ECONOMETRIA

Tarea 4 - Elección Binaria, Independientes Cualitativas y Mixtos

Presentado por:

José Adolfo Pilaquinga Sánchez

Presentado a:

Juan David Pulido Vargas - Director

Enrique Rincón Prieto - Tutor

Grupo: 105010_12

Universidad Nacional Abierta y a Distancia UNAD

Noviembre 28 de 2021
 Actividad individual

1. Respuesta a preguntas de elección múltiple

A: d) sesgado
B: a) heterocedasticidad
C: c) y contra x1
D: b) n²o² €
E: a) multicolonealidad
 Actividad grupal

2. Leer comprensivamente las lecturas propuestas en la bibliografía,

especialmente, el capítulo 7 de Wooldridge (2010) y el capítulo 9 de Gujarati
(2009).

a) Redactar en máximo dos páginas un ensayo breve en que se explique por

qué es importante la información en variables cualitativas en el análisis
económico, ilustrando con ejemplos su incidencia en las funciones
econométricas.

VENTAJAS EN UNA EMPRESA Y MICROEMPRESA

Al igual que en la estimación de oportunidades de inversión, los datos

matemáticos y financieros son fuentes beneficiosas para los analistas
económicos. También brindan datos cualitativos sobre el comportamiento
económico (por ejemplo, la calidad de bienes o servicios), y estos datos
también brindan información valiosa.
El análisis de variables cualitativas es el componente estimable que utilizan las
instituciones microfinancieras para otorgar crédito a los negocios
emprendedores actuales. “El análisis cualitativo tiene como objetivo determinar
la disposición del deudor a pagar a través de técnicas específicas, mientras que
el análisis cuantitativo tiene como objetivo determinar la capacidad de pago.
Sobre la base de los beneficios financieros y económicos, el flujo de caja y el
respaldo patrimonial, los clientes que mantienen una buena capacidad de pago
pagar no necesariamente cumplirá con sus obligaciones y aumentará el riesgo
de no pago”. (Monson, 2016)

Las diferentes variables en las que las instituciones colocan a sus clientes para
determinar si existe riesgo crediticio incluyen: La historia y el estado actual de
la empresa. ¿Cómo empezó el negocio? ¿Qué recursos tengo para hacer esto?
¿Quién más participa en los ingresos de la empresa familiar? ¿Siguen en la
misma línea de negocio o han cambiado? ¿Hay otras tiendas? Esto nos
proporcionará información muy importante sobre su evolución y nos permitirá
establecer algunas expectativas para su futuro. También nos permite
determinar el nivel de compromiso de los clientes de Mype en función del
capital aportado por los clientes de Mype y su contribución a la fecha de
observación, no necesariamente desde una perspectiva contable. (Monson,
2016)

Otra variable es la reputación, que significa el cumplimiento de las obligaciones

de los clientes y sus negocios con diferentes proveedores, acreedores, bancos,
empleados, etc. Con lo variable cualitativa determinada en un modelo
econométrico se podrá establecer si cumple o no con los distintos deberes
acordados.

Con la capacidad de recuperarse de situaciones adversas, una microempresa

"puede superar situaciones atípicas, como materias primas no entregadas,
bienes devueltos, contratos cancelados e incluso en caso de robo o fraude, los
clientes pueden seguir pagando su crédito. (Monzón 2016) Esto nos permitirá
comprender la calidad de la gestión empresarial para hacer frente a las
obligaciones en circunstancias adversas.

El medio macroeconómico y sectorial del país

Los cambios en su sector y en el PIB, es decir, el valor monetario de la

producción de bienes y servicios del país, pueden conducir al incumplimiento
crediticio. Por ejemplo, si los disturbios en el sector minero reducen el número
de trabajadores en ese sector, los propietarios de los almacenes que atienden
a los trabajadores en los asentamientos mineros y sus familias pueden ver
afectadas sus ventas. (Monzón de 2016)

Finalmente, cualquier empresa nueva que busque seguir siendo competitiva en

el mercado formulará políticas para reducir el riesgo de incumplimiento de sus
obligaciones financieras. Por lo tanto, centrarse en las variables cualitativas en
este punto plantea las siguientes preguntas: En comparación con la
competencia, ¿qué ventajas competitivas tiene o no tiene la empresa? ¿Son
innovadores los productos relacionados?
¿Hace un uso completo de las herramientas tecnológicas actuales (como
teléfonos inteligentes, Internet) para sobrevivir a la competencia?

b) Explicar en máximo dos párrafos que es un modelo de elección binaria, y

qué implica que la variable explicada sea cualitativa.

Un modelo de elección binaria implica un prototipo en el que la variable

dependiente tiene dos valores correspondientes: 0 (que representa el fracaso)
y 1 (que representa el éxito).
En términos generales, la variable dependiente (y) se puede explicar por
diferentes tipos de variables, incluidas las variables binarias. Por ejemplo: si se
quiere estimar los determinantes de la renta ciudadana, una de las posibles
variables explicativas puede ser si ha realizado estudios universitarios; en este
caso, si el individuo ha cursado estudios universitarios, la variable explicativa
tomará el valor 1, de lo contrario, será 0. Sea cualitativa la variable explicada,
representa la aparición o existencia de calidad, característica o atributo
respectivamente.

c) Explicar en máximo dos párrafos qué es una variable explicadora binaria,

cuándo se usa y cómo se interpretan sus coeficientes.

Según Wooldridge (2010) “al definir una variable binaria hay que decidir a qué
evento se le asigna el valor uno y a cuál el valor cero. Por ejemplo, en un
estudio para determinar el salario de los individuos, puede definirse female
como una variable binaria que tome el valor uno para mujer y el valor cero
para hombre” (p.225) Así una variable binaria busca dar respuesta en conjunto
a solo dos categorías (1= si y 0= no).
Si la variable dependiente aparece en forma logarítmica, los coeficientes se
interpretarán de forma porcentual. “cuando en un modelo la variable
dependiente es log (y) el coeficiente de una variable binaria, después de
multiplicarlo por 100, se interpreta como la diferencia porcentual en y,
manteniendo todos los demás factores constantes (…)” (Wooldridge, 2010, p.
232).

3. Resolver los ejercicios de Wooldridge (2010): 7.4, 7.9, C7.5 C7.7, C7.8 y
C7.10.

i. La diferencia aproximada es solo el coeficiente de la utilidad multiplicado por

100, o 28.3%. El estadisitico t es .283/.009 = -2.86, que es muy significativo
estadísticamente.
ii. 100[exp(-.283)-1]=-24.7%, y por lo que estimación es algo menor.
iii. La Diferencia proporcional es .181-.158=.023, o sobre 2.3% Una ecuación
que se puede estimar para obtener este error sería

Donde trans es una variable ficticia para la industria del transporte. Ahora, la
base grupo es finance, por lo que el coeficiente mide directamente la diferencia
entre los productos de consumo y las industrias, y podemos utilizar la
estadística t en consprod.
A continuación, el cuadro de i)
i)
Para el caso d = 0 la función ƒ0(z) es:
y = β0 + δ0d + β1z + δ1d*z + u
y = β0 + δ0(0) + β1z + δ1(0)*z + (0)
y = β0 + β1z ; entonces ƒ0(z) = β0 + β1z

