You are on page 1of 18

ESCUELA POLITECNICA NACIONAL

FACULTAD DE CIENCIAS
ADMINISTRATIVAS
INGENIERIA EMPRESARIAL

INTRODUCCIÓN A LA ECONOMETRÍA UN ENFOQUE MODERNO


Jeffrey M. Wooldridge

LLUMIQUINGA ÑATO DARIO JAVIER


4B
08/08/2017
CAPITULO 4: ANALISIS DE REGRESION MULTIPLE

PROBLEMAS

4.1. ¿Cuál de las causas siguientes puede hacer que los estadísticos t usuales de MCO no
sean válidos (es decir, que no tengan una distribución t bajo H0)?
i) Heterocedasticidad.
ii) Que exista un coeficiente de correlación muestral de .95 entre dos variables
independientes
del modelo.
iii) Omitir una variable explicativa importante.

Omitir una variable explicativa importante, viola la aceptación de MRL. Los supuestos MLC no
contienen ninguna mención de las correlaciones muestrales entre variables independientes,
excepto para descartar el caso en que la correlación es uno.

4.2. Considere una ecuación para explicar los sueldos de los directores generales o CEO en
términos de las ventas anuales de la empresa, el rendimiento sobre capital (roe, en forma de
porcentaje), y el rendimiento de las acciones de la empresa (ros, en forma de porcentaje):

i) En términos de los parámetros del modelo, establezca la hipótesis nula de que,


controlando sales y roe, ros no tiene efecto en el sueldo de los CEO. Establezca la
alternativa de que un mejor desempeño de las acciones de la empresa incrementa el
sueldo de los CEO.
𝐻0 : 𝐵3 = 0, 𝐻1 : 𝐵3 > 0
ii) ¿Cuál es el porcentaje de aumento de salary que se pronostica si ros aumenta 50
puntos?
50*(100*0,00024) = 1,2%
Si ros aumenta 50 puntos en porcentaje salary aumentaría en 1,2%

¿Tienen ros un efecto práctico grande sobre salary?


No

iii)
n= 209
gl= 205
∝= 0,10
𝑡∝⁄ ,𝑛−𝑘−1 = 1.645
2

𝑣𝑎𝑟(𝐵̂3 ) = 2.935𝑒 −7 = 0.0000002935


𝑒𝑒(𝐵̂ ̂
3 ) = √𝑣𝑎𝑟(𝐵3 ) = √0.0000002935=0.0005418
̂3
𝐵 0.00024
𝑡= = = 0,4429
𝑒𝑒(𝐵̂3 ) 0.0005418
𝑁𝑜 𝑒𝑠 𝑆𝐼𝐺𝑁𝐼𝐹𝐼𝐶𝐴𝑇𝐼𝑉𝑂

iv) Basándose en la muestra, el coeficiente estimado de ros parece ser diferente de cero,
solamente a causa de la variación del muestreo. También pude incluir y no causar ningún
efecto negativo; depende de cómo este correlacionada con las demás variables
independientes.

4.3 La variable rdintens representa el gasto en investigación y desarrollo (I & D) dado como
porcentaje de las ventas. Las ventas (sales) se miden en millones de dólares. La variable
profmarg representa la ganancia como porcentaje de las ventas. Empleando los datos del
archivo RDCHEM.RAW de 32 empresas de la industria química, se estimó la ecuación siguiente:
i)
̂
𝒓𝒅𝒊𝒏𝒕𝒆𝒏𝒔 = 𝟎.̂
𝟒𝟕𝟐 + 𝟎.̂𝟑𝟐𝟏𝒍𝒐𝒈(𝒔𝒂𝒍𝒆𝒔), 𝒅𝒐𝒏𝒅𝒆 𝒍𝒐𝒈(𝒔𝒂𝒍𝒆𝒔) = 𝟏𝟎%
̂
𝒓𝒅𝒊𝒏𝒕𝒆𝒏𝒔 = 𝟎. 𝟒𝟕𝟐 + 𝟎. 𝟑𝟐𝟏(𝟏𝟎%)
̂
𝒓𝒅𝒊𝒏𝒕𝒆𝒏𝒔 = 𝟎. 𝟑𝟐𝟏(𝟏𝟎%)
̂
𝒓𝒅𝒊𝒏𝒕𝒆𝒏𝒔 = 𝟎. 𝟎𝟑𝟐𝟏

