Regresion Lineal Simple PDF

Talleres aplicaciones lineales
Presentado por:
Cristian Fabian Diaz León
Profesor: Jaime Rodríguez
Marzo de 2020.
Universidad Antonio Nariño
Econometría
10711812747
1. A small business hires a consultant to predict the value of weekly sales of their product if their weekly
advertising is increased to $750 per week. The consultant takes a record of how much the firm spent on
advertising per week and the corresponding weekly sales over the past six months. The consultant writes
‘‘over the past six months the average weekly expenditure on advertising has been $500 and average
weekly sales have been $10,000. Based on the results of a simple linear regression, I predict sales will be
$12,000 if $750 per week is spent on advertising.’’
A. What is the estimated simple regression used by the consultant to make this prediction?
Y= β1 + β2X
X= Publicidad gastada en la semana,
Y= Monto de las ventas.
β2 = 8
10000 = β1 + 8 (500)
β1 = 10000 – 8 (500)
β1 = 6000
La regresión simple es Y = 6000 + 8x
B. Sketch a graph of the estimated regression line. Locate the average weekly values on the graph.
Y=6000+8X
6045
y = 6000+8x
6040
R² = 1
6035
6030
6025
6020
6015
6010
6005
6000
5995
0 1 2 3 4 5 6
Y=6000+8X Lineal (Y=6000+8X )
2. You have the results of a simple linear regression based on state – level data the District of Columbia, a
total of N= 51 observations.
A. The estimated error variance σ2=2.04672. What is the sum of the squared least squares residuals?
∑𝜺̂𝟐𝒊
𝟐. 𝟎𝟒𝟔𝟕𝟐 =
𝟓𝟏 − 𝟐
𝟐. 𝟎𝟒𝟔𝟕𝟐 ∗ 𝟒𝟗 = ∑𝜺̂𝟐𝒊
𝟏𝟎𝟖. 𝟐𝟖𝟗 = ∑𝜺̂𝟐𝒊

B. The estimated variance of b2 is 0.00098. What is the standard error of b2? What is the value of Σ (Xi - )
2
?
𝝈𝟐
𝑽𝒂𝒓(𝜷𝟐 ) =
̅ )𝟐
∑(𝒙 − 𝒙
𝟐
𝟐. 𝟎𝟒𝟔𝟕𝟐∑(𝒙 − 𝒙 ̅ )𝟐
𝟎. 𝟎𝟎𝟎𝟗𝟖(∑(𝒙 − ̅
𝒙) ) =
̅ )𝟐
∑(𝒙 − 𝒙
̅)𝟐 ) = 𝟐. 𝟎𝟒𝟔𝟕𝟐
𝟎. 𝟎𝟎𝟎𝟗𝟖(∑(𝒙 − 𝒙
𝟐. 𝟎𝟒𝟔𝟕𝟐
̅ )𝟐 =
∑(𝒙 − 𝒙
𝟎. 𝟎𝟎𝟎𝟗𝟖
̅ )𝟐 = 𝟐𝟎𝟖𝟖. 𝟒𝟖𝟗𝟖
∑(𝒙 − 𝒙
C. Suppose the dependent variable yi= the state’s mean income (in thousands of dollars) of males who are
18 years of age or older and xi the percentage of males 18 years or older who are high school graduates.
If b2 = 0.18, interpret this result.
X= 1000
𝛽2 =0.18
0.18(1000) = 180
Cada que X aumente en 1000 (dolares) 𝛽2 aumentara $180
D. Suppose = 69.139 and = 15.187, what is the estimate of the intercept parameter?
X=69.139
Ῡ=15.187
15.187 = 𝛽1 + 0.18(69.139)
15.187 − 12445 = 𝛽1
2.742 = 𝛽1
3. The file br2.dat contains data on 1080 houses sold in Baton Rouge, Louisiana, during mid – 2005. The data
include sale price, the house size in square feet, its age, whether it has pool or fireplace or is on the
waterfront. Also included is an indicator variable TRADITIONAL indicating whether the house style is
traditional or not. Variable descriptions are in the file br2.def.
A. Plot house price against house size for houses with traditional style.
price con respecto a sqft, observada y estimada
1,1e+006
Observada
Estimada
1e+006
900000
800000
700000
600000
price
500000
400000
300000
200000
100000
0
1000 2000 3000 4000 5000 6000 7000
sqft
B. For the traditional – style houses estimate the linear regression model PRICE = β1 + β2SQFT + e.
Interpreted the estimates. Draw a sketch of the fitted line.
Modelo 23: MCO, usando las observaciones 1-582
Variable dependiente: price
Coeficiente Desv. Típica Estadístico t valor p

const −28407,6 5728,16 −4,959 <0,0001 ***
sqft 73,7719 2,30097 32,06 <0,0001 ***
Media de la vble. dep. 143470,6 D.T. de la vble. dep. 80988,38

Suma de cuad. residuos 1,37e+12 D.T. de la regresión 48683,09
R-cuadrado 0,639286 R-cuadrado corregido 0,638664
F(1, 580) 1027,923 Valor p (de F) 1,6e-130
Log-verosimilitud −7106,397 Criterio de Akaike 14216,79
Criterio de Schwarz 14225,53 Crit. de Hannan-Quinn 14220,20
𝛽1 = −28407,6
𝛽2 =73,7719
𝑆𝑆𝐸 =1,37e+12
• Un aumento de 1 pie, el precio aumenta en $73
price con respecto a sqft (con ajuste mínimo-cuadrático)
1,1e+006
Y = -2,84e+004 + 73,8X
1e+006
900000
800000
700000
600000
price
500000
400000
300000
200000
100000
0
1000 2000 3000 4000 5000 6000 7000
sqft
C. For the traditional – style houses estimate the quadratic regression model PRICE = α1+ α2SQFT2+e.
Compute the marginal effect of an additional square foot of living space. Graph the fitted line. On
the graph, sketch the line that is tangent to the curve for a 2000 – square – foot house.

Variable dependiente: price

const 68710,0 2873,19 23,91 <0,0001 ***
sq_sqft 0,0120632 0,000346258 34,84 <0,0001 ***

Suma de cuad. residuos 1,23e+12 D.T. de la regresión 46092,53
F(1, 580) 1213,744 Valor p (de F) 2,6e-144
Casa de 2000 pies

𝑑𝑃𝑟𝑖𝑐𝑒
= 2(0.012063)2000
𝑑𝑆𝑄𝐹𝑇
= 2(24.126)
= 48.252
Elasticidad
𝑃𝑅𝐼𝐶𝐸 = 68710 + 0.0120632(2000)2 = 116963
2000
2(0.012063)(2000) = 0.82
116963
0.82 siendo inelástico (no hay sustituto)
D. For the regression in (b) and (c) compute the least squares residuals and plot them against SQFT.
Do any of our assumptions appear violated?
SQFT residuos
Variable dependiente: usq2

const −1,08071e+0 1,32394e+09 −8,163 <0,0001 ***
10
sqft 5,65226e+06 531820 10,63 <0,0001 ***
Media de la vble. dep. 2,36e+09 D.T. de la vble. dep. 1,23e+10

Suma de cuad. residuos 7,34e+22 D.T. de la regresión 1,13e+10
F(1, 580) 112,9575 Valor p (de F) 3,16e-24
Residuos de la regresión (= price observada - estimada)
600000
500000
400000
300000
residuo
200000
100000
-100000
-200000
-300000
1000 2000 3000 4000 5000 6000 7000
sqft
SQFT^2
Variable dependiente: usq3

const −3,25101e+0 4,08741e+08 −7,954 <0,0001 ***
9
sq_sqft 866,208 49,2587 17,58 <0,0001 ***
Media de la vble. dep. 2,12e+09 D.T. de la vble. dep. 8,11e+09

Suma de cuad. residuos 2,49e+22 D.T. de la regresión 6,56e+09
F(1, 580) 309,2280 Valor p (de F) 8,48e-56
Residuos de la regresión (= price observada - estimada)
400000
300000
200000
100000
residuo
-100000
-200000
-300000
-400000
0 1e+007 2e+007 3e+007 4e+007 5e+007
sq_sqft
• Los errores (SSE) son heterocedasticos violando el supuesto que dice que “la varianza de los
errores debe ser constantes (homocedasticos).
E. One basis for choosing between these two specifications is how well the data are fit by model.
Compare the sum of squared residuals (SSE) from the models in (b) and (c). Which model has a
lower SSE? How does having a lower SSE indicate a ‘‘better – fitting’’ model?
SSE >SSE2
2,36e+09 > 2,12e+09
• Como se explico en el anterior punto los errores son hererocedasticidad, entonces los SSEs
disminuyen
F. For the traditional – style houses estimate the log – linear regression model In (PRICE) = 1 +
2 SQFT + e. Interpret the estimates. Graph the fitted line, and sketch the tangent line to the curve
for a house with 2000 square feet of living area.
Variable dependiente: l_price

const 10,7989 0,0346705 311,5 <0,0001 ***
sqft 0,000413235 1,39270e-05 29,67 <0,0001 ***

Suma de cuad. residuos 50,35870 D.T. de la regresión 0,294661
F(1, 580) 880,4051 Valor p (de F) 2,1e-118
La pendiente en cualquier punto es = 0.00041PRICE, por lo que la función aumenta a un ritmo creciente. Para
una casa de 100000 $, los pies adicionales darán un aumento de 41 $ en el precio.
• Para una casa de un precio de 1.000, cada pie adicional el precio aumenta en $0.41
• Para una casa de un precio de 10.000, cada pie adicional el precio auemnta en $4.1
• Para una casa de un precio de 100.000, cada pie adiciona el precio aumenta en $41
4. The capital asset pricing model (CAPM) is an important model in the field of finance. It explains variations
in the rate of return on a security as a function of the rate of return on a portfolio consisting of all publicly
traded stocks, which is called the market portfolio. Generally the rate of return on any investment is
measured difference is called the risk premium, since it is the reward or punishment for marking a risky
investment. The CAPM says that the risk premium on security j is proportional to the risk premium on the
market portfolio. That is,
RJ – RF = βj (rm – RF),
Where rj and rf are the returns to security j and the risk – free rate, respectively, rm is the return on the
market portfolio, and βj is the jth security’s ‘‘beta’’ value. A stock’s beta is important to investors since it
reveals the stock’s volatility. It measures the sensitivity of security j’s return to variation in whole stock
market. As such, values of beta less than I indicate that the stock is ‘‘defensive’’ since its variation is less
than market’s. A beta greater than I indicates an ‘‘aggressive stock.’’ Investors usually want an estimate of
stock’s beta before purchasing it. The CAPM model shown above is the ‘‘economic model’’ in the case. The
‘‘econometric model’’ is obtained by including an intercept in the model (even though theory says it should
be zero) and an error them,
Rj – Rf = αj +βj (rm – rf) + e
A. Explain why the econometric model above is a simple regression model like those discussed in this
chapter.
Es un modelo de regrion simple por que hay una relacion entre variables dependiente e independientes que se
pueden explicar como son:
• Prima de riesgo (dependiente) Y

• Tasa de rentabilidad del Mercado (independiente) X
B. In the data file capm4.dat are data on the monthly returns of six firms (Microsoft, GE, GM, IBM,
Disney, and Mobil – Exxon), the rate of return on the market portfolio (MKT), and the rate of return
on the risk free asset (RISKFREE). The 132 observations cover January 1998 to December 2008.
Estimate the CAPM model for each firm, and comment on their estimated beta values. Which firm
appears most aggressive? Which firm appears most defensive?
DISNEY
Modelo 2: MCO, usando las observaciones 1998:01-2008:12 (T = 132)

Variable dependiente: prima_dis

const −0,00114941 0,00595624 −0,1930 0,8473
prima_mkt 0,897838 0,123627 7,262 <0,0001 ***
Media de la vble. Dep. −0,001297 D.T. de la vble. Dep. 0,080824

Suma de cuad. Residuos 0,608775 D.T. de la regresión 0,068432
F(1, 130) 52,74358 Valor p (de F) 3,11e-11
Log-verosimilitud 167,7212 Criterio de Akaike −331,4425
Criterio de Schwarz −325,6769 Crit. De Hannan-Quinn −329,0996
rho −0,218145 Durbin-Watson 2,426356
GENERAL ELECTRIC

Variable dependiente: prima_ge

const −0,00116693 0,00475922 −0,2452 0,8067
prima_mkt 0,899260 0,0987816 9,104 <0,0001 ***

F(1, 130) 82,87393 Valor p (de F) 1,33e-15
GENERAL MOTORS
Variable dependiente: prima_gm

const −0,0115500 0,00974295 −1,185 0,2380
prima_mkt 1,26141 0,202223 6,238 <0,0001 ***

F(1, 130) 38,90901 Valor p (de F) 5,77e-09
IBM

Variable dependiente: prima_ibm

const 0,00585126 0,00609142 0,9606 0,3385
prima_mkt 1,18821 0,126433 9,398 <0,0001 ***
Media de la vble. Dep. 0,005656 D.T. de la vble. Dep. 0,090347

F(1, 130) 88,32143 Valor p (de F) 2,52e-16
MICROSOFT

Variable dependiente: prima_msft

const 0,00609752 0,00774673 0,7871 0,4327
prima_mkt 1,31895 0,160790 8,203 <0,0001 ***

F(1, 130) 67,28771 Valor p (de F) 1,98e-13
MOBIL

Variable dependiente: prima_xom

const 0,00788014 0,00432231 1,823 0,0706 *
prima_mkt 0,413969 0,0897132 4,614 <0,0001 ***

F(1, 130) 21,29229 Valor p (de F) 9,33e-06
EMPRESAS CON ACCIONES OFENSIVAS
EMPRESAS CON ACCIONES DEFENSIVAS
▪ La empresa que parece más a la defensiva es MOBIL, por 1% en variación del mercado, suben 0.4%
las acciones
▪ La empresa que parece más agresiva es MICROSOFT, por 1% en variaciones de mercado, suben
1.3% las acciones.
C. Finance theory says that the intercept parameter αj should be zero. Does this seem correct given your
estimates? For the Microsoft stock, plot the fitted regression line along with the data scatter.
Prima_msft
y = -0,0004x + 0,032
0,5 R² = 0,019
0,4
0,3
0,2
0,1
0
0 20 40 60 80 100 120 140
-0,1
-0,2
-0,3
-0,4
Prima_msft Lineal (Prima_msft)
D. Estimate the model for each firm under the assumption that αj=0. Do the estimates of the beta values
change much?
DISNEY

Variable dependiente: prima_dis

prima_mkt 0,897919 0,123171 7,290 <0,0001 ***
Media de la vble. dep. −0,001297 D.T. de la vble. dep. 0,080824

R-cuadrado no centrado 0,288601 R-cuadrado centrado 0,288417
F(1, 131) 53,14430 Valor p (de F) 2,62e-11
Criterio de Schwarz −330,5219 Crit. de Hannan-Quinn −332,2332
GENERAL ELETIRC

Variable dependiente: prima_ge

prima_mkt 0,899342 0,0984261 9,137 <0,0001 ***

F(1, 131) 83,48909 Valor p (de F) 1,04e-15
GENERAL MOTORS

Variable dependiente: prima_gm

prima_mkt 1,26223 0,202535 6,232 <0,0001 ***

F(1, 131) 38,83963 Valor p (de F) 5,84e-09
IBM

Variable dependiente: prima_ibm

prima_mkt 1,18780 0,126395 9,398 <0,0001 ***

F(1, 131) 88,31313 Valor p (de F) 2,38e-16
MICROSOFT
Variable dependiente: prima_msft

prima_mkt 1,31852 0,160556 8,212 <0,0001 ***

F(1, 131) 67,44041 Valor p (de F) 1,81e-13
MOBIL
Variable dependiente: prima_xom

prima_mkt 0,413412 0,0905049 4,568 <0,0001 ***

F(1, 131) 20,86519 Valor p (de F) 0,000011
Siendo la constatnte 0, no hay mucha variacion en el retorno de la prima de las

empresas.
5. A longitudinal experiment was conducted in Tennessee beginning in 1985 and ending in 1989. A single
cohort of students was followed from kindergarten through third grade. In the experiment children were
randomly assigned within schools into three types of classes: small classes with 13 – 17 students, regular –
sized classes with 22 – 25 students, and regular – sized classes with a full – time teacher aide to assist the
teacher. Students’ scores on achievement tests were recorded as well as some information about the
students, teachers, and schools. Data for the kindergarten classes are contained in the data file star.dat.
A. Using children who are in either a regular – sized class or a small class, estimate the regression
model explaining students’ combined aptitude scores as a function of class size, TOTALSCOREi = β1
+ β2SMALLi + ei. Interpret the estimates. Based on this regression result, what do you conclude
about the effect of class size on learning?
Variable dependiente: totalscore

const 918,201 1,15497 795,0 <0,0001 ***
small 13,7406 2,10733 6,520 <0,0001 ***

Suma de cuad. residuos 31232500 D.T. de la regresión 73,48340
F(1, 5784) 42,51496 Valor p (de F) 7,61e-11
TOTALSCORE= 918,201+13,7406(SMALL)
Por una variación de 1% en el tamaño de la clase, el puntaje total crece en 13,74
B. Repeat part (a) using dependent variables READSCORE and MATHSCORE. Do you observe any
differences?
READSCORE

Variable dependiente: readscore

const 435,089 0,496938 875,5 <0,0001 ***
small 5,46310 0,906706 6,025 <0,0001 ***

F(1, 5784) 36,30317 Valor p (de F) 1,79e-09
MATH SCORE
Variable dependiente: mathscore

const 483,113 0,747311 646,5 <0,0001 ***
small 8,27746 1,36353 6,071 <0,0001 ***

F(1, 5784) 36,85212 Valor p (de F) 1,36e-09
• TOTALSCORE es la suma de READSCORE Y MATHSCORE
TOTALSCORE=5,46310+8,27746
TOTALSCORE=13,74056
• MATHSCORE es la variable que más aporta al TOTALSCORE
C. Using children who are in either a regular – sized class or a regular – sized class with a teacher aide,
estimate the regression model explaining student’s combined aptitude scores as a function of the
presence of a teacher aide, TOTALSCORE= 1 + 2AIDE + e. Interpret the estimates. Based on this
regression result, what do you conclude about the effect on learning of adding a teacher aide to the
classroom?

Variable dependiente: totalscore

const 924,497 1,20455 767,5 <0,0001 ***
aide −6,13983 2,02712 −3,029 0,0025 ***

F(1, 5784) 9,173858 Valor p (de F) 0,002466
• La pendiente es negativa
• Cuando el tamaño crece en 1%, el puntaje total decrece en -6.13
D. Repeat part (c) using dependent variables READSCORE and MATHSCORE. Do you observe any
differences?
READSCORE

Variable dependiente: readscore

const 437,435 0,518173 844,2 <0,0001 ***
aide −1,99660 0,872026 −2,290 0,0221 **

F(1, 5784) 5,242294 Valor p (de F) 0,022080
MATHSCORE

Variable dependiente: mathscore

const 487,062 0,778962 625,3 <0,0001 ***
aide −4,14324 1,31090 −3,161 0,0016 ***

F(1, 5784) 9,989345 Valor p (de F) 0,001583
• TOTALSCORE es la suma de READSCORE Y MATHSCORE
TOTALSCORE= -1,99660-4,14324
TOTALSCORE= -6,13983
• En este caso también MATH SCORE es la variable que más aporta pero, negativamente.

Regresion Lineal Simple PDF

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

Regresion Lineal Simple PDF

Загружено:

Авторское право:

Доступные форматы

Talleres aplicaciones lineales

Cristian Fabian Diaz León

Profesor: Jaime Rodríguez

Universidad Antonio Nariño

Y=6000+8X Lineal (Y=6000+8X )

𝟏𝟎𝟖. 𝟐𝟖𝟗 = ∑𝜺̂𝟐𝒊

Coeficiente Desv. Típica Estadístico t valor p

Media de la vble. dep. 143470,6 D.T. de la vble. dep. 80988,38

Modelo 24: MCO, usando las observaciones 1-582

Coeficiente Desv. Típica Estadístico t valor p

Media de la vble. dep. 143470,6 D.T. de la vble. dep. 80988,38

Casa de 2000 pies

Coeficiente Desv. Típica Estadístico t valor p

Media de la vble. dep. 2,36e+09 D.T. de la vble. dep. 1,23e+10

Coeficiente Desv. Típica Estadístico t valor p

Media de la vble. dep. 2,12e+09 D.T. de la vble. dep. 8,11e+09

Coeficiente Desv. Típica Estadístico t valor p

Media de la vble. dep. 11,76172 D.T. de la vble. dep. 0,467167

Rj – Rf = αj +βj (rm – rf) + e

• Prima de riesgo (dependiente) Y

Modelo 2: MCO, usando las observaciones 1998:01-2008:12 (T = 132)

Coeficiente Desv. Típica Estadístico t valor p

Media de la vble. Dep. −0,001297 D.T. de la vble. Dep. 0,080824

Modelo 3: MCO, usando las observaciones 1998:01-2008:12 (T = 132)

Coeficiente Desv. Típica Estadístico t valor p

Media de la vble. Dep. −0,001314 D.T. de la vble. Dep. 0,069702

Coeficiente Desv. Típica Estadístico t valor p

Media de la vble. Dep. −0,011757 D.T. de la vble. Dep. 0,127106

Modelo 5: MCO, usando las observaciones 1998:01-2008:12 (T = 132)

Coeficiente Desv. Típica Estadístico t valor p

Media de la vble. Dep. 0,005656 D.T. de la vble. Dep. 0,090347

Modelo 6: MCO, usando las observaciones 1998:01-2008:12 (T = 132)

Coeficiente Desv. Típica Estadístico t valor p

Media de la vble. Dep. 0,005881 D.T. de la vble. Dep. 0,109224

Modelo 7: MCO, usando las observaciones 1998:01-2008:12 (T = 132)

Coeficiente Desv. Típica Estadístico t valor p

Media de la vble. Dep. 0,007812 D.T. de la vble. Dep. 0,053367

EMPRESAS CON ACCIONES DEFENSIVAS

Prima_msft Lineal (Prima_msft)

Modelo 2: MCO, usando las observaciones 1998:01-2008:12 (T = 132)

Coeficiente Desv. Típica Estadístico t valor p

Media de la vble. dep. −0,001297 D.T. de la vble. dep. 0,080824

Modelo 3: MCO, usando las observaciones 1998:01-2008:12 (T = 132)

Coeficiente Desv. Típica Estadístico t valor p

Media de la vble. dep. −0,001314 D.T. de la vble. dep. 0,069702

Modelo 4: MCO, usando las observaciones 1998:01-2008:12 (T = 132)

Coeficiente Desv. Típica Estadístico t valor p

Media de la vble. dep. −0,011757 D.T. de la vble. dep. 0,127106

Modelo 5: MCO, usando las observaciones 1998:01-2008:12 (T = 132)

Coeficiente Desv. Típica Estadístico t valor p

Media de la vble. dep. 0,005656 D.T. de la vble. dep. 0,090347

Coeficiente Desv. Típica Estadístico t valor p

Media de la vble. Dep. 0,005881 D.T. de la vble. Dep. 0,109224

Coeficiente Desv. Típica Estadístico t valor p

Media de la vble. dep. 0,007812 D.T. de la vble. dep. 0,053367

Siendo la constatnte 0, no hay mucha variacion en el retorno de la prima de las

Coeficiente Desv. Típica Estadístico t valor p

Media de la vble. dep. 922,3287 D.T. de la vble. dep. 73,74660

Por una variación de 1% en el tamaño de la clase, el puntaje total crece en 13,74

Modelo 2: MCO, usando las observaciones 1-5786

Coeficiente Desv. Típica Estadístico t valor p

Media de la vble. dep. 436,7297 D.T. de la vble. dep. 31,71347

Coeficiente Desv. Típica Estadístico t valor p