Universidad Nacional Mayor de San Marcos

Facultad de Ciencias Económicas

Escuela Profesional de Economía
Curso: Econometría I Ciclo: 2018-1
Aula: 214-M
Profesor: Mg. Alfonso L. Ayala Loro

Examen Parcial 3

1. En un modelo de salarios,
Wage = salario en dólares por hora
Educ = años de educación
Exper = años de experiencia
Metro = 1 si la persona vive en una zona urbana; = 0, si la persona vive en una zona rural.
Obtiene la regresión MCO:

reg wage educ exper metro

Source | SS df MS Number of obs = 1000

-------------+------------------------------ F( 3, 996) = 120.87
Model | 10404.2833 3 3468.09443 Prob > F = 0.0000
Residual | 28577.214 996 28.6919819 R-squared = 0.2669
-------------+------------------------------ Adj R-squared = 0.2647
Total | 38981.4973 999 39.0205178 Root MSE = 5.3565

------------------------------------------------------------------------------
wage | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educ | 1.233964 .0699613 17.64 0.000 1.096676 1.371252
exper | .1332437 .0152316 8.75 0.000 .1033539 .1631334
metro | 1.524104 .4310909 3.54 0.000 .6781535 2.370055
_cons | -9.913984 1.075663 -9.22 0.000 -12.02481 -7.803159
------------------------------------------------------------------------------

“Ordena” la data de menor a mayor según la variable “metro”, y vuelve a calcular la regresión
anterior para cada grupo:
reg wage educ exper if metro == 0

Source | SS df MS Number of obs = 192

-------------+------------------------------ F( 2, 189) = 32.99
Model | 1005.64261 2 502.821304 Prob > F = 0.0000
Residual | 2880.92444 189 15.2429865 R-squared = 0.2587
-------------+------------------------------ Adj R-squared = 0.2509
Total | 3886.56705 191 20.3485186 Root MSE = 3.9042

------------------------------------------------------------------------------
wage | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educ | .9555854 .1331899 7.17 0.000 .6928556 1.218315
exper | .1259737 .024771 5.09 0.000 .0771106 .1748368
_cons | -6.165855 1.898511 -3.25 0.001 -9.910847 -2.420862
------------------------------------------------------------------------------

reg wage educ exper if metro == 1

Source | SS df MS Number of obs = 808

-------------+------------------------------ F( 2, 805) = 140.09
Model | 8916.1715 2 4458.08575 Prob > F = 0.0000
Residual | 25618.1041 805 31.8237318 R-squared = 0.2582
-------------+------------------------------ Adj R-squared = 0.2563
Total | 34534.2756 807 42.7934023 Root MSE = 5.6413

------------------------------------------------------------------------------
wage | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educ | 1.281714 .0797627 16.07 0.000 1.125147 1.438282
exper | .1345597 .0179476 7.50 0.000 .0993301 .1697893
_cons | -9.052478 1.189456 -7.61 0.000 -11.38728 -6.717677
------------------------------------------------------------------------------

Formule un test de GOLDFELD-QUANDT para probar si existe heterocedasticidad en el modelo

inicial. (3 p)
1
 F=

2. En un modelo macroeconómico:
I = inversión agregada
G = gasto de gobierno
Y = producto (en miles de millones de dólares)
P = población (en millones de personas)
Un investigador está averiguando si hay efecto crowding out, y estima:
Modelo 1
reg i g y

Source | SS df MS Number of obs = 30

-------------+------------------------------ F( 2, 27) = 1092.53
Model | 3111527.9 2 1555763.95 Prob > F = 0.0000
Residual | 38448.1459 27 1424.0054 R-squared = 0.9878
-------------+------------------------------ Adj R-squared = 0.9869
Total | 3149976.04 29 108619.864 Root MSE = 37.736

------------------------------------------------------------------------------
i | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
g | -1.074871 .138348 -7.77 0.000 -1.358738 -.7910046
y | .3592372 .0207378 17.32 0.000 .3166868 .4017877
_cons | 18.10215 7.786284 2.32 0.028 2.126019 34.07829
------------------------------------------------------------------------------

