ECONOMETRÍA FORTINO VELA PEÓN

Ejercicio 5.9 (Tabla 5.5)

salary= salario promedio de maestros de escuelas públicas (sueldo anual en dólares)
spending= gasto en educación pública por alumno (dólares)

a) twoway (sc salary spending) (lfit salary spending)

40000
35000
30000
25000
20000

2000 4000 6000 8000

SPENDING

SALARY Fitted values

b) regress salary spending

Source | SS df MS Number of obs = 51

-------------+------------------------------ F( 1, 49) = 112.60
Model | 608555015 1 608555015 Prob > F = 0.0000
Residual | 264825250 49 5404596.94 R-squared = 0.6968
-------------+------------------------------ Adj R-squared = 0.6906
Total | 873380265 50 17467605.3 Root MSE = 2324.8

------------------------------------------------------------------------------
salary | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
spending | 3.307585 .3117043 10.61 0.000 2.681192 3.933978
_cons | 12129.37 1197.351 10.13 0.000 9723.204 14535.54
------------------------------------------------------------------------------

ŷ = 12129.37 + 3.307585 x
ee (1197.351) (3117043)

R2 = 0.6968
SCR= 608555015
SCE= 264825250

UAM-X 1 10-P
ECONOMETRÍA FORTINO VELA PEÓN

c) Si el gasto por alumno se incrementa en un dólar, el sueldo anual de los profesores

aumenta -en promedio- en 3.31 dólares. Por otra parte, si el gasto por alumno es cero, el
sueldo promedio anual de los profesores es aproximadamente de 12,129.37 dólares
(alrededor de 206,199.29 pesos, lo que en Estados Unidos no es posible pero en México
con un sindicato de maestros como el actual, esto quizás pueda suceder).

d) Para β̂ 2 el I. de C. al 95% es (2.681192, 3.933978)

e) Los pronósticos individual y promedio son los mismos, ya que yˆ 0 = βˆ0 + βˆ1 x0 . De
esta manera, se tiene que con un gasto de 5000 dólares el sueldo anual promedio
gira alrededor de 28,667.30 dólares.

dis 12129.37 + (3.307585*5000) 28667.295

dis _b[_cons]+_b[ spending ]*5000 28667.296

A continuación se procede a calcular los valores de los errores estándar para el

pronóstico individual y medio en Stata de la siguiente manera:

predict yhat
predict stdf, stdf
predict stdp, stdp

calculamos entonces los errores estándar correspondientes para un gasto de 5000

dólares, y enseguida su I.de C. correspondiente al 95% de confianza.

i) error estándar e I. de C. para el pronostico individual

1 (x − x)2 1 (5000 − 3696.608) 2

ee( yˆ 0 ) = σˆ 1 + + n 0 = 2324.8 1 + + =
n 51 55625998.2
∑ ( xi − x )
i =1
2

1698830.7
= 2324.8 1.0196078 + = 2382.379
55625998.2

Ŷi ± Z α/2 ee(stdf) = 28667.295 ± (1.96)(2382.379) = (23997.83, 33336.76)

ii) error estándar e I. de C. para el pronostico medio

1 (x − x)2 1 (5000 − 3696.608) 2

ee( µˆ 0 ) = σˆ + n 0 = 2324.8 +
n 51 55625998.2
∑ ( xi − x )
i =1
2

1698830.7
= 2324.8 .01960784 + = 520.61025
55625998.2

UAM-X 2 10-P
ECONOMETRÍA FORTINO VELA PEÓN

Ŷi ± Z α/2 ee(stdf) = 28667.295 ± (1.96)(520.61025) = (27646.899, 29687.691)

Como se puede apreciar el I. de C. de la predicción media es más reducido que el I. de

C. de la predicción individual (el ancho del primero es 2040.792 mientras que el del
segundo es de 9338.926).

Enseguida se incluyen las instrucciones para la construcción de los I. de C. al 95% para

ambos tipos de predicciones de los valores observados en la muestra para
posteriormente se graficarlos.

gen LIpi= yhat – (1.96)*stdf

gen LSpi= yhat + (1.96)*stdf
gen LIpm= yhat - (1.96)*stdp
gen LSpm= yhat + (1.96)*stdp
list salary yhat LIpi LSpi LIpm LSpm

