Cristian Ricardo Morillas Orellana

Econometría I
Docente: Dra. Nora Garro Bordonaro
Laboratorista: Dr. Juan Carlos Vázquez Almaraz
Trimestre 18-I
Segundo examen Parcial en casa (vale 40% de la nota del segundo parcial)
Fecha: entregar por escrito individual el 9 de marzo

Datos de 35 hogares con jefe de familia hombre y con bajos niveles de ingresos

I. Ud. quiere estimar la influencia de variables del hogar y del jefe de familia en las horas
trabajadas por el jefe de familia.
Plantee una lista de al menos 12 variables explicativas de acuerdo con su conocimiento en el asunto como
persona informada y como economista, sin un análisis de las variables incluidas y los datos concretos de
esta muestra.
1. Metro cuadrado del hogar
2. Numero de hijos del jefe de familia
3. Gasto mensual del jefe de familia (dólares)
4. Gasto anual de la esposa (dólares)
5. Edad de los hijos del jefe de familia
6. Numero de empleos total que ha ejercido el jefe de familia
7. Numero de hijos que tienen un empleo
8. Ingreso anual de los hijos del jefe de familia (dólares)
9. Gasto anual de los hijos del jefe de familia (dólares
10. Numero de empresas en las que ha trabajado el jefe de familia
11. Tiempo requerido de capacitación para trabajar por el jefe de familia (días)
12. Numero de compañeros que ejercen el mismo trabajo del jefe de familia
II. Ahora considere solamente las variables disponibles en esta muestra. Plantee el modelo de
regresión lineal.
múltiple que Ud. plantearía una vez realizado un análisis de multicolinealidad de primer grado
entre las variables explicativas.

Con base en ese análisis de multicolinealidad de primer grado, incluya variables que no sean
colineales para evitar sesgos en las estimaciones de los coeficientes de regresión incluidos.
(Sugerencia: no admita correlaciones superiores a 60%. Si observa una correlación de, por
ejemplo, 0.6026 o 0.6014, concluya que no hay problema de colinealidad entre las dos variables
consideradas)
(Sugerencia: En su decisión tome en cuenta que en su investigación las variables de capital
humano ESCOLARIDAD Y EXPERIENCIA LABORAL se desean incluir en la regresión).
note: edad omitted because of collinearity

Source | SS df MS Number of obs = 35

-------------+------------------------------ F( 6, 28) = 17.83
Model | 110769.432 6 18461.572 Prob > F = 0.0000
Residual | 28997.3107 28 1035.61824 R-squared = 0.7925
-------------+------------------------------ Adj R-squared = 0.7481
Total | 139766.743 34 4110.78655 Root MSE = 32.181

------------------------------------------------------------------------------
hs | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
salario | -130.1934 39.36731 -3.31 0.003 -210.8337 -49.55313
ingesp | -.0066678 .0384848 -0.17 0.864 -.0855003 .0721648
bsflia | .0223117 .0060106 3.71 0.001 .0099995 .0346238
edad | 0 (omitted)
dep | 14.6225 13.42665 1.09 0.285 -12.88074 42.12574
 escol | 49.42842 26.03488 1.90 0.068 -3.901618 102.7584
explab | -1.972987 3.603903 -0.55 0.588 -9.355247 5.409273
_cons | 1885.353 239.8447 7.86 0.000 1394.053 2376.652
------------------------------------------------------------------------------
Después se observa que R cuadrado es de 0.7925, con el comando “estat vif” se observa cuales son las
variables explicativas que tienen alto grado de multicolinealidad, en el cuadro anterior de la regresión
Stata elimino la variable “edad” por alto grado de colinealidad.

. estat vif

Variable | VIF 1/VIF

-------------+----------------------
escol | 30.35 0.032950
salario | 10.79 0.092718
explab | 10.28 0.097245
bsflia | 9.76 0.102454
ingesp | 3.21 0.311908
dep | 2.59 0.385763
-------------+----------------------
Mean VIF | 11.16

Se observa que las variables con multicolinealidad es “escol”, “salario”, y “explab”, sin embargo la
relación entre la variable explicativa “salario” y la variable explicada “hs” no hay problema de colinealidad
ya que una explica muy bien a la otra, por lo que la regresión se hace con las variables “salario”, “bsflia”,
“ingesp” y “dep”.

