Econometría I

COM – 05223
Práctica Nº 3
3.1 ¿Cuál de las causas siguientes puede hacer que los estadísticos t usuales de MCO
no sean válidos (es decir, que no tengan una distribución t bajo H0)?
i) Heterocedasticidad.

En general la existencia de heterocedasticidad no afecta las condiciones de sesgo de los

estimadores pero invalida las pruebas estadísticas de contrastes asociadas a los intervalos
de confianza a partir de las distribuciones T de Student y F de Fisher-Snedecor

ii) Que exista un coeficiente de correlación muestral de .95 entre dos variables
independientes del modelo.
iii) Omitir una variable explicativa importante.

3.2 Considere una ecuación para explicar los sueldos de los directores generales o CEO en
términos de las ventas anuales de la empresa, el rendimiento sobre capital (roe, en forma
de porcentaje), y el rendimiento de las acciones de la empresa (ros, en forma de
porcentaje):

i) En términos de los parámetros del modelo, establezca la hipótesis nula de que,

controlando sales y roe, ros no tiene efecto en el sueldo de los CEO. Establezca
la alternativa de que un mejor desempeño de las acciones de la empresa
incrementa el sueldo de los CEO.

H0 : _3 = 0
H1 : _3 > 0.

ii) Con los datos de CEOSAL1.WF1, empleando MCO se obtuvo la ecuación siguiente:

¿Cuál es el porcentaje de aumento de salary que se pronostica si ros aumenta 50 puntos?

¿Tiene ros un efecto práctico grande sobre salary?

50 - (100 - 0,000241655) = 1. 2083%

y no tiene un efecto práctico grande sobro sañary.

ii) Pruebe la hipótesis nula que dice que ros no tiene efecto sobre salary contra la
alternativa que dice que ros tiene efecto positivo. Realice la prueba al nivel de
significancia de 10%.

Para un contraste unilateral, el valor crítico de una t209−3−1 = t205 _ 1,282.

Usando las hipótesis en (a),
 𝛽 0.000241655
t = 𝑠𝑒(𝛽3 = = 044602
3) 0.0005418

Que no es significativo: no podemos rechazar H0 en favor de H1.

iii) ¿Incluiría usted ros en el modelo final que explica las compensaciones de los
CEO en términos del desempeño de la empresa? Explique.

No, lo incluiría en el modelo final por que ros no tiene efecto en el sueldo de
los CEO.

3.3 La variable rdintens representa el gasto en investigación y desarrollo (I & D) dado

como porcentaje de las ventas. Las ventas (sales) se miden en millones de dólares. La
variable profmarg representa la ganancia como porcentaje de las ventas. Empleando los
datos del archivo RDCHEM.WF1 de 32 empresas de la industria química, se estimo la
ecuación siguiente:

i) Interprete el coeficiente de log(sales). En particular, si sales aumenta 10%, ¿cuál es la

variación estimada en puntos porcentuales en rdintens? ¿Es este efecto económicamente
grande?

Manteniendo profmarg constate la variación estimada en los puntos porcentuales de

rdintens será igual al = 0, 321 y aumentando sales en un 10 % ≈ 0.0321

ii) Pruebe la hipótesis de que la intensidad de la I & D no varía con sales contra la
alternativa de que aumenta con las ventas. Realice la prueba a los niveles de significancia
de 5 y 10%.

H0 = 1B=0
H1 : B1>0

el estadístico t es 1,486. El valor critico al 5% para el test de una cola y 29 gdl opten I do
de la tabla G. 2 es 1,699 entonces no rechazamos H0 el valor crítico del 10% es de 1,311
como el the estadistico es mayor rechazamos H0 a favor de H1 al nivel del 10%.

iii) Interprete el coeficiente de profmarg. ¿Es éste coeficiente económicamente grande?

Su t estadistico es de 1,087 que es menor inclusive al 10% del valor crítico por lo cual
decimos que el coeficiente no es econometricamente grande.

iv) ¿Tiene profmarg un efecto estadístico significativo sobre rdintens?

Tiene un efecto estadistico significativo pero es mínimo.

