EJERCICIOS EN COMPUTADORA

[pic 3]

EJERCICIOS EN COMPUTADORA

C2.1 La base de datos 401K.RAW es un subconjunto de los datos analizados por Papke (1995) para estudiar la relación entre la participación en un plan de pensión y la generosidad del plan. La variable prate es el porcentaje de trabajadores que están inscritos en el plan y que tienen cuenta activa; ésta es la variable que se quiere explicar. La medida de la generosidad es la tasa de contribución (de la empresa) al plan, mrate. Esta variable es la cantidad promedio con la que la empresa contribuye al plan de cada trabajador por cada $1 que aporte el trabajador. Por ejemplo, si mrate  0.50, entonces a una contribución de $1 del trabajador corresponde una contribución de 50 centavos de la empresa.

 i) Encuentre el promedio de la tasa de participación y el promedio de la tasa de contribución para la muestra.

 ii) Ahora, estime la ecuación de regresión

[pic 4]

 y dé los resultados, el tamaño de la muestra y R-cuadrada.

El tamaño de la muestra es de 1534 observaciones y

el resultado de R-cuadrada:

 iii) Interprete el intercepto de la ecuación. Interprete también el coeficiente de mrate.

B0= intercepto de la ecuación = 83.0754554213

B1=MRATE*5.86107917343

El intercepto me dice que la constante que hay entre prate y mrate es de 83.075… unidades Mientras que el coeficiende de mrate me dice que por cada unidad que aumente mrate prate aumentara en 5.861… unidades.

iv) Determine la prate que se predice para  3.5. ¿Es razonable esta predicción? Explique qué ocurre aquí.

PRATE = 83.0754554213 +(5.86107917343*MRATE(3.5))= 103.5892325

No es razónable ya que supera el 100% que sería nuestro porcentaje máximo de trabajadores.

v) ¿Qué tanto de la variación en prate es explicada por mrate? En su opinión, ¿es mucho?

R^2=.074703 En mi opinión no es tan grande la variación una respecto a la otra ya que son variables directamente dependientes.

C2.2 La base de datos CEOSAL2.RAW contiene información sobre directores generales de empresas (CEO) estadounidenses. La variable salary es el sueldo anual, en miles de dólares, y ceoten son los años de antigüedad como CEO de la empresa.

 i) Determine el sueldo y la antigüedad promedio en esta muestra.

 ii) ¿Cuántos de estos directivos se encuentran en su primer año como CEO (es decir, ceoten  0)?

5 de los 177 CEO muestran estar en su primer año.

 ¿Cuál es la mayor antigüedad entre estos CEO?

Los 2 CEO más antiguos  tienen una antigüedad de 37 Años en la empresa.

 iii) Estime el modelo de regresión simple y dé los resultados en la forma usual.

[pic 5]

LSALARY =6.50549794368 +  0.00972363485817*CEOTEN+u

¿Cuál es el aumento porcentual (aproximado) que se pronostica en el sueldo por cada año adicional de antigüedad como CEO?

El sueldo aumenta en un .00097% por cada año de antigüedad adicional.

C2.3 Utilice los datos de SLEEP75.RAW de Biddle y Hamermesh (1990) para analizar si existe una relación inversa entre las horas de sueño por semana y las horas de trabajo pagado por semana. Cualquiera de las variables puede usarse como la variable dependiente. Estime el modelo

[pic 6]

donde sleep corresponde a minutos de sueño por semana durante la noche y totwrk corresponde al total de minutos de trabajo por semana.

 i) Dé sus resultados en forma de ecuación, además de la cantidad de observaciones y la R2

SLEEP = 3586.37695151 - 0.150745824119*TOTWRK +u

Se tienen 706 observaciones
R^2= .103287

¿Qué significa el intercepto de la ecuación?

Que como base el individuo ya duerme alrededor de 3586.37695151 minutos por semana

 ii) Si totwrk aumenta 2 horas, ¿cuánto se estima que disminuirá sleep? ¿Le parece que este efecto sea grande?

...