ECONOMETRÍA I – Ciclo 2011-I

PRÁCTICA 3 – SOLUCIONARIO

1. Los siguientes datos nos dan información acerca de la esperanza de vida al nacer (E) y la
renta per-cápita (R) de distintos países.

País R($) E (años)

Suecia 12400 78
Italia 5360 74
Alemania 11420 75
España 4800 75
Inglaterra 9050 74
Grecia 4280 75
Portugal 2190 71
Colombia 1410 64
Uruguay 1870 70
Venezuel 4100 68
a
Bolivia 1120 60
Chile 7390 73

a) Plantear el modelo, la matriz de observaciones X y la prueba estadística, para

determinar si la relación de E en R es distinta en Europa y en América del Sur.
Sugerencia: considere el modelo más general.
b) Obtenga los resultados para el modelo planteado en a). Analice e interprete.

Solución
a) Plantear el modelo, la matriz de observaciones X y la prueba estadística, para
determinar si la relación de E en R es distinta en Europa y en América del Sur.
Sugerencia: considere el modelo más general.

- El modelo que planteamos es

E=β 1+ β 2 R + β3 Continente+ β 4 Continente∗R+ ε

puesto que necesitamos introducir una variable dummy (cualitativa) para poder
evaluar con el modelo el efecto del continente de residencia en la esperanza de
vida
Continente: Europa=1, América del Sur=0
- La matriz de observaciones para X será:
 Ecometría I UNMSM-FCE

1 12400 1 12400
1 5360 1 5360
1 11420 1 11420
1 4800 1 4800 Europa
1 9050 1 9050
1 4280 1 4280
1 2190 1 2190
1 1410 0 0
1 1870 0 0
1 4100 0 0 América
del Sur
1 1120 0 0
1 7390 0 0

Prueba estadística H0: β3 = 0 y β4 = 0

No hay efecto de la zona sobre la esperanza de vida al nacer.

Aplicaremos el test de Wald o el test F para hipótesis de restricciones lineales

acerca de los parámetros.

b) Obtenga los resultados para el modelo planteado en a). Analice e interprete.

Para obtener los resultados del modelo, hallamos los ^β por el método de MCO.

Dependent Variable: E
Method: LeastSquares
Date: 05/29/11 Time: 19:56
Sample: 1 12
Includedobservations: 12

Variable Coefficient Std. Error t-Statistic Prob.  

C 62.17724 1.922918 32.33484 0.0000

R 0.001518 0.000486 3.120273 0.0142
CONTINENTE 9.653237 2.868947 3.364732 0.0099
CONTINENTE*R -0.001130 0.000555 -2.034357 0.0763

R-squared 0.823699    Mean dependentvar 71.41667

Adjusted R-squared 0.757586    S.D. dependentvar 5.195423
S.E. of regression 2.557994    Akaikeinfocriterion 4.977526
Sum squaredresid 52.34668    Schwarzcriterion 5.139161
Log likelihood -25.86515    Hannan-Quinncriter. 4.917682
F-statistic 12.45899    Durbin-Watson stat 2.264037
Prob(F-statistic) 0.002203
EL modelo sería:

1
 Ecometría I UNMSM-FCE

EstimationCommand:
=========================
LS E C R CONTINENTE CONTINENTE*R

EstimationEquation:
=========================
E = C(1) + C(2)*R + C(3)*CONTINENTE + C(4)*CONTINENTE*R

SubstitutedCoefficients:
=========================
E = 62.1772383986 + 0.00151754613008*R + 9.65323681627*CONTINENTE -
0.00112993656451*CONTINENTE*R

E= 62.18+ 0.0012*R+ 9.65*Continente – 0.001 Continente*R

*Ahora, aplicamos la prueba para el análisis del efecto del continente sobre la esperanza
de vida al nacer:

Usando E-views

Wald Test:
Equation: Untitled

Test Statistic Value df Probability

F-statistic  6.186766 (2, 8)  0.0238

Chi-square  12.37353  2  0.0021

NullHypothesis: C(3)=0, C(4) =0

NullHypothesisSummary:

NormalizedRestriction (= 0) Value Std. Err.

