Omar Fernando Granados Ramirez Tarea 2

Ejercicio1.

Problema1.
Tenemos 2 indicadores para la bondad de ajuste:

ESS n−1
R2 = y R̄2 = 1 − (1 − R 2)

TSS n−k
un buen indicador para comparar la bondad de ajuste de las 4 regresiones
correspondería a R̄2 , puesto que recordemos que R 2 se “infla” ante la inclusión de
mas variables, entonces su confiabilidad baja. Con R̄2 no sucede este efecto.

Problema 2.
Calculando y comparando la bondad de ajuste. Vamos a calcular R 2 y R̄2:

Caso 1.
RSS 698.894
R12 = 1 − =1− = 0.22824

TSS 905.589
n−1 3285 − 1
R̄21 = 1 − (1 − R 2) = 1 − (1 − 0.22824) = 0.2257

n−k 3286 − 12
Caso 2.
700.839
R22 = 1 − = 0.226

905.589
3286 − 1
R̄22 = 1 − (1 − 0.226) = 0.2241

3286 − 9
Caso 3.
701.744
R32 = 1 − = 0.225

905.589
3286 − 1
R̄23 = 1 − (1 − 0.225) = 0.2236

3286 − 7
Caso 4.
713.442
R42 = 1 − = 0.2121

905.589
3286 − 1
R̄24 = 1 − (1 − 0.2121) = 0.2108

3286 − 6
Comparando:

R12 > R22 > R32 > R42

R̄21 > R̄22 > R̄23 > R̄24

Econometria 1 de 10 Tarea 2
Entonces, quien se ajusta mejor es la regresión 1 y quien se ajusta peor es la regresión
4.

Problema 3.
Usando regresión 3. Las hipótesis nula y alternativa serian del tipo:

Ho : β7 = 0 Ha : β7 ≠ 0


Calculando estadístico correspondiente:

b7 − β70 0.1709
t= = = 7.39

s . e . (b7) 0.02311
Calculamos el t critico:

tcrit α = 5 ,3274gl = 1.961

Con P value:


P = ℙ(t > 7.39) ≂ 0.0005

Entonces, para t critico y el P value tendremos:

t > tcrit ⇒ Rechazo H0

P < α ⇒ Rechazo H0

Esto implica que β7 tiene valor significativo, por lo que rechazamos la prueba de
hipótesis nula.

Problema 4.
Restricciones de regreso 2 contra regresión 1:

β8 = β10 = β12 = 0

Lo que hace similar a estos elementos es que los 3 conllevan la variable dummy UN
que se relaciona a la vez con la variable de educación ED. Las restricciones nos dirían
que no existe ninguna relación entre estas variables y/o que la relación entre éstas no
es importante para determinar ln(Wi ). Las pruebas de hipótesis son del tipo:

ℋ0 : β8 = β10 = β12 = 0

ℋa : β8 ≠ 0 β10 ≠ 0 β12 ≠ 0

Calculamos el estadístico F con m = 3:

RSSR − RSSNR /m (700.839 − 698.894)/3

F= = = 3.0379

RSSNR /(n − k) 698.894/(3286 − 12)

Econometria 2 de 10 Tarea 2
Y el valor de Fcrit con α = 5 % :

Fcrit, 5 ,3,3274gl = 2.68

2
Al revisar la regla de decision tendremos que:

F > Fcrit Rechazamos ℋ0

Entonces ante el rechazo de la hipótesis, nos queda claro que si importa la relación
entre la educación y la sindicalización.

Valor de Fcrit con α = 1 % :

Fcrit, 1 ,3,3274gl = 3.95

2
Revisando la regla de decision:

Fcrit > F No Rechazamos ℋ0

Ante un valor de significancia de 1% la hipótesis nula no se rechaza. Sin embargo, la

regresión a elegir es la #1 puesto que en ésta, no estamos omitiendo variables
relevantes.

Problema 5.
Repitiendo problema anterior pero con casos 1 y 3. Restricciones de 3 contra 1:

β8 = β9 = β10 = β11 = β12 = 0

Lo que hace similares es que conllevan una relación de sindicalización contra los años
de experiencia y educación, entonces la regresión 3 nos dice que no existe relación
alguna y/o que no es significativa para explicar ln(Wi ) . Las pruebas de hipótesis son
del tipo:

ℋ0 : β8 = β9 = β10 = β11 = β12 = 0

ℋa : β8 ≠ 0 β9 ≠ 0 β10 ≠ 0 β11 ≠ 0 β12 ≠ 0

Calculando estadístico F con m = 5:

(701.744 − 698.894)/5
F= = 2.671

698.894/(3286 − 12)
Revisando el valor de F critico con nivel de significancia de 5%:

Fcrit, 5 ,5,3274gl = 2.29

2
Ante la regla de decision:

F > Fcrit ⇒ Rechazamos ℋ0

Con el P value tendríamos que:

P = ℙ(F > 2.67) ≂ 0.05

en la tabla P para F tenemos de manera precisa que:

P = ℙ(F > 2.22) = 0.05

Esto implica que el P value para 2.67 es ligeramente menor a 5%, donde al tomar la
regla de decisión tendremos:

P < α = 5 % ⇒ Rechazamos ℋ0

Econometria 3 de 10 Tarea 2
El rechazo de la hipótesis nos indica que la regresión 3 estaría desestimando variables
que tienen grado de significancia, las betas de la 8 a la 12 son significativas.

Pruebas con nivel de significancia de 1%.

Valor de F con α = 1 % :

Fcrit, 1 ,5,3274 = 3.17

2
y con la regla de decisión:

F < Fcrit ⇒ No rechazo ℋ0

Nuestra hipótesis nula no se rechaza, sin embargo, elegimos la regresión 1 porque no

omite variables significativas.

Repitiendo ejercicio anterior pero con casos 1 y 4. Restricciones de 4 contra 1:

β7 = β8 = β9 = β10 = β11 = β12 = 0

De acuerdo al modelo, esto significa que ser sindicalizado o no, no es significativo

para explicar ln Wi. Las pruebas de hipótesis son del tipo:

ℋ0 : β7 = β8 = β9 = β10 = β11 = β12 = 0

ℋa : β7 ≠ 0 β8 ≠ 0 β9 ≠ 0 β10 ≠ 0 β11 ≠ 0 β12 ≠ 0

Calculando estadístico F con m = 6:

(713.442 − 698.894)/6
F= = 11.3617

698.894/(3274)
Inicialmente podemos observar que F es alto. Revisando el valor de F critico con
α = 5 % :

Fcrit, 5 ,6,3274 = 2.18

2
con la regla de decisión tendremos que:

F > Fcrit ⇒ Rechazamos ℋ0

Si cambiamos el nivel de significancia a 1%:

Fcrit, 1 ,6,3274 = 2.96

2
con la regla de decisión tendremos que:

F > Fcrit ⇒ Rechazamos ℋ0

Para ambos casos rechazamos la hipótesis nula, entonces la variable de

sindicalización (variable dummy) tiene importancia donde su relación con años de
experiencia y educación logran tener un nivel de significancia importante. Las pruebas
nos indican esto ultimo.

Problema 6.
Efecto marginal de educación sobre ln(Wi ), esto es una derivada del tipo:

δ ln(Wi )
=0 ⇒ β2 + 2β4 EDi + β6 Expi + β8 + 2β10 EDi + β12 Expi = 0

δEDi
Esta ecuación corresponde cuando revisamos a las mujeres sindicalizadas (UN=1),
para el caso de mujeres no sindicalizadas (UN=0) tendremos que:

Econometria 4 de 10 Tarea 2
 δ ln(Wi )
=0 ⇒ β2 + 2β4 EDi + β6 Expi = 0

δEDi
Si evaluamos la proposición del problema para esta ultima ecuación, tendremos que
las restricciones y consecuentemente las pruebas de hipótesis correspondientes son:

ℋ0 : β2 = β4 = β6 = 0 ℋa : β2 ≠ 0 β4 ≠ 0 β6 ≠ 0

Calculamos el estadístico F con m = 2:

(836.832 − 698.894)/3
F= = 215.459

698.894/(3286 − 12)
El valor de F es severamente alto, desde este punto podemos intuir varias cosas. Al
revisar el valor de F critico para un nivel de significancia de 5% y 1%:

Fcrit, 5 ,3,3274 = 2.68

2
Fcrit, 1 ,3,3274 = 3.95

2
Es muy claro que F es muchísimo mas alto que los F críticos, por lo que rechazamos la
hipótesis nula.

Problema 7.
Calculando el efecto marginal de ED sobre las empleadas sindicalizadas. De antes
sabemos que corresponde a:

δ ln(Wi )
=0 ⇒ β2 + 2β4 EDi + β6 Expi + β8 + 2β10 EDi + β12 Expi = 0

δEDi
Si reagrupamos en términos semejantes:


β2 + 2EDi(β4 + β10) + Expi(β6 + β12) + β8 = 0


Notemos que β2 y β8 son constantes y que se pueden sumar para una única constante.
Al evaluar la
proposición del problema, tendremos que las restricciones y de manera consecuente
las hipótesis son:

ℋ0 : β4 + β10 = β6 + β12 = β2 + β8 = 0

ℋa : β4 + β10 ≠ 0 β6 + β12 ≠ 0 β2 + β8 ≠ 0

Calculando el estadístico F con m = 2:

(722.988 − 698.894)/3
F= = 37.635

698.894/(3286 − 12)
Recordando el valor de F critica con valores de 5% y 1% teníamos:

Fcrit, 5 ,3,3274 = 2.68

2
Fcrit, 1 ,3,3274 = 3.95

2
donde es fácil decir que rechazamos la hipótesis nula puesto que F es mucho mas
grande.

Econometria 5 de 10 Tarea 2
Ejercicio 2.

Problema 1.
Uno de los problemas de la multicolinealidad es signos cambiados, y en este caso K
tiene signo negativo lo que contradice la teoría económica (ver siguiente problema),
desde este punto podemos notar multicolinealidad. Tenemos un R 2 muy elevado y
esto también puede conllevar al problema mencionado. Para comprobar
multicolinealidad podemos realizar una prueba VIF recordando que se debe hacer un
VIF por cada auxiliar (esto para evitar problemas de interpretación).

También puedo realizar prueba F y de resultar muy alta, seria prueba de

multicolinealidad.

Problema 2.
La forma funcional de la ecuación corresponde a una función de producción del tipo
Coubb-Douglas en forma logarítmica. De acuerdo a la teoría económica tanto L como
K deben tener signo positivo, esto es coherente dado que no se puede producir con
capital negativo (que es como tenemos el signo de K para este caso). Un problema
importante aqui es el efecto producido por la multicolinealidad antes mencionada.

Problema 3.
Notemos que el modelo del cual se realizo la estimación se puede escribir como:

ln(Y ) = ln(β1) + β2 ln(K ) + β3 ln(L) + ln(e β4t )

Si aplicamos leyes algebraicas para logaritmos y después multiplicamos todo el

modelos por e:

Y = β1K β2 L β3e β4t = β1e β4t K β2 L β3

más un error claro. Si nos percatamos, podemos notar que es la forma funcional de la
Coubb-Douglas antes mencionada.

Problema 4
Podemos tomar a t como un elemento de A (siguiendo la forma funcional de la Coubb-
Douglas). Como vimos en el problema anterior, solo podemos notar que:

Y = β1e β4t K β2 L β3

⏟
A
recordemos que A es el progreso técnico.

Problema 5
La lógica que sigue es que corresponde a la forma funcional per-capita, recordemos
que dicha ecuación es del tipo:

Econometria 6 de 10 Tarea 2
 Y
= AK α L β−1

L
donde para pasar de la forma de producción a la per-capita requerimos que β = 1.

Problema 6
No se resuelve dado que la regresión 2 tiene un “ajuste” de la regresión 1. Ademas
seguimos “arrastrando” el signo negativo para K, que como mencionamos antes,
indica un problema de multicolinealidad (signos cambiados).

Problema 7
Lo que se realiza es tomar la primera estimación y después dividir sobre L (es el
procedimiento para obtener la versión de producción per-capita.

Problema 8
No se pueden comparar las R 2 de las dos regresiones porque ambas tienen diferente
forma y ante eso, miden algo distinto.

Ejercicio 3

Vamos a omitir x4 en la estimación, en este sentido tendremos a b1, b2, b3 como los
estimadores y queremos calcular el valor esperado de b1. Al omitir x4 tendremos que el
modelo estará de la siguiente forma:

yi = β1 + β2 x2i + β3 x3i + ui

y la y estimada sería de la forma:

ŷ = b1 + b2 x2 + b3 x3

entonces, la forma del RSS a minimizar será:

(yi − b1 − b2 x2 − b3 x3)2

b1,b2,b3 ∑
min
al realizar las condiciones necesarias de primer orden tendremos que:

δRSS
∑
=0 ⇒ −2 (yi − b1 − b2 x2 − b3 x3) = 0

δb1
δRSS
∑
=0 ⇒ −2 (yi − b1 − b2 x2 − b3 x3)(−x2) = 0

δb2
δRSS
∑
=0 ⇒ −2 (yi − b1 − b2 x2 − b3 x3)(−x3) = 0

δb3
Realizando álgebra sencilla para la primera derivada podemos encontrar que:

b1 = ȳ − b2 x̄2 − b3 x̄3

si calculamos su valor esperado:

𝔼[b1] = 𝔼[ ȳ − b2 x̄2 − b3 x̄3] = ȳ − 𝔼[b2]x̄2 − 𝔼[b3]x̄3

Econometria 7 de 10 Tarea 2
para conocer el valor esperado solicitado, requerimos conocer el valor esperado de los
otros dos estimadores, entonces, calculando de las ecuaciones normales de la
regresión para b2 y b3:

∑ ∑
−2 (yi − b1 − b2 x2 − b3 x3)(−x2) = (yi − b1 − b2 x2 − b3 x3)(x2)

x22 − b3 x22 − b3
∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑
x2 yi − b1 x2 − b2 x 2 x3 = x2 yi − [ ȳ − b2 x̄2 − b3 x̄3] x2 − b2 x2 x3

∑ ∑ ∑ 2 3
x2(yi − ȳ) − b2 x2(x2 − x̄2) − b3 x (x − x̄3) = 0

∑ x2(yi − ȳ) − b3 ∑ x2(x3 − x̄3)

b2 =

∑ x2(x2 − x̄2)
Para facilitar la forma de b2, notemos que si tenemos ecuaciones de la forma:

∑ i i
A (B − B̄)

podemos reescribirlo como:

∑ ∑ ∑ ∑
Ai Bi − Ai B̄ = Ai Bi − B̄ Ai

y al dividir entre n tendremos:

1
n∑ i i
A B − Ā B̄ = cov(A, B)

entonces, al aplicar estos ajustes a b2:

cov(x2, y) − b3cov(x2, x3)

b2 =

var(x2)
y por simetria tendremos que:

cov(x3, y) − b2cov(x2, x3)

b3 =

var(x3)
si incluimos b3 en b2:

cov(x 3, y) − b2 cov(x 2, x 3)
cov(x2, y) − var(x3)
cov(x2, x3)
b2 =

var(x2)
cov(x 3, y)cov(x 2, x 3) − b2[cov(x 2, x 3)]2
cov(x2, y) − var(x3)
b2 =

var(x2)

cov(x2, y)var(x3) − cov(x3, y)cov(x2, x3) + b2[cov(x2, x3)]2

b2 =

var(x2)var(x3)

Econometria 8 de 10 Tarea 2
 cov(x2, y)var(x3) − cov(x3, y)cov(x2, x3)
b2 =

var(x2)var(x3) − [cov(x2, x3)]2

y por simetria para b3:

cov(x3, y)var(x2) − cov(x2, y)cov(x2, x3)

b3 =

var(x2)var(x3) − [cov(x2, x3)]2

Para calcular el valor de estos estimadores, debemos reemplazar el valor de y pero

con el modelo verdadero, esto es, donde no se está omitiendo x4:

cov(x2, β1 + β2 x2 + β3 x3 + β4 x4 + u)var(x3) − cov(x3, β1 + β2 x2 + β3 x3 + β4 x4 + u)cov(x2, x3)

b2 =

var(x2)var(x3) − [cov(x2, x3)]2

dada la longitud en la cual se desarrolla el numerador, solo escribiré el resultado:

β4[cov(x2, x4)var(x3) − cov(x3, x4)cov(x2, x3)] + cov(x2, u)var(x3) − cov(x3, u)cov(x2, x3)
b2 = β2 +

var(x2)var(x3) − [cov(x2, x3)]2

y por simetría para b3 corresponde (solo intercambiamos x2 por x3 y viceversa):

β4[cov(x3, x4)var(x2) − cov(x2, x4)cov(x2, x3)] + cov(x3, u)var(x2) − cov(x2, u)cov(x2, x3)
b3 = β3 +

var(x2)var(x3) − [cov(x2, x3)]2

y calculamos el valor esperado para estos estimadores:

[ ]
β4[cov(x2, x4)var(x3) − cov(x3, x4)cov(x2, x3)] + cov(x2, u)var(x3) − cov(x3, u)cov(x2, x3)
𝔼[b2] = 𝔼 β2 +

var(x2)var(x3) − [cov(x2, x3)]2

β4[cov(x2, x4)var(x3) − cov(x3, x4)cov(x2, x3)]

𝔼[b2] = β2 +

var(x2)var(x3) − [cov(x2, x3)]2

En este sentido, nuestro estimador esta sesgado, donde el cociente es el tamaño del
sesgo. De manera equivalente sucederá lo mismo para b3 , pues por simetría
tendremos:

β4[cov(x3, x4)var(x2) − cov(x2, x4)cov(x2, x3)]

𝔼[b3] = β3 +

var(x2)var(x3) − [cov(x2, x3)]2

donde igualmente el cociente es el tamaño del sesgo.

Econometria 9 de 10 Tarea 2
Al reanudar el calculo del valor esperado de b1 tendremos:

𝔼[b1] = 𝔼[ ȳ − b2 x̄2 − b3 x̄3] = ȳ − 𝔼[b2]x̄2 − 𝔼[b3]x̄3

[ ] [ ]
β4[cov(x2, x4)var(x3) − cov(x3, x4)cov(x2, x3)] β [cov(x3, x4)var(x2) − cov(x2, x4)cov(x2, x3)]
𝔼[b1] = ȳ − β2 + x̄2 − β3 + 4 x̄3

var(x2)var(x3) − [cov(x2, x3)]2 var(x2)var(x3) − [cov(x2, x3)]2

notemos que ȳ = β1 + β2 x̄2 + β3 x̄3 + β4 x̄4 + ū , entonces al sustituir esto ,

multiplicando los x̄2 y x̄3 por la suma de los corchetes (ademas de que sabemos
ū = 0), eliminar términos semejantes y reagrupar para β4 tendremos finalmente:

( )
x̄2[cov(x2, x4)var(x3) − cov(x3, x4)cov(x2, x3)] + x̄3[cov(x3, x4)var(x2) − cov(x2, x4)cov(x2, x3)]
𝔼[b1] = β1 + β4 x̄4 −

var(x2)var(x3) − [cov(x2, x3)]2

donde notamos que el estimador también es sesgado, donde todo elemento después
de β1 es el tamaño del sesgo. La explicación es sencilla ya que al omitir una variable
del modelo, tendremos este tipo de problemas, por ejemplo que x2 y x3 tratan de
explicar a x4 ante su ausencia a la vez que explican a y.

Econometria 10 de 10 Tarea 2