You are on page 1of 15

Pontificia Universidad Católica de Chile

Facultad de Historia, Geografía y Ciencia Política
Instituto de Ciencia Política

TAREA N°4

-2014-

Nombre:

Karen López

Profesora:

Carmen Le Foulon

1= Es el valor de la pendiente e indica el No. ( 1 X. aumenta Y en un β1%.Pregunta N°1 1) Explique cómo es la relación entre la variable explicativa X y la variable de interés Y representada a través de cada forma funcional. gráfico de la función. e interpretación. 1= Un aumento de una unidad de X. . De unidades en que se incrementaría la variable explicada (Y) cuando la explicativa (Y) tenga variaciones en una unidad. donde 1 Forma Funcional: Semi-log. Si: = Indica el punto de corte y muestra el valor que tomaría la variable explicada (Y) cuando la explicativa (X) es igual a cero.1 50 40 30 20 𝛼 𝛽1 10 0 0 5 10 15 20 X En que la pendiente es 1= Esta forma funcional se interpreta como el incremento porcentual de “y” cuando aumenta una unidad el “x”. o Log-Lineal: Parámetros ln(𝑌)=𝛼+𝛽1 X 60 2 1 0. En su respuesta debe incluir: la pendiente en términos de los parámetros y X. Por lo tanto: = Valor que toma la variable Y cuando X vale cero.

00 0.( 1 ( .00 2.00 0 5 10 15 20 X La pendiente es: Esta forma funcional se interpreta como aumenta en 1% el “x”. donde 1 Forma funcional: doble logaritmo Parámetros 𝐥𝐧(𝒀 𝜶 𝜷1𝐥𝐧(𝑿 14.00 6. cuando .5 10. 1= Y se incrementa en β1% cuando X aumenta en un 1%.00 1 1 12. Por lo tanto: “un incremento porcentual de “y” =Valor que toma Y cuando la X es cero.00 0.00 8.00 𝛼 𝛽1 4.

00 -1 6.00 5. Por lo tanto: =Valor que toma Y cuando la X es cero.00 4.00 1 7. donde 1 Forma Funcional: doble logaritmo 𝐥𝐧(𝒀 𝜶 Parámetros 𝜷1𝐥𝐧(𝑿 1 8.00 𝛼 𝛽1 2.00 0.( 1 ( . . 1= Y decrece en β1% cuando X aumenta en un 1%.00 1.00 0 5 10 15 20 X La pendiente es: Esta forma funcional se interpreta como un incremento porcentual de “Y” cuando aumenta un 1% la “X”.00 3.

0 -80.0 -10 -5 -20.0 -60. donde 1 2 Forma Funcional Polinomial 𝒀 𝜶 𝜷1𝑿 parámetros 2 2 1 -1 2 𝜷2 𝑿2 20.0 𝛼 -100.0 0 5 10 -40.0 X Pendiente: 𝛽1 𝛽2 .0 0.2 1 2 .0 -120.

2 1 2 .0 100.0 0. donde 1 2 Forma Funcional Polinomial 𝒀 𝜶 𝜷1𝑿 𝜷2 𝑿2 𝛼 𝛽1 parámetros 2 -1 1 2 2 250.0 200.0 -10 Pendiente: -5 0 X 5 10 .0 𝛽2 150.0 50.

sí 1 es positiva.0 3.5 2. Esta forma funcional se interpreta de la siguiente manera: se produce un cambio en Y debido a un cambio de unidad en el recíproco de X. donde 1 Forma funcional reciproca: Parámetros 𝒀 4.0 𝜶 𝜷1 𝟏⁄𝑿 1 1 𝛼 0 5 5 𝛽1 10 X 15 20 La pendiente con respecto a X es: Por lo tanto.5 1.0 2.0 0. . la pendiente siempre será negativa.0 1.⁄ 1 .5 3.5 0.

donde 1 Forma funcional reciproca: 𝒀 Y 𝜶 𝜷1 𝟏⁄𝑿 Parámetros 1 1. Esta forma funcional reciproca se interpreta de la siguiente manera> Se produce un cambio en Y debido al cambio de unidad en el recíproco de X. la pendiente siempre será positiva.5 1 0.5 0 5 10 𝛼 15 20 -5 X 𝛽1 -2.0 -1.5 -1.0 -Y La pendiente con respecto a X es: Por lo tanto sí 1 es negativa.0 -0. .1 ⁄ .0 0.

46e-05) 7.227 Standard errors in parentheses *** p<0. en la parte final de la tabla están los errores.0428) Observations 6. ** p<0.1 Comando ejecutado en Stata: regress lSH escolaridad experiencia experiencia2 En la tabla 1se observa la tabla Anova en la parte superior izquierda y contiene la suma de residuos al cuadrado (SS). .19e-05 (3.0188*** (0.00271) 0.807 R-squared 0.00192) -4. junto con los resultados de la estimación.Pregunta N°2 a) Tabla 1: Resultados en STATA VARIABLES escolaridad experiencia experiencia2 Constant (1) LSH 0.05. En la parte superior derecha están los principales datos del modelo y la base de datos.271*** (0.118*** (0. los grados de libertad (df) y el promedio de la suma de residuos al cuadrado (MS).01. * p<0. Por último.

por lo que por cada aumento en un año de experiencia hay un aumento máximo de 0. sea lineal o múltiple. en el caso de que todas las demás variables se mantengan constantes.96 (para el 95 % de confianza).1883 del salario por hora. un X aumento de la variable independiente produce un cambio –Y en la dependiente). Resultados: .0188 x experiencia) -(0. lo que equivale a que por cada aumento en 1 año de experiencia2. por lo que las variables independientes (Escolaridad.El coeficiente escolaridad muestra que la variable tiene algún efecto significativo en la variable explicada - El coeficiente experiencia muestra que la variable si tiene algún impacto significativo en la variable explicada. El valor de p tiene que ser inferior a 0. experiencia2) explican el 22. sino que hace referencia a la fuerza de asociación en general. 2 (experiencia) es 0. Se pone a prueba la hipótesis de que el coeficiente es diferente a 0.27 + (0. hay una disminución de 0. y su signo muestra la dirección del efecto (Si es positiva.018 del salario por hora. Esto muestra la variación de la variable dependiente gracias a la variable independiente. lo que implica que por cada aumento en 1 año de escolaridad. - El coeficiente experiencia2 muestra que la variable no es estadísticamente significativa en la explicación de la variable dependiente.0188. .1883. mientras que si es negativa.00004 en el salario por hora. - Valor p: Los valores de p prueban la hipótesis de que cada coeficiente es diferente de 0. Se debe mencionar que esto no refleja la medida en que una variable independiente en particular se asocia con la variable dependiente. se necesita un valor t mayor de 1. Test de hipótesis simple - Estadístico de prueba: Prueba t. existe un aumento máximo de 0. c) De acuerdo a la tabla de la pregunta 2ª de regresión múltiple. 3 (experiencia2) es -0.74% de la variabilidad de la variable salario por hora. La forma general de la ecuación para este ejercicio es: Lsalario_hora= 7.00004 x experiencia2) - 1 (escolaridad) es 0.05 para rechazar esta hipótesis. experiencia.2274. a X aumento de la variable independiente existe un Y cambio en la dependiente. el modelo arroja un R Cuadrado de 0.b) Coeficientes: En materia de regresión.1183 x escolaridad)+ (0. Para rechazarlo. el tamaño del coeficiente para cada variable independiente muestra el impacto o el efecto de la variable sobre la variable dependiente.00004.

2274. el R cuadrado ajustado es cercano al R cuadrado. d) Se realizará un análisis de Significatividad conjunta por medio del estadístico de prueba “F” de Fisher.0000. Es decir. Test de hipótesis - Ho: β1 = β2 = β3 =β4 = 0. se observa que como el número de casos es alto y el número de variables es pequeño. H1: β1 ≠ 0 v β2 ≠ 0 v β3 ≠ 0 v β4 ≠ 0 al menos una de las variables tiene efectos estadísticamente significativos. por lo que se rechaza la hipótesis nula. Los resultados son los siguientes: El p . en que se puede comprobar si el modelo de regresión múltiple es estadísticamente significativo. y se concluye que alguna de las tres variables explicativas sí tienen un efecto significativo en la variable explicada.En relación al R-Cuadrado ajustado. ninguna de variables tiene efecto estadísticamente significativo. * F de Fisher: Permite medir si el modelo de regresión múltiple es estadísticamente significativo.2271) está cerca del Rcuadrado de 0. el R cuadrado ajustado (0. Se recuerda que en general cuando el número de variables es pequeño y el número de casos es alto. *R Cuadrado: es la proporción de la varianza de la variable dependiente que puede ser explicada por las variables independientes *R cuadrado ajustado: Es un ajuste del R-cuadrado que penaliza la adición de predictores ajenos al modelo.valor es 0. e) Se observa de acuerdo al test RESET (Ramsey) los siguientes resultados: .

Si h0 es que no hay variables omitidas.0000) al umbral habitual de 0. ya que el p . * Test RESET: Permite saber si hay variables omitidas que no están en el modelo y que son importantes .valor es menor (0. se puede observar que en este modelo no hay variables omitidas.05 (95 % de significación). y h1 implica que hay variables omitidas.

los efectos están relacionados con asignar a las variables explicativas una importancia que no tienen (no explican tanto como se cree). etnia y otras. una variable importante relacionada con el factor cultural es si un país fue una colonia anglosajona o una colonia latina (española-portuguesa). a diferencia de la latina que genera regímenes presidencialistas. Al ser un elemento que se ignora en el análisis. lo que podría generar una multicolinealidad perfecta en este caso específico. o a la vez alguna de las variables explicativas anteriores pueden tener origen en ciertos elementos culturales. ya que el de ceteris paribus no se puede cumplir al no poder medirse el factor cultural. Por ejemplo: si evalúo el origen legal de la corrupción.Pregunta N°3 El problema que se genera en este modelo de regresión es que en su interpretación no se tendrían los cuatro requisitos necesarios para hacer un buen análisis interpretativo (magnitud. significancia y condición de ceteris paribus). dirección. Por lo tanto. no se puede asegurar el cumplimiento de la condición ceteris paribus. lo que podría generar una distorsión en el modelo al ignorar una variable que debiese ser incluida ya que puede ser una variable explicativa adicional que es significativa o tiene impacto en la distribución de los datos. porque hay suficiente evidencia empírica de que las colonias anglosajonas posibilitan la creación de regímenes parlamentarios a futuro. y a la omisión de terceras variables que tienen una gran importancia para el análisis. lo que repercute en la generación de un mal modelo explicativo . Otros factores culturales importantes son la religión. por lo que podría estar relacionada con una variable que ya está expresada en las variables explicativas.

lo que equivale a un parlamentarismo β0: Punto de corte común β1: Punto de corte diferencial B2: Si se mantienen constantes las diferencias entre las categorías. en un índice continuo (0 a 1)de acuerdo a si el sistema es proporcional o mayoritario. este mide la variación de Y para una variación de X1. donde la presencia de presidencialismo es 1 y la ausencia de este es 0. donde 0 se acerca más a un sistema mayoritario y 1 a un sistema proporcional.Pregunta 4 De acuerdo a Powell (2000) se puede formar un modelo de regresión con las siguientes variables: Y= β0 + β1X1 + β2X2 - - Y: Distancia ideológica entre el votante medio y el legislador medio X1: Son las reglas electorales. con el siguiente modelo: Y= β0 + β1D1 + β2X1 + µ - D1: Es la nueva variable Dummy. X2: Cantidad de partidos con el que cuenta el sistema Se propone un modelo donde las reglas electorales poseen más peso que la que la cantidad de partidos: Y= 3 + 21X1 + X2 + µ a) Si se utiliza el sistema de gobierno como reglas electorales y se establece una variable dicotómica. Por lo tanto el modelo puede ser el siguiente: Y= 3 + 21D1 + X1 + µ . se deben utilizar variables Dummy. lo que se conoce como propensión marginal.

es decir que cuanto más chico sea. 2011: 57). Sin embargo castiga de una manera más precisa porque su autor sugirió que el AIC podría no ser asintóticamente justificable. El Criterio de Schwarz también cumple una función similar al criterio de Akaike. Esto se observa por medio de su Bondad de Ajuste. que debería ser bajo para este caso. el Criterio de Schwarz" (Caballero Díaz. Busca aproximarse al modelo saturado. más aproximado es al modelo saturado. ya que castiga el exceso de variables también. El Criterio de Akaike señala que a menores valores hay mejores modelos. .Pregunta N°5 Los criterios de Schwarz y de Akaike son criterios de ajuste de datos para que se le confiera mayor precisión al modelo que se busca generar y para ver su especificación. y presentó un criterio de selección alternativo a partir de un enfoque bayesiano.