Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
AYUDANTÍA N° 03 – ECONOMETRÍA 1° Semestre 2013 Profesores: Pilar Alcalde, Gonzalo Aguirre, Ignacio Inostroza y David Kimber Fecha: 26 de abril de 2013. Tema 1 Dipros es una compañía que fabrica y distribuye detergente líquido. Para una óptima administración de su stock, esta compañía desea estimar la demanda por su producto Fresh a través de un modelo econométrico. Para desarrollar este modelo, la compañía ha registrado, durante 30 períodos, algunas variables que podrían explicar la demanda por Fresh. En el -ésimo período: · : demanda por botellas grandes de detergente líquido Fresh (en millones de unidades). · : precio de cada botella grande de Fresh (en dólares). · : precio promedio de una botella de similares características que Fresh ofrecido por la competencia (en dólares). · : gasto en publicidad por parte de Dipros para su producto Fresh (en millones de dólares). Así, la matriz de datos es como sigue: período ventas precio prcomp public 1 0,74 3,85 3,8 0,55 2 0,85 3,75 4 0,68 30 0,93 3,7 4,25 0,68 a. Usted formula el siguiente modelo: Al estimar este modelo, usted obtiene: = 9,02; = – 2,46; = – 1,713; = 0,527. i. Escriba la estimación del efecto parcial del precio de Fresh sobre las ventas de este detergente líquido. Use esa expresión para explicarle al gerente de marketing de Dipros qué significan y . El efecto parcial estimado del precio de cada botella de Fresh sobre las ventas de este detergente líquido es: Las interpretaciones pedidas son: · Significado de : Por cada dólar de incremento en el precio de una botella de Fresh, se estima que las ventas promedio caerán en 2460000 unidades, pero sólo en períodos donde la competencia ofrece gratuitamente sus botellas de detergente a consumidores. · Significado de : Si el precio de una botella de Fresh aumenta en un dólar, se estima que el cambio en las ventas promedio de este detergente líquido aumentará en 527000 unidades por cada dólar que aumente el precio promedio de detergente líquido de la competencia. ii. Explíquele al gerente de marketing de Dipros cuál es la lógica detrás de este modelo econométrico. La idea detrás de este modelo es saber si el cambio en las ventas promedio de Fresh, ante un incremento en el precio de este detergente líquido, depende del precio promedio de venta de su símil por parte de la competencia. Alternativamente, la lógica del modelo es examinar cómo el precio del detergente Fresh y el precio promedio de detergentes ofrecidos por la competencia afectan a las botellas vendidas del detergente Fresh. b. Ahora, suponga el siguiente modelo: donde = . i. ¿Por qué sería útil usar ln(ventas) en lugar de ventas como variable dependiente? El uso de ln(ventas) en lugar de ventas como variable dependiente se justifica porque: · Pueden ignorarse unidades de medida en variables que aparecen en logaritmos (se miden variaciones porcentuales, no variaciones absolutas). · Cuando se emplean logaritmos en variables de un modelo, este modelo suele satisfacer mejor los supuestos del modelo lineal clásico. Variables estrictamente positivas suelen ser asimétricas y/o heterocedásticas. Usando logaritmos, usualmente se atenúa dicho comportamiento. · Se estrecha rango de variación de variables en las cuales se incorporan logaritmos. Luego, observaciones son menos sensibles a observaciones atípicas (outliers). ii. Explíquele al gerente de marketing de Dipros cuál es la lógica detrás de este modelo econométrico. Este modelo permite capturar si los cambios porcentuales en las ventas promedio de Fresh, ante un aumento de un millón de dólares en el gasto en publicidad, son cada vez mayores o menores a medida que se inyecta cada vez más presupuesto a publicidad para este producto. iii. Al estimar este modelo, usted obtiene: = – 0,292; = 0,011; = 6,73. Interprete . Notar que, Luego, O sea, De acuerdo a la expresión, solo se puede interpretar en sí mismo, sólo cuando publicm cambia de 0 a 1. En tal caso, se estima que las ventas promedio de Fresh aumenten en un 1,1%. Tema 2 En un estudio de recolección de basura, se encontró que la cantidad esperada de papel recogido se expresa en función de la cantidad de contenedores, y teniendo en cuenta si la medición fue registrada en una comuna dentro de la Región Metropolitana (RM) o en una comuna fuera de ella. En la figura 1 se puede observar la relación gráfica, dependiendo del grupo de interés. Con el objeto de analizar la dependencia existente entre la cantidad de papel recogido y el número de contenedores, se han definido las siguientes variables: · ptpapel: kilos de papel recogido. · ncont: número de contenedores (unidades físicas). · Region: variable binaria que registra si la medición se realizó en una comuna fuera de la RM (1) o en una comuna dentro de ella (0). Dado el aspecto que presenta la relación, se propone el siguiente modelo de regresión para las variables en cuestión: + Figura 1 Para cada parámetro de este modelo, determine (si es posible) si su signo es positivo, negativo o si el parámetro es exactamente igual a 0. Justifique su elección. Para lograr lo pedido en el enunciado, es útil reescribir el modelo como sigue: Por tanto, se escriben los respectivos modelos, dependiendo si la comuna pertenece o no a la Región Metropolitana: Fuera de RM: Dentro de RM: Si en una comuna dentro de la RM no hubiese contenedor alguno, la cantidad esperada de papel recolectado es positiva. Por tanto, . Si en una comuna no hubiese contenedor alguno, se espera mayor cantidad de papel recogido en una comuna de la RM versus una comuna fuera de la RM. Por tanto, . Dentro de la RM, la relación entre la cantidad esperada de papel recolectado y el número de contenedores es lineal. Por tanto, . Dentro de la RM, la relación entre la cantidad esperada de papel recolectado y el número de contenedores es creciente. Por tanto, . Fuera de la RM, la relación entre la cantidad esperada de papel recolectado y el número de contenedores es cuadrática. Además, esta relación es creciente, pero a una tasa decreciente. Por tanto, y también . Anteriormente, se dedujo que . Por tanto, . En cuanto a , no es posible saber su signo, pues para comunas con pocos contenedores, ante un contenedor adicional, el cambio de la cantidad esperada de papel recogido es mayor fuera de la RM que dentro de ella. Pero, en comunas con gran cantidad de contenedores, esta tasa de cambio es superior dentro de la RM que fuera de ella. Para ver esto, considere que ante un contenedor adicional en una comuna: Fuera de la RM, el cambio en la cantidad esperada de papel recogido es Dentro de la RM, el cambio en la cantidad esperada de papel recogido es Luego, En comunas con pocos contenedores: . O sea, Como , entonces Por tanto, . Como , entonces . En comunas con muchos contenedores, . O sea, Sabemos que , pero no se sabe si es positivo, negativo o cero. Caso 1: Suponga que Por el desarrollo anterior, sabemos que . Caso 2: Suponga que Luego, Caso 3: Suponga que Luego, Tema 3 En una muestra aleatoria simple de 4137 estudiantes se registraron las siguientes variables: · sat: puntuación en test de aptitud escolar (a mayor puntaje, más habilidades tiene el estudiante). · hsize: tamaño de la promoción (en cientos de alumnos) a la que pertenece el alumno. · female: variable que toma el valor 1 si el estudiante es mujer; en caso contrario, vale 0. · black: variable que toma el valor 1 si el estudiante es de raza negra; en caso contrario, vale 0. · athlete: variable que toma el valor 1 si el estudiante es deportista; en caso contrario, vale 0. Se propone el siguiente modelo para estimar los efectos de varios factores sobre los resultados del test SAT de aptitud escolar: (1) La estimación MCO del modelo (1) es: Coef. Estimado Error estándar Estadístico t Valor- (Intercepto) 1033,62 6,24 165,75 0,0000 hsize18,02 3,78 4,77 0,0000 hsize 2 – 1,89 0,52 – 3,64 0,0003 female – 48,45 4,25 – 11,41 0,0000 black – 130,25 14,11 – 9,23 0,0000 female black 36,71 18,38 2,00 0,0459 athlete – 97,58 11,01 – 8,86 0,0000 athlete black – 59,17 25,22 – 2,35 0,0190 Estadístico : 75,01 (valor-: 0,0000) Coeficiente de determinación: 0,1128 R2-ajustado: 0,1113 Suponga que el modelo (1) satisface los supuestos del modelo lineal clásico. 1. En el contexto del enunciado, interprete la estimación MCO de . Indica que si un estudiante es deportista, el cambio en su puntaje en prueba de aptitud escolar (versus un estudiante no deportista) es 59,17 puntos menor si el estudiante es de raza negra, versus un estudiante de raza no negra. 2. Grafique la relación estimada entre el puntaje en la prueba de aptitud escolar de un estudiante y el tamaño de la promoción a la cual pertenece, manteniendo constantes el resto de las variables. ¿Cuál es la lógica de incorporar la variable en el modelo? La lógica de incorporar es examinar si el cambio en el puntaje esperado en prueba sat, ante incrementos en el tamaño de la promoción, es diferente ante distintos tamaños de la promoción (si existen rendimientos decrecientes). 3. Ceteris paribus, ¿cuál es la diferencia estimada en puntajes prueba sat entre hombres deportistas y hombres no deportistas? Esta diferencia, ¿es significativa? Explique. En hombres deportistas, la estimación de su puntaje en prueba sat es: En hombres no deportistas (ceteris paribus), la estimación de su puntaje en prueba sat es: Luego, Para evaluar si esta diferencia es significativa, debiera realizarse el siguiente test de hipótesis: versus En tal caso, debiera estimarse el modelo restringido: , del cual se obtiene el coeficiente de determinación . Así, se obtiene el estadístico de prueba: Con un 5% de significancia, se concluye que la diferencia es significativa si: . 4. Al observar estos resultados, un amigo “iluminado” le comenta a un “pecador econométrico”: “el hecho de ser de raza negra (versus no serlo) beneficia más a mujeres que a hombres, en términos del puntaje en la prueba sat, ceteris paribus”. ¿Qué opina usted? Considere que el modelo puede reescribirlo así: Observación: No es necesario que el alumno re-escriba el modelo para responder a la pregunta Si el amigo “iluminado” tuviese razón, entonces . Para saberlo, habría que realizar un test de hipótesis. Para llevar a cabo este test no se tienen datos suficientes. Sin embargo, al menos en la muestra, se observa que y además se sabe que , con un 5% de significancia. 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 7.5 8 8.5 9 9.5 10 10.5 11 11.5 12 12.5 13 13.5 14 14.5 15 15.5 16 16.5 17 17.5 18 18.5 19 19.5 20 20.5 21 21.5 22 22.5 23 23.5 24 24.5 25 1033.6199999999999 1042.1574999999998 1049.75 1056.3974999999998 1062.0999999999999 1066.8574999999998 1070.6699999999998 1073.5374999999999 1075.46 1076.4375000000011 1076.47 1075.5574999999999 1073.6999999999998 1070.8975 1067.1499999999999 1062.4575000000011 1056.82 1050.2375000000011 1042.71 1034.2375000000011 1024.82 1014.4574999999974 1003.1499999999999 990.89749999999947 977.69999999999993 963.55749999999796 948.46999999999946 932.43749999999739 915.45999999999947 897.53749999999798 878.66999999999939 858.85749999999746 838.09999999999991 816.39749999999947 793.74999999999989 770.15749999999946 745.62 720.13749999999948 693.71 666.33749999999748 638.02 608.75749999999948 578.54999999999939 547.39749999999947 515.29999999999995 482.25749999999994 448.27 413.33749999999969 377.46000000000004 340.63750000000005 302.86999999999989 Tamaño promoción (cientos de alumnos) Puntaje estimado en prueba sat
Compartir