Estadstica e Introduccin a la Econometra

Curso 2012-13
Ejercicios del Tema 7
Soluciones

1.- Utilizando los datos del chero GPA2 del libro de Wooldridge sobre 4137
alumnos universitarios, se estima la siguiente ecuacin
\ = 1:392
colgpa 0:0135hsperc + 0:00148 sat
n = 4137; R2 = 0:273
donde colgpa es la nota media de la universidad medida sobre una escala de cuatro
puntos, hsperc es el percentil que ocupa en la distribucin de calicaciones de los
alumnos del instituto que se graduaron el mismo ao (denido de forma que, por
ejemplo, hsperc = 5 se reere al cinco por ciento de los mejores alumnos que se
gradan), y sat equivale a los resultados conjuntos en matemticas y lengua en el
test de aptitud escolar.
a) Por qu tiene sentido que el coeciente de hsperc sea negativo?
b) Qu nota media universitaria (colgpa) podemos predecir si hsperc =
20 y sat = 1050?
c) Supongamos que dos alumnos, A y B, se gradan en el instituto dentro
del mismo percentil, pero que el resultado de A en el test SAT de aptitud escolar
es 140 puntos ms alto que el de B (aproximadamente una desviacin estndar en
la muestra) Qu diferencia podemos predecir entre la nota media universitaria
de ambos alumnos? Es una diferencia importante?
d) Si mantenemos hsperc jo, qu diferencia en los resultados SAT nos
llevara a predecir una diferencia de 0:50 (medio punto) en colgpa? Razone la
respuesta.
Solucin:
a) Tal como esta denido hsperc, cuanto mayor sea el valor de hsperc,
peor es la nota del instituto y por tanto, si los restantes factores permanecen
constantes, peor cabe esperar que sea la nota de la universidad.
b) Utilizando la ecuacin estimada
\ = 1:392
colgpa 0:0135 20 + 0:00148 1050 = 2:676
se predice una nota media de 2:676 puntos.
c) El modelo estimado predice una diferencia de 0:00148 140 = 0:2072
puntos en la nota media entre de ambos alumnos. La diferencia no es muy
importante ya que es menos de un tercio de la desviacin estndar de colgpa:
d) Para predecir una diferencia de medio punto en la nota de la universidad,
\
4colgpa = 0:5 = 0:001484SAT;
0:5
4SAT = = 337:8
0:00148

1
la diferencia en SAT tendra que ser de 337:8 puntos. La diferencia en SAT es
muy grande ya que la desviacin estndar de SAT en la muestra es 139:40.

2.- En base a una muestra de 722 trabajadores (chero WAGE2 del libro de
Wooldridge) para los que se observa los aos de formacin (educ), el nmero de
hermanos (sibs), los aos de formacin del padre (f educ) y los aos de formacin
de la madre (meduc) se ha obtenido el siguiente modelo estimado:
d = 10:36
educ 0:094sibs + 0:131meduc + 0:210f educ
n = 722; R2 = 0:214
a) Tiene sibs el efecto esperado? Por qu? Si mantenemos meduc y
f educ jos, cunto tiene que aumentar sibs para reducir en un ao el nmero
medio de aos de educacin estimado?.
b) Interprete los coecientes estimados de meduc y f educ:
c) Supongamos que el individuo A no tiene hermanos y que tanto su
padre como su madre tienen 12 aos de educacin. El individuo B tampoco
tiene hermanos y su padre y su madre tienen 16 aos de educacin. Cul es la
diferencia estimada entre A y B en aos de educacin?.
Solucin:
a) S, el signo es negativo lo que implica que para un nivel de educacin
del padre y la madre jos, el tener ms hermanos disminuye el nivel de educacin.
Este hecho puede deberse a que cuantos ms hermanos haya, menos recursos
econmicos y menos tiempo podrn dedicar los padres a cada hijo. Segn el
modelo estimado, si mantenemos meduc y f educ jos y aumentamos en 10:6 el
nmero de hermanos, los aos de educacin disminuiran en 0:094 10:6 ' 1 ao,
y por tanto el efecto es pequeo.
b) Cuando el nivel de educacin de la madre aumenta en 1 ao (manteniendo
constante los aos de educacin del padre y el nmero de hermanos) el nivel de
educacin del hijo aumenta en 0.131 aos, 48 das aproximadamente.
Cuando el nivel de educacin del padre aumenta en 1 ao (manteniendo
constante los aos de educacin de la madre y el nmero de hermanos) el nivel de
educacin del hijo aumenta en 0.21 aos, 77 das aproximadamente. Segn este
resultado, un aumento en el nmero de aos de educacin del padre tiene mayor
efecto que el mismo aumento en el nmero de aos de educacin de la madre.
c) El modelo predice que el individuo A tendr 1:36 (0:131 4+0:210 4 =
1:364) aos de educacin menos que el individuo B.

