Chapter 3 - Multiple Regression Analysis: Estimation

*Ejercicio C3.1 Bwght.cvs

i. El signo esperado del coeficiente b_2 es positivo, debido a que se espera que en promedio,
mayores niveles de ingreso provoque mejores oportunidades de acceso a servicios de salud y
atencin prenotar como costearse mejores niveles de nutricin. Otros indicadores sociales
estn frecuentemente asociados con el ingreso, como las condiciones de la vivienda, el
hacinamiento o el nivel educativo de la madre.
ii. desde mi punto de vista, La correlacin entre las variables independiente (fumar e
ingresos) pueden variar de signo, aunque en m pas la clase media alta tiende a fumar con
mayor frecuencia (por lo menos en jvenes). Esta relacin puede ser positiva en el caso de
que mayores niveles de ingresos permite una mayor capacidad de compra; en el caso
contrario en que la misma sea negativa se puede expresar, en mayor nivel de ingresos este
asociada con mayor educacin que permita a la madre reconocer que fumar es perjudicial
para la salud del bebe.
iii. Se estima la regresin simple sin incluir la variable de ingresos
*cargando base de datos
insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a
ejercicios de econometria\Base de datos wooldridge\bwght.csv", comma clear

*Una forma de comparar ambos modelos en una sola tabla:

ssc install estout
estimates store m1, title(Model 1)
regress bwght cigs
estimates store m2, title(Model 2)
regress bwght cigs faminc
estout m1 m2, cells(b(star fmt(3)) se(par fmt(2))) legend label varlabels(_cons
constant) stats(r2 df_r bic)
---------------------------------------------------Model 1
Model 2
b/se
b/se
---------------------------------------------------cigs
-0.514***
-0.463***
(0.09)
(0.09)
faminc
0.093**
(0.03)
constant
119.772***
116.974***
(0.57)
(1.05)
---------------------------------------------------r2
0.023
0.030
df_r
1386.000
1385.000
bic
12285.386
12282.535
---------------------------------------------------* p<0.05, ** p<0.01, *** p<0.001

*Ejercicio C3.2 hprice1.cvs

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a
ejercicios de econometria\Base de datos wooldridge\hprice1.csv ", comma clear
. regres

price

sqrft bdrms

Source |
SS
df
MS
-------------+-----------------------------Model | 580009.152
2 290004.576
Residual | 337845.354
85 3974.65122
-------------+-----------------------------Total | 917854.506
87 10550.0518

Number of obs
F( 2,
85)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

88
72.96
0.0000
0.6319
0.6233
63.045

-----------------------------------------------------------------------------price |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------sqrft |
.1284362
.0138245
9.29
0.000
.1009495
.1559229
bdrms |
15.19819
9.483517
1.60
0.113
-3.657582
34.05396
_cons |
-19.315
31.04662
-0.62
0.536
-81.04399
42.414
------------------------------------------------------------------------------

i. Para representar los resultados como una ecuacin, se puede utilizar el comando display de
la forma siguiente:
. matrix b = e(b)
. display " price =
price =

" b[1,3] " +"

b[1,1] "* sqrft" " + " b[1,2] "*bdrms + u"

-19.314996 +.12843621* sqrft + 15.198191*bdrms + u

ii.

. display _b[bdrms]*1
15.198191

iii.

* display _b[bdrms]*(1+1)+ _b[bdrms]*(sqrft+140) ///incorrecto

iv.

. display e(r2)
.6319184

v.

. display _b[_cons] + _b[bdrms]*bdrms[1] + _b[sqrft]* sqrft[1]

354.60525

vi.

. display " Residual[1] =

sqrft[1])
Residual[1] =

" price[1]-(_b[_cons] + _b[bdrms]*bdrms[1] + _b[sqrft]*

-54.605249

*Ejercicio C3.3 ceosal2.cvs

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a
ejercicios de econometria\Base de datos wooldridge\ceosal2.csv ", comma clear

i.

*modelo de elasticidad constante. Escribirlo en forma de ecuacin

. gen ln_salary = ln(salary)
. gen ln_mktval = ln(mktval)
. gen ln_sale = ln(sale)
. regress ln_salary ln_sale ln_mktval
. display "ln(salary)="_b[_cons] "+"_b[ln_sale] "*ln(sale)" "+"_b[ln_mktval] "
*ln(mktval)+u"
ln(salary)=4.6209175+.16212831*ln(sale)+.10670798 *ln(mktval)+u

ii.

*Profit no se puede agregar porque al ser utilidades presenta valores negativos***

estimates store mmod1, title(Model 1)

regress ln_salary ln_sale ln_mktval
estimates store mod2, title(Model 2)
regress ln_salary ln_sale ln_mktval profits
. estout mmod1 mod2, cells(b(star fmt(3)) se(par fmt(4))) legend label varlabels(_cons
constant) stats(N r2 df_r bic)

---------------------------------------------------Model 1
Model 2
b/se
b/se
---------------------------------------------------ln_sale
0.161***
0.162***
(0.0399)
(0.0397)
ln_mktval
0.098
0.107*
(0.0637)
(0.0501)
profits
0.000
(0.0002)
constant
4.687***
4.621***
(0.3797)
(0.2544)
---------------------------------------------------N
177.000
177.000
r2
0.299
0.299
df_r
173.000
174.000
bic
281.767
276.647
---------------------------------------------------* p<0.05, ** p<0.01, *** p<0.001
*Usando el R de ambos modelos se diria que no, que las utilidades de la empresa aportan
poca informacion. El R no cambia.

iii.
estimates store m4, title(Model 3)
regress ln_salary ln_sale ln_mktval profits ceoten
. estout m2 m1 m4, cells(b(star fmt(3)) se(par fmt(1))) legend label
varlabels(_cons constant) stats(N r2 df_r bic)
-------------------------------------------------------------------Model 2
Model 1
Model 3
b/se
b/se
b/se
-------------------------------------------------------------------ln_sale
0.162***
0.161***
0.162***
(0.0)
(0.0)
(0.0)
ln_mktval
0.107*
0.098
0.102
(0.1)
(0.1)
(0.1)
profits
0.000
0.000
(0.0)
(0.0)
ceoten
0.012*
(0.0)
constant
4.621***
4.687***
4.558***
(0.3)
(0.4)
(0.4)
-------------------------------------------------------------------N
177.000
177.000
177.000
r2
0.299
0.299
0.318
df_r
174.000
173.000
172.000
bic
276.647
281.767
282.087
-------------------------------------------------------------------* p<0.05, ** p<0.01, *** p<0.001

iv.

. correlate ( ln_mktval profits)

(obs=177)
| ln_mkt~l profits
-------------+-----------------ln_mktval |
1.0000
profits |
0.7769
1.0000

*Ejercicio C3.4 attend.cvs

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a
ejercicios de econometria\Base de datos wooldridge\attend.csv ", comma clear

i.
. summ attend prigpa act
Variable |

Obs

Mean

Std. Dev.

Min

Max

-------------+-------------------------------------------------------attend |
680
26.14706
5.455037
2
32
prigpa |
680
2.586775
.5447141
.857
3.93
act |
680
22.51029
3.490768
13
32

ii.

. regress atndrte prigpa act

Source |
SS
df
MS
-------------+-----------------------------Model | 57336.7612
2 28668.3806
Residual | 139980.564
677 206.765974
-------------+-----------------------------Total | 197317.325
679
290.59989

Number of obs
F( 2,
677)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

680
138.65
0.0000
0.2906
0.2885
14.379

-----------------------------------------------------------------------------atndrte |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------prigpa |
17.26059
1.083103
15.94
0.000
15.13395
19.38724
act | -1.716553
.169012
-10.16
0.000
-2.048404
-1.384702
_cons |
75.7004
3.884108
19.49
0.000
68.07406
83.32675
-----------------------------------------------------------------------------*para escribir el modelo en forma de ecuacin
. display " atndrte="_b[_cons] "+"_b[prigpa] "*prigpa" "+ " _b[act] " *act +u"
atndrte=75.700405+17.260591*prigpa+ -1.7165529 *act +u

iii.

*este coeficiente da sorpresa, se esperaria un signo positive.

. display _b[act]
-1.7165529

iv.

. display _b[_cons]+_b[prigpa]*3.65+_b[act]*20
104.3705
*revisar si hay algunos resultados en la muestra
list prigpa act if prigpa==3.65 | act==20
*no hay prigpa==3.65 pero si hay observaciones con act==20
. display (_b[_cons]+_b[prigpa]*3.1+_b[act]*21)
93.160625
. display (_b[_cons]+_b[prigpa]*2.1+_b[act]*26)
67.31727
. display (_b[_cons]+_b[prigpa]*3.1+_b[act]*21)- (_b[_cons]+_b[prigpa]*2.1+_b[act]*26)
25.843356

*Ejercicio C3.5 wage2.cvs

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a
ejercicios de econometria\Base de datos wooldridge\wage2.csv ", comma clear
. regress educ exper tenure
. predict r1, resid
*Comparar modelo
estimates store m5, title(Model 1)
regress lwage r1
estimates store m6, title(Model 2)
regress lwage educ exper tenure
. estout m6 m5, cells(b(star fmt(6)) se(par fmt(5))) legend label varlabels(_cons
constant) stats(N r2 df_r bic)

