.
iii) Añada age, age 2, rooms, baths, log(intst), log(land) y log(area) a la ecuacion. Ahora,¿Cuál es su
conclusion acerca del efecto del incinerador sobre los valores de lasCasas?
Dependent Variable: LPRICE
Method: Least Squares
Date: 09/12/17 Time: 21:17
Sample: 1 321
Included observations: 321
La distancia de la casa al incinerador dejo de ser estadísticamente significativo cuando se aumenta nuevo
atributos al modelo
iv) ¿Por qué el coeficiente de log(dist) es positivo y estadísticamente significativo en elIncisoii) pero
no en el inciso iii)? ¿Qué dice esto sobre los controles usados en el incisoiii)?
el coeficiente de ldist dejo de ser estadísticamente significativo ya que existe nuevo atributos
en el modelo que cambian la influencia que tiene la distancia de la casa al incinerador sobre el
precio
C.4 Utilice los datos de RENTAL.WF1 para este ejercicio. Los dat3os para los años 1980 y 1990
incluyen precios de arrendamiento (rent) y otras variables de las ciudades universitarias.
Laidea es ver si una mayor presencia de los estudiantes influye en las tasas de arrendamiento.
El modelo de efectos inobservables es
Log(rente it) = β0 + δ0y90t + β1log( popit) +β 2log(avgincit) + β 3pctstuit + a i +uit,
En el año 90 la renta aumento en 0,26 por cada porciento que aumente y de PCTSTU que es la población estudiantil
nos dice que por cada aumento de 10% de la población la renta subirá un 0.05
ii) ¿Son válidos los errores estandar que reporto en el inciso i)? Explique las razones.
ISAIARIKI MIYATAKE MEDINA (R1171-1)
cambian los t statistic disminuyendo algunos y otros aumentándolos pero la significancia no cambian
i. En el modelo del ejemplo 13.6, pruebe la hipotesis H0: β1=β2. (Sugerencia: defina Ɵ1 = β1–
β2 y escriba β1 en función de Ɵ1 y β2. Sustituya esto en la ecuación y ordene los términos.
Haga una prueba t paraƟ1.)
Puede usar un paquete de software de econometría que pruebe directamente restricciones como
H0: β 1 = β 2 después de estimar el modelo sin restricciones en (13.22). Pero, como hemos visto
muchas veces, simplemente podemos reescribir la ecuación para probar esto usando cualquier
software de regresión. Escribe la ecuación diferenciada como
Δlog(crime) = δ 0 + β 1Δclrprc_1 + β 2Δclrprc_2 + Δu.
i) Utilice MCO combinados para estimar un modelo con el promedio de calificaciones del semestre
(trmgpa) como variable dependiente y como variables explicativas spring, sat, hsperc, female,
black, white, frstsem, tothrs, crsgpa y season. Interprete el coeficiente de season (variable
binaria igual a uno si el deporte esta en temporada). ¿Es estadísticamente significativo?
Dependent Variable: TRMGPA
Method: Least Squares
Date: 09/15/17 Time: 11:59
Sample: 1 732
Included observations: 732
El coeficiente de season tiene una relación inversa con el promedio de notas, pero no es
estadísticamente significativo es decir que no tiene mucha influencia sobre el promedio de
notas.
ii) La mayoría de los atletas que realiza su deporte solo en el otoño son jugadores de Futbol
americano. Suponga que sus niveles de capacidad innata difieren de forma sistemática de los
de otros atletas. Si la capacidad no se captura adecuadamente por medio de las puntuaciones
de la prueba de admisión a la universidad (sat) y el percentil que ocupo en el bachillerato
(hsperc), explique por qué los estimadores obtenidos estarán sesgados.
Los estimadores obtenidos estarán sesgados, porque existe correlación causada por variables
omitidas.
iii) Utilice los datos diferenciados entre los dos semestres. ¿Qué variables se eliminan? Ahora
pruebe el efecto de que el deporte este en temporada.
Dependent Variable: CTRMGPA
Method: Least Squares
Date: 09/18/17 Time: 12:00
Sample (adjusted): 2 732
Included observations: 366 after adjustments
Las variables que se eliminan son sat black female hperc. No existe evidencia de que los
ISAIARIKI MIYATAKE MEDINA (R1171-1)
C.7 La base de datos VOTE2.WF1 incluye datos de panel sobre las elecciones para la Cámara de
Representantes de los Estados Unidos en 1988 y 1990. Solo los ganadores de 1988 que también
compitieron en 1990 aparecen en la muestra; se trata de titulares del cargo. Un modelo de
efectos inobservables que explica el porcentaje del voto obtenido por los titulares del cargo
(vote) en términos de gastos de los dos candidatos es
voteit = β0 + δ0d90t+ β1log(inexpit) + β2log(chexpit) + β3incshrit+ ai +uit,
Donde incshrit es la parte del total de gastos de campaña correspondiente a los titulares del cargo
(en forma de porcentaje), inexp y chexp son los gastos en dólares del candidato titular del cargo y
del candidato opositor, respectivamente. El efecto inobservable ai contiene características del
titular del cargo, como la “calidad”, además de aspectos sobre el distrito que son constantes. El
género y el partido del titular son constantes en el tiempo, de manera que estan contenidos en ai.
Lo que interesa es el efecto de los gastos de campaña en los resultados de las elecciones.
i) Diferencie la ecuacion dada a lo largo de los dos años y estime por MCO la ecuación en
diferencias. ¿Qué variables son significativas individualmente al nivel de 5%, contra una
alternativa de dos colas?
ΔVoteit = −2.56 − 1.29 Δlog(inexp) − .599 Δlog(chexp) + .156 Δincshr Δ
(0.63) (1.38) (.711) (.064)
n = 157, R2 = .244, 2 R = .229
Solo Δincshr es estadísticamente significativo al nivel del 5% (estadístico t ≈ 2.44, valor p .016). Las
otras dos variables independientes tienen t estadísticas menos de una en valor absoluto.
iii) En la ecuación del inciso i), haga una prueba de significancia conjunta para Δlog(inexp) y
Δlog(chexp). Reporte el valor-p.
El estadístico F (con 2 y 153 df) es aproximadamente 1.51 con valor p ≈ .224. Por lo tanto, Δlog
(inexp) y Δlog (chexp) son conjuntamente insignificantes incluso al nivel del 20%
iv) Vuelva a estimar la ecuación del inciso i) con Δincshr como la única variable independiente.
Interprete el coeficiente de Δincshr. Por ejemplo, si la parte de gastos del titular del cargo aumenta
10 puntos porcentuales, según su predicción ¿cómo se afecta el porcentaje de votos obtenido por
el titular?
voteΔ = −2.68 + .218 Δincshr
(0.63) (.032)
n = 157, R2 = .229, 2 R = .224.
Esta ecuación implica que un aumento de 10 puntos porcentuales en la participación del titular del
gasto total aumenta el porcentaje del voto del titular en aproximadamente 2.2 puntos
porcentuales.
Las afecta de tal modo que algunaas dejan de ser significante como d84
pero en otras reducen su coeficiente
ii) ¿Tienen todas las variables del inciso i) el signo esperado? ¿Son conjuntamente significativas?
Explique por qué.
Wald Test:
Equation: Untitled
C.9 Para este ejercicio se utiliza la base de datos JTRAIN.WF1 con el propósito de determinar el
efecto de las subvenciones para la capacitación laboral (grant) sobre las horas de capacitación
para el trabajo por empleado (hrsemp). El modelo básico para los tres años es
hrsempit =β0 +δ1d88t + δ2d89t +β1grantit +β2granti, t_1 + β3log(employit) + ai +uit.
i) Estime la ecuación utilizando las primeras diferencias. ¿Cuántas empresas se emplean en la
estimación? ¿Cuantas observaciones totales se podrían usar si cada empresa tuviera datos para
todas las variables (en particular, para hrsemp) para los tres periodos?
ii) Interprete el coeficiente de grant (variable binaria igual a uno si recibió subvención) y comente
su significancia.
Grant es el nro de horas promedio (32.60horas ) que se toma en entrenar a un empleado.
Es estadísticamente significativo.
iii) ¿Le extraña que grant_1 sea insignificante? Explique sus razones.
No ya que el grant de un periodo resagado no tiene un efecto significativo sobre el siguiente a;o
iv) ¿Las empresas más grandes (employ es número de empleados) capacitan más o menos en
promedio a sus empleados? ¿Son muy grandes las diferencias en la capacitación?
No existe evidencia para determinar si las empresas mas grandes capacitan mas o menos en
promedio a sus empleados, no son grandes las diferencias de capacitación.
C.10 La base de datos MATHPNL.WF1 contiene datos de panel sobre los distritos escolares en
Michigan para los años 1992 a 1998. Es el análogo a nivel distrital de los datos a nivel escolar
usados por Papke (2005). La variable de respuesta que interesa en esta pregunta es math4,
el porcentaje de estudiantes de cuarto grado en un distrito que recibe una calificación
aprobatoria en un examen estandarizado de matemáticas. La variable explicativa clave es
rexpp, que son los gastos reales por alumno en el distrito. Los montos están expresados en
dólares de 1997. La variable del gasto aparecerá de forma logarítmica.
i) Considere el modelo estático de efectos inobservables
math4it =δ1y93t + ... + δ6 y98t + β1log(rexppit) +β2log(enrolit) +β3lunchit + ai +uit,
Donde enrolit es la matricula total del distrito y lunchit es el porcentaje de estudiantes en el
distrito elegibles para el programa de almuerzos escolares. (De modo que lunchit es una medida
bastante aceptable de la tasa de pobreza en todo el distrito). Sostenga que β1/10 es el cambio
ISAIARIKI MIYATAKE MEDINA (R1171-1)
iii) Ahora, añada un rezago de la variable del gasto y vuelva a estimar usando las
primeras diferencias. Observe que perdió otro año de datos, así que solo está
usando los cambios a partir de 1994. Comente los coeficientes y la significancia de
las variables del gasto actual y rezagado.
mathΔ = 6.16 + 5.70 y95 − 6.80 y96 − 8.99 y97 + 8.45 y98 4
(.55) (.77) (.79) (.74) (.74)
+ .073 Δlunch
(.061)
n = 2,750, R2 = .238.
La variable de gasto contemporánea, aunque todavía tiene un coeficiente negativo, no es
estadísticamente significativa. El coeficiente de la variable de gasto rezagado es muy
estadísticamente significativo e implica que un aumento del 10% en el gasto el año pasado
aumenta la tasa de aprobación de matemáticas4
iv) Obtenga los errores estandar robustos a la heterocedasticidad para la regresión en
primeras diferencias del inciso iii). ¿Cómo se comparan estos errores estándar con
aquellos del inciso iii) para las variables del gasto?
El error estándar robusto de heterocedasticidad es de aproximadamente 4.28, lo que reduce aún
más la importancia de Δlog (rexpp). El error estándar robusto de heterocedasticidad es de
aproximadamente 4,38, lo que reduce sustancialmente la estadística t. Aún así, Δlog (rexpp ˆ
log(rexpp) log(rexpp)) es estadísticamente significativo en un poco más del nivel de significancia
del 1% frente a una alternativa de dos lados.
v) Ahora, obtenga los errores estandar robustos a la heterocedasticidad y a la
correlación serial. ¿Cómo afecta esto a la significancia de la variable del gasto
rezagado?
ISAIARIKI MIYATAKE MEDINA (R1171-1)
El error estándar completamente robusto para aproximadamente 4.94, que reduce aún más el
estadístico t para Δlog (rexpp). El error estándar completamente robusto para es
aproximadamente 5.13, lo que da a Δlog (rexpp) log (rexpp) log (rexpp)) una estadística t de
aproximadamente 2.15. El valor p de dos lados es aproximadamente .032.
vi) Verifique que los errores diferenciados rit=Δuit tengan correlación serial negativa al
realizar una prueba de correlacion serial AR (1).
Podemos usar cuatro años de datos para esta prueba. Al hacer una regresión de OLS agrupada de
1 en él es trr, usando los años 1995, 1996, 1997 y 1998 se obtiene ˆ ρ = −.423 (se = .019), que es
una fuerte correlación serial negativa.
Guías para las respuestas
c1.1(i) El estadístico F (con 4 y 1,111 g de l) es 1.16 y el p-value≈ ___, que muestra que las
variables de vivienda en su conjunto no son significativas.
(ii) El F estadístico (con 3 y 1,111 gdl) es ____ y el p-value≈ .029, y las variables dummy regionales
son conjuntamente significativas a un nivel del 5%.
(iii) Después de obtener los residuos mediante MCO, de estimar el modelo de la Tabla 13.1,
corremos la regresión en y74, y76, …, y84 usando todas las 1,129 observaciones. La hipótesis nula
de homoscedasticidad es H0: γ1 = 0, γ2 = 0, … , γ6 = 0. Así que simplemente usamos el F estadístico
usual para la significancia conjunta de las dummies anuales. El R-cuadrado es _____ y F ≈ 2.90;
con 6 y 1,122 gdl, el p-value es como .0082. Entonces existe evidencia de heteroscedasticidad
que es una función del tiempo a en un nivel de significancia del 1%. Ello siguiere que, como mínimo,
deberíamos computar tests de heterocedasticidad. También podríamos utilizar mínimos
cuadrados generalizados (ponderados)
(iv) Agregando y74*educ, …, y84*educ permitimos que la relación entre fertilidad y educación sean
diferentes cada año, recordemos, que el coeficiente en la interacción se agrega al coeficiente de
educ para obtener la tendencia en el año apropiado. Cuando estos términos de interacción son
agregados a la ecuación, R2≈137. El F estadístico para significancia conjunta (con 6 y 1,105 gdl) es
____ con un p-value .18. Entonces las interacciones no son significativas en conjunto inclusive a
un nivel de 10% de significancia. Eso es un poco confuso, de todas formas. Una ecuación abreviada
(que muestra solo los coeficientes que involucran educ) es
C1.2 (i) El coeficiente en y85 es el cambio proporcional en wage (salario) con respecto de male
(hombres) (female = 0) con cero años de educación (educ = 0). Ello no es específicamente útil
puesto que no estamos interesados en la gente sin educación. Tomemos en cuenta que la dummy
ahora mide los efectos de las binarias que fueron utilizadas como base
(ii) Lo que queremos estimar es θ0 = δ0 + 12δ1; esto es un cambio en el intercepto para hombres
con 12 años de educación, donde también mantenemos los otros factores fijos. Si escribimos δ0 =
θ0 − 12δ1, y lo pegamos en (13.1), y reordenamos, obtendremos
Entonces, reemplazamos y85educ en y85*(educ – 12), y luego el coeficiente y error estándar que
queremos está en y85. Ello tiende a ser θ= .339 y ee(θ) =____. El incremento nominal del salario
es 33.9%, y con un intervalo de confianza del 95% es 33.9 ± 1.96(3.4), o cerca del 27.2% a 40.6%.
(Porque el cambio proporcional es largo podríamos usar la ecuación (7.10), el cual implica una
estimación de 40.4%.
(iii) Solo el coeficiente en y85 difiere de la ecuación (13.2). El nuevo coeficiente es –.383 (ee ≈____).
Esto muestra que los salarios reales han caído durante los siete años de estudio, además fue menor
para los que tienen mayor educación. Por ejemplo el cambio proporcional de hombres con 12 años
de educación es –.383 + .0185(12) = −.161, o una caída del 16.1%. Para hombres con 20 años de
educación casi no hubo cambio [–.383 + .0185(20) = –.013].
(iv) El R-cuadrado cuando log(rwage) de la variable dependiente es .356, en comparación con .426
cuando log(wage) es la variable dependiente. Si la SSR (Suma de los Errores al Cuadrado) de la
regresión son iguales pero las R-cuadradas no; entonces la Suma Total de los Errores debe ser
diferente. En este caso las variables dependientes en las dos ecuaciones son diferentes.
(v) En 1978, cerca de 30.6% de los trabajadores de la muestra pertenecían a union. En 1985, solo
cerca del ____ pertenecieron a la unión. Entonces, luego del periodo de siete años, hubo una caída
notable en las membrecías de la unión.
(vi) Cuando y85*union se adiciona a la ecuación, su coeficiente y error estándar son −._____ (se
.06). Esto es prácticamente muy pequeño y el t estadístico es casi cero. No hubo cambio en los
salarios por afiliación en el tiempo.
(vii) No porque, los incisos (v) y (vi) no son probables. Eso implica que mientras el retorno de la
membrecía no cambie (asumiendo que hemos encontrado un efecto causal) la fracción de
personas que alcanza esos beneficios disminuyó.
ISAIARIKI MIYATAKE MEDINA (R1171-1)
13.3 (i) Manteniendo otras cosas constantes, los hogares más alejados del incinerador deberían
valer más, entonces δ1 > 0. Si β1 > 0, entonces el incinerador estaba ubicado lejos de los hogares
más caros.
Mientras δ1= .048 tiene el signo esperado, no es estadísticamente significativo (t estadístico ≈.59).
(iii) Cuando agregamos la lista de las características de las casas a la regresión, el coeficiente en
y81*log(dist) se convierte en .___ (ee = .050). Entonces el efecto estimado es más largo– la
elasticidad de price con respecto a dist es .062 después de que el sitio del incinerador fue elegido
– pero el estadísticot es solamente 1.24. El p-value para la alternativa de una cola H1: δ1 > 0 es
.108, que es más cercano a ser significativo a un nivel de significancia del 10%.
C1.4 (i) Además de maley married, agregamos las variables head, neck, upextr, trunk, lowback,
lowextr, y occdispor tipo de lesión, y manufy construcpor industria. El coeficiente de
afchnge*highearnse convierte en .231 (se ≈ .___), y el efecto estimado y el estadístico t son
ahora mayores que cuando omitimos las variables de control. La estimación .231 implica una
sustancial respuesta a durathacia el cambio en el tope para trabajadores de ingresos altos.
(ii) El R-cuadrado es .041, que significa que estamos explicando solo el ___% de la variación en
log(durat). Significa que hay algunos factores importantes que afectan a log(durat) que no estamos
controlando. Mientras eso significa que predecir log(durat) podría ser muy difícil para un individuo
particular, no significa que exista nada sesgado en δ1: el podría seguir siendo un estimador
insesgado del efecto causal entre el tope de los ingresos por indemnización a los trabajadores.
log(rent) = −.569 + .262 d90 + .041 log(pop) + .571 log(avginc) + .0050 pctstu
n = 128, R2 = ._____.
(ii) Los errores estándar de la parte (i) no son válidos, a menos que pensemos que ai realmente
no figure en la ecuación. Si ai está en el término de error, los errores entre los dos periodos entre
cada ciudad tienen correlación positiva, y ello invalida los errores estándar y t estadísticos del
MCO.
n = 64, R2 = ._____.
El efecto de pctstu es como dos veces mayor al estimado en la ecuación por MCO (pooled MCO).
Ahora, un incremento de un punto porcentual en pctstu es estimado para incrementar las tasas
de renta por 1.1%. Obtuvimos una estimación mucho menos precisa cuando diferenciamos
(además los errores estándar de MCO del inciso (i) están mucho más pequeños por la relación
correlación en los errores entre cada cuidad). Mientras tenemos diferentes ai, habrán otras
variables inobservadas que cambian durante el tiempo y están correlacionadas con Δpctstu.
(iv) Los test de heteroscedasticidad en Δpctstuson menores que en los errores estándar de los
MCO usuales. Ello solo hace a pctstu inclusive más significativo. La correlación serial ya no es
más un problema porque no tenemos un componente temporal en la ecuación de primeras
diferencias.