Tarea 5

Descargar como docx, pdf o txt
Descargar como docx, pdf o txt
Está en la página 1de 5

RAFAEL VIÑALS ID: 1092955

Tarea 5

3.1 Utilizando la base de datos GPA2.RAW de 4,137 alumnos universitarios, se estimó la ecuación
siguiente de MCO:
^
colgpa=1392−0.0135 hsperc+0.00148 sat

n=4137 , R2=0.237
donde colgpa es el promedio de calificaciones que se mide sobre una escala de cuatro puntos,
hsperc es el percentil en la clase de bachillerato que se gradúa (definida de manera que, por
ejemplo, hsperc = 5 significa el 5% superior de la clase), y SAT son los puntajes combinados en
matemáticas y habilidades verbales en la prueba de logro de los alumnos.

i) ¿Por qué es lógico que el coeficiente en hsperc sea negativo?


Porque un menor porcentaje de las personas “superiores en la clase” significa un mayor
promedio de calificaciones (colgpa). Osea, si el percentil de estudiantes es mayor, ceteris
paribus, habrá mas estudiantes, lo que conlleva que el requisito mínimo de pertenecer a
este grupo es un índice menor.
ii) ¿Cuál es el promedio de calificaciones universitarios predicho cuando hsperc = 20 y sat
= 1050?
^
colgpa=1392−0.0135∗( 20 )+ 0.00148∗( 1050 ) =2.676
iii) Suponga que dos graduados de bachillerato, A y B, se gradúan en el mismo percentil
de bachillerato, pero el puntaje SAT del estudiante A es 140 puntos más alto
(aproximadamente una desviación estándar en la muestra). ¿Cuál es la diferencia
predicha en el promedio de calificaciones universitario para estos dos alumnos? ¿Es
grande la diferencia?
Δ^
colgpa=0.00148 sa t=0.00148∗( 140 )=0.2072
EL estudiante A tendrá un promedio de calificaciones de 0.2072 puntos mayor que el
alumno B
iv) Manteniendo hsperc constante, ¿Qué diferencia en las puntuaciones SAT conduce a
una diferencia estimada colgpa de 0.50 o medio punto de puntuación? Comente su
respuesta.
Δ^colgpa 0.50
Δ^
colgpa=0.00148∗Δ sat → Δsat= = =337.84
0.00148 0.00148
Manteniendo hsperc constante, se necesita una puntuación en la prueba SAT de 337.48
para aumentar 0.5 puntos en el promedio de calificaciones.

3.2) Los datos en el archivo WAGE2.RAW sbre trabajores hombres se utilizan para estimar la
ecuación siguiente:
^ 2
educ=10.36−0.094 sibs+0.131 meduc+0.210 feduc , con n=722 y R =0.214 , donde 𝒆𝒅𝒖𝒄 es
años de escolaridad, 𝒔𝒊𝒃𝒔 es número de hermanos, 𝒎𝒆𝒅𝒖𝒄 es años de escolaridad de la madre y
𝒇𝒆𝒅𝒖𝒄 años de escolaridad del padre.

i) ¿Tiene 𝒔𝒊𝒃𝒔 el efecto esperado? Explique. Manteniendo constantes 𝒎𝒆𝒅𝒖𝒄 y 𝒇𝒆𝒅𝒖𝒄


¿cuánto tiene que aumentar 𝒔𝒊𝒃𝒔 para tener una reducción de un año en los años de
educación predichos? (Aquí es aceptable una respuesta en números no enteros.)
RAFAEL VIÑALS ID: 1092955

Si tiene el efecto esperado ya que, a mayor cantidad de hijos se generan más gastos lo cual
conllevaría a no poder costear por completo los estudios de todos estos.
ii) Explique la interpretación del coeficiente de 𝒎𝒆𝒅𝒖𝒄.
Ceteris paribus, los años de escolaridad van a aumentar en 0.210 por cada año de educación
de la madre.
iii) Suponga que el hombre A no tiene hermanos, y que su madre y su padre tienen cada uno
12 años de escolaridad. El hombre B no tiene hermanos y su madre y su padre tienen cada
uno 16 años de escolaridad. ¿Cuál es la diferencia entre B y A en años predichos de
escolaridad?
A¿^ Δ educ =0.131∗( 12 ) +0.21 0∗( 12 )=4.092
^
B ¿ Δeduc=0.131∗( 16 )+ 0.21 0∗( 1 6 )=5.456
5.456−4.092=1.364
Ceteris paribus, el hombre B tendrá 1.364 años de educación más que el Hombre A.

C3.1) Un problema de interés para los funcionarios de salud (y para otros) es determinar los
efectos que el fumar durante el embarazo tiene sobre la salud infantil. Una medida de la salud
infantil es el peso al nacer; un peso demasiado bajo puede ubicar al niño en riesgo de contraer
varias enfermedades. Ya que es probable que otros factores que afectan el peso al nacer estén
correlacionados con fumar, deben considerarse. Por ejemplo, un nivel de ingresos más alto en
general da como resultado el acceso a mejores cuidados prenatales y a una mejor nutrición de la
madre. Una ecuación que reconoce estos factores es:

bwght =β 0+ β1 cigs+ β 2 faminc

i) ¿Cuál es el signo más probable para β 2?


Debería ser positivo, ya que a un mayor ingreso la madre tendrá mejor
alimentación durante el embarazo, lo que conlleva mayor peso del bebe al nacer.
ii) ¿Crees que cigs y faminc estén correlacionados? Explique por qué la correlación
puede ser positiva o negativa.
Pueden tener correlación, ya que un mayor ingreso permite a las personas a
aumentar sus gastos en males (cigarros en este caso). Pero, también puede ser
negativo ya que un mayor ingreso, suele significar mayor educación lo cual haría
gastar menos en cigarros, ya que saben que es malo para la salud.

cor(bwght$cigs, bwght$faminc)
## [1] -0.1730449
RAFAEL VIÑALS ID: 1092955

iii) Ahora calcule la ecuación, con y sin faminc utilizando los datos del archivo
BWGHT.RAW. De los resultados en forma de ecuación incluyendo el tamaño de
la muestra y la R2. Explique sus resultados enfocándose en si el añadir faminc
modifica de manera sustancial el efecto esperado de cigs sobre bwght.
lm.con <- lm(bwght~cigs+faminc, data = bwght)
lm.sin <- lm(bwght~cigs, data = bwght)
stargazer(lm.sin, lm.con, type = "text", header=TRUE)
##
##
=================================================================
====
## Dependent variable:

##
-------------------------------------------------
## bwght

## (1) (2)

##
-----------------------------------------------------------------
----
## cigs -0.514*** -0.463***

## (0.090) (0.092)

##

## faminc 0.093***

## (0.029)

##

## Constant 119.772*** 116.974***

## (0.572) (1.049)

##

##
-----------------------------------------------------------------
----
## Observations 1,388 1,388

## R2 0.023 0.030

## Adjusted R2 0.022 0.028

## Residual Std. Error 20.129 (df = 1386) 20.063 (df =


1385)
RAFAEL VIÑALS ID: 1092955

## F Statistic 32.235*** (df = 1; 1386) 21.274*** (df =


2; 1385)
##
=================================================================
====
## Note: *p<0.1; **p<0.05;
***p<0.01

El efecto de los cigarros es un poco menor al incluirse faminc. Esto sucede,


porque su correlción es tambien pequeña (-0.1730449).

C3.2) Utilice los datos del archivo HPRICE1.RAW para estimar el modelo:
price=β o + β 1 sqrft + β2 bdrms+u, donde Price es el precio de casas dado en miles de
dólares.
i) Escriba los resultados en forma de ecuación.
lm7 <- lm(price~sqrft+bdrms, data=hprice1)
stargazer(lm7, type = "text", header=TRUE)

##
## ===============================================
## Dependent variable:
## ---------------------------
## price
## -----------------------------------------------
## sqrft 0.128***
## (0.014)
##
## bdrms 15.198
## (9.484)
##
## Constant -19.315
## (31.047)
##
## -----------------------------------------------
## Observations 88
## R2 0.632
## Adjusted R2 0.623
## Residual Std. Error 63.045 (df = 85)
## F Statistic 72.964*** (df = 2; 85)
## ===============================================
## Note: *p<0.1; **p<0.05; ***p<0.01

: price=−19.315+ 0. 128 sqrft +15 .198 bdrms


RAFAEL VIÑALS ID: 1092955

ii) ¿Cuál es el incremento en precio estimado para una casa con una habitación
(bdrms) más, manteniendo constante la superficie en pies cuadrados (sqrft)?
Δ price=15 .198 Δ bdrms=15.198
Se tendrá un incremento estimado de 15.198 miles de dólares.

iii) ¿Cuál es el incremento en precio estimado para una casa con una habitación
adicional de 140 pies cuadrados? Compare esto con su respuesta al inciso (ii)
Δ𝑝𝑟𝑖𝑐𝑒 = 0.128(Δ𝑠𝑞𝑟𝑓𝑡) + 15.198(Δ𝑏𝑑𝑟𝑚𝑠) = 0.128(140) + 15.198(1) → Δ𝑝𝑟𝑖𝑐𝑒 = 33.118

Una habitación adicional y 140 pies cuadrados, tendría un incremento en el precio de


33.118 miles de dolares. Es mayor al inciso ii, ya que se incrementa el tamaño tambien.

iv) ¿Qué porcentaje de la variación en el precio se explica por la extensión en pies


cuadrados y el número de habitaciones?
Tomando en cuenta que R2 = 0.632, podemos decir que, la extensió n en pies
cuadrados y el nú mero de habitaciones explican un 63.2% de la variació n en el
precio de una casa.

v) La primera casa en la muestra tiene 𝒔𝒒𝒓𝒇𝒕 = 𝟐𝟒𝟑𝟖 y 𝒃𝒅𝒓𝒎𝒔 = 𝟒. Determine el


precio de venta estimado para esta casa con la línea de regresión de MCO.
-19.315+15.198*4+0.128*2438

## [1] 353.541

El precio estimado para una casa con 2,438 pies cuadrados y 4 habitaciones es de
353.541 miles de dó lares.

vi) El precio de venta de la primera casa en la muestra fue $300,000 (𝒑𝒓𝒊𝒄𝒆 =


𝟑𝟎𝟎). Determine el residual para esta casa. ¿Sugiere esto que el comprador
pagó de más o de menos por la casa?
353541-300000

## [1] 53541

El residual serían 53541 dolares (53.541 miles de dolares). Esto significa, que el
comprador pago menos de lo estimado por la casa. La razón de esta, deberían ser el
efecto de factores externos que no estamos observando en este modelo.

También podría gustarte