Document Text Contents
Page 1
GUIA DE USUARIO DE STATA 11
Primera Versión
Jos�e Luis Nolazco Cama
(UNALM)
[email protected]
David Joel Esparta Polanco
(UNAC)
[email protected]
Page 2
Índice general
Apendice de tablas II
Apendice de figuras 0
1 Introducción 1
I Introducción al STATA 3
2 Aspectos Generales del STATA 5
2.1 Entorno de STATA . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 La Barra de Herramientas . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Tipos de Archivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4 Sintáxis de los Comandos del STATA . . . . . . . . . . . . . . . . . 8
2.5 Expresiones Lógicas del STATA . . . . . . . . . . . . . . . . . . . . 9
2.6 Organizando un Proyecto de Trabajo . . . . . . . . . . . . . . . . . 10
2.7 Recursos del STATA . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.8 Comandos de Ayuda . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.9 Instalación de Nuevos Comandos . . . . . . . . . . . . . . . . . . . 12
2.10 Ejercicio Propuesto . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3 Gestión de Base de Datos 17
3.1 El Do-File . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.1.1 Comentarios en el Do-File . . . . . . . . . . . . . . . . . . . 18
3.2 Iniciando la Estrucutra de un Do-File . . . . . . . . . . . . . . . . . 19
3.3 Asignando Memoria . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.4 Manejo de Directorios . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.5 Guardar Resultados en Bitácoras . . . . . . . . . . . . . . . . . . . 21
3.6 Creando Base de Datos . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.7 Cargando Base de Datos . . . . . . . . . . . . . . . . . . . . . . . . 25
3.7.1 Abriendo base de datos del STATA. . . . . . . . . . . . . . . 25
i
Page 182
7. Modelo de Regresión Lineal General 171
Comparaciones de Modelos
(1) (2) (3) (4) (5)
Eq01 Eq02 Eq03 Eq04 Eq05
central 834.427 163.398 1243.614 -315.657 730.671
(0.94) (0.20) (1.31) (-0.35) (0.72)
north 1561.227** 890.198 2203.467** 644.196 1690.524
(3.03) (1.23) (3.15) (0.86) (2.05)
south 934.278 263.249 1462.087 -97.185 949.144
(1.40) (0.36) (1.68) (-0.11) (1.35)
west 671.029 1559.272 1046.329
(1.00) (1.67) (1.11)
p_arable -19.039 -19.039 -27.765 -27.765 -27.765
(-0.58) (-0.58) (-0.80) (-0.80) (-0.80)
france -1053.707 505.565 -540.764
(-1.36) (0.74) (-0.68)
britain -512.943 1046.329
(-0.71) (1.11)
o.other 0.000 1559.272 512.943
(.) (1.67) (0.71)
_cons 671.029
(1.00)
N 27.000 27.000 27.000 27.000 27.000
r2 0.361 0.129 0.416 0.416 0.416
r2_a 0.216 -0.030 0.212 0.212 0.212
F 2.491 0.812 2.037 2.037 2.037
aic 470.471 470.471 472.053 472.053 472.053
bic 476.950 476.950 481.124 481.124 481.124
t statistics in parentheses
* p<0.05, ** p<0.01, *** p<0.001
. **Usamos outreg para tener la estimación anterior en un Excel
. outreg2 [eq01 eq02 eq03 eq04 eq05] using tabla1, replace see
Hit Enter to continue.
dir : seeout
. outreg2 using tabla1,excel
tabla1.xml
dir : seeout
7.7. Ejercicio Propuesto
Se cree que el precio que un páıs paga por los medicamentos depende de su
capacidad de pago y de las restricciones legales que el páıs ha impuesto para con-
trolar el precio de los medicamentos. Para comprender este problema se ha obtenido
Page 183
172 7.7. Ejercicio Propuesto
información de 32 páıses pharma.dta para las siguientes ocho variables:
P =precios del medicamentos (́ındice)
GDPN =Ingreso per cápita (́ındice)
CV =Volumen de consumo (́ındice)
N =Población (́ındice)
CV N =Volumen de consumo per cápita (́ındice)
PP =Existencia de protección de patentes (dummy)
IPC =Existencia de controles indirectos de precios (dummy)
DPC =Existencia de controles directos de precios (dummy).
Se espera que GDP afecte positivamente los precios, porque la demanda sea más
inelástica y que el consumo per cápita de medicamentos afecte negativamente los
precios como reflejo de la Ley de la Demanda. Por ahora se ignorará las variables
de poĺıtica pública PP, IPC y DPC.
Si se supone que los costos marginales son constantes en cada páıs y que
la demanda individual es lineal, estime por MCO la siguiente función de
demanda:
Pi = β1 + β2GDPNi + β3CV Ni + ui
Pruebe la hipótesis nula que β3 = 0 al 10 % de nivel de significación. Cuál es
el significado económico de esta hipótesis nula. Diga cuál es el significado de
la hipótesis alternativa.
Las variables dummy PP, IPC y DPC incluidas en el set de datos tienen valores
1 si la poĺıtica pública está presente y 0 en caso contrario. PP = 1 implica que el
páıs ha suscrito acuerdos internacionales que lo obligan a respetar las patentes. Se
Page 364
17. Modelos de Datos de Panel Estáticos 353
(Std. Err. adjusted for 4 clusters in code)
Robust
logm1 Coef. Std. Err. t P>|t| [95 % Conf. Interval]
loggdp .9041342 .201337 4.49 0.021 .26339 1.544878
l_rate .0022614 .0027875 0.81 0.477 -.0066096 .0111323
_Iyear_2 .0244641 .0203292 1.20 0.315 -.0402324 .0891606
_Iyear_3 .0423186 .0446591 0.95 0.413 -.0998065 .1844437
_Iyear_4 .2243885 .0788259 2.85 0.065 -.0264708 .4752478
_Iyear_5 .1647555 .0686025 2.40 0.096 -.0535684 .3830794
_Iyear_6 .2028327 .0922517 2.20 0.115 -.0907533 .4964187
_Iyear_7 .2170709 .1231619 1.76 0.176 -.1748851 .6090269
_Iyear_8 .3345421 .0671376 4.98 0.016 .1208804 .5482038
_Iyear_9 .2261649 .1072274 2.11 0.125 -.1150806 .5674104
_Iyear_10 .2510923 .1423951 1.76 0.176 -.2020726 .7042572
_Iyear_11 .2223255 .1659424 1.34 0.273 -.3057774 .7504283
_Iyear_12 .3312363 .1166043 2.84 0.066 -.0398506 .7023233
_Iyear_13 .2475885 .1514211 1.64 0.201 -.2343011 .7294782
_Iyear_14 .317447 .1572253 2.02 0.137 -.182914 .8178081
_Iyear_15 .3112534 .1756659 1.77 0.175 -.2477937 .8703006
_Iyear_16 .4317114 .0979449 4.41 0.022 .1200072 .7434157
_Iyear_17 .2965809 .1168066 2.54 0.085 -.0751497 .6683116
_Iyear_18 .3408118 .1302598 2.62 0.079 -.073733 .7553567
_Iyear_19 .3203846 .1287391 2.49 0.089 -.0893206 .7300899
_Iyear_20 .4452123 .0653147 6.82 0.006 .2373519 .6530727
_Iyear_21 .3306046 .0931123 3.55 0.038 .0342798 .6269295
_Iyear_22 .3635176 .1036726 3.51 0.039 .033585 .6934502
_Iyear_23 .3742054 .1271968 2.94 0.060 -.0305915 .7790024
_Iyear_24 .506074 .0573184 8.83 0.003 .3236612 .6884868
_Iyear_25 .4189348 .0798912 5.24 0.014 .1646855 .6731842
_Iyear_26 .4522092 .0736948 6.14 0.009 .2176794 .6867391