Ordena la muestra de acuerdo al tamaño del producto, y estima la misma relación para las 11
economías más grandes y más pequeñas, obteniendo:
Modelo 2
reg i g y in 1/11

Source | SS df MS Number of obs = 11

-------------+------------------------------ F( 2, 8) = 11.43
Model | 918.656442 2 459.328221 Prob > F = 0.0045
Residual | 321.390743 8 40.1738428 R-squared = 0.7408
-------------+------------------------------ Adj R-squared = 0.6760
Total | 1240.04718 10 124.004718 Root MSE = 6.3383

------------------------------------------------------------------------------
i | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
g | -1.559907 .571456 -2.73 0.026 -2.877686 -.2421269
y | .4793066 .1110611 4.32 0.003 .2231992 .735414
_cons | 1.418402 5.169706 0.27 0.791 -10.50296 13.33977
------------------------------------------------------------------------------

Modelo 3
reg i g y in 20/30

Source | SS df MS Number of obs = 11

-------------+------------------------------ F( 2, 8) = 318.12
Model | 2234908.29 2 1117454.15 Prob > F = 0.0000
Residual | 28101.2927 8 3512.66159 R-squared = 0.9876
-------------+------------------------------ Adj R-squared = 0.9845
Total | 2263009.59 10 226300.959 Root MSE = 59.268

------------------------------------------------------------------------------
i | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
g | -1.160484 .2243276 -5.17 0.001 -1.677784 -.6431833
y | .3646366 .0329306 11.07 0.000 .2886986 .4405747
_cons | 52.58072 24.23422 2.17 0.062 -3.303481 108.4649
------------------------------------------------------------------------------

Formule un test de GOLDFELD-QUANDT para probar si existe heterocedasticidad en el modelo

inicial (modelo 1). (2 p)

Sospechando que hay heterocedasticidad el investigador divide ambos lados de la ecuación entre
p, también calcula el modelo en términos logarítmicos obteniendo:
gen inv_p = 1/p
gen i_p = i/p
2
gen g_p = g/p
gen y_p = y/p

Modelo 4. reg i_p inv_p g_p y_p, noconstant

Source | SS df MS Number of obs = 30

-------------+------------------------------ F( 3, 27) = 266.70
Model | 617.988817 3 205.996272 Prob > F = 0.0000
Residual | 20.8543218 27 .772382288 R-squared = 0.9674
-------------+------------------------------ Adj R-squared = 0.9637
Total | 638.843139 30 21.2947713 Root MSE = .87885

------------------------------------------------------------------------------
i_p | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
inv_p | -.0289619 .2777389 -0.10 0.918 -.5988351 .5409112
g_p | -.6867674 .16196 -4.24 0.000 -1.019082 -.3544529
y_p | .3350315 .0297442 11.26 0.000 .2740014 .3960616
------------------------------------------------------------------------------
Ordena la muestra de acuerdo al tamaño del producto/población, y estima la misma relación para
las 11 economías más grandes y más pequeñas, obteniendo
Modelo 4.1. reg i_p inv_p g_p y_p in 1/11, noconstant

Source | SS df MS Number of obs = 11

-------------+------------------------------ F( 3, 8) = 69.08
Model | 38.2343298 3 12.7447766 Prob > F = 0.0000
Residual | 1.47598308 8 .184497885 R-squared = 0.9628
-------------+------------------------------ Adj R-squared = 0.9489
Total | 39.7103129 11 3.61002844 Root MSE = .42953

------------------------------------------------------------------------------
i_p | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
inv_p | 6.066948 4.403364 1.38 0.206 -4.087226 16.22112
g_p | -1.473003 .656459 -2.24 0.055 -2.9868 .0407943
y_p | .4430535 .0958523 4.62 0.002 .2220177 .6640893
------------------------------------------------------------------------------

Modelo 4.2. reg i_p inv_p g_p y_p in 20/30, noconstant

Source | SS df MS Number of obs = 11

-------------+------------------------------ F( 3, 8) = 91.69
Model | 456.180625 3 152.060208 Prob > F = 0.0000
Residual | 13.2676083 8 1.65845104 R-squared = 0.9717
-------------+------------------------------ Adj R-squared = 0.9611
Total | 469.448234 11 42.6771122 Root MSE = 1.2878

------------------------------------------------------------------------------
i_p | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
inv_p | -.0816169 .4122132 -0.20 0.848 -1.032182 .8689484
g_p | -.7329274 .2518317 -2.91 0.020 -1.313652 -.1522025
y_p | .3530621 .0475583 7.42 0.000 .2433926 .4627317
------------------------------------------------------------------------------
Formule un test de Goldfeld-Quandt para los modelos 4.1 y 4.2 para probar si existe
heterocedasticidad en el modelo 4. (2 p)
gen log_i = log(i)
gen log_y = log(y)
gen log_g = log(g)

Modelo 5 reg log_i log_g log_y

Source | SS df MS Number of obs = 30

-------------+------------------------------ F( 2, 27) = 799.93
Model | 55.2733217 2 27.6366608 Prob > F = 0.0000
Residual | .932819622 27 .034548875 R-squared = 0.9834
-------------+------------------------------ Adj R-squared = 0.9822
Total | 56.2061413 29 1.9381428 Root MSE = .18587

------------------------------------------------------------------------------
log_i | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
log_g | -.634715 .1214339 -5.23 0.000 -.8838767 -.3855532
log_y | 1.595831 .1234987 12.92 0.000 1.342433 1.84923
_cons | -2.441938 .2591314 -9.42 0.000 -2.973631 -1.910244
------------------------------------------------------------------------------

3
 Discuta si alguno de los modelos (4 ó 5) corrige el problema de heterocedasticidad y elija alguno
de ellos, presente los pros y contras del modelo elegido. (4 p)

3. Supongamos que desea estimar el modelo entre consumo agregado y la inversión agregada een
cierto país:

Obteniendo:

El estadístico Durbin-Watson fue 0.23. Pruebe la h0 de no autocorrelación. (2 p)

Comente si es adecuada la estimación anterior. (2 p)

4. Se tiene n = 30, k =3. Pruebe la h0 de no autocorrelación, si DW = 1.198. (1 p)

5. En un cierto país se estudia la relación entre el índice de compensación por hora comp (ingreso) y
el índice de productividad prod, obteniendo en una regresión MCO:

reg comp prod

Source | SS df MS Number of obs = 40

-------------+------------------------------ F( 1, 38) = 876.55
Model | 6274.75662 1 6274.75662 Prob > F = 0.0000
Residual | 272.021913 38 7.1584714 R-squared = 0.9584
-------------+------------------------------ Adj R-squared = 0.9574
Total | 6546.77854 39 167.866116 Root MSE = 2.6755

------------------------------------------------------------------------------
comp | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
prod | .7136594 .0241048 29.61 0.000 .6648619 .7624569
_cons | 29.51926 1.942346 15.20 0.000 25.58718 33.45133
------------------------------------------------------------------------------
El estadístico Durbin – Watson es:
estat dwatson
Durbin-Watson d-statistic( 2, 40) = .1229045
Suponiendo que rho = 0.8919. Testee la hipótesis de no autocorrelación. (2 p)

gen comp_ajust = comp - 0.8919*comp[_n-1]

gen prod_ajust = prod - 0.8919*prod[_n-1]

reg comp_ajust prod_ajust

Source | SS df MS Number of obs = 39

-------------+------------------------------ F( 1, 37) = 71.16
Model | 51.9074973 1 51.9074973 Prob > F = 0.0000
Residual | 26.9911417 37 .729490317 R-squared = 0.6579
-------------+------------------------------ Adj R-squared = 0.6487
Total | 78.898639 38 2.07627997 Root MSE = .8541

------------------------------------------------------------------------------
comp_ajust | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
prod_ajust | .5503661 .0652449 8.44 0.000 .4181674 .6825647
_cons | 4.875529 .6689475 7.29 0.000 3.520113 6.230945
------------------------------------------------------------------------------

4
Testee la hipótesis de no autocorrelación. (2 p)
estat dwatson
Durbin-Watson d-statistic( 2, 39) = 1.60472