ISAIARIKI MIYATAKE MEDINA R1171-1 Lic.

ALEJANDRO CHAMAS DE LOS RIOS

Ingeniería Comercial
Econometría I
COM – 05223

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 = 𝒚 ̂ 1𝒙
̅ - 𝜷 ̅1,
̂ 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).]
la consistencia es un requisito minimo de un estimador utilizado en
estadistica o econometria. Se encontraran estimadores consistentes bajo
ciertos supuestos e inconsistentes cuando tales supuestos fallen.

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

Partimos de y = β0 + β1x1 + u,
luego aplicamos esperanza
β0 = E(y) - β1E(x1)

` plim y la ley de los grandes números para concluir que plim(𝛽̂ 1)= 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?

plim ~1  1  2 , donde   Covx1, x2  Varx1 

Si FUNDS Y RISKTOL están corelacionados positivamente a PCTSTCK entonces la
̃ 1, es positiva.
inconsistencia en 𝜷

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.
ISAIARIKI MIYATAKE MEDINA R1171-1 Lic. ALEJANDRO CHAMAS DE LOS RIOS

600
Series: CIGS
Sample 1 807
500 Observations 807

400 Mean 8.686493

Median 0.000000
Maximum 80.00000
300 Minimum 0.000000
Std. Dev. 13.72152
200
Skewness 1.651144
Kurtosis 5.413087

100 Jarque-Bera 562.4823

Probability 0.000000
0
0 10 20 30 40 50 60 70 80

H.nula :distribución normal.

Se rechaza la hipótesis nula ya que su asimetría es alta con 1,65 sesgado ala izquierda y
presenta un comportamiento mesocurtico ya que k es mayor que 3
( cuando la simetría este cerca 0 y su kurtosis cerca de 3 ,mas probabilidad de que sea una
distribución normal)

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
Series: B
Sample 1 526
100
Observations 526

80 Mean 2.70e-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).
ISAIARIKI MIYATAKE MEDINA R1171-1 Lic. ALEJANDRO CHAMAS DE LOS RIOS

70
Series: L
60 Sample 1 526
Observations 526
50
Mean 2.57e-16
Median -0.032645
40 Maximum 1.428092
Minimum -2.058016
30 Std. Dev. 0.439601
Skewness 0.021232
20 Kurtosis 3.976571

Jarque-Bera 20.94123
10
Probability 0.000028
0
-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5

iii) ¿Diría usted que el supuesto RLM.6 esta más cerca de ser satisfecho en el
modelo nivel nivel o en el modelo log-nivel?`

El supuesto deRLM.6 esta mas cerca de ser satisfecho en modelo log-nivel ya

que se asemeja aun distribución normal, también se puede en a skewness mas
cerca de 0 y kurtosis cercano a 3 lo que nos da más probabilidad de que esta
se a una distribución 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: 04/10/18 Time: 16:17
Sample: 1 4137
Included observations: 4137

Variable Coefficient 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

R-squared 0.273441 Mean dependent var 2.652686

Adjusted R-squared 0.273090 S.D. dependent var 0.658635
S.E. of regression 0.561546 Akaike info criterion 1.684478
Sum squared resid 1303.589 Schwarz criterion 1.689066
Log likelihood -3481.342 Hannan-Quinn criter. 1.686101
F-statistic 777.9170 Durbin-Watson stat 1.873071
Prob(F-statistic) 0.000000

i) colgpa = 1.3917 - 0,013519 hsperc + 0.001476 sat

(0,0715) (0,000549) (6,53 – 05)
ISAIARIKI MIYATAKE MEDINA R1171-1 Lic. ALEJANDRO CHAMAS DE LOS RIOS

800
Series: N
700 Sample 1 4137
Observations 4137
600
Mean 8.99e-16
500 Median 0.032902
Maximum 1.759950
400 Minimum -2.600657
Std. Dev. 0.561410
300 Skewness -0.480723
Kurtosis 3.624175
200
Jarque-Bera 226.4962
100
Probability 0.000000
0
-2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0

ii) Empleando las primeras 2,070 observaciones estime de nuevo la ecuación del
inciso i). ¿Cuál parece tener una distribución más normal?
Dependent Variable: COLGPA
Method: Least Squares
Date: 04/10/18 Time: 16:25
Sample: 1 2070
Included observations: 2070

Variable Coefficient 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

R-squared 0.282736 Mean dependent var 2.693121

Adjusted R-squared 0.282042 S.D. dependent var 0.636707
S.E. of regression 0.539497 Akaike info criterion 1.605090
Sum squared resid 601.6153 Schwarz criterion 1.613257
Log likelihood -1658.268 Hannan-Quinn criter. 1.608084
F-statistic 407.3918 Durbin-Watson stat 1.931342
Prob(F-statistic) 0.000000

i) colgpa = 1,4360 - 0,01274 hsperc + 0.001468 sat

(0,09778) (0,000719) (8,86e - 05)
200
Series: RESID
Sample 1 2070
160 Observations 2070

Mean -2.02e-16
120 Median 0.040509
Maximum 1.694640
Minimum -2.280271
80 Std. Dev. 0.539236
Skewness -0.482357
Kurtosis 3.583489
40
Jarque-Bera 109.6351
Probability 0.000000
0
-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
ISAIARIKI MIYATAKE MEDINA R1171-1 Lic. ALEJANDRO CHAMAS DE LOS RIOS

i) Determine el cociente de los errores estándar obtenidos en los incisos i)y ii) para
hsperc.
El cociente de errores estándar (0,000719/0,000549) =1.31
Muestra esta cantida esta cercana √(4137/2070)=1,41
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 zi = (yi - 𝝁 ̂ y)/ 𝝈
̂ y, donde 𝝁̂y
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 𝒛𝟑𝒊 , 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?

Asimetria de inc

1,200
Series: INC
Sample 1 9275
1,000
Observations 9275

800 Mean 39.25464

Median 33.28800
Maximum 199.0410
600 Minimum 10.00800
Std. Dev. 24.09000
400 Skewness 1.603621
Kurtosis 6.677505

200 Jarque-Bera 9201.743

Probability 0.000000
0
20 40 60 80 100 120 140 160 180 200

Skewness=1.6036
ISAIARIKI MIYATAKE MEDINA R1171-1 Lic. ALEJANDRO CHAMAS DE LOS RIOS

Asimetria Log(inc)

700
Series: LINC
600 Sample 1 9275
Observations 9275
500
Mean 3.503441
Median 3.505197
400 Maximum 5.293511
Minimum 2.303385
300 Std. Dev. 0.576399
Skewness 0.090896
200 Kurtosis 2.464484

100 Jarque-Bera 123.5992

Probability 0.000000
0
2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8 4.0 4.2 4.4 4.6 4.8 5.0 5.2
log(inc)=0.09089

Por lo tanto se concluye que quien tiene mas asimetría es inc con menos
probabilidad que este distribuida normalmente , y log(inc) tiene mas probabilidad
estar distribuida normalmente

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

log(bwght). ¿Qué concluye?

Asimetria bwght
350
Series: BWGHT
300 Sample 1 1832
Observations 1832
250
Mean 3401.122
Median 3425.000
200 Maximum 5204.000
Minimum 360.0000
150 Std. Dev. 576.5444
Skewness -0.600648
100 Kurtosis 5.217376

50 Jarque-Bera 485.4701
Probability 0.000000
0
500 1000 1500 2000 2500 3000 3500 4000 4500 5000
skewness=-0,600 segado a la derecha
ISAIARIKI MIYATAKE MEDINA R1171-1 Lic. ALEJANDRO CHAMAS DE LOS RIOS

Asimetria log(bwght)
500
Series: LBWGHT
Sample 1 1832
400 Observations 1832

Mean 8.114247
300 Median 8.138857
Maximum 8.557183
Minimum 5.886104
200 Std. Dev. 0.203177
Skewness -2.951033
Kurtosis 23.91518
100
Jarque-Bera 36050.64
Probability 0.000000
0
5.8 6.0 6.2 6.4 6.6 6.8 7.0 7.2 7.4 7.6 7.8 8.0 8.2 8.4 8.6
skewness=-2.9510

Se concluye que quien tiene mas probabilidad de ser una distribución normal
es bwght con una asimetría de -0,60 .

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

que una variable positiva parezca estar distribuida más normalmente”.
No siempre gace que la distribución se normalize el logaritmo hace q baje le
grado de asimetría para en algunos casos haciendo una distribución normal

Guías para las soluciones

1. 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 ̂
plim ~   1)=β1 , donde   Covx , x  Varx 

2. En la diap 7. Hemos deducido: 1 1 2 1 2 1

δ>0, (¿porque?).
3. i)
120
Series: U
Sample 1 526
100
Observations 526

80 Mean 3.49e-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)
70
Series: LU
60 Sample 1 526
Observations 526
50
Mean 6.25e-16
Median -0.032645
40 Maximum 1.428092
Minimum -2.058016
30 Std. Dev. 0.439601
Skewness 0.021232
20 Kurtosis 3.976571

Jarque-Bera 20.94123
10
Probability 0.000028
0
-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5

̂ = 1.392 – 0.01352 hsperc + 0.00148 sat

4.5 i) 𝑐𝑜𝑙𝑔𝑝𝑎
(0.072) (0.00055) (0.00007)
ISAIARIKI MIYATAKE MEDINA R1171-1 Lic. ALEJANDRO CHAMAS DE LOS RIOS

n = 4,137, R2 = 0.273.

̂ = 1.436 – 0.01275 hsperc + 0.00147 sat

ii) 𝑐𝑜𝑙𝑔𝑝𝑎
(0.072) (0.00072) (0.00009)
n = 2,070, R2 = 0.283.