_Iyear_27 .4602026 .0887808 5.18 0.014 .1776623 .7427429
_Iyear_28 .5376398 .0350672 15.33 0.001 .4260404 .6492392
_Iyear_29 .4251446 .0987511 4.31 0.023 .1108744 .7394147
_Iyear_30 .4490152 .074895 6.00 0.009 .2106659 .6873645
_Iyear_31 .4285727 .0787774 5.44 0.012 .1778678 .6792777
_Iyear_32 .5283993 .073017 7.24 0.005 .2960265 .7607721
_Iyear_33 .4442867 .1146978 3.87 0.030 .079267 .8093063
_Iyear_34 .4598856 .1199835 3.83 0.031 .0780447 .8417265
_Iyear_35 .4491913 .1226731 3.66 0.035 .0587909 .8395918
_Iyear_36 .5415413 .1168944 4.63 0.019 .1695311 .9135514
_Iyear_37 .4689264 .1569907 2.99 0.058 -.0306879 .9685408
_Iyear_38 .4943226 .1272317 3.89 0.030 .0894145 .8992307
_Iyear_39 .4678318 .1252363 3.74 0.033 .069274 .8663896
_Iyear_40 .5931801 .1187517 5.00 0.015 .2152593 .9711009
_Iyear_41 .4946224 .1523003 3.25 0.048 .0099349 .97931
_Iyear_42 .5252911 .1193485 4.40 0.022 .1454709 .9051113
_Iyear_43 .5193787 .119718 4.34 0.023 .1383828 .9003747
_Iyear_44 .6500232 .1243715 5.23 0.014 .2542177 1.045829
_Iyear_45 .591606 .1260949 4.69 0.018 .1903158 .9928962
_Iyear_46 .5873623 .1105153 5.31 0.013 .2356534 .9390713
_Iyear_47 .6183196 .1239071 4.99 0.015 .2239919 1.012647
_Iyear_48 .6995092 .1315727 5.32 0.013 .2807861 1.118232
_Iyear_49 .6112433 .1518297 4.03 0.028 .1280535 1.094433
_Iyear_50 .6032773 .1426512 4.23 0.024 .1492974 1.057257
_Iyear_51 .6166061 .1495451 4.12 0.026 .1406868 1.092525
_Iyear_52 .7305238 .1388305 5.26 0.013 .2887031 1.172345
_Iyear_53 .688161 .1674338 4.11 0.026 .1553118 1.22101
_Iyear_54 .7001898 .166793 4.20 0.025 .1693799 1.231
_Iyear_55 .6856295 .1577677 4.35 0.022 .1835421 1.187717
_cons .8941145 2.056735 0.43 0.693 -5.651334 7.439563
Page 365
354 17.6. Ejercicio Propuesto
sigma_u 2.7173076
sigma_e .10231141
rho .99858435 (fraction of variance due to u_i)
17.6. Ejercicio Propuesto
En el archivo prod arroz.csv se tiene información anual 1997-2009 para las
siguientes provincias: Lambayeque, Chiclayo y Ferreñafe. El objetivo es estimar
una función de producción para el arroz usando un modelo panel, las variables
que se usarán son: pd (producción de arroz en TM), sc (superficie cosechada en
ha.), pr (precio real en soles/TM), tmin y pp son la temperatura mı́nima (◦C) y la
precipitación (mm) respectivamente, tambien se le agregó sus términos cuadráticos
de estas últimas variables. El modelo a estimar seŕıa el siguiente:
pdit = β1 + β2scit + β3prit + β4tmin+ β5tmin2it + β6ppit + β7pp2it + uit
El objetivo de este ejercicio es estimar los tres tipos de modelos panel, escoger
el mejor modelo y corregir si existe problemas de autocorrelación y/o heteroscedas-
ticidad.
GUIA DE USUARIO DE STATA 11
Primera Versión
Jos�e Luis Nolazco Cama
(UNALM)
[email protected]
David Joel Esparta Polanco
(UNAC)
[email protected]
Page 2
Índice general
Apendice de tablas II
Apendice de figuras 0
1 Introducción 1
I Introducción al STATA 3
2 Aspectos Generales del STATA 5
2.1 Entorno de STATA . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 La Barra de Herramientas . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Tipos de Archivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4 Sintáxis de los Comandos del STATA . . . . . . . . . . . . . . . . . 8
2.5 Expresiones Lógicas del STATA . . . . . . . . . . . . . . . . . . . . 9
2.6 Organizando un Proyecto de Trabajo . . . . . . . . . . . . . . . . . 10
2.7 Recursos del STATA . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.8 Comandos de Ayuda . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.9 Instalación de Nuevos Comandos . . . . . . . . . . . . . . . . . . . 12
2.10 Ejercicio Propuesto . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3 Gestión de Base de Datos 17
3.1 El Do-File . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.1.1 Comentarios en el Do-File . . . . . . . . . . . . . . . . . . . 18
3.2 Iniciando la Estrucutra de un Do-File . . . . . . . . . . . . . . . . . 19
3.3 Asignando Memoria . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.4 Manejo de Directorios . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.5 Guardar Resultados en Bitácoras . . . . . . . . . . . . . . . . . . . 21
3.6 Creando Base de Datos . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.7 Cargando Base de Datos . . . . . . . . . . . . . . . . . . . . . . . . 25
3.7.1 Abriendo base de datos del STATA. . . . . . . . . . . . . . . 25
i
Page 182
7. Modelo de Regresión Lineal General 171
Comparaciones de Modelos
(1) (2) (3) (4) (5)
Eq01 Eq02 Eq03 Eq04 Eq05
central 834.427 163.398 1243.614 -315.657 730.671
(0.94) (0.20) (1.31) (-0.35) (0.72)
north 1561.227** 890.198 2203.467** 644.196 1690.524
(3.03) (1.23) (3.15) (0.86) (2.05)
south 934.278 263.249 1462.087 -97.185 949.144
(1.40) (0.36) (1.68) (-0.11) (1.35)
west 671.029 1559.272 1046.329
(1.00) (1.67) (1.11)
p_arable -19.039 -19.039 -27.765 -27.765 -27.765
(-0.58) (-0.58) (-0.80) (-0.80) (-0.80)
france -1053.707 505.565 -540.764
(-1.36) (0.74) (-0.68)
britain -512.943 1046.329
(-0.71) (1.11)
o.other 0.000 1559.272 512.943
(.) (1.67) (0.71)
_cons 671.029
(1.00)
N 27.000 27.000 27.000 27.000 27.000
r2 0.361 0.129 0.416 0.416 0.416
r2_a 0.216 -0.030 0.212 0.212 0.212
F 2.491 0.812 2.037 2.037 2.037
aic 470.471 470.471 472.053 472.053 472.053
bic 476.950 476.950 481.124 481.124 481.124
t statistics in parentheses
* p<0.05, ** p<0.01, *** p<0.001
. **Usamos outreg para tener la estimación anterior en un Excel
. outreg2 [eq01 eq02 eq03 eq04 eq05] using tabla1, replace see
Hit Enter to continue.
dir : seeout
. outreg2 using tabla1,excel
tabla1.xml
dir : seeout
7.7. Ejercicio Propuesto
Se cree que el precio que un páıs paga por los medicamentos depende de su
capacidad de pago y de las restricciones legales que el páıs ha impuesto para con-
trolar el precio de los medicamentos. Para comprender este problema se ha obtenido
Page 183
172 7.7. Ejercicio Propuesto
información de 32 páıses pharma.dta para las siguientes ocho variables:
P =precios del medicamentos (́ındice)
GDPN =Ingreso per cápita (́ındice)
CV =Volumen de consumo (́ındice)
N =Población (́ındice)
CV N =Volumen de consumo per cápita (́ındice)
PP =Existencia de protección de patentes (dummy)
IPC =Existencia de controles indirectos de precios (dummy)
DPC =Existencia de controles directos de precios (dummy).
Se espera que GDP afecte positivamente los precios, porque la demanda sea más
inelástica y que el consumo per cápita de medicamentos afecte negativamente los
precios como reflejo de la Ley de la Demanda. Por ahora se ignorará las variables
de poĺıtica pública PP, IPC y DPC.
Si se supone que los costos marginales son constantes en cada páıs y que
la demanda individual es lineal, estime por MCO la siguiente función de
demanda:
Pi = β1 + β2GDPNi + β3CV Ni + ui
Pruebe la hipótesis nula que β3 = 0 al 10 % de nivel de significación. Cuál es
el significado económico de esta hipótesis nula. Diga cuál es el significado de
la hipótesis alternativa.
Las variables dummy PP, IPC y DPC incluidas en el set de datos tienen valores
1 si la poĺıtica pública está presente y 0 en caso contrario. PP = 1 implica que el
páıs ha suscrito acuerdos internacionales que lo obligan a respetar las patentes. Se
Page 364
17. Modelos de Datos de Panel Estáticos 353
(Std. Err. adjusted for 4 clusters in code)
Robust
logm1 Coef. Std. Err. t P>|t| [95 % Conf. Interval]
loggdp .9041342 .201337 4.49 0.021 .26339 1.544878
l_rate .0022614 .0027875 0.81 0.477 -.0066096 .0111323
_Iyear_2 .0244641 .0203292 1.20 0.315 -.0402324 .0891606
_Iyear_3 .0423186 .0446591 0.95 0.413 -.0998065 .1844437
_Iyear_4 .2243885 .0788259 2.85 0.065 -.0264708 .4752478
_Iyear_5 .1647555 .0686025 2.40 0.096 -.0535684 .3830794
_Iyear_6 .2028327 .0922517 2.20 0.115 -.0907533 .4964187
_Iyear_7 .2170709 .1231619 1.76 0.176 -.1748851 .6090269
_Iyear_8 .3345421 .0671376 4.98 0.016 .1208804 .5482038
_Iyear_9 .2261649 .1072274 2.11 0.125 -.1150806 .5674104
_Iyear_10 .2510923 .1423951 1.76 0.176 -.2020726 .7042572
_Iyear_11 .2223255 .1659424 1.34 0.273 -.3057774 .7504283
_Iyear_12 .3312363 .1166043 2.84 0.066 -.0398506 .7023233
_Iyear_13 .2475885 .1514211 1.64 0.201 -.2343011 .7294782
_Iyear_14 .317447 .1572253 2.02 0.137 -.182914 .8178081
_Iyear_15 .3112534 .1756659 1.77 0.175 -.2477937 .8703006
_Iyear_16 .4317114 .0979449 4.41 0.022 .1200072 .7434157
_Iyear_17 .2965809 .1168066 2.54 0.085 -.0751497 .6683116
_Iyear_18 .3408118 .1302598 2.62 0.079 -.073733 .7553567
_Iyear_19 .3203846 .1287391 2.49 0.089 -.0893206 .7300899
_Iyear_20 .4452123 .0653147 6.82 0.006 .2373519 .6530727
_Iyear_21 .3306046 .0931123 3.55 0.038 .0342798 .6269295
_Iyear_22 .3635176 .1036726 3.51 0.039 .033585 .6934502
_Iyear_23 .3742054 .1271968 2.94 0.060 -.0305915 .7790024
_Iyear_24 .506074 .0573184 8.83 0.003 .3236612 .6884868
_Iyear_25 .4189348 .0798912 5.24 0.014 .1646855 .6731842
_Iyear_26 .4522092 .0736948 6.14 0.009 .2176794 .6867391
_Iyear_27 .4602026 .0887808 5.18 0.014 .1776623 .7427429
_Iyear_28 .5376398 .0350672 15.33 0.001 .4260404 .6492392
_Iyear_29 .4251446 .0987511 4.31 0.023 .1108744 .7394147
_Iyear_30 .4490152 .074895 6.00 0.009 .2106659 .6873645
_Iyear_31 .4285727 .0787774 5.44 0.012 .1778678 .6792777
_Iyear_32 .5283993 .073017 7.24 0.005 .2960265 .7607721
_Iyear_33 .4442867 .1146978 3.87 0.030 .079267 .8093063
_Iyear_34 .4598856 .1199835 3.83 0.031 .0780447 .8417265
_Iyear_35 .4491913 .1226731 3.66 0.035 .0587909 .8395918
_Iyear_36 .5415413 .1168944 4.63 0.019 .1695311 .9135514
_Iyear_37 .4689264 .1569907 2.99 0.058 -.0306879 .9685408
_Iyear_38 .4943226 .1272317 3.89 0.030 .0894145 .8992307
_Iyear_39 .4678318 .1252363 3.74 0.033 .069274 .8663896
_Iyear_40 .5931801 .1187517 5.00 0.015 .2152593 .9711009
_Iyear_41 .4946224 .1523003 3.25 0.048 .0099349 .97931
_Iyear_42 .5252911 .1193485 4.40 0.022 .1454709 .9051113
_Iyear_43 .5193787 .119718 4.34 0.023 .1383828 .9003747
_Iyear_44 .6500232 .1243715 5.23 0.014 .2542177 1.045829
_Iyear_45 .591606 .1260949 4.69 0.018 .1903158 .9928962
_Iyear_46 .5873623 .1105153 5.31 0.013 .2356534 .9390713
_Iyear_47 .6183196 .1239071 4.99 0.015 .2239919 1.012647
_Iyear_48 .6995092 .1315727 5.32 0.013 .2807861 1.118232
_Iyear_49 .6112433 .1518297 4.03 0.028 .1280535 1.094433
_Iyear_50 .6032773 .1426512 4.23 0.024 .1492974 1.057257
_Iyear_51 .6166061 .1495451 4.12 0.026 .1406868 1.092525
_Iyear_52 .7305238 .1388305 5.26 0.013 .2887031 1.172345
_Iyear_53 .688161 .1674338 4.11 0.026 .1553118 1.22101
_Iyear_54 .7001898 .166793 4.20 0.025 .1693799 1.231
_Iyear_55 .6856295 .1577677 4.35 0.022 .1835421 1.187717
_cons .8941145 2.056735 0.43 0.693 -5.651334 7.439563
Page 365
354 17.6. Ejercicio Propuesto
sigma_u 2.7173076
sigma_e .10231141
rho .99858435 (fraction of variance due to u_i)
17.6. Ejercicio Propuesto
En el archivo prod arroz.csv se tiene información anual 1997-2009 para las
siguientes provincias: Lambayeque, Chiclayo y Ferreñafe. El objetivo es estimar
una función de producción para el arroz usando un modelo panel, las variables
que se usarán son: pd (producción de arroz en TM), sc (superficie cosechada en
ha.), pr (precio real en soles/TM), tmin y pp son la temperatura mı́nima (◦C) y la
precipitación (mm) respectivamente, tambien se le agregó sus términos cuadráticos
de estas últimas variables. El modelo a estimar seŕıa el siguiente:
pdit = β1 + β2scit + β3prit + β4tmin+ β5tmin2it + β6ppit + β7pp2it + uit
El objetivo de este ejercicio es estimar los tres tipos de modelos panel, escoger
el mejor modelo y corregir si existe problemas de autocorrelación y/o heteroscedas-
ticidad.
