Anda di halaman 1dari 20

Taller 1

Juan Felipe Lalinde Rodríguez


Sebastián Rojas Echeverri
Santiago Henao Toro

Andrey David Ramos Ramírez

Econometría I

2017-2

Universidad Nacional de Colombia


Medellín
2017
Nota:
Este documento contiene la solución de los puntos del 3ro al 7mo de la parte de
Regresión Lineal Múltiple del taller de los cuales se hizo necesario el uso del
programa R.

Solución

3.

𝒀 = 𝑆𝑎𝑙𝑎𝑟𝑖𝑜, 𝑊𝑎𝑔𝑒 (𝑒𝑛 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑚𝑜𝑛𝑒𝑡𝑎𝑟𝑖𝑎𝑠)


𝒙𝟏 = 𝐸𝑑𝑢𝑐𝑎𝑐𝑖ó𝑛, 𝐸𝑑𝑢𝑐𝑎𝑡𝑖𝑜𝑛 (𝑒𝑛 𝑎ñ𝑜𝑠)
𝒙𝟐 = 𝐸𝑥𝑝𝑒𝑟𝑖𝑒𝑛𝑐𝑖𝑎, 𝐸𝑥𝑝𝑒𝑟𝑖𝑒𝑛𝑐𝑒 (𝑒𝑛 𝑎ñ𝑜𝑠)
𝒙𝟑 = 𝐻𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑, 𝐴𝑏𝑖𝑙𝑖𝑡𝑦
𝒙𝟒 = 𝐸𝑑𝑢𝑐𝑎𝑐𝑖𝑜𝑛 𝑑𝑒𝑙 𝑃𝑎𝑑𝑟𝑒, 𝐹𝑎𝑡ℎ𝑒𝑟 ′ 𝑠 𝐸𝑑𝑢𝑐𝑎𝑡𝑖𝑜𝑛 (𝑒𝑛 𝑎ñ𝑜𝑠)
𝒙𝟓 = 𝐸𝑑𝑢𝑐𝑎𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑀𝑎𝑑𝑟𝑒, 𝑀𝑜𝑡ℎ𝑒𝑟 ′ 𝑠 𝐸𝑑𝑢𝑐𝑎𝑡𝑖𝑜𝑛 (𝑒𝑛 𝑎ñ𝑜𝑠)
𝒙𝟔 = 𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝐻𝑒𝑟𝑚𝑎𝑛𝑜𝑠, 𝑆𝑖𝑏𝑙𝑖𝑛𝑔𝑠

Tendremos dos vectores aleatorios:

 𝑿𝟏 = 𝐶𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎𝑠 𝑑𝑒𝑙 𝐼𝑛𝑑𝑖𝑣𝑖𝑑𝑢𝑜. Contiene a 𝒙1 , 𝒙2 , 𝒙3 y la constante.


 𝑿𝟐 = 𝐶𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎𝑠 𝑑𝑒𝑙 𝐻𝑜𝑔𝑎𝑟. Contiene a 𝒙4 , 𝒙5 𝑦 𝑎 𝒙6

a)

Base de Datos (manual)


i 𝒙𝟏 Y 𝒙𝟐 𝒙𝟑 𝒙𝟒 𝒙𝟓 𝒙𝟔
1 13 1,82 1 1 12 12 1
2 15 2,14 4 1,5 12 12 1
3 10 1,56 1 -0,36 12 12 1
4 12 1,85 1 0,26 12 10 4
5 15 2,41 2 0,3 12 12 1
6 15 1,83 2 0,44 12 16 2
7 15 1,78 3 0,91 12 12 1
8 13 2,12 4 0,51 12 15 2
9 13 1,95 2 0,86 12 12 2
10 11 2,19 5 0,26 12 12 2
11 12 2,44 1 1,82 16 17 2
12 13 2,41 4 -1,3 13 12 5
13 12 2,07 3 -0,63 12 12 4
14 12 2,2 6 -0,36 10 12 2
15 12 2,12 3 0,28 10 12 3

Usando el Método de Mínimos Cuadrados Ordinarios para calcular los Coeficientes


de la Regresión de Y respecto al vector aleatorio 𝑿𝟏 (características del individuo)
tendremos que:
𝐵̂ = (𝑋1 ′𝑋1 )−1 𝑋1 ′𝑌
Así,

La ecuación de los valores ajustados puede ser definida como:

̂ = 1.664 + 0.015𝐸𝑑𝑢𝑐 + 0.071𝐸𝑥𝑝 + 0.027𝐴𝑏𝑖𝑙𝑖𝑡𝑦


𝑊𝑎𝑔𝑒
Donde:

 𝛽̂0 :
Cuando las características del individuo son cero, el salario es en promedio
de 1,664 unidades monetarias
 𝛽̂1 :
El aumento de un año en la educación, aumenta en promedio 0,015 unidades
monetarias el salario del individuo, en Ceteris Paribus.
 𝛽̂2 :
El aumento en un año en la experiencia, aumenta en promedio 0,071
unidades monetarias el salario, cuando las demás variables están fijas.
 𝛽̂3 :
Un aumento unitario de la habilidad del individuo, aumenta, en promedio, el
salario en 0,027 unidades monetarias, bajo Ceteris Paribus

b)

Al hacer una regresión del salario (Y) sobre las características del individuo (𝑋1 ) y
las características del hogar (𝑋2), los cuales generan una matriz X, a través del
Método de Mínimos Cuadrados Ordinarios se tendrá que el vector de los
parámetros estimados de la regresión será igual a:

𝐵̂ = (𝑋′𝑋)−1 𝑋′𝑌

Así,
También podemos ver la Regresión en R a partir del comando “lineal model”:

Nota: Debido a que en el vector aleatorio 𝑿𝟏 tenemos incluido el valor constante


(una columna de unos), por eso al correr el modelo nos aparece “X1: NA”. Pero el
modelo nos arroja a parte en “(Intercept)” el valor de 𝛽̂0.

Por tanto, obtenemos una ecuación ajustada:

̂ = 0.0489 + 0.0258𝐸𝑑𝑢𝑐 + 0.1034𝐸𝑥𝑝𝑒𝑟𝑖𝑒𝑛𝑐𝑒 + 0.031𝐴𝑏𝑖𝑙𝑖𝑡𝑦


𝑊𝑎𝑔𝑒
+ 0.1016𝑀𝑜𝑚𝐸𝑑𝑢𝑐 + 0.0016𝐷𝑎𝑑𝐸𝑑𝑢𝑐 + 0.0592𝑆𝑖𝑏𝑙𝑖𝑛𝑔𝑠

E interpretando los coeficientes estimados, tendremos que:

 𝛽̂0:
El salario promedio es de 0,048996 unidades monetarias cuando todas las
características del individuo y las del hogar son cero
 𝛽̂1:
Cuando la educación aumenta en un año, el salario aumenta en promedio
0,0258 unidades monetarias
 𝛽̂2:
Cuando la experiencia aumenta en un año, el salario aumenta en promedio
0,10339 unidades monetarias
 𝛽̂3:
Cuando la habilidad tiene un incremento unitario, el salario aumenta en
promedio 0,030743 unidades monetarias
 𝛽̂4 :
Cuando la educación de la madre aumenta en un año, el salario aumenta en
promedio 0,10163 unidades monetarias
 𝛽̂5:
Cuando la educación del padre aumenta en un año, el salario aumenta en
promedio 0,00164 unidades monetarias
 𝛽̂6:
Cuando el número de hermanos aumenta en una unidad, el salario aumenta
en promedio 0,059169 unidades monetarias

Se debe tener en cuenta que los 𝛽̂𝑗 donde j=1,…,6 representan Efectos Parciales
en el Modelo de Regresión Lineal Múltiple y por tanto este efecto solo se dará bajo
Ceteris Paribus, es decir, cuando las demás variables están fijas.

c)

Obtendremos 3 regresiones, una para cada una de las variables de 𝑿𝟐 respecto al


vector aleatorio 𝑿𝟏 :

 𝒙𝟒 = 𝐸𝑑𝑢𝑐𝑎𝑐𝑖𝑜𝑛 𝑑𝑒𝑙 𝑃𝑎𝑑𝑟𝑒, 𝐹𝑎𝑡ℎ𝑒𝑟 ′ 𝑠 𝐸𝑑𝑢𝑐𝑎𝑡𝑖𝑜𝑛 (𝑒𝑛 𝑎ñ𝑜𝑠) respecto a 𝑿𝟏

Con una ecuación ajustada:

̂ = 11.9998 − 0.02676𝐸𝑑𝑢𝑐 − 0.0011𝐸𝑥𝑝𝑒𝑟𝑖𝑒𝑛𝑐𝑒 + 0.8727𝐴𝑏𝑖𝑙𝑖𝑡𝑦


𝐷𝑎𝑑𝐸𝑑𝑢𝑐

 𝒙𝟓 = 𝐸𝑑𝑢𝑐𝑎𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑀𝑎𝑑𝑟𝑒, 𝑀𝑜𝑡ℎ𝑒𝑟 ′ 𝑠 𝐸𝑑𝑢𝑐𝑎𝑡𝑖𝑜𝑛 (𝑒𝑛 𝑎ñ𝑜𝑠) respecto a 𝑿𝟏


Con una ecuación ajustada:

̂
𝑀𝑜𝑚𝐸𝑑𝑢𝑐 = 13.7604 − 0.084𝐸𝑑𝑢𝑐 − 0.2860𝐸𝑥𝑝𝑒𝑟𝑖𝑒𝑛𝑐𝑒 + 0.5029𝐴𝑏𝑖𝑙𝑖𝑡𝑦

 𝒙𝟔 = 𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝐻𝑒𝑟𝑚𝑎𝑛𝑜𝑠, 𝑆𝑖𝑏𝑙𝑖𝑛𝑔𝑠 respecto a 𝑿𝟏

Con una ecuación ajustada:

̂ = 3.31978 − 0.048𝐸𝑑𝑢𝑐 − 0.0056𝐸𝑥𝑝𝑒𝑟𝑖𝑒𝑛𝑐𝑒 − 0.9578𝐴𝑏𝑖𝑙𝑖𝑡𝑦


𝑆𝑖𝑏𝑙𝑖𝑛𝑔𝑠
Y creando una matriz 𝑿2∗ donde cada una de las columnas representa los
Residuales de cada una de las regresiones hechas anteriormente, tendremos que:

Donde la media de cada una de estas variables, es decir, de cada columna de la


matriz 𝑿∗2 o mejor dicho, de cada vector de residuales de las regresiones de las
variables de 𝑿2 respecto al vector aleatorio 𝑿𝟏 tenemos que:
De lo cual concluimos que las medias muéstrales de los residuales de las
regresiones anteriores son Cero.
Aquí podemos corroborar que ∑𝑛𝑖=1 𝑒𝑖 = 0 ya que 𝑛−1 ∑𝑛𝑖=1 𝑒𝑖 = 𝑒̅ = 0, siendo n en
este caso igual a 15.

d)

Al realizar el Modelo de Regresión Lineal en R obtenemos que:

Con una ecuación ajustada:

̂ = 1.6636 + 0.0145𝐸𝑑𝑢𝑐 + 0.071030𝐸𝑥𝑝𝑒𝑟𝑖𝑒𝑛𝑐𝑒 + 0.026615𝐴𝑏𝑖𝑙𝑖𝑡𝑦


𝑊𝑎𝑔𝑒
+ 0.1016𝑅𝑒𝑠𝑖𝑑𝑢𝑎𝑙𝑠𝑀𝑜𝑚𝐸𝑑𝑢𝑐 + 0.0016𝑅𝑒𝑠𝑖𝑑𝑢𝑎𝑙𝑠𝐷𝑎𝑑𝐸𝑑𝑢𝑐
+ 0.0592𝑅𝑒𝑠𝑖𝑑𝑢𝑎𝑙𝑠𝑆𝑖𝑏𝑙𝑖𝑛𝑔𝑠
Comparando esta regresión con los resultados de la regresión estimada en el
numeral b), se puede observar una variación de los parámetros estimados del
intercepto y de las características del individuo, sin embargo, los parámetros
estimados correspondientes a las características del hogar y a los residuales de la
regresión de cada una de estas características sobre las características del
individuo son iguales.

Teóricamente, tendremos que el vector de parámetros estimados de una regresión


de Y sobre 𝑋1 y 𝑿∗2 , donde 𝑋2∗ = 𝑀1 ∗ 𝑋2 , siendo 𝑀1 la matriz generadora de
residuales asociada a las variables explicativas contenidas en 𝑋1 (𝑀1 = 𝐼 −
𝑋1 (𝑋 ′1 𝑋1 )−1 𝑋 ′1 ). Obtenemos que:
4.
A. Utilizando el comando reg2=lm(packs~price+income) se tendrá que:

De esta manera se tendrá que el modelo de regresión lineal estimado será igual a:
𝑝𝑎𝑐𝑘𝑠 = 4.2997 − 1.3383𝑝𝑟𝑖𝑐𝑒 + 0.1724𝑖𝑛𝑐𝑜𝑚𝑒
De acuerdo con el modelo se tendrá que cuando el precio y el ingreso son iguales
a 0, un individuo consume aproximadamente 4.3 paquetes de cigarrillos. Por otro
lado, por cada aumento en una unidad monetaria del nivel de precio, se presentará
una reducción en el consumo de aproximadamente 1.34 paquetes de cigarrillos; de
igual manera, por cada aumento en una unidad monetaria en el ingreso, se
presentará un aumento aproximado de 0.17 paquetes de cigarrillos en el consumo
del individuo.
B.
 Se muestra que la media muestral de los residuales es cero partiendo
de:
Siendo “residuales” el vector de los residuales de la regresión, de esta manera se
tendrá que, a partir del comando mean(residuales) que:

De este modo, se tendrá que la media de los resultados es igual a -7.545959e-18,


lo cual es aproximadamente igual a 0.
 Partiendo del comando cor(), el cual mide la correlación entre
diferentes variables, se tendrá que:

Siendo X, la matriz generada por las variables explicativas “price” e “income”, y un


vector de unos, el cual representa la variable constante de la matriz. De esta
manera, al analizar los resultados se tendrá que el nivel de correlación entre los
residuales y el precio es de 6.107725e-17, lo cual es aproximadamente igual a cero.
Por otro lado, se puede observar que la correlación entre el ingreso y los residuales
es igual a 1.218071e-15, siendo este valor muy cercano a cero. Por tanto, se puede
concluir que las variables explicativas no están correlacionadas con los residuales.
 Partiendo del vector de valores predichos (ajustadosreg2=fitted(reg2))
y del comando cor(), se tendra que:
Donde la correlación entre los valores predichos y los residuales de la regresión es
igual a 8.778748e-16, lo cual es aproximadamente igual a 0.
C. Sea la matriz X, la matriz que contiene las variables explicativas del modelo,
“price” e “income; y los valores respectivos para cada una de las 46
observaciones. Sea X:
Partiendo de la formula del estimador de Minimos Cuadrados Ordinarios (MCO) se
tendrá que:
𝐵̂ = (𝑋 ′ 𝑋)−1 𝑋′𝑌
Donde X’ representa la traspuesta de X y Y el vector de variables predichas, el cual
contiene la variable “packs”. Al resolver la ecuación anterior en R, se tendrá que un
vector de los parámetros estimados 𝐵̂ será igual a:
Los cuales son iguales a los parámetros estimados por la regresión lineal en el
literal a.
D. Partiendo de la ecuación 𝑒 = 𝑀𝑌 , donde M representa la matriz generadora
de residuales [ 𝑀 = 𝐼 − 𝑋(𝑋´𝑋)−1 𝑋′] se tendrá que:
Lo cual es equivalente al vector de residuales generado por la regresión:

Por otro lado, partiendo de 𝑦̂ = 𝑃𝑌, donde 𝑦̂ es el vector de los valores


predichos estimados y P la matriz de proyección 𝑃 = 𝑋(𝑋 ′ 𝑋)−1 𝑋′, se tendrá
que:
Siendo este vector equivalente al vector de los valores predichos generados
de la regresión

E. La ortogonalidad de M y X nos indica que, al pre-multiplicar la matriz M por


X se tendrá que:
𝑀𝑋 = 0

De esta manera, se tiene que:


Donde cada una de estas entradas es igual aproximadamente igual a 0. Por
tanto, se concluye la ortogonalidad entre M y X.

5.
A. al estimar un modelo de regresión lineal del porcentaje de votos por el
candidato A sobre su gasto en campaña y la fortaleza de su partido, se
tendrá que, los parámetros estimados para cada una de estas variables
son:

Por tanto, el modelo de regresión lineal estimado será:


̂ = 22.067 + 0.448𝑝𝑟𝑡𝑦𝑠𝑡𝑟𝐴 + 0.01979𝐸𝑥𝑝𝑒𝑛𝑑𝐴
𝑉𝑜𝑡𝑒𝐴
De acá, se tendrá que el porcentaje promedio de votos que el candidato A recibirá,
cuando las demás variables son 0, será del 22.06%. Por otro se tendrá que por
cada nivel de fuerza de más que posea el partido del candidato A, el porcentaje de
votos aumentar, en promedio 0.448%. De igual manera, por cada unidad
monetaria de más que el candidato A invierta a su campaña, el porcentaje de
votos aumentara, en promedio, 0.01979%.
Suponiendo que el gasto realizado por el candidato A y que la fuerza de su partido
es de 44, se tendrá que el porcentaje de votos estimados será:
̂ = 22.067 + 0.448(44) + 0.01979(600) = 53.65079
𝑉𝑜𝑡𝑒𝐴
Por tanto, la cantidad de votos estimados para el candidato a será del 53.65%
B. De un summary realizado sobre la regresión anterior (como se muestra a
continuación) podemos observar que el coeficiente de determinación (𝑅 2 )
de esta regresión es del 22.31%, esto quiere decir que el 22.31% de la
variabilidad del porcentaje de votos del candidato A es explicado por el
modelo.
C. considerando un modelo de interacción entre los gastos del candidato A y
el candidato B, se tendrá que:
𝑣𝑜𝑡𝑒𝐴 = 𝛽0 + 𝛽1 𝑝𝑟𝑡𝑦𝑠𝑡𝑟𝐴 + 𝛽2 𝑒𝑥𝑝𝑒𝑛𝑑𝐴 + 𝛽3 𝑒𝑥𝑝𝑒𝑛𝑑𝐵 + 𝛽4 𝑒𝑥𝑝𝑒𝑛𝑑𝐴 ∗ 𝑒𝑥𝑝𝑒𝑛𝑑𝐵
+ 𝜀
Por medio del método de MCO, se tendrá que los parámetros estimados para
dicho modelo serán:

De acá, el modelo de regresión lineal estimado será:


̂ = 32.12 + 0.3419𝑝𝑟𝑡𝑦𝑠𝑡𝑟𝐴 + 0.03828𝑥𝑝𝑒𝑛𝑑𝐴 − 0.03172𝑒𝑥𝑝𝑒𝑛𝑑𝐵
𝑣𝑜𝑡𝑒𝐴
− 0.00000663𝑒𝑥𝑝𝑒𝑛𝑑𝐴 ∗ 𝑒𝑥𝑝𝑒𝑛𝑑𝐵
De acá se tendrá que, un efecto parcial del gasto de B sobre la cantidad de votos
de A será igual a:
∆𝑉𝑜𝑡𝑒𝐴 = (−0.03172 − 0.00000663𝑒𝑥𝑝𝑒𝑛𝑑𝐴)∆𝑒𝑥𝑝𝑒𝑛𝑑𝐵

De igual manera, se tendrá que un efecto parcial del gasto de A sobre su cantidad
de votos estará dado por:
∆𝑉𝑜𝑡𝑒𝐴 = (0.03828 − 0.00000663𝑒𝑥𝑝𝑒𝑛𝑑𝐵)∆𝑒𝑥𝑝𝑒𝑛𝑑𝐴
Al observar el modelo estimado, podemos observar que 𝛽4 = − 0.00000663, sin
embargo, el signo negativo de este parámetro estimado resulta algo de esperar,
ya que las interacciones del gasto de A con el gasto de B deben tener una relación
inversa, esto debido a que, si el candidato B gasta una proporción mayor en su
campaña que el candidato A, este podría restar votos del candidato A.
D. De la estimación del modelo se tendrá que, primero, teniendo las demás
constantes iguales a 0, en promedio, la cantidad de votos que recibirá el candidato
A será de 32.12%; segundo, por cada unidad monetaria gastada de más por el
candidato A, tendrá, en promedio, un aumento de (0.03828 − 0.00000663𝑒𝑥𝑝𝑒𝑛𝑑𝐵)
en el porcentaje de cantidad de votos recibidos por este candidato. De igual manera,
por cada unidad de poder de más que tenga el partido del candidato A, el porcentaje
de cantidad de votos aumentara, en promedio, en 0.3419%. Finalmente, se tendrá
que por cada unidad monetaria de más que invierta el candidato B en su campaña,
tendrá como consecuencia, en promedio, una disminución de (−0.03172 −
0.00000663𝑒𝑥𝑝𝑒𝑛𝑑𝐴).

E. Si fijamos el gasto del candidato A en $300.000, el efecto que tendría un


aumento de $100.000 en el gasto de B, tendrá como efecto una reducción, en
promedio, de -3.37% aproximadamente.
∆𝑉𝑜𝑡𝑒𝐴 = (−0.03172 − 0.00000663(300))100 =-3.37

F. Fijando el gasto del candidato B en $100.000 y suponiendo un aumento en


gasto de A de $100.000, tendremos un aumento, en promedio, del 3.7617% en la
cantidad de votos del candidato A.
∆𝑉𝑜𝑡𝑒𝐴 = (0.03828 − 0.00000663(100))100 = 3.7617
Estos resultados concuerdan con que, un aumento del gasto en B trae por
consiguiente un aumento en el porcentaje de votos del candidato B y por tanto una
reducción en el porcentaje de votos del candidato A. De igual manera un aumento
en el gasto del candidato A traerá consigo un aumento en el porcentaje de la
cantidad de votos recibidos por ese candidato.
6.
A. Realizando una estimación de un modelo lineal de regresión simple del
salario sobre los años de educación del individuo tendremos que:

De esta manera, tendremos que, el modelo de regresión estimado del salario sobre
los años de educación será de la forma:
𝑤𝑎𝑔𝑒
̂ = −0.9049 + 0.5414𝐸𝑑𝑢𝑐
Donde -0.9049 es el salario estimado para un individuo con 0 años de educación,
sin embargo, este resultado no tiene sentido alguno, ya que el rango salarial de una
persona estará en el plano positivo de los números reales.
Si la persona presenta 10 años de educación, el salario estimado será igual a 4.5091
unidades monetarias.
𝑤𝑎𝑔𝑒
̂ = −0.9049 + 0.5414 ∗ 10 = 4.5091
B. Teniendo un modelo dado de la forma log(𝑤𝑎𝑔𝑒) = 𝛽0 + 𝛽1 𝑒𝑑𝑢𝑐 +
𝛽2 𝑒𝑥𝑝𝑒𝑟 + 𝛽3 𝑒𝑥𝑝𝑒𝑟 2 + 𝜀 . Tendremos que por MCO, los parámetros estimados
serán igual a:

De acá que la ecuación del modelo estimado será dada de la forma:


̂
log(𝑤𝑎𝑔𝑒) = 0.1280 + 0.09𝐸𝑑𝑢𝑐 + 0.41𝐸𝑥𝑝𝑒𝑟 − 0.0007𝐸𝑥𝑝𝑒𝑟 2
̂ estimado será igual a 0.1280%. Por otro
Por tanto, tendremos que, el log(𝑤𝑎𝑔𝑒)
lado, se tendrá que por un año mas de educación, el salario aumentara, en
promedio, en un 9%. Para el caso de la experiencia se tendrá que un año más de
experiencia tendrá un efecto, en promedio, del 0.041 − 2(0.0007)𝐸𝑥𝑝𝑒𝑟 en el
porcentaje del nivel salarial.
Empleando la aproximación:
%∆𝑤𝑎𝑔𝑒 ̂2 + 2𝛽
̂ ≈ 100(𝛽 ̂3 𝑒𝑥𝑝𝑒𝑟)∆𝑒𝑥𝑝𝑒𝑟

Que corresponde a la variación porcentual del salario con respecto a la


experiencia, se tendrá que, el rendimiento aproximado que tiene el quinto año de
experiencia será, en promedio, igual a 3.38729% por cada año de experiencia de
más ganada a partir del quinto año
%∆𝑤𝑎𝑔𝑒
̂ ≈ 100(0.041 − 2(0.0007) ∗ 5) = 3.38729%
El rendimiento aproximado que tiene el vigésimo año de experiencia será igual, en
promedio, a un cambio porcentual aproximadamente del 1.24649% en el salario
del individuo.
%∆𝑤𝑎𝑔𝑒
̂ ≈ 100(0.041 − 2(0.0007) ∗ 20) = 1.24649%
C. Teniendo en cuenta que el efecto de un año más de experiencia en el
salario es directo y decreciente, se tendrá que, la cantidad de años de experiencia
donde log(wage) alcanza su punto de mínimo será igual a 29 años:
0.041
𝐸𝑥𝑝𝑒𝑟 = = 28.73381 ≈ 29
2(0.0007)

De la base de datos se puede observar que existe un total de 111 observaciones


que superan esta cantidad de años de experiencia.

7.
A. Basados en la base de datos Wage2.csv y teniendo la ecuación

log(𝑤𝑎𝑔𝑒) = 𝛽0 + 𝛽1 𝑒𝑑𝑢𝑐 + 𝛽2 𝑒𝑥𝑝𝑒𝑟 + 𝛽3 𝑡𝑒𝑛𝑢𝑟𝑒 + 𝛽4 𝑚𝑎𝑟𝑟𝑖𝑒𝑑 + 𝛽5 𝑏𝑙𝑎𝑐𝑘


+ 𝛽6 𝑠𝑜𝑢𝑡ℎ + 𝜀
Una estimación de dicha ecuación, partiendo de la estimación de parámetros por
MCO, estará dada de la forma:
̂
log(𝑤𝑎𝑔𝑒) = 5.51 + 0.068𝑒𝑑𝑢𝑐 + 0.014𝑒𝑥𝑝𝑒𝑟 + 0.011𝑡𝑒𝑛𝑢𝑟𝑒 + 0.193𝑚𝑎𝑟𝑟𝑖𝑒𝑑
− 0.161𝑏𝑙𝑎𝑐𝑘 − 0.114𝑠𝑜𝑢𝑡ℎ
B. Manteniendo los demás factores constantes, la diferencia aproximada entre
el salario mensual de negros y no negros es, en promedio, de 16.1%.

C. Manteniendo los demás factores constantes, la diferencia aproximada entre


el salario mensual de casados y no casados es, en promedio, de 19.3%.

Anda mungkin juga menyukai