Академический Документы
Профессиональный Документы
Культура Документы
ii)
R:
Hiptesis nula:
H0= B1 = - B2
H1= B1 + B2 = 0
iii)
Estime el modelo dado usando los datos del archivo VOTE.RAW y presente
los resultados de la manera usual. Los gastos de A afectan los resultados de
las elecciones? Y los gastos de B? Puede usar estos resultados para probar
la hiptesis del inciso ii?
Vote = 45.078 + 6.083 Log (expend A) 6.61 Log (expend B) + 0,151 prtystrA
R: lo que hacen los gastos A es en incidir positivamente en el resultado de las
elecciones al candidato A, ya que una unidad adicional de gasto implica un aumento en
el porcentaje de votos del candidato en un 6,083%. Y lo que hacen los gastos B es
afectar el resultado de las elecciones en forma negativa al candidato B, puesto que al
aumentar los gstos B en una unidad adicional, se reducira la cantidad de votos recibidos
del candidato en 6,615 %, por lo que se puede probar la hiptesis del inciso ii
Source
SS
df
MS
Model
Residual
38405.1096
10052.1389
3
169
12801.7032
59.480112
Total
48457.2486
172
281.728189
voteA
Coef.
lexpendA
lexpendB
prtystrA
_cons
6.083316
-6.615417
.1519574
45.07893
iv)
Std. Err.
.38215
.3788203
.0620181
3.926305
t
15.92
-17.46
2.45
11.48
Number of obs
F( 3,
169)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.000
0.015
0.000
=
=
=
=
=
=
173
215.23
0.0000
0.7926
0.7889
7.7123
6.837719
-5.867588
.2743873
52.82985
R:
1 = B1 + B 2
B1 = 1 B2
Usando el mtodo del problema 3.4, establezca y pruebe la hiptesis nula de que el
ranking entre las escuelas de derecho no tiene efecto ceteris paribus sobre el suelo
inicial medio.
Source
SS
df
MS
Model
Residual
8.73362207
1.64272974
5
130
1.74672441
.012636383
Total
10.3763518
135
.076861865
lsalary
Coef.
LSAT
GPA
llibvol
lcost
rank
_cons
.0046965
.2475239
.0949932
.0375538
-.0033246
8.343226
Std. Err.
.0040105
.090037
.0332543
.0321061
.0003485
.5325192
t
1.17
2.75
2.86
1.17
-9.54
15.67
Number of obs
F( 5,
130)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.244
0.007
0.005
0.244
0.000
0.000
=
=
=
=
=
=
136
138.23
0.0000
0.8417
0.8356
.11241
.0126308
.4256514
.160783
.1010718
-.0026352
9.396752
. lincom rank
( 1)
rank = 0
lsalary
Coef.
(1)
-.0033246
H0 = Brank = 0
Std. Err.
.0003485
t
-9.54
P>|t|
0.000
-.004014
-.0026352
Brank < 0
-9,54
-1,645
5%
Si se disminuye en 2 niveles el ranking, como afecta el salario?
-0,0033 (2) = -0,0066 *100 = -0,66% que es la disminucin del salario en 2 niveles que
disminuye el ranking
Con esto decimos que el ranking no tiene un efecto grande sobre el salario, pues por
cada nivel de que disminuye en el ranking, el salario disminuir en 0,33%
ii) Son las caractersticas de los estudiantes de nuevo ingreso a saber, LSAT y GPA
significativas de manera individual o conjunta para explicar el sueldo (salary)?
(Asegrese de tomar en cuenta que hay datos faltantes en LSAT y GPA.)
R: GPA se hace significativa, pues al aumentar el promedio en un punto, conjuntamente
aumentar el salario del estudiante de nuevo ingreso en un $ 0,248; ahora LSAT no es
muy significativa puesto que al aumentar el puntaje del grupo en un punto, su salario
aumentar en un $0,0047. Adems de esto, el estadstico t de GPA es de 2,76 y por el
contrario, este si es estadsticamente significativo.
iii) Pruebe si el tamao del grupo (clsize) o el tamao de la facultad (faculty) necesitan
ser agregados a esta ecuacin; realice una prueba sencilla. (Tenga cuidado de tomar en
cuenta que hay datos faltantes en clsize y faculty.)
