Ejercicios Capitulo 6

Pontificia Universidad Javeriana de Cali
Facultad de Ciencias Económicas y Administrativas

Programa de Economía
Econometría I
Marcela Vargas Sánchez
Cód. 0218633
EJERCICIOS CAPITULO 6
______________________________________________________________________________
C6.1 Del archivo KIELMC.RAW emplee los datos de 1981 para responder las preguntas
siguientes. Estos datos son de viviendas vendidas durante 1981 en North Andover,
Massachusetts; 1981 fue el año en que se inició la construcción de un incinerador local de basura.
i) Para estudiar el efecto de la ubicación del incinerador sobre los precios de la vivienda,
considere el modelo de regresión simple
log(price)= 𝛽0 + 𝛽1 log(Dist) +u,
donde price es el precio de la vivienda en dólares y dist es la distancia de la vivienda al

incinerador, medida en pies.
Interpretando esta ecuación de manera causal, ¿qué signo espera usted que tenga
𝛽1 , si la presencia del incinerador hace decrecer el precio de la vivienda?
Respuesta
La interpretación, requiere que todos los otros elementos de esta continúen constantes,
entonces permaneciendo todos los elementos contantes, el signo negativo acompañando
la variable log(Dist), implicaría que porcada pie que aumente esta distancia , el precio de
la casa aumentaría en porcentaje respecto a una casa que tenga más distancia al
incinerador.
Por lo tanto, para conservar un buen precio, la vivienda debe estar más lejos del
incinerador
Estime esta ecuación e interprete los resultados, resultados para el modelo:
- Stata:
Econometría I
Cód. 0218633
El modelo estimado para cualquier año es:

log( precio ) = 8.2575 + .317 log(dist)
n = 321, R² = .1199 , Ajustad R² = .1172,
Estime esta ecuación para el año 1981 e interprete los resultados.

- Stata:
El modelo estimado para el año 1981 es:

log( precio ) = 8.047159 + 0.364875 log(dist)
n = 142, R² = .1803 , Ajustad R² = .1744,
Lo que significa que por cada unidad (1% ) en la distancia de la casa al incinerador, el precio de
la vivienda se incrementara aproximadamente .37% .
Entonces, Cuando haya un incremento de 1% en la distancia al incinerador, el valor de la vivienda
se incrementará en un 0.37%, ceteris Paribus.
El resultado del R²= 18% , quiere decir que existe correlación entre las variables.
Econometría I
Cód. 0218633
ii) Al modelo de regresión simple del inciso i) agregue las variables log(intst), log(área),
log(land), rooms, baths y age, donde intst es la distancia de la vivienda a la carretera
interestatal, área es el área de la vivienda en pies cuadrados, land es el tamaño del terreno
en pies cuadrados, rooms es la cantidad de habitaciones, baths es la cantidad de baños y
age la antigüedad de la vivienda en años.
Ahora, ¿qué concluye usted acerca del efecto del incinerador?
-Stata
1. Al incluir más variables, se provoca que las variables independientes sean absorbidas por
las otras como efecto de la multicolinealidad.
2. Al ingresar a la regresión las variables rooms, baths y age y los logaritmos de las variables
inst (lintst)y áreas(larea), el coeficiente de la variable lintst cambia de .3648 a 0.0553918.
es decir que su efecto disminuye , lo que significa que cuando se ingresan al modelo más
variables, la distancia al incinerador se vuelve estadísticamente insignificante con un
t=0.96
3. Esto se debe que algunas de las variables con carácter descriptivo como #baños y
#habitaciones tengan más peso en el modelo.
Econometría I
Cód. 0218633
Explique por qué los incisos i) y ii) dan resultados contradictorios
Los dos modelos representan situaciones diferentes, ya que en el modelo del inciso i) el precio de
la vivienda depende únicamente de la distancia del hogar al incinerador de basura, en cambio en
el inciso ii), el precio de la vivienda depende de otras variables más decisivas a la hora de
determinar el valor, ya que estos variables son determinantes de calidad, el hecho de que la
distancia al incinerador sea mayor hace que las variables puedan tener un mayor precio,
iii) Al modelo del inciso ii) agregue la variable [log(intst)]2.
¿Qué pasa ahora?

Cuando [log(inst)]2 se agrega a la regresión en la parte ii), se obtiene el siguiente modelo:
log(precio)= –3.3173 + 0.1852 log(dist) + 2.0728 log(inst) – 0.11932 [log(instsq)] + e
n = 142, R2 = 0.7775, 2R = 0.7642.

Econometría I
Cód. 0218633
¿Qué concluye usted acerca de la importancia de la forma funcional?

1. El coeficiente en log(dist)= 0.1852
Pasa a tener un t= 2.97 , lo que lo hace significativo estadísticamente,
2. Los coeficientes en log(inst)= 2.0728 con t=4.14 y log(instsq)= -0.11932 con t= 4.24
Los hace muy significativos estadísticamente,.
3. Al agregar el logaritmo de la variable intst (log(instsq)) , cambia el valor de los coeficientes

de las variables incluidas anteriormente, potencializando su valor estadístico. L que indica
una correlación favorable entre las variables de distancia, bien sea al incinerador como a
la interestatal en relación al precio.
iv) ¿Es significativo el cuadrado de log(dist) cuando se agrega al modelo del inciso iii)?
Cuando se agrega al modelo el cuadrado del logaritmo de la variable intst (lintstsq), se obtiene:
coeficiente = -0.0364946 t =-0.33.
Por lo tanto, no es estadísticamente importante, entonces no afecta mayormente añadir esta
variable.
Econometría I
Cód. 0218633
C6.2 Para este ejercicio emplee los datos del archivo WAGE1.RAW.
i. Use MCO para estimar la ecuación
log(wage)= 𝛽0 + 𝛽1 educ. +𝛽2 𝐸𝑥𝑝𝑒𝑟𝑡 + 𝛽3 𝐸𝑥𝑝𝑒𝑟𝑡 2
y dé los resultados empleando el formato acostumbrado.
La ecuación estimada es ฀
log( wage ) = 0.1279975 +0 .0903658 educ +0.0410089 exper –0.0007136 exper2

n = 526, R² = 0.3003 Adjusted R² =0 .2963
ii) ¿Es exper² estadísticamente significativa al nivel de 1%?
El estadístico |t| en exper2 = 6.16, que tiene un valor p=0.000.

Por lo que la variable exper es significativo en el nivel del 1% , ya que es menor que α=0.05
Econometría I
Cód. 0218633
iii) Empleando la aproximación
%ΔWage = 100( 𝛽2 + 2𝛽3 exper)Δexper,
determine el rendimiento aproximado que tiene el quinto año de experiencia.
𝛽1 𝑒𝑥𝑝𝑒𝑟2 = 𝑃𝑎𝑟𝑎𝑏𝑜𝑙𝑎 𝑞𝑢𝑒 𝑎𝑏𝑟𝑒 ℎ𝑎𝑐𝑖𝑎 𝑎𝑏𝑎𝑗𝑜
Cuando Δ= exper 1, se deriva para maximizar
% Δ wage = 100 (𝛽2 + 2 𝛽3 𝑒𝑥𝑝𝑒𝑟)
Se remplazan entonces los valores del modelo calculado.

Econometría I
Cód. 0218633
Rendimiento al quinto año de experiencia:
Al reemplazar estos valores en la ecuación derivada, tenemos:
% Δ wage = 100 (𝛽2 + 2 𝛽3 𝑒𝑥𝑝𝑒𝑟 )
% Δ wage = 100 (0.0410089 + 2 ∗ (−0.0007136) ∗ 4 )
% Δ wage =3.53 Cambio porcentual
Se espera entonces que para el quinto año de experiencia un trabajador obtenga el 3.53%
de incremento anual por cada año trabajado.
¿Cuál es el rendimiento aproximado del vigésimo año de experiencia?
Al reemplazar estos valores en la ecuación derivada, tenemos:
% Δ wage = 100 (𝛽2 + 2 𝛽3 𝑒𝑥𝑝𝑒𝑟 ) * Δ exper
% Δ wage = 100 (0.0410089 + 2 ∗ (−0.0007136) ∗ 20 ) * 1
% Δ wage = 4,072346 Cambio porcentual
Se espera entonces que después de que un trabajador tiene 20 años de experiencia un

trabajador obtenga el 4,072346% de incremento anual por cada año trabajado.
iv) ¿Cuál es el valor de exper al que más experiencia disminuye el log(wage) predicho?
% Δ wage = 100 (𝛽2 + 2 𝛽3 𝑒𝑥𝑝𝑒𝑟 ) * Δ exper
% Δ wage = cero , cuando exper es máxima
0 = 100 (𝛽2 + 2 𝛽3 𝑒𝑥𝑝𝑒𝑟 ) * Δ exper,

Econometría I
Cód. 0218633
Δ exper es una constante, por lo tanto la ecuación queda
0 = 100 (𝛽2 + 2 𝛽3 𝑒𝑥𝑝𝑒𝑟 )

0 = 𝛽2 + 2 𝛽3 𝑒𝑥𝑝𝑒𝑟
−𝛽
𝑒𝑥𝑝𝑒𝑟 = 2 𝛽2
3
1 𝛽2
𝑒𝑥𝑝𝑒𝑟 = − 2 ∗ 𝛽3
Reemplazamos entonces los valores obtenidos en la regresión:
1 0.0410089
exper = − 2 ∗ −0.0007136
exper = 28.73304
exper = 28.7 años

Incremento a los 28.7 años:
% Δ wage = 100 (0.0410089 + 2 ∗ (−0.0007136) ∗ 28.7 ) * 1
% Δ wage =4.05992936
% Δ wage =4.06
Después de los 28.7 años de experiencia (nivel máximo) cada año adicional me genera un
incremento en el salario de 4.06%
¿En esta muestra cuántas personas tienen una experiencia mayor que ese nivel?
948 personas, cuentan con una experiencia superior a los 20 años
Econometría I
Cód. 0218633
C6.4 Para hacer este ejercicio, emplee los datos del archivo GPA2.RAW
i) Estime el modelo
sat = 𝛽0 + 𝛽1 log(lotsize). +𝛽2 𝑙𝑜𝑔(𝑠𝑞𝑟𝑓𝑡). + 𝛽3 𝑏𝑑𝑟𝑚𝑠 + u
donde sat es el puntaje del examen de admisión a la universidad y hsize es el tamaño

del grupo que termina sus estudios de bachillerato (en miles); dé los resultados en la
forma habitual.
La ecuación estimada es. ฀
Sat = 997.98 + 19.81 hsize – 2.13 hsize2
n = 4.137, R² = 0,0076 Adjusted R² = 0,0072
¿Es el término cuadrático estadísticamente significativo?
El coeficiente de hsize2= -2.130606 con |t|= 3.88 por lo que esta variable es muy
significativo estadísticamente, con un valor aproximado al 4%
Econometría I
Cód. 0218633
ii) Empleando la ecuación estimada en el inciso i), ¿cuál es el tamaño “óptimo” para
un grupo de bachillerato? Justifique su respuesta.
𝛽
Hsize* = 2 𝛽2 valor máximo
3
La maximización se obtiene derivando y haciendo sat=0
Sat= 997.98 + 19.81hsize -2.13 hsize²
0 = 19.81 -2* 2.13 hsize
19.81= 2* 2.13 hsize
19.81
Hsize* = 2[2.13]
Hsize* = 4.65
Dado que hsize está en 100s, esto significa que 465 estudiantes, es el tamaño optimo,
aunque el valor de R² =0.0072 , implica que la muestra no es representativa de la
población, es decir que estos alumnos de la clase tienen tan solo una pequeña variación
en el valor del puntaje sat.
Econometría I
Cód. 0218633
iii) ¿Es representativo este análisis del desempeño de todos los estudiantes que terminan
bachillerato? Explique.
Ya que la muestra solo corresponde a los estudiantes que realizaron la prueba SAT, esta muestra
NO es representativo y no determina los valores de todos los estudiantes de último año de
secundaria.
Se necesitaría entonces una prueba más amplia donde participaran todos los estudiantes de
último año de secundaria.
iv) Encuentre el tamaño óptimo de una escuela de bachillerato, empleando log(sat)

como variable dependiente
.
Con log(sat) como variable dependiente obtenemos
฀
log( sat) = 6.896029+ .0196029 hsize – .0020872 hsize²
n = 4.137 R² = 0.0078. Adjusted R² = 0.0073

Econometría I
Cód. 0218633
v) . ¿Es esto muy distinto a lo que obtuvo en el inciso ii)?
La maximización se obtiene derivando y haciendo sat=0
Sat= 6.896+ 0.01960 hsize -0.0020872 hsize²
0 = 0.0196 -2* 0.0020872 hsize
0.0196= 2* 0.0020872* hsize
0.0196
Hsize* = 2[0.00209]
Hsize* = 4.68 interpretación x 100
El tamaño óptimo de la clase ahora se estima en aproximadamente 468, que al ser comparada
con el resultado obtenido en el inciso anterior resulta bastante cercana, ya que hsize= 465.
Econometría I
Cód. 0218633
EJERCICIOS CAPITULO 7
______________________________________________________________________________
C7.2 Para este ejercicio emplee los datos del archivo WAGE2.RAW.
i) Estime el modelo
log(wage)=β 01educ+β 2exper+β 3tenure+β 4married+β 5black+β 6south+β 7urban+ u
y dé el resultado en la forma habitual. Manteniendo todos los demás factores constantes
La ecuación estimada es
฀log( wage) = 5.395497 +0.065431 educ + .014043 exper + .011747 tenure + 0.199417
married − 0.188350 black − 0.090904 south +0.183912 urban +
u.
Econometría I
Cód. 0218633
n = 935 R²=0.253 Adjusted R²=0.2469
, ¿cuál es la diferencia aproximada entre el salario mensual de negros y no negros?

¿Es esta diferencia estadísticamente significativa?
Coef. Black = - 18.8% t=-5.00
1. Estos valores quieren decir que los hombres negros tiene aproximadamente 18% menos
salario que los hombres no negros.
2. El valor estadístico t, es un valor alto. Lo que significa que esta variable, condición de
“negro” si es significativa estadísticamente
ii) Agregue a esta ecuación las variables exper2y tenure2 y muestre que no son
conjuntamente significativas al nivel de 20%
Econometría I
Cód. 0218633
Para realizar la comparación de estos resultados se hace el análisis con la tabla Anova, para
comprar los dos modelos
Res. Df = (2 ,925)
Df= 1.4898
Pr (>F) = 0.226
De acuerdo con estos valores, se puede determinar que cuando se introducen en el modelo las
dos variables al cuadrado exper y tenure, esta resultan ser insignificantes estadísticamente en el
nivel del 20%.
iii) Amplíe el modelo original de manera que el rendimiento a la educación dependa de la
raza y pruebe si en realidad el rendimiento de la educación depende de la raza.
Econometría I
Cód. 0218633
Coeficiente blackxeduc = -0.022624 std error= 0.020183 t value= -1.121
Al incluir en el modelo, la nueva variable blackxeduc , y de acuerdo a los resultados

obtenidos (signo negativo) de la regresión , se puede determinar que el factor educación
en un hombre negro, es 2.26% menor, que para un hombre no negro.
El valor estadístico (1.12) es superior al 0.05% , lo que nos permite estar en la zona de no
rechazo de h1, pero si se rechaza la hipótesis nula, que determina que la educación no
depende de la raza.
iv) Partiendo nuevamente del modelo original, permita que los salarios difieran entre cuatro
grupos: casados negros, casados no negros, solteros negros y solteros no negros.
Para resolver este punto, se deben crear 3 variables dummy marrnonblack, singleblack ,
marrblack y modelar.
Econometría I
Cód. 0218633
El modelo queda de la siguiente manera:
฀log( wage2) = 5.403793 + 0.065475 educ + 0.014146 exper + 0.011663 tenure

-0.091989 South + 0.184350 Urban + 0.188915 Marrnonblack -0. 240820 Singleblack +
0.009448 Marrblack
R² = 0.2464
¿Cuál es la diferencia de salario estimada entre negros casados y no negros casados?
Coeficientes
Marrblack: 0.009448
Marrnonblack: 0.188915
Econometría I
Cód. 0218633
Diferencia: -0.179467
Interpretación.
Manteniendo todos los demás factores estables; la diferencia en el salario de hombres casados
negros y hombres casados no negros es de 0.18, el signo negativo implica que la diferencia que
los hombres casados negros ganan 18% menos, que los hombres no negros casados.
C7.3 Un modelo en el que se consideran variaciones en los sueldos de los jugadores de la liga
mayor de béisbol de acuerdo con su posición es
log(salary)= = 𝛽0 + 𝛽1 years + + 𝛽2 gamesyr + 𝛽33bavg + 𝛽4 hrunsyr
+ 𝛽5 rbisyr + + 𝛽6 runsyr + + 𝛽7 fldperc+ + 𝛽8 allstar
+ 𝛽9 frstbase + 𝛽10 scndbase + 𝛽11 thrdbase + 𝛽12 shrtstop + 𝛽13 catcheru,
donde el grupo base es jardineros (outfield).
i) Dé la hipótesis nula que afirma que, controlando los demás factores, receptores
(catchers) y jardineros ganan, en promedio lo mismo.
Pruebe esta hipótesis empleando los datos del archivo MLB1.RAW y analice la
magnitud de la diferencia salarial estimada.
Econometría I
Cód. 0218633
Econometría I
Cód. 0218633
Ho= Tanto jardineros como catcher tienen el mismo salario.

Al hacer la regresión del modelo propuesto se obtuvieron los siguientes datos:
Coeficiente= 0.2535592
Std. Error =0.1313128
t-value = 1.931
Pr(>|t|) = 0.05432 : al ser este valor superior a 0.05 se rechaza la hipótesis nula,
con un nivel de significancia aproximado al 5%, ceteris paribus.
Econometría I
Cód. 0218633
Interpretación de resultados:
=100* ( 𝑒 𝛽 − 1)
=100* ( 𝑒 0.254 − 1)
=28.97%
El diferencial de salario entre jardineros y catchers es de 28.97% , permaneciendo las demás

condiciones constantes.
ii) Dé y pruebe la hipótesis nula que afirma que, una vez controlados otros factores, no hay
diferencia entre los sueldos de acuerdo con las posiciones.
Para la realización de este punto se debe realizar el modelo dos, incluyendo todas las posiciones:
Econometría I
Cód. 0218633
Al hacer la tabla Anova del modelo 1 y modelo 2 se obtuvieron los siguientes datos:
Res. Df= 399
df =5
f = 1.7774
Pr(>F) = 0.1168
Al ser este valor superior a 0.05 se rechazaría la hipótesis nula, con un nivel de
significancia aproximado al 5%, ceteris paribus, pero como se evalúa con un nivel
de significancia del 10%, no se rechaza la hipótesis nula.
iii) ¿Hay coherencia entre los resultados de los incisos i) y ii)? Si no es así, explique lo que
sucede.
Los resultados obtenidos en los modelos 1 y 2, son más o menos coherentes.
1. En el modelo 1 se rechaza la hipótesis nula, ya que esta es más débil porque se
consideran variables que no son significativas para el modelo.
2. En el modelo dos, se incluyen todas las variables de posición lo que indica que la
hipótesis nula depende de muchas más variables, lo que provoca un fortalecimiento en
ella.
Econometría I
Cód. 0218633
C7.10 Para este ejercicio emplee los datos del archivo NBASAL.RAW.
i) Estime el modelo de regresión lineal que relaciona puntos por juego (points) con
experiencia en la liga (exper) y posición (defensa, delantero o centro —guard,
forward, center—).
Incluya experiencia en forma cuadrática y como grupo base use center. Dé los
resultados en la forma habitual.
La ecuación estimada es
฀Points = 4.760076 + 1.28067 exper − 0.07184 exper2 + 2.31469guardia + 1.54457forward
R² = 0.09098, Adjusted R² = .07721

Econometría I
Cód. 0218633
ii) En el inciso i), ¿por qué no incluye las tres variables binarias para las posiciones?
La variable posición no tiene mucha significancia, por lo que incluir tres variables ficticias más
seria agregar el mismo valor tres veces, por loque se cargaría el modelo de manera
innecesaria.
iii) Permaneciendo experiencia constante, ¿anota más un defensa que un centro?
En la estimación el modelo se determina que el coeficiente que acompaña la variable

guard=2.31469 .
Esto quiere decir que el guard tiene 2.3% puntos más por partido que sus compañeros,
permaneciendo las demás condiciones constantes.
¿Cuánto más? ¿Es estadísticamente significativa esta diferencia?

t = 2.314
Pr(>|t|)=2.1444
Que esta probabilidad este por encima de cerro implica que la variable si tiene significancia
para el modelo.
iv) Ahora a la ecuación agregue el estado civil (marr =1 si es casado). Manteniendo

constantes la posición y la experiencia, ¿son más productivos los jugadores casados (de
acuerdo con los puntos por juego)?
Econometría I
Cód. 0218633
De acuerdo con el modelo estimado se obtenidos al agregar la variable marr:
Coeficiente =0 .58427
Std. Error = 0.74040
t-value=0.789
Pr(>|t|) =0.43751
De estos resultados se puede decir que los jugadores casados anotan 0.58% más que los jugadores
no casados, ceteris paribus.
Al evaluar el Pr, no es un valor determinante a la hora de determinar que los jugadores casados
son más productivos, adicional al hecho que al estimar el modelo la variable marr carece de
significancia.
v) Agregue interacciones del estado civil con las dos variables de experiencia. En este
modelo ampliado, ¿hay una fuerte evidencia de que el estado civil tenga algún
efecto sobre los puntos por juego?
Econometría I
Cód. 0218633
Al estimar el modelo, incluyendo las combinaciones del estado civil y los niveles de
experiencia, se evidencia un cambio en las variables involucradas, cambian a negativo las
positivas y la negativa a positivos.
Ninguna de las variables que involucran el estado civil tienen significancia para el modelo,
por lo que no hay evidencia de que el estado civil tiene incidencia sobre los puntos
anotados por partido.
vi) Estime el modelo del inciso iv) pero use las asistencias por juego (assists) como variable
dependiente. ¿Hay alguna diferencia notable con el inciso iv)? Analice.
De acuerdo con el modelo estimado al hacer la variable assists, variable dependiente se

obtenidos los siguientes resultados para la variable marr:
Coeficiente =0 .321889 (signo positivo)

Std. Error = 0.222359
t-value=1.448
Pr(>|t|) =0.14891
Con estos resultados, los hombres casados tiene 0.322 más asistencias por partido. El valor
de p demuestra que se tienen incidencia el hecho de ser casado en las asistencias aunque
no es una variable que tenga significancia en el modelo.

Ejercicios Capitulo 6

Cargado por

Copyright:

Formatos disponibles

Ejercicios Capitulo 6

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ejercicios Capitulo 6

Cargado por

Copyright:

Formatos disponibles

Pontificia Universidad Javeriana de Cali

Facultad de Ciencias Económicas y Administrativas

log(price)= 𝛽0 + 𝛽1 log(Dist) +u,

donde price es el precio de la vivienda en dólares y dist es la distancia de la vivienda al

Estime esta ecuación e interprete los resultados, resultados para el modelo:

El modelo estimado para cualquier año es:

Estime esta ecuación para el año 1981 e interprete los resultados.

El modelo estimado para el año 1981 es:

Ahora, ¿qué concluye usted acerca del efecto del incinerador?

iii) Al modelo del inciso ii) agregue la variable [log(intst)]2.

¿Qué pasa ahora?

log(precio)= –3.3173 + 0.1852 log(dist) + 2.0728 log(inst) – 0.11932 [log(instsq)] + e

n = 142, R2 = 0.7775, 2R = 0.7642.

¿Qué concluye usted acerca de la importancia de la forma funcional?

3. Al agregar el logaritmo de la variable intst (log(instsq)) , cambia el valor de los coeficientes

i. Use MCO para estimar la ecuación

log(wage)= 𝛽0 + 𝛽1 educ. +𝛽2 𝐸𝑥𝑝𝑒𝑟𝑡 + 𝛽3 𝐸𝑥𝑝𝑒𝑟𝑡 2

y dé los resultados empleando el formato acostumbrado.

log( wage ) = 0.1279975 +0 .0903658 educ +0.0410089 exper –0.0007136 exper2

ii) ¿Es exper² estadísticamente significativa al nivel de 1%?

El estadístico |t| en exper2 = 6.16, que tiene un valor p=0.000.

iii) Empleando la aproximación

%ΔWage = 100( 𝛽2 + 2𝛽3 exper)Δexper,

determine el rendimiento aproximado que tiene el quinto año de experiencia.

𝛽1 𝑒𝑥𝑝𝑒𝑟2 = 𝑃𝑎𝑟𝑎𝑏𝑜𝑙𝑎 𝑞𝑢𝑒 𝑎𝑏𝑟𝑒 ℎ𝑎𝑐𝑖𝑎 𝑎𝑏𝑎𝑗𝑜

Cuando Δ= exper 1, se deriva para maximizar

% Δ wage = 100 (𝛽2 + 2 𝛽3 𝑒𝑥𝑝𝑒𝑟)

Se remplazan entonces los valores del modelo calculado.

Rendimiento al quinto año de experiencia:

Al reemplazar estos valores en la ecuación derivada, tenemos:

% Δ wage = 100 (𝛽2 + 2 𝛽3 𝑒𝑥𝑝𝑒𝑟 )

% Δ wage = 100 (0.0410089 + 2 ∗ (−0.0007136) ∗ 4 )

% Δ wage =3.53 Cambio porcentual

¿Cuál es el rendimiento aproximado del vigésimo año de experiencia?

Al reemplazar estos valores en la ecuación derivada, tenemos:

% Δ wage = 100 (𝛽2 + 2 𝛽3 𝑒𝑥𝑝𝑒𝑟 ) * Δ exper

% Δ wage = 100 (0.0410089 + 2 ∗ (−0.0007136) ∗ 20 ) * 1

% Δ wage = 4,072346 Cambio porcentual

Se espera entonces que después de que un trabajador tiene 20 años de experiencia un

% Δ wage = 100 (𝛽2 + 2 𝛽3 𝑒𝑥𝑝𝑒𝑟 ) * Δ exper

% Δ wage = cero , cuando exper es máxima

0 = 100 (𝛽2 + 2 𝛽3 𝑒𝑥𝑝𝑒𝑟 ) * Δ exper,

0 = 100 (𝛽2 + 2 𝛽3 𝑒𝑥𝑝𝑒𝑟 )

Reemplazamos entonces los valores obtenidos en la regresión:

exper = 28.7 años

% Δ wage = 100 (0.0410089 + 2 ∗ (−0.0007136) ∗ 28.7 ) * 1

sat = 𝛽0 + 𝛽1 log(lotsize). +𝛽2 𝑙𝑜𝑔(𝑠𝑞𝑟𝑓𝑡). + 𝛽3 𝑏𝑑𝑟𝑚𝑠 + u

donde sat es el puntaje del examen de admisión a la universidad y hsize es el tamaño

La ecuación estimada es. ฀

Sat = 997.98 + 19.81 hsize – 2.13 hsize2

n = 4.137, R² = 0,0076 Adjusted R² = 0,0072

¿Es el término cuadrático estadísticamente significativo?

La maximización se obtiene derivando y haciendo sat=0

Sat= 997.98 + 19.81hsize -2.13 hsize²

0 = 19.81 -2* 2.13 hsize

19.81= 2* 2.13 hsize

iv) Encuentre el tamaño óptimo de una escuela de bachillerato, empleando log(sat)

n = 4.137 R² = 0.0078. Adjusted R² = 0.0073

v) . ¿Es esto muy distinto a lo que obtuvo en el inciso ii)?