ECONOMETRIA I

MODELO ECONOMETRICO

INTEGRANTES:

-
APLICACIÓN DEL MÉTODO DE REGRESIÓN LINEAL EN EL ANÁLISIS
DE LOS DETERMINANTES DEL INGRESO EN LA ZONA RURAL –
POBRE

RESUMEN

El presente trabajo es el desarrollo de la aplicación econométrica en un caso

empírico del Perú. Se aplicará el método de regresión lineal tomando como

información la base de datos brindada por el profesor del curso. De dicha

base de datos hemos extraído una muestra que nos permita el enfoque de

una zona específica (Zona rural – pobre ) estableciendo como variable

endógena al ingreso bruto per cápita de la vivienda. También hemos

establecido algunas variables explicativas que más se relacionen con el

entorno económico, político y social. Esto implica que solo se puede realizar

este análisis cuando las muestras son representativas en toda la población.

El objetivo principal es generar un modelo que permita identificar los

ingresos en los hogares pobres rurales analizando las variables que

determinen dichos ingresos, basándose en un conjunto de características del

hogar vinculadas a dimensiones mercado laboral, educación, vivienda, edad,

etc. Otro objetivo es obtener un modelo el cual pueda ser utilizado en

investigaciones que usen muestras de tal población.

Las regresiones nos ayudaran a seleccionar mejor las variables para

encontrar un modelo más exacto, se trabajara con un modelo probabilístico

que es rural pobre, los cuales fueron validados con datos reales extraídos de

la ENAHO 2013 que muestran un alto grado de predicción.

En este orden de ideas, el trabajo se desarrolla de la siguiente manera: en

primera instancia se realizará una breve descripción teórica del método de

regresión lineal y sus supuestos para luego realizar una aplicación práctica

sobre un modelo que ilustre los determinantes del ingreso bruto per cápita

en el ámbito rural – pobre en el año 2013.

Palabras claves

Pobreza, Ingresos, Educación, Modelos Econométricos, Regresión.

ABSTRACT

This paper will study the measurement of household poverty in the rural

area of the country, in which we can observe and analyze exclusively with

the income of households, this implies that this analysis can only be carried

out when the samples are representative in the whole population. The main

objective is to generate a model that allows the identification of income in

poor rural households by analyzing the variables that determine such

income, based on a set of household characteristics linked to labor market,

education, housing, age, etc. dimensions. Another objective is to obtain a

model which can be used in investigations that use samples from that

population. The regressions will help us to better select the variables to find

a more accurate model, we will work with a probabilistic model that is rural

poor, which were validated with real data extracted from the ENAHO 2013

that show a high degree of prediction.

Keywords

Poverty, Income, Education, Econometric Models, Regression

ANTECEDENTES DEL TRABAJO

Como referencia a tomar en cuenta podemos estudiar la siguiente

información para profundizar más.

Yuli Raise Yupanqui Quispe (2015), en su tesis “Determinantes

microeconómicos de la pobreza en el Perú: un modelo· econométrico” 1,

planteo que para identificar los determinantes microeconómicos de la

pobreza es posible implementar diferentes metodologías. Aquí se propone la

estimación de un modelo logarítmico de los determinantes de la

probabilidad de ser pobre. Un hecho que pudo determinar sus conclusiones

es que para todas las sociedades es que las familias con mayor número de

miembros en zonas rurales están asociadas positivamente con la pobreza, ya

que el 70.1% de los hogares que tienen más de 3 miembros están en

extrema pobreza, además un aumento del número de personas en el hogar

que tiene un trabajo y reciben un ingreso tiene una influencia negativa en la

probabilidad de que el hogar sea pobre. Esto quiere decir, a mayor número

de miembros del hogar que trabajan menor es probabilidad de que un

hogar sea pobre.

1
Yupanqui Yuli (2013), Determinantes microeconómicos de la pobreza en el Perú: un
modelo· econométrico
Además podemos analizar el articulo publicado en la página del INEI (2013)

titulado “Determinantes del ingreso Familiar”2 el cual nos señala que el

objetivo de los miembros de los hogares es maximizar su utilidad ya que es

está la que determina el bienestar familiar. Otro concepto que analiza este

artículo, es aquel donde pone énfasis en los factores determinantes de la

actividad económica, ya sea la tecnología, la ocupación, la empresa o el

mercado laboral y sobre todo las características de los miembros del hogar.

MARCO TEORICO

La econometría es una parte fundamental de la teoría económica actual.

Actualmente, la econometría se ha convertido en una herramienta muy

importante para el desarrollo de la economia y los modelos económicos. Un

modelo económico es una representación matemática simplificada de la

realidad aunque no considera todos los aspectos en su totalidad, sino lo

más importantes. En la elaboración de la econometría se unen la

matemática, la estadística, la investigación social y la teoría económica Es la

herramienta más usada para la construcción de modelos económicos

teóricos y matemáticos que describen el comportamiento de los agentes

económicos. Aunque estos modelos deben contrastarse con los datos

2
http://proyectos.inei.gob.pe/web/biblioineipub/bancopub/Est/Lib0069/CONCLU.htm
disponibles de la realidad para saber si tienen capacidad de explicar y

predecir. La construcción de tales modelos es el propósito de la

econometría.

IMPORTANCIA DE LA ECONOMETRIA

La econometría y especialmente la estadística constituyen una parte

sustancial del análisis de los diferentes fenómenos sociales que se

presentan día a día en la realidad . Es así como la econometría toma gran

variedad de esas herramientas estadísticas para evaluar modelos y

metodologías que fundamenten y reafirmen la congruencia de la teoría en la

realidad. Dentro de sus principales desarrollos se halla el método de

regresión lineal, el cual es una técnica que permite evaluar con precisión la

existencia de relaciones entre ciertas variables, facilitando la conexión de los

diferentes fenómenos sociales, económicos y políticos. Junto al desarrollo de

la teoría se han producido cada vez más avances en materia de herramientas

informáticas, surgiendo constantemente nuevos software que ofrecen una

infinitud de facilidades para el manejo y análisis de la información. En este

caso se utilizó el software Stata para el manejo de la información.

OBJETIVOS DEL TRABAJO:

TEMAS A CONSIDERAR

Regresión lineal simple

En econometría, los métodos de regresión analizan la construcción de

modelos para explicar o representar la dependencia entre una variable

dependiente denominada “Y” y las variables dependiente denominadas “X”.

Regresión lineal Múltiple:

Se define cuando se analizan los modelos econométricos usando una

variable dependiente y varias independientes que definan su relación o

significancia.

SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL

Para construir, estimar y poder aplicar correctamente un modelo de

regresión lineal es necesario que cumpla con una serie de supuestos, los

cuales aparecen listados a continuación.

1. El modelo debe ser lineal en los parámetros.

2. El valor esperado del vector de residuos es un vector nulo, es decir que la

media de los residuos es igual a cero.

E(U) = 0
3. La varianza de los residuos debe ser constante a lo largo de la muestra.

Este se conoce como el supuesto de HOMOSCEDASTICIDAD.

Var (Ui) = para todo i

4. Debe existir independencia entre los residuos de un periodo con los de

otro u otro periodos; esto equivale a decir que los residuos sean

independientes o que su covarianza sea igual a cero. Este se conoce como el

supuesto de NO AUTOCORRELACIÓN.

Cov (UiUj = 0 para todo i ≠ j

5. Los residuos deben seguir una distribución normal, es decir deben tener

media cero y varianza .

U ~ N (0, σ² )

6. Debe existir independencia lineal entre las variables exógenas del modelo,

es decir el rango de la matriz X es completo. Este se conoce como el

supuesto de NO MULTICOLINEALIDAD.

r (X) = K donde n > k

7. Se supone que los β, o los coeficientes de regresión estimados

permanecen constantes a lo largo de la muestra, es decir NO HAY CAMBIO

ESTRUCTURAL y hay estabilidad de los parámetros.

8. Debe existir independencia entre las variables exógenas y los residuos del

modelo. En otros términos, la covarianza entre los residuos y las exógenas

debe ser cero.

APLICACIÓN TEÓRICA : EL INGRESO BRUTO PER CÁPITA EN LA ZONA RURAL –

POBRE .

MODELO ECONOMÉTRICO

MODELO DE REGRESIÓN LINEAL SIMPLE

Para el análisis empírico, se plantea un modelo de regresión lineal simple

para realizar una prueba de significancia individual y otro modelo de

regresión sin variable exógena para analizar la significancia global. Se quiere

analizar si el sector en la que trabaja el jefe de hogar afecta

significativamente el ingreso bruto per cápita de la vivienda. Para ello

establecemos una regresión de la siguiente forma:

𝐼𝑛𝑔𝑟𝑒𝑠𝑜 = 𝐵0 + 𝐵1 ∗ 𝑆𝑒𝑐𝑡𝑜𝑟𝑗ℎ + 𝑢

Donde

ingreso = Ingreso bruto per cápita de la vivienda

Sectorjh = Variable dummy que especifica si el jefe de hogar trabaja en el

sector agrícola, de tal manera que:

Sectorjh == 1, entonces el jefe de hogar trabaja en el sector agrícola.

Sectorjh == 0, entonces el jefe de hogar no trabaja en el sector agrícola.

En Stata se han realizado los comandos correspondientes para obtener estas

variables.

B0 = Al valor constante (el valor de la variable endógena cuando la variable

explicativa toma el valor de cero)

B1 = El parámetro que se va a estimar con el método de los mínimos

cuadrados ordinarios (MCO)

U = Es la variable aleatoria y representa el término de perturbación del

modelo y cumple con los supuestos clásicos.

Primero introducimos el comando “regress” seguido por la variable

endógena y luego la posible variable explicativa para establecer la regresión,

seguida por la condición de la muestra (Zona rural y pobre) De la siguiente

manera:
Como se puede observar, se obtiene un cuadro que representa la regresión

que se ha estimado.

Se aprecia que el valor del parámetro estimado por MCO es -452.9518 La

interpretación de este sería que el ingreso bruto per cápita de la vivienda se

ve afectado negativamente en ese valor si el jefe de hogar trabaja en un

sector agrícola.

Directamente se puede apreciar que los valores t- student muestran una

significancia estadística menor al 5% por lo que se les podría considerar

significativos.

Pasaremos a realizar pruebas de significancia individual y conjunta del

presente modelo.

PRUEBAS DE SIGNIFICANCIA INDIVIDUAL Y CONJUNTA

A) PRUEBA DE SIGNIFICANCIA INDIVIDUAL

La prueba de significancia individual consiste en medir la significancia

estadística de los parámetros del modelo (Los betas) ;es decir, sirve para

establecer si la variable exógena guarda una correlación confiable con la

variable endógena.

Para la prueba de significancia individual establecemos la hipótesis nula Ho:

B1 = 0 (Esto significa que la variable sectorjh no sirve para explicar a la

variable ingreso), frente a la Ha: B1 ≠ 0.

El estadístico t se obtiene a partir de la siguiente fórmula:

𝐵1 + 𝐻𝑜
𝑡=
𝑆𝐸(𝐵1)

Donde

B1 = Valor del parámetro de la variable explicativa.

SE(B1) = Error estándar del parámetro.

Ho = Es el valor del parámetro que toma en la hipótesis nula.

Entonces el estadístico t será igual:

− 452.9518 + 0
𝑡= = −7.49
60.5146
Ahora procedemos a hallar el valor t de tabla que es una t – student

T- student de tabla (α= 0.05) = 1,96

En el gráfico se observa que el valor del estadístico empírico se encuentra en

la zona de rechazo de Ho, lo que significa que la variable escogida (sectorjh)

sí permite explicar a la variable ingreso.

B) PRUEBA DE SIGNIFICANCIA CONJUNTA

La prueba de significancia global o conjunta consiste en medir la

significancia global del modelo; es decir, si la regresión es estadísticamente

significativa.

Para la prueba de significancia conjunta obtendremos una nueva regresión

en la que el valor del parámetro de la variable explicativa haya tomado el

valor de cero; es decir, una regresión en la que no haya variable explicativa.

Dicho modelo lo obtendremos en Stata de la siguiente manera:

Ahora procederemos a realizar la prueba de significancia conjunta con ayuda

del estadístico F, el cual se calculará de la siguiente manera:

(𝑆𝐶𝐸𝑟 − 𝑆𝐶𝐸𝑛𝑟)
𝑞
𝐹=
𝑆𝐶𝐸𝑛𝑟
𝑁−𝐾−1
Donde :

SCEr = Suma de los cuadrados de los errores del modelo restringido ( En la

que el parámetro B1 = 0 )

SCEnr = Suma de los cuadrados de los errores del modelo no restringido

(La regresión inicial)

q = Número de variables explicativas de la regresión (En este caso tomaría

el valor de uno)

N = número de observaciones.

K = Número de restricciones

Entonces el estadístico F para la prueba de significancia conjunta es :

( 8.7323 − 8.6261)
𝐹= 1 = 55.99
8.6261
4550 − 1 − 1
Buscamos el valor del estadístico F de tabla para compararlo con el valor

empírico hallado.

F tabla = 3 . 84

Como se aprecia en el gráfico, el F empírico es mucho mayor al F de tabla

por lo que podemos afirmar que la variable sectorjh (El cual indica si el jefe

de hogar trabaja en el sector agrícola) sí determina a la variable endógena

ingreso.
CONCLUSIONES DE LA PRUEBA:

A) Significancia individual: Hemos observado que sí existe una dependencia

negativa entre el ingreso y el sector de trabajo agrícola. Esto se puede

extrapolar en que el salario en los sectores agrícolas son menores en

relación a los otros sectores.

B) Significancia conjunta: Se observa que el modelo es significativo por lo

que se establece que la estimación de la regresión ha sido correcta.

Multicolinealidad

Heterocedasticidad

Auto correlación

VARIABLES CONSIDERADAS EN EL ANALISIS

Pobreza: La pobreza es calculada a partir del ENAHO 2009, esta clasificación

indica que existen tres grupos los cuales son: no pobres, pobres y pobres
extremos. Esta estratificación se elabora con la construcción de una Canasta

Básica de Consumo el cual sirve como punto de referencia.

Tamaño del hogar: se detecta con el número de miembros por hogar,

tomando en cuenta que en su mayoría son constituidos por una familia

nuclear y extensa, el promedio de miembros por hogar es cuatro.

Perceptores de ingresos: Esta variable indica los miembros del hogar que se

encuentran trabajando y aportan a la economia de su hogar.

Años de Educación: Para que un individuo se inserte al mercado laboral

tiene que tener ciertas ventajas que en resumen se refiere a los estudios los

cuales les dan competencias y habilidades para ser competitivo.

Sexo del jefe del hogar: