Practica1 De Metodo Econometrico



Ejercicios de Regresion Simple
1. Utiliza para este ejercicio los datos de salarios proporcionados en el fichero WAGE1.RAW (la descripción de las variables está en WAGE1.DES). Atención: el fichero de datos no contiene los nombres de las variables.

a. Haz una regresión del salario en función de los años de educación. Analiza los resultados.
hacemos la regresión de wage y educ, luegoanalizamos.
> summary(lm1)
Call:
lm(formula = wage ~ educ, data = datos)
Residuals:
Min 1Q Median 3Q Max
-5.3396 -2.1501 -0.9674 1.1921 16.6085
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.90485 0.68497 -1.321 0.187
educ 0.54136 0.05325 10.167 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1Residual standard error: 3.378 on 524 degrees of freedom
Multiple R-squared: 0.1648, Adjusted R-squared: 0.1632
F-statistic: 103.4 on 1 and 524 DF, p-value: < 2.2e-16

Con la solucion, ya sabemos que la variable explicada con el p-valor 0.187, no es significativa, y la variable explicativa con el p-valor <2e-16, es significativa en el modelo. El parametro estimado de educ es 0.54136. El error es3.378, y el valor de F es 103.4.

b. Repite el ejercicio pero ahora utiliza el modelo log-lin
lm2 <- lm(log(wage)~educ,data=datos)
> summary(lm2)
Call:
lm(formula = log(wage) ~ educ, data = datos)
Residuals:
Min 1Q Median 3Q Max
-2.21158 -0.36393 -0.07263 0.29712 1.52339

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.583773 0.0973365.998 3.74e-09 ***
educ 0.082744 0.007567 10.935 < 2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.4801 on 524 degrees of freedom
Multiple R-squared: 0.1858, Adjusted R-squared: 0.1843
F-statistic: 119.6 on 1 and 524 DF, p-value: < 2.2e-16

Entonces, la variable explicada con el p-valor 3.74e-09, es significativa, y lavariable explicativa con el p-valor <2e-16,tambien es significativa en el modelo. Y ahora el parametro estimado de educ es 0.082744 , con el error es 0.4801, el valor de F es 119.6.


c. Por qué no podemos aplicar en este casó el modelo log-log?

Porque en este modelo, la relación entre variable explicada y variable explicativa no se establecen en terminos de incrementos relativos.


2. Los datos de401K.RAW son una submuestra de un estudio de la relación entre la participación en un plan de pensiones y la generosidad del mismo. La variable prate es el porcentaje de trabajadores que tienen activo un plan de pensiones (es decir, nuestra variable dependiente). La medida de generosidad del plan es lo que denominamos match rate (mrate). Esta variable nos dá la cantidad media de la contribución de laempresa al plan de pensiones por cada dólar que pone el trabajador. Por ejemplo, si mrate = 0.5, entonce si el trabajador pone 1$, la empresa pone 50 centavos.

a. Calcula las medias de la tasa de participación y del match rate.
> summary(datos1$prate)
Min. 1st Qu. Median Mean 3rd Qu. Max.
3.00 78.03 95.70 87.36 100.00 100.00
> summary(datos1$mrate)
Min. 1st Qu. MedianMean 3rd Qu. Max.
0.0100 0.3000 0.4600 0.7315 0.8300 4.9100
La media de prate es 87.36, la media de mrate es 0.7315

b. Estima la regresión simple
prate = β0 + β1 mrate + u.

Estimamos la regresion simple es
Prate = 83.0775+5.8611*mrate

c. Interpreta los coeficientes
> summary(lm2)
Call:
lm(formula = prate ~ mrate, data = datos1)
Residuals:
Min 1Q Median 3QMax
-82.303 -8.184 5.178 12.712 16.807
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 83.0755 0.5633 147.48 <2e-16 ***
mrate 5.8611 0.5270 11.12 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 16.09 on 1532 degrees of freedom
Multiple R-squared: 0.0747, Adjusted R-squared:...