EJERCICIOS PRUEBAS DE INFERENCIA EN EL MODELO RLM

1. Dado el siguiente modelo estimado, el cual se estimó con una muestra de 65 personas:

Ahorroi = 2.45 + 0.1832 ingresoi + 1.9432 edadi

ee(β) 1.10 0.2368 0.8643

R2 = 0.2865

1.1 Establezca que coeficientes son estadísticamente significativos. Plantear pruebas de hipótesis sobre
parámetros individuales y resolver a través del uso de la t-student.
1.2 Interpretar el R2.

H°: β1 = 0

Ha: β1 =/ 0
T cal = (2.45 – 0 / 1.10) = 2,22727272

T tabla E 10% 5% 1%

62 1.2954 1.6698 2.3880

Para niveles de significancia de 10 y 5% se rechaza H° y b1 es estadísticamente significativo.

Mientras que para el nivel de significancia de 1% se acepta la H° y el b1 no sería estadísticamente
significativo

H°: β2 = 0

Ha: β2 =/ 0
T cal = (0,1832 – 0 / 0,2368) = 0,773648648

T tabla E 10% 5% 1%

62 1.2954 1.6698 2.3880

Se rechaza H°, por tanto B2 es estadísticamente significativo en el modelo

H°: β3 = 0

Ha: β3 =/ 0
T cal = (1,9432– 0 / 0,8643) = 2,24829434

T tabla E 10% 5% 1%

62 1.2954 1.6698 2.3880

Para niveles de significancia de 10 y 5% se rechaza H° y b1 es estadísticamente significativo.

Mientras que para el nivel de significancia de 1% se acepta la H° y el b1 no sería estadísticamente
significativo

R2 = 0.2865 El modelo explicó el 28,65% de las variaciones en el ahorro

2. Con los siguientes resultados de una estimación

VARIABLE DEPENDIENTE: Ingresos tributarios

No. De Observaciones: 75
VARIABLE COEFICIENTE ERROR STANDAR t-student PROB
c 1650.4 1280 1.289375 0.3201
Tasa de desempleo -154.9 68.88 -2.250799 0.0348
Población 456.32 125.76 3.628498 0.0000
R2 0.7452
Prob (prueba global) 0.0141
Ingresos tributarios en millones de dólares, tasa de desempleo en puntos, población en millones.

2.1 Establezca que coeficientes son estadísticamente significativos. Plantear pruebas de hipótesis sobre
parámetros individuales, inicialmente resolver a través del uso de la t-student, y luego resolver usando el p-
valor (PROB).

H°: β1 = 0

Ha: β1 =/ 0

T cal = 1.289375

T tabla E 10% 5% 1%

72 1.2934 1.6663 2.3793

P – Valor

0.3201 > 0,1 0.3201>0,05 0.3201>0,01

Acepto la H° por tanto, B1 no es estadísticamente significativo en el modelo

H°: β2 = 0

Ha: β2 =/ 0

T cal = |-2.250799|

T tabla E 10% 5% 1%

72 1.2934 1.6663 2.379

P – Valor

0.0348<0,1 0.0348<0,05 0.0348>0,01

Se rechaza H° para niveles de significancia de 10% y 5%, por tanto B2 es estadísticamente

significativo en el modelo. Mientras que para niveles de significancia de 1% se acepta la H° por
tanto no es estadísticamente significativo en el modelo

H°: β3 = 0

Ha: β3 =/ 0

T cal = 3.628498

T tabla E 10% 5% 1%

72 1.2934 1.6663 2.379

P – Valor

0.0000< 0.1 0,0000<0,05 0,00000<0,01

Se rechaza H°, por tanto B2 es estadísticamente significativo en el modelo

2.2 Realizar la prueba global de significancia, plantear prueba de hipótesis y explicar la implicación del
resultado.

H°: β2 = β3 = 0

Ha: β2 =/ β3 =/ 0
 Prob (prueba global) 0.0141

p valor
0.0141 < 0,1 0.0141 < 0,05 0.0141 > 0,01

2.3 Interpretar el R2.

R2 = 0.7452 el modelo explicó el 74,52% de las variaciones en los ingresos tributarios

2.4 Cómo interpretaría el β3.

Es el cambio en los ingresos tributarios cuando cambia el nivel de población en 1 unidad (efecto
marginal de la población sobre los ingresos tributarios)

Por un aumento de 1 millón en la población, los ingresos tributarios aumentarían en 456,32

millones de dólares

3. Dado el modelo:
ln(salario)i = β1 + β2 Educacióni + β3experiencia laborali + ui

Se quiere verificar la siguiente hipótesis:

Ho: 2β2 - β3 = 0
Ha: Ho es falsa

El p-valor de la prueba = 0.1834

0.1834 > 0,1 0.1834> 0,05 0,1834 > 0,01

Acepto H° por tanto

3.1 ¿Qué representa esta hipótesis nula en términos intuitivos?

Dos veces el impacto de la educación es igual al impacto de los años de experiencia laboral

3.2 ¿Se rechaza o no la hipótesis nula? Justifique.

4. Dado el siguiente modelo

ln Pt = 21.12 + 0.05 t
ee(β) (10.04) (0.01)

Donde P es la población, t es el tiempo en años, t =1,2,3,…T.

4.1 Establezca sí los parámetros son estadísticamente significativos (prueba individual).

H°: β1 = 0

Ha: β1 = 0

T cal = (21,12/10,04) =2,1035

E 0,1 0,05 0,01

T 23= 1,31 1,71 2,49

Para niveles de significancia de 10% y 5% rechazo H°, ppor tanto B1 es estadísticamente significativo. Pero
para niveles de significación de 1% acepto H° por tanto, B1 no es estadísticamente significativo.

H°: β2 = 0

Ha: β2 = 0

T cal = (0,05/0,01) =5

E 0,1 0,05 0,01

T 23= 1,31 1,71 2,49

Rechazo H°, por tanto B2 es estadísticamente signifiativo en el modelo y ayuda a explicar las variaciones en el
Ln de la población.

4.2 Interprete el β1 y el β2. Qué tipo de parámetro es β2.

B1=21,12. El modelo tiene un componente autónomo de población de 21,12

B2= 0,05 Por cada año, la población va aumentar en 5%

El parámetro es de tipo tasa de crecimiento de la población ante un cambio unitario en un año (t)
5. Se estimó un modelo para explicar los costos de un conjunto de factorías:

La producción está en toneladas, los costos están millones de dólares, salario en dólares, alquiler en dólares.

VARIABLE DEPENDIENTE: LN (COSTOS)

No. De Observaciones: 38
Variable Coeficiente t-student
C 11.56076 3.6465
LN(PRODUCCIÓN) 1.054239 2.8409
LN(SALARIO PROMEDIO) 0.767445 2.5054
LN(COSTO DEL ALQUILER) 0.202121 1.6543

5.1 Realice pruebas de significancia individual para los parámetros

H°: β1 = 0

Ha: β1 = 0

T cal= 3,6465

E 0,1 0,05 0,01

T tabla 34= 1,3070 1,6909 2,4411

Rechazo H°, Por tanto el modelo tiene un componente autónomo que ayuda a explicar las variaciones del ln
de los costos

H°: β2 = 0

Ha: β2 = 0

T cal= 2,8409

E 0,1 0,05 0,01

T tabla 34= 1,3070 1,6909 2,4411

Rechazo H°, Por tanto B2 es estadísticamente significativo y ayuda a explicar las variaciones del ln de los
costos

H°: β3 = 0

Ha: β3 = 0

T cal= 2,5054

E 0,1 0,05 0,01

T tabla 34= 1,3070 1,6909 2,4411

Rechazo H°, Por tanto B3 es estadísticamente significativo y ayuda a explicar las variaciones del ln de los
costos

H°: β4 = 0

Ha: β4 = 0

T cal= 1,6543

E 0,1 0,05 0,01

T tabla 34= 1,3070 1,6909 2,4411

Para el nivel de significancia de 10% Rechazo H°, Por tanto B3 es estadísticamente significativo y ayuda a
explicar las variaciones del ln de los costos. Pero para niveles de significancia de 5% y 1% acepto H° por
tanto, no es estadísticamente significativo en el modelo.

5.2 Qué tipo de parámetros son β2, β3 y β4.

B2, B3 Y B4 son de elasticidad del ln de los costos sobre la variable ln de producción, ln de salario promedio
y ln de costos de alquiler.

5.3 Cómo interpreta los parámetros β2, β3 y β4

β2 = 1.054239 Ante un aumento de 100% en la producción, los costos van a aumentar en 105,42% O ante
un aumentó de 1% en el ingreso el consumo aumento 1,0542%.

β3 =0.767445 Ante un aumento de 100% en el salario promedio, los costos van a aumentar en 76,74 O ante
un aumentó de 1% en el ingreso el consumo aumento 0,7674%.

β4 = 0.202121 Ante un aumento de 100% en los costos de alquiler, los costos van a aumentar en 20,2121 O
ante un aumentó de 1% en el ingreso el consumo aumento 0,2021%.

5.4 Cómo evaluaría los resultados a la luz de la teoría de los costos

12/04/2018

CLASE PARTE 2
2.2 Modelo lineal Especificación: Ct = β1 + β2Yt + Ut

Identifique cada una de las variables que lo componen.

Se estima con el comando: ls consumo c ingreso Guarde la regresión con la opción name.
Interprete el β2 estimado.

Dependent Variable: CONSUMO

Method: Least Squares
Date: 04/12/18 Time: 10:34
Sample: 1 43
Included observations: 43

Variable Coefficient Std. Error t-Statistic Prob.

C 249267.6 30667.39 8.128101 0.0000

INGRESO 0.265989 0.066517 3.998802 0.0003

R-squared 0.280581 Mean dependent var 371679.3

Adjusted R-squared 0.263034 S.D. dependent var 14061.13
S.E. of regression 12071.02 Akaike info criterion 21.68040
Sum squared resid 5.97E+09 Schwarz criterion 21.76231
Log likelihood -464.1285 Hannan-Quinn criter. 21.71061
F-statistic 15.99041 Durbin-Watson stat 0.181947
Prob(F-statistic) 0.000259

Interpretación

B2 = 0,2659 por cada peso adicional de ingreso va a aumentar el consumo en 0,2659 el consumo.

B1= Si no hay ingreso el consumo seria de 249.267,6. O el modelo tiene un componte autónomo de
249.267,6

2.3 Modelo Log-Log

Especificación: LnCt = β1 + β2LnYt + Ut Identifique cada una de las variables que lo componen.

Antes de la estimación debe calcularse el logaritmo del consumo y el logaritmo del ingreso.

genr lconsumo = log(consumo)

genr lingreso = log(ingreso)

La forma funcional se estima con el comando: ls lconsumo c lingreso

Guarde la regresión con la opción name. Interprete el β2 estimado

Dependent Variable: LCONSUMO

Method: Least Squares
 Date: 04/12/18 Time: 10:43
Sample: 1 43
Included observations: 43

Variable Coefficient Std. Error t-Statistic Prob.

C 8.724907 1.086341 8.031464 0.0000

LINGRESO 0.314488 0.083323 3.774350 0.0005

R-squared 0.257861 Mean dependent var 12.82509

Adjusted R-squared 0.239760 S.D. dependent var 0.037596
-
S.E. of regression 0.032781 Akaike info criterion 3.952552
-
Sum squared resid 0.044058 Schwarz criterion 3.870635
-
Log likelihood 86.97986 Hannan-Quinn criter. 3.922343
F-statistic 14.24572 Durbin-Watson stat 0.184128
Prob(F-statistic) 0.000509

Interpretación

B2 = 0,314488 Ante un aumento de 100% en el ingreso, el consumo va a aumentar el consumo en 31,44%

O ante un aumentó de 1% en el ingreso el consumo aumento 0,3144%.

B1= 8,724907. Si el ln (logaritmo) del ingreso es 0, entonces el ln (logartimo) del consumo sería de 8,7249. O
el modelo tiene un componente autónomo de 8,24907

2.4 Modelo Log-lin

Especificación: LnCt = β1 + β2t + Ut Identifique cada una de las variables que lo componen.

Debe crear la variable de tendencia (esta variable representa el tiempo t =1,2,3….T) genr t =
@trend(1)+1 (ó genr t = @trend(1994-01)+1 sí generó el archivo de trabajo por ventanas con
new/workfile)

La forma funcional se estima con el comando: ls lconsumo c t Guarde la regresión con la opción
name. Interprete el β2 estimado.

Dependent Variable: LCONSUMO

Method: Least Squares
Date: 04/12/18 Time: 10:51
Sample: 1 43
Included observations: 43

Variable Coefficient Std. Error t-Statistic Prob.

 C 12.85529 0.010497 1224.605 0.0000
T -0.001372 0.000416 -3.302068 0.0020

R-squared 0.210075 Mean dependent var 12.82509

Adjusted R-squared 0.190808 S.D. dependent var 0.037596
-
S.E. of regression 0.033820 Akaike info criterion 3.890150
-
Sum squared resid 0.046895 Schwarz criterion 3.808234
-
Log likelihood 85.63822 Hannan-Quinn criter. 3.859942
F-statistic 10.90365 Durbin-Watson stat 0.213363
Prob(F-statistic) 0.001996

Interpretación

B2 = -0,001372 o 0,1372. Por cada trimestre, el consumo se va a reducir en 0,137%.

B1= Si la tasa de crecimiento del consumo es 0, entonces el ingreso es de 12,85529.

2.5 Modelo Lin-log

Especificación: Ct = β1 + β2LnYt + Ut Identifique cada una de las variables que lo componen. La

forma funcional se estima con el comando: ls consumo c lingreso Guarde la regresión con la
opción name. Interprete el β2 estimado.

Dependent Variable: CONSUMO

Method: Least Squares
Date: 04/12/18 Time: 11:00
Sample: 1 43
Included observations: 43

Variable Coefficient Std. Error t-Statistic Prob.

C -1190973. 403575.6 -2.951053 0.0052

LINGRESO 119856.9 30954.31 3.872059 0.0004

R-squared 0.267764 Mean dependent var 371679.3

Adjusted R-squared 0.249904 S.D. dependent var 14061.13
S.E. of regression 12178.07 Akaike info criterion 21.69806
Sum squared resid 6.08E+09 Schwarz criterion 21.77997
Log likelihood -464.5082 Hannan-Quinn criter. 21.72826
F-statistic 14.99284 Durbin-Watson stat 0.178485
Prob(F-statistic) 0.000380

Interpretación
B2= 119856,9 Ante un aumento de 100% ingreso, el consumo aumentará en 119856,9 pesos

B1= -1190973 Si no hay un cambio en el ingreso, entonces el consumo disminuirá en 119,097.3 pesos