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