Guía de Econometría 1

FACULTAD DE CIENCIAS EMPRESARIALES Y ECONMICAS
Nombre de la Asignatura
Econometra I
Tipo de Material
GUIA PARA RESOLVER PROBLEMAS
FUENTE: INTRODUCCIN A LA ECONOMETRA
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
1. Modelo de Regresin Simple

La base de datos 401k incluye las variables prate y mrate. Donde prate es el
porcentaje de trabajadores que estn inscritos en el plan de pensiones. La
variable mrate es la cantidad promedio con la que la empresa contribuye al plan
de cada trabajador por cada $ 1 que aporta el trabajador. Podemos estimar un
modelo de regresin simple: = 0 + 1
. 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
Variable Obs Mean Std. Dev. Min Max
prate 1534 87.36291 16.71654 3 100
. summarize mrate
mrate 1534 .7315124 .7795393 .01 4.91
. reg prate mrate
Source SS df MS Number of obs = 1534

F( 1, 1532) = 123.68
Model 32001.7271 1 32001.7271 Prob > F = 0.0000
Residual 396383.812 1532 258.73617 R-squared = 0.0747
Adj R-squared = 0.0741
Total 428385.539 1533 279.442622 Root MSE = 16.085
prate Coef. Std. Err. t P>|t| [95% Conf. Interval]
mrate 5.861079 .5270107 11.12 0.000 4.82734 6.894818

_cons 83.07546 .5632844 147.48 0.000 81.97057 84.18035
. margins, dydx(mrate)
Average marginal effects Number of obs = 1534

Model VCE : OLS
Expression : Linear prediction, predict()

dy/dx w.r.t. : mrate
Delta-method
dy/dx Std. Err. z P>|z| [95% Conf. Interval]
mrate 5.861079 .5270107 11.12 0.000 4.828157 6.894001
El efecto marginal de mrate sobre prate es 5.861079 y es estadsticamente

significativa con un nivel de significancia de 0.05.
Problema 2
La base de datos ceosal contiene informacin sobre directores generales de

empresas (CEO) de los Estados Unidos. La variable salary es el sueldo anual en
miles de dlares y la variable ceoten son los aos de antigedad como CEO de
las empresas. Se estima el siguiente modelo: log() = 0 + 1 +
4
Los salarios anuales tienen un rango desde 100 mil a 5299 miles de dlares
anuales, el valor promedio es de 865.86 miles de dlares. Los CEOs tienen una
antigedad en la empresa en el rango de 0 a 37 aos, con un promedio de 7.95
aos.
. clear all
. cd "C:\Users\DELL\Documents\ulima\usb2\econometria_I\capitulo2"
C:\Users\DELL\Documents\ulima\usb2\econometria_I\capitulo2
. use ceosal2
. summarize salary ceoten
salary 177 865.8644 587.5893 100 5299

ceoten 177 7.954802 7.150826 0 37
. codebook salary ceoten
salary 1990 compensation, $1000s
type: numeric (int)
range: [100,5299] units: 1

unique values: 166 missing .: 0/177
mean: 865.864
std. dev: 587.589
percentiles: 10% 25% 50% 75% 90%

358 471 707 1119 1550
ceoten years as ceo with company
type: numeric (byte)
range: [0,37] units: 1

unique values: 28 missing .: 0/177
mean: 7.9548
std. dev: 7.15083
percentiles: 10% 25% 50% 75% 90%

1 3 6 11 18
Se observa que 5 CEOs tienen 0 aos en la empresa, son las observaciones 85,
129, 137, 170 y 177.
El efecto marginal de ceoten en lsalary es 0.0097236, sin embargo, no es

estadsticamente significativo con un nivel de significancia de 0.05.
Si formulamos un nuevo modelo log() = 0 + 1 log() +
La elasticidad de ceoten en el salario es igual a 0.10723 y es estadsticamente

significativa con un nivel de confianza de 0.05.
5
. list ceoten if ceoten==0
ceoten
85. 0
129. 0
137. 0
170. 0
177. 0
. reg lsalary ceoten

F( 1, 175) = 2.33
Model .850907024 1 .850907024 Prob > F = 0.1284
Residual 63.795306 175 .364544606 R-squared = 0.0132
Total 64.6462131 176 .367308029 Root MSE = .60378
lsalary Coef. Std. Err. t P>|t| [95% Conf. Interval]
ceoten .0097236 .0063645 1.53 0.128 -.0028374 .0222846

_cons 6.505498 .0679911 95.68 0.000 6.37131 6.639686
. margins, dydx(ceoten)

Model VCE : OLS

dy/dx w.r.t. : ceoten
Delta-method
ceoten .0097236 .0063645 1.53 0.127 -.0027505 .0221978
. g lceoten = ln(ceoten)
(5 missing values generated)
. reg lsalary lceoten

F( 1, 170) = 4.56
Model 1.65654745 1 1.65654745 Prob > F = 0.0342
Total 63.4310322 171 .370941709 Root MSE = .60281
lsalary Coef. Std. Err. t P>|t| [95% Conf. Interval]
lceoten .10723 .0502221 2.14 0.034 .0080908 .2063692

_cons 6.408949 .0982152 65.25 0.000 6.215071 6.602828
. margins, dydx(lceoten)

Model VCE : OLS

dy/dx w.r.t. : lceoten
Delta-method
lceoten .10723 .0502221 2.14 0.033 .0087966 .2056635
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

F( 3, 522) = 76.87
Model 2194.1116 3 731.370532 Prob > F = 0.0000
Total 7160.41429 525 13.6388844 Root MSE = 3.0845
wage Coef. Std. Err. t P>|t| [95% Conf. Interval]
educ .5989651 .0512835 11.68 0.000 .4982176 .6997126

exper .0223395 .0120568 1.85 0.064 -.0013464 .0460254
tenure .1692687 .0216446 7.82 0.000 .1267474 .2117899
_cons -2.872735 .7289643 -3.94 0.000 -4.304799 -1.440671
. estat hettest, rhs normal
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity

Ho: Constant variance
Variables: educ exper tenure
chi2(3) = 139.52
Prob > chi2 = 0.0000
. estat ovtest
Ramsey RESET test using powers of the fitted values of wage

Ho: model has no omitted variables
F(3, 519) = 7.92
Prob > F = 0.0000
. estat vif
Variable VIF 1/VIF
exper 1.48 0.676765

tenure 1.35 0.741127
educ 1.11 0.898658
Mean VIF 1.31
De acuerdo a los resultados de las pruebas de heterocedasticidad y especificacin

del modelo podemos concluir: (i) Mediante la prueba de Breusch-Pagan, la
condicin de homocedasticidad (/) = 2 es rechaza con un nivel de
significancia de 0.05. (ii) La prueba de especificacin correcta del modelo
Ramsey RESET indica que el modelo no est correctamente especificado con un
nivel de significancia de 0.05. En cuanto a la prueba de multicolinealidad, se
observa que no se encuentra este problema en el modelo, los valores de factor de
inflacin de varianza de las variables exper, tenure y educ son menores a 10.
Alternativamente podemos tener un modelo:

log() = 0 + 1 + 2 + 3 +
7
En este caso se observa que tambin el modelo presenta problemas de
heterocedasticidad e incorrecta especificacin.
. reg lwage educ exper tenure

F( 3, 522) = 80.39
Model 46.8741776 3 15.6247259 Prob > F = 0.0000
Total 148.329751 525 .28253286 Root MSE = .44086
lwage Coef. Std. Err. t P>|t| [95% Conf. Interval]
educ .092029 .0073299 12.56 0.000 .0776292 .1064288

exper .0041211 .0017233 2.39 0.017 .0007357 .0075065
tenure .0220672 .0030936 7.13 0.000 .0159897 .0281448
_cons .2843595 .1041904 2.73 0.007 .0796756 .4890435
. estat hettest, rhs

chi2(3) = 16.02
Prob > chi2 = 0.0011
. estat ovtest
Ramsey RESET test using powers of the fitted values of lwage

F(3, 519) = 4.36
Prob > F = 0.0048
. estat vif
Variable VIF 1/VIF
exper 1.48 0.676765

tenure 1.35 0.741127
educ 1.11 0.898658
Mean VIF 1.31
Los problemas de heterocedasticidad y especificacin incorrecta sern abordado

en otros problemas, por ahora lo que interesa es entender que los supuestos de
MCO no se cumplen.
Si analizamos otra base de datos wage2 en donde el salario se mide en el ingreso

mensual, encontramos que el modelo no presenta problemas de variables
omitidas. Debemos precisar que es una base de datos distinta a la base de datos
wage1. El modelo ahora presenta problemas de heterocedasticidad. Corregimos
el problema de la heterocedasticidad con la regresin robusta considerando una
forma especfica de la heterocedasticidad, en este una heterocedasticidad de la
forma White.
8
. use wage2
. reg lwage educ exper tenure

F( 3, 931) = 56.97
Model 25.6953242 3 8.56510806 Prob > F = 0.0000
Total 165.656283 934 .177362188 Root MSE = .38773
educ .0748638 .0065124 11.50 0.000 .062083 .0876446

exper .0153285 .0033696 4.55 0.000 .0087156 .0219413
tenure .0133748 .0025872 5.17 0.000 .0082974 .0184522
_cons 5.496696 .1105282 49.73 0.000 5.279782 5.713609
. estat ovtest
Ramsey RESET test using powers of the fitted values of lwage

F(3, 928) = 0.12
Prob > F = 0.9502

chi2(3) = 43.33
Prob > chi2 = 0.0000
. reg lwage educ exper tenure, robust
Linear regression Number of obs = 935

F( 3, 931) = 56.53
Prob > F = 0.0000
R-squared = 0.1551
Root MSE = .38773
Robust
educ .0748638 .0066536 11.25 0.000 .061806 .0879216

exper .0153285 .0034053 4.50 0.000 .0086455 .0220114
tenure .0133748 .0026574 5.03 0.000 .0081596 .01859
_cons 5.496696 .1120298 49.06 0.000 5.276836 5.716556
2.1 Problema de la Heterocedasticidad
Para esta parte utilizamos la base de datos hprice1. El modelo a estimar es
El modelo presenta problemas de especificacin, utilizando la prueba Ramsey

RESET se rechaza la hiptesis nula con un nivel de significancia de 0.05.
Si el modelo es estimado en logaritmos encontramos que el modelo se encuentra

correctamente especificado. No se rechaza la hiptesis nula con un nivel de
significancia de 0.05, es decir el modelo no tiene variables omitidas.
9
. use hprice1
. reg price lotsize sqrft bdrms

F( 3, 84) = 57.46
Model 617130.701 3 205710.234 Prob > F = 0.0000
Total 917854.506 87 10550.0518 Root MSE = 59.833
price Coef. Std. Err. t P>|t| [95% Conf. Interval]
lotsize .0020677 .0006421 3.22 0.002 .0007908 .0033446

sqrft .1227782 .0132374 9.28 0.000 .0964541 .1491022
bdrms 13.85252 9.010145 1.54 0.128 -4.065141 31.77018
_cons -21.77031 29.47504 -0.74 0.462 -80.38466 36.84405
. estat ovtest
Ramsey RESET test using powers of the fitted values of price

F(3, 81) = 4.26
Prob > F = 0.0076
. reg lprice llotsize lsqrft bdrms

F( 3, 84) = 50.42
Model 5.15504028 3 1.71834676 Prob > F = 0.0000
Total 8.01760352 87 .092156362 Root MSE = .1846
lprice Coef. Std. Err. t P>|t| [95% Conf. Interval]
llotsize .1679667 .0382812 4.39 0.000 .0918404 .244093

lsqrft .7002324 .0928652 7.54 0.000 .5155597 .8849051
bdrms .0369584 .0275313 1.34 0.183 -.0177906 .0917074
_cons -1.297042 .6512836 -1.99 0.050 -2.592191 -.001893
. estat ovtest
Ramsey RESET test using powers of the fitted values of lprice

F(3, 81) = 2.45
Prob > F = 0.0692
El siguiente paso es investigar si el modelo presenta problemas de

heterocedasticidad. Como se observa, se rechaza la hiptesis nula que la
varianza de los errores es constante (homocedasticidad). Por tanto, el modelo
presenta problemas de heterocedasticidad.

Variables: llotsize lsqrft bdrms
chi2(3) = 10.69
Prob > chi2 = 0.0135
Para corregir el problema de la heterocedasticidad podemos estimar el modelo en

su versin robusta. Se observa que las variables llotsize y lsqrft son
estadsticamente significativas con un nivel de significancia de 0.05.
10
. reg lprice llotsize lsqrft bdrms, robust

F( 3, 84) = 49.32
Prob > F = 0.0000
R-squared = 0.6430
Root MSE = .1846
Robust
llotsize .1679667 .0414734 4.05 0.000 .0854922 .2504412

lsqrft .7002324 .1038288 6.74 0.000 .4937574 .9067074
bdrms .0369584 .0306011 1.21 0.231 -.0238953 .0978121
_cons -1.297042 .7813145 -1.66 0.101 -2.850771 .2566876
Tambin tenemos la opcin de especificar otras formas funcionales de la

Heterocedasticidad.
. reg lprice llotsize lsqrft bdrms, vce(hc2)

F( 3, 84) = 48.18
Prob > F = 0.0000
R-squared = 0.6430
Root MSE = .1846
Robust HC2
llotsize .1679667 .0462581 3.63 0.000 .0759774 .259956

lsqrft .7002324 .1105004 6.34 0.000 .4804902 .9199747
bdrms .0369584 .0325074 1.14 0.259 -.027686 .1016029
_cons -1.297042 .8039352 -1.61 0.110 -2.895755 .3016715
. reg lprice llotsize lsqrft bdrms, vce(hc3)

F( 3, 84) = 44.82
Prob > F = 0.0000
R-squared = 0.6430
Root MSE = .1846
Robust HC3
llotsize .1679667 .053275 3.15 0.002 .0620236 .2739098

lsqrft .7002324 .1213923 5.77 0.000 .4588305 .9416343
bdrms .0369584 .0355755 1.04 0.302 -.0337875 .1077043
_cons -1.297042 .8504573 -1.53 0.131 -2.98827 .3941857
Si tomamos como referencia el modelo con la estimacin robusta procedemos a

realizar las inferencias.
11
. reg lprice llotsize lsqrft bdrms, robust

F( 3, 84) = 49.32
Prob > F = 0.0000
R-squared = 0.6430
Root MSE = .1846
Robust
llotsize .1679667 .0414734 4.05 0.000 .0854922 .2504412

lsqrft .7002324 .1038288 6.74 0.000 .4937574 .9067074
bdrms .0369584 .0306011 1.21 0.231 -.0238953 .0978121
_cons -1.297042 .7813145 -1.66 0.101 -2.850771 .2566876
Mediante la prueba de hiptesis de un solo parmetro, es decir la prueba t

podemos determinar si cada una de las variables llotsize, lsqrft y bdrms es
estadsticamente significativa. Con un nivel de significancia de 0.05 concluimos
que la variable llotsize y lsqrft son estadsticamente significativas, mientras que la
variable bdrms no es estadsticamente significativa.
. 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.
. test (llotsize=0) (lsqrft=0)
( 1) llotsize = 0
( 2) lsqrft = 0
F( 2, 84) = 33.23
Prob > F = 0.0000
2.2 Problema de Correlacin Serial
Utilizaremos la programacin en Eviews para esta parte de la gua.
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.
Para el anlisis de las series de tiempo, se recomienda investigar las tendencias

que tienen las series.
Podemos observar la evolucin de las variables, en este caso las dos variables
tienen tendencia.
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
La siguiente regresin no considera la tendencia que tienen las variables. En este

tipo de regresin estamos ante un problema de regresin espuria. La elasticidad
de la inversin percpita respecto al precio es positiva cuando debera ser
negativa.
Dependent Variable: LOG(INVPC)

Method: Least Squares
Date: 06/29/16 Time: 08:39
Sample: 1 42
Included observations: 42
Variable Coefficient Std. Error t-Statistic Prob.
LOG(PRICE) 1.240943 0.382419 3.244981 0.0024

C -0.550235 0.043027 -12.78824 0.0000
R-squared 0.208390 Mean dependent var -0.666155

Adjusted R-squared 0.188599 S.D. dependent var 0.172543
S.E. of regression 0.155423 Akaike info criterion -0.838881
Sum squared resid 0.966256 Schwarz criterion -0.756135
Log likelihood 19.61651 Hannan-Quinn criter. -0.808552
F-statistic 10.52990 Durbin-Watson stat 0.814165
Prob(F-statistic) 0.002376
La prueba de variable omitida indica que la variable t (tendencia) es omitida en el

modelo anterior. La hiptesis nula de esta prueba de omisin de variables es que
la variable que se adiciona no es significativa.
equation model1.ls log(invpc) log(price) c

testadd t
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
Unrestricted Test Equation:

Date: 06/29/16 Time: 08:49
Sample: 1 42
Variable Coefficien... Std. Error t-Statistic Prob.
LOG(PRICE) -0.380961 0.678835 -0.561198 0.5779

C -0.913060 0.135613 -6.732814 0.0000
T 0.009829 0.003512 2.798444 0.0079

Procedemos entonces a incluir la variable t (tendencia). Ahora, la elasticidad de la

inversin percpita respecto al precio es negativa que tiene sentido econmico,
sin embargo no es estadsticamente significativa al 0.05. La tendencia es
significativa.

Date: 06/29/16 Time: 08:56
Sample: 1 42
LOG(PRICE) -0.380961 0.678835 -0.561198 0.5779

T 0.009829 0.003512 2.798444 0.0079
C -0.913060 0.135613 -6.732814 0.0000

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).
wfopen prminwge
Observemos la evolucin de las variables para apreciar la tendencia.
graph figura1.line(s) log(prepop)

graph figura2.line(s) log(mincov)
graph figura3.line(s) log(usgnp)
graph figura4.merge figura1 figura2 figura3
LOG(PREPOP)
-0.7
-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
En el siguiente modelo se observa que un incremento de los salarios mnimos

disminuye la tasa de empleo, tenemos una elasticidad de 0.154. Con un nivel de
significancia, la variable usgnp no es estadsticamente significativa.
equation model1.ls log(prepop) log(mincov) log(usgnp) c
15
Dependent Variable: LOG(PREPOP)
Date: 06/29/16 Time: 09:20
Sample: 1 38
LOG(MINCOV) -0.154444 0.064901 -2.379674 0.0229

LOG(USGNP) -0.012189 0.088513 -0.137704 0.8913
C -1.054424 0.765406 -1.377600 0.1771

Si en el modelo anterior se adiciona la tendencia, tenemos:
equation model2.ls log(prepop) log(mincov) log(usgnp) t c

Date: 06/29/16 Time: 09:21
Sample: 1 38
LOG(MINCOV) -0.168695 0.044246 -3.812641 0.0006

LOG(USGNP) 1.057351 0.176637 5.986025 0.0000
T -0.032354 0.005023 -6.441579 0.0000
C -8.696303 1.295762 -6.711340 0.0000

El incremento del producto nacional bruto en EEUU hace que se incremente la

tasa de empleo en Puerto Rico y es estadsticamente significativo con un nivel de
significancia de 0.05.
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.
equation model_prepop.ls log(prepop) c t

model_prepop.makeresids res_prepop
16
Date: 06/29/16 Time: 09:27
Sample: 1 38
C -0.810256 0.017845 -45.40495 0.0000

T -0.006862 0.000798 -8.603246 0.0000

equation model_mincov.ls log(mincov) c t

model_mincov.makeresids res_mincov
Dependent Variable: LOG(MINCOV)

Date: 06/29/16 Time: 09:27
Sample: 1 38
C -2.092230 0.050929 -41.08094 0.0000

T 0.039420 0.002276 17.31610 0.0000

equation model_usgnp.ls log(usgnp) c t

model_usgnp.makeresids res_usgnp
Dependent Variable: LOG(USGNP)

Date: 06/29/16 Time: 09:27
Sample: 1 38
C 7.124499 0.012757 558.4577 0.0000

T 0.030398 0.000570 53.30740 0.0000
R-squared 0.987490 Mean dependent var 7.717266

Con los residuos obtenidos en las variables procedemos a estimar el siguiente

modelo.
equation model_res.ls res_prepop res_mincov res_usgnp
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.
Dependent Variable: RES_PREPOP

Date: 06/29/16 Time: 09:27
Sample: 1 38
RES_MINCOV -0.168695 0.043000 -3.923175 0.0004

RES_USGNP 1.057351 0.171660 6.159569 0.0000
R-squared 0.532704 Mean dependent var 2.26E-16

Durbin-Watson stat 0.907538

Date: 06/29/16 Time: 09:21
Sample: 1 38
LOG(MINCOV) -0.168695 0.044246 -3.812641 0.0006

LOG(USGNP) 1.057351 0.176637 5.986025 0.0000
T -0.032354 0.005023 -6.441579 0.0000
C -8.696303 1.295762 -6.711340 0.0000

Procedemos ahora a analizar series de tiempo dbilmente dependientes. Estamos

en el concepto de series de tiempo estacionarias en covarianza.
Para un proceso estocstico { : = 1,2, } con un segundo momento finito
[(2 ) < ] es estacionario en covarianza si (i) ( ) es constante, (ii) ( ) es
constante y (iii) para cualquier , 1, la ( , + ) depende slo de h y no de
t.
Utilizamos la base de datos nyse que tiene la variable rendimiento promedio

semanal (return)
Observamos la evolucin del rendimiento promedio del ndice compuesto de la

Bolsa de Nueva York (NYSE)
wfopen nyse
graph figura1.line(s) return
18
RETURN
10
-5
-10
-15
-20
76 77 78 79 80 81 82 83 84 85 86 87 88 89
El siguiente modelo se observa que el primer rezago de la variable rendimiento

(returnt-1) no es estadsticamente significativo con un nivel de significancia del
0.05. Estamos frente a un modelo autoregresivo de primer orden AR(1)
Dependent Variable: RETURN

Date: 06/29/16 Time: 10:38
Sample (adjusted): 1/08/1976 3/16/1989
Included observations: 689 after adjustments
C 0.179634 0.080742 2.224794 0.0264

RETURN(-1) 0.058898 0.038023 1.549010 0.1218

S.E. of regression 2.110395 Akaike info criterion 4.334526
Sum squared resid 3059.737 Schwarz criterion 4.347690
Log likelihood -1491.244 Hannan-Quinn criter. 4.339618
Si estimamos un modelo AR(4) tenemos que con un nivel de significancia de 0.05

no son estadsticamente significativas cada uno de los rezagos de la variable
rendimiento.
equation model_return_ar_4.ls return c return(-1) return(-2) return(-3) return(-4)

Date: 06/29/16 Time: 10:46
Sample (adjusted): 1/29/1976 3/16/1989
C 0.184947 0.081787 2.261315 0.0241

RETURN(-1) 0.062642 0.038192 1.640189 0.1014
RETURN(-2) -0.043226 0.038274 -1.129409 0.2591
RETURN(-3) 0.030399 0.038274 0.794250 0.4273
RETURN(-4) -0.052377 0.038179 -1.371868 0.1706

En la prueba conjunta tambin tenemos que no son significativos los 4 rezagos de

la variable rendimiento
wald c(2)=0, c(3)=0, c(4)=0, c(5)=0
19
Wald Test:
Equation: MODEL_RETURN_AR_4
Test Statistic Value df Probability
F-statistic 1.438713 (4, 681) 0.2195

Chi-square 5.754853 4 0.2182
Null Hypothesis: C(2)=0, C(3)=0, C(4)=0, C(5)=0

Null Hypothesis Summary:
Normalized Restriction (= 0) Value Std. Err.
C(2) 0.062642 0.038192

C(3) -0.043226 0.038274
C(4) 0.030399 0.038274
C(5) -0.052377 0.038179
Restrictions are linear in coefficients.
Tambin podemos utilizar el grafico de correlacin para investigar si la serie es

altamente persistente. Observamos que la variable rendimiento no sigue un
proceso AR o MA.
Si la autocorrelacin se reduce ms o menos geomtricamente cuando se

incrementa los rezagos esto es un signo que la serie sigue un proceso
autoregresivo. Si la autocorrelacin se reduce a cero luego de un pequeo
nmero de rezagos es un signo que la serie sigue un proceso promedio mvil MA.
Si el patrn de la autocorrelacin puede ser obtenido por una autoregresin de
orden menor a k, entonces la autocorrelacin parcial en ese rezago ser igual a
cero.
return.correl(24)
Date: 06/29/16 Time: 11:03

Sample: 1/01/1976 1/04/1990
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
1 0.059 0.059 2.4039 0.121

2 -0.03... -0.03... 3.2278 0.199
3 0.026 0.031 3.7029 0.295
4 -0.04... -0.05... 5.2643 0.261
5 -0.00... 0.001 5.2998 0.380
6 0.019 0.015 5.5455 0.476
7 0.060 0.061 8.0590 0.327
8 -0.03... -0.04... 8.7957 0.360
9 -0.02... -0.01... 9.1778 0.421
1... -0.06... -0.06... 12.224 0.270
1... -0.04... -0.02... 13.587 0.257
1... -0.01... -0.02... 13.791 0.314
1... -0.00... -0.00... 13.792 0.389
1... -0.01... -0.02... 13.998 0.450
1... -0.08... -0.08... 19.561 0.189
1... 0.049 0.060 21.261 0.169
1... 0.029 0.025 21.876 0.190
1... -0.06... -0.05... 24.588 0.137
1... 0.011 0.005 24.680 0.171
2... 0.069 0.062 28.030 0.109
2... -0.01... -0.02... 28.296 0.132
2... 0.028 0.034 28.842 0.149
2... 0.130 0.111 41.021 0.012
2... -0.02... -0.03... 41.372 0.015
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)
De acuerdo a la autocorrelacin tenemos presencia de un proceso autoregresivo

en las variables gfr y pe. El orden de la autoregresin es uno como se observa en
la correlacin parcial.
Date: 06/29/16 Time: 11:24

Sample: 1 72
1 0.945 0.945 66.977 0.000

2 0.873 -0.18... 124.99 0.000
3 0.807 0.040 175.30 0.000
4 0.734 -0.12... 217.56 0.000
5 0.649 -0.13... 251.11 0.000
6 0.551 -0.16... 275.65 0.000
7 0.450 -0.07... 292.28 0.000
8 0.338 -0.19... 301.81 0.000
9 0.220 -0.10... 305.92 0.000
1... 0.105 -0.07... 306.88 0.000
1... -0.01... -0.13... 306.89 0.000
1... -0.12... -0.08... 308.35 0.000
1... -0.23... -0.01... 313.25 0.000
1... -0.32... 0.014 322.77 0.000
1... -0.39... 0.005 337.61 0.000
1... -0.46... 0.026 357.92 0.000
1... -0.51... -0.03... 383.68 0.000
1... -0.56... -0.09... 415.07 0.000
1... -0.59... 0.049 450.46 0.000
2... -0.60... 0.021 487.58 0.000
2... -0.58... 0.128 523.33 0.000
2... -0.55... -0.00... 556.34 0.000
2... -0.52... 0.002 585.83 0.000
2... -0.47... -0.02... 610.86 0.000
Date: 06/29/16 Time: 11:24

Sample: 1 72
1 0.947 0.947 67.314 0.000

2 0.878 -0.18... 125.94 0.000
3 0.810 0.009 176.64 0.000
4 0.741 -0.06... 219.70 0.000
5 0.691 0.153 257.64 0.000
6 0.655 0.056 292.25 0.000
7 0.622 -0.01... 323.94 0.000
8 0.585 -0.07... 352.44 0.000
9 0.541 -0.06... 377.20 0.000
1... 0.491 -0.04... 397.88 0.000
1... 0.437 -0.03... 414.55 0.000
1... 0.378 -0.09... 427.23 0.000
1... 0.318 -0.06... 436.34 0.000
1... 0.265 0.015 442.80 0.000
1... 0.223 0.038 447.45 0.000
1... 0.185 -0.03... 450.70 0.000
1... 0.142 -0.10... 452.65 0.000
1... 0.090 -0.10... 453.45 0.000
1... 0.035 -0.02... 453.57 0.000
2... -0.01... 0.028 453.60 0.000
2... -0.06... -0.02... 454.05 0.000
2... -0.10... -0.01... 455.22 0.000
2... -0.14... -0.05... 457.35 0.000
2... -0.17... -0.06... 460.85 0.000
Si estimamos el modelo en niveles tendramos el siguiente resultado. La variable

pe y sus rezagos no son estadsticamente significativas.
21
Dependent Variable: GFR
Date: 06/29/16 Time: 11:40
Sample (adjusted): 3 72
PE 0.072672 0.125533 0.578906 0.5647

PE(-1) -0.005780 0.155663 -0.037129 0.9705
PE(-2) 0.033827 0.126257 0.267919 0.7896
WW2 -22.12650 10.73197 -2.061737 0.0433
PILL -31.30499 3.981559 -7.862495 0.0000
C 95.87050 3.281957 29.21138 0.0000

Como las series son persistentes AR(1), corresponde estimar el modelo en

primera diferencia. Encontramos que un incremento en la exencin personal de
impuesto promedio disminuye la tasa de fertilidad, sin embargo con un nivel de
significancia de 0.05 no es estadsticamente significativa:
equation model3.ls d(gfr) d(pe) c
Dependent Variable: D(GFR)

Date: 06/29/16 Time: 12:26
D(PE) -0.042678 0.028367 -1.504469 0.1370

C -0.784780 0.502040 -1.563182 0.1226

Si incluimos ms rezagos de las diferencias tenemos el siguiente modelo. El

segundo rezago de la primera diferencia es estadsticamente significativa. Indica
una relacin positiva entre las variables con un efecto retardado de dos aos.
series dpe = d(pe)

equation model4.ls d(gfr) dpe dpe(-1) dpe(-2) c
22
Dependent Variable: D(GFR)
Date: 06/29/16 Time: 12:46
DPE -0.036202 0.026774 -1.352151 0.1810

DPE(-1) -0.013971 0.027554 -0.507028 0.6139
DPE(-2) 0.109990 0.026880 4.091919 0.0001
C -0.963679 0.467760 -2.060200 0.0434

El modelo anterior no es un modelo dinamico completo porque si incluimos un

rezago de la variable dgfr u otros rezagos de la variable dpe como dpe(-4), etc
estas no deberan ser estadisticamente significativas. Como se observa esto no se
cumple. La variable dgfr(-1) es estadisticamente significativa.
series dgfr = d(gfr)

equation model5.ls dgfr dgfr(-1) dpe dpe(-1) dpe(-2) c
Dependent Variable: DGFR

Date: 06/29/16 Time: 12:55
DGFR(-1) 0.300242 0.105903 2.835058 0.0061

DPE -0.045472 0.025642 -1.773367 0.0809
DPE(-1) 0.002064 0.026778 0.077081 0.9388
DPE(-2) 0.105135 0.025590 4.108366 0.0001
C -0.702159 0.453799 -1.547292 0.1267

2.2.1 Pruebas de Correlacin Serial
Empezamos por las pruebas de correlacin serial AR(1) con regresores

estrictamente exgenos.
Para este modelo utilizamos la base de datos Phillips que contiene las variables
inflacin (inf) y desempleo (unem).
La curva esttica de Phillips est dada por el siguiente modelo:
wfopen phillips
smpl 1948 1996
equation model1.ls inf unem c
23
Dependent Variable: INF
Date: 06/29/16 Time: 13:28
Sample: 1948 1996
UNEM 0.467626 0.289126 1.617376 0.1125

C 1.423610 1.719015 0.828154 0.4118

Realizamos la prueba de correlacin serial AR(1) en el modelo anterior:
equation model1.ls inf unem c

model1.makeresids residuos
equation model2.ls residuos c residuos(-1)
Dependent Variable: RESIDUOS

Date: 06/29/16 Time: 14:13
C -0.113397 0.359404 -0.315513 0.7538

RESIDUOS(-1) 0.572969 0.116133 4.933720 0.0000

La correlacin del residuo del modelo anterior es de 0.572 y es estadsticamente

significativa.
Para otro modelo encontremos la correlacin serial AR(1) sin regresores

estrictamente exgenos.
Estimamos el siguiente modelo:
24
Date: 06/29/16 Time: 14:19
Sample: 1 38
LOG(MINCOV) -0.212261 0.040152 -5.286398 0.0000

LOG(USGNP) 0.486049 0.221982 2.189582 0.0357
LOG(PRGNP) 0.285238 0.080492 3.543677 0.0012
T -0.026663 0.004627 -5.762910 0.0000
C -6.663445 1.257829 -5.297577 0.0000

Realizamos la prueba de correlacin serial AR(1) sin regresores estrictamente

exgenos. Observamos que el coeficiente de correlacin de errores es 0.48 y es
estadsticamente significativo.
equation model1.ls log(prepop) log(mincov) log(usgnp) log(prgnp) t c

equation model3.ls residuos c log(mincov) log(usgnp) log(prgnp) t residuos(-1)

Date: 06/29/16 Time: 14:22
C -0.850777 1.092688 -0.778609 0.4421

LOG(MINCOV) 0.037500 0.035212 1.064976 0.2951
LOG(USGNP) 0.203933 0.195158 1.044964 0.3041
LOG(PRGNP) -0.078466 0.070524 -1.112615 0.2744
T -0.003466 0.004074 -0.850916 0.4013
RESIDUOS(-1) 0.480510 0.166444 2.886917 0.0070

Si consideramos que los regresores son estrictamente exgenos entonces para la

prueba considerar:
equation model1.ls log(prepop) log(mincov) log(usgnp) log(prgnp) t c

equation model2.ls residuos c residuos(-1)
En este caso el coeficiente de correlacin de errores es 0.417 y es

estadsticamente significativa.
25
Date: 06/29/16 Time: 14:15
C -0.000895 0.004488 -0.199465 0.8431

RESIDUOS(-1) 0.417323 0.158935 2.625743 0.0127

En ambos casos tenemos evidencias de que hay un problema de correlacin

serial AR(1).
2.2.2 Correccin de la Correlacin Serial
Sabemos que el siguiente modelo presenta problemas de correlacion serial AR(1).

Date: 06/29/16 Time: 16:34
Sample: 1 38
LOG(MINCOV) -0.212261 0.040152 -5.286398 0.0000

LOG(USGNP) 0.486049 0.221982 2.189582 0.0357
LOG(PRGNP) 0.285238 0.080492 3.543677 0.0012
T -0.026663 0.004627 -5.762910 0.0000
C -6.663445 1.257829 -5.297577 0.0000

Para corregir el problema de la correlacin serial, estimamos la siguiente ecuacin
equation model11.ls log(prepop) log(mincov) log(usgnp) log(prgnp) t c AR(1)
Observamos que la elasticidad de la tasa de empleo en Puerto Rico en relacin al

salario mnimo es -0.11 y es estadsticamente significativa. La elasticidad de la
tasa de empleo en Puerto Rico en relacin al producto nacional bruto de los EEUU
es 0.36 pero no es estadsticamente significativa. La elasticidad de la tasa de
empleo en Puerto Rico en relacin al producto nacional bruto de Puerto Rico es
0.26 y es estadsticamente significativa. El coeficiente de correlacin serial de los
errores es 0.64 y es estadsticamente significativa.
26
Date: 06/29/16 Time: 16:26
Convergence achieved after 18 iterations
LOG(MINCOV) -0.110758 0.047030 -2.355036 0.0250

LOG(USGNP) 0.366481 0.223741 1.637968 0.1115
LOG(PRGNP) 0.267362 0.115098 2.322912 0.0269
T -0.024328 0.006076 -4.003911 0.0004
C -5.519040 1.368997 -4.031448 0.0003
AR(1) 0.643322 0.160034 4.019909 0.0003

Inverted AR Roots .64
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)
Date: 06/29/16 Time: 16:53
White heteroskedasticity-consistent standard errors & covariance
LOG(MINCOV) -0.110758 0.045523 -2.432992 0.0209

LOG(USGNP) 0.366481 0.274531 1.334935 0.1916
LOG(PRGNP) 0.267362 0.163287 1.637382 0.1117
T -0.024328 0.007163 -3.396166 0.0019
C -5.519040 1.437936 -3.838167 0.0006
AR(1) 0.643322 0.182174 3.531367 0.0013

Prob(F-statistic) 0.000000 Wald F-statistic 4.501299
Prob(Wald F-statistic) 0.005535
Se observa que el producto nacional bruto de Puerto Rico no es estadsticamente

significativo con un nivel de confianza de 0.05.
27
Tenemos otro ejemplo tomando la base de datos barium.
El siguiente modelo se estima por MCO:
Dependent Variable: LCHNIMP
Date: 06/29/16 Time: 17:04
Sample: 1 131
LCHEMPI 3.117194 0.479202 6.504967 0.0000

LGAS 0.196343 0.906618 0.216566 0.8289
LRTWEX 0.983018 0.400154 2.456600 0.0154
BEFILE6 0.059574 0.260970 0.228279 0.8198
AFFILE6 -0.032406 0.264297 -0.122613 0.9026
AFDEC6 -0.565245 0.285835 -1.977522 0.0502
C -17.80283 21.04538 -0.845926 0.3992

Se realizamos la prueba de correlacin serial de los errores.

equation model1.ls lchnimp lchempi lgas lrtwex befile6 affile6 afdec6 c
auto(1)
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 9.977478 Prob. F(1,123) 0.0020

Obs*R-squared 9.829106 Prob. Chi-Square(1) 0.0017
Test Equation:
Dependent Variable: RESID
Date: 06/29/16 Time: 17:07
Sample: 1 131
Presample missing value lagged residuals set to zero.
LCHEMPI -0.016122 0.462772 -0.034839 0.9723

LGAS 0.329091 0.881657 0.373264 0.7096
LRTWEX 0.103582 0.387799 0.267103 0.7898
BEFILE6 -0.026860 0.252150 -0.106523 0.9153
AFFILE6 -0.065503 0.256061 -0.255812 0.7985
AFDEC6 -0.039794 0.276305 -0.144022 0.8857
C -7.918484 20.47660 -0.386709 0.6996
RESID(-1) 0.277165 0.087746 3.158715 0.0020
R-squared 0.075031 Mean dependent var -7.57E-15

Encontramos que el coeficiente de correlacin serial de los errores es 0.27 y es

estadsticamente significativo.
Procedemos a solucionar el problema de la correlacin serial estimando la
siguiente ecuacin.
equation model11.ls lchnimp lchempi lgas lrtwex befile6 affile6 afdec6 c AR(1)
Podemos observar las variables lchempi, lrtwex y afdec6 son estadisticamente
significativas
28
Date: 06/29/16 Time: 17:11
LCHEMPI 2.947433 0.648260 4.546687 0.0000

LGAS 1.054864 1.007026 1.047504 0.2969
LRTWEX 1.136922 0.517948 2.195050 0.0301
BEFILE6 -0.016373 0.322554 -0.050761 0.9596
AFFILE6 -0.033083 0.326295 -0.101389 0.9194
AFDEC6 -0.577159 0.345425 -1.670868 0.0973
C -37.32238 23.61363 -1.580544 0.1166
AR(1) 0.293362 0.088307 3.322077 0.0012

Podemos realizar la prueba de Heterocedasticidad.

model11.hettest lchempi lgas lrtwex befile6 affile6 afdec6 c
Con un nivel de significancia de 0.1 tenemos problemas de Heterocedasticidad.
Heteroskedasticity Test: Breusch-Pagan-Godfrey

Scaled explained SS 14.43973 Prob. Chi-Square(6) 0.0251
Test Equation:
Dependent Variable: RESID^2
Date: 06/29/16 Time: 20:42
Sample: 2 131
C 14.37722 18.50185 0.777070 0.4386

LCHEMPI -1.216506 0.419597 -2.899221 0.0044
LGAS -0.272545 0.794702 -0.342952 0.7322
LRTWEX -0.435162 0.350097 -1.242973 0.2162
BEFILE6 0.107276 0.226870 0.472851 0.6372
AFFILE6 0.031413 0.229761 0.136722 0.8915
AFDEC6 0.360513 0.248502 1.450749 0.1494

