Práctica Nº 4

4.1 En el modelo de regresión simple bajo RLM.1 a RLM.4, se argumentó que el

estimador de pendiente, 𝛃 ̂ 1, es consistente para β1. Empleando 𝛃 ̂ 0 = 𝐲̅ - 𝛃
̂ 1𝐱̅1,
̂ 0 = β0. [Es necesario emplear la consistencia de 𝛃
muestre que 𝛃 ̂ 1 y la ley de los
grandes números, junto con el hecho de que β0 = E(y) - β1E(x1).]
R.Y=BO + B1X1 +U

E(r)= E(BO + B1X1 +U)

E (y) = BO + EB1X1 +EU

La esperanza de una constante siempre será igual al consante de una esperanza en que :
BO = B1 E(X1) +E(X)

BO =E(Y) - + B1(UX)

BO = UY-B1 UX

R.Las propiedades plím se pueden observar en el apéndice C de Wooldridge.

Partimos de
y = β0 + β1x1 + u, luego aplicamos esperanza, plim y la ley de los grandes números
para concluir que plim(β 1̂ )= β1

4.2 Suponga que el modelo

pctstck = β0 + β1 funds + β2risktol + u
satisface los primeros cuatro supuestos de Gauss-Markov, donde pctstck es el
porcentaje de la pensión de un trabajador invertida en el mercado de valores, funds
de la cantidad de fondos mutualistas de donde el trabajador puede elegir y risktol
es una medida de la tolerancia al riesgo (risktol grande significa que la persona
tiene una alta tolerancia al riesgo). Si funds y risktol están correlacionadas
positivamente, ¿cuál es la inconsistencia en 𝛃 ̃1, el coeficiente de pendiente en la
regresión simple de pctstck sobre funds?
R. pctstck = β0 + β1 funds + β2risktol + u

U= B2 risktol V

Plim B1+b2δ
Donde vemos q´ δ>0

4.3 La base de datos SMOKE.WF1 contiene información sobre la conducta como

fumadores y otras variables de los adultos solteros estadounidenses en una
muestra aleatoria. La variable cigs es la cantidad (promedio) de cigarros fumados
por día. ¿Piensa que la variable cigs tiene una distribución normal en la población
de estadounidenses adultos? Explique.
Asimétrica
R. si la muestra aumenta si y solo si esta variable es consistente.Que no tiene una
distribucion normal donde plim𝜷̃ = B

E J E R C I C I O S E N COM P U TADOR A
4.4 Para este ejercicio emplee los datos del archivo WAGE1.WF1.
i) Estime la ecuación: wage = β0 + β1educ + β2exper + β3tenure + u. Guarde los
residuales y trace un histograma.
120
S e r i e s : R E S ID U O S
S a m p le 1 5 2 6
100
O b s e r v a tio n s 5 2 6

80 Mean 2.89e-15
Median -0.627936
Maximum 14.65360
60
Minimum -7.606771
Std. Dev. 3.075650
40 Skewness 1.554802
Kurtosis 7.474931
20
Jarque-Bera 650.8075
Probability 0.000000
0
-8 -6 -4 -2 0 2 4 6 8 10 12 14

ii) Repita el inciso i), pero empleando como variable dependiente log(wage).
Series: U2
Sample 1 526
Observations 526
Mean 1.84e-16
Median -0.032645
70
Maximum 1.428092
60
Minimum -2.058016
50
Std. Dev. 0.439601
40
Skewness 0.021232
30
Kurtosis 3.976571
20

10 Jarque-Bera 20.94123
Probability 0.000028

iii) ¿Diría usted que el supuesto RLM.6 esta más cerca de ser satisfecho en el
modelo nivelnivel o en el modelo log-nivel?
en el segundo cuadro con la media 1.84e-16porque tiene mas característica que
una normal

4.5 Para este ejercicio emplee los datos del archivo GPA2.WF1.
i) Empleando las 4,137 observaciones estime la ecuación colgpa = β0 + β1hsperc +
β2sat + u y de los resultados en la forma estándar.

Dependent Variable: COLGPA

Method: Least Squares
Date: 04/04/17 Time: 16:31
Sample: 1 4137
Included observations: 4137
 Coefficien
Variable t Std. Error t-Statistic Prob.

C 1.391757 0.071542 19.45358 0.0000

HSPERC -0.013519 0.000549 -24.60430 0.0000
SAT 0.001476 6.53E-05 22.60421 0.0000

Mean dependent 2.65268

R-squared 0.273441 var 6
Adjusted R- 0.65863
squared 0.273090 S.D. dependent var 5
1.68447
S.E. of regression 0.561546 Akaike info criterion 8
1.68906
Sum squared resid 1303.589 Schwarz criterion 6
Hannan-Quinn 1.68610
Log likelihood -3481.342 criter. 1
1.87307
F-statistic 777.9170 Durbin-Watson stat 1
Prob(F-statistic) 0.000000

ii) Empleando las primeras 2,070 observaciones estime de nuevo la ecuación del
inciso i). ¿Cuál parece tener una distribución más normal?
iii)
Dependent Variable: COLGPA
Method: Least Squares
Date: 04/04/17 Time: 16:34
Sample: 1 2070
Included observations: 2070

Coefficien
Variable t Std. Error t-Statistic Prob.

C 1.436017 0.097782 14.68592 0.0000

HSPERC -0.012749 0.000719 -17.74392 0.0000
SAT 0.001468 8.86E-05 16.57771 0.0000

Mean dependent 2.69312

R-squared 0.282736 var 1
Adjusted R- 0.63670
squared 0.282042 S.D. dependent var 7
1.60509
S.E. of regression 0.539497 Akaike info criterion 0
1.61325
Sum squared resid 601.6153 Schwarz criterion 7
Hannan-Quinn 1.60808
Log likelihood -1658.268 criter. 4
1.93134
F-statistic 407.3918 Durbin-Watson stat 2
Prob(F-statistic) 0.000000
4.6 Existen varios estadísticos que son comúnmente empleados para detectar la falta
de normalidad en las distribuciones poblacionales subyacentes. Aquí se estudiara
uno de estos estadísticos que mide el sesgo de una distribución. Recuerde que
todas las variables aleatorias distribuidas normalmente son simétricas respecto a
su media; por tanto, si una variable aleatoria distribuida de manera simétrica se
estandariza, por ejemplo z = (y - μy)/σy, donde μy = E(y) y σy= de(y), entonces z tiene
media cero, varianza uno y E(z3) = 0. Dada una muestra de datos {yi : i = 1, ..., n}, los
valores yi en la muestra pueden estandarizarse mediante z i = (yi - 𝛍̂y)/ 𝛔
̂y, donde 𝛍 ̂y
es la media muestral 𝛔 ̂y es la desviación estándar muestral. (Se ignora el hecho de
que estas sean estimaciones basadas en la muestra.) Un estadístico muestral que
mide la asimetría es n−1 ∑𝐧𝐢=𝟏 𝐳𝐢𝟑 , o aquel en el que en lugar de n se emplea (n - 1)
como ajuste para los grados de libertad. Si y tiene una distribución normal en la
población, la asimetría medida en los valores estandarizados de la muestra no debe
ser significativamente diferente de cero.
i) Emplee primero la base de datos 401KSUBS.WF1. Determine la asimetría de
inc. Haga lo mismo con log(inc). ¿Que variable tiene más asimetría y, por
tanto, parece ser menos probable que este distribuida normalmente?
ii) R. esta determina a ser asimétrica

iii) A continuación emplee BWGHT2.WF1. Determine la asimetría de bwght y de

log(bwght). ¿Qué concluye?

iv) Evalúe la afirmación siguiente: “La transformación logarítmica siempre hace

que una variable positiva parezca estar distribuida más normalmente”.
R. Una transformación logaritmo hace que esta distribución sea asimetría