Ingeniería Comercial

Econometría I
COM – 05223

Práctica Nº 4

4.1 En el modelo de regresión simple bajo RLM.1 a RLM.4, se argumentó que el

estimador de pendiente, 1, es consistente para β1. Empleando 0 = - 11, muestre que 0
= β0. [Es necesario emplear la consistencia de 1 y la ley de los grandes números,
junto con el hecho de que β0 = E(y) - β1E(x1).]

4.2 Suponga que el modelo

pctstck = β0 + β1 funds + β2risktol + u
satisface los primeros cuatro supuestos de Gauss-Markov, donde pctstck es el
porcentaje de la pensión de un trabajador invertida en el mercado de valores, funds
de la cantidad de fondos mutualistas de donde el trabajador puede elegir y risktol
es una medida de la tolerancia al riesgo (risktol grande significa que la persona
tiene una alta tolerancia al riesgo). Si funds y risktol están correlacionadas
positivamente, ¿cuál es la inconsistencia en 1, el coeficiente de pendiente en la
regresión simple de pctstck sobre funds?

4.3 La base de datos SMOKE.WF1 contiene información sobre la conducta como

fumadores y otras variables de los adultos solteros estadounidenses en una
muestra aleatoria. La variable cigs es la cantidad (promedio) de cigarros fumados
por día. ¿Piensa que la variable cigs tiene una distribución normal en la población
de estadounidenses adultos? Explique.

E J E R C I C I O S E N COM P U TADOR A
4.4 Para este ejercicio emplee los datos del archivo WAGE1.WF1.
i) Estime la ecuación: wage = β0 + β1educ + β2exper + β3tenure + u. Guarde los
residuales y trace un histograma.
ii) Repita el inciso i), pero empleando como variable dependiente log(wage).
iii) ¿Diría usted que el supuesto RLM.6 está más cerca de ser satisfecho en el
modelo nivel nivel o en el modelo log-nivel?
4.5 Para este ejercicio emplee los datos del archivo GPA2.WF1.
i) Empleando las 4,137 observaciones estime la ecuación colgpa = β0 + β1hsperc +
β2sat + u y de los resultados en la forma estándar.
ii) Empleando las primeras 2,070 observaciones estime de nuevo la ecuación del
inciso i). ¿Cuál parece tener una distribución más normal?
iii) Determine el cociente de los errores estándar obtenidos en los incisos i)y ii) para
hsperc.
4.6 Existen varios estadísticos que son comúnmente empleados para detectar la falta
de normalidad en las distribuciones poblacionales subyacentes. Aquí se estudiara
uno de estos estadísticos que mide el sesgo de una distribución. Recuerde que
todas las variables aleatorias distribuidas normalmente son simétricas respecto a
su media; por tanto, si una variable aleatoria distribuida de manera simétrica se
estandariza, por ejemplo z = (y - μy)/σy, donde μy = E(y) y σy= de(y), entonces z tiene
media cero, varianza uno y E(z3) = 0. Dada una muestra de datos {yi : i = 1, ..., n}, los
valores yi en la muestra pueden estandarizarse mediante zi = (yi - y)/ y, donde y es la
 media muestral y es la desviación estándar muestral. (Se ignora el hecho de que
estas sean estimaciones basadas en la muestra.) Un estadístico muestral que mide
la asimetría es n−1 , o aquel en el que en lugar de n se emplea (n - 1) como ajuste
para los grados de libertad. Si y tiene una distribución normal en la población, la
asimetría medida en los valores estandarizados de la muestra no debe ser
significativamente diferente de cero.
i) Emplee primero la base de datos 401KSUBS.WF1. Determine la asimetría de
inc. Haga lo mismo con log(inc). ¿Qué variable tiene más asimetría y, por
tanto, parece ser menos probable que este distribuida normalmente?
ii) A continuación emplee BWGHT2.WF1. Determine la asimetría de bwght y de
log(bwght). ¿Qué concluye?
iii) Evalúe la afirmación siguiente: “La transformación logarítmica siempre hace
que una variable positiva parezca estar distribuida más normalmente”.
iv) Si en el contexto de la regresión interesa el supuesto de normalidad, ¿se
deben evaluar las distribuciones no condicionales de y y de log(y)? Explique.

Guías para las soluciones

1. Las propiedades plím se pueden observar en el apéndice C de Wooldridge.

Partimos de y = β0 + β1x1 + u, luego aplicamos esperanza, plim y la ley de los
grandes números para concluir que plim(1)= β1
plim~1  1   2 , donde   Cov x1 , x2  Var  x1 
2. En la diap 7. Hemos deducido:
δ>0, (¿porque?).
3. i)
120
Series: U
Sample 1 526
100
Observations 526

80 Mean 3.49e-
Median -0.627
Maximum 14.653
60 Minimum -7.606
Std. Dev. 3.0756
40
Skewness 1.5548
Kurtosis 7.4749

20 Jarque-Bera 650.80
Probability 0.0000
0

ii)
70
Series: LU
60 Sample 1 526
Observations 526
50
Mean 6.25e
Median -0.032
40 Maximum 1.428
Minimum -2.058
30 Std. Dev. 0.439
Skewness 0.021
20 Kurtosis 3.976

Jarque-Bera 20.94
10
Probability 0.000
0

4.5 i) = 1.392 – 0.01352 hsperc + 0.00148 sat

(0.072) (0.00055) (0.00007)
n = 4,137, R2 = 0.273.

ii) = 1.436 – 0.01275 hsperc + 0.00147 sat

(0.072) (0.00072) (0.00009)
n = 2,070, R2 = 0.283.
El cociente del error estandar usando 2,070 observaciones y usando 4,137 observaciones es
1.31. (De la ecuación 5.10, de Wooldridge) calculamos  1.41, que es un poco mayor al
cociente de los errores estándar.