+---------------------------------------------------------------+
| salary yhat LIpi LSpi LIpm LSpm |
|---------------------------------------------------------------|
1. | 19583 23196.55 18590.54 27802.56 22523.51 23869.59 |
2. | 20263 22429.19 17814.42 27043.96 21698.58 23159.8 |
3. | 20325 23884.53 19282.68 28486.38 23240.56 24528.5 |
4. | 26800 27483.18 22846.05 32120.31 26622.54 28343.82 |
5. | 29470 27572.49 22933.27 32211.7 26700.69 28444.28 |
|---------------------------------------------------------------|
6. | 26610 28296.85 23638.61 32955.09 27328.91 29264.78 |
7. | 30678 31015.68 26253.07 35778.29 29629.98 32401.38 |
8. | 27170 30440.16 25703.89 35176.43 29147.9 31732.42 |
9. | 25853 25915.38 21305.36 30525.41 25215.35 26615.42 |
10. | 24500 23861.38 19259.45 28463.3 23216.81 24505.94 |
|---------------------------------------------------------------|
11. | 24274 22578.03 17965.3 27190.76 21860.41 23295.65 |
12. | 27170 24106.14 19504.88 28707.39 23466.42 24745.85 |
13. | 30168 24638.66 20037.34 29239.98 23998.48 25278.83 |
14. | 26525 26176.68 21563.39 30789.98 25455.45 26897.91 |
15. | 27360 25300.17 20695.85 29904.5 24638.73 25961.62 |
|---------------------------------------------------------------|
16. | 21690 23930.83 19329.14 28532.53 23287.97 24573.7 |
17. | 21974 22564.8 17951.9 27177.71 21846.06 23283.54 |
18. | 20816 22247.27 17629.79 26864.76 21499.71 22994.83 |
19. | 18095 21942.98 17320.41 26565.54 21164.65 22721.3 |
20. | 20939 22994.79 18386.9 27602.68 22308.97 23680.6 |
|---------------------------------------------------------------|
21. | 22644 25075.26 20472.32 29678.2 24423.54 25726.98 |
22. | 24624 27069.73 22441.49 31697.97 26258.37 27881.1 |
23. | 27186 26514.06 21895.8 31132.31 25761.75 27266.37 |
24. | 33990 28733.45 24061.93 33404.97 27703.5 29763.4 |
25. | 23382 24016.83 19415.38 28618.28 23375.71 24657.95 |
|---------------------------------------------------------------|
26. | 20627 21460.07 16828.05 26092.08 20627.44 22292.7 |
27. | 22795 23262.7 18657.25 27868.15 22593.45 23931.96 |
28. | 21570 21787.52 17162.1 26412.94 20992.4 22582.64 |
29. | 22080 21985.97 17364.17 26607.78 21212.17 22759.78 |
30. | 22250 24469.97 19868.9 29071.04 23831.58 25108.36 |
|---------------------------------------------------------------|
31. | 20940 21565.91 16936.11 26195.71 20745.71 22386.12 |
32. | 21800 20507.48 15851.87 25163.1 19552.25 21462.72 |
33. | 22934 21155.77 16516.93 25794.61 20285.96 22025.58 |
34. | 18443 19753.35 15074.44 24432.27 18690.37 20816.33 |
35. | 19538 20868.01 16222.09 25513.93 19961.24 21774.78 |
|---------------------------------------------------------------|
36. | 20460 22462.27 17847.96 27076.57 21734.61 23189.92 |

UAM-X 3 10-P
ECONOMETRÍA FORTINO VELA PEÓN

37. | 21419 21231.85 16594.77 25868.92 20371.53 22092.16 |

38. | 25160 23471.08 18867.15 28075.01 22812.42 24129.74 |
39. | 22482 25184.41 20580.84 29787.97 24528.28 25840.54 |
40. | 20969 20428.1 15770.22 25085.98 19461.9 21394.3 |
|---------------------------------------------------------------|
41. | 27224 30122.63 25399.94 34845.33 28881.04 31364.23 |
42. | 25892 25498.63 20892.77 30104.49 24826.59 26170.66 |
43. | 22644 23381.78 18777.23 27986.32 22718.83 24044.72 |
44. | 24640 21486.53 16855.08 26117.98 20657.03 22316.03 |
45. | 22341 19726.89 15047.09 24406.7 18660 20793.79 |
|---------------------------------------------------------------|
46. | 25610 21827.21 17202.54 26451.88 21036.44 22617.98 |
47. | 26015 24383.97 19782.95 28985 23745.9 25022.04 |
48. | 25788 25766.54 21158.15 30374.94 25077.37 26455.72 |
49. | 29132 24063.14 19461.8 28664.48 23422.8 24703.48 |
50. | 41480 39744.4 34336.23 45152.57 36831.33 42657.47 |
|---------------------------------------------------------------|
51. | 25845 24585.74 19984.52 29186.95 23946.28 25225.19 |
+---------------------------------------------------------------+

