ECMT6002/6702 Econometric Applications Semester 2, 2022Practice Exam

Note: When performing statistical tests, always state the null and alternative hypotheses, the test statistic and its distribution under the null hypothesis, the rejection rule, level of significance and the conclusion of the test.

Question 1. [5 marks]

(i)  What are the distinctive features of a pure time series process compared to other data struc- tures?  What properties of a pure time series require special attention when analysed using regression methods? Briefly explain your answer. [1 mark]

(ii)  What conditions must a time series process satisfy for it to be weakly dependent? What are

the consequences of estimating a time series model using OLS with data that are not weakly dependent? [1 mark]

(iii)  An real estate investor was conducting an analysis of the effect of house characteristics on the sale price, based on the regression model:

log (price) = β0 + β1  log (lotsize) + β2  log (sqrmtr) + β3 bdrms + β4 bthrms + u    (1)

where price is the sale price (measured in $1000), lotsize is land area (square metres), sqrmtr is the floor area of the house (also measured in square metres), bdrms is the number of bed- rooms and bthrms is the number of bathrooms. The analyst obtained a dataset that included the variable assess. This is the market value of the house as assessed by an experienced real estate valuer prior to sale. Adding assess to the regression model led to an increases in the 2 from 0.430 to 0.916. Should the analyst include the variable assess in the regression model

for studying the effect of house characteristics on market prices? Explain your reasoning.  [1 mark]

(iv)  An alternative specification of the regression model for house prices is:

price = β0 + β1 lotsize + β2 sqrmtr + β3 bdrms + β4 bthrms + u                (2)

where price, lotsize, and sqrmtr are in level form. Outline a procedure for testing whether model (1) or model (2) is a better specification. What are the limitations of the test? [2 marks]

Question 2. [6 marks]

The NSW Department of Health has hired you to determine if there is a relationship between a person’s blood pressure and the number of cigarettes they smoke. You specify the following linear model for blood pressure (bp):

bp = β0 + β1 age + β2 weight + β3 male + β4 cigs + u                               (3)

where age is the person’s age (in years), weight is the person’s weight (in kilograms), male is an indicator variable equal to one if the person identifies as male and zero otherwise, and cigs is the number of cigarettes smoked each year.

Instead of having the actual number of cigarettes a person smokes each year (cigs), you are given a measure of cigarette consumption based on a survey which asks people to recall the number of cigarettes they smoked in the previous year (c一igs).  You are concerned this measure contains

c一igs = cigs + v

where v is measurement error. Given this, you estimate the following model:

bp = β0 + β1 age + β2 weight + β3 male + β4 c一igs + e                               (4)

(i)  Solve for the new error term e in model (4). [2 marks]

(ii)  Suppose you make the classical errors-in-variables assumption (i.e.  the observed variable is correlated with the measurement error). What does this imply about the relationship between the measurement error and cigarette consumption? [1 mark]

(iii)  Do you think it is possible that this classical errors-in-variables assumption will hold in this

case? Why or why not? [1 mark]

(iv)  What implications does the measurement error in the number of cigarettes smoked by people have for your estimates of β2 ? What are the implications for your estimate of β1 ? [2 marks]

Question 3. [10 marks]

There is a large literature in economics devoted to estimating the causal effect of education on earnings. The standard model used to study the determinants of log (wage) is:

log (wage) = β0 + β1 educ + β2 exper + β3 exper2 + u                              (5)

where educ is years of education, exper is years of labour market experience.

(i)  An alternative to OLS is the Instrumental Variable (IV) estimator. A popular instrument for educ has been compulsory schooling laws (CSL) which are laws setting the minimum age at which someone may leave school.  What conditions must the instrumental variable CSL

satisfy in order for the IV estimator to be unbiased? Explain whether these conditions can be tested. [2 marks]

(ii)  Outline the procedure which involves the application of OLS in two steps that would recover the IV estimates for model (5). What are the limitations of this two-step procedure? [2 marks]

(iii)  Based on a sample of 971 observations from an Australian survey, the following estimates were obtained:

Table 1: Estimation Results

From the IV estimates construct the 95% confidence interval for β1 . Does the IV confidence interval include the OLS estimate for β1 ? [2 marks]

(iv)  It would be useful to test whether educ is endogenous in model (5).  Outline a test for the endogeneity of educ in model (5). Briefly explain the main idea underlying this test. [2 marks]

(v)  Which model is superior, the one based on the OLS estimator or the one based on the IV estimator? Explain your reasoning. [2 marks]

Question 4. [6 marks]

You are a consultant hired by a private consulting firm to investigate the effect of the NSW gov- ernment building a new hospital on house prices in the suburb of Lemongrove.  Discussions that a new hospital may be built in Lemongrove began after 2006, and the new hospital was built and began operating in 2008.

You have been given access to data on the prices of houses sold in Lemongrove in 2006 (the ‘before’

period) and another sample on the price houses that sold in 2010 (the ‘after’ period). The hypothesis you want to test is that the price of houses located near the site of the new hospital would rise above the price of more distant houses.

The data for each year includes the dummy variable Near which is equal to one if the house is located within 2 kilometres of the new hospital and zero otherwise.  House prices for both years of data were measured in 2010 prices.  The variable price denotes the real house price (scaled by $100,000). The following simple regression model was estimated using only the year 2010 sample of data:

p—rice = 10.131 + 2.688 Near

(0.309)  (0.788)

n = 96,  R2  = 0.199

While the following was estimated using only the 2006 sample of data:

p—rice = 9.257 + 1.412 Near

(0.265)   (0.671)

n = 105,  R2  = 0.106

(6)

(7)

(i)  What is the interpretation of the coefficient on Near in model (6)? Is the coefficient statisti- cally significant at the 5% significance level against the two-sided alternative hypothesis that it is non-zero? [2 marks]

(ii)  Explain why we cannot infer from the estimates in (6) that the location of the hospital caused the price of houses located nearby to increase? What evidence from model (7) supports this conclusion? [2 marks]

(iii)  Using the information from models (6) and (7), calculate the difference-in-difference estimate of the impact of the new hospital on the price of nearby houses. [2 marks]

Question 5. [7 marks]

The following panel data model was specified to study the determinants of the crime rate across cities in Australia:

log (crmrte) = β0 + β1  log (income) + β2  log (unemploy) + β3  log (youth) + ai + uit       (8)

where log (crmrte) is the natural log of crimes committed per person, log (income) is the natural log of average family income, log (unemploy) is the natural log of the unemployment rate and log (youth) is the natural log of the fraction of the city population aged 15–21 years. The dataset is based on a panel of i = 12 cities followed over t = 30 years. The variable ai  is an unobserved city-specific effect.

(i)  Give two (2) examples of the kinds of variables captured by the term ai in model (8). [1 mark]

(ii)  What are the advantages of using the Fixed Effects (FE) estimator for this model over the

Random Effects (RE) estimator? Are there any disadvantages to using the FE estimator rather than the RE estimator? Explain your answer. [2 marks]

(iii)  Outline the key idea of the Fixed Effects (FE) transformation underlying the FE estimator.  [2 marks]

(iv)  An alternative to the Fixed Effects (FE) and Random Effects (RE) estimators for model (8) is

the First-Difference (FD) estimator.  Explain the conditions under which the FD estimator is superior to the FE estimator.  Are these conditions likely to be the case with this particular application? [2 marks]

Question 6. [9 marks]

In an influential study, Mroz (1987) examined the determinants of married women’s decision to

participate in the labour market. The dependent variable in this analysis was InLF, which is an indicator variable equal to 1 if the woman was in the labour force (and 0 otherwise), and the ex- planatory variables were educ (years of education), exper (years of labour market experience) and exper2 , age (in years), kids05 (number of kids aged 5 years and younger), kid6+ (number of kids aged 6– 18 years) and otherinc (non-labour market income measured in $1000).  The table below presents coefficient estimates (and standard errors) for several Probit and Logit models.

Table 2: Estimation Results for Labour Force Participation Models

Note: The numbers in parentheses ( · ) represent standard errors.

(i)  What are the limitations of using the Linear Probability Model (LPM) to analyse binary de- pendent variables such as InLF? [1 mark]

(ii)  The Probit and Logit models were estimated using the Maximum Likelihood Estimator (MLE).

What are the advantages of the Probit model MLE over the LPM? Outline the important prop- erties of the MLE for the Probit Model. [2 marks]

(iii)  Based on the estimation results for Probit model (1), what is the approximate partial effect of

an increase in experience on the probability of a woman being in the labour force? [2 marks]

(iv)  Test the null hypothesis that the number of kids have no effect on married women’s labour

force participation using the Likelihood Ratio Test and a 1% significance level. The Probit (2) model presents the estimation results for the restricted model, when the kids05 and kids6+ variables are excluded. [2 marks]

(v)  The results in Table 2 also contains the coefficient estimates for the Logit model. Are the mag- nitudes of the coefficient estimates from the Probit and Logit models directly comparable? If not, what rule of thumb can be used for comparing the magnitude of the two sets of coefficient estimates across models? [2 marks]