Para el caso d = 1 la función ƒ1(z) es:

y = β0 + δ0d + β1z + δ1d*z + u
y = β0 + δ0(1) + β1z + δ1(1)*z + (0)
y = β0 + δ0 + β1z + δ1*z
y = ( β0 + δ0 ) + ( β1 + δ1 ) z ; entonces ƒ1(z) = ( β0 + δ0 ) + ( β1 + δ1 ) z
ii)Suponiendo que δ1 ≠ 0 (lo que significa que las dos rectas no son
paralelas), muestre que el valor z* para el que ƒ0(z) = ƒ1(z) es z* = δ0/ δ1.
Este es el punto en el que se interceptan las dos rectas [como en la figura
7.2(b)]. Argumente que z* es positivo si y sólo si δ0 y δ1 tienen signos
contrarios.
Matemáticamente, si ƒ0(z) = ƒ1(z), entonces:
β0 + β1z = ( β0 + δ0 ) + ( β1 + δ1 ) z β0 + β1z - β0 - δ0 = β1 z + δ1 z
- δ0 = β1 z - β1z + δ1 z
- δ0 = δ1 z
z^* = (- δ_0 )/δ1

Matemáticamente, z* siempre será positivo si δ0 y δ1 tienen signos contrarios

ya que el signo (-) de la expresión hace que los signos contrarios lleven a un
resultado positivo siempre.
iii) Empleando los datos del archivo TWOYEAR.RAW, puede estimarse la
ecuación siguiente:

log (wage )=2.289−.357 female+ .50totcoll+ .030

female∗totcoll

(0.011) (.015)(.003) (.005)

n=6,763 , R2=.202
donde todos los coeficientes y desviaciones estándar se han redondeado a dos
cifras decimales. Empleando esta ecuación, encuentre un valor de totcoll, tal
que los valores que se predicen para log(wage) sean iguales para hombres y
para mujeres.
Este modelo representa una relación entre el salario por hora (wage) y dos
variables dicotómicas: el género (female) y total de los años de universidad
(totcoll).
Para el inciso (iii), los resultados de la regresión hecha en Stata son los
siguientes: Concuerdan con los datos planteados en el interrogante (iii)
El valor de totcoll para el que los valores que se predicen para log( wage) sean
iguales para hombres y para mujeres se puede obtener matemáticamente
como se muestra a continuación:

log (wage )=2.289−.357 female+ .50totcoll+ .030

female∗totcoll
¿ Entonces :
log (wage ) para las mujeres es
^
log ( wage ) f =2.289−.357 ( 1 ) +.50 totcoll+.030
( 1 )∗totcoll
^
log ( wage ) f =1.932+ .50totcoll +.030 totcoll
^
log ( wage ) f =1.932+ 0.53 totcoll
¿y
log (wage) para loshombres es
^
log ( wage ) m=2.289−.357 ( 0 ) +.50 totcoll+.030 ( 0 )
∗totcoll
 ^
log ( wage ) m=2.289+.50 totcoll
¿
^ ^
Para que log ( wage) f = log ( wage ) m
¿1.932+.53 totcoll=2.289+.50 totcoll
.53 totcoll=2.289−1.932+ .50totcoll
.53totcoll−.50 totcoll=2.289−1.932
.03 totcoll=0,357
0,357
totcoll=
.03
¿
totcoll =11.9

El valor de totcoll para el que los valores que se predicen para log(wage) sean
iguales para hombres y para mujeres es totcoll* = 11.9
iv). Como se observa en el planteamiento del ejercicio, el modelo estima que
los intercepto y las pendientes (los rendimientos de la educación de mujeres y
hombres) son distintas para las respectivas rectas, las cuales llegan a un punto
de totcoll donde se cruzan los valores de ingreso predicho para ambos géneros
en función de los años de universidad. Si los rendimientos de la educación en
las mujeres son mayores a los rendimientos de la educación en los hombres,
es posible que las que las mujeres logren suficientes años de universidad de
manera que sus ingresos estén al nivel de los de los hombres. Para el caso
planteado en el inciso iii), es claro que sólo después de una buena cantidad de
años de educación superior (11,9 años) las mujeres alcanzan en salario a los
hombres, esto en términos prácticos implica niveles educativos superiores tipo
doctorado, lo cual dice mucho de la dificultad de las mujeres para alcanzar a
los hombres en el valor de su remuneración.
Se generan las siguientes variables en Stata:

Log(salary) = 4.29+0.288[lsales] + 0.016[roe]-0.225[rosneg] N= 209; R^2=

0.296

El coeficiente de [rosneg] implica que, si la empresa dirigida por un CEO tiene

rendimientos negativos, en un periodo de tiempo, se predice que el salario del
directivo sería de 22.5% más bajo para niveles dados de ventas.
El coeficiente de female es -0.22678872, éste indica que si todo lo demás
permanece constante, el ser mujer representa un 22,67% menos de salario
(lwage)
Cuando educ es 0 (esto quiere decir que no tiene ningún año de educación) la
diferencia entre los géneros es de 22,67% menos en el salario de las mujeres,
si todo lo demás permanece constante.
Ahora se le pide a Stata que calcule el impacto en lwage por un aumento de
12,5 en la educación de las mujeres:

. display _b[female]+(_b[female_educ]*12.5)
-.29634503

Cuando female es 1, el valor predicho para lwage es menor en 0,29634503;

este valor representa una diferencia de 29,63% en el salario de las mujeres, a
favor de los hombres.
El coeficiente de female ahora se puede interpretar como el efecto que se
espera tenga el ser mujer sobre el porcentaje de salario (lwage) cuando el
nivel educativo (educ) es 12,5 años de estudio.

En el inciso i) con 7.18 el coeficiente de la variable female no es

estadísticamente significativo, pues se evidencia un p value de 0,176 con lo
que a un nivel de 90% o 95% no es significativo. Sin embargo, en el inciso ii)
sí es estadísticamente significativo ya que muestra un p value de 0,000 con lo
que a un nivel de 90% o 95% es significativo. Es interesante que el coeficiente
que sí es significativo arroje un nivel mayor de impacto negativo en el salario
producto de la diferencia de género y que este nivel sea mayor frente a niveles
de educación mayores; esto podría indicar que es más factible identificar la
brecha salarial para niveles de educación mayores, cuando las personas han
cursado varios años de universidad y se enfrentan a situaciones dispares por
su género a pesar de tener el mismo nivel educativo.
Según el resultado el ser blanco afecta positivamente que le concedan el
préstamo si existe discriminación β1(¿) sea positivo distinto a cero.

El ser blanco incrementa la posibilidad de que le concedan el préstamo con un

porcentaje de significancia de 20%.

.regress approve White hrat obrat loanprac unem male married dep sch cosign
chist pubrec mortlat mortlt vr.
Se sigue observando un nivel de discriminación y de significancia a favor de los
blancos con un cociente positivo, haciendo reducción considerablemente.

.gen White_obrat=White*obrat .regress approve White hrat obrat loanprac

unem male married dep sch cosing chist pubrec mortlat mortlat vr.
Sigue siendo significativo, lo que deduce que las personas blancas tienen
mayores ingresos.
Cambiamos el valor de la ecucación del inciso iii por: .gen
White_obrat32=White*(obrat-32) así se obtiene el error estándar que este
caso seria beta(estimado)+-1.96*E.S

Approve=0.708+0.20(white)-0.0002(other)+u
Como se denota en la regresión realizada, el coeficiente [white] es positivo,
mayor a cero, lo que señala que una persona blanca tiene una mayor
posibilidad de que le aprueben un préstamo hipotecario
Approve=0.7081+0.200[white]
N=1989
R^2=0.0489
El coeficiente [white] explica que en una muestra como es presentada de 1989
solicitudes para préstamo hipotecario, la solicitud presentado por personas
blancas tiene un 20% más de probabilidad de ser aceptada que aquellas que
no pertenezcan a esta categoría. El anterior porcentaje implica una diferencia
bastante elevada y su t estadístico es 10.11 Se tiene un tamaño de muestra
bastante grande por los que los errores estándar son pequeños.
Cuando se agregan las nuevas variables de control estipuladas en la pregunta
del inciso (iii), se obtiene que el coeficiente [white] tiene un valor de 0.1288,
en porcentaje es 12.88%. Este coeficiente denota un descenso ya que ahora se
controlan factores que afectan la tasa de aprobación de préstamos y algunas
de estas claramente difieren según la raza. Igualmente, sigue habiendo
discriminación contra las personas que no están en el grupo de los blancos, ya
que este resultado señala que una persona blanca tiene una mayor posibilidad
de que le aprueben un préstamo hipotecario.

Se escribe en Stata el comando siguiente:

Gen white_obrat=white*obrat
.gen white_obrat=white*obrat
Una vez establecido se corre la regresión anterior junto con la nueva variable
creada (White_obrat)

Una vez Stata de la respuesta al comando ordenado, se denota que la

interacción [White*obrat] presenta un coeficiente de 0.0080, su t estadístico
es 3.5 respectivamente. Una persona blanca es menos penalizada que aquel
que no sea blanco.
Points= 4.76+1.2806[exper]-0.072[expersq]+2.3146[guard]+1.544[forward]
N=269 R^2=0.0910; R^ajustada=0.077
Según Stata[center] se omite por problemas de colinealidad

Incluir las tres variables binarias para las posiciones sería redundante, dando
como resultado la generación de una trampa de variable binaria. Cada jugador
se presenta en una de las tres categorías y la intercepción general es la
intersección de los centros.
Se estima que un defensa anote 2.31 puntos por juego, permaneciendo la
experiencia constante.

Cuando es agregada la variable estado civil[mar] a la anterior regresión, su

coeficiente dado es 0.584. Así, se establece que un jugador con un estado civil
de casado anota poco más de medio punto por partido jugado, siendo
constantes la posición y la experiencia. Entonces, en mi consideración al
basarse en los puntos por juego, no se puede concluir que los jugadores
casados son más productivos. (como se podrá detallar, este ejercicio habla
sobre basketball).
Al añadir las interacciones del estado civil con las variables de experiencia:
[mar=-2.53], [mar_expert=1.27], [marr_expertsq=-0.09] generan signos
diferentes en los términos que involucran a mar. Por ende, no hay evidencia de
que el estado civil tenga efecto alguno sobre los puntos por juego.
Al utilizar en esta regresión la variable asistencia por juego (assists) como
variables dependientes, el coeficiente de estado civil [marr] cambia a 0.3218.
Así pues, al mantener constantes las variables de experiencia y la posición, un
hombre casado presenta un tercio más de asistencias por juego. El valor p es
de 0.149, lo cual evidencia de que los hombres casados son más productivos
cuando se trata de asistencias por juego.
Bibliografía

Gujarati, D. (2009). Econometrics, (5.a ed.), Ed. Mc Graw Hill. Obtenido de Capítulo 9 Obtenido
dehttp://www.ebooks7-24.com.bibliotecavirtual.unad.edu.co/?il=279&pg=1

Gujarati, D. (2009). Econometrics, (5.a ed.), Ed. Mc Graw Hill. Capítulo 9. Obtenido de
http://www.ebooks7-24.com.bibliotecavirtual.unad.edu.co/?il=279&pg=1

STATA., S. C. (2013). Obtenido de http://www.stata.com/manuals13/u.pdf

Wooldrige, J. (2010). Introducción a la Econometría: Un enfoque moderno, (4a. ed.), Ed. Parafino.
Cap. 7. Obtenido de
https://drive.google.com/drive/folders/1n7JQSvJVlWHwYd_cE45P0I7uiYfWr3fM?
usp=sharing

Wooldrige, J. (2010). Introducción a la Econometría: Un enfoque moderno, (4a. ed.), Ed. Parafino.
Cap. 7. Obtenido de
https://drive.google.com/drive/folders/1n7JQSvJVlWHwYd_cE45P0I7uiYfWr3fM?
usp=sharing