Ejercicios en computador

1. El modelo siguiente puede usarse para estudiar si los gastos de campaña

afectan los resultados de las elecciones

Vote A= B0 +B1 Log (expend A) + B2 Log (expend AB) + B3 prtystrA + u

Donde voteA es el porcentaje de votos recibidos por el candidato A, expendA y

expendB son los gastos de la campaña del candidato A y del candidato B y prtystrA es

una medida de la fortaleza del partido del candidato A (el porcentaje de votos que

obtuvo el partido de A en la elección presidencial más reciente)

i) ¿Cuál es la interpretación de B1?

R: significa que al aumentar en un porcentaje los gastos de la campaña del candidato A,

se espera que a través de este aumento, recibir mayores votos con relación al aumento

de los gastos de la campaña, es decir, aumentan en la misma proporción que los gastos

de campaña

ii) En términos de los parámetros, establezca la hipótesis nula de que un

aumento de 1% en los gastos de A es compensado por un aumento de 1% en

los gastos de B.

R: Hipótesis nula: H0= B1 = - B2

H1= B1 + B2 = 0
 iii) Estime el modelo dado usando los datos del archivo VOTE.RAW y presente

los resultados de la manera usual. ¿Los gastos de A afectan los resultados de

las elecciones? ¿Y los gastos de B? ¿Puede usar estos resultados para probar

la hipótesis del inciso ii?

Vote = 45.078 + 6.083 Log (expend A) – 6.61 Log (expend B) + 0,151 prtystrA

R: lo que hacen los gastos A es en incidir positivamente en el resultado de las

elecciones al candidato A, ya que una unidad adicional de gasto implica un aumento en

el porcentaje de votos del candidato en un 6,083%. Y lo que hacen los gastos B es

afectar el resultado de las elecciones en forma negativa al candidato B, puesto que al

aumentar los gstos B en una unidad adicional, se reduciría la cantidad de votos recibidos

del candidato en 6,615 %, por lo que se puede probar la hipótesis del inciso ii

Source SS df MS Number of obs = 173

F( 3, 169) = 215.23
Model 38405.1096 3 12801.7032 Prob > F = 0.0000
Residual 10052.1389 169 59.480112 R-squared = 0.7926
Adj R-squared = 0.7889
Total 48457.2486 172 281.728189 Root MSE = 7.7123

voteA Coef. Std. Err. t P>|t| [95% Conf. Interval]

lexpendA 6.083316 .38215 15.92 0.000 5.328914 6.837719

lexpendB -6.615417 .3788203 -17.46 0.000 -7.363246 -5.867588
prtystrA .1519574 .0620181 2.45 0.015 .0295274 .2743873
_cons 45.07893 3.926305 11.48 0.000 37.32801 52.82985

iv) Estime el modelo que proporciona directamente el estadístico t para probar

la hipótesis del inciso ii). ¿Que concluye usted? (use la alternativa de dos

colas)
 R: ᶿ1 = B1 + B2 ó B1 = ᶿ1 – B2

Tenemos: VoteA = B0 + B1 Log (expend) + B2 [Log (expendB) – Log (expenda)] +

B3 (prtystrA) + u

Al obtener esta ecuación nos da que ᶿ1 = -0,532. Lo que nos dice que el estadístico t

para la hipótesis del maso ii es de -. 532/.533-1. Por lo tanto no se rechaza H0 = 2B –

1B a favor de H1

2. Para este ejercicio utilice los datos del archivo LAWSCH85.RAW

i) Usando el método del problema 3.4, establezca y pruebe la hipótesis nula de que el

ranking entre las escuelas de derecho no tiene efecto ceteris paribus sobre el suelo

inicial medio.

Source SS df MS Number of obs = 136

F( 5, 130) = 138.23
Model 8.73362207 5 1.74672441 Prob > F = 0.0000
Residual 1.64272974 130 .012636383 R-squared = 0.8417
Adj R-squared = 0.8356
Total 10.3763518 135 .076861865 Root MSE = .11241

lsalary Coef. Std. Err. t P>|t| [95% Conf. Interval]

LSAT .0046965 .0040105 1.17 0.244 -.0032378 .0126308

GPA .2475239 .090037 2.75 0.007 .0693964 .4256514
llibvol .0949932 .0332543 2.86 0.005 .0292035 .160783
lcost .0375538 .0321061 1.17 0.244 -.0259642 .1010718
rank -.0033246 .0003485 -9.54 0.000 -.004014 -.0026352
_cons 8.343226 .5325192 15.67 0.000 7.2897 9.396752

. lincom rank

( 1) rank = 0

lsalary Coef. Std. Err. t P>|t| [95% Conf. Interval]

(1) -.0033246 .0003485 -9.54 0.000 -.004014 -.0026352

H0 = Brank = 0 Brank < 0
Nivel de significancia del 5%
t = -9,54
c = -1,645
gl = 136 – 5 – 1 = 130
t < -ck = -9,54 < -1,645 = se rechaza H0 a favor de H1

-9,54 -1,645

5%
Si se disminuye en 2 niveles el ranking, como afecta el salario?

