ECONOMETRÍA II PRÁCTICA Tome los datos de WAGE2.XLS para este ejercicio.

Transcripción

1 ECONOMETRÍA II PRÁCTICA Tome los datos de WAGE2.XLS para este ejercicio. 1.1 Estime el modelo log ( wage) = β0 + β1educ + β2exper + β3age + β4married + + β black + β south + β urban + u Date: 11/20/07 Time: 09:36 Sample: Included observations: 935 C EDUC EXPER AGE MARRIED BLACK SOUTH URBAN R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Manteniendo los demás factores fijos. Cuál es la diferencia aproximada en el salario mensual entre los negros y los no negros? E E [ log( wage) black = 1] = β 0 + β5 [ log( wage) black = 0] = β0 La diferencia aproximada en el log salario mensual: β 5 La diferencia aproximada en el salario mensual: 100β 5 % Es una diferencia estadísticamente significativa? H0:β5=0 Ha:β5 0 BLACK

2 3) Haga el test de Chow para contrastar si el modelo de regresión para los negros y los no negros es diferente. Se puede hacer por tres formas: 1) Primera alternativa: Se trata de estimar el modelo para negros, no negros y para toda la muestra (sin incluir la variable Black): Para negros: ( ) β0 β1 β2 β3 β4 log wage = + educ + exper + age + married + Para no negros: + β south + β urban + u 6 7 ( ) α0 α1 α2 α3 α4 log wage = + educ + exper + age + married + Para toda la muestra: + α south + α urban + u ( ) log wage = λ + λeduc + λ exper + λ age + λ married + + λ south + λ urban + u Según esta alternativa la hipótesis nula para contrastar el cambio estructural es la siguiente: H : i=1,2,...,k 0 αi = βi = λi En el Eviews este contraste se realiza siguiente estos pasos: A) Primero tengo que ordenar los datos para que los negros y no negros aparecen agrupados: Procs==Sort Series

3 Ahora que los datos están ordenados, veo que los blancos van del 1 al 815 y los negros del 816 al 935 B) A continuación estimamos los tres modelos (sin incluir la variable ficticia black) y guadrados para cada modelo la SR: M1: para toda la muestra: : SR M2: para los negros: observaciones de 1-815: SR1 M3: para los no negros: : SR2

4 M1: para toda la muestra: Date: 11/20/07 Time: 09:57 Sample: Included observations: 935 EDUC EXPER AGE MARRIED SOUTH URBAN C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) M2: para los negros: observaciones de Date: 11/20/07 Time: 09:58 Sample: Included observations: 815 EDUC EXPER AGE MARRIED SOUTH URBAN C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) M3: para los no negros: Date: 11/20/07 Time: 09:58 Sample: Included observations: 120 EDUC EXPER AGE MARRIED SOUTH

5 URBAN C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) C) Calcular el valor del estadístico como: FCHOW FCHOW SR ( SR + SR2 ) T 2K = 1 F( K, T 2 K ) SR + SR K ,983 (109, ,59) 935 2*7 = F(7,935 2*7) 109, ,59 7 D) Resolución del contraste: Si F CHOW F ε(k,t-2k) Aceptar H0 Si F CHOW >F ε(k,t-2k) Rechazar H0 2) Segunda alternativa Se puedo hacer el test de Chow directamente en el Eviews: A) ordenar los datos según la variable Black B) Estimar el modelo para toda la muestra (1:935) sin incluir la variable Black C) View==Stability test==chow Breakpoint Tests Ojo: siempre el punto de ruptura es el primero de la segunda sub-muestra

6 3) tercera alternativa: Se trata en estimar el siguiente modelo donde la variable ficticia Black entra multiplicativo y aditivo: log ( ) = β1+ β2 + β3 + β4 + β5 wage educ exper age married + β south + β urban + α black + α ( educ* black) + α ( exper * black) α ( age* black) + α ( married * black) + α ( south* black) + α ( urban* black) + u Para este modelo la hipótesis nula para contrastar el cambio estructural se establece de la siguiente forma: H 0 : α = α =... = α =

7 2) Añada las variables exper 2 y age 2 a la ecuación Date: 11/20/07 Time: 10:14 Sample: Included observations: 935 C EDUC EXPER AGE BLACK MARRIED SOUTH URBAN EXPER*EXPER AGE*AGE R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)

8 Muestre que no son conjuntamente significativas incluso al nivel del 20%. 3) De nuevo comience con el modelo original, pero ahora deje que los salarios difieran en cuatro grupos de personas: casadas y negras, casadas y no negras, solteras y negras y solteras y no negras. Tenemos 4 categorías: - Casados negros - Casados no negros - Solteros negros - Solteros no negros GENERAR LAS FICTICIAS QUE COMBIAN COLOR Y ESTADO CIVIL

9 CN = MARRIED =1 AND BLACK=1 CNN=MARRIED=1 AND BLACK=0 SN =MARRIED=0 AND BLACK=1 SNN=MARRIED=0 AND BLACK=0 ESTIMAR EL MODELO Para evitar la trampa de las variables ficticias a la hora de estimar el modelo hay que incluir tres dejando una fura como grupo de control: Date: 11/20/07 Time: 10:31 Sample: Included observations: 935 C EDUC EXPER AGE SOUTH URBAN CNN SN SNN R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Cuál es el diferencial salarial estimado entre las personas casadas negras y las casadas no negras? Diferencial entre casados negros y casados no negros viene dada directamente por el coeficiente de la variable CNN =0,1841.

10 Otra forma de hacerlo: Sin quitar married y black, genero el producto de ambas, y lo incluyo en el modelo: Lwage i = β + β black + β married + β ( black * maried) + β educ + β exper + β age + β south + β urban + u A) El log(wage) esperado para un caso negro (married=1 y black=1) = β 1 +β 2 +β 3 +β 4 B) El log(wage) esperado para un caso no negro (married=1 y black=0) = β 1 +β 3 C) El log(wage) esperado para un soltero negro (married=0 y black=1) = β 1 +β 2 D) El log(wage) esperado para un soltero no negro (married=0 y black=0) = β 1 La diferencia de salario entre casados negros y casados no negros se obtiene como la diferencia entre A y B: β 2 +β 4 4 i 5 Date: 11/20/07 Time: 10:58 Sample: Included observations: 935 C BLACK MARRIED MARRIED*BLACK EDUC EXPER AGE SOUTH URBAN R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)

11 La diferencia estimada entre casados negros y casados no negros: ˆ β ˆ 2 + β 4 = 0, ,0958 = 0,1841 Como vemos, la diferencia salarial es la mismo calculada de una u otra forma: Las personas casadas negras cobrarían un 18.14% menos que las casadas no negras.