Академический Документы
Профессиональный Документы
Культура Документы
Nombre de la Asignatura
Econometra I
Tipo de Material
Profesor Responsable:
ROSENDO RAMIREZ TAZA
1
Contenido
Contenido
1. Modelo de Regresin Simple ............................................................................................... 4
2. Modelo de Regresin Mltiple............................................................................................. 7
2.1 Problema de la Heterocedasticidad .............................................................................. 9
2.2 Problema de Correlacin Serial ................................................................................... 12
2.2.1 Pruebas de Correlacin Serial ................................................................................. 23
2.2.2 Correccin de la Correlacin Serial ......................................................................... 26
2
Introduccin
La presente gua para resolver problemas asociados al modelamiento de Mnimos
Cuadrados Ordinarios utiliza la informacin del texto Introduccin a la Econometra del
Profesor Jeffrey Wooldridge que son utilizados en clase.
Es una gua donde se muestra la programacin, resultados e interpretacin econmica
y estadstica de los modelos que se estudian.
En la gua se utiliza el software Eviews y STATA. En una siguiente edicin se utilizar
un software abierto como el R Software que es de acceso gratuito a los estudiantes y
que se encuentra instalado en las computadoras de la Escuela de Negocios de la
Universidad de Lima.
Tambin queda como tarea pendiente una gua para los modelos de panel data que se
utilizan en Econometra III.
3
Gua de Econometra I
. clear all
. cd "C:\Users\DELL\Documents\ulima\usb2\econometria_I\capitulo2"
C:\Users\DELL\Documents\ulima\usb2\econometria_I\capitulo2
. use 401k
. summarize prate
. summarize mrate
. margins, dydx(mrate)
Delta-method
dy/dx Std. Err. z P>|z| [95% Conf. Interval]
Problema 2
. clear all
. cd "C:\Users\DELL\Documents\ulima\usb2\econometria_I\capitulo2"
C:\Users\DELL\Documents\ulima\usb2\econometria_I\capitulo2
. use ceosal2
mean: 865.864
std. dev: 587.589
mean: 7.9548
std. dev: 7.15083
Se observa que 5 CEOs tienen 0 aos en la empresa, son las observaciones 85,
129, 137, 170 y 177.
5
. list ceoten if ceoten==0
ceoten
85. 0
129. 0
137. 0
170. 0
177. 0
. margins, dydx(ceoten)
Delta-method
dy/dx Std. Err. z P>|z| [95% Conf. Interval]
. g lceoten = ln(ceoten)
(5 missing values generated)
. margins, dydx(lceoten)
Delta-method
dy/dx Std. Err. z P>|z| [95% Conf. Interval]
6
2. Modelo de Regresin Mltiple
La base de datos wage1 incluye variables como el salario por hora (wage), aos
de educacin (educ), aos de experiencia (exper) y aos de antigedad en el
empleo actual (tenure).
Se tiene el siguiente modelo que explica los salarios
= 0 + 1 + 2 + 3 +
. use wage1
. *regresion simple
. reg wage educ exper tenure
chi2(3) = 139.52
Prob > chi2 = 0.0000
. estat ovtest
7
En este caso se observa que tambin el modelo presenta problemas de
heterocedasticidad e incorrecta especificacin.
chi2(3) = 16.02
Prob > chi2 = 0.0011
. estat ovtest
. estat vif
8
. use wage2
. estat ovtest
chi2(3) = 43.33
Prob > chi2 = 0.0000
Robust
lwage Coef. Std. Err. t P>|t| [95% Conf. Interval]
9
. use hprice1
. estat ovtest
. estat ovtest
chi2(3) = 10.69
Prob > chi2 = 0.0135
10
. reg lprice llotsize lsqrft bdrms, robust
Robust
lprice Coef. Std. Err. t P>|t| [95% Conf. Interval]
Robust HC2
lprice Coef. Std. Err. t P>|t| [95% Conf. Interval]
Robust HC3
lprice Coef. Std. Err. t P>|t| [95% Conf. Interval]
11
. reg lprice llotsize lsqrft bdrms, robust
Robust
lprice Coef. Std. Err. t P>|t| [95% Conf. Interval]
. test llotsize
( 1) llotsize = 0
F( 1, 84) = 9.94
Prob > F = 0.0022
. test lsqrft
( 1) lsqrft = 0
F( 1, 84) = 33.27
Prob > F = 0.0000
. test bdrms
( 1) bdrms = 0
F( 1, 84) = 1.08
Prob > F = 0.3018
Tambin podemos hacer una prueba conjunta que las variables llotsize y lsqrft son
conjuntamente significativas con un nivel de significancia de 0.05.
( 1) llotsize = 0
( 2) lsqrft = 0
F( 2, 84) = 33.23
Prob > F = 0.0000
Utilizamos la base de datos hseinv que contiene variables como la inversion real
en vivienda percpita en miles de dlares (invpc) y un ndice de precio de vivienda
(price), igual a 1 en 1982.
12
cd "K:\econometria_I\capitulo10"
wfopen hseinv
graph figura1.line(s) log(invpc)
graph figura2.line(s) log(price)
graph figura3.merge figura1 figura2
LOG(INVPC)
-0.3
-0.4
-0.5
-0.6
-0.7
-0.8
-0.9
-1.0
-1.1
5 10 15 20 25 30 35 40
LOG(PRICE)
.05
.00
-.05
-.10
-.15
-.20
-.25
5 10 15 20 25 30 35 40
13
Omitted Variables Test
Equation: MODEL1
Specification: LOG(INVPC) LOG(PRICE) C
Omitted Variables: T
Value df Probability
t-statistic 2.798444 39 0.0079
F-statistic 7.831291 (1, 39) 0.0079
Likelihood ratio 7.685577 1 0.0056
F-test summary:
Sum of Sq... df Mean Squares
Test SSR 0.161581 1 0.161581
Restricted SSR 0.966256 40 0.024156
Unrestricted SSR 0.804675 39 0.020633
LR test summary:
Value df
Restricted LogL 19.61651 40
Unrestricted LogL 23.45930 39
Otro ejemplo donde se muestra una interpretacin de los coeficientes del modelo
incluyendo la variable tendencia en la regresin.
Utilizamos la base de datos prminwge que incluye datos sobre la tasa de empleo
en Puerto Rico (prepop) proporcin de personas que trabajan respecto a la
poblacin total, el producto nacional bruto de los EEUU en miles de millones de
14
dlares (usgnp) y la importancia de los salarios mnimos en relacin con los
salarios promedios (mincov).
cd "K:\econometria_I\capitulo10"
wfopen prminwge
-0.8
-0.9
-1.0
-1.1
-1.2
5 10 15 20 25 30 35
LOG(MINCOV)
-0.4
-0.8
-1.2
-1.6
-2.0
-2.4
5 10 15 20 25 30 35
LOG(USGNP)
8.4
8.2
8.0
7.8
7.6
7.4
7.2
7.0
5 10 15 20 25 30 35
15
Dependent Variable: LOG(PREPOP)
Method: Least Squares
Date: 06/29/16 Time: 09:20
Sample: 1 38
Included observations: 38
Procedemos ahora a estimar ecuaciones de cada una de las variables con sus
respectivas tendencias y obtenemos los residuos de esos modelos. Los siguientes
modelos son corroborados con las figuras presentadas anteriormente. La tasa de
empleo en Puerto Rico tiene una tendencia a disminuir. Los salarios mnimos y la
produccin nacional bruta de los EEUU tienen una tendencia a incrementarse.
16
Dependent Variable: LOG(PREPOP)
Method: Least Squares
Date: 06/29/16 Time: 09:27
Sample: 1 38
Included observations: 38
Observamos que los coeficientes son los mismos en ambos modelos. Por tanto,
incluir una tendencia como variable explicativa hace que los betas de ese modelo
puedan ser interpretados como si se hubiese eliminado la tendencia en la relacin
entre las variables.
17
En consecuencia tenemos elasticidad negativa para la tasa de empleo de Puerto
Rico con relacin al salario mnimo y elasticidad positiva del empleo de Puerto
Rico con el producto nacional bruto de los EEUU. Con un nivel de significancia de
0.05, las variables son estadsticamente significativas.
cd "K:\econometria_I\capitulo11"
wfopen nyse
18
RETURN
10
-5
-10
-15
-20
76 77 78 79 80 81 82 83 84 85 86 87 88 89
19
Wald Test:
Equation: MODEL_RETURN_AR_4
return.correl(24)
Veamos un caso de una serie persistente. Utilizamos la base de datos fertil3 que
incluye la variable tasa de fertilidad general (gfr) que es el nmero de nios
nacidos por cada 1000 mujeres en edad frtil y la exencin personal de impuesto
promedio (pe).
20
Observamos la persistencia de la variable fertilidad y exencin personal de
impuesto promedio
wfopen fertil3
gfr.correl(24)
pe.correl(24)
21
Dependent Variable: GFR
Method: Least Squares
Date: 06/29/16 Time: 11:40
Sample (adjusted): 3 72
Included observations: 70 after adjustments
22
Dependent Variable: D(GFR)
Method: Least Squares
Date: 06/29/16 Time: 12:46
Sample (adjusted): 4 72
Included observations: 69 after adjustments
Para este modelo utilizamos la base de datos Phillips que contiene las variables
inflacin (inf) y desempleo (unem).
cd "K:\econometria_I\capitulo12"
wfopen phillips
smpl 1948 1996
equation model1.ls inf unem c
23
Dependent Variable: INF
Method: Least Squares
Date: 06/29/16 Time: 13:28
Sample: 1948 1996
Included observations: 49
24
Dependent Variable: LOG(PREPOP)
Method: Least Squares
Date: 06/29/16 Time: 14:19
Sample: 1 38
Included observations: 38
25
Dependent Variable: RESIDUOS
Method: Least Squares
Date: 06/29/16 Time: 14:15
Sample (adjusted): 2 38
Included observations: 37 after adjustments
26
Dependent Variable: LOG(PREPOP)
Method: Least Squares
Date: 06/29/16 Time: 16:26
Sample (adjusted): 2 38
Included observations: 37 after adjustments
Convergence achieved after 18 iterations
Tambin podemos estimar el modelo anterior con inferencia robusta. Por ejemplo
podemos asumir la matriz de covarianzas de los errores es del tipo White.
equation model12.ls(cov=white) log(prepop) log(mincov) log(usgnp) log(prgnp) t c
AR(1)
Dependent Variable: LOG(PREPOP)
Method: Least Squares
Date: 06/29/16 Time: 16:53
Sample (adjusted): 2 38
Included observations: 37 after adjustments
Convergence achieved after 18 iterations
White heteroskedasticity-consistent standard errors & covariance
27
Tenemos otro ejemplo tomando la base de datos barium.
El siguiente modelo se estima por MCO:
Dependent Variable: LCHNIMP
Method: Least Squares
Date: 06/29/16 Time: 17:04
Sample: 1 131
Included observations: 131
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 06/29/16 Time: 17:07
Sample: 1 131
Included observations: 131
Presample missing value lagged residuals set to zero.
28
Dependent Variable: LCHNIMP
Method: Least Squares
Date: 06/29/16 Time: 17:11
Sample (adjusted): 2 131
Included observations: 130 after adjustments
Convergence achieved after 9 iterations
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/29/16 Time: 20:42
Sample: 2 131
Included observations: 130
29
Dependent Variable: LCHNIMP
Method: Least Squares
Date: 06/29/16 Time: 20:45
Sample (adjusted): 2 131
Included observations: 130 after adjustments
Convergence achieved after 9 iterations
White heteroskedasticity-consistent standard errors & covariance
30
Heteroskedasticity Test: Breusch-Pagan-Godfrey
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/29/16 Time: 20:11
Sample: 1/08/1976 3/16/1989
Included observations: 689
model1.hettest(type=arch) return(-1) c
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/29/16 Time: 20:17
Sample (adjusted): 1/15/1976 3/16/1989
Included observations: 688 after adjustments
31