“UNIVERSIDAD AUTONOMA DEL ESTADO DE HIDALGO”

INSTITUTO DE CIENCIAS ECONOMICO ADMINISTRATIVO

ECONOMETRIA I

VOTACIONES PAN 2000

NAYELI MARLEN MALO MARTINEZ

4 SEMESTRE GRUPO 2

1. tasa de analfabetismo por entidad federativa. INTRODUCCIÓN. Se analiza comportamiento electoral de los estados usando evidencia socioeconómica. . Se toma para el análisis el nivel de votación de las entidades federativas como punto de partida en esta investigación puesto que permiten con la pertinencia de los datos una mayor amplitud en la evaluación Se intenta probar la hipótesis que las variables sociales son y deben ser parámetro para los partidos políticos que les permite manejar políticas públicas. como una variable que explique la vivienda digna. como una variable que explica la educación en un país y por último se tomó el porcentaje de viviendas que no cuentan con acceso a los medios de información (radio y televisión). La investigación busca responder la siguiente interrogante: la votación electoral a favor del PAN estuvo determinada por variables sociales como el porcentaje de viviendas que no cuentan con servicio de drenaje. como una variable espacial. como una variable que explica a la sociedad informada y su interés por la política. grado de urbanización por entidad federativa. acciones y marketing político eficientes para llegar al poder o mantenerse en el poder.

algunas perspectivas van mucho más allá de los resultados de la gestión en el comportamiento electoral. políticas y acciones eficientes que satisfagan a la sociedad. al no tener una victoria asegurada los obliga a brindar ofertas de bienes colectivos que mejor se ajusten a las preferencias de los electores. En la medida que los partidos políticos logren por medio de su representante en el poder. expresando al mismo tiempo una evaluación de la gestión del gobierno saliente. Diversos estudios apoyan la idea que detrás de las motivaciones del voto están los resultados de las políticas y acciones que emprenden u hayan dejado de emprender los gobiernos.MARCO TEÓRICO. respondiendo a las demandas de los ciudadanos y generando políticas públicas más eficientes. La competencia política conduce a los partidos políticos a trabajar por un mejor desempeño de sus funciones. Existe una amplia y variada literatura sobre el entrelazamiento de los partidos políticos. en lugar de ganar las elecciones con el fin de formular ciertas políticas. En todo proceso electoral se elabora un mensaje que parte de un análisis de los principales problemas que afectan a la población. cuestionando o defendiendo su actuación general (Maingon. su futuro se encontraría atado a la necesidad de mostrar que han efectuado una buena gestión. . ya que. 2002). formulan políticas que les permiten ganar las elecciones. Sin embargo. Después de todo. el prestigio y el poder que proporcionan los cargos públicos. lo que resalta la importancia de estudiar las variables que inciden en la sociedad a la hora de sufragar. los premiará a través del voto permitiendo que dichos partidos políticos se mantengan. sociedad y voto. Para Downs (1973) los partidos actúan con el fin de conseguir la renta.

C. y teniendo como referencia la relación de el desarrollo humano de los países entre las que contamos con las variables de condiciones de vivienda (sin drenaje). que nos proporcionaron indicadores que utilizaremos como variables en el presente trabajo. Así como resultados del Censo General de Población y Vivienda 2000. grado de acceso a la información. para determinar la Tasa de analfabetismo por entidad federativa. Porcentaje de los hogares que no tienen acceso a la información por entidad (radio y televisión). nos salta a la mente la necesidad de analizar e interpretar el grado de relación existente entre la participación electoral de la sociedad y estas. Porcentajes de viviendas que no cuentan con el servicio de drenaje por entidad federativa. además del estudio realizado por el Instituto Nacional de Estudio Políticos A. Grado de Urbanización por entidad federativa. realizados por el Instituto Nacional de Estadística y Geografía. FUENTES DE INFORMACIÓN. Tasa de analfabetismo por entidad federativa . Para el desarrollo de este trabajo utilizaremos datos arrojados por las siguientes instituciones: Instituto Federal Electoral que son los niveles de votación y Resultados Preliminares del año 2000. específicamente en 2000 con Vicente Fox. urbanización y tasa de analfabetismo.En ese sentido. Todas las variables se manejaron con los datos del año 2000. Para tal efecto planteamos una metodología de proceso inductivo y con ello llegar a ciertas conclusiones que nos aporten elementos de utilidad para interpretar el comportamiento electoral en el proceso de elecciones presidenciales.

β3 = Coeficiente de la variable X3 X3 = Variable independiente que representa el grado de urbanización. El modelo de regresión múltiple queda de la siguiente manera: Y = α + β1X1 + β2X2 + β3X3 + β4X4 dónde: Y = Variable dependiente que representa el porcentaje de la votación a favor del Partido Acción Nacional (PAN) en las elecciones del año 2000.MODELO DE ANÁLISIS DE REGRESIÓN MÚLTIPLE. β1 = Coeficiente de la variable X1 X1 = Variable independiente que representa el porcentaje de viviendas que no cuentan con el servicio de drenaje. por entidad federativa. β4 = Coeficiente de la variable X4 . por entidad federativa. α = Constante que representa el porcentaje de votación autónomo por el PAN. por entidad federativa. por entidad federativa. β2 = Coeficiente de la variable X2 X2 = Variable independiente que representa el porcentaje de los hogares que no tienen acceso a los medios de información (radio y televisión).

441932875434*X2 + 0.488038 0.072998 0.146729 0. 0.138546 39.496743224694*X3 + 0.250082 -2.228311 0.0238 0.018794 -2.517637 t-Statistic 1.0935 0.174688 2.293759 0. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 0.496743 0.002045 0.126006 0. En este apartado se dará paso a interpretar los resultados que se obtuvieron a través del análisis de regresión múltiple en el paquete estadístico EVIEWS CORRIENDO NUESTRA REGRESION OBTENEMOS: Dependent Variable: VOTOSPAN Method: Least Squares Date: 04/15/13 Time: 22:31 Sample (adjusted): 1 31 Included observations: 31 after adjustments Variable C X1 X2 X3 X4 R-squared Adjusted R-squared S.219381 -0.959636 Prob.102021 -2.569983 1.184117 0. Durbin-Watson stat VOTOSPAN = 0.556299 0.410152 0.21938106627*X1 .3461 0. por entidad federativa.87628 8.X4 = Variable independiente que representa la tasa de analfabetismo.741030 -2.441933 0.400282 2.0558 0.1285 0. Error 0.149518 0.0.228310770491 + 0.000213 Std. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.D.678914 Mean dependent var S.E.145422 0.293758505797*X4 DONDE: C=VOTOS PAN .

 Coeficiente α (constante) = 0.219. que nos indica que cuando aumenta en 1% el nivel de viviendas sin acceso al servicio del drenaje. independientemente del grado de atraso que presenten los estados de la república en esas elecciones. es decir.4419.44%  Coeficiente β3 = 0.X1=VIVIENDAS QUE NO CUENTAN CON DRENAJE X2=SIN ACCESO A MEDIO DE INFORMACION X3=SIN ACCESO A MEDIO DE COMUNICACIÓN X4=TASA DE ALFABETISMO INTERPRETAMOS NUESTROS RESULTADOS DE LA SIGUIENTE MANERA:  R cuadrado = 0. el nivel de votación por el PAN aumenta en 2. que nos indica que cuando aumenta en 1% el nivel de urbanización. el nivel de votación por el PAN disminuye en 4.87% Coeficiente β2 = -0.2283. cuando las demás variables independientes son cero. que nos indica que cuando aumenta en 1% el porcentaje de hogares sin acceso a los medios de información (radio y televisión).556 lo que quiere decir que las variables independientes en su conjunto.293.93% . que nos muestra el nivel de votación autónomo por el PAN.  Coeficiente β1 = 0. el PAN obtendría un 22% de la votación. explican de forma significativa en 55% a la varianza de la variable dependiente. el nivel de votación por el PAN aumenta en un 1.

741030  Nivel de significancia para β2 = 0. si explica a la variable dependiente. puesto que el nivel de significancia es mucho menor que el estadístico t = 0. puesto que el nivel de significancia es mucho menor que el estadístico t = 1.959636 . ya que se rechaza la hipótesis nula (β3 = 0) y se acepta la hipótesis alternativa (β3 ≠ 0). que nos muestra que la variable X3 en el modelo es significativa. que nos muestra que la constante en el modelo es significativa. puesto que el nivel de significancia es mucho menor que el estadístico t = 1. que nos indica que cuando aumenta en 1% la tasa de analfabetismo. ya que se rechaza la hipótesis nula (α = 0) y se acepta la hipótesis alternativa (α ≠ 0). que nos muestra que la variable X4 en el modelo es significativa. que nos muestra que la variable X1 en el modelo es significativa. si explica a la variable dependiente.400282  Nivel de significancia para β3 = 0. es decir. si explica a la variable dependiente. el nivel de votación por el PAN aumenta en 4.1285.  Nivel de significancia para β1 = 0. ya que se rechaza la hipótesis nula (β2 = 0) y se acepta la hipótesis alternativa (β2 ≠ 0). es decir. si explica a la variable dependiente.3461. Coeficiente β4 = 0.0558. que nos muestra que la variable X2 en el modelo es significativa. puesto que el nivel de significancia es mucho menor que el estadístico t = 2.56998. es decir.002045  Nivel de significancia para β4 =0. es decir.0935. ya que se rechaza la hipótesis nula (β4 = 0) y se acepta la hipótesis alternativa (β4 ≠ 0).0238. si explica a la variable dependiente. puesto que el nivel de significancia es mucho menor que el estadístico t = 2. es decir.96%  Nivel de significancia para α =0. ya que se rechaza la hipótesis nula (β1 = 0) y se acepta la hipótesis alternativa (β1 ≠ 0).496.

.En base al histograma de frecuencias de residuos tipificados podemos interpretar que tiene una forma de campana por lo que se cumple el principio de normalidad.

 En base al grafico de dispersión se puede observar un patrón de comportamiento homogéneo en los datos analizados. X: ZPRED) se puede observar un patrón de linealidad con lo que podemos asegurar que se cumple el principio de No Heterocedasticidad. . En base al grafico P-P normal de regresión residuo tipificado (Y: ZRESID. por lo tanto podemos afirmar que se cumple con el principio básico de homogeneidad.

.

0.335610 26.7763813565463855 X5 0.219046 0.237898 0.121158 -1.871199258616607 0.4851678803664043 0.016277 -0. Durbin-Watson stat X1 = 0.7707773123156994 0.8555 0.190860821403 .0.369535 1.4141481416731493 1 0.223776 t-Statistic 0.153220 0.809448 0.279727 Prob.190861 -0.766015 0.062596 0.871199258616607 1 0.MULTICOLINEALIDAD MATRIZ DE CORRELACION X1 X2 1 0. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.058440 Std.326707 -0.01627740657*X3 .111490 0.4851678803664043 0.0516596105074*X2 + 1. Error 0.7707773123156994 X4 0.4015422176932803 0.7818 0.1957 0.7763813565463855 1 β1X1= α + β2X2 + β3X3 + β4X4 Dependent Variable: X1 Method: Least Squares Date: 05/12/13 Time: 16:16 Sample (adjusted): 1 31 Included observations: 31 after adjustments Variable C X2 X3 X4 R-squared Adjusted R-squared S.429851 -1.234552 0.244820 -1.4015422176932803 0. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 0.16269 2.E.0625961128499*X4 .871328 -0.3913 0.4141481416731493 0.967858 Mean dependent var S.281027 0.0.051660 1.D.183824 1.

291749566694 .22623 0. Error 0. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.291750 -0.003297 -2.0486 0.141254 0.672202 Prob.183824 4.157193 37. Durbin-Watson stat X2 = 0.347846 Mean dependent var S.0.188328 -2.000000 Std. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 0.0.D.FIV= 1 1−𝑅 2 𝑗 ⬚ 𝐹𝐼𝑉 = 1 1 − 0. 0.0001 0.91908 32.403342 0.244135 0.1060 0.244135251153*X3 .237898 FIV=1.024196 1.E.873983 -0.065421 -0.076302 0.87398310715*X2 .646144 -1.024196281291*X1 + 1.145996 t-Statistic 2.8555 0.302194 0.781692 0.131627 0.154925 -2.757436 0.3221 Β2X2= α + β1X1 + β3X3 + β4X4 Dependent Variable: X2 Method: Least Squares Date: 05/12/13 Time: 16:22 Sample (adjusted): 1 31 Included observations: 31 after adjustments Variable C X1 X3 X4 R-squared Adjusted R-squared S.128013 1.

58 Β3X3= α + β1X1 + β2X2 + β3X3 Dependent Variable: X3 Method: Least Squares Date: 05/12/13 Time: 16:26 Sample (adjusted): 1 31 Included observations: 31 after adjustments Variable C X1 X2 X4 R-squared Adjusted R-squared S.FIV= 1 1−𝑅 2 𝑗 ⬚ 𝐹𝐼𝑉 = 1 1 − 0.799180 0.776866 0.027140 0.0881937561824*X4 .051765 0.000000 Std.D.81621 0.195419 1.1289 0.566322 1.646144 -1.237084247663*X2 .051028 0.701130 Prob.0001 0.E.1004 0.0810810911803 + 0. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.051844 t-Statistic 1.96388 35.057454 -4.152908 Mean dependent var S.070703 -4.045391 0.1957 0.255734 -4.060220838165*X1 + 0.781692 FIV=4. Durbin-Watson stat X3 = 0. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 0.0.081081 0.326707 4.088194 0.019887 69.102968 0. 0.237084 -0. Error 0.060221 0.

384402 -1.734362 -1.600866 0.645235 t-Statistic 21.FIV= 1 1−𝑅 2 𝑗 ⬚ 𝐹𝐼𝑉 = 1 1 − 0.700180 FIV=4.674047 2.097629 0.964367 -0. Durbin-Watson stat .0000 0. 0.549332 -1.247507 30.9795 Dependent Variable: X4 Method: Least Squares Date: 05/12/13 Time: 16:33 Sample (adjusted): 1 31 Included observations: 31 after adjustments Variable C X1 X2 X3 R-squared Adjusted R-squared S.701130 Prob. Error 0. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 0.000003 Std.151549 -1.724355 0.279727 -1.E.043997 0.640779 0.229878 0.095744 0.05425 0.91904 -0.672202 -1. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.7818 0.88262 16.1004 0.165031 0.643968 Mean dependent var S.D.1060 0.046164 -0.

0.78380 .964366675167 .640779 FIV=2.09762904452*X3 FIV= 1 1−𝑅 2 𝑗 ⬚ 𝐹𝐼𝑉 = 1 1 − 0.1.X4 = 0.384401674864*X2 .0.0461635969721*X1 .

Sign up to vote on this title
UsefulNot useful