Docsity
Docsity

Prepara tus exámenes
Prepara tus exámenes

Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity


Consigue puntos base para descargar
Consigue puntos base para descargar

Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium


Orientación Universidad
Orientación Universidad


Análisis de Modelos Regresivos para Salarios de Jugadores de Básquet, Ejercicios de Administración de Empresas

En este documento se presentan los resultados obtenidos al analizar distintos modelos regresivos para determinar el salario de jugadores de básquetbol, basándose en variables como el salario del año pasado, años de experiencia, partidos jugados y rendimiento físico. Se evalúan los modelos (1), (2), (3), (4) y (5) mediante la significatividad probabilística conjunta, criterios aic-akaike y schwarz, y se contrastan las variables relacionadas con el rendimiento físico. Se pide también determinar la especificación más adecuada entre modelos (3) y (4), y verificar si se ha cometido algún error de especificación o omisión de variables en modelo (2).

Tipo: Ejercicios

2016/2017

Subido el 01/01/2017

reich121
reich121 🇪🇸

4.1

(14)

16 documentos

1 / 3

Toggle sidebar

Esta página no es visible en la vista previa

¡No te pierdas las partes importantes!

bg1
PROBLEMA 4.4:
Con los datos del chero Problema_4_4.wf1 un analista estima el
siguiente modelo:
=++++++
(1)
Donde: = salario de un jugador
=años de experiencia como jugador
= partidos jugados en la temporada anterior
= rendimiento físico
= media de capacidad pulmonar en el último año
= media de la velocidad de recuperación en el último año
El analista considera que las variables que están relacionadas con el
rendimiento físico no inuyen en la determinación del salario del
jugador. A tal n estima el siguiente modelo:
=+++ (2)
Posteriormente y con el n de estudiar posibles errores de
especicación estima los siguientes modelos:
=+++ (3)
=+++ + (4)
Se pide:
1. Calcular la signicatividad probabilística conjunta del
modelo (1)
2. Comprobar la signicatividad del modelo a través de
distintos criterios: AIC-Akaike, Schwarz.
3. Contrastar si las variables que están relacionadas con el
rendimiento físico son signicativas.
4. Entre los modelos tres y cuatro cual de las dos
especicaciones consideras más adecuada.
5. Comprobar si en el modelo (2) se ha cometido algún
error de especicación o de omisión de variables
explicativas.
Modelo (1)
Dependent Variable: LOG(SALARY)
Method: Least Squares
Included observations: 353
Variable Coefficient Std. Error t-Statistic Prob.
pf3

Vista previa parcial del texto

¡Descarga Análisis de Modelos Regresivos para Salarios de Jugadores de Básquet y más Ejercicios en PDF de Administración de Empresas solo en Docsity!

PROBLEMA 4.4:

Con los datos del fichero Problema_4_4.wf1 un analista estima el

siguiente modelo:

Donde: = salario de un jugador

=años de experiencia como jugador

= partidos jugados en la temporada anterior

= rendimiento físico

= media de capacidad pulmonar en el último año

= media de la velocidad de recuperación en el último año

El analista considera que las variables que están relacionadas con el

rendimiento físico no influyen en la determinación del salario del

jugador. A tal fin estima el siguiente modelo:

Posteriormente y con el fin de estudiar posibles errores de

especificación estima los siguientes modelos:

Se pide:

1. Calcular la significatividad probabilística conjunta del

modelo (1)

2. Comprobar la significatividad del modelo a través de

distintos criterios: AIC-Akaike, Schwarz.

3. Contrastar si las variables que están relacionadas con el

rendimiento físico son significativas.

4. Entre los modelos tres y cuatro cual de las dos

especificaciones consideras más adecuada.

5. Comprobar si en el modelo (2) se ha cometido algún

error de especificación o de omisión de variables

explicativas.

Modelo (1)

Dependent Variable: LOG(SALARY)

Method: Least Squares

Included observations: 353

Variable Coefficient Std. Error t-Statistic Prob.

C 11.19242 0.288823 38.75184 0.

YEARS 0.068863 0.012115 5.684295 0.

GAMESYR 0.012552 0.002647 4.742441 0.

BAVG 0.000979 0.001104 0.886811 0.

HRUNSYR 0.014429 0.016057 0.898642 0.

RBISYR 0.010766 0.007175 1.500459 0.

R-squared 0.627803 Mean dependent var 13.

Adjusted R-squared 0.622440 S.D. dependent var 1.

S.E. of regression 0.726577 Akaike info criterion 2.

Sum squared resid 183.1863 Schwarz criterion 2.

Log likelihood -385.1076 F-statistic 117.

Durbin-Watson stat 1.265390 Prob(F-statistic) 0.

Modelo (2)

Dependent Variable: LOG(SALARY) Method: Least Squares Included observations: 353 Variable Coefficient Std. Error t-Statistic Prob. C 11.22380 0.108312 103.6247 0. YEARS 0.071318 0.012505 5.703153 0. GAMESYR 0.020174 0.001343 15.02341 0. R-squared 0.597072 Mean dependent var 13. Adjusted R-squared 0.594769 S.D. dependent var 1. S.E. of regression 0.752731 Akaike info criterion 2. Sum squared resid 198.3115 Schwarz criterion 2. Log likelihood -399.1103 F-statistic 259. Durbin-Watson stat 1.193944 Prob(F-statistic) 0.

Modelo (3)

Dependent Variable: SALARY Method: Least Squares Included observations: 353 Variable Coefficient Std. Error t-Statistic Prob. C -927529.2 154549.5 -6.001503 0. YEARS 65267.06 17843.29 3.657792 0. GAMESYR 20652.95 1916.129 10.77848 0. R-squared 0.420862 Mean dependent var 1345672. Adjusted R-squared 0.417553 S.D. dependent var 1407352. S.E. of regression 1074066. Akaike info criterion 30. Sum squared resid 4.04E+14 Schwarz criterion 30. Log likelihood -5401.476 F-statistic 127. Durbin-Watson stat 0.923160 Prob(F-statistic) 0.