La regresin que considera correlacin serial con Heterocedasticidad es:

equation model11.ls(cov=white) lchnimp lchempi lgas lrtwex befile6 affile6 afdec6
c AR(1)
29
Date: 06/29/16 Time: 20:45
White heteroskedasticity-consistent standard errors & covariance
LCHEMPI 2.947433 0.629431 4.682694 0.0000

LGAS 1.054864 0.930659 1.133458 0.2592
LRTWEX 1.136922 0.512843 2.216902 0.0285
BEFILE6 -0.016373 0.329693 -0.049662 0.9605
AFFILE6 -0.033083 0.283140 -0.116843 0.9072
AFDEC6 -0.577159 0.427814 -1.349089 0.1798
C -37.32238 21.30664 -1.751678 0.0823
AR(1) 0.293362 0.088510 3.314429 0.0012

Prob(F-statistic) 0.000000 Wald F-statistic 5.211985
Prob(Wald F-statistic) 0.000083
Analizamos ahora el modelo de serie de tiempo con Heterocedasticidad.

Estimamos el siguiente modelo:
wfopen nyse
equation model1.ls return c return(-1)
Date: 06/29/16 Time: 20:10
Sample (adjusted): 1/08/1976 3/16/1989
C 0.179634 0.080742 2.224794 0.0264

RETURN(-1) 0.058898 0.038023 1.549010 0.1218

Realizamos la prueba de Heterocedasticidad.

La prueba de Heterocedasticidad de Breusch Pagan indica la presencia de
Heterocedasticidad. El coeficiente de return(-1) es -1.104 y es estadsticamente
significativa.
model1.hettest return(-1) c
30
Heteroskedasticity Test: Breusch-Pagan-Godfrey

Scaled explained SS 94.66445 Prob. Chi-Square(1) 0.0000
Test Equation:
Date: 06/29/16 Time: 20:11
Sample: 1/08/1976 3/16/1989
C 4.656498 0.427678 10.88786 0.0000

RETURN(-1) -1.104128 0.201402 -5.482195 0.0000

Tambin podemos realizar la prueba de Heterocedasticidad condicional

autoregresiva.
model1.hettest(type=arch) return(-1) c
Heteroskedasticity Test: ARCH

Test Equation:
Date: 06/29/16 Time: 20:17
Sample (adjusted): 1/15/1976 3/16/1989
C 2.947435 0.440233 6.695166 0.0000

RESID^2(-1) 0.337062 0.035947 9.376681 0.0000

Se observa la presencia de Heterocedasticidad condicional autoregresiva, la

variable resid2t-1 es 0.33 y es estadsticamente significativa.
31

Guía de Econometría 1

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Guía de Econometría 1

Загружено:

Авторское право:

Доступные форматы

FACULTAD DE CIENCIAS EMPRESARIALES Y ECONMICAS

GUIA PARA RESOLVER PROBLEMAS

FUENTE: INTRODUCCIN A LA ECONOMETRA

1. Modelo de Regresin Simple

Variable Obs Mean Std. Dev. Min Max

prate 1534 87.36291 16.71654 3 100

Variable Obs Mean Std. Dev. Min Max

mrate 1534 .7315124 .7795393 .01 4.91

. reg prate mrate

Source SS df MS Number of obs = 1534

prate Coef. Std. Err. t P>|t| [95% Conf. Interval]

mrate 5.861079 .5270107 11.12 0.000 4.82734 6.894818

Average marginal effects Number of obs = 1534

Expression : Linear prediction, predict()

mrate 5.861079 .5270107 11.12 0.000 4.828157 6.894001

El efecto marginal de mrate sobre prate es 5.861079 y es estadsticamente

La base de datos ceosal contiene informacin sobre directores generales de

. summarize salary ceoten

Variable Obs Mean Std. Dev. Min Max

salary 177 865.8644 587.5893 100 5299

. codebook salary ceoten

salary 1990 compensation, $1000s

type: numeric (int)

range: [100,5299] units: 1

percentiles: 10% 25% 50% 75% 90%

ceoten years as ceo with company

type: numeric (byte)

range: [0,37] units: 1

percentiles: 10% 25% 50% 75% 90%

El efecto marginal de ceoten en lsalary es 0.0097236, sin embargo, no es

Si formulamos un nuevo modelo log() = 0 + 1 log() +

La elasticidad de ceoten en el salario es igual a 0.10723 y es estadsticamente

. reg lsalary ceoten

Source SS df MS Number of obs = 177

lsalary Coef. Std. Err. t P>|t| [95% Conf. Interval]

ceoten .0097236 .0063645 1.53 0.128 -.0028374 .0222846

Average marginal effects Number of obs = 177

Expression : Linear prediction, predict()

ceoten .0097236 .0063645 1.53 0.127 -.0027505 .0221978

. reg lsalary lceoten

Source SS df MS Number of obs = 172

lsalary Coef. Std. Err. t P>|t| [95% Conf. Interval]

lceoten .10723 .0502221 2.14 0.034 .0080908 .2063692

Average marginal effects Number of obs = 172

Expression : Linear prediction, predict()

lceoten .10723 .0502221 2.14 0.033 .0087966 .2056635

Source SS df MS Number of obs = 526

wage Coef. Std. Err. t P>|t| [95% Conf. Interval]

educ .5989651 .0512835 11.68 0.000 .4982176 .6997126

. estat hettest, rhs normal

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity

Ramsey RESET test using powers of the fitted values of wage

Variable VIF 1/VIF

exper 1.48 0.676765

Mean VIF 1.31

De acuerdo a los resultados de las pruebas de heterocedasticidad y especificacin

Alternativamente podemos tener un modelo:

. reg lwage educ exper tenure

Source SS df MS Number of obs = 526

lwage Coef. Std. Err. t P>|t| [95% Conf. Interval]

educ .092029 .0073299 12.56 0.000 .0776292 .1064288

. estat hettest, rhs

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity