Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Pauta Ayudant́ıa N◦4 Econometŕıa I Cristián Figueroa 1. Ejercicio 1 1. Mientras que el error estándar en hrsemp no ha cambiado, la mag- nitud del coeficiente ha aumentado en la mitad. El t estad́ıstico en hrsemp ha ido desde 1.47 a -2.21, por lo que ahora el coeficiente es estad́ısticamente menor que cero al 5 % de significancia. (De la tabla, el valor cŕıtico al 5 % con 40 df es -1.684. El valor cŕıtico al 1 % es -2.423, por lo que el p-value está entre .01 y .05.) 2. Si sumamos y restamos β2log(employ) en el lado derecho y agrupamos términos, tenemos: donde la segunda igualdad viene del hecho que log(x2/x3) = log(x2)− log(x3). Definiendo θ3 = β2 + β3 da el resultado. 3. No. Nosotros estamos interesados en el coeficiente en log(employ), el cual tiene un t estad́ıstico de .2, lo cual es muy pequeño. Luego, con- cluimos que el tamaño de la firma, medida por empleados, no importa, una vez que controlamos por entrenamiento y ventas por empleado (en una forma funcional logaritmica). 4. La hipótesis nula en el modelo de la pergunta 2 es H0 : β2 = −1. El t estad́ıstico es (–0,951–(–1))/0,37 = (1–0,951)/0,37 ≈ 0,132; este es muy pequño, y no podemos rechazarla usando test a una o dos colas. 1 2. Ejercicio 2 1. Existe un problema de especificación de la forma funcional si β6 6= 0 o β7 6= 0, donde estos son los parámetros en la población de ceoten2 y comten2 respectivamente. Luego, testeamos la significancia conjunta de estas variables usando la forma conR2 del test F: F = (0,375−0,353)(1−0,375) (177−8) 2 ≈ 2,97. Con 2 e ∞ df , el valor cŕıtico al 10 % es 2.30, mientras que al 5 % es 3.00. Aśı, el p-value es un poco mayor a 0.05 lo cual es eviden- cia razonable de un problema de especificación de la forma funcional. (Por supuesto, si esto tiene un impacto en la práctica en los efectos parciales estimados para varios niveles de las variables explicatorias es otra cosa). 3. Ejercicio 3 1. El coeficiente en voteA88 implica que si el candidato A tuvo un punto porcentual más en la votación de 1988, él debiese tener sólamente 0.067 puntos porcentuales más en 1990. De otra forma, 10 puntos porcentuales más en 1988 implican 0,67 puntos porcentuales más en 1990. El t estad́ıstico es sólo alrededor de 1.26, por lo que la variable es insignificante al 10 % contra la alternativa de cola derecha (valor cŕıtico es 1.282). Mientras este pequeño efecto en un comienzo parece sorprendente, se entiende mejor cuando recordamos que el candidato A en 1990 es siempre el incumbente. Luego, lo que encontramos es que, condicional en ser el incumbente, el porcentaje de votos recibidos en 1988 no tiene un efecto potente en el porcentaje de votos recibidos en 1990. 2. Naturálmente el coeficiente cambia pero no de manera importante, especialmente que se ha tomado en cuenta la significancia estad́ıstica. Por ejemplo, mientras el coeficiente en log(expendA) va desde -0.929 a -0.839, de igual manera el coeficiente no es estad́ıstica o prácticamente significativo (y su signo no es el esperado). Las magnitudes en ambas ecuaciones son bastante similares, y ciertamente no hay cambios de signos. Esto no es sorpresa dada la insignificancia de voteA88. 4. Ejercicio 4 1. La aprobación para el programa de almuerzos del gobierno está muy relacionado con vivir en nivel de pobreza. Luego, el porcentaje de estudiantes en el programa de almuerzos es muy similar al porcentaje de estudiantes viviendo en situación de pobreza. 2 2. Podemos usar nuestro razonamiento usual sobre omitir variables im- portantes de una regresión. Las variables log(expend) y lnchprg están negativamente correlacionadas: los distritos de las escuelas con niños más pobres gastan, en promedio, menos en escuelas. Aśı, β3 < 0. De la tabla, al omitir lnchprg (la proxy para poverty) de la regresión pro- duce un estimador de β1 sesgado al alza (ignorando la presencia de log(enroll) en el modelo). Luego cuando controlamos por la tasa de pobreza, el efecto del gasto cae. 3. Una vez que controlamos por lnchprg, el coeficiente en log(enroll) se vuelve negativo y tiene un t de alrededor de -2.17, el cual es significati- vo al 5 % contra la alternativa de dos colas. El coeficiente implica que ∆math10 ≈ −(1,26100 )( %∆enroll) = −0,0126( %∆enroll) Luego, un in- cremento de 10 % en la tasa de inscripción lleva a una cáıda de 0.126 puntos porcentuales en math10. 4. Ambos math10 y lnchprg son porcentajes. Luego, un incremento de 10 por ciento en lnchprg lleva a una cáıda de alredor de 3.23 puntos porcentuales en math10, un efecto significativo en magnitud. 5. En la columna (1) estamos explicando muy poco de la variación de la tasa de aprobación de la prueba de matemáticas: menos de un 3 %. En la columna (2), estamos explicando casi un 19 % (lo que aún deja mucha variación sin explicar). Cláramente la mayor parte de la varia- ción en math10 es explicada por la variación en lnchprg. Este es un descubrimiento habitual en estudios de performance en escuelas: el in- greso familiar (o factores relacionads, como vivir en nivel de pobreza) es mucho más importante para explicar la performance de los estu- diantes que el gasto por estudiante u otras caracteŕısticas de escuelas. 5. Ejercicio 5 1. Para que se cumplan los supuestos de CEV, debemos ser capaces de escribir tvhours = tvhours ∗ +e0, donde el error de medida e0 tiene media cero y no está correlacionado con tvhours∗ y las demás variables explicatorias de la ecuación. (Notar que estimar consistentemente los parámetros con OLS, no necesitamos que e0 no este correlacionado con tvhours∗) 2. Los supuestos CEV dificilmente se cumplan en este ejemplo. Para niños que no ven televisión, tvhours∗ = 0, y es muy probable que las ho- ras reportadas sean cero. Aśı, si tvhours∗ = 0, luego e0 = 0 con alta probabilidad. Si tvhours∗ > 0, el error de medida puede ser positivo o negativo, pero, como tvhours > 0, e0 debe satisfacer e0 > −tvhours∗. Por lo tanto, e0 y tvhours∗ están probablemente correlaciondos. Como 3 mencionamos en la pregunta anterior, porque es la variable dependien- te medida con error, lo que es importante es que e0 no este correlacio- nada con las variables explicativas. Pero esto es poco probable en este caso, pues tvhours∗ depende directamente en variables explicativas. O, podemos argumentar directamente que padres más educados tien- den a subreportar cuanta televisión sus hijos ven, lo que significa que e0 y las variables de educación están negativamente correlacionadas. 4
Compartir