---------------------------------------------------Model 2
Model 1
b/se
b/se
---------------------------------------------------Residuals
0.074864***
(0.00664)
educ
0.074864***
(0.00651)
exper
0.015328***
(0.00337)
tenure
0.013375***
(0.00259)
constant
6.779004***
5.496696***
(0.01293)
(0.11053)
---------------------------------------------------N
935.000000
935.000000
r2
0.119923
0.155112
df_r
933.000000
931.000000
bic
929.512962
905.041179
---------------------------------------------------* p<0.05, ** p<0.01, *** p<0.001

*Ejercicio C3.6 wage2.cvs

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a

ejercicios de econometria\Base de datos wooldridge\wage2.csv ", comma clear
i.
. regress iq educ
. local sigma1=_b[educ]
. display `sigma1'
3.5338292

///se guarda el coeficiente deseado, de lo contrario se borra

ii.
. regress lwage educ
. local beta1=_b[educ]
. display `beta1'
.05983921

///se guarda el coeficiente deseado, de lo contrario se borra

iii.
. regress lwage educ iq
. display _b[educ] " y " _b[iq]
.0391199 y .00586313
iv.
. display `beta1' " = " _b[educ]+(`sigma1'*_b[iq])
.05983921 = .05983921

*Ejercicio C3.7 meap93.cvs

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a

ejercicios de econometria\Base de datos wooldridge\meap93.csv ", comma clear
i.
. regress math10 lexpend lnchprg
* math10: porcentaje de asistencia
* lnchprg: porcentaje de beneficiados programas de ayuda

. regress math10 lexpend lnchprg

Source |
SS
df
MS
-------------+-----------------------------Model | 8063.82349
2 4031.91175
Residual |
36753.357
405 90.7490296
-------------+-----------------------------Total | 44817.1805
407 110.115923

Number of obs
F( 2,
405)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

408
44.43
0.0000
0.1799
0.1759
9.5262

-----------------------------------------------------------------------------math10 |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------lexpend |
6.229683
2.972634
2.10
0.037
.3859641
12.0734
lnchprg | -.3045853
.0353574
-8.61
0.000
-.3740923
-.2350784
_cons | -20.36069
25.07287
-0.81
0.417
-69.64992
28.92853

-----------------------------------------------------------------------------ii.
. display _b[_cons]
25.388662
*No tendria sentido hacer ambas variables cero. Lnchprg si porque habran escuela donde
no exista el programa, pero en el caso de expend no tiene lgica considerar que exista
alguna escuela donde no se gaste nada.
iii.
*Modelo de actual
estimates store m3, title(Model 2)
regress math10 lexpend
*modelo del inciso 1
estimates store m4, title(Model 1)
regress math10 lexpend lnchprg
.estout m4 m3, cells(b(star fmt(1)) se(par fmt(2))) legend label varlabels(_cons
constant) stats(N r2 df_r)
---------------------------------------------------Model 1
Model 2
b/se
b/se
---------------------------------------------------lexpend
11.2***
6.2*
(3.17)
(2.97)
lnchprg
-0.3***
(0.04)
constant
-69.3**
-20.4
(26.53)
(25.07)
---------------------------------------------------N
408.0
408.0
r2
0.0
0.2
df_r
406.0
405.0
---------------------------------------------------* p<0.05, ** p<0.01, *** p<0.001
iv.
. correlate lexpend lnchprg
(obs=408)
| lexpend lnchprg
-------------+-----------------lexpend |
1.0000
lnchprg | -0.1927
1.0000
v.
*la correlacion entre las variables dependietes (-0.1927) y su efecto parcial de la
variable omitida (lnchprg) sobre la independiente math10, determinan la relacin del
sesgo, aunque no la magnitud, se puede saber que al ser ambos negativo el primer
coeficiente tenia un sesgo positivo.

*Ejercicio C3.8 discrim.cvs

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a

ejercicios de econometria\Base de datos wooldridge\discrim.csv ", comma clear
i.
. summ prpblck income
Variable |
Obs
Mean
Std. Dev.
Min
Max
-------------+-------------------------------------------------------prpblck |
409
.1134864
.1824165
0
.981658
income |
409
47053.78
13179.29
15919
136529
* prpblck : proporciones, en terminus decimals
ii.
regress psoda prpblck income
Source |

SS

df

MS

Number of obs =

401

-------------+-----------------------------Model | .202552138
2 .101276069
Residual | 2.95146501
398 .007415741
-------------+-----------------------------Total | 3.15401715
400 .007885043

