Ejercicios de econometría resueltos usando STATA (capitulo 7. de Wooldridge (2009))

Índice de ejercicios resueltos
                Capítulo 2. El modelo de regresión simple


insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a ejercicios de econometria\Base de datos wooldridge\gpa1.csv ", comma clear

i.

. regress colgpa pc hsgpa act mothcoll fathcoll

      Source |       SS       df       MS              Number of obs =     141
-------------+------------------------------           F(  5,   135) =    7.71
       Model |  4.31210399     5  .862420797           Prob > F      =  0.0000
    Residual |  15.0939955   135  .111807374           R-squared     =  0.2222
-------------+------------------------------           Adj R-squared =  0.1934
       Total |  19.4060994   140  .138614996           Root MSE      =  .33438

------------------------------------------------------------------------------
      colgpa |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
          pc |   .1518539   .0587161     2.59   0.011     .0357316    .2679763
       hsgpa |   .4502203   .0942798     4.78   0.000     .2637639    .6366767
         act |   .0077242   .0106776     0.72   0.471    -.0133929    .0288413
    mothcoll |  -.0037579   .0602701    -0.06   0.950    -.1229535    .1154377
    fathcoll |   .0417999   .0612699     0.68   0.496     -.079373    .1629728
       _cons |   1.255554   .3353918     3.74   0.000     .5922526    1.918856
------------------------------------------------------------------------------

*el efecto del coeficiente se reduce levemente y aunque la variable deja de ser significativa al 1%, continua siéndolo al 5%.

ii.

eststo clear
estimates store mz24, title(Model No_Rest)
    regress colgpa pc hsgpa act

estimates store mz26, title(Model Rest)                         
    regress colgpa pc hsgpa act mothcoll fathcoll

estout mz26 mz24, cells(b(star fmt(4)) se(par fmt(4))) legend label varlabels(_cons constant) stats(N r2 rss)title(Models tenencia de computadora)


Models tenencia de computadora
----------------------------------------------------
                       Model Rest    Model No_R~t  
                             b/se            b/se  
----------------------------------------------------
PC                         0.1573**        0.1519* 
                         (0.0573)        (0.0587)  
hsGPA                      0.4472***       0.4502***
                         (0.0936)        (0.0943)  
ACT                        0.0087          0.0077  
                         (0.0105)        (0.0107)  
mothcoll                                  -0.0038  
                                         (0.0603)  
fathcoll                                   0.0418  
                                         (0.0613)  
constant                   1.2635***       1.2556***
                         (0.3331)        (0.3354)  
----------------------------------------------------
N                        141.0000        141.0000  
r2                         0.2194          0.2222  
rss                       15.1487         15.0940  
----------------------------------------------------
* p<0.05, ** p<0.01, *** p<0.001

. scalar F=((15.1487-15.0940)/2)/( 15.0940/(141-5-1))
. scalar pvalue=Ftail(2,135,F)
. display "F-value: " F ", F-tabla: " invF(2,135,.95) ", P-value: " pvalue
F-value: .24461707, F-tabla: 3.0632039, P-value: .78335062

*en base a los valores obtenidos no se puede rechazar la hipotesis nula.

iii.***

. gen hs_gpa2= hsgpa^2
. regress colgpa pc hsgpa hs_gpa2 act mothcoll fathcoll

      Source |       SS       df       MS              Number of obs =     141
-------------+------------------------------           F(  6,   134) =    6.90
       Model |  4.58264958     6   .76377493           Prob > F      =  0.0000
    Residual |  14.8234499   134   .11062276           R-squared     =  0.2361
-------------+------------------------------           Adj R-squared =  0.2019
       Total |  19.4060994   140  .138614996           Root MSE      =   .3326

------------------------------------------------------------------------------
      colgpa |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
          pc |   .1404458    .058858     2.39   0.018     .0240349    .2568567
       hsgpa |  -1.802523   1.443551    -1.25   0.214    -4.657616    1.052569
     hs_gpa2 |    .337341   .2157104     1.56   0.120    -.0892966    .7639787
         act |   .0047856   .0107859     0.44   0.658     -.016547    .0261181
    mothcoll |   .0030906   .0601096     0.05   0.959    -.1157958     .121977
    fathcoll |   .0627613   .0624009     1.01   0.316    -.0606569    .1861795
       _cons |   5.040334   2.443037     2.06   0.041     .2084322    9.872236
------------------------------------------------------------------------------

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 married black south urban

      Source |       SS       df       MS              Number of obs =     935
-------------+------------------------------           F(  7,   927) =   44.75
       Model |  41.8377677     7  5.97682396           Prob > F      =  0.0000
    Residual |  123.818527   927  .133569069           R-squared     =  0.2526
-------------+------------------------------           Adj R-squared =  0.2469
       Total |  165.656294   934  .177362199           Root MSE      =  .36547

------------------------------------------------------------------------------
       lwage |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
        educ |   .0654307   .0062504    10.47   0.000     .0531642    .0776973
       exper |    .014043   .0031852     4.41   0.000      .007792     .020294
      tenure |   .0117473    .002453     4.79   0.000     .0069333    .0165613
     married |   .1994171   .0390502     5.11   0.000     .1227801    .2760541
       black |  -.1883499   .0376666    -5.00   0.000    -.2622717   -.1144282
       south |  -.0909036   .0262485    -3.46   0.001     -.142417   -.0393903
       urban |   .1839121   .0269583     6.82   0.000     .1310056    .2368185
       _cons |   5.395497    .113225    47.65   0.000      5.17329    5.617704
------------------------------------------------------------------------------

*los negros ganan aproxidamente 18% menos.
. display exp(_b[black])-1
-.17167519

*la diferencia es estadísticamente significativa

ii.

*Se estima el modelo y se hace la prueba F

. gen exper2= exper^2
. gen tenure2=  tenure^2

eststo clear
estimates store mmz2, title(Model No_Rest)
    regress lwage educ exper tenure married black south urban

estimates store mmz3, title(Model Rest)                         
    regress lwage educ exper exper2 tenure tenure2 married black south urban

estout mmz2 mmz3, cells(b(star fmt(4)) se(par fmt(4))) legend label varlabels(_cons constant) stats(N r2 rss)title(Models Salario)

Models Salario
----------------------------------------------------
                     Model No_R~t      Model Rest  
                             b/se            b/se  
----------------------------------------------------
educ                       0.0643***       0.0654***
                         (0.0063)        (0.0063)  
exper                      0.0172          0.0140***
                         (0.0126)        (0.0032)  
exper2                    -0.0001                  
                         (0.0005)                  
tenure                     0.0249**        0.0117***
                         (0.0081)        (0.0025)  
tenure2                   -0.0008                  
                         (0.0005)                  
married                    0.1985***       0.1994***
                         (0.0391)        (0.0391)  
black                     -0.1907***      -0.1883***
                         (0.0377)        (0.0377)  
south                     -0.0912***      -0.0909***
                         (0.0262)        (0.0262)  
urban                      0.1854***       0.1839***
                         (0.0270)        (0.0270)  
constant                   5.3587***       5.3955***
                         (0.1259)        (0.1132)  
----------------------------------------------------
N                        935.0000        935.0000  
r2                         0.2550          0.2526  
rss                      123.4210        123.8185  
----------------------------------------------------
* p<0.05, ** p<0.01, *** p<0.001

. scalar F=((123.8185-123.4210)/2)/( 123.4210/(935-9-1))
. scalar pvalue=Ftail(2,925,F)
. display "F-value: " F ", F-tabla: " invF(2,925,.95) ", P-value: " pvalue
F-value: 1.4895662, F-tabla: 3.0054553, P-value: .22601077

iii.

*Considerando el modelo del inciso i como el original, se verifica la significancia de la variable black

iv.

*Creando grupos
Label: married=0 “solteros”; 1 “casado”
         black=0 “no negro”; 1 “negro”

. gen casado_negro    = married==1 & black==1
. gen casado_nonegro  = married==1 & black==0
. gen soltero_negro   = married==0 & black==1
. gen soltero_nonegro = married==0 & black==0

*grupo base (casado_nonegro)

      Source |       SS       df       MS              Number of obs =     935
-------------+------------------------------           F( 10,   924) =   31.66
       Model |  42.2778219    10  4.22778219           Prob > F      =  0.0000
    Residual |  123.378472   924  .133526485           R-squared     =  0.2552
-------------+------------------------------           Adj R-squared =  0.2472
       Total |  165.656294   934  .177362199           Root MSE      =  .36541

---------------------------------------------------------------------------------
          lwage |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
----------------+----------------------------------------------------------------
           educ |   .0643052    .006314    10.18   0.000     .0519137    .0766967
          exper |   .0176937    .012647     1.40   0.162    -.0071264    .0425138
         exper2 |  -.0001306   .0005329    -0.25   0.806    -.0011764    .0009152
         tenure |   .0247263   .0081406     3.04   0.002     .0087501    .0407025
        tenure2 |  -.0007886   .0004714    -1.67   0.095    -.0017137    .0001366
          south |  -.0922414   .0263082    -3.51   0.000    -.1438722   -.0406105
          urban |   .1858281    .026978     6.89   0.000     .1328828    .2387733
   casado_negro |  -.1821526   .0406209    -4.48   0.000    -.2618726   -.1024327
  soltero_negro |  -.4291383   .0881483    -4.87   0.000    -.6021324   -.2561441
soltero_nonegro |  -.1886477   .0428802    -4.40   0.000    -.2728015   -.1044938
          _cons |   5.553743   .1207473    45.99   0.000     5.316773    5.790714
---------------------------------------------------------------------------------

*Por tanto un casado negro gana aproximadamente -16.65% menos, respecto a los casados blancos, los casados negros representan solo el 10.9% de la muestra, mientras que los casados no negros el 78.40%.
. display exp(_b[casado_negro])-1
-.16652589

. mean casado_negro casado_nonegro soltero_negro soltero_nonegro

Mean estimation                     Number of obs    =     935

-----------------------------------------------------------------
                |       Mean   Std. Err.     [95% Conf. Interval]
----------------+------------------------------------------------
   casado_negro |   .1090909   .0102009      .0890716    .1291102
 casado_nonegro |   .7839572   .0134661      .7575299    .8103846
  soltero_negro |   .0192513   .0044961      .0104277     .028075
soltero_nonegro |   .0877005   .0092554      .0695367    .1058644
-----------------------------------------------------------------

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a ejercicios de econometria\Base de datos wooldridge\mlb1.csv ", comma clear

. regress lsalary years gamesyr bavg hrunsyr rbisyr runsyr fldperc allstar frstbase scndbase thrdbase shrtstop catcher

      Source |       SS       df       MS              Number of obs =     353
-------------+------------------------------           F( 13,   339) =   49.19
       Model |  321.656007    13  24.7427698           Prob > F      =  0.0000
    Residual |  170.519561   339  .503007556           R-squared     =  0.6535
-------------+------------------------------           Adj R-squared =  0.6403
       Total |  492.175568   352  1.39822605           Root MSE      =  .70923

------------------------------------------------------------------------------
     lsalary |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       years |   .0584177   .0122732     4.76   0.000     .0342766    .0825589
     gamesyr |    .009767   .0033776     2.89   0.004     .0031232    .0164107
        bavg |   .0004814   .0011411     0.42   0.673    -.0017631    .0027259
     hrunsyr |    .019146   .0159638     1.20   0.231    -.0122546    .0505466
      rbisyr |   .0017875   .0074755     0.24   0.811    -.0129167    .0164917
      runsyr |   .0118707   .0045264     2.62   0.009     .0029673    .0207741
     fldperc |   .0002833   .0023078     0.12   0.902    -.0042562    .0048227
     allstar |   .0063351   .0028828     2.20   0.029     .0006647    .0120055
    frstbase |  -.1328005   .1309243    -1.01   0.311    -.3903269    .1247258
    scndbase |  -.1611007   .1414296    -1.14   0.255    -.4392908    .1170895
    thrdbase |   .0145262   .1430352     0.10   0.919     -.266822    .2958745
    shrtstop |  -.0605662    .130203    -0.47   0.642    -.3166738    .1955414
     catcher |   .2535598   .1313128     1.93   0.054    -.0047307    .5118503
       _cons |   11.12956   2.304454     4.83   0.000     6.596731    15.66239
------------------------------------------------------------------------------

i.

*Como jardinero es el grupo base, el beta de cátcher captura la diferencia promedio, por ende la hipótesis seria que b(cátcher)=0. Tiene un t de 1.93 por lo que se rechaza la hipótesis nula de que ganen lo mismo debido a que el beta es distinto de cero.

*la magnitud de esta diferencia se puede obtener de:
. display exp(_b[catcher])-1
.28860445

*por tanto se concluye que en promedio los cátcher ganen un 28% mas

ii.

*aquí hay que probar que todos los betas que corresponden a posiciones de jugadores, son iguales a cero, si uno es diferente de cero ya no se puede probar. Individualmente se muestra (P>|t|) que salvo cátcher las demás coeficientes de las demás posiciones no son estadísticamente diferentes de cero.

------------------------------------------------------------------------------
     lsalary |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
    frstbase |  -.1328005   .1309243    -1.01   0.311    -.3903269    .1247258
    scndbase |  -.1611007   .1414296    -1.14   0.255    -.4392908    .1170895
    thrdbase |   .0145262   .1430352     0.10   0.919     -.266822    .2958745
    shrtstop |  -.0605662    .130203    -0.47   0.642    -.3166738    .1955414
     catcher |   .2535598   .1313128     1.93   0.054    -.0047307    .5118503
------------------------------------------------------------------------------

*Sin embargo, como la prueba t no permite testear la significancia conjunta de las variables, es necesario realizar la prueba F, para evaluar la significancia conjunta de las variables.

eststo clear
estimates store mod1, title(Model No_Rest)
    regress lsalary years gamesyr bavg hrunsyr rbisyr runsyr fldperc allstar frstbase scndbase thrdbase shrtstop catcher

estimates store mod2, title(Model Rest)                         
    regress lsalary years gamesyr bavg hrunsyr rbisyr runsyr fldperc allstar

estout mod1 mod2, cells(b(star fmt(4)) se(par fmt(4))) legend label varlabels(_cons constant) stats(N r2 rss)title(Models Salario de MLB por posiciones)

Models Salario de MLB por posiciones
----------------------------------------------------
                       Model Rest    Model No_R~t  
                             b/se            b/se  
----------------------------------------------------
years                      0.0629***       0.0584***
                         (0.0122)        (0.0123)  
gamesyr                    0.0092**        0.0098**
                         (0.0032)        (0.0034)  
bavg                       0.0004          0.0005  
                         (0.0011)        (0.0011)  
hrunsyr                    0.0195          0.0191  
                         (0.0159)        (0.0160)  
rbisyr                     0.0027          0.0018  
                         (0.0073)        (0.0075)  
runsyr                     0.0096*         0.0119**
                         (0.0043)        (0.0045)  
fldperc                    0.0012          0.0003  
                         (0.0020)        (0.0023)  
allstar                    0.0069*         0.0063* 
                         (0.0028)        (0.0029)  
frstbase                                  -0.1328  
                                         (0.1309)  
scndbase                                  -0.1611  
                                         (0.1414)  
thrdbase                                   0.0145  
                                         (0.1430)  
shrtstop                                  -0.0606  
                                         (0.1302)  
catcher                                    0.2536  
                                         (0.1313)  
constant                  10.3277***      11.1296***
                         (2.0019)        (2.3045)  
----------------------------------------------------
N                        353.0000        353.0000  
r2                         0.6445          0.6535  
rss                      174.9899        170.5196  
----------------------------------------------------
* p<0.05, ** p<0.01, *** p<0.001

. scalar F=((174.9899-170.5196)/5)/(170.5196/(353-8-1))
. display "F-value: " F ", F-tabla: " invF(5,344,.95)
F-value: 1.8036439, F-tabla: 2.2402283

iii.

*Comparando el valor crítico con el f de table, no se piede rechazar la h0. Lo anterior es contradictorio con lo obtenido en el inciso i, es decir cuando se testea una de las variables individualmente se rechaza la no significancia pero al testear el conjunto no se rechaza la hipótesis nula.(el 14.3% de la muestra es catcher)… Razones???


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

i.

colgpa = b0 +b1*hsize +b2*hsize2 +b3*hsperc +b4*sat +b5*female +b6*athlete

hsize:espero un signo negativo, grupos mas grandes esperaria en promedio menor calificacion
hsperc: positivo, un percentile mayor es un indicador de major estudiante
sat: positivo, razones parecidas a la anterior
female: positivo pero no estaria totalmetne seguro
*athlete: negativo, los atletas tienen a dedicar menos horas a estudiar, aunque no estaria *totalmente seguto del signo

ii.

. gen hsize2 = hsize^2
. regress colgpa hsize hsize2 hsperc sat female athlete

      Source |       SS       df       MS              Number of obs =    4137
-------------+------------------------------           F(  6,  4130) =  284.59
       Model |  524.819305     6  87.4698841           Prob > F      =  0.0000
    Residual |  1269.37637  4130  .307355053           R-squared     =  0.2925
-------------+------------------------------           Adj R-squared =  0.2915
       Total |  1794.19567  4136  .433799728           Root MSE      =   .5544

------------------------------------------------------------------------------
      colgpa |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       hsize |  -.0568543   .0163513    -3.48   0.001    -.0889117   -.0247968
      hsize2 |   .0046754   .0022494     2.08   0.038     .0002654    .0090854
      hsperc |  -.0132126   .0005728   -23.07   0.000    -.0143355   -.0120896
         sat |   .0016464   .0000668    24.64   0.000     .0015154    .0017774
      female |   .1548814   .0180047     8.60   0.000     .1195826    .1901802
     athlete |   .1693064   .0423492     4.00   0.000     .0862791    .2523336
       _cons |   1.241365   .0794923    15.62   0.000     1.085517    1.397212
------------------------------------------------------------------------------

*los atletas obtienen mayor calificación, siendo esta diferencia significativa en términos estadísticos.
. display exp(_b[athlete])-1
.18448296
iii.
. regress colgpa hsize hsize2 hsperc female athlete


      Source |       SS       df       MS              Number of obs =    4137
-------------+------------------------------           F(  5,  4131) =  191.92
       Model |  338.217123     5  67.6434245           Prob > F      =  0.0000
    Residual |  1455.97855  4131   .35245184           R-squared     =  0.1885
-------------+------------------------------           Adj R-squared =  0.1875
       Total |  1794.19567  4136  .433799728           Root MSE      =  .59368

------------------------------------------------------------------------------
      colgpa |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       hsize |  -.0534038   .0175092    -3.05   0.002    -.0877313   -.0190762
      hsize2 |   .0053228   .0024086     2.21   0.027     .0006007     .010045
      hsperc |  -.0171365   .0005892   -29.09   0.000    -.0182916   -.0159814
      female |   .0581231   .0188162     3.09   0.002     .0212333     .095013
     athlete |   .0054487   .0447871     0.12   0.903    -.0823582    .0932556
       _cons |   3.047698   .0329148    92.59   0.000     2.983167    3.112229
------------------------------------------------------------------------------

. display exp(_b[athlete])-1
.00546358

*la diferencia no es significativamente diferente de cero. Se ha eliminado la puntuación obtenida en la prueba combinada de admisión a la universidad. ¿por qué?

iv.
. gen mujer_atleta = athlete* female
. regress colgpa hsize hsize2 hsperc sat female athlete mujer_atleta

      Source |       SS       df       MS              Number of obs =    4137
-------------+------------------------------           F(  7,  4129) =  243.88
       Model |  524.821271     7  74.9744673           Prob > F      =  0.0000
    Residual |   1269.3744  4129  .307429015           R-squared     =  0.2925
-------------+------------------------------           Adj R-squared =  0.2913
       Total |  1794.19567  4136  .433799728           Root MSE      =  .55446

------------------------------------------------------------------------------
      colgpa |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       hsize |  -.0568006   .0163671    -3.47   0.001    -.0888889   -.0247124
      hsize2 |   .0046699   .0022507     2.07   0.038     .0002573    .0090825
      hsperc |  -.0132114    .000573   -23.06   0.000    -.0143349    -.012088
         sat |   .0016462   .0000669    24.62   0.000     .0015151    .0017773
      female |   .1546151   .0183122     8.44   0.000     .1187133    .1905168
     athlete |   .1674185   .0484877     3.45   0.001     .0723564    .2624806
mujer_atleta |   .0076921   .0961748     0.08   0.936    -.1808623    .1962466
       _cons |   1.241575   .0795453    15.61   0.000     1.085623    1.397526
------------------------------------------------------------------------------

*en base al estadístico t, no se rechaza la nula de que b7 sea igual a cero y por tanto no haya diferencia a partir del sexo en el hecho de ser atletas

v.

. gen sat_female= sat*female
. regress colgpa hsize hsize2 hsperc sat female sat_female  athlete


      Source |       SS       df       MS              Number of obs =    4137
-------------+------------------------------           F(  7,  4129) =  243.91
       Model |  524.867644     7  74.9810919           Prob > F      =  0.0000
    Residual |  1269.32803  4129  .307417784           R-squared     =  0.2925
-------------+------------------------------           Adj R-squared =  0.2913
       Total |  1794.19567  4136  .433799728           Root MSE      =  .55445

------------------------------------------------------------------------------
      colgpa |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       hsize |  -.0569121   .0163537    -3.48   0.001    -.0889741   -.0248501
      hsize2 |   .0046864   .0022498     2.08   0.037     .0002757    .0090972
      hsperc |   -.013225   .0005737   -23.05   0.000    -.0143497   -.0121003
         sat |   .0016255   .0000852    19.09   0.000     .0014585    .0017924
      female |   .1023066   .1338023     0.76   0.445    -.1600179    .3646311
  sat_female |   .0000512   .0001291     0.40   0.692     -.000202    .0003044
     athlete |   .1677568   .0425334     3.94   0.000     .0843684    .2511452
       _cons |   1.263743   .0974952    12.96   0.000       1.0726    1.454887
------------------------------------------------------------------------------

*Aunque las mujeres obtienen una calificación levemente superior, la diferencia no se estadísticamente significativa.

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a ejercicios de econometria\Base de datos wooldridge\ceosal1.csv ", comma clear

*generando variables
  . gen rosneg = ros<=0
  . gen lsalary= ln( salary)
  . gen lsales = ln(sales)

. regress lsalary lsales roe rosneg

      Source |       SS       df       MS              Number of obs =     209
-------------+------------------------------           F(  3,   205) =   28.81
       Model |  19.7902019     3  6.59673397           Prob > F      =  0.0000
    Residual |  46.9319613   205  .228936397           R-squared     =  0.2966
-------------+------------------------------           Adj R-squared =  0.2863
       Total |  66.7221632   208  .320779631           Root MSE      =  .47847

------------------------------------------------------------------------------
     lsalary |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
      lsales |   .2883868   .0336172     8.58   0.000      .222107    .3546665
         roe |   .0166571   .0039681     4.20   0.000     .0088336    .0244806
      rosneg |   -.225675    .109338    -2.06   0.040    -.4412462   -.0101038
       _cons |   4.297602   .2932526    14.65   0.000     3.719425     4.87578
------------------------------------------------------------------------------

*Interpretacion: dada las demas variables independientes, los CEO que obtivieron res negative ganan en promedio 22.6% menos que los demás. En términos de significancia, es significativo a niveles superiores al 5%.

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a ejercicios de econometria\Base de datos wooldridge\sleep75.csv ", comma clear

*Ecuacion de interés
. gen age2=age^2
. regress sleep totwrk educ age age2 yngkid

      Source |       SS       df       MS              Number of obs =     706
-------------+------------------------------           F(  5,   700) =   18.14
       Model |  15972384.7     5  3194476.94           Prob > F      =  0.0000
    Residual |   123267451   700  176096.359           R-squared     =  0.1147
-------------+------------------------------           Adj R-squared =  0.1084
       Total |   139239836   705  197503.313           Root MSE      =  419.64

------------------------------------------------------------------------------
       sleep |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
      totwrk |  -.1460463   .0168809    -8.65   0.000    -.1791896   -.1129031
        educ |  -11.13772   5.890168    -1.89   0.059    -22.70223    .4267914
         age |  -8.123949   11.37049    -0.71   0.475     -30.4483     14.2004
        age2 |    .126287    .135186     0.93   0.351    -.1391317    .3917057
      yngkid |   17.15441   50.00839     0.34   0.732    -81.02999    115.3388
       _cons |   3825.375   240.2585    15.92   0.000     3353.661    4297.088
------------------------------------------------------------------------------
i.

eststo clear
estimates store modelo3, title(Model Hombres)
    regress sleep totwrk educ age age2 yngkid if male==1

estimates store modelo4, title(Model Mujeres)                         
    regress sleep totwrk educ age age2 yngkid if male==0

estout modelo3 modelo4, cells(b(star fmt(4)) se(par fmt(4))) legend label varlabels(_cons constant) stats(N r2 rss)title(Models Horas de sueño)

Models Horas de sueño
----------------------------------------------------
                     Model Muje~s    Model Homb~s  
                             b/se            b/se  
----------------------------------------------------
totwrk                    -0.1399***      -0.1821***
                         (0.0277)        (0.0245)  
educ                     -10.2051        -13.0524  
                         (9.5888)        (7.4142)  
age                      -30.3566          7.1566  
                        (18.5309)       (14.3204)  
age2                       0.3679         -0.0448  
                         (0.2233)        (0.1684)  
yngkid                  -118.2826         60.3802  
                        (93.1876)       (59.0228)  
constant                4238.7293***    3648.2083***
                       (384.8923)      (310.0393)  
----------------------------------------------------
N                        306.0000        400.0000  
r2                         0.0977          0.1562  
rss                  57288575.9410    63763978.9893  
----------------------------------------------------
* p<0.05, ** p<0.01, *** p<0.001

*el signo de los coeficientes age, age2 y yngkid difiere entre los grupos, ademas la magnitud de los coeficientes, visualmente, son diferentes. La significancia de las variables puede mostrar t muy diferentes, pero tienen a rechazarse la significatividad estadísticas de las mismas variables.

ii.

. gen male_totwrk = male*totwrk
. gen male_yngkid = male*yngkid

. regress sleep totwrk educ age age2 yngkid male male_totwrk male_yngkid
      Source |       SS       df       MS              Number of obs =     706
-------------+------------------------------           F(  8,   697) =   12.58
       Model |    17564732     8   2195591.5           Prob > F      =  0.0000
    Residual |   121675104   697  174569.733           R-squared     =  0.1261
-------------+------------------------------           Adj R-squared =  0.1161
       Total |   139239836   705  197503.313           Root MSE      =  417.82

------------------------------------------------------------------------------
       sleep |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
      totwrk |  -.1443479    .026332    -5.48   0.000    -.1960474   -.0926484
        educ |  -11.42488   5.875073    -1.94   0.052    -22.95984    .1100792
         age |  -9.365377   11.33877    -0.83   0.409    -31.62761    12.89685
        age2 |   .1335546   .1348172     0.99   0.322    -.1311419    .3982511
      yngkid |  -84.66258   86.88302    -0.97   0.330    -255.2464    85.92124
        male |   155.1322   83.84413     1.85   0.065    -9.485119    319.7496
 male_totwrk |  -.0387553   .0363742    -1.07   0.287    -.1101715    .0326608
 male_yngkid |   121.9443   102.2713     1.19   0.234    -78.85236     322.741
       _cons |   3829.378   241.6613    15.85   0.000     3354.907     4303.85
------------------------------------------------------------------------------

. regress sleep totwrk educ age age2 yngkid if male==0
. scalar Rss0 = e(rss)

. regress sleep totwrk educ age age2 yngkid if male==1
. scalar Rss1 = e(rss)

. regress sleep totwrk educ age age2 yngkid male male_totwrk male_yngkid
. scalar Rssp = e(rss)

*Validar resultados
. scalar Stat_Chow = ((Rssp-(Rss0+Rss1))/(Rss0+Rss1))*(( e(N)-(2*(e(df_m)+1)))/( e(df_m)+1))
. display Stat_Chow
.39313834

. display “grados de libertad:” e(N)-(2*(e(df_m)+1))
grados de libertad:688

iii.

*hacer la prueba F, comparando los residuales del modelo, con y sin los términos de iteración.

iv.***

Si se rechaza la significancia conjunta (h0, sus betas=0) el midelo correcto seria el que no tiene las variables, en caso que se rechace la nula, el modelo correcto será el que mantiene los términos de iteraciones.

   
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 female_educ = female*educ
. gen exper2=exper^2
. gen tenure2=tenure^2

. regress lwage female educ female_educ exper exper2 tenure tenure2

      Source |       SS       df       MS              Number of obs =     526
-------------+------------------------------           F(  7,   518) =   58.37
       Model |  65.4081523     7  9.34402176           Prob > F      =  0.0000
    Residual |  82.9216085   518  .160080325           R-squared     =  0.4410
-------------+------------------------------           Adj R-squared =  0.4334
       Total |  148.329761   525  .282532878           Root MSE      =   .4001

------------------------------------------------------------------------------
       lwage |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
      female |  -.2267887   .1675394    -1.35   0.176     -.555929    .1023516
        educ |   .0823692   .0084699     9.72   0.000     .0657296    .0990088
 female_educ |  -.0055645   .0130618    -0.43   0.670    -.0312252    .0200962
       exper |   .0293366   .0049842     5.89   0.000      .019545    .0391283
      exper2 |  -.0005804   .0001075    -5.40   0.000    -.0007916   -.0003691
      tenure |   .0318967    .006864     4.65   0.000      .018412    .0453814
     tenure2 |    -.00059   .0002352    -2.51   0.012     -.001052    -.000128
       _cons |   .3888061   .1186871     3.28   0.001     .1556389    .6219733
------------------------------------------------------------------------------

*educ==0***
display _b[female]
-.22678872

*educ==12.5***
display _b[female]+(_b[female_educ]*12.5)
-.29634502

ii.

. gen female_educ15=educ*(educ-12.5)
. regress lwage female educ  female_educ15 exper exper2 tenure tenure2

      Source |       SS       df       MS              Number of obs =     526
-------------+------------------------------           F(  7,   518) =   61.99
       Model |  67.6129722     7  9.65899602           Prob > F      =  0.0000
    Residual |  80.7167887   518  .155823916           R-squared     =  0.4558
-------------+------------------------------           Adj R-squared =  0.4485
       Total |  148.329761   525  .282532878           Root MSE      =  .39475

-------------------------------------------------------------------------------
        lwage |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
--------------+----------------------------------------------------------------
       female |  -.2803473   .0356109    -7.87   0.000    -.3503069   -.2103877
         educ |   .0291068   .0150529     1.93   0.054    -.0004654     .058679
female_educ15 |    .004626   .0012218     3.79   0.000     .0022257    .0070262
        exper |   .0306464   .0049229     6.23   0.000     .0209751    .0403177
       exper2 |  -.0006187   .0001064    -5.82   0.000    -.0008277   -.0004098
       tenure |   .0305469   .0067659     4.51   0.000     .0172549    .0438389
      tenure2 |  -.0005484   .0002319    -2.36   0.018    -.0010041   -.0000928
        _cons |   1.011217   .1849251     5.47   0.000     .6479217    1.374512
-------------------------------------------------------------------------------

*Interptreta female: Es el efecto estimado cuando el nivel de educacion es 12.5 años de escolaridad.***

iii.

*Si, en el inciso ii. female  es significativo. Mientras que en el primer inciso no lo era.


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

i.

*Si existe discriminación se esperaría que B1[white] sea positivo, distinto de cero. Es decir que ser blanco afecta positivamente la probabilidad de que le concedan el préstamo.

ii.

. regress approve white

      Source |       SS       df       MS              Number of obs =    1989
-------------+------------------------------           F(  1,  1987) =  102.23
       Model |  10.4743407     1  10.4743407           Prob > F      =  0.0000
    Residual |   203.59303  1987  .102462521           R-squared     =  0.0489
-------------+------------------------------           Adj R-squared =  0.0485
       Total |  214.067371  1988  .107679764           Root MSE      =   .3201

------------------------------------------------------------------------------
     approve |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       white |   .2005957     .01984    10.11   0.000     .1616864     .239505
       _cons |   .7077922   .0182393    38.81   0.000     .6720221    .7435623
------------------------------------------------------------------------------

*Es significativa y grande en sentido práctico. Ser blanco incrementa la posibilidad de que te concedan un préstamo alrededor del 20%.

iii.

. regress approve white hrat obrat loanprc unem male married dep sch cosign chist pubrec mortlat1 mortlat2 vr

      Source |       SS       df       MS              Number of obs =    1971
-------------+------------------------------           F( 15,  1955) =   25.86
       Model |  35.4004767    15  2.36003178           Prob > F      =  0.0000
    Residual |  178.393536  1955  .091249891           R-squared     =  0.1656
-------------+------------------------------           Adj R-squared =  0.1592
       Total |  213.794013  1970   .10852488           Root MSE      =  .30208

------------------------------------------------------------------------------
     approve |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       white |   .1288196   .0197317     6.53   0.000     .0901223    .1675169
        hrat |    .001833   .0012632     1.45   0.147    -.0006444    .0043104
       obrat |  -.0054318   .0011018    -4.93   0.000    -.0075926    -.003271
     loanprc |     -.1473   .0375159    -3.93   0.000    -.2208754   -.0737245
        unem |  -.0072989    .003198    -2.28   0.023    -.0135708   -.0010271
        male |  -.0041441   .0188644    -0.22   0.826    -.0411405    .0328523
     married |   .0458241   .0163077     2.81   0.005     .0138418    .0778064
         dep |  -.0068274   .0067013    -1.02   0.308    -.0199699    .0063151
         sch |   .0017525   .0166498     0.11   0.916    -.0309006    .0344057
      cosign |   .0097722   .0411394     0.24   0.812    -.0709094    .0904538
       chist |   .1330268   .0192627     6.91   0.000     .0952492    .1708043
      pubrec |  -.2419268   .0282274    -8.57   0.000    -.2972858   -.1865678
    mortlat1 |  -.0572511    .050012    -1.14   0.252    -.1553336    .0408314
    mortlat2 |  -.1137234   .0669838    -1.70   0.090    -.2450905    .0176438
          vr |  -.0314408   .0140313    -2.24   0.025    -.0589586   -.0039229
       _cons |   .9367311   .0527354    17.76   0.000     .8333076    1.040155
------------------------------------------------------------------------------

*El cociente, sigue siendo significativo lo que evidencia discriminación a favor de los blancos, pero su efecto parcial se reduce considerablemente.

. gen white_obrat=white*obrat

. regress approve white hrat obrat  white_obrat loanprc unem male married dep sch cosign chist pubrec mortlat1 mortlat2 vr

      Source |       SS       df       MS              Number of obs =    1971
-------------+------------------------------           F( 16,  1954) =   25.17
       Model |   36.531805    16  2.28323781           Prob > F      =  0.0000
    Residual |  177.262208  1954  .090717609           R-squared     =  0.1709
-------------+------------------------------           Adj R-squared =  0.1641
       Total |  213.794013  1970   .10852488           Root MSE      =  .30119

------------------------------------------------------------------------------
     approve |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       white |  -.1459751    .080263    -1.82   0.069    -.3033851     .011435
        hrat |   .0017897   .0012596     1.42   0.156    -.0006806    .0042599
       obrat |  -.0122262   .0022155    -5.52   0.000    -.0165713   -.0078812
 white_obrat |   .0080879   .0022903     3.53   0.000     .0035963    .0125796
     loanprc |  -.1525355   .0374357    -4.07   0.000    -.2259536   -.0791174
        unem |  -.0075281   .0031893    -2.36   0.018    -.0137829   -.0012733
        male |  -.0060154   .0188167    -0.32   0.749    -.0429184    .0308875
     married |   .0455358   .0162603     2.80   0.005     .0136465    .0774251
         dep |    -.00763   .0066856    -1.14   0.254    -.0207417    .0054817
         sch |   .0017766   .0166011     0.11   0.915    -.0307812    .0343344
      cosign |   .0177091   .0410807     0.43   0.666    -.0628576    .0982757
       chist |   .1298548   .0192274     6.75   0.000     .0921464    .1675632
      pubrec |   -.240325   .0281486    -8.54   0.000    -.2955296   -.1851205
    mortlat1 |  -.0627819   .0498906    -1.26   0.208    -.1606262    .0350624
    mortlat2 |  -.1268446   .0668914    -1.90   0.058    -.2580306    .0043414
          vr |  -.0305396   .0139926    -2.18   0.029    -.0579816   -.0030975
       _cons |   1.180648   .0868076    13.60   0.000     1.010403    1.350894
------------------------------------------------------------------------------

*Si es signicativo y positivo, lo que indica que las personas blancas en la muestra tienen mayor porcentaje de los ingresos.

iv.

. display _b[white]+_b[white_obrat]*32
. display _b[white]+_b[white_obrat]*32
.11283819

*para continuar corer la ecuacion del inciso iii. Pero cambiendo la iteración por:
. gen white_obrat32=white*(obrat-32)
Luego se corre la ecuacion con este termino de error y de ahi se obtiene el error standar para crear el interval que seria: beta(estimado)+-1.96*E.S

insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion a ejercicios de econometria\Base de datos wooldridge\401ksubs.csv ", comma clear

i.

*El 39.13% de la poblacion
. ci  e401k

    Variable |        Obs        Mean    Std. Err.       [95% Conf. Interval]
-------------+---------------------------------------------------------------
       e401k |       9275    .3921294    .0050698        .3821916    .4020672

ii.

. gen inc2=inc^2
. gen age2=age^2

. reg e401k inc inc2 age age2 male

      Source |       SS       df       MS              Number of obs =    9275
-------------+------------------------------           F(  5,  9269) =  192.96
       Model |  208.430869     5  41.6861738           Prob > F      =  0.0000
    Residual |  2002.39458  9269  .216031349           R-squared     =  0.0943
-------------+------------------------------           Adj R-squared =  0.0938
       Total |  2210.82544  9274  .238389632           Root MSE      =  .46479

------------------------------------------------------------------------------
       e401k |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
         inc |   .0124464   .0005929    20.99   0.000     .0112843    .0136086
        inc2 |  -.0000616   4.73e-06   -13.03   0.000    -.0000709   -.0000524
         age |   .0265061   .0039225     6.76   0.000     .0188173     .034195
        age2 |  -.0003053    .000045    -6.78   0.000    -.0003935    -.000217
        male |  -.0035328    .012084    -0.29   0.770    -.0272202    .0201545
       _cons |  -.5062895   .0810961    -6.24   0.000    -.6652556   -.3473233
------------------------------------------------------------------------------

iii.

*No, los coeficientes relacionados con edad y ingreso son estadísticamente significativo, lo que no permite aceptar la hipótesis nula de que estos no afectan la elegibilidad del plan.
*En el caso del género, no se rechaza la hipótesis de que el efecto sea nulo. Esto porque es muy probable que el sexo no sea una variable de peso al momento de elegir personas para el plan.

iv.

Entradas populares de este blog

Valores perdidos (NA) en R: identificación y tratamiento (I)

Ejemplos de tablas en Stata

Métodos y técnicas de Investigación Económica