𝛽̂1 = Si las ventas aumentan en 10% el gasto en investigación y desarrollo como % de


ventas es de en 0.0321%, mientras las demás variables permanecen constantes.
Para un porcentaje de aumento tan grande de ventas el efecto de este es demasiado
pequeño.

ii)

𝐻0 : 𝛽1 = 0
𝐻1 : 𝛽1 ≠ 0

 n-k-1= 32-2-1= 29

̂
𝛽 0.321
| 𝑡𝛽̂1 | = 𝑒𝑒𝛽̂1 = 0.216 = 1.4861
1

5%
𝑡∝,𝑛−𝑘−1 = 2.045
2

| 𝑡𝛽̂1 |>𝑡∝,𝑛−𝑘−1
2

1.4861≯2.045
R= No se rechaza H0 al nivel de significancia 5%

10%
𝑡∝,𝑛−𝑘−1 = 1.699
2

| 𝑡𝛽̂1 |>𝑡∝,𝑛−𝑘−1
2

1.4861≯1.699
R= No se rechaza H0 al nivel de significancia 10%
iii)

𝛽̂2 = Si las ganancias por las ventas aumentan en 1% el gasto en investigación y


desarrollo como % de ventas es de 0.050%, mientras las demás variables permanecen
constantes.

El coeficiente de profmarg es económicamente grande porque el t estadístico es


superior al nivel de significancia 5% o 10%.

iv)

 n-k-1= 32-2-1= 29

̂1
𝛽 0.050
| 𝑡𝛽̂1 | = ̂1 = = 1.0869
𝑒𝑒𝛽 0.046

10%
𝑡∝,𝑛−𝑘−1 = 1.699
2

| 𝑡𝛽̂1 |>𝑡∝,𝑛−𝑘−1
2

1.0869≯1.699

5%
𝑡∝,𝑛−𝑘−1 = 2.045
2

| 𝑡𝛽̂1 |>𝑡∝,𝑛−𝑘−1
2

1.0869≯2.045

1%
𝑡∝,𝑛−𝑘−1 = 2.756
2

| 𝑡𝛽̂1 |>𝑡∝,𝑛−𝑘−1
2

1.0869≯2.756

R= No tiene un efecto significativo sobre rdintens porque está por debajo de los otros t
estadísticos analizados, en los diferentes niveles de significancia.

4.4 En una ciudad estudiantil, ¿influye la población de estudiantes sobre las rentas de las
viviendas? Sea rent la renta mensual promedio en una ciudad estudiantil de Estados Unidos.
Sean pop el total de la población en esa ciudad, avginc el ingreso promedio en la ciudad y
pctstu la población de estudiantes dada como porcentaje del total de la población. Un modelo
para probar esta relación es

i) En términos poblacionales la hipótesis nula debe ser H0: 𝛽𝑗 = 0 y la hipótesis alternativa


H1: 𝛽𝑗 ≠ 0 por lo tanto:
H0: 𝛽3 = 0, es necesario que 𝛽3 sea igual a 0 para que la variable independiente no
afecte en renta mensual promedio en una ciudad estudiantil de Estados Unidos.
H1: 𝛽3 ≠ 0, si el tamaño del cuerpo estudiantil en relación con la población es diferente
de 0 afectara la renta mensual promedio en una ciudad estudiantil de Estados Unidos.

ii) Se espera que los signos sean de 𝛽1 > 0 y 𝛽2 >0 porque cabe recalcar que la renta
mensual promedio en una ciudad estudiantil de EEUU va a aumentar conforme aumente
la población total de esa ciudad y el ingreso promedio de esa ciudad.
iii) L a ecuación estimada empleando datos de 1990 del archivo RENTAL.RAW sobre 64
ciudades estudiantiles es:
. regress lrent lpop lavginc pctstu

Source SS df MS Number of obs = 128


F( 3, 124) = 162.39
Model 11.2058728 3 3.73529093 Prob > F = 0.0000
Residual 2.85225874 124 .023002087 R-squared = 0.7971
Adj R-squared = 0.7922
Total 14.0581315 127 .110693949 Root MSE = .15166

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

lpop .0313456 .0270787 1.16 0.249 -.0222506 .0849418


lavginc .8771388 .0413247 21.23 0.000 .7953455 .958932
pctstu .0065849 .0012027 5.48 0.000 .0042044 .0089653
_cons -3.368309 .4639442 -7.26 0.000 -4.286585 -2.450034

̂
𝒍𝒐𝒈(𝒓𝒆𝒏𝒕) = 𝟎. 𝟎𝟒𝟑 + 𝟎. 𝟎𝟔𝟔 𝒍𝒐𝒈(𝒑𝒐𝒑) + 𝟎. 𝟓𝟎𝟕 𝒍𝒐𝒈(𝒂𝒗𝒈𝒊𝒏𝒄) + 𝟎. 𝟎𝟎𝟓𝟔 𝒑𝒄𝒕𝒔𝒕𝒖
(0.844) (0.039) (0.081) (0.0017)
𝒏 = 𝟏𝟒𝟏, 𝑹𝟐 = 0.458

El incremento del 6.6% en la renta tocaría corregir que es por aumentar en 1% del total
de la población con todos los demás factores constantes.

iv) La hipótesis nula H0: 𝛽3 = 0 significa que una vez que el total de la población en esa
ciudad y el ingreso promedio en la ciudad se hayan tomado en cuenta, población de
estudiantes no tiene efecto sobre la renta mensual promedio de esa ciudad. Si: 𝛽3 ≠ 0
quiere decir que el población de estudiantes influye en la renta mensual promedio.
Como H0: 𝟎. 𝟎𝟎𝟓𝟔 = 0 no tiene sentido y como se tienen 124 grados de liberad se puede
emplear valores críticos de la distribución normal estándar y el valor crítico para el 1%
es 2.33. El estadístico t para 𝐵̂3 𝑒𝑠:

𝑡̂ 0.0056
𝐵3 = ≈3.29411
0.0017

Y de esta manera 𝐵̂3 es estadísticamente significativo al 1% de significancia o es


estadísticamente diferente de cero al nivel de significancia del 1%. Por lo tanto, no se
acepta la hipótesis nula y no se rechaza la hipótesis alternativa.
4.5 Considere la ecuación estimada del ejemplo 4.3, la cual se emplea para estudiar el efecto
de faltar a clases en el promedio general (GPA) en la universidad:

i)
∝= 0,5 ∝⁄2 = 0,025
141 − 3 − 1 = 137
𝑡(0,025,137) = 1,9777
𝑒𝑒(𝛽̂1 ) = 0,094

̂1 ± 𝑒𝑒(𝛽
[𝛽 ̂1 ) 𝑡(∝ ]
⁄2;𝑘−𝑛−1)
[0,412 ± 0,094 ∗ (1,9777)]
[0,412 ± 0,1859]
[𝟎, 𝟐𝟐𝟔𝟏; 𝟎, 𝟔𝟗𝟖𝟎]

ii)
̂1 = 0,4
𝐻0 : 𝛽
̂1 ≠ 0,4
𝐻1 : 𝛽

̂1 − 𝑎𝑗 0,412 − 0,4
𝛽
̂1 ) =
(𝛽 = = 0,127
̂1 )
𝑒(𝛽 0,094
0,127 < 1,977

𝑁𝑜 𝑅𝑒𝑐ℎ𝑎𝑧𝑜 𝐻0

iii)
̂1 = 1
𝐻0 : 𝛽
̂1 ≠ 1
𝐻1 : 𝛽

̂1 ) = −6,255
𝑡(𝛽
|−6,255| > 1,977

𝑅𝑒𝑐ℎ𝑎𝑧𝑜 𝐻0

4.6 En la sección 4.5 se empleó como ejemplo la prueba de si son razonables los avalúos de
precios de casas. Ahí se empleó el modelo log-log para price y assess [vea la ecuación (4.47)].
Aquí se emplea la formulación nivel-nivel.

i)
−14,47
𝐻0 : 𝛽0 = 0 gl: n-k-1 = 86 ̂0 =
𝑡𝛽 = −0,889
16,27
𝐻1 : 𝛽0 ≠ 0 gl: 88-2 = 86 No se rechaza 𝐻0 , 𝛽0 no es estadísticamente al 95%

0,976−1
𝐻0 : 𝛽1 = 1 gl: n-k-1 = 86 ̂0 =
𝑡𝛽 = −0,49
0,049
𝐻1 : 𝛽1 ≠ 1 gl: 88-2 = 86 No se rechaza 𝐻0 , 𝛽1 no es estadísticamente al 95%

ii)
(209 448,9−165 644,51)/2
𝑆𝑅𝐶 𝑟 = 209 448,9 𝐹= 165 644,51/86
= 11,37
𝑆𝑅𝐶 𝑛𝑟 = 165 644, 51 𝐹𝑐(2,90) = 4,85 No se rechaza 𝐻0

iii)
0,829−0,820)/3
𝑟 2 𝑁𝑅 = 0,829 𝐹= 1−0,829/83
= 1,46
2
𝑟 𝑅 = 0,820 𝐹𝑐(2,90) = 2,15 No se rechaza 𝐻0 𝑎𝑙 10% 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑛𝑐𝑖𝑎

v) Si la heterocedasticidad estuviera presente, la hipótesis MLR.5 sería violada, y la


estadística F no tendría una distribución F bajo la hipótesis nula. Por lo tanto, la
comparación del estadístico F con los valores críticos habituales, o la obtención del valor
p de la distribución F, no sería especialmente significativa.

4.7. En el ejemplo 4.7 se usaron datos sobre empresas no sindicalizadas para estimar la
relación entre las tasas de piezas defectuosas (scrap) y otras características de la empresa.
Este ejemplo se verá ahora más de cerca y se emplearán todas las empresas disponibles.

i)
Mientras que el error estándar en hrsemp no ha cambiado, la magnitud del coeficiente ha
aumentado a la mitad. El estadístico t sobre hrsemp ha pasado de aproximadamente -1,47 a -
2,21, por lo que ahora el coeficiente es estadísticamente menor que cero al nivel de 5%.

El valor crítico del 5% con 40 GL es -1.6839 El valor crítico del 1% es -2.423, por lo que el valor
p está entre 0,01 y 0,05).

ii)

log(𝑠𝑐𝑎𝑟𝑝) = 𝛽0 + 𝛽1 ℎ𝑟𝑠𝑒𝑚𝑝 + [𝛽2 log(𝑠𝑎𝑙𝑒𝑠) − 𝛽2 log(𝑒𝑚𝑝𝑙𝑜𝑦)]


+ [𝛽2 log(𝑒𝑚𝑝𝑙𝑜𝑦) + 𝛽3 log(𝑒𝑚𝑝𝑜𝑦)] + 𝑢
log(𝑠𝑐𝑎𝑟𝑝) = 𝛽0 + 𝛽1 ℎ𝑟𝑠𝑒𝑚𝑝 + 𝛽2 log(𝑠𝑎𝑙𝑒𝑠⁄𝑒𝑚𝑝𝑙𝑜𝑦) + (𝛽2 + 𝛽3 )log(𝑒𝑚𝑝𝑙𝑜𝑦) + 𝑢

iii)

No, porque estamos interesados en el coeficiente de log (employ), que tiene una estadística t
de 0,2, que es muy pequeña. Por lo tanto, se llega a la conclusión de que el tamaño de la
empresa, según lo medido por los empleados, no importa, una vez que controlamos el
entrenamiento y las ventas por empleado.

iv)

La hipótesis nula en el modelo de la parte (ii) es H0: 2β = -1. El estadístico t es [-0,951 - (-1)]
/0,37 = (1 - 0,951) / 0,37 = 0,132;
Esto es muy pequeño, y no se puede rechazar se especifica una alternativa de una o dos caras.

4.8 Considere el siguiente modelo de regresión múltiple con tres variables independientes,
bajo los supuestos RLM.1 a RLM.6 del modelo lineal clásico:
i) Dado: 𝑣𝑎𝑟(𝛽̂1 − 𝛽
̂2 ) = 𝑣𝑎𝑟(𝛽̂1 ) + 𝑣𝑎𝑟 𝛽̂2 ) − 2 𝑐𝑜𝑣(𝛽 ̂1 , 𝛽
̂2 )
̂1 − 3𝛽
Entonces: 𝑣𝑎𝑟(𝛽 ̂2 ) = 𝑣𝑎𝑟(𝛽 ̂1 ) + 9𝑣𝑎𝑟 𝛽̂2 ) − 6 𝑐𝑜𝑣(𝛽 ̂1 , 𝛽
̂2 )

1
2 2 2
̂1 − 3𝛽
𝑒𝑒(𝛽 ̂2 ) = ([𝑒𝑒( 𝛽
̂1 )] + [3𝑒𝑒( 𝛽
̂2 )] − 6 𝑆12 )

̂1 −3𝛽
(𝛽 ̂2 )−1
ii) 𝑡= ̂
𝑒𝑒(𝛽1 −3𝛽̂2 )

iii) ̂1 = ̂
𝜃1 = 𝛽1 − 3𝛽2 𝑦 𝜃 ̂2
𝛽1 − 𝛽

𝑦 = 𝛽0 + (𝜃1 + 3𝛽2 )𝑥1 + 𝛽2 𝑥2 + 𝛽3 𝑥3 + 𝑢

𝒚 = 𝜷𝟎 + 𝜽𝟏 𝒙𝟏 + 𝜷𝟐 (𝟑𝒙𝟏 𝒙𝟐 ) + 𝜷𝟑 𝒙𝟑 + 𝒖

̂𝟎 + 𝜽
̂= 𝜷
𝒚 ̂𝟐 (𝟑𝒙𝟏 𝒙𝟐 ) + 𝜷
̂𝟏 𝒙𝟏 + 𝜷 ̂𝟑 𝒙𝟑 + 𝒖

4.9. En el problema 3.3, se estimó la ecuación

i) ∝⁄ = 0,025 𝑡(𝛼 , 𝑛 − 𝑘 − 1): 1,9600


2 2
Para Ho: ̂ 𝛽2 = 0 H1: ̂ 𝛽2 ≠ 0
11,13

( 𝛽2 ): 6,88

( 𝛽2 ): 1,8929
𝑡̂
( 𝛽2 ) ‹ 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9600
Por lo tanto se acepta Ho, entonces ̂
𝛽2 , no es estadísticamente significativo

ii) Ho: ̂
𝛽2 , ̂
𝛽3 , = 0 H1: ̂
𝛽2 , ̂
𝛽3 , ≠ 0
𝛽2 − 𝛽3
𝛽2 − 𝛽̂
𝑡( ̂ 3) =
[(𝑒𝑒 𝛽2 )2 + 𝑒𝑒( 𝛽3 )2 − 𝑆]1 /2

4.10 El análisis de regresión puede emplearse para probar si el mercado emplea de manera
eficiente la información sobre valuación de acciones. En concreto, sea return el rendimiento
total de conservar una acción de una empresa durante el periodo de cuatro años que va desde
fines de 1990 hasta fines de 1994. La hipótesis de los mercados eficientes dice que estos
rendimientos no deben estar relacionados de manera sistemática con la información conocida
en 1990. Si las características conocidas de una empresa al principio del periodo ayudaran para
predecir los rendimientos de las acciones, entonces esta información podría usarse para elegir
las acciones. Para 1990, sea dkr el cociente de deuda sobre capital de una empresa, eps sean
las ganancias por acción, netinc sea el ingreso neto y salary la compensación total del director
general.
i) Para Ho: ̂𝛽0 = 0 H1: ̂
𝛽0 ≠ 0
−14,37021

( 𝛽0 ): 6,8936 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9777
𝑡̂
( 𝛽0 ): -2,0845

𝑡̂
( 𝛽0 ) ‹ 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): −1,9777
Por lo tanto se acepta Ho, entonces ̂
𝛽0 , no es estadísticamente significativo

Para Ho: ̂ 𝛽1 = 0 H1: ̂


𝛽1 ≠ 0
0,04036

( 𝛽1 ): .20091 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9777
𝑡̂
( 𝛽1 ):0, 20088

𝑡̂
( 𝛽1 ) ‹ 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9777
Por lo tanto se acepta Ho, entonces ̂
𝛽1 , no es estadísticamente significativo

Para Ho: ̂ 𝛽2 = 0 H1: ̂


𝛽2 ≠ 0
0,04269

( 𝛽2 ): .0781 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9777
𝑡̂
( 𝛽2 ):0, 5466

𝑡̂
( 𝛽2 ) ‹ 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9777
Por lo tanto se acepta Ho, entonces ̂
𝛽2 , no es estadísticamente significativo

Para Ho: ̂ 𝛽3 = 0 H1: ̂


𝛽3 ≠ 0
̂ −0,00510
t ( 𝛽3 ): .00467 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9777
𝑡̂( 𝛽3 ): - 1,0920
𝑡̂
( 𝛽3 ) › 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): −1,9777
Por lo tanto se rechaza Ho, entonces ̂
𝛽3, es estadísticamente significativo

Para Ho: ̂ 𝛽4 = 0 H1: ̂


𝛽4 ≠ 0
0,003499

( 𝛽4 ): .002193 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9777
𝑡̂
( 𝛽4 ): 1,5955

𝑡̂
( 𝛽4 ) ‹ 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9777
Por lo tanto se acepta Ho, entonces ̂
𝛽4 , no es estadísticamente significativo

La única variable significativa es netinc, es decir el valor de ingreso neto

ii)

Para Ho: ̂ 𝛽0 = 0 H1: ̂


𝛽0 ≠ 0
̂ −36,2993
t ( 𝛽0 ): 39,3738 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9777
𝑡̂
( 𝛽0 ): -0,9219

𝑡̂
( 𝛽0 ) › 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): −1,9777
Por lo tanto no se acepta Ho, entonces ̂
𝛽0, es estadísticamente significativo

Para Ho: ̂ 𝛽1 = 0 H1: ̂


𝛽1 ≠ 0
̂ 0.327
t ( 𝛽1 ): 203 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9777
𝑡̂( 𝛽1 ):1,6108
𝑡̂
( 𝛽1 ) ‹ 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9777
Por lo tanto se acepta Ho, entonces ̂
𝛽1 , no es estadísticamente significativo

Para Ho: ̂ 𝛽2 = 0 H1: ̂


𝛽2 ≠ 0
0,69

( 𝛽2 ): .80 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9777
𝑡̂
( 𝛽2 ):0, 8625

𝑡̂
( 𝛽2 ) ‹ 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9777
Por lo tanto se acepta Ho, entonces ̂
𝛽2 , no es estadísticamente significativo

Para Ho: ̂ 𝛽3 = 0 H1: ̂


𝛽3 ≠ 0
̂ −4,74
t ( 𝛽3 ): 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9777
3,39
𝑡̂
( 𝛽3 ): - 1,3982

𝑡̂
( 𝛽3 ) › 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): −1,9777
Por lo tanto no se acepta Ho, entonces ̂
𝛽3, es estadísticamente significativo

Para Ho: ̂ 𝛽4 = 0 H1: ̂


𝛽4 ≠ 0
̂ 7,24
t ( 𝛽4 ): 6,31 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9777
𝑡̂
( 𝛽4 ): 1,1473

𝑡̂
( 𝛽4 ) ‹ 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9777
Por lo tanto se acepta Ho, entonces ̂
𝛽4 , no es estadísticamente significativo

Existe una modificación con el nuevo modelo estimado, con respecto al inciso i),
también 𝛽0 se vuelve significativa.

iii) Sí debería existir el ln(dkr) ya que al ser el cociente de deuda sobre capital de una
empresa, y el ln(eps) sean las ganancias por acción, es necesario comprender como
una elasticidad y también para comprender desde los puntos porcentuales, el grado
que representan sobre el rendimiento de conservar una acción.
iv) Es débil la evidencia para la predictibilidad del rendimiento de conservar una acción,
ya que el coeficiente de la correlación apenas es de 0,0395 y 0,0390, siendo muy
bajos y las variables no explican todo el rendimiento.

4.11 La tabla siguiente se obtuvo empleando los datos del archivo CEOSAL2.RAW:
i) progmarg = -0,0023; por lo tanto ̂
( 𝛽3 ): tiene un efecto negativo, es decir por cada
aumento en un punto porcentual de ganancia, el valor del sueldo del director general
disminuye un 0,0023%, con todo lo demás constante.

ii) Para Ho: ̂


𝛽2 = 0 H1: ̂
𝛽2 ≠ 0
0,0999

( 𝛽2 ): t̂
( 𝛽2 ): 2,03919
.04899

V̂ ( 𝛽2 ): 0.0024
∝⁄ = 0,025 𝑡(𝛼 , 𝑛 − 𝑘 − 1): 1,9741
2 2
𝑡̂( 𝛽2 ) › 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 2,03919
Por lo tanto no se acepta Ho, entonces ̂
𝛽2, es estadísticamente significativo, 0,05 nivel de
significancia

∝⁄ = 0,05 𝑡(𝛼 , 𝑛 − 𝑘 − 1): 1,6539


2 2
̂
𝑡 ( 𝛽2 ) › 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 2,03919

Por lo tanto no se acepta Ho, entonces ̂


𝛽2, es estadísticamente significativo al 0,10 nivel
de significancia
∝⁄ = 0,005 𝑡(𝛼 , 𝑛 − 𝑘 − 1): 2,6052
2 2
̂
𝑡 ( 𝛽2 ) ‹ 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 2,03919
Por lo tanto se acepta Ho, entonces ̂
𝛽2 , no es estadísticamente significativo al 0,01 nivel
de significancia

iii) ̂
( 𝛽4 ): cuando aumenta un año de experiencia como director general, el sueldo
aumenta en un 0,0171, con todo lo demás constante.
̂
( 𝛽5 ): cuando aumenta un año de antigüedad en la empresa, el sueldo disminuye
en un 0,00923, con todo lo demás constante.

Para Ho: ̂ 𝛽4 = 0 H1: ̂


𝛽4 ≠ 0
0,0171035

( 𝛽4 ): 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9741
0,00553
𝑡̂
( 𝛽4 ): 3,0928

𝑡̂
( 𝛽4 ) › 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9741

Por lo tanto no se acepta Ho, entonces ̂


𝛽5, es estadísticamente significativo al 0,10 nivel
de significancia.

Para Ho: ̂𝛽5 = 0 H1: ̂


𝛽5 ≠ 0
−0,0092377

( 𝛽5 ): 0,00333 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): 1,9741
𝑡̂
( 𝛽5 ): -2,7740

𝑡̂
( 𝛽5 ) ‹ 𝑡(𝛼2 , 𝑛 − 𝑘 − 1): −1,9741

Por lo tanto se acepta Ho, entonces ̂


𝛽5 , no es estadísticamente significativo al 0,10 nivel
de significancia.

iv) ̂( 𝛽5 ), al ser negativo, nos habla de que un empleado va deteriorándose en la


empresa, por eso disminuye su sueldo, quizás porque va perdiendo productividad o
la manera de hacer el contrato tienen ciertas cláusulas, por eso debe existir un
momento en el que el sueldo disminuya tanto para hacer un cambio de empleo e ir
renovando el personal.