Como se esperaba, el intervalo de la predicción individual es más amplio que el de la

predicción media.

twoway (sc salary spending) (line yhat spending) (line LIpi

spending) (line LSpi spending) (line LIpm spending) (line
LSpm spending)
50000
40000
30000
20000
10000

2000 4000 6000 8000

SPENDING

SALARY Fitted values

LIpi LSpi
LIpm LSpm

UAM-X 4 10-P
ECONOMETRÍA FORTINO VELA PEÓN

twoway (sc salary spending) (line yhat spending) (line LIpi

spending) (line LSpi spending)

50000
40000
30000
20000
10000

2000 4000 6000 8000

SPENDING

SALARY Fitted values

LIpi LSpi

twoway (sc salary spending) (lfitci salary spending)

20000 25000 30000 35000 40000 45000

2000 4000 6000 8000

SPENDING

SALARY 95% CI
Fitted values

UAM-X 5 10-P
ECONOMETRÍA FORTINO VELA PEÓN

twoway (sc salary spending) (line yhat spending) (line LIpm

spending) (line LSpm spending)

20000 25000 30000 35000 40000 45000

2000 4000 6000 8000

SPENDING

SALARY Fitted values

LIpm LSpm

UAM-X 6 10-P
ECONOMETRÍA FORTINO VELA PEÓN

f)

predict residual, r

histogram residual, normal

2.0e-04
1.5e-04
Density
1.0e-04
5.0e-05
0

-4000 -2000 0 2000 4000 6000

Residuals

sktest residual
Skewness/Kurtosis tests for Normality
------- joint ------
Variable | Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2
-------------+-------------------------------------------------------
residual | 0.119 0.941 2.57 0.2770

swilk residual
Shapiro-Wilk W test for normal data
Variable | Obs W V z Prob>z
-------------+-------------------------------------------------
residual | 51 0.96760 1.548 0.933 0.17545

UAM-X 7 10-P
ECONOMETRÍA FORTINO VELA PEÓN

PRUEBA JARQUE-BERA EN STATA

regres salary spending

sum residual ,d
Residuals
-------------------------------------------------------------
Percentiles Smallest
1% -3847.976 -3847.976
5% -3559.528 -3613.551
10% -2702.409 -3559.528 Obs 51
25% -2002.267 -3270.162 Sum of Wgt. 51

50% -217.5192 Mean -.0000106

Largest Std. Dev. 2301.414
75% 1688.92 3782.79
90% 3063.864 5068.862 Variance 5296505
95% 5068.862 5256.552 Skewness .4991257
99% 5529.342 5529.342 Kurtosis 2.807557

return list

scalars:
r(N) = 51
r(sum_w) = 51
r(mean) = -.0000105839149625
r(Var) = 5296504.99138385
r(sd) = 2301.413694098445
r(skewness) = .4991256552870125
r(kurtosis) = 2.807557060474001
r(sum) = -.0005397796630859
r(min) = -3847.975830078125
r(max) = 5529.34228515625
r(p1) = -3847.975830078125
r(p5) = -3559.528076171875
r(p10) = -2702.408935546875
r(p25) = -2002.2666015625
r(p50) = -217.5192260742188
r(p75) = 1688.920043945313
r(p90) = 3063.86376953125
r(p95) = 5068.8623046875
r(p99) = 5529.34228515625

n  2 (C − 3) 2 
JB = + A + 
6  4 

scalar JB=(r(N)/6)*(( r(skewness)^2)+ ((r(kurtosis)-

3)^2)/4)
di “Estadístico Jarque-Bera =” JB

Estadístico Jarque-Bera =2.1962724

scalar define chic = invchi2tail(2,.05)

di "Ji-cuadrada(2) al 5% ="chic

Ji-cuadrada(2) al 5% =5.9914645

UAM-X 8 10-P