-0,0033 (2) = -0,0066 *100 = -0,66% que es la disminución del salario en 2 niveles que

disminuye el ranking

Con esto decimos que el ranking no tiene un efecto grande sobre el salario, pues por

cada nivel de que disminuye en el ranking, el salario disminuirá en 0,33%

ii) Son las características de los estudiantes de nuevo ingreso —a saber, LSAT y GPA—

significativas de manera individual o conjunta para explicar el sueldo (salary)?

(Asegúrese de tomar en cuenta que hay datos faltantes en LSAT y GPA.)

R: GPA se hace significativa, pues al aumentar el promedio en un punto, conjuntamente

aumentará el salario del estudiante de nuevo ingreso en un $ 0,248; ahora LSAT no es

muy significativa puesto que al aumentar el puntaje del grupo en un punto, su salario

aumentará en un $0,0047. Además de esto, el estadístico t de GPA es de 2,76 y por el

contrario, este si es estadísticamente significativo.

iii) Pruebe si el tamaño del grupo (clsize) o el tamaño de la facultad (faculty) necesitan

ser agregados a esta ecuación; realice una prueba sencilla. (Tenga cuidado de tomar en

cuenta que hay datos faltantes en clsize y faculty.)

Source SS df MS Number of obs = 131

F( 7, 123) = 95.05
Model 8.51020266 7 1.21574324 Prob > F = 0.0000
Residual 1.57316189 123 .012789934 R-squared = 0.8440
Adj R-squared = 0.8351
Total 10.0833645 130 .077564343 Root MSE = .11309

lsalary Coef. Std. Err. t P>|t| [95% Conf. Interval]

LSAT .0055824 .0041798 1.34 0.184 -.0026913 .0138561

GPA .2660667 .0932495 2.85 0.005 .081485 .4506484
llibvol .055158 .0404005 1.37 0.175 -.0248123 .1351283
lcost .0296716 .034683 0.86 0.394 -.0389813 .0983246
rank -.0034277 .0003573 -9.59 0.000 -.0041349 -.0027204
clsize .0001342 .0001535 0.87 0.384 -.0001697 .000438
faculty .0000675 .0003999 0.17 0.866 -.0007242 .0008591
_cons 8.415897 .552253 15.24 0.000 7.322746 9.509048

R: no es necesario agregar clsize y faculty a la ecuación, puesto que su variación es

muy mínima como se puede observar en la tabla

iv) ¿Qué factores pueden influir en la posición en el ranking de una escuela de leyes que

no están incluidos en la regresión del sueldo?

R: la capacidad innata que tienen, la experiencia, la capacitación, calidad en los

docentes
 3. Vuelva al problema 3.14. Como variable dependiente emplee ahora el log

del precio de la vivienda:

Log (price) = B0 + B1sqrft + B2 bdrms + u.

i) Usted desea estimar y obtener un intervalo de confianza para la variación porcentual

del precio (price) cuando una casa tiene una recámara adicional de 150 pies cuadrados.

En forma decimal, esto es ᶿ1 = 130 B1 + B2. Emplee los datos del archivo HPRICE1.

RAW para estimar ᶿ1

. regress lprice sqrft bdrms

Source SS df MS Number of obs = 88

F( 2, 85) = 60.73
Model 4.71671468 2 2.35835734 Prob > F = 0.0000
Residual 3.30088884 85 .038833986 R-squared = 0.5883
Adj R-squared = 0.5786
Total 8.01760352 87 .092156362 Root MSE = .19706

lprice Coef. Std. Err. t P>|t| [95% Conf. Interval]

sqrft .0003794 .0000432 8.78 0.000 .0002935 .0004654

bdrms .0288844 .0296433 0.97 0.333 -.0300543 .0878232
_cons 4.766027 .0970445 49.11 0.000 4.573077 4.958978

Log (Price) = 4,76 + 0,00038 sqrft + 0,029 bdrms

nl = 88
gl = 88 – 2 – 1 = 85
Nivel de significancia = 5%
c = 1,662
[0,00038 – 1,662 (0,0000432); 0,00038 + 1,662 (0,0000432)
[0,00030; 0,00045]
Log (price) = 0,00038 (130) + 0,029 (1)
Log (price) = 0,0784 * 100 = 7,84 %
ii) Exprese B2 en términos de ᶿ1 y B1 y sustituya esto en la ecuación de log (price).

R: B2 = ᶿ1 + B1

0,0784 = 0,0494 + B2
B2 = 0,0784 – 0,0494 = 0,029
Log (price) = 0,00038 (130) + 0,029
Log (price) =0,0784 = 7,84%

iii) Emplee el inciso ii) para obtener el error estándar de ᶿ1 y con este error estándar
construya un intervalo de confianza de 95%.
n = 88
gl = 88 – 2 – 1 = 85

Nivel de significancia = 5%
c = 1,662
[0,00038 – 1,662 (0,0000432); 0,00038 + 1,662 (0,0000432)
[0,00030; 0,00045]

iv) En el ejemplo 4.9 puede estimarse la versión restringida del modelo empleando

todas las 1,388 observaciones muéstrales. Calcula R-cuadrada de la regresión de bwght

sobre cigs, parity y faminc empleando todas las observaciones. Compare esto con la R-

cuadrada dada para el modelo restringido del ejemplo 4.9.

. regress bwght cigs parity faminc

Source SS df MS Number of obs = 1388

F( 3, 1384) = 16.63
Model 19996.5211 3 6665.50703 Prob > F = 0.0000
Residual 554615.199 1384 400.733525 R-squared = 0.0348
Adj R-squared = 0.0327
Total 574611.72 1387 414.283864 Root MSE = 20.018

bwght Coef. Std. Err. t P>|t| [95% Conf. Interval]

cigs -.4771537 .091518 -5.21 0.000 -.6566827 -.2976247

parity 1.616372 .603955 2.68 0.008 .4316058 2.801138
faminc .0979201 .0291868 3.35 0.001 .040665 .1551752
_cons 114.2143 1.4693 77.73 0.000 111.3321 117.0966

. regress bwght cigs parity faminc motheduc fatheduc

Source SS df MS Number of obs = 1191

F( 5, 1185) = 9.55
Model 18705.5567 5 3741.11135 Prob > F = 0.0000
Residual 464041.135 1185 391.595895 R-squared = 0.0387
Adj R-squared = 0.0347
Total 482746.692 1190 405.669489 Root MSE = 19.789

bwght Coef. Std. Err. t P>|t| [95% Conf. Interval]

cigs -.5959362 .1103479 -5.40 0.000 -.8124352 -.3794373

parity 1.787603 .6594055 2.71 0.007 .4938709 3.081336
faminc .0560414 .0365616 1.53 0.126 -.0156913 .1277742
motheduc -.3704503 .3198551 -1.16 0.247 -.9979957 .2570951
fatheduc .4723944 .2826433 1.67 0.095 -.0821426 1.026931
_cons 114.5243 3.728453 30.72 0.000 107.2092 121.8394

Bwght = B0 + B1 (cigs) + B2 (parity) + B3 (faminc) + B4 (motheduc) + B5 fatheduc + u

Bwght = 114.52 – 0,60 (cigs) + 1,79 (parity) + 0,056 (faminc) – 0,37 (motheduc) +

0,472 (fatherduc)

La R2 de la regresión bwght cuando se opta por tomar en cuenta solo cigs, parity y

faminc es de 0,0384, se acerca más a cero y al incluir las variables motheduc y fatheduc
se incrementa en 0,0387, lo que nos dice que tiene los padres no es relevante en la

ecuación

4. Para este ejercicio emplee los datos en el archivo MLB1.RAW.

i) Emplee el modelo estimado en la ecuación (4.31) y elimine la variable rbisyr. ¿Qué

pasa con la significancia estadística de hrunsyr? ¿Qué pasa con el tamaño del

coeficiente de hrunsyr?

Antes

. regress lsalary years gamesyr bavg hrunsyr rbisyr

Source SS df MS Number of obs = 353

F( 5, 347) = 117.06
Model 308.989208 5 61.7978416 Prob > F = 0.0000
Residual 183.186327 347 .527914487 R-squared = 0.6278
Adj R-squared = 0.6224
Total 492.175535 352 1.39822595 Root MSE = .72658

lsalary Coef. Std. Err. t P>|t| [95% Conf. Interval]

years .0688626 .0121145 5.68 0.000 .0450355 .0926898

gamesyr .0125521 .0026468 4.74 0.000 .0073464 .0177578
bavg .0009786 .0011035 0.89 0.376 -.0011918 .003149
hrunsyr .0144295 .016057 0.90 0.369 -.0171518 .0460107
rbisyr .0107657 .007175 1.50 0.134 -.0033462 .0248776
_cons 11.19242 .2888229 38.75 0.000 10.62435 11.76048

Ahora
. regress lsalary years gamesyr bavg hrunsyr

Source SS df MS Number of obs = 353

F( 4, 348) = 145.24
Model 307.800674 4 76.9501684 Prob > F = 0.0000
Residual 184.374861 348 .52981282 R-squared = 0.6254
Adj R-squared = 0.6211
Total 492.175535 352 1.39822595 Root MSE = .72788

lsalary Coef. Std. Err. t P>|t| [95% Conf. Interval]

years .0677325 .0121128 5.59 0.000 .0439089 .091556

gamesyr .0157595 .0015636 10.08 0.000 .0126841 .0188348
bavg .0014185 .0010658 1.33 0.184 -.0006776 .0035147
hrunsyr .0359434 .0072408 4.96 0.000 .0217021 .0501847
_cons 11.02091 .2657191 41.48 0.000 10.49829 11.54353
La significancia estadística de la variable hruns es una disminución, lo cual quiere decir

que al eliminar la variable rbisyr reduce el nivel de los cuadrangulares porque las

carreras por año disminuyen. Por lo tanto, el coeficiente de hrunsyr se aleja del

parámetro analizado ya que aumenta desplazándose a la izquierda

ii) Al modelo del inciso i) agregue las variables runsyr (carreras por año), fldperc

(porcentaje de fildeo) y sbasesyr (bases robadas por año). ¿Cuáles de estos factores son

significativos individualmente?

. regress lsalary years gamesyr bavg hrunsyr runsyr fldperc sbasesyr

Source SS df MS Number of obs = 353

F( 7, 345) = 87.25
Model 314.510478 7 44.9300682 Prob > F = 0.0000
Residual 177.665058 345 .514971181 R-squared = 0.6390
Adj R-squared = 0.6317
Total 492.175535 352 1.39822595 Root MSE = .71761

lsalary Coef. Std. Err. t P>|t| [95% Conf. Interval]

years .0699848 .0119756 5.84 0.000 .0464305 .0935391

gamesyr .0078995 .0026775 2.95 0.003 .0026333 .0131657
bavg .0005296 .0011038 0.48 0.632 -.0016414 .0027007
hrunsyr .0232106 .0086392 2.69 0.008 .0062185 .0402027
runsyr .0173922 .0050641 3.43 0.001 .0074318 .0273525
fldperc .0010351 .0020046 0.52 0.606 -.0029077 .0049778
sbasesyr -.0064191 .0051842 -1.24 0.216 -.0166157 .0037775
_cons 10.40827 2.003255 5.20 0.000 6.468139 14.3484

El valor significativo t vendría siendo sbasesyr, ya que las otras variables tienen valor

significativo común donde están en un parámetro positivo. Si se toma el estadístico F

sirve para detectar si un conjunto de coeficientes es distinto de cero, pero nunca será la

mejor prueba para determinar si un solo coeficiente es distinto de cero. Para probar una

sola hipótesis la prueba t es más adecuada.

iii) En el modelo del inciso ii) pruebe la significancia conjunta de bavg, fldperc y

sbasesyr.

. regress lsalary years gamesyr

Source SS df MS Number of obs = 353

F( 2, 350) = 259.32
Model 293.864058 2 146.932029 Prob > F = 0.0000
Residual 198.311477 350 .566604221 R-squared = 0.5971
Adj R-squared = 0.5948
Total 492.175535 352 1.39822595 Root MSE = .75273

lsalary Coef. Std. Err. t P>|t| [95% Conf. Interval]

years .071318 .012505 5.70 0.000 .0467236 .0959124

gamesyr .0201745 .0013429 15.02 0.000 .0175334 .0228156
_cons 11.2238 .108312 103.62 0.000 11.01078 11.43683

R: significancia conjunta de bavg, fldperc y sbasesyr.

H0 = B1 = 0; B2 = 0; B4 = 0; B5=0

H1 = H0 no es verdadera

q = 398.121 – 177.665

q = glr – glnr

glr = 353 – 3 – 1 glnr =353 – 7 - 1

glr = 349 glnr = 345

q = 349 – 345 = 4

F= 398, 121 – 177,665

4 = 55114 F = 107.023
177.665 514.97
345
Criterio de decisión = f > c
107,023 > 2,60 = se rechaza H0 en favor de H1