reg hs salario bsflia ingesp dep

Source | SS df MS Number of obs = 35

-------------+------------------------------ F( 4, 30) = 8.32
Model | 73523.7143 4 18380.9286 Prob > F = 0.0001
Residual | 66243.0286 30 2208.10095 R-squared = 0.5260
-------------+------------------------------ Adj R-squared = 0.4629
Total | 139766.743 34 4110.78655 Root MSE = 46.99

------------------------------------------------------------------------------
hs | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
salario | 13.20349 34.71965 0.38 0.706 -57.7035 84.11047
bsflia | .0148686 .0050415 2.95 0.006 .0045725 .0251647
ingesp | -.0340607 .0506535 -0.67 0.506 -.137509 .0693876
dep | -3.340372 19.10934 -0.17 0.862 -42.36685 35.68611
_cons | 2055.73 104.8388 19.61 0.000 1841.621 2269.84
------------------------------------------------------------------------------

Se observa que R cuadrado es 0.5260 por lo que ya no hay multicolinealidad entre las variables, para
comprobar esto se usa otra vez el comando “estat vif”

. estat vif

Variable | VIF 1/VIF

-------------+----------------------
salario | 3.93 0.254157
bsflia | 3.22 0.310500
ingesp | 2.60 0.383889
dep | 2.46 0.406054
-------------+----------------------
Mean VIF | 3.06

En la columna VIF se observa que los valores de las variables no rebasan a 10, y en la columna 1/VIF
los valores no se acercan a cero.

III. Estime la regresión lineal múltiple con variable explicada "Horas al año trabajadas por el jefe
de familia". (Utilice el comando "robust" para asegurar estimaciones eficientes de las varianzas y
covarianzas de los coeficientes beta).

reg hs salario ingesp dep, robust

Linear regression Number of obs = 35

F( 3, 31) = 10.18
Prob > F = 0.0001
R-squared = 0.3886
Root MSE = 52.502

------------------------------------------------------------------------------
| Robust
hs | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
salario | 90.56426 24.26394 3.73 0.001 41.07762 140.0509
ingesp | -.1015335 .033383 -3.04 0.005 -.1696186 -.0334484
dep | -22.21298 17.02603 -1.30 0.202 -56.93779 12.51184
_cons | 2053.915 112.31 18.29 0.000 1824.857 2282.973
------------------------------------------------------------------------------

IV. ¿Cuáles variables afectan significativamente a las horas trabajadas al año por el jefe de familia
varón? (Elija 95% de grado de confianza en su respuesta).

Las variables que afectan significativament a “hs” son “salario” (Salario por hora del jefe de familia
medido en dólares) e “ingesp” (Ingreso anual de la esposa medido en dólares)

V. Interprete el efecto que las variables estadísticamente significativas tienen en las horas
trabajadas al año. Escriba 3 maneras de decirlo. (en betas).

hs=b0+b1(salario)+b2(ingesp)+b3(dep)+error

hs=2054+90.56(salario)-0.1015(ingesp)-22.21(dep)+error

VI. ¿Cuánto vale el R cuadrado de la regresión estimada? ¿Qué significa su valor estimado?

R-squared = 0.3886
El valor del R cuadrado significa que el modelo explica un 38.86 % a la variable real.

VII. Usar logaritmos en las variables donde se permitan e interpretar, hacer la regresión con
“robust”. Escriba que significa que las variables de capital humano sean las mas significativas.
reg loghs logsalario logingesp logedad logdep logescol logexplab, robust

Linear regression Number of obs = 35

F( 6, 28) = 18.27
Prob > F = 0.0000
R-squared = 0.7134
Root MSE = .01775

------------------------------------------------------------------------------
| Robust
loghs | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
logsalario | -.1857419 .0671156 -2.77 0.010 -.3232221 -.0482618
logingesp | -.0345901 .0209412 -1.65 0.110 -.0774862 .0083059
logedad | -.2002444 .2095769 -0.96 0.348 -.6295432 .2290544
logdep | -.047516 .037956 -1.25 0.221 -.1252653 .0302333
logescol | .520522 .1031611 5.05 0.000 .3092061 .7318379
logexplab | .1612375 .0960931 1.68 0.104 -.0356003 .3580753
_cons | 7.173679 .5999937 11.96 0.000 5.944647 8.40271
------------------------------------------------------------------------------

Loghs= 7.17 - 0.19(logsalario) - 0.03(logingesp) – 0.20(logedad) – 0.05(logdep) + 0.52(logescol) + 0.16(logexplab)

La variable salario es significativa ya que explica muy bien a las horas trabajadas anualmente por el jefe
de familia y la escolaridad porque debido a la preparación que tiene determina cuantas horas trabaja
anualmente