F( 2,
398)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=

13.66
0.0000
0.0642
0.0595
.08611

-----------------------------------------------------------------------------psoda |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------prpblck |
.1149881
.0260006
4.42
0.000
.0638724
.1661039
income |
1.60e-06
3.62e-07
4.43
0.000
8.91e-07
2.31e-06
_cons |
.9563196
.018992
50.35
0.000
.9189824
.9936568
-----------------------------------------------------------------------------* prpblck= .1149881, indica un aumento del 11.5% en el precio de la bebida
iii.
estimates store m10, title(Model 1)
regress psoda prpblck income
estimates store m9, title(Model 2)
regress psoda prpblck
estout m9 m10, cells(b(star) se(par)) legend label varlabels(_cons constant) stats(N r2
df_r)
---------------------------------------------------Model 2
Model 1
b/se
b/se
---------------------------------------------------prpblck
.1149881***
.064926**
(0.03)
(0.02)
income
1.60e-06***
(0.00)
constant
.9563196***
1.037399***
(0.02)
(0.01)
---------------------------------------------------N
401.0
401.0
r2
0.0642
0.0181
df_r
398.0
399.0
---------------------------------------------------* p<0.05, ** p<0.01, *** p<0.001
iv.
. gen lpsoda=ln(psoda)
. gen lincome=ln(income)
estimates store m13, title(Model 1)
regress psoda prpblck lincome

Source |
SS
df
MS
-------------+-----------------------------Model |
.20904587
2 .104522935
Residual | 2.94497128
398 .007399425
-------------+-----------------------------Total | 3.15401715
400 .007885043

Number of obs
F( 2,
398)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

401
14.13
0.0000
0.0663
0.0616
.08602

-----------------------------------------------------------------------------psoda |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------prpblck |
.1258267
.0269747
4.66
0.000
.072796
.1788575
lincome |
.0788228
.0173892
4.53
0.000
.0446367
.1130089
_cons |
.1855322
.1879993
0.99
0.324
-.1840636
.5551279
-----------------------------------------------------------------------------. display 2*_b[prpblck]
.25165341

//a corregir

v.
estimates store m12, title(Model 2)
regress psoda prpblck lincome prppov

. estout m13 m12, cells(b(star fmt(3)) se(par fmt(2))) legend label varlabels(_cons
constant) stats(N r2 df_r)
---------------------------------------------------Model 1
Model 2
b/se
b/se
---------------------------------------------------prpblck
0.075*
0.126***
(0.03)
(0.03)
lincome
0.142***
0.079***
(0.03)
(0.02)
prppov
0.396**
(0.14)
constant
-0.512
0.186
(0.31)
(0.19)
---------------------------------------------------N
401.000
401.000
r2
0.085
0.066
df_r
397.000
398.000
---------------------------------------------------* p<0.05, ** p<0.01, *** p<0.001
*el efecto se reduce considerablemente
vi.
. correlate
(obs=409)

lincome prppov

| lincome
prppov
-------------+-----------------lincome |
1.0000
prppov | -0.8385
1.0000
vii.
*una correlacin perfecta podra inducir multicolinialidad pero no necesariamente una
fuerte correlacin entre las variables incita a eliminar una de las dos.

*Ejercicio C3.9 charity.cvs

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a

ejercicios de econometria\Base de datos wooldridge\charity.csv ", comma clear
i.
estimates store m16, title(Model Completo)
regress gift mailsyear giftlast propresp
estimates store m18, title(Model Simple)
regress gift mailsyear
estout m16 m18, cells(b(star fmt(4)) se(par fmt(4))) legend label varlabels(_cons
constant) stats(r2 df_r bic)
---------------------------------------------------Model Simple
Model Comp~o
b/se
b/se
---------------------------------------------------mailsyear
2.6495***
2.1663***
(0.3431)
(0.3319)
giftlast
0.0059***
(0.0014)
propresp
15.3586***
(0.8745)
constant
2.0141**
-4.5515***
(0.7395)
(0.8030)
---------------------------------------------------r2
0.0138
0.0834
df_r
4266.0000
4264.0000
bic
35219.9559
34924.4491
---------------------------------------------------* p<0.05, ** p<0.01, *** p<0.001
ii.
*trivial

iii.
*trivial
iv.
estimates store m20, title(Model compuesto2)
regress gift mailsyear giftlast propresp avggift
estout m16 m18 m20, cells(b(star fmt(4)) se(par fmt(4))) legend label varlabels(_cons
constant) stats(r2 df_r bic)
-------------------------------------------------------------------Model Simple
Model Comp~o
Model comp~2
b/se
b/se
b/se
-------------------------------------------------------------------mailsyear
2.6495***
2.1663***
1.2012***
(0.3431)
(0.3319)
(0.3124)
giftlast
0.0059***
-0.2609***
(0.0014)
(0.0108)
propresp
15.3586***
16.2046***
(0.8745)
(0.8175)
avggift
0.5269***
(0.0211)
constant
2.0141**
-4.5515***
-7.3278***
(0.7395)
(0.8030)
(0.7582)
-------------------------------------------------------------------r2
0.0138
0.0834
0.2005
df_r
4266.0000
4264.0000
4263.0000
bic
35219.9559
34924.4491
34349.0672
-------------------------------------------------------------------* p<0.05, ** p<0.01, *** p<0.001

Versin Borrador

Chapter 2 - The Simple Regression Model

El siguiente documento presenta el solucionario a los ejercicios de computadora
propuesto porWooldridge (2009) en el captulo 2 de su libro Introduccin a la
econometra, un enfoque moderno. Algunos de los comando ya fueron utilizados en
el captulo dos, sin embargo a partir del ejercicio 4 se muestra como realizar una
estimacin utilizando los valores directamente de la ecuacin, mediante
matrices. Adems se utilizan comandos para crear variables, mediante el
comando generate, para crear logaritmos de variables. Adems se utiliza el
comando for var para resumir un conjunto de solicitudes. Cualquier aclaracin sobre
un comando favor utilizar el comando de ayuda del programa.
El siguiente comando permite descargar las bases directamente de la red, sin necesidad de
transformarlas:
use http://fmwww.bc.edu/ec-p/data/wooldridge/vote1
canbiando al final el nombre de la base deseada
*Ejercicio C2.1 401K.cvs
insheet using "C:\Users\User\Desktop\Solucion a ejercicios de econometria\Base de datos wooldridge\401k.csv",
comma clear

Ejercicio c2.1 - i)
mean prate mrate

Ejercicio c2.1 - ii)

regress prate mrate

Ejercicio c2.1 - iii), es interpretar los resultados del cuadro anterior

Ejercicio c2.1 - iii) el valor que se predice es de 103.58923
ereturn list
matrix list e(b)
display 83.075455+(5.8610792*3.5)
Ejercicio c2.1 - iv) el valor que se predice es de 103.58923
display "en promedio las variaciones en mrate explican un " e(r2) " de las variaciones en prate"

*Ejercicio C2.2 ceosal2.cvs

insheet using "C:\Users\User\Desktop\Solucion a ejercicios de econometria\Base de datos wooldridge\ceosal2.csv",

comma clear

Ejercicio c2.2 - i)
mean salary comten
Ejercicio c2.2 ii)
a.
(no hay directivos que estn en su primer ao de servicio)
count if comten==0
b.
(el mximo es 58 aos de antigedad
La primera forma de hacerlo es solicitando una tabla con el estadstico, directamente.
tabstat comten, statistics(max )
Una forma alternativa es solicitando una serie de estadsticos, y luego solicitando los
escalares calculados para la variable y pidiendo el mximo guardado como un local
sum comten
return list
display r(max)
Ejercicio c2.2 - iii)
Stata no permite estimar la ecuacin directamente, como se hara en Eviews
gen log_salary = log( salary)
regress log_salary comten

Log(salary) = b_0 + b_1 * comten + u

Log(salary) = -0.0001 + 6.58 * comten + u

*Ejercicio C2.3 sleep75.cvs

insheet using "C:\Users\User\Desktop\Solucion a ejercicios de econometria\Base de datos
wooldridge\sleep75.csv", comma clear
Ejercicio c2.3 - i)
regress sleep totwrk

Ejercicio c2.3 - ii)

display 2*-.1507458
-.3014916

*Ejercicio C2.4 wage2.cvs

insheet using "C:\Users\User\Desktop\Solucion a ejercicios de econometria\Base de datos
wooldridge\wage2.csv", comma clear
regress wage iq

Ejercicio c2.4 - i)
ci wage iq

Ejercicio c2.4 - ii)

regress wage iq
ereturn list
matrix b = e(b)
matrix list b
disp b[1,2] + b[1,1]*15
display e(r2_a)
Ejercicio c2.4 - iii), es necesario estimar una semi elasticidad log-nivel
gen log_wage = log( wage)
regress lwage iq
matrix ln_b = e(b)
disp ln_b[1,2] + ln_b[1,1]*15

*Ejercicio C2.5 RDCHEM.cvs

Ejercicio c2.5 - i), un modelo que estima la elasticidad constante entre ambas variables es un
modelo
Log(rd) = f (log(sale))
Log(rd) = b_0 + b_1*log(sale) + u
Donde el parmetro b_1 representa la elasticidad de la funcin
Ejercicio c2.5 - ii),
insheet using "C:\Users\User\Desktop\Solucion a ejercicios de econometria\Base de datos
wooldridge\rdchem.csv", comma clear

for var rd- profmarg: gen X_ln=log(X)

regress rd_ln sales_ln
matrix c = e(b)

*Ejercicio C2.6 meap93.cvs

insheet using "C:\Users\User\Desktop\Solucion a ejercicios de econometria\Base de datos wooldridge\meap93.csv", comma

clear

Ejercicio c2.6 - i), es mas probable que el rendimiento del gasto se reduzca en la medida que
este se hace mas grande
Ejercicio c2.6 - iii),
regress math10 lexpend

