ECONOMETRA II

TALLER 2
4.
a. Efecte un anlisis grafico de las variables a modelar en la estructura panel,
determine si son paneles cortos o largos. Interprete sus resultados.
Grfico 1:

Esta es la grfica de lneas de nuestras variables para los primeros 7 individuos, donde se
observa el comportamiento de las variables para cada uno de ellos, que se evidencia muy
distinto para cada uno.
Vemos que es un panel corto, ya que hay muchos individuos y pocos periodos.
La grfica de la variable dependiente math a travs del tiempo, para las primeras 50
observaciones, es:

Grfico 2

Se grafica los primeros 7 individuos (distid) y se observa una gran varianza para cada uno
de ellos, lo que evidencia como debe ser, una gran volatilidad de los valores de math.
b. Encuentre las estadsticas de las series descompuestas por su efecto Within y
Between. Interprete sus resultados.
Realizamos un anlisis de correlacin para observar la relacin entre variables:
Tabla 1:

Observemos, como era de esperar, una relacin negativa entre la desercin (deserc) y el
porcentaje de alumnos que aprobaron una prueba estandarizada de matemticas (math). La
mayor correlacin entre variables est entre math y la variable gastos, que son los gastos
promedios por alumno.
Las estadsticas de las series descompuestas por los efectos between y within son las
siguientes:

Tabla 2:

Para el conjunto de datos (math) la desviacin tpica es 17.5, con una desviacin entre los
individuos (distid) de 12,75 y una variacin dentro de los individuos o entre el tiempo muy
similar, que son desviaciones aceptables. Para el resto de las variables, la nica variable que
presenta gran diferencia entre las desviaciones between y within es la variable alum, o la
cantidad de alumnos que entraron al distrito en un ao t, esto se debe a que las variacin
del nmero de alumnos no es muy relevante si se compara con la diferencia entre ellos
(nivel socioeconmico, raza)
c. Encuentre los estimadores agrupados (pooled), efectos fijos (FE), efectos aleatorios
(RE), Between y Within. Compare e interprete sus resultados.
- Los estimadores agrupados (pooled) parten del supuesto de no heterogeneidad. En este
enfoque se emiten las dimensiones de individuo y tiempo de los datos agrupados, y solo
calcular la regresin MCO.

Tabla 3.

En la anterior regresin observamos un R-squared de 0.2695, que es aceptable para nuestro

modelo, aunque algo moderado. La varianza residual es de 222.52, mientras que la varianza
explicada por el modelo es de 77485, que da un estadstico F de 348.21, que es
estadsticamente significativa con 4 y 3760 grados de libertad.
Luego vienen los coeficientes de regresin, con un corte en 10.03, que se podra interpretar
como el porcentaje de alumnos que aprobaron en una prueba estandarizada de matemticas
para sptimo grado si el alumno estuviera por fuera del sistema educativo y no hubiera
polticas de educacin para ellos. En cuanto a los otros coeficientes, vemos que todos son
estadsticamente significativos con un nivel de significancia del 5%. La variable que
explica la mayo variabilidad positiva de las calificaciones es la variable gastos, con un
coeficiente de 0.0012; lo que significa que 1 unidad adicional de gastos promedio por
alumno, aumenta el porcentaje de alumnos que aprueban la prueba en un 0.0012%. En
sentido contrario, la tasa de desercin explica el peor rendimiento es estas pruebas, as, por
cada unidad que aumenta la tasa de desercin, el porcentaje de alumnos que aprueban el
examen disminuye en un 0.47%.
Metodologa Robusta.
Esta metodologa corrige la heteroscedasticidad con errores robustos, esto con el fin de
concentrar la correccin en la varianza de los parmetros, lo que produce resultados ms
cercano para muestras grandes como las de esta base de datos.

Tabla 4.

