Ejercicios en computador

1. El modelo siguiente puede usarse para estudiar si los gastos de campaa

afectan los resultados de las elecciones
Vote A= B0 +B1 Log (expend A) + B2 Log (expend AB) + B3 prtystrA + u

Donde voteA es el porcentaje de votos recibidos por el candidato A, expendA y

expendB son los gastos de la campaa del candidato A y del candidato B y prtystrA es
una medida de la fortaleza del partido del candidato A (el porcentaje de votos que
obtuvo el partido de A en la eleccin presidencial ms reciente)
i)

Cul es la interpretacin de B1?

R: significa que al aumentar en un porcentaje los gastos de la campaa del candidato A,

se espera que a travs de este aumento, recibir mayores votos con relacin al aumento
de los gastos de la campaa, es decir, aumentan en la misma proporcin que los gastos
de campaa

ii)

En trminos de los parmetros, establezca la hiptesis nula de que un

aumento de 1% en los gastos de A es compensado por un aumento de 1% en
los gastos de B.

R:

Hiptesis nula:

H0= B1 = - B2
H1= B1 + B2 = 0

iii)

Estime el modelo dado usando los datos del archivo VOTE.RAW y presente
los resultados de la manera usual. Los gastos de A afectan los resultados de

las elecciones? Y los gastos de B? Puede usar estos resultados para probar
la hiptesis del inciso ii?
Vote = 45.078 + 6.083 Log (expend A) 6.61 Log (expend B) + 0,151 prtystrA
R: lo que hacen los gastos A es en incidir positivamente en el resultado de las
elecciones al candidato A, ya que una unidad adicional de gasto implica un aumento en
el porcentaje de votos del candidato en un 6,083%. Y lo que hacen los gastos B es
afectar el resultado de las elecciones en forma negativa al candidato B, puesto que al
aumentar los gstos B en una unidad adicional, se reducira la cantidad de votos recibidos
del candidato en 6,615 %, por lo que se puede probar la hiptesis del inciso ii

Source

SS

df

MS

Model
Residual

38405.1096
10052.1389

3
169

12801.7032
59.480112

Total

48457.2486

172

281.728189

voteA

Coef.

lexpendA
lexpendB
prtystrA
_cons

6.083316
-6.615417
.1519574
45.07893

iv)

Std. Err.
.38215
.3788203
.0620181
3.926305

t
15.92
-17.46
2.45
11.48

Number of obs
F( 3,
169)
Prob > F
R-squared
Adj R-squared
Root MSE

P>|t|
0.000
0.000
0.015
0.000

=
=
=
=
=
=

173
215.23
0.0000
0.7926
0.7889
7.7123

[95% Conf. Interval]

5.328914
-7.363246
.0295274
37.32801

6.837719
-5.867588
.2743873
52.82985

Estime el modelo que proporciona directamente el estadstico t para probar

la hiptesis del inciso ii). Que concluye usted? (use la alternativa de dos
colas)

R:

1 = B1 + B 2

B1 = 1 B2

Tenemos: VoteA = B0 + B1 Log (expend) + B2 [Log (expendB) Log (expenda)] +

B3 (prtystrA) + u
Al obtener esta ecuacin nos da que 1 = -0,532. Lo que nos dice que el estadstico t
para la hiptesis del maso ii es de -. 532/.533-1. Por lo tanto no se rechaza H0 = 2B
1B a favor de H1
2. Para este ejercicio utilice los datos del archivo LAWSCH85.RAW
i)

Usando el mtodo del problema 3.4, establezca y pruebe la hiptesis nula de que el

ranking entre las escuelas de derecho no tiene efecto ceteris paribus sobre el suelo
inicial medio.

Source

SS

df

MS

Model
Residual

8.73362207
1.64272974

5
130

1.74672441
.012636383

Total

10.3763518

135

.076861865

lsalary

Coef.

LSAT
GPA
llibvol
lcost
rank
_cons

.0046965
.2475239
.0949932
.0375538
-.0033246
8.343226

Std. Err.
.0040105
.090037
.0332543
.0321061
.0003485
.5325192

t
1.17
2.75
2.86
1.17
-9.54
15.67

Number of obs
F( 5,
130)
Prob > F
R-squared
Adj R-squared
Root MSE

P>|t|
0.244
0.007
0.005
0.244
0.000
0.000

=
=
=
=
=
=

136
138.23
0.0000
0.8417
0.8356
.11241

[95% Conf. Interval]

-.0032378
.0693964
.0292035
-.0259642
-.004014
7.2897

.0126308
.4256514
.160783
.1010718
-.0026352
9.396752

. lincom rank
( 1)

rank = 0

lsalary

Coef.

(1)

-.0033246

H0 = Brank = 0

Std. Err.
.0003485

t
-9.54

P>|t|

[95% Conf. Interval]

0.000

-.004014

-.0026352

Brank < 0

Nivel de significancia del 5%

t = -9,54
c = -1,645
gl = 136 5 1 = 130
t < -ck = -9,54 < -1,645 = se rechaza H0 a favor de H1

-9,54

-1,645

5%
Si se disminuye en 2 niveles el ranking, como afecta el salario?

-0,0033 (2) = -0,0066 *100 = -0,66% que es la disminucin del salario en 2 niveles que
disminuye el ranking
Con esto decimos que el ranking no tiene un efecto grande sobre el salario, pues por
cada nivel de que disminuye en el ranking, el salario disminuir en 0,33%

ii) Son las caractersticas de los estudiantes de nuevo ingreso a saber, LSAT y GPA
significativas de manera individual o conjunta para explicar el sueldo (salary)?
(Asegrese de tomar en cuenta que hay datos faltantes en LSAT y GPA.)
R: GPA se hace significativa, pues al aumentar el promedio en un punto, conjuntamente
aumentar el salario del estudiante de nuevo ingreso en un $ 0,248; ahora LSAT no es
muy significativa puesto que al aumentar el puntaje del grupo en un punto, su salario
aumentar en un $0,0047. Adems de esto, el estadstico t de GPA es de 2,76 y por el
contrario, este si es estadsticamente significativo.
iii) Pruebe si el tamao del grupo (clsize) o el tamao de la facultad (faculty) necesitan
ser agregados a esta ecuacin; realice una prueba sencilla. (Tenga cuidado de tomar en
cuenta que hay datos faltantes en clsize y faculty.)
Source

SS

df

MS

Model
Residual

8.51020266
1.57316189

7
123

1.21574324
.012789934

Total

10.0833645

130

.077564343

lsalary

Coef.

LSAT
GPA
llibvol
lcost
rank
clsize
faculty
_cons

.0055824
.2660667
.055158
.0296716
-.0034277
.0001342
.0000675
8.415897

Std. Err.
.0041798
.0932495
.0404005
.034683
.0003573
.0001535
.0003999
.552253

t
1.34
2.85
1.37
0.86
-9.59
0.87
0.17
15.24

Number of obs
F( 7,
123)
Prob > F
R-squared
Adj R-squared
Root MSE

P>|t|
0.184
0.005
0.175
0.394
0.000
0.384
0.866
0.000

=
=
=
=
=
=

131
95.05
0.0000
0.8440
0.8351
.11309

[95% Conf. Interval]

-.0026913
.081485
-.0248123
-.0389813
-.0041349
-.0001697
-.0007242
7.322746

.0138561
.4506484
.1351283
.0983246
-.0027204
.000438
.0008591
9.509048

R: no es necesario agregar clsize y faculty a la ecuacin, puesto que su variacin es

muy mnima como se puede observar en la tabla
iv) Qu factores pueden influir en la posicin en el ranking de una escuela de leyes que
no estn incluidos en la regresin del sueldo?

R: la capacidad innata que tienen, la experiencia, la capacitacin, calidad en los

docentes

3. Vuelva al problema 3.14. Como variable dependiente emplee ahora el log

del precio de la vivienda:
Log (price) = B0 + B1sqrft + B2 bdrms + u.
i) Usted desea estimar y obtener un intervalo de confianza para la variacin porcentual
del precio (price) cuando una casa tiene una recmara adicional de 150 pies cuadrados.
En forma decimal, esto es 1 = 130 B1 + B2. Emplee los datos del archivo HPRICE1.
RAW para estimar 1
. regress lprice sqrft bdrms
Source

SS

df

MS

Model
Residual

4.71671468
3.30088884

2
85

2.35835734
.038833986

Total

8.01760352

87

.092156362

lprice

Coef.

sqrft
bdrms
_cons

.0003794
.0288844
4.766027

Std. Err.
.0000432
.0296433
.0970445

t
8.78
0.97
49.11

Log (Price) = 4,76 + 0,00038 sqrft + 0,029 bdrms

nl = 88
gl = 88 2 1 = 85
Nivel de significancia = 5%
c = 1,662
[0,00038 1,662 (0,0000432); 0,00038 + 1,662 (0,0000432)

Number of obs
F( 2,
85)
Prob > F
R-squared
Adj R-squared
Root MSE

P>|t|
0.000
0.333
0.000

=
=
=
=
=
=

88
60.73
0.0000
0.5883
0.5786
.19706

[95% Conf. Interval]

.0002935
-.0300543
4.573077

.0004654
.0878232
4.958978

[0,00030; 0,00045]
Log (price) = 0,00038 (130) + 0,029 (1)
Log (price) = 0,0784 * 100 = 7,84 %

ii) Exprese B2 en trminos de 1 y B1 y sustituya esto en la ecuacin de log (price).

R:

B 2 = 1 + B1

0,0784 = 0,0494 + B2
B2 = 0,0784 0,0494 = 0,029
Log (price) = 0,00038 (130) + 0,029
Log (price) =0,0784 = 7,84%

iii) Emplee el inciso ii) para obtener el error estndar de 1 y con este error estndar
construya un intervalo de confianza de 95%.
n = 88
gl = 88 2 1 = 85

Nivel de significancia = 5%
c = 1,662
[0,00038 1,662 (0,0000432); 0,00038 + 1,662 (0,0000432)
[0,00030; 0,00045]

iv) En el ejemplo 4.9 puede estimarse la versin restringida del modelo empleando
todas las 1,388 observaciones mustrales. Calcula R-cuadrada de la regresin de bwght
sobre cigs, parity y faminc empleando todas las observaciones. Compare esto con la Rcuadrada dada para el modelo restringido del ejemplo 4.9.

. regress bwght cigs parity faminc

Source

SS

df

MS

Model
Residual

19996.5211
554615.199

3
1384

6665.50703
400.733525

Total

574611.72

1387

414.283864

bwght

Coef.

cigs
parity
faminc
_cons

-.4771537
1.616372
.0979201
114.2143

Std. Err.
.091518
.603955
.0291868
1.4693

Number of obs
F( 3, 1384)
Prob > F
R-squared
Adj R-squared
Root MSE

P>|t|

-5.21
2.68
3.35
77.73

0.000
0.008
0.001
0.000

=
=
=
=
=
=

1388
16.63
0.0000
0.0348
0.0327
20.018

[95% Conf. Interval]

-.6566827
.4316058
.040665
111.3321

-.2976247
2.801138
.1551752
117.0966

. regress bwght cigs parity faminc motheduc fatheduc

Source

SS

df

MS

Model
Residual

18705.5567
464041.135

5
1185

3741.11135
391.595895

Total

482746.692

1190

405.669489

bwght

Coef.

cigs
parity
faminc
motheduc
fatheduc
_cons

-.5959362
1.787603
.0560414
-.3704503
.4723944
114.5243

Std. Err.
.1103479
.6594055
.0365616
.3198551
.2826433
3.728453

t
-5.40
2.71
1.53
-1.16
1.67
30.72

Number of obs
F( 5, 1185)
Prob > F
R-squared
Adj R-squared
Root MSE

P>|t|
0.000
0.007
0.126
0.247
0.095
0.000

=
=
=
=
=
=

1191
9.55
0.0000
0.0387
0.0347
19.789

[95% Conf. Interval]

-.8124352
.4938709
-.0156913
-.9979957
-.0821426
107.2092

-.3794373
3.081336
.1277742
.2570951
1.026931
121.8394

Bwght = B0 + B1 (cigs) + B2 (parity) + B3 (faminc) + B4 (motheduc) + B5 fatheduc + u

Bwght = 114.52 0,60 (cigs) + 1,79 (parity) + 0,056 (faminc) 0,37 (motheduc) +
0,472 (fatherduc)

La R2 de la regresin bwght cuando se opta por tomar en cuenta solo cigs, parity y
faminc es de 0,0384, se acerca ms a cero y al incluir las variables motheduc y fatheduc
se incrementa en 0,0387, lo que nos dice que tiene los padres no es relevante en la
ecuacin
4. Para este ejercicio emplee los datos en el archivo MLB1.RAW.
i) Emplee el modelo estimado en la ecuacin (4.31) y elimine la variable rbisyr. Qu
pasa con la significancia estadstica de hrunsyr? Qu pasa con el tamao del
coeficiente de hrunsyr?
Antes

. regress lsalary years gamesyr bavg hrunsyr rbisyr

Source

SS

df

MS

Model
Residual

308.989208
183.186327

5
347

61.7978416
.527914487

Total

492.175535

352

1.39822595

lsalary

Coef.

years
gamesyr
bavg
hrunsyr
rbisyr
_cons

.0688626
.0125521
.0009786
.0144295
.0107657
11.19242

Std. Err.
.0121145
.0026468
.0011035
.016057
.007175
.2888229

t
5.68
4.74
0.89
0.90
1.50
38.75

Ahora

Number of obs
F(
5,
347)
Prob > F
R-squared
Adj R-squared
Root MSE

P>|t|
0.000
0.000
0.376
0.369
0.134
0.000

=
=
=
=
=
=

353
117.06
0.0000
0.6278
0.6224
.72658

[95% Conf. Interval]

.0450355
.0073464
-.0011918
-.0171518
-.0033462
10.62435

.0926898
.0177578
.003149
.0460107
.0248776
11.76048

. regress lsalary years gamesyr bavg hrunsyr

Source

SS

df

MS

Model
Residual

307.800674
184.374861

4
348

76.9501684
.52981282

Total

492.175535

352

1.39822595

lsalary

Coef.

years
gamesyr
bavg
hrunsyr
_cons

.0677325
.0157595
.0014185
.0359434
11.02091

Std. Err.
.0121128
.0015636
.0010658
.0072408
.2657191

t
5.59
10.08
1.33
4.96
41.48

Number of obs
F( 4,
348)
Prob > F
R-squared
Adj R-squared
Root MSE

P>|t|
0.000
0.000
0.184
0.000
0.000

=
=
=
=
=
=

353
145.24
0.0000
0.6254
0.6211
.72788

[95% Conf. Interval]

.0439089
.0126841
-.0006776
.0217021
10.49829

.091556
.0188348
.0035147
.0501847
11.54353

La significancia estadstica de la variable hruns es una disminucin, lo cual quiere decir

que al eliminar la variable rbisyr reduce el nivel de los cuadrangulares porque las
carreras por ao disminuyen. Por lo tanto, el coeficiente de hrunsyr se aleja del
parmetro analizado ya que aumenta desplazndose a la izquierda
ii) Al modelo del inciso i) agregue las variables runsyr (carreras por ao), fldperc
(porcentaje de fildeo) y sbasesyr (bases robadas por ao). Cules de estos factores son
significativos individualmente?

. regress lsalary years gamesyr bavg hrunsyr runsyr fldperc sbasesyr

Source

SS

df

MS

Model
Residual

314.510478
177.665058

7
345

44.9300682
.514971181

Total

492.175535

352

1.39822595

lsalary

Coef.

years
gamesyr
bavg
hrunsyr
runsyr
fldperc
sbasesyr
_cons

.0699848
.0078995
.0005296
.0232106
.0173922
.0010351
-.0064191
10.40827

Std. Err.
.0119756
.0026775
.0011038
.0086392
.0050641
.0020046
.0051842
2.003255

t
5.84
2.95
0.48
2.69
3.43
0.52
-1.24
5.20

Number of obs
F( 7,
345)
Prob > F
R-squared
Adj R-squared
Root MSE

P>|t|
0.000
0.003
0.632
0.008
0.001
0.606
0.216
0.000

=
=
=
=
=
=

353
87.25
0.0000
0.6390
0.6317
.71761

[95% Conf. Interval]

.0464305
.0026333
-.0016414
.0062185
.0074318
-.0029077
-.0166157
6.468139

.0935391
.0131657
.0027007
.0402027
.0273525
.0049778
.0037775
14.3484

El valor significativo t vendra siendo sbasesyr, ya que las otras variables tienen valor
significativo comn donde estn en un parmetro positivo. Si se toma el estadstico F
sirve para detectar si un conjunto de coeficientes es distinto de cero, pero nunca ser la
mejor prueba para determinar si un solo coeficiente es distinto de cero. Para probar una
sola hiptesis la prueba t es ms adecuada.

iii) En el modelo del inciso ii) pruebe la significancia conjunta de bavg, fldperc y
sbasesyr.

. regress lsalary years gamesyr

Source

SS

df

MS

Model
Residual

293.864058
198.311477

2
350

146.932029
.566604221

Total

492.175535

352

1.39822595

lsalary

Coef.

years
gamesyr
_cons

.071318
.0201745
11.2238

Std. Err.
.012505
.0013429
.108312

t
5.70
15.02
103.62

Number of obs
F( 2,
350)
Prob > F
R-squared
Adj R-squared
Root MSE

[95% Conf. Interval]

0.000
0.000
0.000

.0467236
.0175334
11.01078

B1 = 0; B2 = 0; B4 = 0; B5=0

H1 = H0 no es verdadera
q = 398.121 177.665
q = glr glnr
glr = 353 3 1

glnr =353 7 - 1

glr = 349

glnr = 345

q = 349 345 = 4

F=

398, 121 177,665

4

= 55114

177.665

F = 107.023

514.97

345
Criterio de decisin = f > c
107,023 > 2,60

353
259.32
0.0000
0.5971
0.5948
.75273

P>|t|

R: significancia conjunta de bavg, fldperc y sbasesyr.

H0 =

=
=
=
=
=
=

= se rechaza H0 en favor de H1

.0959124
.0228156
11.43683