Ejercicio c2.6 - iv),

matrix b = e(b)
matrix list b

disp b[1,2] + b[1,1]*10

*Ejercicio C2.7 CHARITY.cvs

insheet using "C:\Users\User\Desktop\Solucion a ejercicios de econometria\Base de datos wooldridge\charity.csv", comma
clear

Ejercicio c2.7 - i),

a.
Media considerada
mean gift
* 7.44447
b.
Cuantas personas no dieron donativos
tab gift
2,561, el 60%

Ejercicio c2.7 - ii),

sum mailsyear
Ejercicio c2.7 - iii),
regress gift mailsyear

Ejercicio c2.7 - v), menor donativo

sum gift

Final del Inning

Chapter 4 - Multiple Regression Analysis: Inference

*Ejercicio C4.1 vote1.cvs

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a

ejercicios de econometria\Base de datos wooldridge\vote1.csv ", comma clear
i.
*un cambio en una unidad porcentual en el gasto incide en B1 en el cambio del porcentaje
de votos obtenidos.
ii.
*H0; _b[expendA]=1
iii.
. gen lexpenda=ln( expenda)
. regress votea lexpenda lexpendb prtystra
Source |
SS
df
MS
-------------+-----------------------------Model | 38402.1673
3 12800.7224
Residual | 10055.0813
169 59.4975224
-------------+-----------------------------Total | 48457.2486
172 281.728189

Number of obs
F( 3,
169)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

173
215.15
0.0000
0.7925
0.7888
7.7135

-----------------------------------------------------------------------------votea |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------lexpenda |
6.081334
.3821187
15.91
0.000
5.326994
6.835675
lexpendb | -6.615268
.3788756
-17.46
0.000
-7.363206
-5.867329
prtystra |
.1520142
.0620267
2.45
0.015
.0295674
.2744611
_cons |
45.08597
3.92679
11.48
0.000
37.33409
52.83785
-----------------------------------------------------------------------------*3.1. Si afecta. (P>|t|=0.000, por tanto
*3.2. Si afecta. (P>|t|=0.000, por tanto
*3.3. No, no se puede usar, es necesario
estadstico t, el que el software testea
cero, en este caso sera igual a 1.

se rechaza la H0; B=0)

se rechaza la H0; B=0)
modificar la forma en como se ha construido el
por default es con un valor terico igual a

iv.
. scalar tvalue=(_b[lexpenda]-1)/_se[lexpenda]
. scalar pvalue=ttail(169, tvalue)
. display "T-value: " tvalue ", P-value: " pvalue

T-value: 13.297791, P-value: 2.249e-28

*Ejercicio C4.2 lawsch85.cvs

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a

ejercicios de econometria\Base de datos wooldridge\lawsch85.csv ", comma clear
i.
. gen lsalary=ln(salary)
. gen lcost=ln(cost)
. gen llibvol=ln( libvol)
. regress lsalary lsat gpa llibvol lcost rank
Source |
SS
df
MS
-------------+-----------------------------Model | 8.73362207
5 1.74672441
Residual | 1.64272974
130 .012636383
-------------+-----------------------------Total | 10.3763518
135 .076861865

Number of obs
F( 5,
130)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

136
138.23
0.0000
0.8417
0.8356
.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
-----------------------------------------------------------------------------*siendo el t=-9.54 y como se puede usar la tabla de la normal (95% signifiancia=-1.645),
por tanto cae en la regin de rechazo y se rechaza ho (P>|t| tambin muestra evidencia
en contra de h0).
ii.
*Individualmente: gpa es significativa (t=0.007), sin embargo lsat no (t=0.244)
*de manera conjunta lo podemos testear con la prueba F, comparando el modelo anterior
con uno donde se omitan estas dos variables.
estimates store mz24, title(Model No_Rest)
regress lsalary lsat gpa llibvol lcost rank
estimates store mz26, title(Model Rest)
regress lsalary llibvol lcost rank
estout mz26 mz24, cells(b(star fmt(3)) se(par fmt(3))) legend label varlabels(_cons
constant) stats(N r2 rss)title(Models of votes)
Models of votes
---------------------------------------------------Model Rest
Model No_R~t
b/se
b/se
---------------------------------------------------LSAT
0.005
(0.004)
GPA
0.248**
(0.090)
llibvol
0.095**
0.129***
(0.033)
(0.033)
lcost
0.038
0.027
(0.032)
(0.030)
rank
-0.003***
-0.004***
(0.000)
(0.000)
constant
8.343***
9.880***
(0.533)
(0.343)
---------------------------------------------------N
136.000
141.000
r2
0.842
0.822
rss
1.643
1.909
---------------------------------------------------* p<0.05, ** p<0.01, *** p<0.001

. scalar F=((1.909-1.643)/2)/(1.643/(136-5-1))

. display F
10.523433

. display invF(2,130,.95)
3.0658391
*por tanto, F, rechaza que ambas en conjunto sean no significativas
iii. *Coregir el modelo 3, no considera valores perdidos
eststo clear
estimates store mz24, title(Model No_Rest)
regress lsalary lsat gpa llibvol lcost rank
estimates store mz26, title(Model Rest)
regress lsalary llibvol lcost rank
estimates store mlo27, title(Model No_Rest2)
regress lsalary lsat gpa llibvol lcost rank clsize faculty
estout mlo27 mz26 mz24, cells(b(star fmt(3)) se(par fmt(3))) legend label
varlabels(_cons constant) stats(N r2 rss) title(Models of votes3)

Models of votes3
-------------------------------------------------------------------Model No_R~2
Model Rest
Model No_R~t
b/se
b/se
b/se
-------------------------------------------------------------------llibvol
0.129***
0.095**
0.055
(0.033)
(0.033)
(0.040)
lcost
0.027
0.038
0.030
(0.030)
(0.032)
(0.035)
rank
-0.004***
-0.003***
-0.003***
(0.000)
(0.000)
(0.000)
LSAT
0.005
0.006
(0.004)
(0.004)
GPA
0.248**
0.266**
(0.090)
(0.093)
clsize
0.000
(0.000)
faculty
0.000
(0.000)
constant
9.880***
8.343***
8.416***
(0.343)
(0.533)
(0.552)
-------------------------------------------------------------------N
141.000
136.000
131.000
r2
0.822
0.842
0.844
rss
1.909
1.643
1.573
-------------------------------------------------------------------* p<0.05, ** p<0.01, *** p<0.001

*Ejercicio C4.3 hprice1.cvs

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a
ejercicios de econometria\Base de datos wooldridge\hprice1.csv ", comma clear
i.
. regress lprice sqrft bdrms
Source |
SS
df
MS
-------------+-----------------------------Model | 4.71671294
2 2.35835647
Residual | 3.30088996
85 .038833999
-------------+-----------------------------Total |
8.0176029
87 .092156355

Number of obs
F( 2,
85)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

88
60.73
0.0000
0.5883
0.5786
.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
-.0300544
.0878231

_cons |
4.766028
.0970445
49.11
0.000
4.573077
4.958978
-----------------------------------------------------------------------------scalar theta1=(150*_b[sqrft])+_b[bdrms]
. display theta1
.08580125
ii.
* _b[bdrms]=theta1-(150*_b[sqrft]) *********

*Ejercicio C4.4 bwght.cvs

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a

ejercicios de econometria\Base de datos wooldridge\bwght.csv ", comma clear
eststo clear
estimates store mz1, title(Model No_Rest)
regress bwght cigs parity faminc motheduc fatheduc
estimates store mz2, title(Model Rest)
regress bwght cigs parity faminc
estout mz1 mz2, cells(b(star fmt(3)) se(par fmt(3))) legend label varlabels(_cons
constant) stats(N r2 rss) title(Models. Education de los padres y el peso al nacer)

Models. Education de los padres y el peso al nacer

---------------------------------------------------Model No_R~t
Model Rest
b/se
b/se
---------------------------------------------------cigs
-0.477***
-0.596***
(0.092)
(0.110)
parity
1.616**
1.788**
(0.604)
(0.659)
faminc
0.098***
0.056
(0.029)
(0.037)
motheduc
-0.370
(0.320)
fatheduc
0.472
(0.283)
constant
114.214***
114.524***
(1.469)
(3.728)
---------------------------------------------------N
1388.000
1191.000
r2
0.035
0.039
rss
554615.199
464041.135
---------------------------------------------------* p<0.05, ** p<0.01, *** p<0.001

*Ejercicio C4.4 mlb1.cvs

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a

ejercicios de econometria\Base de datos wooldridge\mlb1.csv ", comma clear
eststo clear
estimates store mz3, title(Model 1)
regress lsalary years gamesyr bavg hrunsyr rbisyr
estimates store mz4, title(Model 2)
regress lsalary years gamesyr bavg hrunsyr
estout mz3 mz4, cells(b(star fmt(3)) p se(par fmt(3))) legend label varlabels(_cons
constant) stats(N r2 rss) title(Models. Salirio de las grandes ligas)
Models. Salirio de las grandes ligas
---------------------------------------------------Model 1
Model 2
b/p/se
b/p/se
---------------------------------------------------years
0.068***
0.069***
0.000
0.000
(0.012)
(0.012)

gamesyr

0.016***
0.000
(0.002)
0.001
0.184
(0.001)
0.036***
0.000
(0.007)

0.013***
0.000
(0.003)
bavg
0.001
0.376
(0.001)
hrunsyr
0.014
0.369
(0.016)
rbisyr
0.011
0.134
(0.007)
constant
11.021***
11.192***
0.000
0.000
(0.266)
(0.289)
---------------------------------------------------N
353.000
353.000
r2
0.625
0.628
rss
184.375
183.186
---------------------------------------------------*pasa a ser significativo a no. Y la magnitud del coeficiente se reduce.
iii.

estimates store mzl5, title(Model 3)

regress lsalary years gamesyr bavg hrunsyr runsyr fldperc sbasesyr
estout mz4 mz3 mzl5, cells(b(star fmt(3)) p se(par fmt(3))) legend label varlabels(_cons
constant) stats(N r2 rss) title(Models. Salirio de las grandes ligas)

Models. Salirio de las grandes ligas

-------------------------------------------------------------------Model 2
Model 1
Model 3
b/p/se
b/p/se
b/p/se
-------------------------------------------------------------------years
0.069***
0.068***
0.070***
0.000
0.000
0.000
(0.012)
(0.012)
(0.012)
gamesyr
0.013***
0.016***
0.008**
0.000
0.000
0.003
(0.003)
(0.002)
(0.003)
bavg
0.001
0.001
0.001
0.376
0.184
0.632
(0.001)
(0.001)
(0.001)
hrunsyr
0.014
0.036***
0.023**
0.369
0.000
0.008
(0.016)
(0.007)
(0.009)
rbisyr
0.011
0.134
(0.007)
runsyr
0.017***
0.001
(0.005)
fldperc
0.001
0.606
(0.002)
sbasesyr
-0.006
0.216
(0.005)
constant
11.192***
11.021***
10.408***
0.000
0.000
0.000
(0.289)
(0.266)
(2.003)
-------------------------------------------------------------------N
353.000
353.000
353.000
r2
0.628
0.625
0.639
rss
183.186
184.375
177.665
-------------------------------------------------------------------* p<0.05, ** p<0.01, *** p<0.001
*individualmente solo runsyr es significativo

iii.
para la significancia conjunta se necesita la prueba F, entre los dos ultimos modelos.

*Ejercicio C4.6 wage2.cvs

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a

ejercicios de econometria\Base de datos wooldridge\wage2.csv ", comma clear
i.
. regress lwage educ exper tenure
. *H0; _b[exper] = _b[tenure]
. testparm exper tenure, equal
( 1)

- exper + tenure = 0
F(

1,
931) =
Prob > F =

0.17
0.6805

. test exper =tenure

( 1)

exper - tenure = 0
F(

1,
931) =
Prob > F =

0.17
0.6805

*Ejercicio C4.7 twoyear.cvs

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a

ejercicios de econometria\Base de datos wooldridge\twoyear.csv ", comma clear
i.
. summ phsrank
Variable |
Obs
Mean
Std. Dev.
Min
Max
-------------+-------------------------------------------------------phsrank |
6763
56.15703
24.27296
0
99

ii.
. regress

lwage jc totcoll exper phsrank

Source |
SS
df
MS
-------------+-----------------------------Model | 358.050584
4
89.512646
Residual | 1250.24551 6758 .185002295
-------------+-----------------------------Total | 1608.29609 6762 .237843255

Number of obs
F( 4, 6758)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

6763
483.85
0.0000
0.2226
0.2222
.43012

-----------------------------------------------------------------------------lwage |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------jc | -.0093108
.0069693
-1.34
0.182
-.0229728
.0043512
totcoll |
.0754757
.0025588
29.50
0.000
.0704595
.0804918
exper |
.0049396
.0001575
31.36
0.000
.0046308
.0052483
phsrank |
.0003032
.0002389
1.27
0.204
-.0001651
.0007716
_cons |
1.458747
.0236211
61.76
0.000
1.412442
1.505052
-----------------------------------------------------------------------------. display _b[phsrank]*10
.00303232
iii.
eststo clear
estimates store mzl3, title(Model 1)
regress lwage jc totcoll exper

estimates store mzl4, title(Model 2)

regress lwage jc totcoll exper phsrank
estout mzl3 mzl4, cells(b(star fmt(3)) p se(par fmt(3))) legend label varlabels(_cons
constant) stats(N r2 rss) title(Models. Salario y bachillerato)
Models. Salario y bachillerato
---------------------------------------------------Model 1
Model 2
b/p/se
b/p/se
---------------------------------------------------jc
-0.009
-0.010
0.182
0.142
(0.007)
(0.007)
totcoll
0.075***
0.077***
0.000
0.000
(0.003)
(0.002)
exper
0.005***
0.005***
0.000
0.000
(0.000)
(0.000)
phsrank
0.000
0.204
(0.000)
constant
1.459***
1.472***
0.000
0.000
(0.024)
(0.021)
---------------------------------------------------N
6763.000
6763.000
r2
0.223
0.222
rss
1250.246
1250.544
---------------------------------------------------* p<0.05, ** p<0.01, *** p<0.001