En esta regresin robusta vemos que los intervalos de confianza se reducen de igual forma
que los estadsticos z, lo que es positivo ya que hay menos probabilidad de cometer un error
tipo 1 (Aceptar la hiptesis nula cuando esta es falsa). As, en esta nueva regresin la
variable deserc ya no es significativa, mientras que las otras variables lo siguen siendo.
- Modelo de efectos fijos.
En esta metologia se permite modelar algn tipo de endogeneidad, esto es, el valor
esperado de las variables explicativas y el erro, pueden ser distintas de cero. Esto de
observa en la siguiente regresin por efectos fijos:

Tabla 5:

Observamos una correlacin de -0.4332. El test F se significancia conjunta nos da que es

significativo. En este caso tenemos 2 variables que no son significativas (alum, deserc).
Aqu la R-sq se descompone entre within, between y overall; as, tomando como unidad de
anlisis a los individuos (distid) la variacin entre ellos representa el 0.01%, mientras que la
variacin a travs del tiempo es de 0.49%. Se rechaza la hiptesis nula de que todos los
coeficientes son mayores que cero, ya que Prob>F =0.000.
-Modelo Efectos Aleatorios
En este modelo, el efecto no observado, a diferencia de lo que ocurre en efectos fijos, es
una variable aleatoria. Adems se parte del supuesto de exogeneidad fuerte.

Vemos que el modelo es significativo con una prueba chi cuadrada; y que solo la desercin
es una variable no significativa.
Comparando estos modelos, podemos hacer las siguientes aseveraciones:
La base de datos tiene 3765 aproximaciones y 6 variable, lo que nos facilita estimar este
modelo por el mtodo de variables ficticias, lo que refuerza el uso de efectos fijos. Adems,
ya que las variables no se mantienen contantes en todo el periodo analizado, el mtodo de
Efectos Fijos no tendr problema en calcularlas.
Ya que el modelo de efectos aleatorios supone el supuesto de exogeneidad fuerte, lo que
puede producir un sesgo a diferencia del modelo de efectos fijos que es ms consistente en
este aspecto. Para hallar la pertinencia de cada uno de ellos, realizaremos las pruebas.
d. Realice las pruebas de hiptesis sobre los parmetros, conjuntas, Hausman y LM.
Realice el test de Wooldridge. Interprete cada uno de sus resultados.
La comparacin de modelos general nos da la siguiente aproximacin:

Vemos pequeas diferencia en los coeficientes de las variables, y lo que llama la atencin
no es la diferencia entre los valores sino el cambio de signo que tienen algunos coeficientes,
inclusos dentro del mismo modelo de estimacin (FE contra FE_rob). La variable deserc
tiene signo positivo cuando estamos en modelos de efectos fijos, al igual que la variable
alum, contrario a lo que sucede en el mtodo de estimacin OLS_rob y efectos fijos en sus
dos casos.
-Prueba de Haussman:
Se supone la prueba de hiptesis siguiente:
H0 : Diferencia en los coeficientes no significativas
Tenemos que si rechazamos H0, los estimadores si difieren, y por ende el modelo de efectos
fijos es ms apropiado que el modelo de efectos aleatorios. Por el contrario, sino hay
diferencias significativas, se evita el sesgo y en este caso es mejor usar efectos aleatorios,
ya que es ms eficiente que el modelo de efectos fijos.
Analizamos la salida,

Observamos para este ejercicio que la Ho se rechaza; es decir, la diferencia entre los
coeficientes de efectos aleatorios y fijos s es significativa. En este caso, como se analiz
anteriormente, conviene usar el mtodo de efectos fijos.
- Prueba Breush y Pagan (Multiplicadores de Lagrange)

El p-value nos indica que podemos rechazar la Ho; por lo tanto, los efectos aleatorios son
relevantes y es preferible usar la estimacin de efectos aleatorios en vez de la agrupada.
- Prueba de Wooldridge

6. Para el articulo The Effects of Infrastructure Determinants on Economic Growth:

European Union Sample:
a. Realice una tabla donde se expongan los principales supuestos del artculo.