Source
SS
df
MS
Model
Residual
8.51020266
1.57316189
7
123
1.21574324
.012789934
Total
10.0833645
130
.077564343
lsalary
Coef.
LSAT
GPA
llibvol
lcost
rank
clsize
faculty
_cons
.0055824
.2660667
.055158
.0296716
-.0034277
.0001342
.0000675
8.415897
Std. Err.
.0041798
.0932495
.0404005
.034683
.0003573
.0001535
.0003999
.552253
t
1.34
2.85
1.37
0.86
-9.59
0.87
0.17
15.24
Number of obs
F( 7,
123)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.184
0.005
0.175
0.394
0.000
0.384
0.866
0.000
=
=
=
=
=
=
131
95.05
0.0000
0.8440
0.8351
.11309
.0138561
.4506484
.1351283
.0983246
-.0027204
.000438
.0008591
9.509048
SS
df
MS
Model
Residual
4.71671468
3.30088884
2
85
2.35835734
.038833986
Total
8.01760352
87
.092156362
lprice
Coef.
sqrft
bdrms
_cons
.0003794
.0288844
4.766027
Std. Err.
.0000432
.0296433
.0970445
t
8.78
0.97
49.11
Number of obs
F( 2,
85)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.333
0.000
=
=
=
=
=
=
88
60.73
0.0000
0.5883
0.5786
.19706
.0004654
.0878232
4.958978
[0,00030; 0,00045]
Log (price) = 0,00038 (130) + 0,029 (1)
Log (price) = 0,0784 * 100 = 7,84 %
B 2 = 1 + B1
0,0784 = 0,0494 + B2
B2 = 0,0784 0,0494 = 0,029
Log (price) = 0,00038 (130) + 0,029
Log (price) =0,0784 = 7,84%
iii) Emplee el inciso ii) para obtener el error estndar de 1 y con este error estndar
construya un intervalo de confianza de 95%.
n = 88
gl = 88 2 1 = 85
Nivel de significancia = 5%
c = 1,662
[0,00038 1,662 (0,0000432); 0,00038 + 1,662 (0,0000432)
[0,00030; 0,00045]
iv) En el ejemplo 4.9 puede estimarse la versin restringida del modelo empleando
todas las 1,388 observaciones mustrales. Calcula R-cuadrada de la regresin de bwght
sobre cigs, parity y faminc empleando todas las observaciones. Compare esto con la Rcuadrada dada para el modelo restringido del ejemplo 4.9.
SS
df
MS
Model
Residual
19996.5211
554615.199
3
1384
6665.50703
400.733525
Total
574611.72
1387
414.283864
bwght
Coef.
cigs
parity
faminc
_cons
-.4771537
1.616372
.0979201
114.2143
Std. Err.
.091518
.603955
.0291868
1.4693
Number of obs
F( 3, 1384)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
-5.21
2.68
3.35
77.73
0.000
0.008
0.001
0.000
=
=
=
=
=
=
1388
16.63
0.0000
0.0348
0.0327
20.018
-.2976247
2.801138
.1551752
117.0966
SS
df
MS
Model
Residual
18705.5567
464041.135
5
1185
3741.11135
391.595895
Total
482746.692
1190
405.669489
bwght
Coef.
cigs
parity
faminc
motheduc
fatheduc
_cons
-.5959362
1.787603
.0560414
-.3704503
.4723944
114.5243
Std. Err.
.1103479
.6594055
.0365616
.3198551
.2826433
3.728453
t
-5.40
2.71
1.53
-1.16
1.67
30.72
Number of obs
F( 5, 1185)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.007
0.126
0.247
0.095
0.000
=
=
=
=
=
=
1191
9.55
0.0000
0.0387
0.0347
19.789
-.3794373
3.081336
.1277742
.2570951
1.026931
121.8394
Bwght = 114.52 0,60 (cigs) + 1,79 (parity) + 0,056 (faminc) 0,37 (motheduc) +
0,472 (fatherduc)
La R2 de la regresin bwght cuando se opta por tomar en cuenta solo cigs, parity y
faminc es de 0,0384, se acerca ms a cero y al incluir las variables motheduc y fatheduc
se incrementa en 0,0387, lo que nos dice que tiene los padres no es relevante en la
ecuacin
4. Para este ejercicio emplee los datos en el archivo MLB1.RAW.
i) Emplee el modelo estimado en la ecuacin (4.31) y elimine la variable rbisyr. Qu
pasa con la significancia estadstica de hrunsyr? Qu pasa con el tamao del
coeficiente de hrunsyr?
Antes
SS
df
MS
Model
Residual
308.989208
183.186327
5
347
61.7978416
.527914487
Total
492.175535
352
1.39822595
lsalary
Coef.
years
gamesyr
bavg
hrunsyr
rbisyr
_cons
.0688626
.0125521
.0009786
.0144295
.0107657
11.19242
Std. Err.
.0121145
.0026468
.0011035
.016057
.007175
.2888229
t
5.68
4.74
0.89
0.90
1.50
38.75
Ahora
Number of obs
F(
5,
347)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.000
0.376
0.369
0.134
0.000
=
=
=
=
=
=
353
117.06
0.0000
0.6278
0.6224
.72658
.0926898
.0177578
.003149
.0460107
.0248776
11.76048
SS
df
MS
Model
Residual
307.800674
184.374861
4
348
76.9501684
.52981282
Total
492.175535
352
1.39822595
lsalary
Coef.
years
gamesyr
bavg
hrunsyr
_cons
.0677325
.0157595
.0014185
.0359434
11.02091
Std. Err.
.0121128
.0015636
.0010658
.0072408
.2657191
t
5.59
10.08
1.33
4.96
41.48
Number of obs
F( 4,
348)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.000
0.184
0.000
0.000
=
=
=
=
=
=
353
145.24
0.0000
0.6254
0.6211
.72788
.091556
.0188348
.0035147
.0501847
11.54353
SS
df
MS
Model
Residual
314.510478
177.665058
7
345
44.9300682
.514971181
Total
492.175535
352
1.39822595
lsalary
Coef.
years
gamesyr
bavg
hrunsyr
runsyr
fldperc
sbasesyr
_cons
.0699848
.0078995
.0005296
.0232106
.0173922
.0010351
-.0064191
10.40827
Std. Err.
.0119756
.0026775
.0011038
.0086392
.0050641
.0020046
.0051842
2.003255
t
5.84
2.95
0.48
2.69
3.43
0.52
-1.24
5.20
Number of obs
F( 7,
345)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.003
0.632
0.008
0.001
0.606
0.216
0.000
=
=
=
=
=
=
353
87.25
0.0000
0.6390
0.6317
.71761
.0935391
.0131657
.0027007
.0402027
.0273525
.0049778
.0037775
14.3484
El valor significativo t vendra siendo sbasesyr, ya que las otras variables tienen valor
significativo comn donde estn en un parmetro positivo. Si se toma el estadstico F
sirve para detectar si un conjunto de coeficientes es distinto de cero, pero nunca ser la
mejor prueba para determinar si un solo coeficiente es distinto de cero. Para probar una
sola hiptesis la prueba t es ms adecuada.
iii) En el modelo del inciso ii) pruebe la significancia conjunta de bavg, fldperc y
sbasesyr.
SS
df
MS
Model
Residual
293.864058
198.311477
2
350
146.932029
.566604221
Total
492.175535
352
1.39822595
lsalary
Coef.
years
gamesyr
_cons
.071318
.0201745
11.2238
Std. Err.
.012505
.0013429
.108312
t
5.70
15.02
103.62
Number of obs
F( 2,
350)
Prob > F
R-squared
Adj R-squared
Root MSE
0.000
0.000
0.000
.0467236
.0175334
11.01078
B1 = 0; B2 = 0; B4 = 0; B5=0
H1 = H0 no es verdadera
q = 398.121 177.665
q = glr glnr
glr = 353 3 1
glnr =353 7 - 1
glr = 349
glnr = 345
q = 349 345 = 4
F=
= 55114
177.665
F = 107.023
514.97
345
Criterio de decisin = f > c
107,023 > 2,60
353
259.32
0.0000
0.5971
0.5948
.75273
P>|t|
=
=
=
=
=
=
= se rechaza H0 en favor de H1
.0959124
.0228156
11.43683