3.- Considere el siguiente modelo que relaciona el tiempo dedicado a dormir y

el dedicado a trabajar, junto a otros factores que afectan el sueo:
sleep = 0 + 1 torwrk + 2 educ + 3 age +u
donde el tiempo dedicado a dormir (sleep) y el tiempo total de trabajo (totwrk)
se miden en minutos por semana y el nivel de educacin (educ) y la edad (age) se
miden en aos.

2
 a) Si los adultos sustituyen tiempo de sueo por trabajo, cul ser el
signo esperado de 1 ?
b) Utilizando los datos del chero SLEEP75 del libro de Wooldridge, la
ecuacin estimada es
[ = 3638:25 0:148torwrk 11:13educ + 2:2 age
sleep
n = 706; R2 = 0:113
Si un individuo trabaja cinco horas ms por semana en cuntos minutos se estima
que disminuir sleep?.
c) Comente el signo y la magnitud del coeciente estimado de educ.
d) Explican totwrk, educ y age una parte importante de la variabilidad
de sleep? Qu otros factores pueden afectar al tiempo dedicado a dormir? Es
probable que estn correlacionados con totwrk?.
e) Suponga que utilizando la misma muestra medimos ahora sleep y
totwrk en horas a la semana. Calcule los nuevos parmetros estimados del modelo
y el R2 :
Solucin:
a) Si los adultos substituyen tiempo de sueo por trabajo, el signo esperado
de 1 es negativo.
b) Si un individuo trabaja cinco horas ms por semana, es decir 300
minutos ms por semana, cabe esperar que dedique 0:148 300 = 44:4 minutos
menos a la semana a dormir.
c) El coeciente estimado de educ es negativo y por tanto cuanto mayor
sea el nivel de educacin menor ser el tiempo dedicado a dormir. Este efecto es
sin embargo pequeo ya cada ao adicional de educacin diminuye las horas de
sueo en slo 11:13 minutos a la semana (menos de 2 minutos diarios).
d) totwrk, educ y age explican slo el 11.3% de la variabilidad de sleep.
Hay muchos otros factores que pueden inuir en el tiempo dedicado a dormir como
la salud, el estado civil, el tener o no hijos pequeos, etc. S, es probable que alguna
de estas variables, como por ejemplo el estado de salud est correlacionada con
totwrk.
e) Sea sleeph y totwrkh las variables medidas en horas a la semana
sleep
sleeph =
60
totwrk
totwrkh =
60
al cambiar las unidades de medida de la variable dependiente tenemos que dividir
por 60 todos los coecientes estimados y al cambiar las unidades de medida de
totwrk tenemos que multiplicar por 60 el coeciente estimado de totwrk. Al
hacer los dos cambios de unidades a la vez, tenemos que dividir por 60 todos los
coecientes estimados salvo el de totwrk: El R2 no vara. El modelo estimado es
\ = 60:64 0:148torwrkh 0:1855educ + 0:0367 age
sleeph
n = 706; R2 = 0:113