C(3)  9.653237  2.868947

C(4) -0.001130  0.000555

Restrictions are linear in coefficients.

Al 5% el X2tab = 5.99, y el X2cal = 12.37, X2cal> X2tab, por lo que se rechaza la hipótesis nula, y
diríamos que existen dos procesos generadores de datos uno para Europa y otro para
América del Sur.

2
 Ecometría I UNMSM-FCE

Entonces, del modelo:

Ei = β1 + β2R + β3*continente + β4*continente*R + i

Habríamos obtenido el modelo estimado:

E= 62.18+ 0.0012*R+ 9.65*Continente – 0.001 Continente*R

Y planteándolo para cada continente:

América del Sur: E= 62.18+ 0.0012*R

Europa: E= 71,83 + 0.0011*R

En donde interpretamos
^β 1 = 62,18 : la esperanza de vida autónoma en América del Sur.

^β 3 = 9,65 es el efecto diferencial de vivir en Europa, por tanto los habitantes de Europa
tendrán una esperanza de vida autónoma de 71,83, esto es, 9,63 años más en promedio
para los que nacen en Europa frente a los que nacen en América del Sur.

^β 2 = 0,0015 significa la variación marginal en la esperanza de vida en América del Sur al

aumentar la renta per-cápita en un dólar. Si la renta se incrementara en 1000 dólares, la
esperanza de vida en promedio aumentaría 1,5 años

^β 4 = -0,0011 mide el efecto que tiene el continente en el impacto de la renta sobre la

esperanza de vida al nacer, indica que un aumento de l000 dólares en la renta para los
que residen en Europa aumentaría en 0. 4 años ( aproximadamente 5 meses) la esperanza
de vida al nacer, esto es el impacto de la renta en la esperanza de vida es aprox 1 año
menor que en América Latina por cada mil dólares en la renta.

R²=0.82, las variables incluidas en el modelo explican el 82% de la variabilidad en la

esperanza de vida.

3
 Ecometría I UNMSM-FCE

2. Para estimar el modelo yi = 1 + 2 x2i +3 x3i + i se dispone de dos muestras de tamaño 100 y
300, en las que los productos cruzados de las variables son:

−100 100 0 100 100 300 100 400

X ´ Y = −200
400 [ ] [ ]
X ´ X = 0 200 0 ; X ´Y = −300
100 0 300 800 [ ] [ X ´ X = 100 200 0
400 0 800 ]
Y´Y = 2000 Y´Y = 4000
a) Obtenga las estimaciones MCO de los coeficientes para cada una de las dos sub
muestras.
b) Contraste la hipótesis nula de que los coeficientes son iguales en las dos muestras.
c) Contraste la hipótesis de que la varianza es igual en ambas muestras

Solución:

a) Obtenga las estimaciones MCO de los coeficientes para cada una de las dos
submuestras.

¿ T =100
100 0 100 −100

[
X ' X= 0 200 0 X ' Y = −200
100 0 300 400 ] [ ]
0.015 0 0.005
(X' X) =
−1

[ 0
0.005
0.005
0 ]
0
0.005
^β=( X ' X )−1 X ' Y

0.015 0 0.005 −100

^β=
[ 0
0.005
0.005
0
0 −200
0.005 400 ][ ]
−3.5
^β= −1
[ ]
2.5

Y i=−3.5−X 1 i +2.5 X 2 i

4
 Ecometría I UNMSM-FCE

¿ T =300
300 100 400 100

[
X ' X= 100 200 0 X ' Y = −300
400 0 800 800 ] [ ]
0.02
−0.01 −0.01
−1
( X ' X ) = −0.01
[ 0.01
]
0.005
−0.01 0.005 0.00625
^β=( X ' X )−1 X ' Y

0.02 −0.01 −0.01 100

[
^β= −0.01 0.01 0.005 −300
−0.01 0.005 0.00625 800 ][ ]
−3

[]
^β= 0
2.5

Y i=−3+2.5 X 2 i

b) Contraste la hipótesis nula de que los coeficientes son iguales en las dos muestras.

H0 : Los coeficientes son iguales en ambas muestras.

H0 : B1 = B2 H1 : B1 ≠ B2

Necesitamos plantear un modelo restringido, del cual estimaremos sus parámetros:

 Modelo restringido

Yt = β1 + β2 X1t + β3 X2t + εt

400 100 500 0

[
X´X = 100 400 0
500 0 1100 ] [ ]
X`Y = −500
1200
YÝ = 6000

n = n1 + n2 = 400

5
 Ecometría I UNMSM-FCE

−2.75
B=
[ ]
−0.576
2.375

SCE(MR) = Y`Y – B`X`Y

SCE(MR) = 6000 – 3138 = 2862

 Modelo sin restricción:

Yt = β11 + β21 X1t + β31 X2t + β12 + β22 X2t + β32 X2t + εt

Obtenemos las sumas de residuos al cuadrado:

Para n1 : e´1 e1 = 2000 – 1550 = 450

Para n2 : e´2 e2 = 4000 – 1700 = 2300

Construimos la estadística F:

(e e−( e ´ 1 e 1+ e 2e2 ) )/K (2862−2750)/3

F= = =5.3488
( e ´ 1 e 1+e 2e2 ) /(T – 2 K) 2750 /(400−6)

Como Ftabulado (3;394) =2.627 < Fcalculado rechazamos la hipótesis nula.

Por lo tanto, los coeficientes en la muestra 1 son diferentes a los coeficientes de la

muestra 2.

c) Contraste la hipótesis de que la varianza es igual en ambas muestras.

H 0 : σ 12 =σ 22 H 0 : σ 12 ≠σ 22

2 e1 ' e 1 450 2 e 2 ' e 2 2300

n1 → σ 1 = = =4.6392 n2 → σ 2 = = =7.7441
n−k 100−3 n−k 300−3

σ 21 4.6392
F= 2 → F (n −1 , n −1 ) F= =0.59
σ2 1 2
7.7441

6
 Ecometría I UNMSM-FCE

F(99 ,299)

F0.025 = 0.71 0.59 F0.975 = 1.36

∴ Se rechaza la hipótesisnula , es decir las varianzas en ambas muestras son diferentes .

3. La siguiente tabla proporciona cifras sobre importaciones, PNB e índice de precios al

consumidor (IPC) para los Estados Unidos, durante el periodo 1970-1983.

Importaciones de mercancías, PNB e IPC, Estados Unidos, 1970-1983

Año Importaciones de merca-derías PNB (miles de IPC, todos los renglo-nes
(millones de $) millones de $) (1967 = 100)
1970 39,866 992.7 116.3
1971 45,579 1,077.6 121.3
1972 55,797 1,185.9 125.3
1973 70,499 1,326.4 133.1
1974 103,811 1,434.2 147.7
1975 98,185 1,549.2 161.2
1976 124,228 1,718.0 170.5
1977 151,907 1,918.0 181.5
1978 176,020 2,163.9 195.4
1979 212,028 2,417.8 217.4
1980 249,781 2,613.9 246.8
1981 265,086 2,957.8 272.4
1982 247,667 3,069.3 289.1
1983 261,312 3,304.8 298.4

Se postula el modelosiguiente:
Ln Importacionest = 1 + 2 ln PNBt + 3 ln IPCt + i
a) Estímense los parámetros de este modelo utilizando la información dada en la
tabla.
b) ¿Se sospecha que hay multicolinealidad en los datos?
c) Examínese la naturaleza de la multicolinealidad utilizando el índice de
condicionamiento.

Solución:
a) Estímense los parámetros de este modelo utilizando la información dada en la tabla.

Estimation Command:
=====================
LS LOG(IMPORT) C LOG(PNB) LOG(IPC)
Estimation Equation:

7
 Ecometría I UNMSM-FCE

=====================
LOG(IMPORT) = C(1) + C(2)*LOG(PNB) + C(3)*LOG(IPC)

Substituted Coefficients:
=====================
LOG(IMPORT) = -2.267798333 + 3.174538406*LOG(PNB) - 1.895557849*LOG(IPC)
Dependent Variable: LOG(IMPORT)
Method: Least Squares
Date: 05/28/11 Time: 19:31
Sample: 1970 1983
Included observations: 14
Variable Coefficient Std. Error t-Statistic Prob.
C -2.267798 1.052171 -2.155352 0.0541
LOG(PNB) 3.174538 0.763627 4.157186 0.0016
LOG(IPC) -1.895558 0.934364 -2.028715 0.0674
R-squared 0.972523 Mean dependent var 11.73367
Adjusted R-squared 0.967527 S.D. dependent var 0.672834
S.E. of regression 0.121246 Akaike info criterion -1.194583
Sum squared resid 0.161706 Schwarz criterion -1.057642
Log likelihood 11.36208 F-statistic 194.6681
Durbin-Watson stat 1.313299 Prob(F-statistic) 0.000000

b) ¿Se sospecha que hay multicolinealidad en los datos?

Al analizar la significancia de las variables y el modelo no hay evidencias saltantes de

multicolinealidad, ya que LOG(PNB) es significativa y LOG(IPC) tiene baja significancia.
Pero analizando directamente los datos obtenemos:

b.1. Observamos una relación lineal directa entre PNB e IPC, por el método Gráfico:

8
 Ecometría I UNMSM-FCE

8.2

8.0

7.8

7.6
LPNB

7.4

7.2

7.0

6.8
4.6 4.8 5.0 5.2 5.4 5.6 5.8

LIPC

b.2. Hacemos uso del método de matriz R:

Ln PNBt = θ1 + θ2 Ln IPCt

LIPC LPNB
LIPC  1.000000  0.994035
LPNB  0.994035  1.000000

Podemos observar que la relación que existe entre las variables IPC y PNB son altas, es decir que
una variación en IPC modifica considerablemente a PNB, estos resultados nos indican de que
existe multicolinealidad.

c) Examínese la naturaleza de la multicolinealidad utilizando el índice de condicionamiento.

R− λI =0

1 O.994035
[O .994035 1 ] [1λ 1λ ] [00 ]
- =

1−λ 0.994035
[0.994035 1−λ ] [00 ]
=

9
 Ecometría I UNMSM-FCE

( 1−λ )2−( 0. 994035 )2 = 0

( 1−λ )2 = 0.9881055812

λ2 −2 λ+0 . 0118944188=0

λ1 1.994035116 λ1
[] [
λ2
= 0.00596488392 ] IC= √ λ 2 = 18.2837554

Como: 10 ¿ IC ¿ 30; hay una colinealidad moderada.

Esta multicolinealidad se debe principalmente a que ambas variables incluidas en el

modelo sean datos de serie de tiempo y comparten una tendencia común (como se ha
notado la relación directa entre ambas variables, en el cuadro precedente): es decir
ambas aumentan a través del tiempo.

4. Se han utilizado datos trimestrales para estimar la función

Yt =  + 1 D1 + 2 D2 + 3 D3 + 4 D4 +  X1 +t

Donde Di es una variable ficticia que toma el valor 1 en el trimestre i-ésimo y 0 en los
demás.
a) Indicar que parámetros son estimables y cuales no.
b) Un investigador pone la restricción  = 0 y otro impone la restricción 4 = 0,
¿Serán las estimaciones 1 diferentes en ambos casos?¿Por qué?
c) Suponer que  = 0 y que Xt es una variable que tiene la siguiente pauta
estacional Xt = 1, 2, 3, 4 ; si t es del primer, segundo, tercer o cuarto trimestre
respectivamente, ¿Puede estimarse ?

a) Indicar que parámetros son estimables y cuáles no.

Ningún parámetro se puede estimar debido que de la columna 1 es una

combinación lineal de la columna 2 hasta la columna 5. Dicho de otro modo, como
la variable cualitativa que indica estacionalidad tiene 4 categorías solo hay que
agregar 3 variables dummy, para no caer en la trampa de la multicolinealidad.

b) Un investigador pone la restricción  = 0 y otro impone la restricción 4 = 0,

¿Serán las estimaciones 1 diferentes en ambos casos? ¿Por qué?

10
 Ecometría I UNMSM-FCE

Si  es igual a cero entonces el modelo se escribirá de la siguiente manera:

Yt = 1 D1 + 2 D2 + 3 D3 + 4 D4 +  X1 +t (M1)

Si 4 es igual a cero entonces el modelo se puede escribir como sigue:

Yt =  +1 D1 + 2 D2 + 3 D3 +  X1 +t (M2)

Luego las estimaciones de 1 serán diferentes para ambos modelos, ya que en el modelo
M1 éste es el valor autónomo, mientras que en el modelo M2 mide el efecto diferencial
en el promedio de Y al pasar del 4to al 1er trimestre, el valor autónomo en el modelo M2
será α + 1

c) Suponer que α= 0 y que X t es una variable que tiene la siguiente pauta estacional
X t = 1, 2, 3, 4; si t es del primer, segundo, tercer o cuarto trimestre
respectivamente, ¿Puede estimarseβ?

Dada esta pauta, la matriz X será

1 0 0 0 1

[ ]
0 1 0 0 2
0 0 1 0 3
0 0 0 1 4
1 0 0 0 1
X=
0 1 0 0 2
0 0 1 0 3
0 0 0 1 4
. .. . .. . . . .. . .. .
0 0 0 1 4

Luego ningún parámetro se puede estimar, debido a que la suma de de la columna 1

a la columna 4 son combinación lineal que es igual a la columna 5 .

5. Los parámetros del siguiente modelo de regresión han sido estimados por MCO
utilizando datos trimestrales de los años comprendidos entre 1968 y 1986 (ambos
inclusive):

11
 Ecometría I UNMSM-FCE

(1) Y^ t =2. 2+0 . 104 X 1 t −3 . 48 X 2t +0 . 34 X 3t ; SCE=18 . 48 ; SCR= 109 .6

Posteriormente se han estimados dos nuevas regresiones basadas en el modelo

original, con datos trimestrales de 1968 a 1978 y de 1979 a 1986, respectivamente.
Las sumas de cuadrados de los residuos obtenidas para cada uno de los sub-períodos
son 9.32 y 7.46, respectivamente. Si queremos contrastar la hipótesis de estabilidad
de los coeficientes del modelo anterior en los dos sub-períodos:

a) ¿Cuál sería el contraste que realizarías? Explica claramente cuál es la hipótesis

nula a contrastar y el mecanismo de contraste.
b) Aplica el contraste anterior al ejercicio propuesta. ¿Qué conclusiones obtienes?
c) ¿Qué contraste realizarías si sólo se quiere analizar la estabilidad del
coeficiencia de la variable X 1
d) En el caso de que el contraste anterior dijera que el coeficiente de X 1 es
diferente en los dos sub-periodos, ¿Cómo se especifica el modelo?
e) Contrasta la presencia de estacionalidad trimestral en el modelo (1) sabiendo
que al añadir variables ficticias que recogen este efecto, la suma de cuadrados
es 114.8.

SOLUCIÓN
a) ¿Cuál sería el contraste que realizarías? Explica claramente cuál es la hipótesis
nula a contrastar y el mecanismo de contraste.

Como disponemos de datos de series de tiempo, para contrastar la hipótesis de

estabilidad del modelo usamos el Test de Chow:

Planteamiento de la hipótesis:

Ho : B1 = B2 H 1 : B1≠B 2

El mecanismo de contraste sería:

[ SCE ( MR )−SCE ( MSR )] / k

F → F (k ;T −2 k )
SCE ( MSR )/T −2

Tal que si Fcalculado≻Fcrítico , rechazamos la hipótesis nula y, por lo tanto, decimos

que hay quiebre estructural.

b) Aplica el contraste anterior al ejercicio propuesto. ¿Qué conclusiones obtienes?

12
 Ecometría I UNMSM-FCE

(18 . 48−16 . 78)/3

Fcalculado= =1 . 72
Como 16 . 78/(76−6)

F0.95(3,70) =2.73

Como Fcalculado≺Fcrítico aceptamos la hipótesis nula y , por lo tanto, no existe

quiebre estructural, de modo que hay un solo proceso generador de datos.

c) ¿Qué contraste realizarías si sólo quieres analizar la estabilidad del coeficiente

de la variable X1?

Para este caso lo mejor sería utilizar variables dummy, ya que en el análisis de quiebre
estructural, nos permitirá analizar la estabilidad de cada parámetro de modo
independiente.

Entonces, definimos la variable dummy como D tal que:

D = 1 en los trimestres comprendidos entre 1979 y 1986.

D = 0 en caso contrario
Luego, el modelo quedaría especificado de la siguiente manera:

Yt = B0 + B1*X1t + B2*X2t + B3*X3t + B4*Dt * X1t + ut

De este modo, para ver si existe estabilidad en el coeficiente de la variable X1

estimamos el nuevo modelo planteado y hacemos la prueba de hipótesis de
significancia individual Ho : B4 = 0 por medio del estadístico t. Si se rechaza la
hipótesis, entonces tendremos que el coeficiente X no será estable en el tiempo, pues
en ese caso el coeficiente de X1 sería diferente para cada uno de los 2 sub-periodos y ,
por lo tanto, existirían dos procesos generadores de datos.

d) En el caso de que el contraste anterior te dijera que el coeficiente de X 1 es

diferente en los dos sub-períodos, ¿cómo especificarías el modelo?

La especificación sería

Yt = B0 + B1*X1t + B2*X2t + B3*X3t + B4*Dt * X1t + ut

En este caso existirán dos modelos uno para cada período:

De 1968 a 1979 : Yt = B0 + B1*X1t + B2*X2t + B3*X3t + ut

13
 Ecometría I UNMSM-FCE

De 1979 a 1986: Yt = B0 + ( B1 + B4)*X1t + B2*X2t + B3*X3t + ut

e) Contrasta la presencia de estacionalidad trimestral en el modelo (1) sabiendo

que al añadir variables ficticias que recogen este efecto la suma de cuadrados es
114.8?
En este caso debemos incluir en el modelo variables ficticias que incorporen los
cambios tanto en los valores autónomos como en las variables regresoras. Agregamos
3 variables dummy al modelo, las cuales corresponden a cada trimestre. Entonces, el
modelo sería:

 T2: 0 y 1; 1 en el trimestre 2 y 0 en otros

 T3: 0 y 1; 1 en el trimestre 3 y 0 en otros
 T4: 0 y 1; 1 en el trimestre 4 y 0 en otros

Y = β1 +∝2 T 2 +∝3 T 3 +∝4 T 4 + β 2 X 2t +γ 2 T 2∗X 2 t + γ 3 T 3∗X 2t + γ 4 T 4∗X 2t + ¿

β 3 X 3 t +δ 2 T 2∗X 3t +δ 3 T 3∗X 3 t + δ 4 T 4∗X 3 t + ε T

Asi para el trimestre 1 seria:

Y 1=β 1 + β 2 X 2t + β3 X 3 t ε T
Trimestre 2:
Y 2=(β ¿ ¿ 1+∝2 )+ ¿ ¿ ¿
Trimestre 3:
Y 3=(β ¿ ¿ 1+ ∝3 )+¿ ¿ ¿
Trimestre 4:
Y 4 =(β ¿ ¿ 1+∝4 )+¿ ¿ ¿

Nótese que con ello tendríamos 12 coeficientes

Luego, para contrastar la presencia de estacionalidad trimestral en el modelo, se
analiza la significancia de los coeficientes que involucran el efecto diferencial y
trimestral, para lo cual usaremos la suma de cuadrados de la regresión SCR.

Sea SCR (MR) =109.6

SCR (MSR) = 114.8

[ SCR( MSR )−SCR ( MR ) ] /9

F → F (9 ;76−12 )
SCE( MSR )/T −K

(114 .8−109 .6 )/9

Fcalculado= =2 . 20
(9 . 32+7. 46)/(76−12)

14
 Ecometría I UNMSM-FCE

F0.95(9,64) = 2.03

Como Fcalculado≻Fcrítico rechazamos la hipótesis nula y, por lo tanto, existe

presencia de estacionalidad trimestral.

6. Se seleccionaron al azar 17 personas que ejercen una misma profesión, de las que se
obtuvo la siguiente información sobre salarios y años de experiencia según sexo:

Hombre Mujer
Sueldo (wi) Experiencia (xi) Sueldo (wi) Experiencia (xi)
1.65 2 1.98 5
1.52 1 2.14 7
1.91 6 2.61 13
2.46 10 3.1 15
2.64 8 3.38 19
3.14 13 3.5 25
3.32 16 3.6 27
3.61 30 3.65 20
3.64 31
Sum w = 23.89 Sum x = 117 Sum w =23.96 Sum x =131
Sum w2 =68.87 Sum x2 =2491 Sum w = 74.88 Sum x2 = 2583
2

Sum x w = 377.08 Sum x w = 427.23

a) Especifique un modelo explicativo de la determinación del salario de esta profesión

introduciendo al sexo como factor explicativo.
b) Ajuste el modelo e interprete los coeficientes del modelo.
c) Especifique el modelo de regresión para determinar si el sexo tiene un efecto
interactivo con la experiencia para explicar el sueldo.

Solución:
a) Especifique un modelo explicativo de la determinación del salario de esta profesión
introduciendo al sexo como factor explicativo.

W = C + B2*D1 + B3*E

D1 = 1, si es hombre, W = (C + B2) + B3*E

D1= 0, si es mujer, W = C + B3*E

b) Ajuste el modelo e interprete los coeficientes del modelo.

Dependent Variable: W
Method: Least Squares
Date: 05/27/11 Time: 16:58

15
 Ecometría I UNMSM-FCE

Sample: 1 17
Included observations: 17

Variable Coefficient Std. Error t-Statistic Prob.  

C 1.815674 0.169002 10.74351 0.0000

D1 -0.097488 0.148695 -0.655628 0.5227
E 0.072020 0.008019 8.980764 0.0000

R-squared 0.860111     Mean dependent var 2.814706

Adjusted R-squared 0.840127     S.D. dependent var 0.752547
S.E. of regression 0.300899     Akaike info criterion 0.594703
Sum squared resid 1.267566     Schwarz criterion 0.741741
Log likelihood -2.054977     F-statistic 43.03967
Durbin-Watson stat 0.992079     Prob(F-statistic) 0.000001

C = 1.815674, es el valor autónomo del salario, independiente de las variaciones de la experiencia

profesional y del género.

B2 = - 0.097488, es en cuanto disminuye el salario promedio por ser varón frente a ser mujer (efecto
diferencial del género)

B3 = 0.072020, es en cuanto aumenta el salario cuando se incrementa en un año la experiencia del

trabajador

c) Especifique el modelo de regresión para determinar si el sexo tiene un efecto

interactivo con la experiencia para explicar el sueldo.

W = C + B2*E + B3*E*D1 +e

Dependent Variable: W
Method: Least Squares
Date: 05/27/11 Time: 17:23
Sample: 1 17
Included observations: 17

Variable Coefficient Std. Error t-Statistic Prob.  

C 1.742804 0.134745 12.93412 0.0000

E 0.077012 0.008993 8.563961 0.0000
E*D1 -0.007493 0.008358 -0.896569 0.3851

R-squared 0.863645     Mean dependent var 2.814706

Adjusted R-squared 0.844166     S.D. dependent var 0.752547
S.E. of regression 0.297074     Akaike info criterion 0.569116

16
 Ecometría I UNMSM-FCE

Sum squared resid 1.235543     Schwarz criterion 0.716153

Log likelihood -1.837483     F-statistic 44.33658
Durbin-Watson stat 1.025030     Prob(F-statistic) 0.000001

La prueba t nos indica que el efecto interactivo no es significativo, el impacto de la experiencia no

de un género a otro.

17