3.4 ¿En una ciudad estudiantil, influye la población de estudiantes sobre las rentas de las
viviendas? Sea rent la renta mensual promedio en una ciudad estudiantil de Estados
Unidos. Sean pop el total de la población en esa ciudad, avginc el ingreso promedio en la
ciudad y pctstu la población de estudiantes dada como porcentaje del total de la
población. Un modelo para probar esta relación es:
log(rent)= β0 + β1log( pop) + β2log(avginc)+ β3pctstu+ u.
i) De la hipótesis nula que establece que el tamaño del cuerpo estudiantil en
relación con la población no tiene efecto ceteris paribus sobre las rentas
mensuales. Mencione la alternativa que establece que si tiene efecto.

H0:3B=0
H1:3B≠0
La H1 estable que el tamaño del cuerpo estudiantil en relación con la población tiene
efecto efecto sobre las rentas mensuales.

ii) ¿Qué signo espera que tengan β1 y β2?

B2 es de signo

iii) La ecuación estimada empleando datos de 1990 del archivo RENTAL.WF1

sobre 64 ciudades estudiantiles es:
̂ = 0.43 + 0.066 log( pop) + 0.507 log(avginc)+ 0.0056 pctstu+ u.
𝑙𝑜𝑔(𝑟𝑒𝑛𝑡)
(0.844) (0.039) (0.081) (0.0017)
¿Que está equivocado en la siguiente afirmación: “Un aumento de 10% en la
población corresponde aproximadamente a un aumento de 6.6% en la renta”

Un incremento del 10% en la población si corresponde a un incrementa de la

renta en un 6,6%.

iv) Pruebe la hipótesis establecida en el inciso i) al nivel de 1%

con 60 gdl el valor critico al 1% para un test de dos colas es de 2.66 en el t

estadístico es de 3.29 .

3.5 Considere la ecuación estimada del ejemplo 4.3, la cual se emplea para estudiar el
efecto de faltar a clases en el promedio general (GPA) en la universidad:

i) Empleando la aproximación normal estándar, encuentre el intervalo de

confianza de 95% para βhsGPA.

Nc = 1-α α = 1- 0.95 α = 0.05 α/2 = 0.025

0.412 ± 1.96 (0.094)

 0.412 ± 0.18 ó 0.228 a 0.596

ii) ¿Se puede rechazar la hipótesis H0: βhsGPA = .4 contra la alternativa de dos colas
al nivel de 5%?

El 0.4 está dentro el parámetro del 95% del intervalo de confianza por lo tanto
si se puede rechazar la H0.

iii) ¿Se puede rechazar la hipótesis H0: βhsGPA = 1 contra la alternativa de dos colas
al nivel de 5%?

1 esta fuera del 95% del intervalo de confianza por lo tanto no se pude
rechazar H0.

3.6 La tabla siguiente se obtuvo empleando los datos del archivo CEOSAL2.WF1:
Variable dependiente: log(salary)
Variables (1) (2) (3)
independientes
log(sales) .224 .158 .188
(.027) (.040) (.040)
log(mktval) -- .112 .100
(.050) (.049)
Profmarg —— -.0023 - .0022
(.0022) (.0021)
ceoten —— —— .0171
_.0092 (.0055)
comten —— —— -.0092
(.0033)
intercepto 4.94 4.62 4.57 (0.25)
(0.20) (0.25)
Observaciones 177 177 177
R-cuadrada .281 .304 .353

La variable mktval es el valor de mercado de la empresa, profmarg es la ganancia

expresada como porcentaje de las ventas, ceoten son los años como director general de
la empresa y comten son los años de antigüedad en la empresa del director general.
i) Analice el efecto de profmarg sobre el sueldo del director general.

Podemos observar una relación inversa entre profmarg y salary muy cercana a
cero.
A mayor margen de ganancia menor sueldo.
0.0023/0.0022 = 1.045
Es demasiado peque;a y no afecta a salary

ii) ¿Tiene un efecto significativo el valor de mercado? Explique.

si tiene un valor significativo de mercado por que el nivel de confianza es

aproximadamente igual 0.050.
 iii) Interprete los coeficientes de ceoten y de comten. .Son estas variables
explicativas estadísticamente significativas?

iv) ¿Qué opina del hecho de que una mayor antigüedad en la empresa,
manteniendo todos los demás factores constantes, corresponda a un sueldo
menor?

Se supone que es una relación inversa por lo tanto a mayor años de

antigüedad mayor sueldo.

Ejercicios en Computadora
3.7 El modelo siguiente puede usarse para estudiar si los gastos de campaña afectan los
resultados de las elecciones:
voteA = β0 + β1log(expendA)+ β2log(expendB)+ β3 prtystrA + u,
donde, voteA es el porcentaje de votos recibidos por el candidato A, expendA y
expendB son los gastos de campaña 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 elección presidencial mas reciente).
i) ¿Cuál es la interpretación de β1?
El coeficiente de β1 es la relación entre su dependiente (expendA)
manteniendo los demás constantes.
ii) En términos de los parámetros, establezca la hipótesis nula de que un
aumento de 1% en los gastos de A es compensado por un aumento de 1% en
los gastos de B.
H nula : β1 = 0
H nula : β1 = - β2
H nula : β1 + β2 = 0
H alterna : β1 + β2 ≠ 0

i) Estime el modelo dado usando los datos del archivo VOTE1.WF1 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
hipótesis del inciso ii)?

voteA = 45,07 + 6,08 log(expendA)-6,61 log(expendB)+ 0,15

prtystrA
los gastos de A si afectan las elecciones la relación
entre gasto y boto si el boto es menor a 0 , los gatos
incurridos serian malgastados por no obtener beneficio
sobre las elecciones.
Y los gastos de B tiene una ralacion negativa ya q por
cada 10000 de aumento en B va areducir – 6,61% de votos

voteA = 45,07 + 6,08 log(expendA)-6,61 log(expendB)+ 0,15

(3,92) (0,38) (0,37) (0,06)
 prtystrA

A y B son estadísticamente significativa = 0,0000

ii) Es time el modelo que proporciona directamente el estadístico t para probar la

hipótesis del inciso ii). ¿Qué concluye usted? (Use una alternativa de dos
colas.)

El p-value es 0.3182 > 0,05 entonses se rechaza la hipótesis

nula.

3.8 Para este ejercicio utilice los datos del archivo LAWSCH85.RAW.
i) Usando el modelo del problema 3.4, establezca y pruebe la hipótesis nula de que el
ranking entre las escuelas de derecho no tiene efecto ceteris paribus sobre el sueldo
inicial medio.
ii) ¿Son las características de los estudiantes de nuevo ingreso —a saber, LSAT y GPA—
significativas de manera individual o conjunta para explicar el sueldo (salary)?
(Asegúrese de tomar en cuenta que hay datos faltantes en LSAT y GPA.)
iii) Pruebe si el tamaño del grupo (clsize) o el tamaño de la facultad (faculty) necesitan ser
agregados a esta ecuación; realice una prueba sencilla. (Tenga cuidado de tomar en
cuenta que hay datos faltantes en clsize y faculty.)
iv) ¿Qué factores pueden influir en la posición en el ranking de una escuela de leyes que
no están incluidos en la regresión del sueldo?

3.9 Para este ejercicio emplee los datos en el archivo MLB1.WF1.

i) Emplee el modelo estimado en la ecuación (4.31) y elimine la variable rbisyr. ¿Qué
pasa con la significancia estadística de hrunsyr? .Que pasa con el tamaño del
coeficiente de hrunsyr?
Logsalary= 11,02 +0.067 years + 0,015 gamesyr +0,0014 bavg
(0,26) (0,012) (0,0015) (0,0010)

+0,0359 hrunsyr
(0,0072)
El hrunsys al eliminar la variable rbisyr se vuelve sigificante
= 0.00 y su coeficiente aumenta a 0,0359.
N= 353 SRC=184.37 R2 = 0,625
iii) Al modelo del inciso i) agregue las variables runsyr (carreras por año), fldperc
(porcentaje de fildeo) y sbasesyr (bases robadas por año). .Cuales de estos
factores son significativos individualmente?

Dependent Variable: LSALARY

Method: Least Squares

Date: 03/21/18 Time: 19:39
Sample: 1 353
Included observations: 353

Variable Coefficient Std. Error t-Statistic Prob.

C 10.40827 2.003255 5.195679 0.0000

YEARS 0.069985 0.011976 5.843968 0.0000
GAMESYR 0.007900 0.002677 2.950375 0.0034
BAVG 0.000530 0.001104 0.479825 0.6317
HRUNSYR 0.023211 0.008639 2.686672 0.0076
RUNSYR 0.017392 0.005064 3.434429 0.0007
FLDPERC 0.001035 0.002005 0.516356 0.6059
SBASESYR -0.006419 0.005184 -1.238213 0.2165

R-squared 0.639021 Mean dependent var 13.49218

Adjusted R-squared 0.631697 S.D. dependent var 1.182466
S.E. of regression 0.717615 Akaike info criterion 2.196635
Sum squared resid 177.6651 Schwarz criterion 2.284260
Log likelihood -379.7061 Hannan-Quinn criter. 2.231502
F-statistic 87.24774 Durbin-Watson stat 1.287201
Prob(F-statistic) 0.000000

Las variables con significancia son years gamesyr hrunsyr runsyr

iii) En el modelo del inciso ii) pruebe la significancia conjunta de bavg, fldperc y
sbasesyr.
Dependent Variable: LSALARY
Method: Least Squares
Date: 03/21/18 Time: 19:49
Sample: 1 353
Included observations: 353

Variable Coefficient Std. Error t-Statistic Prob.

C 3.899057 2.931406 1.330098 0.1844

BAVG 0.007144 0.001535 4.654771 0.0000
Las variable FLDPERC 0.007648 0.002921 2.617922 0.0092
con más SBASESYR 0.032330 0.005282 6.120990 0.0000
significancia
es b Avg y R-squared 0.191099 Mean dependent var 13.49218
sbasesyr Adjusted R-squared 0.184145 S.D. dependent var 1.182466
S.E. of regression 1.068059 Akaike info criterion 2.980829
Sum squared resid 398.1215 Schwarz criterion 3.024642
Log likelihood -522.1163 Hannan-Quinn criter. 2.998263
F-statistic 27.48312 Durbin-Watson stat 1.019351
Prob(F-statistic) 0.000000

3.10 Para este ejercicio emplee los datos del archivo WAGE2.WF1.
i) Considere la ecuación estándar para salario
 log(wage) = β0 + β1educ + β2exper + β3tenure + u.
lwage = 5.496696 + 0.074864 educ + 0.015328 exper + 0.013375 tenure

Establezca la hipótesis nula de que un año más de experiencia en la fuerza de

Dependent Variable: LWAGE trabajo
Method: Least Squares general
Date: 03/19/18 Time: 16:32
tiene el
Sample: 1 935
Included observations: 935 mismo
efecto
Variable Coefficient Std. Error t-Statistic Prob. sobre log

C 5.496696 0.110528 49.73115 0.0000 (wage)

EDUC 0.074864 0.006512 11.49549 0.0000 que un
EXPER 0.015328 0.003370 4.549086 0.0000 año más
TENURE 0.013375 0.002587 5.169615 0.0000
de
R-squared 0.155112 Mean dependent var 6.779004
Adjusted R-squared 0.152390 S.D. dependent var 0.421144
S.E. of regression 0.387729 Akaike info criterion 0.947250
Sum squared resid 139.9610 Schwarz criterion 0.967958
Log likelihood -438.8394 Hannan-Quinn criter. 0.955146
F-statistic 56.97386 Durbin-Watson stat 1.769343
Prob(F-statistic) 0.000000

antigüedad en el empleo actual.

Ho=> exper= tenure

Hi => exper ≠ tenure

Ho => β1 = β2
Hi => β1 ≠ β2

Wald Test:
Equation: Untitled

Test Statistic Value df Probability

t-statistic 157.7842 932 0.0000

F-statistic 24895.85 (1, 932) 0.0000
Chi-square 24895.85 1 0.0000

Null Hypothesis: C(1) = C(2)

Null Hypothesis Summary:

Normalized Restriction (= 0) Value Std. Err.

C(1) - C(2) 6.695336 0.042434

Restrictions are linear in coefficients.

Como el p- value es menor a 0.05 se concluye rechazar la hipótesis nula Ho => β1 =

β2 en favor de la hipótesis alterna Hi => β1 ≠ β2.
 If < 0.05 se rechaza la nula
If >0.05 no se rechaza la nula

3.11 La base de datos 401KSUBS.WF1 contiene información acerca de riqueza financiera

neta (nettfa), edad de la persona entrevistada (age), ingreso familiar anual (inc),
tamaño de la familia (fsize), y participación en ciertos planes de pensiones para
estadounidenses. Las variables riqueza e ingreso están dadas en miles de dólares.
Para esta ecuación, emplee solo los datos de hogares de una sola persona (es decir
fsize = 1).
i) ¿Cuántos hogares de una sola persona hay en esta base de datos?
R. 2017 hogares de una sola persona.

ii) Use MCO para estimar el modelo

nettfa = β0 + β1 inc + β2 age + u,
y de los resultados empleando el formato habitual. Compruebe que solo utiliza
los hogares de una sola persona que hay en la muestra. Interprete los
coeficientes de pendiente. ¿Hay algo que sorprenda en las estimaciones de
pendiente?
Dependent Variable: NETTFA
Method: Least Squares
Date: 03/17/18 Time: 11:24
Sample: 1 2017
Included observations: 2017

Variable Coefficient Std. Error t-Statistic Prob.

C -43.03981 4.080393 -10.54796 0.0000

INC 0.799317 0.059731 13.38200 0.0000
AGE 0.842656 0.092017 9.157631 0.0000

R-squared 0.119343 Mean dependent var 13.59498

Adjusted R-squared 0.118469 S.D. dependent var 47.59058
S.E. of regression 44.68275 Akaike info criterion 10.43854
Sum squared resid 4021048. Schwarz criterion 10.44688
Log likelihood -10524.27 Hannan-Quinn criter. 10.44160
F-statistic 136.4648 Durbin-Watson stat 1.975944
Prob(F-statistic) 0.000000

inc muy diferente del estimado en el inciso ii)? Justifique su respuesta.

El aumento de un dólar sobre el ingreso va a aumentar income en 0.79 ctvs.
084*1000
Solo al cumplir un año más de vida se espera que nettfa aumente en 840 dolares

iii) ¿Tiene algún significado interesante el intercepto en la regresión del inciso ii)?
Explique.

iv) Encuentre el valor-p de la prueba H0: β2 = 1 contra H0: β2 < 1. ¿Rechaza usted H0
al nivel de significancia de 1%?
H0: β2 = 1
H0: β2 < 1

Wald Test:
Equation: Untitled

Test Statistic Value df Probability

t-statistic -1.709944 2014 0.0874

F-statistic 2.923908 (1, 2014) 0.0874
Chi-square 2.923908 1 0.0873

Null Hypothesis: C(3)= 1

Null Hypothesis Summary:

Normalized Restriction (= 0) Value Std. Err.

-1 + C(3) -0.157344 0.092017

Restrictions are linear in coefficients.

Probability
t-statistic 0.08

H0; B3= 1 No rechazo h0

v) Si realiza una regresión simple de nettfa sobre inc, ¿és el coeficiente estimado de

Guías para las respuestas

3.1 a) y c)
3.2 i) H0: β3 = 0. H1: β3 > 0.
ii) 0.12, el efecto es del 1.2% ….
 iii) El valor crítico para el test de una cola usando gdl= ∞, es igual a 1.282 (Ver Tabla
G.2. de Wooldridge) El estadístico t en ros es .00024/.00054 ≈ .44, que es mucho
menor que su valor crítico. Entonces no rechazamos H0 a un nivel de significancia
del 10%.
iv) Basados en esta muestra, el coeficiente estimado ros parece ser diferente de cero
solo por una variación muestral. Por otro lado, incluir ros podría no estar causando
ningún daño; dependerá de que tan correlacionado se encuentre con las otras
variables independientes (además estas son muy significativas inclusive con ros en
la ecuación).
3.3 (i) Manteniendo profmarg fijo ˆrdintenŝ = .321, si %Δsales = 10,rdintensΔ ̂ ≈.032.
(ii) H0:1β = 0 vs H1: β1 > 0, El estadístico t es 1.486. El valor crítico al 5% para el
test de una cola con 29 gdl, obtenido de la tabla G.2 es 1.699; entonces no
rechazamos H0. Pero el valor crítico del 10% es 1.311; como el t estadístico es
mayor, rechazamos H0 a favor de H1 al nivel de 10%.
(iii) Su t estadístico es 1.087, que es menor inclusive al 10% del valor crítico.

3.4 (i) H0:3β = 0. H1:3β ≠ 0.

(iii) “un incremento del 10% en la población incrementa la renta por.66%.”
(iv) Con 60 gdl , el valor crítico al 1% para un test de dos colas es 2.660. El t estadístico
es 3.29, entonces ….
3.5 (i) .412 ± 1.96(.094), o .228 a .596.
(ii) .4 está dentro el 95% del IC.
(iii) 1 está fuera del 95% del IC.
3.6 (i) en las columnas (2) y (3), el coeficiente de profmarg es negativo, a pesar de que su t
estadístico es –1. El margen de ganancia no tiene efecto sobre los salarios de los
CEO.
(ii)La columna (3), controla la mayoría de los factores que afectan el salario. El
estadístico t en log(mktval) es 2.05, significante a un nivel del 5%. log(mktval) es
estadísticamente significativo porque el coeficiente es una elasticidad, un
aumento ceteris paribus del 10% en el valor del mercado prevé un aumento en el
salario del 1%.
(iii) Son individualmente significativas, tceoten ≈ 3.11 y tcomten –2.79. Otro año
como CEO en la compañía incrementará el salario por 1.71%. Por otro lado, un año
con la compañía pero no como CEO, reducirá el salario por .92%.

3.7 (i) Manteniendo otros factores fijos:

ΔVoteA= β1Δlog(expendA) ≈(β1 /100)(100 ⋅ Δlog(expendA)
≈(β1 /100)( %Δlog(expendA)
(ii) H0: β2 = –β1, o H0: β1+β2 = 0.
̂ = 45.08 + 6.083 log(expendA) – 6.615 log(expendB) + .152 prtystrA
(iii) 𝑣𝑜𝑡𝑒𝐴
(3.93) (0.382) (0.379) (.062)
n = 173, R2 = .793.
El coeficiente de log(expendA) es significativo (estadístico t ≈ 15.92), así como el
coeficiente de log(expendB) (estadístico t –17.45).
(iv) θ1 = β1 +β2, o β1 = θ1–β2 :
̂ = β0 + θ1 log(expendA) + β2 [log(expendB) – log(expendA)] +β3prtystrA + u,
𝑣𝑜𝑡𝑒𝐴
 𝜃̂1 ≈ –.532 y es(θ1)≈ .533. El estadístico t es –1. No rechazamos H0 :β2 ≈ –β1.

3.8 (i) log(salary) = β0+β1 LSAT +β2GPA + β3log(libvol) +β4log(cost)+ β5rank + u,

H0: β5 = 0.
log(salary)= 8.34 + .0047LSAT + .248 GPA + .095 log(libvol) + .038 log(cost) – .0033 rank
(0.53) (.0040) (.090) (.033) (.032) (.0003)
n = 136, R2 = .842.
(ii) LSAT (estadístico t ≈ 1.18) GPA (estadístico t 2.76). El test de sifnificancia conjunta es
nos brinda un estadístico F de 9.95 (con 2 y 130 gdl) y p-value ≈ .0001.
(iii) El test de significancia conjunta (con 2 y 131 – 8 = 123 gdl) F ≈ .95 y p-value .39.
Entonces ……..
̂
3.9 (i) 𝑙𝑜𝑔(𝑠𝑎𝑙𝑎𝑟𝑦) = 11.02 + .0677 years + .0158 gamesyr + .0014 bavg + .0359 hrunsyr
(0.27) (.0121) (.0016) (.0011) (.0072)
n = 353, R2 = .625.
̂
(ii) 𝑙𝑜𝑔(𝑠𝑎𝑙𝑎𝑟𝑦) = 10.41 + .0700 years + .0079 gamesyr + .00053 bavg + .0232 hrunsyr
(2.00) (.0120) (.0027) (.00110) (.0086)
+ .0174 runsyr + .0010 fldperc – .0064 sbasesyr
(.0051) (.0020) (.0052)
n = 353, R2 = .639.
(iii) Estadístico F (con 3 y 345 gdl) es .69 p-value= .56.

3.10 (i) log(wage) = β0 + β1educ + β2exper + β3tenure + u

H0: β2 = β3.
(ii) θ2 = β2 –β3. : log(wage) = β0 + β1educ + θ2exper + β3 (exper + tenure) + u
Para obtener el 95% IC para θ2: .0020 ± 1.96(.0047), o desde -.0072 a .0112. Como
cero está en este IC, θ2 no es estadísticamente diferente de cero, no rechazamos H0:
β2 = β3 al nivel de 5%.
3.11 (i) Existen 2,017 solteros (familias de una persona) en la muestra de 9,275.
̂ = −43.04 + .799 inc + .843 age
(ii) 𝑛𝑒𝑡𝑡𝑓𝑎
( 4.08) (.060) (.092)
n = 2,017, R2 = .119.
(iv) El estadístico t es ≈ −1.71, el p-value es .044.
(v) el coeficiente de la pendiente de inc en una regresión simple es.821. La
correlación entre inc y age es .039.