Modelo 2: MCO, usando las observaciones 1-95 Variable dependiente: l_nvisitas_perf Coeficiente 7,20604 0,00324964 -0,268543 -0,0797667 0,104473

0,314994 0,139828 0,0697716 -0,18021 0,0560518 Desv. Tpica 1,04033 0,00064879 0,384819 0,33389 0,334645 0,137454 0,109205 0,144964 0,172091 0,129862 Estadstico t 6,9267 5,0088 -0,6978 -0,2389 0,3122 2,2916 1,2804 0,4813 -1,0472 0,4316 Valor p <0,00001 <0,00001 0,48718 0,81176 0,75566 0,02440 0,20388 0,63154 0,29799 0,66711

const n_amigos tipo_perfil colegio_privado colegio_concert l_n_meses_tuent n_salidas lugar_estudio sexo l_n_fotos_tuent Media de la vble. dep. Suma de cuad. residuos R-cuadrado F(9, 85) Log-verosimilitud Criterio de Schwarz

*** ***

**

10,25343 38,90491 0,412700 6,636689 -92,39323 230,3252

D.T. de la vble. dep. D.T. de la regresin R-cuadrado corregido Valor p (de F) Criterio de Akaike Crit. de Hannan-Quinn

0,839476 0,676539 0,350516 3,92e-07 204,7865 215,1060

Interpretacin de estimaciones de los parmetros y medidas de bondad de ajuste La segunda columna de la tabla Coeficientes, nos muestra los coeficientes de los parmetros estimados para cada variable. Con estos resultados podemos hacer las interpretaciones pertinentes, siempre en trminos medios y caeteris paribus. = es el trmino independiente, el cual no se interpreta. = es el coeficiente del parmetro asociado a la variable nmero de amigos en Tuenti. Implica que un amigo ms en Tuenti, aumentar el nmero de visitas en un 0,324964%. = es el coeficiente del parmetro asociado a la variable tipo de perfil, que es una variable dicotmica (1=abierto, 0=cerrado), de modo que el hecho de tener un perfil abierto disminuir las visitas en un 26,8543%. = este coeficiente acompaa a la variable colegio privado (1=ser de un colegio privado, 0=no ser). Supone que el hecho de haber acudido a un colegio privado disminuye el nmero de visitas recibidas en el perfil de Tuenti en un 7,9766%. = este coeficiente acompaa a la variable colegio concertado (1=ser de un colegio concertado, 0=no ser). Supone que el hecho de haber acudido a un colegio concertado aumenta el nmero de visitas en Tuenti en un 10,4473%. = coeficiente asociado con la variable ln nmero de meses. Supone que un aumento del nmero de meses en Tuenti de 1%, aumentar el nmero de visitas en un 0,314994%. = asociado a la variable nmero de salidas nocturnas, de modo que una salida nocturna ms del individuo, aumentar en un 13,9828% el nmero de visitas recibidas. = asociado a la variable estudios, variable dicotmica que toma el valor 1 si cursa sus estudios fuera de su ciudad natal y 0 si cursa sus estudios en su ciudad natal. Apreciamos que el hecho de estudiar fuera de la ciudad natal, aumenta el nmero de visitas en un 6,97716%. = es el coeficiente del parmetro asociado a la variable sexo, que es cualitativa y est dicotomizada (1= chico, 0= chica), de forma que el hecho de ser chico hace que disminuya el nmero de visitas en un 18,021%.

=asociado a la variable ln nmero de fotos. Supone que un aumento de un 1% en el nmero de fotos, aumentar el nmero de visitas recibidas en el perfil en un 0,0560518%. En cuanto a las medidas de bondad del ajuste, el coeficiente R nos indica en qu proporcin la variabilidad de la y est explicada por la variabilidad de las Xs. Cuanto mayor sea este coeficiente, mejor ser el ajuste del modelo a los datos. En este caso observamos que R es 0,412700, esto es, 4127% por lo que podemos decir que la variabilidad de la Y est explicada en un 4127% por la variabilidad de las X. Cabe destacar que con datos de corte transversal el valor de R suele ser no muy alto a diferencia de los datos de corte temporal. Anlisis de significacin individual Planteamos el contraste de significacin individual: : : =0 variable no significativa 0 variable significativa si cierta y la variable no es significativa a nivel individual.

Estadstico t=

Regla de decisin: t< KR no rechazo

Segn los datos obtenidos por MCO podemos basar la regla de decisin en funcin de p-valor, de modo que si p-valor > nivel de significacin () no rechazo y la variable no es significativa a nivel individual. Nmero de amigos: su p-valor es demasiado pequeo, por tanto esta variable ser significativa a todos los niveles de significacin (1%, 5%, 10%) rechazando . Ln n meses Tuenti: su p-valor de 0,02440 es mayor que 1% pero menor que 5% y 10%. Por tanto diremos que la variable es significativa al 5% y 10%, pero no al 1%. El resto de variables no son significativas individualmente a ningn nivel de significacin por ser su p-valor mayor que cualquiera de ellos. Por tanto, en el resto de casos no se rechaza Anlisis de significacin conjunta : = = = = = = = = 0 modelo significativo =0 modelo no significativo

: algn

Estadstico F=

si

cierta

Fk-1, n-k
y el modelo no es significativo.

Regla de decisin: F < KR no rechazo As mismo si p-valor > no rechazo

En los datos obtenidos por MCO hallamos un p-valor (de F) de 3,92e-07que es un p-valor muy pequeo para cualquier nivel de significacin. Por tanto, se rechaza la hiptesis nula y el modelo es conjuntamente significativo.

Otros contrastes interesantes A continuacin vamos a realizar un contraste global sobre m restricciones lineales. Estas m restricciones estarn formadas por las variables que no son significativas individualmente en el contraste anterior. Con este anlisis pretendemos analizar si estas variables son necesarias en el modelo o no.

= = = = = =

=0 restricciones conjuntamente ciertas

: restricciones no conjuntamente ciertas Contraste sobre el Modelo 3: contraste WALD en GRETL Hiptesis nula: los parmetros de regresin son cero para las variables tipo_perfil, colegio_privado, colegio_concert, n_salidas, lugar_estudio, sexo, l_n_fotos_tuent Estadstico de contraste: F(7, 85) = 1,10007, Valor p 0,370626 Segn el contraste Wald obtenemos un p-valor mayor que cualquier nivel de significacin. Por tanto, no rechazamos y concluimos que las restricciones son conjuntamente ciertas y por tanto no son significativas conjuntamente. A partir de estos resultados, continuaremos el trabajo con un nuevo modelo compuesto tan solo por las variables significativas: nmero de amigos y ln nmero de meses en tuenti.

LnY= + *
Anlisis de multicolinealidad

Para detectar un problema de multicolinealidad realizamos un anlisis VIF en GRETL. Factores de inflacin de varianza (VIF) Mnimo valor posible = 1.0 Valores mayores que 10.0 pueden indicar un problema de colinealidad n_amigos 1,055 l_n_meses_tuent 1,055 VIF(j) = 1/(1 - R(j)^2), donde R(j) es el coeficiente de correlacin mltiple entre la variable j y las dems variables independientes Propiedades de la matriz X'X: norma-1 = 16667979 Determinante = 3,2992025e+009 Nmero de condicin recproca = 8,663613e-008 A la vista de los resultados del anlisis VIF podemos afirmar que no hay ningn problema de multicolinealidad. Deteccin y correccin de problemas en las perturbaciones Para averiguar si se cumple la HB II (homocedasticidad) realizamos un contraste de White tal que: : : = homocedasticidad heterocedasticidad genrica Contraste de heterocedasticidad de White MCO, usando las observaciones 1-95 Variable dependiente: uhat^2 Coeficiente Desv. Tpica Estadstico t Valor p ------------------------------------------------------------------const 4,98184 2,23414 2,230 0,0283 ** n_amigos -0,00304337 0,00505690 -0,6018 0,5488

l_n_meses_tuent -1,68307 1,18085 sq_n_amigos -4,77109e-06 6,21088e-06 X2_X3 0,00135346 0,00115710 sq_l_n_meses_ 0,123226 0,179262 R-cuadrado = 0,174955

-1,425 0,1576 -0,7682 0,4444 1,170 0,2452 0,6874 0,4936

Estadstico de contraste: TR^2 = 16,620711, con valor p = P(Chi-cuadrado(5) > 16,620711) = 0,005278 A la vista de estos resultados, podemos afirmar que como el p-valor es de 0,005278 a un nivel de significacin del 1%, 5% y del 10% se rechaza . Por tanto, existe un problema de heterocedasticidad lo que es bastante frecuente con datos de corte transversal. Para corregir este problema hay que aplicar MCG con el fin de obtener varianzas constantes de las perturbaciones. Modelo 5: con correccin de heterocedasticidad, usando las observaciones 1-95 Variable dependiente: l_nvisitas_perf Coeficiente 7,91079 0,00340866 0,261954 Desv. Tpica 0,692659 0,000679917 0,172833 Estadstico t 11,4209 5,0133 1,5156 Valor p <0,00001 <0,00001 0,13304

Const n_amigos l_n_meses_tuent

*** ***

Suma de cuad. residuos R-cuadrado F(2, 92) Log-verosimilitud Criterio de Schwarz

Estadsticos basados en los datos ponderados: 287,6969 D.T. de la regresin 0,245853 R-cuadrado corregido 14,99605 Valor p (de F) -187,4306 Criterio de Akaike 388,5229 Crit. de Hannan-Quinn Estadsticos basados en los datos originales: 10,25343 D.T. de la vble. dep. 42,67858 D.T. de la regresin

1,768372 0,229458 2,31e-06 380,8612 383,9571

Media de la vble. dep. Suma de cuad. residuos

0,839476 0,681100

Con este contraste hemos corregido el problema de heterocedasticidad y por tanto podemos afirmar que los estimadores obtenidos por el mtodo MCG son ELIO. Predicciones La prediccin ex post se ha realizado sobre el 5% de los datos reservados de la muestra. Esto es para las ltimas 5 observaciones para las cuales hemos obtenido la grfica y la tabla que planteamos a continuacin: