Tesina Ivana Barbona

UNIVERSIDAD NACIONAL DE ROSARIO
FACULTAD DE CIENCIAS ECONMICAS Y ESTADSTICA

ESCUELA DE ESTADSTICA

Ttulo de la tesina:
Uso del Modelo Logit Mixto para el estudio de la desocupacin en Rosario

Tesinista: Ivana Barbona
Directora: Mgs. Gabriela Boggio
Carrera: Licenciatura en Estadstica

ROSARIO - 2009
NDICE

I- INTRODUCCIN.................................................................................................. 1
II- MATERIAL......................................................................................................... 4
II-A Caractersticas de la Encuesta Permanente de Hogares (EPH)........................... 4
II-B Descripcin de las Variables en estudio............................................................ 7
III-METODOLOGA.................................................................................................. 10
III-A Modelos Lineales Generalizados Mixtos........................................................... 10
III-B Modelo Logit con intercepto aleatorio............................................................. 12
III-C Estimacin de los parmetros del modelo....................................................... 14
IV- RESULTADOS.................................................................................................... 19
IV-A Anlisis Descriptivo........................................................................................ 19
IV-B Modelizacin................................................................................................. 23
IV-B-1 Consideraciones acerca del supuesto distribucional de los efectos aleatorios... 35
V-CONSIDERACIONES FINALES............................................................................... 38
VI- ANEXO............................................................................................................. 40
VI-A Anlisis descriptivo de la muestra total de individuos y la submuestra
correspondiente a los individuos utilizados para ajustar el modelo 40
VI-B Mtodos para la determinacin de la escala para las variables continuas... 45
VII- BIBLIOGRAFA................................................................................................. 49
Uso del Modelo Logit Mixto para el Estudio de la Desocupacin en Rosario

1

I-Introduccin
Existen estudios que se caracterizan por el hecho de que las observaciones se
encuentran agrupadas. Esta agrupacin puede deberse a que las mismas pertenecen a
individuos que comparten alguna caracterstica, o bien, a que estn tomadas sobre un
mismo sujeto en forma repetida o en varias ocasiones a travs del tiempo, es decir
longitudinalmente. Esto lleva a que exista cierto grado de correlacin entre las observaciones
dentro de un mismo grupo o individuo.
Ignorar esta correlacin entre observaciones al aplicar tcnicas estadsticas tradicionales
puede invalidar las inferencias obtenidas.
Uno de los enfoques ms utilizados al analizar datos correlacionados de este tipo son los
denominados Modelos Lineales Generalizados Mixtos (MLGM). Estos modelos constituyen
una extensin de los Modelos Lineales Generalizados (MLG) que permiten tener en cuenta la
correlacin entre las observaciones de individuos dentro de un mismo grupo o tomadas a un
mismo sujeto, mediante la incorporacin de efectos aleatorios.
En particular, cuando se cuenta con una variable respuesta de tipo binaria y datos
correlacionados, uno de los modelos ms frecuentemente utilizados es el Modelo Logit Mixto.
El mismo tiene en cuenta la naturaleza binaria de la variable respuesta y la correlacin de las
observaciones dentro de un mismo grupo o sujeto mediante la funcin de enlace logit y la
incorporacin de efectos aleatorios respectivamente. Este modelo es un caso especial de la
familia de MLGM tambin conocido como Modelo Logstico Normal (Agresti, 2002).
En esta tesina se realiza una aplicacin de este modelo para el estudio de la
desocupacin en el aglomerado Gran Rosario utilizando datos provenientes de la Encuesta
Permanente de Hogares (EPH) realizada por el Instituto Nacional de Estadstica y Censos
(INDEC) en el perodo 2005 2006. Los mismos son de tipo longitudinal y cada individuo
que participa de la encuesta es entrevistado en a lo sumo 4 ocasiones durante el perodo

2

considerado, con lo cual las observaciones que corresponden a un mismo individuo van a
tender a estar correlacionadas.
En la Argentina las cifras referidas a empleo y desempleo no provienen de ningn
registro administrativo. La falta de informacin sobre desocupacin impone entonces
requerimientos metodolgicos que son especficos e inherentes a las fuentes estadsticas
disponibles. Debido a ello, para la obtencin de dichos datos se recurre a la EPH realizada
por el INDEC desde 1974.
Segn el INDEC medir la dinmica laboral en Argentina significa, entre otras cosas,
monitorear la estructura del mercado de trabajo, profundizar sobre el perfil de ocupados y
desocupados, y ampliar el marco de perspectivas posibles para diagnosticar sobre variados
aspectos de nuestra economa y sociedad.
Quizs el fenmeno de la desocupacin remita a mltiples causas: tecnificacin de los
procesos productivos, crecimiento vegetativo de la poblacin, crisis peridicas de la
economa, entre otras; pero en todos los casos tiende a producir efectos encadenados cada
vez ms crticos desde la perspectiva de la poblacin involucrada: la reduccin de su poder
adquisitivo y el deterioro de sus condiciones de vida. Su medicin procura generar
informacin y nuevos elementos de juicio para conocer la realidad, orientar decisiones en
poltica econmica y efectuar previsiones para paliar este flagelo (INDEC, 1997).
Teniendo en cuenta que durante los ltimos aos, en nuestro pas, el fenmeno de la
desocupacin constituye una de las problemticas ms importantes relacionadas con el
mercado de trabajo, resulta de inters estudiar la relacin entre el estado ocupacional y
factores tanto demogrficos como socio-econmicos.
El objetivo de esta tesina es, entonces, el estudio de la desocupacin en el aglomerado
Gran Rosario en funcin de determinados factores demogrficos y socio-econmicos en el
perodo 2005 2006 mediante la aplicacin de un Modelo Logit Mixto.

3

Planteado el objetivo de este trabajo, en el captulo II, se describe exhaustivamente el
material disponible. Luego se presenta el Modelo Logit Mixto como caso particular de la
familia de Modelos Lineales Generalizados Mixtos y en el captulo IV se muestran los
resultados alcanzados. Por ltimo, se presenta una discusin sobre la aplicacin realizada.


4

II-Material
En este captulo se realiza una descripcin de los datos que se utilizan en el presente
trabajo, as como tambin se presenta la definicin operacional de las variables socio-
econmicas y demogrficas que van a ser consideradas en el modelo.
II-A Caractersticas de la Encuesta Permanente de Hogares (EPH)
La EPH es un programa nacional de produccin sistemtica y permanente de indicadores
que tiene como objetivo conocer las caractersticas socio-demogrficas y socio-econmicas
de la poblacin. Es realizada en forma conjunta por INDEC y las Direcciones Provinciales de
Estadstica (DPE), ya que estas ltimas realizan los relevamientos bajo las normas tcnicas y
metodolgicas fijadas y monitoreadas por en equipo central de la EPH en el INDEC.
En base a esta encuesta el INDEC proporciona regularmente, entre otros resultados, las
tasas oficiales de empleo, desocupacin, subocupacin y pobreza (para cada uno de los
aglomerados, las regiones estadsticas y el total de los aglomerados).
En el ao 2003 se encar un proceso de reformulacin integral de la EPH que abarc
aspectos temticos, muestrales y organizativos, sin alterar los propsitos iniciales de
relevamiento. El objetivo de dicha reformulacin consisti en reelaborar la metodologa de
medicin y formas de operacin atendiendo a caractersticas socio-econmicas actuales, a
las nuevas modalidades de insercin en el mercado de trabajo y a su dinmica de cambio.
La nueva encuesta cuenta con tres cuestionarios, uno de vivienda; otro de hogar; y uno
para cada una de las personas de 10 o ms aos que conforman el hogar. Los mismos son
aplicados en una muestra distribuida en el tiempo, bajo una modalidad de relevamiento
continuo y con mayor frecuencia de presentacin de los resultados.

5

En cuanto a la medicin de la condicin de actividad se consideran ocupados a todos
aquellos individuos quienes desarrollan, en un perodo de referencia dado, una actividad
laboral. Es decir el conjunto de personas que:
- Trabaj por lo menos una hora en la semana de referencia en forma remunerada.
- Trabaja habitualmente sin pago.
- No trabaj en la semana pero mantiene el empleo.
- Incluye los suspendidos por menos de un mes y a los de 1 a 3 meses que no hayan
buscado activamente trabajo en la semana de referencia, as como tambin aquellos
a los que se les mantiene el pago independientemente del tiempo de suspensin.
- Incluye a los que no trabajaron en la semana por ciertas causas laborales (rotura de
equipos, mal tiempo, etc.) slo si el tiempo de retorno es de hasta 1 mes.
En el caso de los desocupados se refiere a aquellos individuos que no tiene una
ocupacin, buscan activamente trabajo y estn disponibles para trabajar en las cuatro
semanas a partir de la semana de referencia. Tambin se incluye a las personas que
interrumpieron momentneamente la bsqueda de trabajo por un perodo de un mes por
razones circunstanciales y a los suspendidos de ms de un mes que buscaron activamente
trabajo.
Se considera inactivos a aquellas personas que se han retirado de la bsqueda activa
de trabajo por falta de visualizacin de oportunidades pero estn disponibles para trabajar.
Tambin se consideran dentro de sta categora a los individuos que no trabajan, no buscan
activamente trabajo ni estn disponibles para trabajar.
En cuanto al diseo de la muestra, la EPH es una encuesta por muestreo. Esto significa
que para conocer las diversas caractersticas del total de los hogares, se encuesta una
pequea fraccin representativa de los mismos.
Los hogares a encuestar son seleccionados aleatoriamente en dos etapas de seleccin:

6

- Primera etapa: Se lleva a cabo en cada aglomerado dentro de los cuales se
selecciona una cantidad de radios censales o subdivisiones de los mismos (reas).
- Segunda etapa: Se listan todas las viviendas particulares de las reas seleccionadas,
para efectuar a partir de ese listado una seleccin aleatoria de viviendas. Los hogares
que habitan esas viviendas son hogares a encuestar.
La cantidad de viviendas a seleccionar en cada rea, es igual dentro de cada
aglomerado.
La periodicidad con la que se realiza la encuesta es trimestral quedando definidos en el
ao los siguientes trimestres:
Trimestre Meses
1 Enero, febrero, marzo
2 Abril, mayo, junio
3 Julio, agosto, septiembre
4 Octubre, noviembre, diciembre

El perodo para el cual se brinda informacin se denomina ventana de observacin y es
el trimestre.
En cuanto a la distribucin de la muestra en el tiempo, las reas seleccionadas se
distribuyen a lo largo de 12 semanas del trimestre de manera que la cantidad de reas por
semana sea similar. Cada rea tiene asignada una semana de referencia dentro del trimestre
la cual es la misma para todos los trimestres (no cambia de trimestre a trimestre, ni de ao a
ao). Cada trimestre tiene 12 semanas de referencia, quedando siempre la semana 13 libre
que no se utiliza como tal.
En la EPH se renueva peridicamente el conjunto de hogares a encuestar, denominado
panel de respondentes. La forma en la que se produce esta renovacin se denomina panel
de rotacin.
El esquema empleado se denomina 2-2-2 y su funcionamiento es el siguiente:
- Las viviendas de un rea ingresan a la muestra para ser encuestadas en dos
trimestres consecutivos, en el mes y semana asignados a ese rea.

7

- Se retiran por dos trimestres consecutivos.
- Vuelven a la muestra para ser encuestadas en dos trimestres consecutivos en el mes
y semana asignados a ese rea.
El esquema anterior garantiza que una vivienda que es encuestada por primera vez en la
semana 2 del trimestre 1, vuelve a ser encuestada en la semana 2 del trimestre 2, se retira
momentneamente de la muestra para volver a ser encuestada en la semana 2 del trimestre
1 del ao siguiente y en la semana 2 del trimestre 2 del ao siguiente.
Este mtodo de rotacin da la posibilidad de realizar anlisis en el tiempo, siguiendo a un
hogar o a un respondente desde su ingreso en el panel hasta la ltima vez que es
encuestado, de manera tal que, por ejemplo, un hogar puede ser seguido a lo largo de un
ao y medio.
II-B Descripcin de las variables en estudio
La variable respuesta considerada para el estudio de la desocupacin en el aglomerado
Gran Rosario es Estado Ocupacional, la misma est formada por las siguientes categoras:
0 = Entrevista individual no realizada (no respuesta al Cuestionario Individual)
1 = Ocupado
2 = Desocupado
3 = Inactivo
4 = Menor de 10 aos
En esta tesina, el grupo de estudio est conformado por los individuos pertenecientes a
la poblacin econmicamente activa. Es decir, las personas que tienen una ocupacin o que
sin tenerla la estn buscando activamente de manera tal que la variable respuesta asume
slo las siguientes 2 categoras:
1 = Ocupado
2 = Desocupado

8

Respecto de las variables explicativas, fueron consideradas en el estudio las siguientes
variables que representan caractersticas socio-econmicas y demogrficas de los individuos:
Sexo
1 = Varn
Niveles
2 = Mujer

Jefe de familia
1 = Jefe
Niveles
2 = No jefe

Nivel de Ingreso Familiar

1 = Bajo (1, 2 y 3 decil del ingreso per cpita familiar)

Niveles 2 = Medio (4, 5, 6 y 7 decil del ingreso per cpita familiar)

3 = Alto (8, 9 y 10 decil del ingreso per cpita familiar)

Nivel Educativo
1 = Sin Instruccin/Primaria Incompleta/Educacin especial

2 = Primaria Completa/Secundaria Incompleta
Niveles
3 = Secundaria Completa/Superior Universitaria Incompleta

4 = Superior Universitaria Completa


9

Rama de Actividad Econmica

1 = Construccin

2 = Manufactura

3 = Servicios Comerciales

Niveles 4 = Intermediacin Financiera

5 = Administracin Pblica y Defensa, Enseanza y Servicios
Sociales y de Salud
6 = Otras actividades de servicio

Edad: Toma valores mayores a 10 aos.


10

III- Metodologa
III-A Modelo Lineal Generalizado Mixto
Los Modelos Lineales Generalizados Mixtos (MLGM) constituyen una extensin de los
Modelos Lineales Generalizados (MLG) que permiten tener en cuenta la correlacin entre las
observaciones de individuos dentro de un determinado grupo o la correlacin entre las
mediciones realizadas a un mismo individuo, es decir, un sujeto medido en varias ocasiones.
Dicha correlacin es considerada en el modelo mediante la incorporacin de efectos
aleatorios. Adems, se supone que estos efectos siguen alguna distribucin de probabilidad,
la cual puede asumirse por conveniencia matemtica y computacional, como una normal
multivariada ( Fitzmaurice et al., 2004).
En este trabajo el inters se centra en el caso de individuos medidos en varias ocasiones
en el tiempo, es decir, de manera longitudinal.
Sean
- ( )
1 2
i
'
i i i it
y y . . . y = Y
el vector de respuestas correspondiente al i-simo
individuo, con i=1,...,n, donde n es el nmero total de individuos en la muestra y t
i
el
nmero de mediciones repetidas para el i-simo individuo, pudiendo los individuos estar
medidos en distinto nmero de ocasiones.
- b
i
un vector de efectos aleatorios especfico asociado al i-simo individuo.
- ( )
1 2
'
ij ij ij ijp
x x . . . x = X
el vector de covariables correspondientes a cada y
ij
,
es decir, a la j-sima observacin del i-simo individuo donde j=1,...,t
i
.

El Modelo Lineal Generalizado Mixto puede especificarse mediante las siguientes tres
componentes ( Fitzmaurice et al., 2004):

11

1. Se supone que la distribucin condicional de cada y
ij
, dado un vector de efectos
aleatorios b
i
de dimensin qx1, pertenece a la familia exponencial de distribuciones
con Var(y
ij
| b
i
) = v{E(y
ij
| b
i
)}., donde v(.) es una funcin de variancia conocida
y adems es funcin de la media condicional, E( y
ij
| b
i
) y parmetro de escala.
2. La media condicional de y
ij
, es decir E(y
ij
| b
i
), depende de los efectos fijos y
aleatorios mediante el siguiente predictor lineal:

' '
ij ij ij i
b Z q = + X |
, (1)
con
{ }
' '
ij i ij ij ij i
g E(y | ) b b Z = q = + X |
(2)

donde g(.) es alguna funcin de enlace conocida y es el vector de parmetros de
regresin de dimensin px1.
3. Finalmente, se asume que los efectos aleatorios siguen alguna distribucin de
probabilidad. En principio, se puede suponer cualquier funcin de probabilidad para
b
i
. En la prctica, es comn asumir que b
i
tiene distribucin normal multivariada,
con media cero y matriz de covariancias G de dimensin qxq. Adems, se supone
que los efectos aleatorios b
i
son independientes de las covariables
( )
1 2
i
i i i it
, ,..., = X X X X
.
Mediante estas tres componentes queda especificada en forma completa la distribucin
conjunta de y
ij
.
Cuando la naturaleza de la variable respuesta es binaria generalmente se utiliza la
funcin de enlace "logit", obteniendo as el denominado Modelo Logit Mixto que es un caso

12

especial de la familia de MLGM. Para el caso particular donde se tiene el intercepto como
nico efecto aleatorio, el modelo anterior se denomina Modelo Logit con intercepto aleatorio.
A continuacin se realiza una descripcin de este modelo, el cual se elige para el anlisis
de los datos.
III-B Modelo Logit con intercepto aleatorio
Sea Y
ij
variable respuesta binaria, que toma los valores 0 y 1. El Modelo Logit con
intercepto aleatorio para dicha variable queda especificado por las siguientes tres partes
( Fitzmaurice et al., 2004):
1. Condicional a un slo efecto aleatorio b
i
, las y
ij
son independientes y tienen una
distribucin de probabilidades Bernoulli, con Var(y
ij
| b
i
) = E(y
ij
| b
i
) {1 E(y
ij
| b
i
)},
(es decir, =1).
2. La media condicional de y
ij
depende de los efectos fijos y aleatorios mediante el
siguiente predictor lineal:
' ' '
ij ij ij i ij i
b b Z q = + = + X X | |
, (3)
donde Z
ij
= 1 para todo i = 1,...,n, y j = 1,...,t
i
, con
{ }
1
1
0
ij i '
ij i ij ij i
ij i
Pr y b
logit Pr(y | b ) log b
Pr y b
( | )
( | )
=

= = = q = +
`
=

)
X |
, (4)
Es decir, la media condicional de y
ij
est relacionada con el predictor lineal
mediante una funcin de enlace logit.
3. Se supone que el efecto aleatorio b
i
tiene una distribucin normal univariada, con
media cero y variancia
2
b
o
. Este supuesto implica que el modelo en cuestin forma
parte de la denominada clase de Modelos Logsticos Normales (Agresti, 2002).


13

La introduccin del efecto aleatorio b
i
produce un incremento en la correlacin a travs
de las respuestas dentro de un individuo en relacin a la correlacin entre respuestas de
distintos individuos. Es decir, el hecho de que las respuestas para un individuo tengan el
mismo valor del efecto aleatorio b
i
hace que estn ms altamente correlacionadas que
aquellas respuestas con distintos valores de b
i
. Cuanto mayor es la diferencia en los valores
de los b
i
, mayor es la correlacin intra-individuos. La heterogeneidad de los efectos
aleatorios b
i
es simplemente una funcin de su variancia
2
b
o
. En consecuencia, la correlacin
intra-individuo se incrementa al aumentar
2
b
o
(Hosmer y Lemeshow, 2000).
Por otro lado, aunque la introduccin de efectos aleatorios ha sido pensada como una
forma de tener en cuenta la correlacin entre las observaciones de un mismo individuo, la
misma tiene implicancias importantes en la interpretacin de los coeficientes de regresin.
Dichos coeficientes poseen una interpretacin denominada sujeto-especfica. Es decir,
representan la influencia de las covariables sobre el logaritmo del odds de respuesta de un
sujeto especfico. En particular, la interpretacin de un coeficiente de regresin
k
se hace en
trminos de los cambios en el logaritmo del odds de respuesta para un individuo dado por
incremento unitario en el valor de la correspondiente covariable x
ijk
para valores fijos de las
dems covariables ( Fitzmaurice et al., 2004).
Lo anteriormente enunciado puede ser expresado en trminos del modelo de la siguiente
forma:
Cuando x
ijk
toma un determinado valor c, y los valores de las dems covariables se
mantienen fijos, es decir iguales a algn valor x, el logaritmo del odds de respuesta positiva,
donde por respuesta positiva se entiende que y
ij
toma el valor 1, es:
1 1
1 1
1 1
1
0
ij i ij ijk ijp ij ijp
i ij k p ijp
Pr(y | b x ,..., x ,..., x x ,..., c,..., x )
log b x ... ... x .
Pr(y | b x ,..., x ,..., x x ,..., c,..., x )
,
c
,
' '
' ' | + + | + + |
' '
= =

= +
`
= =

)
(5)

14

De manera similar, cuando x
ijk
toma el valor (c+1) manteniendo fijos los valores para el
resto de las covariables, el logaritmo del odds de respuesta positiva es el siguiente:
1 1
1 1
1 1
1
1
1
1
0
i ij k p ijp
Pr(y | b x ,..., x ,..., x x ,..., (c ),..., x )
log b x ... ) ... x .
Pr(y | b x ,..., x ,..., x x ,..., (c ),..., x )
,
(c
,
' ' +
' ' | + + | + + + |
' ' +
= =

= +
`
= =

)
(6)
As, para cualquier individuo, el logaritmo del odds de respuesta positiva por unidad de
incremento en x
ijk
es sencillamente
k
. Dicho coeficiente es el resultado de la diferencia de la
expresin (6) menos la (5).
Al exponenciar la diferencia anterior, es decir exp(
k
) se obtiene la Razn de Odds cuya
interpretacin indica cunto mayor o menor es la chance de respuesta positiva para un
individuo i en el tiempo j que presenta un valor de la covariable x
ijk
=(c+1) en comparacin
con la chance de respuesta positiva si el mismo individuo hubiese presentado un valor de
x
ijk
=c.
Es por esta razn que este modelo es ms til cuando el objetivo principal es realizar
inferencia a nivel sujeto en lugar de hacerlo a nivel promedio poblacional ( Fitzmaurice et al.,
2004).
III-C Estimacin de los parmetros del modelo
Uno de los enfoques posibles para la estimacin de los parmetros de un MLGM consiste
en la maximizacin de la verosimilitud marginal, obtenida integrando a travs de los efectos
aleatorios, en funcin de la distribucin de probabilidad asumida para ellos, en este caso la
Normal Multivariada (Molenberghs y Verbeke, 2005).
Sea un MLGM como el modelo (2), la contribucin del i-simo sujeto a la verosimilitud
viene dada por (Molenberghs y Verbeke, 2005):
1
i
t
i i ij ij i i i
j
y f ( | , , ) f ( | , , )f( | )d
=
=
[
}
Y G b b G b | |
(7)
de donde se deriva la verosimilitud para , G y :

15

1
1 1
i
n
i i
i
t
n
ij ij i i i
i j
y
L( , , ) f ( | , , )
f ( | , , )f( | )d
=
= =
=
=
[
[ [
}

G Y G
b b G b
| |
|
(8)
El problema principal se presenta al maximizar la expresin anterior en presencia de n
integrales del vector de efectos aleatorios b
i
de dimensin qx1.
Como en general no se dispone de expresiones analticas para las integrales de dicha
expresin, es necesario recurrir a aproximaciones numricas.
Una de ellas se basa en la descomposicin de los datos en la media y un trmino del
error apropiado, mediante la expansin en serie de Taylor de la media que es una funcin no
lineal del predictor lineal.
Ms especficamente, se considera la siguiente descomposicin:
' '
ij ij ij ij ij i ij
y h( ) = + c = + + c X Z b |
(9)
donde h(.) es la inversa de la funcin de enlace y los errores tienen una distribucin
apropiada con variancia V(y
ij
|b
i
)= v(
ij
) siendo v(.) la funcin de variancia habitual en la
familia exponencial.
Cuando se considera una variable aleatoria binaria y la funcin de enlace logit, se tiene:
1
1
' '
ij ij i
ij ij ij
' '
ij ij i
exp( )
P(y )
exp( )
t
+
+
= = = =
+
X Z b
X Z b
|
|
(10)
donde
ij
es igual a 1-t
ij
con probabilidad t
ij
y -t
ij
con probabilidad 1-t
ij
.

Una aproximacin posible de la media
ij
conduce a las denominadas estimaciones
cuasi verosmiles penalizadas. Consiste en una expansin lineal de Taylor de (9)
alrededor de las estimaciones
| y
i
b de efectos fijos y aleatorios respectivamente, o sea:
' ' ' ' ' ' ' ' ' '
ij ij ij i ij ij i ij ij ij i ij i i ij
' '
ij ij ij ij ij i i ij
y h h ( ( ) h ( ) ( )
v( ) ( ) v( )

( ) )
( )

~ + + + + + + c
= + + + c
X Z b X Z b X X Z b Z b b
X Z b b
| | | | |
| |
(11)

16

donde
ij

es igual al predictor
' '
ij ij i
h( )

+ X Z b | para la media condicional E(y
ij
|b
i
) y
' ' '
ij ij ij i
v( h ( )
= + X Z b | .
Matricialmente:
i i i i i i i i i
( ) ( )

~ + + + Y VX VZ b b | | c (12)
para las matrices de diseo apropiadas
i
X
y
i
Z , y con
i
V matriz diagonal cuyos elementos

diagonales son
ij
v( )
. Re-ordenando la expresin anterior se obtiene:
1 * *
i i i i i i i i i i i
( )

+ + ~ + + Y V Y X Zb X Zb | | c (13)
para
*
i
c
igual a
1
i i
V c
, el cual sigue teniendo media cero.
La expresin (13) puede ser vista como un modelo lineal mixto para los denominados
pseudo datos
*
i
Y
, con efectos fijos , efectos aleatorios b
i
, y trmino del error
*
i
c
.
Dados valores iniciales para los parmetros , G y en la verosimilitud marginal, se
calculan las estimaciones de Bayes empricas para b
i
, y luego se calculan los pseudo-datos
*
i
Y . Seguidamente se ajusta el modelo lineal mixto (13), produciendo nuevas estimaciones
de , G y . Estas ltimas se utilizan para actualizar los pseudos-datos y el esquema
anterior se repite alternativamente hasta alcanzar la convergencia.
Las estimaciones resultantes se denominan estimaciones cuasi-verosmiles penalizadas,
debido a que se obtienen al optimizar una funcin de cuasi-verosimilitud que slo involucra
los momentos de primer y segundo orden, aumentada con un trmino de penalidad de los
efectos aleatorios.

Segn Molenberghs y Verbeke (2005) debido a que el ajuste del MLGM se basa en
principios mximo verosimiles, las inferencias acerca de los parmetros se obtienen tambin
a partir de la teora de mxima verosimilitud clsica.

17

Al asumir que el modelo ajustado es apropiado, los estimadores de los parmetros se
distribuyen asintticamente Normal. Por lo tanto, pueden llevarse a cabo tests de tipo Wald,
tests de Razn de Verosimilitud y tests de Score. En el punto anterior se mostr que los
parmetros de los MLGM se pueden estimar ajustando un MLM a un conjunto de pseudo
datos. Las estimaciones de la precisin para los efectos fijos y para los efectos aleatorios se
calculan, entonces, utilizando la metodologa para los modelos lineales mixtos, lo que hace
posible el uso de tests Z, t y F para los efectos fijos.
En cuanto a los efectos aleatorios, resulta de inters la inferencia acerca de las
componentes de variancia. En estos casos pueden aplicarse los test csicos de Wald, Razn
de Verosimilitud y Score, siempre y cuando las hiptesis planteadas no refieran a la frontera
del espacio paramtrico.
Por ejemplo puede interesar probar si la variancia
2
b
o
de un efecto aleatorio en un
modelo lineal generalizado con un nico efecto aleatorio es igual a cero; en este caso las
hiptesis en cuestin son la siguientes: H
0
:
2
b
o
= 0 vs. H
1
:
2
b
o
> 0. De esta forma, la hiptesis
nula cae sobre la frontera del espacio paramtrico
2
0
b
o >
, por lo tanto, como fue expresado
anteriormente, ninguno de los test clsicos como Wald, Razn de Verosimilitud o Score
resultan vlidos. Esto puede verse fcilmente considerando el test de Wald que se basara en
la aproximacin de la distribucin normal estndar de la estimacin
2
b
o
.
Esta estadstica no puede distribuirse normal con media igual a cero ya que la estimacin
de
2
b
o
toma slo valores positivos. En consecuencia, bajo H
0
, esta estadstica sigue una
distribucin normal positiva en el 50% de los casos y es igual a cero en el otro 50% de los
casos. Ello conduce a una mezcla de distribuciones
2
_
como distribucin nula. Es decir,
cuando
2
b
o
> 0 y la estadstica observada del test toma el valor t, el valor de la probabilidad

18

asociada para este test asinttico es ( )
2
1
1
2
P t _ >
, que equivale a la mitad de la probabilidad
asociada al test asinttico Chi Cuadrado con 1 grado de libertad (Molenberghs y Verbeke,
2005; Agresti, 2002).


19

IV- Resultados
En esta seccin se presentan los resultados obtenidos al analizar los datos disponibles
sobre la desocupacin en el aglomerado Gran Rosario.
En primer lugar se realiza un anlisis descriptivo de las variables a considerar en este
trabajo y luego se utiliza un Modelo Logit Mixto para estudiar el efecto que tienen
determinados factores demogrficos y socio-econmicos sobre la desocupacin en el
aglomerado Gran Rosario en el perodo que comprende los aos 2005 y 2006.
IV-A Anlisis descriptivo
Durante el perodo en estudio, como ya fue explicitado, los individuos fueron
encuestados en reiteradas oportunidades u ocasiones de acuerdo a un sistema rotativo que
da la posibilidad de realizar anlisis en el tiempo, siguiendo a un hogar o a un respondente
desde su ingreso en el panel hasta la ltima vez que es encuestado.
En base a dicho seguimiento se construye la Tabla I y la Figura 1 en las cuales se
observa que el porcentaje de desocupados presenta cambios a lo largo del perodo que
comprende los 8 trimestres. Para el caso particular del ao 2005 este porcentaje resulta
14,11% en el primer trimestre, para luego descender y mantenerse aproximadamente en el
12% en los tres trimestres restantes. En el ao 2006 se visualiza que el valor del porcentaje
de desocupados para el primer trimestre supera al mismo trimestre del ao anterior. No
obstante, este porcentaje va disminuyendo a travs del 2006 finalizando el ao con 9,43%
de desocupados, cifra menor que la ltima del 2005.


20

Tabla I: Porcentaje de desocupados por trimestre del perodo 2005-2006

Ao
2005 2006
1er
Trimestre
2do
Trimestre
3er
Trimestre
4to
Trimestre
1er
Trimestre
2do
Trimestre
3er
Trimestre
4to
Trimestre
% desocupados
14,11 12,11 12,52 12,35 14,88 12,68 11,05 9,43
PEA
1028 966 1118 1061 1109 1167 1186 1114

Figura I: Porcentaje de desocupados versus trimestres para cada ao

En la Tabla II se presentan los porcentajes de desocupados correspondientes a los aos
2005 y 2006 segn los diferentes factores demogrficos y socio-econmicos en los trimestres
considerados.
Se puede apreciar que el porcentaje de desempleo es notablemente mayor para las
mujeres que para los hombres en todos los trimestres. El mximo porcentaje de desempleo
en el perodo estudiado, en el caso de los hombres, es 12,38% en el primer trimestre del
2005 y el mnimo es 7,31% en el cuarto trimestre del 2006. Para las mujeres estos
porcentajes son 21,10% en el primer trimestre del 2006 y 12,47% en el cuarto trimestre del
2006 respectivamente. Adems, para los individuos de sexo masculino se ve que en ambos
aos el porcentaje de desocupados desciende en el segundo trimestre, a continuacin

21

presenta un leve aumento en el tercer trimestre para luego disminuir en el cuarto. En cuanto
a las mujeres, si bien no se observa un patrn similar al de los hombres en los dos aos, se
puede apreciar que en el 2006 el porcentaje de desempleo es elevado al principio y va
disminuyendo a travs del tiempo.

Tabla II: Porcentajes de desocupados segn condicin sociodemogrfica en el perodo 2005-
2006

% de desocupados
Ao
2005 2006
1er
trimestre
2do
trimestre
3er
trimestre
4to
trimestre
1er
trimestre
2do
trimestre
3er
trimestre
4to
trimestre
Sexo
Hombre 12,38 10,52 10,99 8,72 10,55 9,20 9,88 7,31
Mujer 16,67 14,32 14,49 16,81 21,10 17,26 12,60 12,47
Nivel
Educativo
Sin
Instruccin/Primaria
incompleta /
Educacin Especial.
15,49 13,33 11,11 13,33 9,52 8,82 2,56 8,05
Primaria completa o
Secundaria
incompleta
12,79 14,25 15,88 15,76 17,67 12,81 13,72 11,03
Secundaria completa
o Superior
Universitaria
incompleta
18,92 13,62 13,15 13,03 15,98 15,67 12,75 11,03
Superior
Universitaria
completa
5,73 3,59 5,43 3,92 6,21 7,18 4,48 3,11
Condicin
de jefe de
hogar
Es Jefe 4,96 8,02 5,68 6,57 7,27 5,81 4,43 5,21
No es Jefe 22,24 15,67 18,64 17,53 21,33 18,83 16,61 13,09
Rama de
Actividad
Construccin 23,47 12,63 21,65 18,89 15,04 18,63 18,35 14,66
Manufactura 3,57 5,63 10,15 9,42 6,17 3,59 9,14 4,59
Serv. Comerciales 12,77 12,68 8,83 8,78 10,12 9,94 7,14 8,27
Intermediacin
Financiera
10,87 11,76 9,43 6,52 14,68 12,40 10,62 6,74
Adm. Pblica y
Defensa, Enseanza
y Serv. Soc. y de
Salud
3,70 5,56 4,25 2,56 4,84 5,26 2,01 3,57
Otras actividades de
servicio
15,56 11,63 13,87 21,33 25,00 13,89 13,38 13,53
Nivel de
Ingreso
Familiar
Bajo (deciles 1, 2
y 3)
20,50 23,83 22,22 20,00 25,00 20,56 20,26 18,93
Medio (deciles 4,
5, 6 y 7)
12,42 9,80 11,78 10,98 12,07 10,46 8,22 8,82
Alto (deciles 8, 9 y
10)
3,14 4,85 1,54 2,37 5,03 7,03 4,69 1,66

22

Con respecto al nivel de educacin, los porcentajes ms bajos de desempleo se dan en
casi todos los trimestres entre las personas con educacin superior universitaria completa.
En cambio, el mayor porcentaje de desocupacin se presenta en la mayora de los trimestres
para los individuos con primaria completa o secundaria incompleta. Otra caracterstica
observada es que para el grupo de personas con secundaria completa o superior
universitaria incompleta, los porcentajes de desempleo descienden a travs del tiempo tanto
dentro del ao 2005 como del 2006. Tambin se puede ver que los porcentajes de individuos
desocupados para todos los trimestres en el ao 2006 de la categora sin instruccin o
primaria incompleta o educacin especial son menores que los mismos para los respectivos
trimestres en el ao 2005.
Al tener en cuenta la condicin de jefe de hogar, para todos los trimestres, el porcentaje
de desocupacin es notablemente ms bajo en los individuos que son jefes de hogar
respecto de aqullos que no lo son. En el ao 2005 se observa que el porcentaje de
desempleo para los jefes de hogar presenta fluctuaciones, ya que sube en el segundo
trimestre, luego decrece y vuelve a subir en el ltimo trimestre del ao. En cambio, en el ao
2006 este porcentaje desciende con el transcurso del ao.
Al considerar la rama de actividad econmica los porcentajes ms altos de desocupacin
se dan con ms frecuencia en el rea de la construccin, mientras que los ms bajos se
observan en la administracin pblica y defensa, enseanza y servicios sociales y de salud.
Tambin se observan porcentajes relativamente bajos para la rama de actividad
manufacturera.
En relacin al nivel de ingreso familiar, los mayores porcentajes de desempleo se
observan en todos los trimestres para el grupo de individuos con nivel de ingreso familiar
bajo, siendo los mismos del orden del 20%, y dicho porcentaje va descendiendo a medida
que aumenta el ingreso.


23

En la Tabla III se puede observar que la edad promedio de los individuos desocupados
es notablemente menor que la de los individuos ocupados en todos los trimestres, lo mismo
sucede con la mediana de la edad. Por otro lado la edad promedio para las personas
desocupadas es, en casi todos los trimestres, menor en el 2006 en comparacin con el 2005.
Se destaca que para los desocupados tanto en el 2005 como en el 2006 existe una marcada
asimetra en la distribucin de la edad reflejada en la diferencia observada entre media y
mediana.

Tabla III: Medidas descriptivas para la Edad de las personas entrevistadas segn su estado
ocupacional en el perodo 2005-2006

Ao Trimestre Media
Desvo
Estndar
Mediana
Estado
Ocupacional
Ocupado
2005
1er 39,38 13,30 38,00
2do 39,73 14,47 38,00
3er 39,55 13,95 38,00
4to 40,00 13,87 35,50
2006
1er 39,08 14,00 38,00
2do 39,57 14,10 39,00
3er 39,37 14,11 38,00
4to 39,75 14,31 38,00
Desocupado
2005
1er 31,68 13,97 26,00
2do 33,77 15,55 27,00
3er 33,24 14,31 27,50
4to 33,98 14,25 28,00
2006
1er 31,81 14,39 26,00
2do 30,61 13,28 25,00
3er 30,31 13,39 25,00
4to 30,97 14,16 25,00
Medidas descriptivas generales 38,62 14,25 37,00

IV-B Modelizacin

Con el fin analizar los cambios que se presentan en la probabilidad de estar desempleado
teniendo en cuenta simultneamente las distintas caractersticas demogrficas y socio-
econmicas de los individuos se ajusta un Modelo Logit Mixto, especficamente un Modelo
Logit con intercepto aleatorio. Mediante la incorporacin del intercepto aleatorio, se pretende
tener en cuenta la posible asociacin entre las respuestas de un mismo individuo
correspondientes a diferentes momentos.

24

Como, de acuerdo a lo observado en la Tabla y Figura I, la probabilidad estimada de
estar desocupado presenta cambios a travs del perodo considerado se decide incluir el
trimestre como un efecto fijo en el modelo. Del ajuste de dicho modelo se obtienen las
estimaciones que se presentan en la Tabla IV.
En la misma se observa que la mayora de las estimaciones de los parmetros obtenidas
al ajustar el modelo son significativas a un nivel del 5%, excepto para las categoras de la
variable nivel educacional, y para la categora de rama de actividad manufactura.

Tabla IV: Estimaciones de los parmetros del Modelo Logit Mixto
Estimacin Error Estndar
p-asociado
(Test de Wald)
Intercepto -4,7176 0,3733 <0,0001
Condicin de jefe de hogar
No es jefe 1,0475 0,1337 <0,0001
Es jefe 0 . .
Sexo
Mujer 0,3850 0,1300 0,0031
Hombre 0 . .
Nivel educativo
Sin Instruccin / Primaria incompleta o Educacin Especial -0,5014 0,3030 0,0981
Primaria completa o Secundaria incompleta 0,05812 0,2260 0,7971
Secundaria completa o Superior universitaria incompleta 0,2829 0,2160 0,1904
Superior universitaria completa 0 . .
Rama de actividad
Construccin 1,5351 0,2398 <0,0001
Manufactura 0,3486 0,2383 0,1436
Serv. Comerciales 0,9321 0,2039 <0,0001
Intermediacin Financiera 1,3950 0,2400 <0,0001
Otras actividades de servicio 1,1288 0,2088 <0,0001
Adm. Pblica y Defensa, Enseanza y Serv. Soc. y de Salud 0 . .
Bajo (deciles 1, 2 y 3) 2,0075 0,2051 <0,0001
Medio (deciles 4, 5, 6 y 7) 1,0815 0,1959 <0,0001
Alto (deciles 8, 9 y 10) 0 . .
Edad -0,01279 0,004572 0,0052
Trimestre -0,04458 0,02227 0,0454
Variancia del efecto aleatorio 1,0067 0,1488 <0,0001

Con el objeto de evaluar si la variancia del efecto aleatorio del modelo es
significativamente distinta de cero, se aplica el test de Wald explicitado en la seccin C del
captulo III. El valor de la probabilidad asociada para dicho test es <0,0001, con lo cual se
concluye que la heterogeneidad entre individuos es lo suficientemente importante como para
ser tenida en cuenta mediante la incorporacin del efecto aleatorio en el modelo.


25

Un comentario especial merece el hecho de que la variable nivel de ingreso familiar
presenta una gran cantidad de valores faltantes: 2837 sobre un total de 8749 observaciones.
De todas formas, debido a que se trata de una caracterstica importante a tener en cuenta
para el estudio de la desocupacin se decide considerarla en el modelo. Otra variable que
presenta valores faltantes es rama de actividad econmica (406 valores faltantes). No
obstante, es prudente reconocer que al ajustar el modelo en presencia de estas variables se
va a trabajar slo con una submuestra que corresponde a las personas que declaran ingreso
familiar y rama de actividad econmica. Por lo tanto, debido a que dicha submuestra se
espera resulte representativa a su vez de una subpoblacin, las inferencias en base al
modelo utilizado estn dirigidas a sta y no a la poblacin total de individuos.
A continuacin se presentan un breve anlisis descriptivo considerando la submuestra de
individuos que no presentan valores faltantes con el fin de representar las caractersticas de
los mismos.

Tabla V: Porcentaje de desocupados por trimestre del perodo 2005-2006 para la submuestra
considerada al ajustar el modelo.

Ao
2005 2006
1er
Trimestre
2do
Trimestre
3er
Trimestre
4to
Trimestre
1er
Trimestre
2do
Trimestre
3er
Trimestre
4to
Trimestre
% desocupados
10,97 11,43 10,17 9,88 12,22 8,87 9,16 8,92
PEA
720 665 757 729 679 688 688 706

Los porcentajes de desocupados por trimestre que se presentan en la tabla V disminuyen
respecto a los mismos porcentajes obtenidos en base a la totalidad de los individuos.


26

Tabla VI: Porcentajes de desocupados segn condicin sociodemogrfica en el perodo 2005-
2006 para la submuestra considerada al ajustar el modelo.

En la tabla VI se observa que las probabilidades de estar desocupados disminuyen en la
mayora de los trimestres para las variables sexo, nivel educativo, condicin de jefe de hogar
y nivel de ingreso familiar. En el caso de la rama de actividad econmica algunas categoras
presentan aumento en el porcentaje de desocupados para algunos trimestres.
Resulta interesante sealar que se realizaron tablas de frecuencias para todas las
variables en la muestra total de individuos y en la submuestra (Ver Anexo pg. 40). Se

% de desocupados
Ao
2005 2006
1er
trimestre
2do
trimestre
3er
trimestre
4to
trimestre
1er
trimestre
2do
trimestre
3er
trimestre
4to
trimestre
Sexo
Hombre 10,30 9,82 8,75 8,21 9,77 6,82 7,81 6,68
Mujer 12,01 13,67 11,98 11,93 15,71 11,40 11,00 12,20
Nivel
Educativo
Sin
Instruccin/Primaria
incompleta /
Educacin Especial.
11,32 9,80 6,67 8,77 6,98 6,67 3,77 6,56
Primaria completa o
Secundaria
incompleta
11,11 13,10 12,22 12,66 12,32 10,25 11,91 11,41
Secundaria completa
o Superior
Universitaria
incompleta
11,81 13,10 11,03 9,56 14,12 10,00 9,85 8,80
Superior
Universitaria
completa
8,16 3,16 4,65 3,54 8,89 3,00 2,13 3,09
Condicin
de jefe de
hogar
Es Jefe 4,35 7,06 3,92 5,23 6,23 4,23 3,71 5,19
No es Jefe 17,90 15,63 16,58 14,48 18,13 13,81 14,79 12,84
Rama de
Actividad
Construccin 24,00 11,69 17,39 20,00 13,79 17,74 20,00 13,41
Manufactura 3,13 7,02 10,42 9,23 1,89 0,95 7,92 4,00
Serv. Comerciales 11,32 17,22 9,21 7,31 12,31 10,10 6,67 9,28
Intermediacin
Financiera
14,04 15,00 9,38 7,02 17,65 13,85 11,43 10,53
Adm. Pblica y
Defensa, Enseanza
y Serv. Soc. y de
Salud
4,11 4,55 5,10 3,50 5,26 2,78 3,15 3,54
Otras actividades de
servicio
18,63 12,75 15,79 19,09 24,77 14,42 13,64 16,30
Nivel de
Ingreso
Familiar
Bajo (deciles 1, 2
y 3)
16,08 20,89 18,90 17,62 20,87 14,29 17,05 15,22
Medio (deciles 4,
5, 6 y 7)
10,93 7,47 8,89 8,10 9,09 7,96 6,67 8,70
Alto (deciles 8, 9 y
10)
2,60 5,03 0,53 1,83 3,33 4,49 3,76 1,13

27

observa en base a las mismas que la muestra total y la submuestra son similares en cuanto
a la distribucin de las variables consideradas en el modelo.

Otro de los aspectos importantes a tener en cuenta en la bsqueda del modelo ms
apropiado es la evaluacin de la forma funcional bajo la que se incluyen las variables
continuas en el modelo. Para esto se recurre a estrategias propuestas por Hosmer y
Lemeshow (2000).
Una forma simple consiste en categorizar la variable continua de manera que los
cuartiles de la misma determinen los niveles. Se calculan las razones de odds estimadas
segn el modelo tomando el primer cuartil como categora de referencia. Estas razones de
odds representan la chance de estar desocupado para un individuo que pertenece a un
cuartil determinado versus la chance de estar desocupado en el caso de que el mismo
individuo pertenezca al primer cuartil. Luego se grafican los puntos medios de los cuartiles
versus las razones de odds estimadas del modelo con la variable continua como categrica.
De esta forma se puede observar y explorar grficamente la escala de la covariable. Una
recta indicara que la variable continua es lineal en el logit, mientras que si el polgono se
aparta de una recta su forma puede sugerir la posible transformacin que se debe aplicar a
la variable continua. Tiene como ventaja la simplicidad de su aplicacin, no obstante, no es
una tcnica lo suficientemente poderosa para captar desviaciones sutiles respecto a una
tendencia lineal.
Otra tcnica es la denominada Polinomios Fraccionarios; bsicamente consiste en buscar
la transformacin que proporcione la mejor forma funcional para la variable continua entre
un conjunto de posibles transformaciones de la variable a travs de un procedimiento
iterativo. (Ver Anexo pg. 45).

28

Las variables de naturaleza continua en el modelo son edad y trimestre. Para evaluar la
forma funcional de dichas variables se aplican las tcnicas explicitadas anteriormente
obtenindose los siguientes resultados.

Figura IV: Razones de odds entre estado ocupacional y edad categorizadas (grfico A) y
estado ocupacional y trimestre categorizada (grfico B)

En el grfico A de la Figura IV se observa que la escala de la variable edad no resulta
lineal. Por otro lado, la escala de la variable tiempo parece ser aproximadamente lineal hasta
el tercer cuartil, para luego mantenerse constante ya que la razones de odds estimadas
entre el tercer cuartil y el cuarto son prcticamente iguales como puede observarse en el
grfico B de la Figura IV.
Al aplicar la tcnica de polinomios fraccionarios a la variable edad, la transformacin
hallada conduce a incluir en el modelo dos trminos: un coeficiente que acompaa a la
variable en forma lineal y otro coeficiente que acompaa a la misma en forma logartmica.
Respecto a la variable trimestre, la misma ingresa de manera lineal confirmando la
evaluacin grfica realizada.
En la Figura V se muestran las razones de odds estimadas para estado ocupacional y
edad (grfico A) y estado ocupacional y trimestre (grfico B), en base a las transformaciones
recin elegidas. Se observa que para el caso de la variable edad, sta tiene una forma
grfico A grfico B

29

bastante similar a la que se visualiza en el grfico A de la Figura IV, lo que sugiere que los
resultados obtenidos segn esta tcnica concuerdan con los resultados grficos hallados
previamente. En cuanto a la variable trimestre la forma funcional elegida da lugar a una
lnea recta de pendiente negativa (Figura V grfico B).

Figura V: Razones de odds entre estado ocupacional y edad (grafico A) y estado ocupacional
y trimestre (grfico B)

Por consiguiente se reestima el modelo incluyendo edad y trimestre con la forma
funcional elegida en base a la tcnica de polinomios fraccionarios. La estimacin de dicho
modelo se presenta en la Tabla VII.

grfico A grfico B

30

Tabla VII: Estimaciones de los parmetros del Modelo Logit Mixto
Estimacin Error Estndar p-asociado
Intercepto 5,5152 1,9215 0,0041
No es jefe 0,9423 0,1367 <0,0001
Es jefe 0 . .
Sexo
Mujer 0,4297 0,1304 0,0010
Hombre 0 . .
Nivel educativo
Sin Instruccin / Primaria incompleta o Educacin Especial -0,6722 0,3046 0,0274
Primaria completa o Secundaria incompleta -0,08588 0,2274 0,7057
Secundaria completa o Superior universitaria incompleta 0,1946 0,2166 0,3689
Superior universitaria completa 0 . .
Rama de actividad
Construccin 1,4711 0,2409 <0,0001
Manufactura 0,2863 0,2391 0,2313
Serv. Comerciales 0,8466 0,2047 <0,0001
Intermediacin Financiera 1,3169 0,2411 <0,0001
Otras actividades de servicio 1,0624 0,2093 <0,0001
Adm. Pblica y Defensa, Enseanza y Serv. Soc. y de Salud 0 . .
Bajo (deciles 1, 2 y 3) 2,0239 0,2055 <0,0001
Medio (deciles 4, 5, 6 y 7) 1,0999 0,1963 <0,0001
Alto (deciles 8, 9 y 10) 0 . .
Edad 0,09593 0,02027 <0,0001
Log(Edad) -3,9685 0,7302 <0,0001
Trimestre -0,04984 0,02248 0,0267
Variancia del efecto aleatorio 1,0063 0,1488 <0,0001

Este modelo no presenta diferencias con respecto al anterior en cuanto a la significacin
de las variables excepto en el caso del nivel educativo sin instruccin/primaria incompleta o
educacin especial el cual resulta significativo para el nuevo modelo a un nivel del 5%.
Adems, la estimacin de la variancia del efecto aleatorio es significativamente distinta de
cero (p<0,0001), por lo tanto la incorporacin del efecto aleatorio es adecuada teniendo en
cuenta la heterogeneidad entre los individuos.
Para llevar a cabo la interpretacin de los coeficientes de las covariables en el Modelo
Logit Mixto ajustado se interpretan las estimaciones de las razones de odds condicionales.
Las mismas representan la chance de estar desocupado para un individuo segn sea el valor
asumido por cada covariable en particular manteniendo constante el valor de las restantes.
En la Tabla VIII se presentan las estimaciones puntuales de razones de odds y los
respectivos intervalos de confianza segn el modelo considerado.


31

Tabla VIII: Razones de odds entre estado ocupacional y cada factor socio-demogrfico

Estimacin
RO
IC 95%
LI LS
No es jefe vs. es jefe 2,566 1,963 3,355
Sexo
Mujer vs. Hombre 1,537 1,190 1,984
Nivel educativo
Sin Instruccin / Primaria incompleta o Educacin Especial vs. Superior Universitaria completa 0,511 0,281 0,928
Primaria completa o Secundaria incompleta vs. Superior Universitaria completa 0,918 0,588 1,433
Secundaria completa o Superior universitaria incompleta vs. Superior Universitaria completa 1,215 0,794 1,858
Rama de actividad
Construccin vs. Adm. Pblica y Defensa, Enseanza y Serv. Soc. y de Salud 4,354 2,715 6,983
Manufactura vs. Adm. Pblica y Defensa, Enseanza y Serv. Soc. y de Salud 1,332 0,833 2,128
Serv. Comerciales vs. Adm. Pblica y Defensa, Enseanza y Serv. Soc. y de Salud 2,332 1,561 3,483
Intermediacin Financiera vs. Adm. Pblica y Defensa, Enseanza y Serv. Soc. y de Salud 3,732 2,326 5,987
Otras actividades de servicio vs. Adm. Pblica y Defensa, Enseanza y Serv. Soc. y de Salud 2,893 1,919 4,361
Bajo (deciles 1, 2 y 3) vs. Alto (deciles 8, 9 y 10) 7,568 5,057 11,325
Medio (deciles 4, 5, 6 y 7) vs. Alto (deciles 8, 9 y 10) 3,004 2,044 4,415
Trimestre 0,951 0,910 0,994

Se puede ver en la Tabla VIII que la chance de que un individuo que no sea jefe de
hogar est desocupado es aproximadamente entre 2 y 3 veces mayor que si el mismo
individuo fuese jefe de hogar.
Con respecto al nivel de instruccin se puede decir que para un individuo sin instruccin
o con primaria incompleta o educacin especial la chance de estar desocupado es entre un
10% y un 70% menor que si el mismo individuo tuviese nivel educacional superior
universitario completo.
Si se considera a un individuo con primaria completa o secundaria incompleta, la chance
de estar desocupado resulta similar a la que presentara si ste tuviese nivel educacional
superior universitario completo. Lo mismo sucede con la chance de estar desocupado para
un individuo con nivel secundario completo o superior universitario incompleto versus
superior universitario completo.
En cuanto al nivel de ingreso familiar, se puede decir que la chance de estar desocupado
para una persona con nivel de ingreso familiar bajo es entre 5 y 11 veces mayor,
aproximadamente, que si esta persona tuviese un nivel de ingreso familiar alto. A su vez, la
chance de desocupacin para un individuo con un nivel de ingreso familiar medio es entre 2
y 4 veces y media mayor que si tuviese un nivel de ingreso familiar alto.

32

Respecto de la rama de actividad se puede destacar que la chance de desocupacin para
un individuo que se dedica a la construccin es entre 3 y 7 veces mayor que la chance que
tendra si se dedicara a la administracin pblica y defensa, enseanza y servicios sociales y
de salud.
En relacin al trimestre, la chance de estar desocupado para un individuo en particular es
como mximo un 9% menor en un trimestre dado respecto de la chance de estar
desocupado si hubiese sido entrevistado en el trimestre inmediatamente anterior, lo que da
una idea acerca de la importancia de la disminucin de la desocupacin a travs del tiempo
en el perodo bajo estudio.

Resulta interesante describir el efecto de la edad sobre la probabilidad de desocupacin.
Para esto se elige a manera de ejemplo el perfil poblacional de los individuos de sexo
masculino, jefes de hogar, con nivel educativo secundario completo o universitario
incompleto cuya rama de actividad econmica son los servicios comerciales y que poseen un
nivel de ingreso familiar medio, entrevistados en el cuarto trimestre del ao 2006. En la
Figura VIII se presenta la probabilidad estimada de estar desocupado versus la edad para
individuos con el perfil anteriormente definido.

Figura VIII: Probabilidades estimadas desocupacin segn la edad para varones, jefes de
hogar, con secundario completo o universitario incompleto con rama de actividad econmica
en los servicios comerciales, con nivel de ingreso familiar medio y entrevistados en el 4
to

trimestre del ao 2006


33

Se observa que la probabilidad estimada de estar desocupado alrededor de los 20 aos
es aproximadamente de 0,06, luego desciende levemente para mantenerse en ese nivel
hasta poco antes de los 50 aos, edad a partir de la cual comienza a ascender.

Por otro lado tambin resulta interesante comparar perfiles de individuos y de esta
manera poder observar cmo varan las probabilidades estimadas de estar desocupado para
individuos que difieren en alguna caracterstica. Por ejemplo, puede interesar la diferencia en
las curvas de probabilidades estimadas en funcin de la edad para hombres jefes de hogar,
con secundario completo o universitario incompleto, con nivel de ingreso familiar medio,
entrevistados en el 4
to
trimestre del ao 2006 que difieran en la rama de actividad
econmica. Estos perfiles se encuentran representados en el siguiente grfico:


34

Figura IX: Probabilidades estimadas de estar desocupado a travs de la edad para dos
perfiles que difieren rama de actividad econmica.

__ Hombre, jefe de hogar, con secundario completo o universitario incompleto cuya rama de
actividad son los servicios comerciales, ingreso familiar medio entrevistados en el cuarto
trimestre del ao 2006.

- - - Hombre, jefe de hogar, con secundario completo o universitario incompleto cuya rama de
actividad es la administracin pblica y defensa, enseanza y servicios sociales y de salud,
ingreso familiar medio entrevistados en el cuarto trimestre del ao 2006.

Como se visualiza en la Figura IX, las probabilidades estimadas de desocupacin son
menores para los hombres jefe de hogar con secundario completo o universitario incompleto
que pertenecen a la rama de actividad administracin pblica y defensa, enseanza y
servicios sociales y de salud, ingreso familiar medio entrevistados en el cuarto trimestre del
2006, comparadas con las respectivas probabilidades para aquellos con las mismas
caractersticas pero que pertenecen a la rama de actividad servicios comerciales.


35

IV-B-1 Consideraciones acerca del supuesto distribucional de los efectos aleatorios

El ajuste del Modelo Logit con intercepto aleatorio, como ya fuera explicitado, supone
que los efectos aleatorios b
i
tienen distribucin normal con media 0 y variancia
2
b
o . Con el fin
de explorar el cumplimiento de dicho supuesto se calculan algunas medidas descriptivas y se
construyen grficos para las estimaciones de los efectos aleatorios asociados a cada
individuo.
Las diferencias entre las medidas de tendencia central calculadas, media y mediana,
sugieren falta de simetra en la distribucin de las estimaciones de los efectos aleatorios
(Tabla IX). La misma se corrobora al realizar el histograma y el grfico de normalidad que se
presentan en las Figuras IX y X respectivamente. Si bien Alonso et al. (2008) afirman que las
estimaciones de los efectos aleatorios pueden no seguir una distribucin normal incluso
cuando la distribucin correcta de los efectos aleatorios sea efectivamente normal, preocupa
la notable falta de normalidad observada.

Tabla IX: Medidas descriptivas para las estimaciones bayesianas de los efectos aleatorios

Media
Desvo
Estndar
Mnimo Mximo Rango Quartil 1 Mediana Quartil 3
-1,55376E-16 0,32 -0,87 1,93 2,8 -0,15 -0,06 -0,02

36

Figura IX: Histograma para las estimaciones de los efectos aleatorios

Figura X: Grfico de normalidad para las estimaciones de los efectos aleatorios

Es por ello que se realiz una exploracin de los dos grupos de individuos bien
diferenciados que se observan en el histograma (Figura IX) respecto a las variables
consideradas en el estudio. Slo se encontraron diferencias en relacin a la propia variable
respuesta estado ocupacional difiriendo notablemente el porcentaje de desocupados por
grupo de individuos, tal como se observa en la Tabla X que se presenta a continuacin.


37

Tabla X: Estado Ocupacional segn si el efecto aleatorio es menor o mayor que 0

Tambin es sabido que, si bien los estimadores mximos verosmiles del modelo pueden
ser sesgados debido a la postulacin de una distribucin de los efectos aleatorios incorrecta,
la magnitud del sesgo es generalmente pequea (Alonso et al., 2008). En base a esta ltima
aseveracin se decide entonces confiar en los resultados hallados en base al ajuste del
modelo.
En este sentido, Alonso et al. han demostrado mediante estudios por simulacin, en los
cuales se consideraron diferentes distribuciones para el intercepto aleatorio, que las
estimaciones de los parmetros de inters y los procedimientos inferenciales fueron similares
independientemente de la distribucin utilizada. Estas afirmaciones tambin tranquilizan
acerca del ajuste logrado.
Cabe destacar que una estrategia recomendada cuando hay dudas acerca de la
verdadera distribucin de los efectos aleatorios, es utilizar tambin un enfoque no
paramtrico o uno semi-paramtrico para estimar los efectos aleatorios ya que el mismo
constituye una herramienta muy flexible para capturar la estructura de asociacin intra-
sujeto. Si los resultados a partir de ambos enfoques difieren sustancialmente se puede
cuestionar efectivamente el supuesto de normalidad y sera recomendable utilizar los
resultados obtenidos bajo el enfoque semi-paramtrico (Agresti et al., 2004; Litiere et al.,
2008). Esta alternativa, si bien excede los lmites fijados para esta tesina, podra enriquecer
la evaluacin del supuesto distribucional de los efectos aleatorios.

bi menor que 0 bi mayor que 0
Estado
% ocupado 34,59 99,17
% desocupado 65,41 0,83

38

V-Consideraciones finales
La aplicacin del Modelo Logit Mixto es muy til en el caso de contar con datos binarios
longitudinales ya que permite tener en cuenta la correlacin entre las mediciones realizadas
a un mismo individuo. En el caso de los datos sobre desocupacin analizados en este
trabajo, este modelo resulta apropiado para estudiar el efecto de determinadas covariables
demogrficas y socio-econmicas sobre la probabilidad de que un individuo est desocupado
como as tambin para controlar la heterogeneidad intra-individuo respecto al estado
ocupacional a travs del tiempo.
En particular, los resultados obtenidos para el aglomerado Gran Rosario correspondiente
al perodo 2005-2006 indican que la chance de estar desocupado es menor para un individuo
jefe de hogar respecto si este no fuese jefe de hogar. Otro hallazgo llamativo es que para
un individuo sin instruccin o con primaria incompleta o educacin especial, la chance de
estar desocupado es mucho menor que si tuviese nivel educacional superior universitario
completo. En el caso de un individuo con primaria completa o secundaria incompleta, la
chance de estar desocupado resulta similar a la que presentara si tuviese nivel educacional
superior universitario completo. Lo mismo sucede con un individuo con secundaria completa
o superior universitaria incompleta. Con respecto al nivel de ingreso familiar, segn la
modelizacin, se puede decir que la chance de desocupacin aumenta cuanto menor es el
nivel de ingreso familiar. Respecto de la rama de actividad se puede destacar que la chance
de desempleo para un individuo que se dedica a la construccin es mayor comparada con la
que tendra si se dedicara a la Administracin Pblica y Defensa, Enseanza y Servicios
Sociales y de Salud. Por ltimo, se pudo confirmar una disminucin de la chance de
desocupacin a travs del tiempo.
En conclusin, se puede decir que el modelo aplicado resulta til para estudiar la
desocupacin utilizando datos de tipo longitudinal provenientes de la EPH. Sera
enriquecedor contar con la opinin de expertos en el tema, que puedan aportar su punto de

39

vista respecto de las categorizaciones elegidas para las variables y las asociaciones
encontradas.
Por ltimo, cabe destacar que resultara conveniente estudiar y explorar
metodolgicamente de manera ms amplia el supuesto de normalidad de efectos aleatorios.
En este sentido se han presentado recientemente algunos test que permiten evaluar la
validez de este supuesto (Alonso et al., 2008), por lo que queda evidenciado que se trata de
un rea de investigacin actual.


40

VI-Anexo
VI-A Anlisis descriptivo de la muestra total de individuos y la submuestra
correspondiente a los individuos utilizados para ajustar el modelo.
Tabla XI: Tabla de frecuencias de la variable sexo.

Tabla XII: Tabla de frecuencias de la variable nivel educativo.
Nivel Educativo Frecuencia Porcentaje
Submuestra de individuos que no
presentan valores faltantes
Sin instruccin/ Primaria incompleta/ Educacin especial 408 7,24
Primaria completa o Secundaria incompleta 2366 42,01
Secundaria completa o Superior universitaria incompleta 2042 36,26
Superior universitaria completa 816 14,49
Total 5632 100
Muestra total de individuos
Sin instruccin/ Primaria incompleta/ Educacin especial 589 6,73
Primaria completa o Secundaria incompleta 3390 38,75
Secundaria completa o Superior universitaria incompleta 3257 37,23
Superior universitaria completa 1513 17,29
Total 8749 100

Tabla XIII: Tabla de frecuencias de la variable condicin de jefe de hogar.
Condicin de Jefe de
Hogar
Frecuencia Porcentaje
Submuestra de individuos que no presentan valores faltantes
Es jefe 2848 50,57
No es jefe 2784 49,43
Total 5632 100
Es jefe 4083 46,67
No es jefe 4666 53,33
Total 8749 100

Tabla XIV: Tabla de frecuencias de la variable rama de actividad econmica.
Rama de Actividad Frecuencia Porcentaje
Submuestra de individuos que no
presentan valores faltantes
Construccin 592 10,51
Manufactura 956 16,92
Serv. Comerciales 1689 29,99
Intermediacin financiera 498 8,84
Adm. Pblica y defensa, enseanza y serv. Soc. y de salud 824 14,63
Otras actividades de servicio 1076 19,11
Total 5632 100
Construccin 820 9,83
Manufactura 1438 17,24
Serv. Comerciales 2588 31,02
Intermediacin financiera 807 9,67
Adm. Pblica y defensa, enseanza y serv. Soc. y de salud 1133 13,58
Otras actividades de servicio 1557 18,66
Total 8343 100

Sexo Frecuencia Porcentaje
Hombre 3245 57,62
Mujer 2387 42,38
Total 5632 100
Hombre 5040 57,61
Mujer 3709 42,39
Total 8749 100

41

Tabla XV: Tabla de frecuencias de la variable nivel de ingreso familiar.
Nivel de Ingreso Familiar Frecuencia Porcentaje
Submuestra de individuos que no presentan valores
faltantes
Bajo (deciles 1, 2 y 3) 1878 33,29
Medio (deciles 4, 5, 6 y 7) 2401 42,63
Alto (deciles 8, 9 y 10) 1356 24,08
Total 5632 100
Bajo (deciles 1, 2 y 3) 2008 33,96
Medio (deciles 4, 5, 6 y 7) 2499 42,27
Alto (deciles 8, 9 y 10) 1405 23,77
Total 5912 100

Tabla XVI: Tabla de frecuencias de la variable trimestre.

Tabla XVII: Tabla de frecuencias de la variable sexo para los distintos trimestres del perodo
2005-2006

Ao Trimestre Frecuencia Porcentaje
2005
1er 720 12,78
2do 665 11,81
3er 757 13,44
4to 729 12,94
2006
1er 679 12,06
2do 688 12,22
3er 688 12,22
4to 706 12,54
Total 5632 100,00
2005
1er 1028 11,75
2do 966 11,04
3er 1118 12,78
4to 1061 12,13
2006
1er 1109 12,68
2do 1167 13,34
3er 1186 13,56
4to 1114 12,73
Total 8749 100,00

Sexo
Ao
2005 2006
1er
trimestre
2do
trimestre
3er
trimestre
4to
trimestre
1er
trimestre
2do
trimestre
3er
trimestre
4to
trimestre
Submuestra
de
individuos
que no
presentan
valores
faltantes
Hombre
437
(60,69 %)
387
(58,20 %)
423
(55,88 %)
402
(55,14 %)
399
(58,76 %)
381
(55,38 %)
397
(57,70 %)
419
(59,35 %)
Mujer
283
(39,31 %)
278
(41,80 %)
334
(44,12 %)
327
(44,83 %)
280
(41,24 %)
307
(44,62 %)
291
(42,30 %)
287
(40,65 %)
Total
720
(100%)
665
(100 %)
757
(100 %)
729
(100 %)
679
(100 %)
688
(100 %)
688
(100 %)
706
(100 %)
Muestra
total de
individuos
Hombre
614
(59,73 %)
561
(58,07 %)
628
(56,17 %)
585
(55,14 %)
654
(58,97 %)
663
(56,81 %)
678
(57,17 %)
657
(58,98 %)
Mujer
414
(40,27 %)
405
(41,93 %)
490
(43,83 %)
476
(44,86 %)
455
(41,03 %)
504
(43,19 %)
508
(42,83 %)
457
(41,02 %)
Total
1028
(100 %)
966
(100 %)
1118
(100 %)
1061
(100 %)
1109
(100 %)
1167
(100 %)
1186
(100 %)
1114
(100 %)

42

Tabla XVIII: Tabla de frecuencias de la variable nivel educativo para los distintos trimestres
del perodo 2005-2006

Nivel
Educativo
Ao
2005 2006
1er
trimestre
2do
trimestre
3er
trimestre
4to
trimestre
1er
trimestre
2do
trimestre
3er
trimestre
4to
trimestre
Submuestra
de
individuos
que no
presentan
valores
faltantes
Sin
instruccin/
Primaria
incompleta/
Educacin
especial
53
(7,36%)
51
(7,67%)
45
(5,94%)
57
(7,82%)
43
(6,33%)
45
(6,54%)
53
(7,70%)
61
(8,64%)
Primaria
completa o
Secundaria
incompleta
315
(43,75%)
290
(43,61%)
311
(41,08%)
308
(42,25%)
284
(41,83%)
283
(41,13%)
277
(40,26%)
298
(42,21%)
Secundaria
completa o
Superior
universitaria
incompleta
254
(35,28%)
229
(34,44%)
272
(35,93%)
251
(34,43%)
262
(38,59%)
260
(37,79%)
264
(38,37%)
250
(35,41%)
Superior
universitaria
completa
98
(13,61%)
95
(14,29%)
129
(17,04%)
113
(15,50%)
90
(13,25%)
100
(14,53%)
94
(13,66%)
97
(13,74%)
Total
720
(100%)
665
(100%)
757
(100%)
729
(100%)
679
(100%)
688
(100%)
688
(100%)
706
(100%)
Muestra
total de
individuos
Sin
instruccin/
Primaria
incompleta/
Educacin
especial
71
(6,91%)
75
(7,76%)
72
(6,44%)
75
(7,07%)
63
(5,68%)
68
(5,83%)
78
(6,58%)
87
(7,81%)
Primaria
completa o
Secundaria
incompleta
430
(41,83%)
379
(39,23%)
422
(37,75%)
406
(38,27%)
447
(40,31%)
437
(37,45%)
452
(38,11%)
417
(37,43%)
Secundaria
completa o
Superior
universitaria
incompleta
370
(35,99%)
345
(35,71%)
403
(36,05%)
376
(35,44%)
438
(39,50%)
453
(38,82%)
455
(38,36%)
417
(37,43%)
Superior
universitaria
completa
157
(15,27%)
167
(17,29%)
221
(19,77%)
204
(19,23%)
161
(14,52%)
209
(17,91%)
201
(16,95%)
193
(17,32%)
Total
1028
(100%)
966
(100%)
1118
(100%)
1061
(100%)
1109
(100%)
1167
(100%)
1186
(100%)
1114
(100%)

Tabla XIX: Tabla de frecuencias de la variable condicin de jefe de hogar para los distintos
trimestres del perodo 2005-2006

Condicin
de Jefe
de Hogar
Ao
2005 2006
1er
trimestre
2do
trimestre
3er
trimestre
4to
trimestre
1er
trimestre
2do
trimestre
3er
trimestre
4to
trimestre
Submuestra
de
individuos
que no
presentan
valores
faltantes
Es jefe
368
(51,11%)
326
(49,02%)
383
(50,59%)
363
(49,49%)
337
(49,63%)
355
(51,60%)
350
(50,87%)
366
(51,84%)
No es jefe
352
(48,89%)
339
(50,98%)
374
(49,41%)
366
(50,21%)
342
(50,37%)
333
(48,40%)
338
(49,13%)
340
(48,16%)
Total
720
(100%)
665
(100%)
757
(100%)
729
(100%)
679
(100%)
688
(100%)
688
(100%)
706
(100%)
Muestra
total de
individuos
Es jefe
484
(47,08%)
449
(46,48%)
528
(47,23%)
502
(47,31%)
509
(45,90%)
551
(47,22%)
542
(45,70%)
518
(46,50%)
No es jefe
544
(52,92%)
517
(53,52%)
590
(52,77%)
559
(52,69%)
600
(54,10 %)
616
(52,78%)
644
(54,30%)
596
(53,50%)
Total
1028
(100%)
966
(100%)
1118
(100%)
1061
(100%)
1109
(100%)
1167
(100%)
1186
(100%)
1114
(100%)


43

Tabla XVIII: Tabla de frecuencias de la variable rama de actividad para los distintos

Rama de
Actividad
Ao
2005 2006
1er
trimestre
2do
trimestre
3er
trimestre
4to
trimestre
1er
trimestre
2do
trimestre
3er
trimestre
4to
trimestre
Submuestra
de
individuos
que no
presentan
valores
faltantes
Construccin
75
(10,42%)
77
(11,58%)
69
(9,11%)
70
(9,60%)
87
(12,81%)
62
(9,01%)
70
(10,17%)
82
(11,61%)
Manufactura
128
(17,78%)
114
(17,14%)
144
(19,02%)
130
(17,83%)
106
(15,61%)
105
(15,26%)
101
(14,68%)
125
(17,71%)
Serv.
Comerciales
212
(29,44%)
180
(27,07%)
228
(30,12%)
219
(30,04%)
195
(28,72%)
208
(30,23%)
210
(30,52%)
237
(33,57%)
Intermediacin
financiera
57
(7,92%)
60
(9,02%)
64
(8,45%)
57
(7,82%)
68
(10,01%)
65
(9,45%)
70
(10,17%)
57
(8,07%)
Adm. Pblica y
defensa,
enseanza y
serv. Soc. y de
salud
102
(14,17%)
102
(15,34%)
95
(12,55%)
110
(15,09%)
109
(16,05%)
104
(15,12%)
110
(15,99%)
92
(13,03%)
Otras
actividades de
servicio
146
(20,28%)
132
(19,85%)
157
(20,74%)
143
(19,62%)
114
(16,79%)
144
(20,93%)
127
(18,46%)
113
(16,01%)
Total
720
(100%)
665
(100%)
757
(100%)
729
(100%)
679
(100%)
688
(100%)
688
(100%)
706
(100%)
Muestra
total de
individuos
Construccin
98
(10,17%)
95
(10,27%)
97
(9,10%)
90
(8,88%)
113
(10,82%)
102
(9,16%)
109
(9,57%)
116
(10,77%)
Manufactura
168
(17,43%)
160
(17,30%)
197
(18,48%)
191
(18,84%)
162
(15,52%)
167
(14,99%)
197
(17,30%)
196
(18,20%)
Serv.
Comerciales
282
(29,25%)
276
(29,84%)
317
(29,74%)
296
(29,19%)
326
(31,23%)
352
(31,60%)
364
(31,96%)
375
(34,82%)
Intermediacin
financiera
92
(9,54%)
85
(9,19%)
106
(9,94%)
92
(9,07%)
109
(10,44%)
121
(10,86%)
113
(9,92%)
89
(8,26%)
Adm. Pblica y
defensa,
enseanza y
serv. Soc. y de
salud
135
(14,00%)
129
(13,95%)
137
(12,85%)
150
(14,79%)
148
(14,18%)
144
(12,93%)
157
(13,78%)
133
(12,35%)
Otras
actividades de
servicio
189
(19,61%)
180
(19,46%)
212
(19,89%)
195
(19,23%)
186
(17,82%)
228
(20,47%)
199
(17,47%)
168
(15,60%)
Total
964
(100%)
925
(100%)
1066
(100%)
1014
(100%)
1044
(100%)
1114
(100%)
1139
(100%)
1077
(100%)


44

Tabla XX: Tabla de frecuencias de la variable nivel de ingreso familiar para los distintos

Nivel de
ingreso
familiar
Ao
2005 2006
1er
trimestre
2do
trimestre
3er
trimestre
4to
trimestre
1er
trimestre
2do
trimestre
3er
trimestre
4to
trimestre
Submuestra
de
individuos
que no
presentan
valores
faltantes
Bajo (deciles
1, 2 y 3)
255
(35,42%)
225
(33,83%)
254
(33,55%)
244
(33,47%)
254
(37,41%)
196
(28,49%)
217
(31,54%)
230
(35,58%)
Medio
(deciles 4,
5, 6 y 7)
311
(43,19%)
281
(42,26%)
315
(41,61%)
321
(44,03%)
275
(40,50%)
314
(45,64%)
285
(41,42%)
299
(2,35%)
Alto (deciles
8, 9 y 10)
154
(21,39%)
159
(23,91%)
188
(24,83%)
164
(22,50%)
150
(22,09%)
178
(25,87%)
186
(27,03%)
177
(25,07%)
Total
720
(100%)
665
(100%)
757
(100%)
729
(100%)
679
(100%)
688
(100%)
688
(100%)
706
(100%)
Muestra
total de
individuos
Bajo (deciles
1, 2 y 3)
278
(36,63%)
235
(33,76%)
270
(33,92%)
260
(33,94%)
276
(38,07%)
214
(29,56%)
232
(32,40%)
243
(33,29%)
Medio
(deciles 4,
5, 6 y 7)
322
(42,42%)
296
(42,53%)
331
(41,58%)
337
(43,99%)
290
(40,00%)
325
(44,89%)
292
(40,78%)
306
(41,92%)
Alto (deciles
8, 9 y 10)
159
(20,95%)
165
(23,71%)
195
(24,50%)
169
(22,06%)
159
(21,93%)
185
(25,55%)
192
(26,82%)
181
(41,92%)
Total
759
(100%)
696
(100%)
769
(100%)
766
(100%)
725
(100%)
724
(100%)
716
(100%)
730
(100%)

Tabla XXI: Medidas descriptivas para la edad considerando los distintos trimestres del
perodo 2005-2006

Ao Trimestre Media
Desvo
Estndar
Mediana
Submuestra de individuos que no presentan
valores faltantes
2005
1er 38,48 13,33 37,00
2do 38,29 14,22 37,00
3er 38,60 14,06 37,00
4to 39,42 14,15 38,00
2006
1er 37,66 14,03 36,00
2do 38,08 13,77 37,00
3er 38,46 13,93 37,00
4to 38,55 14,01 37,00
2005
1er 38,29 13,65 37,00
2do 39,01 14,72 37,00
3er 38,76 14,15 37,00
4to 39,25 14,05 38,00
2006
1er 37,99 14,29 36,00
2do 38,43 14,30 37,00
3er 38,37 14,31 36,00
4to 38,92 14,52 37,00


45

VI-B Mtodos para la determinacin de la escala para las variables continuas
Con el fin de determinar la escala con la cual las variables continuas ingresan al modelo
se recurre a dos mtodos, Variables de Diseo y Polinomios Fraccionarios (Hosmer y
Lemeshow, 2000).
- Variables de Diseo.
Consiste en obtener los cuartiles correspondientes de la distribucin de la variable
continua. Luego se crea una variable categrica con cuatro niveles en base a los cuartiles
calculados anteriormente. Pueden utilizarse otras estrategias de categorizacin pero sta
generalmente funciona de manera adecuada en la prctica.
Se ajusta un modelo reemplazando la variable continua por la variable categorizada de
forma tal que se utilizan tres variables de diseo con el cuartil menor como grupo de
referencia. Se grafican los coeficientes estimados versus los puntos medios de cada grupo.
Para esto en el punto medio del primer cuartil se grafica el coeficiente igual a 0. Se conectan
mediante lneas los 4 puntos graficados. Se inspecciona visualmente el grfico obtenido y en
base a ste se trata de buscar la forma paramtrica ms adecuada para la escala de la
variable continua.
- Polinomios Fraccionarios.
Es una tcnica desarrollada por Royston y Altman (1994) para sugerir transformaciones.
Se desea estimar qu valor de x
p
provee el mejor ajuste para la covariable. Este mtodo
consiste en reemplazar la estimacin mximo verosmil de la potencia buscndola a travs de
un pequeo pero razonable conjunto de posibles valores para la misma.
La tcnica de Polinomios Fraccionarios puede ser usada con un Modelo Logit Mixto
multivariado, pero por simplicidad se describir el procedimiento con una sola covariable
continua y sin efecto aleatorio.


46

El Modelo Logit lineal en la covariable es:
3
0 1
g(x, ) x | = | + | ,
donde es el vector de coeficientes del modelo y x el vector de covariables. Una forma de
generalizar el modelo anterior es especificarlo de la siguiente manera:
0 1
1
J
i
j
g(x, ) F(x)
=
| = | + |

donde F
j
(x) es un tipo particular de funcin de potencia, y el valor de la primer funcin es
F
1
(x)=
1
p
x .
Royston y Altman (1994) proponen restringir p
1
entre los valores del siguiente conjunto:
{ }
2 1 0 5 0 0 5 1 2 3 , , . , , . , , , P =

Donde p
1
=0 corresponde al logaritmo de la variable. El resto de las funciones se definen de
la siguiente forma:
1
1
p
j j
j
j j j
x , p p
F (x)
F (x)ln(x), p p
=

=

para j=2,...,J y valores de potencias restringidos a los del conjunto P.
Al implementar el mtodo, para J=1 se ajustan 8 modelos, es decir p
1
eP. El mejor de
ellos es el que posee el mayor valor de log verosimilitud. El proceso se repite con J=2
ajustando 36 modelos obtenidos con los pares de potencias, es decir (p
1
, p
2
) ePxP y el
mejor de los modelos es nuevamente el que tiene la mayor log verosimilitud.
Por ejemplo, para J=1 y p
1
=3 el modelo correspondiente es:
3
0 1
g(x, ) x | = | + |

Para J=2, p
1
=2 y p
2
=0,5 el modelo queda de la siguiente manera:
2
0 1 2
g(x, ) x x | = | + | + |
Para la eleccin del modelo significativamente mejor se procede de la siguiente forma:

47

Sea L(1) la log verosimilitud para el modelo lineal, es decir para J=1 y p
1
=1; L(p
1
), la log
verosimilitud para el mejor modelo con J=1 y L(p
1
, p
2
), la log verosimilitud para el mejor
modelo con J=2.
Luego el test de razn de verosimilitud comparando el modelo lineal con el mejor modelo
para J=1 es G(1, p
1
)=-2{L(1)-L(p
1
)}, que se distribuye como una
2
1
_
bajo la hiptesis nula
de linealidad de x.
El test de razn de verosimilitud comparando el mejor modelo para J=1 con el mejor
para J=2 es G[p
1
,(p
1
, p
2
)]=-2{L(p
1
)-L(p
1
,p
2
)}, el cual se distribuye como una
2
2
_
bajo la
hiptesis nula de que la segunda funcin es igual a 0.
Similarmente, el test de razn de verosimilitud comparando el modelo lineal con el mejor
modelo J=2 es G[1,(p
1
,p
2
)]=-2{L(1)-L(p
1
, p
2
)} se distribuye aproximadamente como una
2
3
_

bajo la hiptesis nula.
Cabe destacar que p
1
denota la mejor potencia tanto para J=1 como para la primer
potencia de J=2 pero que probablemente no tomen el mismo valor.
El procedimiento a seguir en el caso de cada covariable a las que se les estudia la escala
es el que se describe a continuacin:
Se realiza el test con 3 grados de libertad para el mejor modelo para J=2 versus el lineal
utilizando G[1,(p
1
,p
2
)]; si no resulta significativo a un nivel de significacin
o
entonces la
covariable es lineal en el logit.
En cambio, si es significativo, se prueba mediante un test de 2 grados de libertad el
mejor modelo para J=2 versus el mejor modelo para J=1 usando G[p
1
, (p
1
, p
2
)]. Si es
significativo a un nivel de significacin
o
entonces se elige el mejor modelo para J=2, caso
contrario se elige el mejor modelo para J=1.
Finalmente se explora cada covariable y el proceso se itera usando los resultados del
primer ciclo. El propsito de la iteracin es ver cundo la transformacin aplicada a una

48

covariable cambia la transformacin aplicada a una o ms de las otras covariables. El
proceso se repite hasta que no se presenten cambios entre transformaciones.


49

Bibliografa
ALONSO A, LETIERE S, MOLENBERGHS G. 2008. A family of tests to detect
misspecifications in the random-effects structure of generalized linear mixed models.
Computational Statistics and Data Analysis, 52, 4474-4486.
AGRESTI A. 2002. Categorical Data Analysis. John Wiley & Sons.
AGRESTI A, CAFFO B, OHMAN-STRICKLAND P. 2004. Examples in which
misspecification of random effects distribution reduces efficiency, and possible
remedies. Computational Statistics and Data Analysis, 47, 639-653.
FITZMAURICE G, LAIRD N, WARE J. 2004. Applied Longitudinal Analysis. John Wiley
& Sons.
HACHUEL L, BOGGIO G, BORRA V. 2006. Uso de Modelos Logit Mixtos para el estudio
del bajo peso al nacer en Rosario. Undcimas Jornadas Investigaciones en la
Facultad de Ciencias Econmicas.
http://www.fcecon.unr.edu.ar/investigacion/jornadas/archivos/hachuelyotros.PDF
(15/04/2009)
HOSMER D, LEMESHOW S. 2000. Applied Logistic Regression. Second Edition. John
Wiley & Sons.
Instituto Nacional de Estadstica y Censos. 2003. La nueva encuesta permanente de
hogares de Argentina.
http://www.indec.gov.ar/nuevaweb/cuadros/4/Gacetilla_EPHContinua.pdf
(04/04/2008)
Instituto Nacional de Estadstica y Censos. 2003. Encuesta Permanente de Hogares
(EPH). Cambios Metodolgicos.
http://www.indec.gov.ar/nuevaweb/cuadros/4/Gacetilla_EPHContinua.pdf
(04/04/2008)
Instituto Nacional de Estadstica y Censos. 1997. Cmo se mide el desempleo?

50

http://www.indec.gov.ar/nuevaweb/cuadros/4/metempleo1.pdf (04/04/2008)
LETIERE S, ALONSO A, MOLENBERGHS G. 2008. The impact of a misspecified
random-effects distribution on the estimation and the performance of the inferential
procedures in generalized linear mixed models. Statistics in Medicine, 27, 3125-3144.
MOLENBERGHS G, VERBEKE G. 2005. Models for Discrete Longitudinal Data.
Springer.
ROYSTON P, ALTMAN D, 1994. Regression using fractional polynomials of continuous
covariates: Parsimonious parametric modelling (with discussion). Applied Statistics,
43, 429-467.
SAS INSTITUTE INC. 2006. The GLIMMIX Procedure.
http://support.sas.com/rnd/app/papers/glimmix.pdf (25/04/2008)

Tesina Ivana Barbona

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesina Ivana Barbona

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE ROSARIO

FACULTAD DE CIENCIAS ECONMICAS Y ESTADSTICA

V matriz diagonal cuyos elementos

También podría gustarte