Ejercicios de econometría resueltos usando STATA (capitulo 6. de Wooldridge (2009))

Índice de ejercicios resueltos

                Capítulo 1. Naturaleza de la econometría y los datos económicos

                Capítulo 2. El modelo de regresión simple

                Capítulo 3. El análisis de regresión múltiple: estimación

 Capítulo 4. El análisis de regresión múltiple: inferencia 
            Capítulo 5. El análisis de regresión múltiple: MCO asintótico 
           Capítulo 6. El análisis de regresión múltiple: temas adicionales
Capítulo 7. Análisis de regresión múltiple con información cualitativa

Capitulo 6. Análisis de Regresión Múltiple: Temas adicionales

*Ejercicio C6.1 Kielmc

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

i.

. regress lprice ldist

      Source |       SS       df       MS              Number of obs =     321

-------------+------------------------------           F(  1,   319) =   43.48

       Model |  7.36918646     1  7.36918646           Prob > F      =  0.0000

    Residual |  54.0697165   319  .169497544           R-squared     =  0.1199

-------------+------------------------------           Adj R-squared =  0.1172

       Total |  61.4389029   320  .191996572           Root MSE      =   .4117

------------------------------------------------------------------------------

      lprice |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

-------------+----------------------------------------------------------------

       ldist |   .3172188   .0481095     6.59   0.000     .2225668    .4118708

       _cons |   8.257505   .4738306    17.43   0.000     7.325277    9.189733

------------------------------------------------------------------------------

*Esperaria un signo positivo del coeficiente, a mayor dist desde el incinerador, esperaría un mayor precio

ii.

. regress lprice ldist lintst larea lland rooms baths age

      Source |       SS       df       MS              Number of obs =     321

-------------+------------------------------           F(  7,   313) =   65.02

       Model |  36.4034046     7  5.20048637           Prob > F      =  0.0000

    Residual |  25.0354984   313  .079985618           R-squared     =  0.5925

-------------+------------------------------           Adj R-squared =  0.5834

       Total |  61.4389029   320  .191996572           Root MSE      =  .28282

------------------------------------------------------------------------------

      lprice |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

-------------+----------------------------------------------------------------

       ldist |   .0282041   .0532129     0.53   0.596    -.0764961    .1329044

      lintst |  -.0438027   .0424357    -1.03   0.303    -.1272981    .0396927

       larea |   .5124036   .0698228     7.34   0.000     .3750222     .649785

       lland |   .0782203   .0337208     2.32   0.021     .0118723    .1445684

       rooms |   .0503139   .0235113     2.14   0.033     .0040538     .096574

       baths |    .107054   .0352303     3.04   0.003     .0377358    .1763723

         age |  -.0035631   .0005774    -6.17   0.000    -.0046992    -.002427

       _cons |   6.299629   .5960532    10.57   0.000     5.126851    7.472406

------------------------------------------------------------------------------

*ahora el efecto de la distancia hasta el incinerador es claramente no significativo (b=0) al momento de explicar el precio de la vivienda. Desde mi parecer podría deberse a un efecto contrario en el aumento del precio que inicie a cierta distancia del incinerador, es decir desde aquellas viviendas que están más cerca un distanciamiento le provocaría un aumento del precio pero a partir de cierta distancia este efecto podría cambiar de signo.

iii.

. gen lintst2=(ln(intst))^2

. regress lprice ldist lintst lintst2 larea lland rooms baths age

      Source |       SS       df       MS              Number of obs =     321

-------------+------------------------------           F(  8,   312) =   63.03

       Model |  37.9535257     8  4.74419071           Prob > F      =  0.0000

    Residual |  23.4853772   312  .075273645           R-squared     =  0.6177

-------------+------------------------------           Adj R-squared =  0.6079

       Total |  61.4389029   320  .191996572           Root MSE      =  .27436

------------------------------------------------------------------------------

      lprice |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

-------------+----------------------------------------------------------------

       ldist |   .1897245   .0627031     3.03   0.003     .0663502    .3130988

      lintst |   1.901933     .43074     4.42   0.000     1.054411    2.749456

     lintst2 |   -.112811   .0248594    -4.54   0.000    -.1617242   -.0638978

       larea |   .5137757   .0677356     7.59   0.000     .3804993    .6470521

       lland |   .1068575   .0333156     3.21   0.001     .0413059    .1724091

       rooms |   .0494484    .022809     2.17   0.031     .0045694    .0943273

       baths |   .0898612   .0343862     2.61   0.009      .022203    .1575194

         age |  -.0035691   .0005602    -6.37   0.000    -.0046713   -.0024669

       _cons |  -3.787966   2.296906    -1.65   0.100    -8.307351    .7314191

------------------------------------------------------------------------------

*Ahora ldist vuelve a ser significativa. La forma funcionar permite controlar el efecto marginal decreciente que genera la distancia hasta la carretera insterestatal en el precio de las viviendas.

iv.

. gen ldist2=(ln(dist))^2

. regress lprice ldist ldist2 lintst lintst2 larea lland rooms baths age

      Source |       SS       df       MS              Number of obs =     321

-------------+------------------------------           F(  9,   311) =   56.20

       Model |   38.045506     9  4.22727845           Prob > F      =  0.0000

    Residual |  23.3933969   311  .075219926           R-squared     =  0.6192

-------------+------------------------------           Adj R-squared =  0.6082

       Total |  61.4389029   320  .191996572           Root MSE      =  .27426

------------------------------------------------------------------------------

      lprice |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

-------------+----------------------------------------------------------------

       ldist |   2.112716   1.740116     1.21   0.226    -1.311174    5.536606

      ldist2 |  -.1027457   .0929143    -1.11   0.270    -.2855658    .0800744

      lintst |   1.518856   .5526416     2.75   0.006     .4314669    2.606245

     lintst2 |  -.0887897   .0330064    -2.69   0.008    -.1537339   -.0238456

       larea |   .5062592   .0680518     7.44   0.000     .3723591    .6401594

       lland |   .0969085   .0344976     2.81   0.005     .0290303    .1647866

       rooms |   .0477291   .0228538     2.09   0.038     .0027614    .0926968

       baths |   .0893745   .0343768     2.60   0.010     .0217341     .157015

         age |  -.0035226   .0005615    -6.27   0.000    -.0046274   -.0024177

       _cons |   -11.1091   7.007451    -1.59   0.114    -24.89711    2.678908

------------------------------------------------------------------------------

*no

*Ejercicio C6.2 wage1

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a ejercicios de econometria\Base de datos wooldridge\wage1.csv ", comma clear

i.

. gen exper2 = exper^2

. regress lwage educ exper exper2

      Source |       SS       df       MS              Number of obs =     526

-------------+------------------------------           F(  3,   522) =   74.67

       Model |  44.5393691     3  14.8464564           Prob > F      =  0.0000

    Residual |  103.790392   522  .198832168           R-squared     =  0.3003

-------------+------------------------------           Adj R-squared =  0.2963

       Total |  148.329761   525  .282532878           Root MSE      =  .44591

------------------------------------------------------------------------------

       lwage |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

-------------+----------------------------------------------------------------

        educ |   .0903658    .007468    12.10   0.000     .0756948    .1050368

       exper |   .0410089   .0051965     7.89   0.000     .0308002    .0512175

      exper2 |  -.0007136   .0001158    -6.16   0.000     -.000941   -.0004861

       _cons |   .1279975   .1059323     1.21   0.227    -.0801085    .3361035

------------------------------------------------------------------------------

ii.

si

iii.

*efecto del segundo año adicional

. display 100*(_b[exper]+(2*_b[exper2]))

3.9581755

*Efecto del vigésimo ano adicional

. display 100*(_b[exper]+(2*_b[exper2]*10))

2.673771

iv.

. display abs(_b[exper]/(2*_b[exper2]))

28.735483

*se genera un dummy que cuente como 1 cuando se cumpla

. gen experm = exper>28.735483

. tab experm

     experm |      Freq.     Percent        Cum.

------------+-----------------------------------

          0 |        405       77.00       77.00

          1 |        121       23.00      100.00

------------+-----------------------------------

      Total |        526      100.00

*121 personas que representan el 23% de la muestra

*Ejercicio C6.3 wage2**

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a ejercicios de econometria\Base de datos wooldridge\wage2.csv ", comma clear

i.

. gen educ_exper = educ*exper

. regress lwage educ exper educ_exper

. regress lwage educ exper educ_exper

      Source |       SS       df       MS              Number of obs =     935

-------------+------------------------------           F(  3,   931) =   48.41

       Model |  22.3529774     3  7.45099246           Prob > F      =  0.0000

    Residual |  143.303317   931  .153924078           R-squared     =  0.1349

-------------+------------------------------           Adj R-squared =  0.1321

       Total |  165.656294   934  .177362199           Root MSE      =  .39233

------------------------------------------------------------------------------

       lwage |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

-------------+----------------------------------------------------------------

        educ |   .0440498   .0173911     2.53   0.011     .0099195    .0781801

       exper |  -.0214959   .0199783    -1.08   0.282    -.0607036    .0177118

  educ_exper |    .003203   .0015292     2.09   0.036      .000202     .006204

       _cons |   5.949455   .2408264    24.70   0.000     5.476829     6.42208

------------------------------------------------------------------------------

*B1 ya no muestra el rendimiento adicional de un año más de educación, porque no es lógico mantener constante las demás variables como educ_exper. La forma funcional indica que B1 es el efecto de la educación para una persona con 0 años de experiencia.

ii.

la alternativa seria a que tiene un efecto positivo. H1; B3>0

iii.

*para probar esta hipótesis (educ sobre exper) es necesario redefinir el modelo:

* regress lwage educ exper educ_exper

El efecto del rendimiento de la educacion sobre la experiencia es:

. summ educ

. display _b[educ]+(_b[educ_exper]*r(mean))

.08718889

*?? Significa que un aumento del del 1% en la experiencia incrementa en 8% el rendimiento de la educacion. Para saber si es estadísticamente distinta de cero, se vuelve a correr el modelo:

. gen educ_exper2 = (educ-r(mean))*exper

. regress lwage educ exper educ_exper2

      Source |       SS       df       MS              Number of obs =     935

-------------+------------------------------           F(  3,   931) =   48.41

       Model |  22.3529775     3  7.45099249           Prob > F      =  0.0000

    Residual |  143.303317   931  .153924078           R-squared     =  0.1349

-------------+------------------------------           Adj R-squared =  0.1321

       Total |  165.656294   934  .177362199           Root MSE      =  .39233

------------------------------------------------------------------------------

       lwage |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

-------------+----------------------------------------------------------------

        educ |   .0440498   .0173911     2.53   0.011     .0099195    .0781801

       exper |   .0216432   .0034148     6.34   0.000     .0149415    .0283448

 educ_exper2 |    .003203   .0015292     2.09   0.036      .000202     .006204

       _cons |   5.949455   .2408265    24.70   0.000     5.476829     6.42208

------------------------------------------------------------------------------

. display (_b[educ]+(_b[educ_exper]*r(mean)))/_se[educ_exper2]

57.017351

*se concluye claramente que la experiencia, tiene un efecto positive sobre el rendimiento de la educacion.

iv.

. regress lwage educ exper educ_exper

. scalar theta1=_b[educ]+10*_b[educ_exper]

. display theta1

.07607954

*se reescribe la ecuación, redefiniendo educ_exper para poder obtener theta1

. gen educ_exper10 = (educ-10)*exper

. regress lwage educ exper educ_exper10

*de esta ecuacion si se puede llamar el interval de confianza

. display "Conf. Interval: [" tetha1-1.96*_se[educ_exper10] ", " tetha1+1.96*_se[educ_exper10] "]"

Conf. Interval: [.07308238, .0790767]

*Ejercicio C6.4 gpa2

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a ejercicios de econometria\Base de datos wooldridge\gpa2.csv ", comma clear

i.

. gen hsize2=hsize^2

. regress sat hsize hsize2

      Source |       SS       df       MS              Number of obs =    4137

-------------+------------------------------           F(  2,  4134) =   15.93

       Model |  614822.113     2  307411.057           Prob > F      =  0.0000

    Residual |  79759024.2  4134  19293.4263           R-squared     =  0.0076

-------------+------------------------------           Adj R-squared =  0.0072

       Total |  80373846.3  4136  19432.7481           Root MSE      =   138.9

------------------------------------------------------------------------------

         sat |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

-------------+----------------------------------------------------------------

       hsize |   19.81446   3.990666     4.97   0.000     11.99061    27.63831

      hsize2 |  -2.130606    .549004    -3.88   0.000    -3.206949   -1.054263

       _cons |   997.9805   6.203448   160.88   0.000     985.8184    1010.143

------------------------------------------------------------------------------

*Si, es significativo

ii.***

*los betas indican un efecto marginal decreciente, por lo que el máximo se encontrara en donde esta curva (que captura el efecto marginal) alcance su máximo. Este punto se obtiene en:

. display abs(_b[hsize]/(2*_b[hsize2]))

4.6499584

iii.***

. gen hsize_opt= hsize<4.6499584

  hsize_opt |      Freq.     Percent        Cum.

------------+-----------------------------------

          0 |        640       15.47       15.47

          1 |      3,497       84.53      100.00

------------+-----------------------------------

      Total |      4,137      100.00

*este grupo representa el 15.5% de la muestra

*Ejercicio C6.5 hprice1**

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

i.

. gen lbdrms=ln( bdrms)

. regress lprice llotsize lsqrft lbdrms

      Source |       SS       df       MS              Number of obs =      88

-------------+------------------------------           F(  3,    84) =   49.64

       Model |  5.12621077     3  1.70873692           Prob > F      =  0.0000

    Residual |  2.89139213    84  .034421335           R-squared     =  0.6394

-------------+------------------------------           Adj R-squared =  0.6265

       Total |   8.0176029    87  .092156355           Root MSE      =  .18553

------------------------------------------------------------------------------

      lprice |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

-------------+----------------------------------------------------------------

    llotsize |   .1695374   .0384877     4.40   0.000     .0930004    .2460744

      lsqrft |   .7168688   .0934546     7.67   0.000     .5310242    .9027135

      lbdrms |   .0992446   .1020059     0.97   0.333    -.1036053    .3020946

       _cons |  -1.428815   .6400267    -2.23   0.028    -2.701578   -.1560515

------------------------------------------------------------------------------

ii.***

. display _b[_cons]+_b[llotsize]*20000+_b[lsqrft]*2500+_b[lbdrms]*4

5181.8886

iii.

. regress price lotsize sqrft bdrms

      Source |       SS       df       MS              Number of obs =      88

-------------+------------------------------           F(  3,    84) =   57.46

       Model |  617130.701     3  205710.234           Prob > F      =  0.0000

    Residual |  300723.805    84   3580.0453           R-squared     =  0.6724

-------------+------------------------------           Adj R-squared =  0.6607

       Total |  917854.506    87  10550.0518           Root MSE      =  59.833

------------------------------------------------------------------------------

       price |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

-------------+----------------------------------------------------------------

     lotsize |   .0020677   .0006421     3.22   0.002     .0007908    .0033446

       sqrft |   .1227782   .0132374     9.28   0.000     .0964541    .1491022

       bdrms |   13.85252   9.010145     1.54   0.128    -4.065141    31.77018

       _cons |  -21.77031   29.47504    -0.74   0.462    -80.38466    36.84405

------------------------------------------------------------------------------

*Ejercicio C6.6 vote1**

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a ejercicios de econometria\Base de datos wooldridge\vote1.csv ", comma clear

i.***

. gen expendAExpendB= expenda*expendb

. regress votea prtystra expenda expendb expendAExpendB

      Source |       SS       df       MS              Number of obs =     173

-------------+------------------------------           F(  4,   168) =   55.86

       Model |   27660.966     4   6915.2415           Prob > F      =  0.0000

    Residual |  20796.2826   168  123.787396           R-squared     =  0.5708

-------------+------------------------------           Adj R-squared =  0.5606

       Total |  48457.2486   172  281.728189           Root MSE      =  11.126

--------------------------------------------------------------------------------

         votea |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

---------------+----------------------------------------------------------------

      prtystra |   .3419406   .0879928     3.89   0.000     .1682266    .5156547

       expenda |    .038281     .00496     7.72   0.000     .0284891    .0480729

       expendb |  -.0317238   .0045875    -6.92   0.000    -.0407805   -.0226672

expendAExpendB |  -6.63e-06   7.19e-06    -0.92   0.358    -.0000208    7.56e-06

         _cons |   32.11731   4.591145     7.00   0.000     23.05354    41.18109

--------------------------------------------------------------------------------

*Efecto parcial de ExpendB sobre vote A

: display _b[expendb]+(_b[expendAExpendB]*expenda)

*Efecto parcial de ExpendA sobre vote A

: display _b[expenda]+(_b[expendAExpendB]*expendb)

ii.

No, no es significativo

iii.

. ci expenda

    Variable |        Obs        Mean    Std. Err.       [95% Conf. Interval]

-------------+---------------------------------------------------------------

     expenda |        173    310.6111    21.36295        268.4438    352.7784

Ejercicios de econometría resueltos usando STATA (capitulo 5. de Wooldridge (2009))

Índice de ejercicios resueltos

                Capítulo 1. Naturaleza de la econometría y los datos económicos

                Capítulo 2. El modelo de regresión simple

                Capítulo 3. El análisis de regresión múltiple: estimación

 Capítulo 4. El análisis de regresión múltiple: inferencia 
            Capítulo 5. El análisis de regresión múltiple: MCO asintótico 
           Capítulo 6. El análisis de regresión múltiple: temas adicionales

Chapter 5 - Multiple Regression Analysis: OLS Asymptotics

*Ejercicio C5.1 wage1.cvs

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a ejercicios de econometria\Base de datos wooldridge\wage1.csv ", comma clear

i.

. regress wage educ exper tenure

. predict residuo1, resid

. histogram residuo1

ii.

. regress lwage educ exper tenure

. predict residuo2, resid

. histogram residuo2

*combiner los graficos anteriores: grapics//table of graphics

*el supuesto se nota estar mas cerca en el segundo (modelo log-nivel)

*Ejercicio C5.2 gpa2.cvs

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a ejercicios de econometria\Base de datos wooldridge\gpa2.csv ", comma clear

i. ii. y iii.

eststo clear

estimates store mzll3, title(Model 1)

    regress colgpa hsperc sat

    scalar Std1=_se[hsperc]

estimates store mzll4, title(Model 2)

    regress colgpa hsperc sat in 1/2070

    scalar Std2=_se[hsperc]

estout mzll4 mzll3, cells(b(star fmt(4)) se(par fmt(4))) legend label varlabels(_cons constant) stats(N r2 rss)

----------------------------------------------------

                          Model 1         Model 2  

                             b/se            b/se  

----------------------------------------------------

hsperc                    -0.0135***      -0.0127***

                         (0.0005)        (0.0007)  

sat                        0.0015***       0.0015***

                         (0.0001)        (0.0001)  

constant                   1.3918***       1.4360***

                         (0.0715)        (0.0978)  

----------------------------------------------------

N                       4137.0000       2070.0000  

r2                         0.2734          0.2827  

rss                     1303.5890        601.6153  

----------------------------------------------------

* p<0.05, ** p<0.01, *** p<0.001

. display Std1/Std2

.76471547

*Ejercicio C5.3 bwght.cvs (Estadistico del multiplicador de lagrange en STATA)

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

*Paso 1. Se estima el modelo conjuntamente con el modelo restringido. De este modelo restringido se guardan los residuos

  eststo clear

     estimates store mzz1, title(Model completo)

         regress bwght cigs parity faminc motheduc fatheduc

     *en el Segundo modelo se “regresa y sobre el conjunto restringido”

     estimates store mzz1, title(Model restringido)

         regress bwght cigs parity faminc

         predict resid1, resid

        

*Paso 2. Se regresa u sobre todas las variables independientes y se obtiene su r2

         regress resid1 cigs parity faminc motheduc fatheduc

         scalar r2u=e(r2)

*Paso 3. Obtener el stadistico ml, n*r

     scalar  ML=_N*r2u

         display ML

           5.6549394

*Paso 4. ML se distribuye como chi2, obtener su c y comprar. O usar directamente el p-valor

     scalar pvalue = chi2tail(2,ML)

     scalar list ML pvalue

        ML =  5.6549394

    pvalue =  .05916236

Ejercicios de econometría resueltos usando STATA (capitulo 4. de Wooldridge (2009))

Índice de ejercicios resueltos

                Capítulo 1. Naturaleza de la econometría y los datos económicos

                Capítulo 2. El modelo de regresión simple

                Capítulo 3. El análisis de regresión múltiple: estimación

 Capítulo 4. El análisis de regresión múltiple: inferencia 
            Capítulo 5. El análisis de regresión múltiple: MCO asintótico 

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              Number of obs =     173

-------------+------------------------------           F(  3,   169) =  215.15

       Model |  38402.1673     3  12800.7224           Prob > F      =  0.0000

    Residual |  10055.0813   169  59.4975224           R-squared     =  0.7925

-------------+------------------------------           Adj R-squared =  0.7888

       Total |  48457.2486   172  281.728189           Root MSE      =  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 se rechaza la H0; B=0)

*3.2. Si afecta. (P>|t|=0.000, por tanto se rechaza la H0; B=0)

*3.3. No, no se puede usar, es necesario modificar la forma en como se ha construido el estadístico t, el que el software testea por default es con un valor teórico igual a cero, en este caso sería igual a 1.

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              Number of obs =     136

-------------+------------------------------           F(  5,   130) =  138.23

       Model |  8.73362207     5  1.74672441           Prob > F      =  0.0000

    Residual |  1.64272974   130  .012636383           R-squared     =  0.8417

-------------+------------------------------           Adj R-squared =  0.8356

       Total |  10.3763518   135  .076861865           Root MSE      =  .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 región de rechazo y se rechaza ho (P>|t| también 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              Number of obs =      88

-------------+------------------------------           F(  2,    85) =   60.73

       Model |  4.71671294     2  2.35835647           Prob > F      =  0.0000

    Residual |  3.30088996    85  .038833999           R-squared     =  0.5883

-------------+------------------------------           Adj R-squared =  0.5786

       Total |   8.0176029    87  .092156355           Root MSE      =  .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***        0.013***

                            0.000           0.000  

                          (0.002)         (0.003)  

bavg                        0.001           0.001  

                            0.184           0.376  

                          (0.001)         (0.001)  

hrunsyr                     0.036***        0.014  

                            0.000           0.369  

                          (0.007)         (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) =    0.17

            Prob > F =    0.6805

. test exper =tenure

 ( 1)  exper - tenure = 0

       F(  1,   931) =    0.17

            Prob > F =    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              Number of obs =    6763

-------------+------------------------------           F(  4,  6758) =  483.85

       Model |  358.050584     4   89.512646           Prob > F      =  0.0000

    Residual |  1250.24551  6758  .185002295           R-squared     =  0.2226

-------------+------------------------------           Adj R-squared =  0.2222

       Total |  1608.29609  6762  .237843255           Root MSE      =  .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