3
 4.- El salario inicial mediano de los recin titulados en derecho en universidades
de Estados Unidos se determina por:

log(salary) = 0+ 1 LSAT + 2 GP A + 3 log(libvol) + 4 log(cost) + 5 rank + u

donde salary es salario inicial mediano de los alumnos que se gradan ese ao,
LSAT es la mediana de los resultados de un test y GP A la nota media en la
universidad para ese mismo grupo de alumnos, libvol es el nmero de volmenes
de la biblioteca de la facultad de derecho, cost es el coste anual de estudiar en la
facultad de derecho y rank es la posicin que la facultad de derecho ocupa en el
ranking de facultades de derecho de Estados Unidos (siendo rank = 1 la mejor).
a) Explique por qu cabe esperar que 5 0:
b) Qu signo cabe esperar para los dems parmetros de pendiente?.
Razone la respuesta.
c) Utilizando los datos del chero LAWSCH85 del libro de Wooldridge,
la ecuacin estimada es
\
log(salary) = 8:34 + 0:0047LSAT + 0:248GP A + 0:095 log(libvol)
+0:38 log(cost) 0:0033rank
n = 136; R2 = 0:842

Cul es la diferencia salarial estimada entre facultades en las que la nota mediana
GP A diere en un punto siendo iguales el resto de las caractersticas incluidas en
el modelo?.
d) Interprete el coeciente de log(libvol):
e) Sera ms recomendable ir a una facultad de derecho con un ranking
mejor? En cunto se ve afectado el salario inicial mediano por una diferencia de
20 puestos en el ranking?.
Solucin:
a) Cabe esperar que cuanto mejor sea la facultad mayor sea el salario
inicial de los licenciados por esa facultad. Por tanto como cuanto mejor es la
facultad menor es el valor de la variable rank, cabe esperar que el signo de su
coeciente sea negativo.
b) Cabe esperar que los signos de las pendientes restantes sean positivos.
El motivo es que la restantes variables estn relacionadas positivamente con la
calidad de la facultad o de sus estudiantes y por tanto todas ellas tendrn un
efecto positivo en el salario mediano de los titulados.
c) La diferencia salarial estimada entre facultades en las que la nota
mediana GP A diere en un punto siendo iguales el resto de las caractersticas
incluidas en el modelo es un 24:8%:
d) Es una elasticidad y por tanto si el volumen de libros de la biblioteca
aumenta un 1%; el salario mediano de los titulados aumenta un 0:095%:

4
 e) S, sera recomendable ir a una facultad de derecho con un ranking
mejor, ya que cuanto mejor es el ranking menor es el valor de la variable rank
y por tanto mayor es el salario. Si dos facultades se diferenciaran en 20 puestos
en el ranking siendo el resto de los factores iguales, el salario mediano de la que
ocupa la mejor posicin sera un 6:6% mayor (100 20 0:0033 = 6:6).

5.- En un estudio que relaciona la nota media universitaria con el tiempo

dedicado a diversas actividades, se distribuye una encuesta entre un grupo de
estudiantes en la que se les pregunta cuntas horas a la semana emplean en cuatro
actividades: estudiar, dormir, trabajar y ocio. Cualquier actividad debe incluirse
en una de las cuatro categoras, de forma que las cuatro actividades suman 168
horas para cada estudiante:
a) En el modelo

GP A = 0 + 1 study + 2 sleep + 3 work + 4 leisure +u

tiene sentido mantener jos sleep (sueo), work (trabajo) y leisure (ocio), y
modicar study (estudio)?
b) Explique por qu este modelo viola el supuesto RLM.4.
c) Cmo se podra reformular el modelo para que los parmetros tengan
una interpretacin til y se satisfaga el supuesto RML.4?.
Solucin:
a) No tiene sentido mantener jos sleep, work y leisure, y modicar
study, ya que sleep + work + leisure + study = 168; y por tanto, si el tiempo
dedicado a una de las actividades cambia, al menos tiene que cambiar el tiempo
dedicado a una de las otras actividades de forma que la suma sea 168.
b) Hay colinealidad perfecta ya que podemos escribir una de las variables,
por ejemplo study; como funcin lineal de las restantes variables: study = 168
sleep work leisure
c) Podramos eliminar una de las actividades (por ejemplo las horas
dedicadas al sueo) de la ecuacin y considerar el modelo

GP A = 0 + 1 study + 2 work + 3 leisure +u

As el parmetro 1 medira el aumento esperado en la nota media ante un

aumento de una hora en las horas de estudio manteniendo constante las horas
de trabajo y ocio, as como los dems factores que inuyen en la nota media y
que estn recogidos en u. Al mantener constante las horas de trabajo y ocio, el
aumento en las horas de estudio debe ser a costa de disminuir las horas de sueo.

6.- Supongamos que la productividad media de los trabajadores en una fbrica

(avgprod) depende de dos factores, el nmero medio de horas de participacin de
los trabajadores en un programa de formacin (avgtrain) y la habilidad media de
los trabajadores (avgabil):

avgprod = 0 + 1 avgtrain + 2 avgabil +u

5
Supongamos que esta ecuacin satisface los supuestos RLM.1 a RLM.4. Si se
les dan subvenciones para los programas de formacin a aquellas fbricas cuyos
trabajadores tienen una habilidad inferior a la media, de forma que avgtrain y
avgabil estn negativamente correlacionadas, cul es el sesgo probable en e1 ;
obtenido a partir una regresin simple de avgprod sobre avgtrain?
Solucin:
Sabemos que 2 > 0; ya que cuanto mayor sea la habilidad media de los
trabajadores, mayor ser la productividad media de la empresa. Por otra parte
sabemos que avgtrain y avgabil estn negativamente correlacionadas, por tanto
si omitimos avgabil y estimamos por MCO la regresin simple de avgprod sobre
avgtrain cabe esperar que e1 tenga sesgo negativo, es decir que E(e1 ) < 1 y por
tanto, en media, el estimador MCO de la regresin simple infraestima el efecto
del programa de formacin.

7.- La siguiente ecuacin describe el precio medio de las viviendas de un

barrio (price) en funcin del nivel de contaminacin (nox) y del nmero medio de
habitaciones de las viviendas del barrio (rooms):

log(price) = 0 + 1 log(nox) + 2 rooms +u

a) Qu miden 1 y 2 ? Cules son sus signos esperados?

b) Por qu nox y rooms pueden estar negativamente correlacionadas?
Si estn negativamente correlacionadas, la regresin simple de log(price) sobre
log(nox) produce un estimador de 1 con sesgo positivo o negativo?.
c) Utilizando una muestra de 506 barrios del rea de Boston (Estados
Unidos) se han obtenido los siguientes resultados

\ = 11:71 1:043 log(nox)

log(price)
R2 = 0:264

\ = 9:23
log(price) 0:718 log(nox) + 0:306rooms
R2 = 0:514
Es la relacin entre los estimadores de regresin simple y mltiple de la elasticidad
del precio de la vivienda respecto al nivel de contaminacin la prevista segn su
respuesta del apartado b?
Solucin:
a) 1 es la elasticidad del precio de la vivienda con respecto al nivel de
contaminacin y 100 2 mide la variacin en porcentaje en el precio medio de las
viviendas de un barrio ante un aumento de una habitacin en el nmero medio
de habitaciones de las viviendas del barrio. Cabe esperar que 1 sea negativo
(cuanto mayor sea la contaminacin menor el precio de las viviendas) y que 2
sea positivo (cuanto mayor el nmero de habitaciones mayor el precio).

6
 b) nox y rooms pueden estar negativamente correlacionadas ya que cuantas
ms habitaciones tengan las casas mejores sern en general y por tanto los sistemas
de calefaccin probablemente contaminarn menos. Tambin cuantas ms habitaciones
tengan las casas es ms probable que estn ms separadas entre s y por tanto
la contaminacin debida al trco tambin ser menor. Si nox y rooms estn
correlacionadas negativamente, puesto que el signo de rooms ser positivo, la
regresin simple de log(price) sobre log(nox) producir un estimador de 1 con
sesgo negativo. Ntese que puesto que 1 es negativo y el sesgo es negativo, la
regresin simple de log(price) sobre log(nox) sobreestimar el efecto negativo de
la contaminacin
c) Efectivamente obtenemos lo que caba esperar, el coeciente estimado
de la regresin mltiple es negativo, 0:718, y el de la regresin simple es todava
ms negativo, 1:043.

8.- Un problema que interesa a las autoridades sanitarias (entre otros) es el

de determinar los efectos que tiene la costumbre de fumar durante el embarazo
sobre la salud del recin nacido. Una medida de la salud del recin nacido es su
peso: si un recin nacido pesa poco al nacer aumenta el riesgo de que contraiga
diversas enfermedades. Como existen otros factores, adems del tabaco, que
pueden afectar el peso del recin nacido, y stos suelen estar correlacionados con
el tabaco, deberamos tenerlos en cuenta. Por ejemplo, una renta ms alta se
traduce generalmente en un mejor acceso a los cuidados prenatales, as como en
una mejor alimentacin de la madre. Consider entonces la siguiente ecuacin

bwght = 0 + 1 cigs + 2 f aminc + u;

donde bwght es el peso al nacer del beb, f aminc es la renta familiar y cigs mide
el consumo de tabaco de la madre durante el embarazo.
a) Cul podemos esperar que sea el signo ms probable de 2 ?
b) Es probable que cigs y f aminc estn correlacionados? Explique por
qu la correlacin puede ser positiva o negativa.
c) Estime ahora la ecuacin con y sin f aminc, utilizando los datos del
chero de BWGHT del libro de Wooldridge. Presente los resultados en forma de
ecuacin, incluyendo los errores estndar, el tamao de la muestra y el R-cuadrado.
Comente los resultados, centrndose en si el aadir f aminc cambia de manera
sustancial el efecto estimado de cigs sobre bwght (ntese que bwght est medido
en onzas (1 onza es aproximadamente 28.35 gramos), cigs en cigarrillos al da y
f aminc es la renta anual en miles de dlares).
Solucin:
a) Cabe esperar que 2 sea positivo ya que una renta ms alta se traduce
generalmente en un mejor acceso a los cuidados prenatales, as como en una mejor
alimentacin de la madre y por tanto en un mayor peso del beb.
b) cigs y f aminc puede que estn correlacionados. Si el consumo de
cigarrillos es un bien normal cabra esperar que a mayor renta mayor consumo y

7
por tanto que la correlacin fuese positiva. Por otra parte, a mayor renta mayor
nivel de educacin y por tanto cabe esperar que mejor informada est la madre
sobre el peligro que conlleva fumar durante el embarazo, lo que implicara una
correlacin negativa.
c)

Model 1: OLS, using observations 1-1388

Dependent variable: bwght

coefficient std. error t-ratio p-value

--------------------------------------------------------
const 116.974 1.04898 111.5 0.0000 ***
cigs -0.463408 0.0915768 -5.060 4.75e-07 ***
faminc 0.0927647 0.0291879 3.178 0.0015 ***

Mean dependent var 118.6996 S.D. dependent var 0.35396

Sum squared resid 557485.5 S.E. of regression 20.06282
R-squared 0.029805 Adjusted R-squared 0.028404
F(2, 1385) 21.27392 P-value(F) 7.94e-10

Model 2: OLS, using observations 1-1388

Dependent variable: bwght

coefficient std. error t-ratio p-value

--------------------------------------------------------
const 119.772 0.572341 209.3 0.0000 ***
cigs -0.513772 0.0904909 -5.678 1.66e-08 ***

Mean dependent var 118.6996 S.D. dependent var 20.35396

Sum squared resid 561551.3 S.E. of regression 20.12858
R-squared 0.022729 Adjusted R-squared 0.022024
F(1, 1386) 32.23524 P-value(F) 1.66e-08

\ = 116:97
bwght 0:463cigs + 0:093f aminc
(1:049) (0:092) (0:029)
2
n = 1388; R = 0:030

\ = 119:77
bwght 0:514cigs
(0:572) (0:090)

n = 1388; R2 = 0:023

8
 El coeciente de cigs cambia pero no mucho. El motivo es que la correlacin
entre cigs y f aminc es pequea, -0.17, y el efecto de la renta sobre le peso al
nacer es muy pequeo ya que si la renta aumenta en 1000 dlares, el modelo
predice que el peso del beb al nacer aumentar 0:093 onzas que son 2:6 gramos
(0:0093 28:35 = 2:6).

9.- Utilizar los datos del chero HPRICE1 del libro de Wooldridge para estimar
el modelo
price = 0 + 1 sqrf t + 2 room + u
donde price es el precio de la vivienda en miles de dlares, sqrf t es la supercie de
la vivienda en pies cuadrados (1 pie cuadrado es 0:093 m2 ), y bdrms es el nmero
de dormitorios.
a) Presente los resultados en forma de ecuacin.
b) Cul ser el aumento estimado en el precio de una vivienda de un
dormitorio adicional, si mantenemos ja la supercie de la misma?
c) Cul ser el aumento estimado en el precio de una vivienda de un
dormitorio adicional de una supercie aproximada de 140 pies cuadrados (= 13
m2 )? Compare esta respuesta con la del apartado b.
d) Qu porcentaje de la variacin en el precio se explica por la supercie
y el nmero de dormitorios?
e) La primera vivienda en la muestra tiene una supercie de 2438 pies
cuadrados y 4 dormitorios. Calcule el precio de venta estimado para esta vivienda
a partir de la recta de regresin MCO.
f) El precio de venta verdadero de la primera vivienda en la muestra es de
300; 000$. Calcule el residuo para esta vivienda. Sugiere esto que el comprador
pag un precio demasiado alto o demasiado bajo por la vivienda?
Solucin:
a)

Model 1: OLS, using observations 1-88

Dependent variable: price

coefficient std. error t-ratio p-value

---------------------------------------------------------
const -19.3150 31.0466 -0.6221 0.5355
sqrft 0.128436 0.0138245 9.291 1.39e-014 ***
bdrms 15.1982 9.48352 1.603 0.1127

Mean dependent var 293.5460 S.D. dependent var 102.7134

Sum squared resid 337845.4 S.E. of regression 63.04484
R-squared 0.631918 Adjusted R-squared 0.623258
F(2, 85) 72.96353 P-value(F) 3.57e-19

9
 [ =
price 19:32 + 0:128sqrf t + 15:20bdrms
(31:05) (0:014) (9:48)
2
n = 88; R = 0:632

b) El aumento estimado en el precio de una vivienda de un dormitorio

adicional, si mantenemos ja la supercie de la vivienda es 15200 dlares.
c) El aumento estimado en el precio de una vivienda de un dormitorio
adicional de una supercie aproximada de 140 pies cuadrados es 33120 dlares
(0:128 140 + 15:20 = 33:12), ms del doble que en el apartado b. El motivo por
el que el efecto es mayor es que en el apartado anterior el tamao de la vivienda
permaneca constante y en este apartado aumenta.
d) La supercie y el nmero de dormitorios explican un 63:2% de la
variacin en el precio.
e)

[ =
price 19:32 + 0:128 2438 + 15:20 4 = 353:544

El precio de venta estimado para esta vivienda es 353; 544 dlares.

f) El residuo para esta vivienda es price price[ = 300 353:544 =
53:544; lo que sugiere que el comprador pag un precio demasiado bajo por la
vivienda.

10.- El chero CEOSAL2 del libro de Wooldridge contiene datos sobre 177
directores generales que pueden usarse para examinar el efecto que tiene el rendimiento
empresarial sobre el salario de los directores generales.
a) Estime un modelo que relacione el salario (salary) con las ventas de
la compaa (sales) y el valor de mercado (mktval). Especique el modelo para
que sea un modelo de elasticidad constante para ambas variables independientes
y presente los resultados en forma de ecuacin.
b) Aada prof its al modelo del apartado a. Por qu no se puede incluir
esta variable en logaritmos? Explican estas variables del rendimiento empresarial
la mayor parte de la variacin en los salarios de los directores generales?
c) Aada la variable ceoten (aos como director general en la empresa)
al modelo del apartado b. Cul es el porcentaje de rendimiento estimado para
cada ao extra de permanencia en la empresa del director general, si mantenemos
jos el resto de los factores?
d) Calcule el coeciente de correlacin muestral entre las variables log(mktual)
y prof its. Estn estas variables estrechamente relacionadas? Qu nos dice esto
acerca de los estimadores MCO?
Solucin:
a)

10
 Model 1: OLS, using observations 1-177
Dependent variable: l_salary

coefficient std. error t-ratio p-value

---------------------------------------------------------
const 4.62092 0.254408 18.16 4.95e-042 ***
l_sales 0.162128 0.0396703 4.087 6.67e-05 ***
l_mktval 0.106708 0.0501240 2.129 0.0347 **

Mean dependent var 6.582848 S.D. dependent var 0.606059

Sum squared resid 45.30965 S.E. of regression 0.510294
R-squared 0.299114 Adjusted R-squared 0.291057
F(2, 174) 37.12853 P-value(F) 3.73e-14

\
log(salary) = 4:62 + 0:162 log(sales) + 0:107 log(mktval)
(0:254) (0:040) (0:050)
2
n = 177; R = 0:299

b)

Model 2: OLS, using observations 1-177

Dependent variable: l_salary

coefficient std. error t-ratio p-value

----------------------------------------------------------
const 4.68692 0.379729 12.34 1.65e-025 ***
l_sales 0.161368 0.0399101 4.043 7.92e-05 ***
l_mktval 0.0975286 0.0636886 1.531 0.1275
profits 3.56601e-05 0.000151960 0.2347 0.8147

Mean dependent var 6.582848 S.D. dependent var 0.606059

Sum squared resid 45.29524 S.E. of regression 0.511686
R-squared 0.299337 Adjusted R-squared 0.287186
F(3, 173) 24.63629 P-value(F) 2.53e-13

\
log(salary) = 4:69 + 0:161 log(sales) + 0:098 log(mktval) + 0:000036prof its
(0:380) (0:040) (0:064) (0:00015)
2
n = 177; R = 0:299

No se puede incluir prof its en logaritmos ya que esta variable toma valores
negativos. El efecto de prof its sobre el salario es muy pequeo, ya que, manteniendo

11
jos el resto de los factores, como prof its est medido en millones de dlares, un
incremento de 1000 millones dlares en los benecios (lo que es un incremento
enorme) supone un aumento del salario de solo el 3:6% (100 0:000036 1000 = 3:6).
Las variables del modelo explican el 29:9% de la variacin en los salarios de
los directores generales y por tanto no explican la mayor parte de la variacin en
los salarios.
c)

Model 3: OLS, using observations 1-177

Dependent variable: l_salary

coefficient std. error t-ratio p-value

----------------------------------------------------------
const 4.55778 0.380255 11.99 1.88e-024 ***
l_sales 0.162234 0.0394826 4.109 6.14e-05 ***
l_mktval 0.101760 0.0630330 1.614 0.1083
profits 2.90534e-05 0.000150355 0.1932 0.8470
ceoten 0.0116847 0.00534202 2.187 0.0301 **

Mean dependent var 6.582848 S.D. dependent var 0.606059

Sum squared resid 44.06940 S.E. of regression 0.506179
R-squared 0.318299 Adjusted R-squared 0.302445
F(4, 172) 20.07749 P-value(F) 1.39e-13

Se estima que, manteniendo constantes el resto de los factores, cada ao

adicional de permanencia en la empresa aumenta el salario del director general en
un 1:17%.
d) El coeciente de correlacin muestral entre las variables log(mktual)
y prof its es bastante grande, 0:78. Como estas dos variables estn estrechamente
correlacionadas, hay un problema de multicolinealidad, lo que implica que los
errores estndar son grandes.

12