Académique Documents
Professionnel Documents
Culture Documents
Ingeniería Comercial
Econometría I
COM – 05223
Práctica Nº 4
Partimos de y = β0 + β1x1 + u,
luego aplicamos esperanza
β0 = E(y) - β1E(x1)
` plim y la ley de los grandes números para concluir que plim(𝛽̂ 1)= β1
600
Series: CIGS
Sample 1 807
500 Observations 807
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.
120
Series: B
Sample 1 526
100
Observations 526
80 Mean 2.70e-15
Median -0.627936
Maximum 14.65360
60 Minimum -7.606771
Std. Dev. 3.075650
40
Skewness 1.554802
Kurtosis 7.474931
20 Jarque-Bera 650.8075
Probability 0.000000
0
-8 -6 -4 -2 0 2 4 6 8 10 12 14
ii) Repita el inciso i), pero empleando como variable dependiente log(wage).
ISAIARIKI MIYATAKE MEDINA R1171-1 Lic. ALEJANDRO CHAMAS DE LOS RIOS
70
Series: L
60 Sample 1 526
Observations 526
50
Mean 2.57e-16
Median -0.032645
40 Maximum 1.428092
Minimum -2.058016
30 Std. Dev. 0.439601
Skewness 0.021232
20 Kurtosis 3.976571
Jarque-Bera 20.94123
10
Probability 0.000028
0
-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
iii) ¿Diría usted que el supuesto RLM.6 esta 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.
Dependent Variable: COLGPA
Method: Least Squares
Date: 04/10/18 Time: 16:17
Sample: 1 4137
Included observations: 4137
800
Series: N
700 Sample 1 4137
Observations 4137
600
Mean 8.99e-16
500 Median 0.032902
Maximum 1.759950
400 Minimum -2.600657
Std. Dev. 0.561410
300 Skewness -0.480723
Kurtosis 3.624175
200
Jarque-Bera 226.4962
100
Probability 0.000000
0
-2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0
ii) Empleando las primeras 2,070 observaciones estime de nuevo la ecuación del
inciso i). ¿Cuál parece tener una distribución más normal?
Dependent Variable: COLGPA
Method: Least Squares
Date: 04/10/18 Time: 16:25
Sample: 1 2070
Included observations: 2070
Mean -2.02e-16
120 Median 0.040509
Maximum 1.694640
Minimum -2.280271
80 Std. Dev. 0.539236
Skewness -0.482357
Kurtosis 3.583489
40
Jarque-Bera 109.6351
Probability 0.000000
0
-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
ISAIARIKI MIYATAKE MEDINA R1171-1 Lic. ALEJANDRO CHAMAS DE LOS RIOS
i) Determine el cociente de los errores estándar obtenidos en los incisos i)y ii) para
hsperc.
El cociente de errores estándar (0,000719/0,000549) =1.31
Muestra esta cantida esta cercana √(4137/2070)=1,41
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 - 𝝁 ̂ y)/ 𝝈
̂ y, donde 𝝁̂y
es la media muestral 𝝈 ̂ 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 ∑𝒏𝒊=𝟏 𝒛𝟑𝒊 , 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). ¿Que variable tiene más asimetría y, por
tanto, parece ser menos probable que este distribuida normalmente?
Asimetria de inc
1,200
Series: INC
Sample 1 9275
1,000
Observations 9275
Skewness=1.6036
ISAIARIKI MIYATAKE MEDINA R1171-1 Lic. ALEJANDRO CHAMAS DE LOS RIOS
Asimetria Log(inc)
700
Series: LINC
600 Sample 1 9275
Observations 9275
500
Mean 3.503441
Median 3.505197
400 Maximum 5.293511
Minimum 2.303385
300 Std. Dev. 0.576399
Skewness 0.090896
200 Kurtosis 2.464484
Por lo tanto se concluye que quien tiene mas asimetría es inc con menos
probabilidad que este distribuida normalmente , y log(inc) tiene mas probabilidad
estar distribuida normalmente
Asimetria bwght
350
Series: BWGHT
300 Sample 1 1832
Observations 1832
250
Mean 3401.122
Median 3425.000
200 Maximum 5204.000
Minimum 360.0000
150 Std. Dev. 576.5444
Skewness -0.600648
100 Kurtosis 5.217376
50 Jarque-Bera 485.4701
Probability 0.000000
0
500 1000 1500 2000 2500 3000 3500 4000 4500 5000
skewness=-0,600 segado a la derecha
ISAIARIKI MIYATAKE MEDINA R1171-1 Lic. ALEJANDRO CHAMAS DE LOS RIOS
Asimetria log(bwght)
500
Series: LBWGHT
Sample 1 1832
400 Observations 1832
Mean 8.114247
300 Median 8.138857
Maximum 8.557183
Minimum 5.886104
200 Std. Dev. 0.203177
Skewness -2.951033
Kurtosis 23.91518
100
Jarque-Bera 36050.64
Probability 0.000000
0
5.8 6.0 6.2 6.4 6.6 6.8 7.0 7.2 7.4 7.6 7.8 8.0 8.2 8.4 8.6
skewness=-2.9510
Se concluye que quien tiene mas probabilidad de ser una distribución normal
es bwght con una asimetría de -0,60 .
δ>0, (¿porque?).
3. i)
120
Series: U
Sample 1 526
100
Observations 526
80 Mean 3.49e-15
Median -0.627936
Maximum 14.65360
60 Minimum -7.606771
Std. Dev. 3.075650
40
Skewness 1.554802
Kurtosis 7.474931
20 Jarque-Bera 650.8075
Probability 0.000000
0
-8 -6 -4 -2 0 2 4 6 8 10 12 14
ii)
70
Series: LU
60 Sample 1 526
Observations 526
50
Mean 6.25e-16
Median -0.032645
40 Maximum 1.428092
Minimum -2.058016
30 Std. Dev. 0.439601
Skewness 0.021232
20 Kurtosis 3.976571
Jarque-Bera 20.94123
10
Probability 0.000028
0
-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
n = 4,137, R2 = 0.273.