INDICE

RESUMEN EJECUTIVO .................................................................................... 2

ANTECEDENTES Y MARCO TEORICO ........................................................... 3
METODOLOGIA................................................................................................. 5
RESULTADOS ................................................................................................... 6
CONCLUSIONES ............................................................................................. 11
REFERENCIAS ................................................................................................ 12
ANEXOS .......................................................................................................... 13
RESUMEN EJECUTIVO

Este trabajo tiene por objetivo identificar y cuantificar los determinantes del
incremento en las ventas de una MYPE. Asimismo, se busca establecer las
incidencias de las variables estudiadas, como es que estas variables afectan al
nivel de ventas de una MYPE, para tales propósitos se estima los modelos
probabilísticos tales como logit y probit. Esta es una metodología econométrica
y muestra de datos utilizada, la evidencia obtenida nos permite no rechazar la
hipótesis que, en el Perú, el incremento de ventas esta dado principalmente por
las estrategias de marketing que son utilizadas por los propietarios de las
MYPEs, otro de los factores influyentes seria la informalidad que incide
negativamente en las ventas.

ABSTRACT

The objective of this work is to identify and quantify the determinants of the
increase in the sales of an MSE. Likewise, the aim is to establish the incidences
of the variables studied, as well as the variables that affect the sales level of an
MSE, so that the models can be estimated, the probabilistic models count as logit
and probit. This is an economic methodology and sample of data used, the
complete evidence that allows not to reject the hypothesis that, in Peru, the
increase in sales is specifically favored by marketing strategies that are used by
the owners of the MSEs, another of the influential factors are the informality that
negatively affects sales.
INTRODUCCION

El presente trabajo está relacionado con las distintas variables que afectan tanto
positiva como negativamente a las ventas por tal razón, se propone analizar
dichas variables de manera que nos cuantifique el efecto de tales, la metodología
a usarse en el presente trabajo es descriptiva, analítica, e intuitiva, las hipótesis
están planteadas de acuerdo con la teoría microeconómica y el comportamiento
de las empresas ante los cambios de algunos aspectos socioeconómicos en el
Perú. Los resultados a mostrar para el cumplimiento de los objetivos son los que
determinaran si es correcto las hipótesis planteadas para el modelo, el estudio
está basado en la encuesta nacional de las MYPE (EMYPE) realizada por el INEI
en el año 2013,

ANTECEDENTES Y MARCO TEORICO

- ANTECEDENTES
Chahuara, Paulo (2011, Lima – Perú) concluye en su trabajo “LA
INFORMALIDAD EN EL MICROEMPRESARIO PERUANO: DETERMINANTES,
COSTOS E IMPLICANCIAS DE POLÍTICA “, qué, Los dos marcos teóricos que
han tratado de explicar la presencia del sector informal en una economía se
pueden agrupar en dos grandes campos: las razones de exclusión y las razones
de escape. Por un lado, las razones de exclusión señalan – por ejemplo - que la
actividad económica estaría segmentada en un sector formal y otro informal,
dicha segmentación esta asociada a las imperfecciones de mercado, que
podrían dar lugar a un racionamiento en el mercado laboral y a la existencia de
una economía dual (Rauch, 1991) que no responde a las elecciones óptimas de
las empresas y los trabajadores. Bajo este marco, el sector informal juega el
papel de un sector residual o secundario de la economía, en donde los niveles
de bienestar que obtendrían los agentes económicos serian inferiores a las que
se pueden obtener en el mercado formal. Por lo tanto, agentes con
características similares tendrían niveles de beneficios menores en el sector
informal que en el formal, es decir, existiría un “premio” para los agentes
insertados formalmente.
Pérez, Nelly y Pinillos, Lizeth (2016, Trujillo – Perú), en su trabajo “FACTORES
DE LA DECISIÓN DE COMPRA QUE INFLUYEN EN LAS VENTAS DE LA
MYPECONFECCIONES JHONELL`S”, concluyen qué, los factores a los que la
empresa debe prestar atención como la ubicación de la empresa, son
indiferentes a los clientes, lo mismo que la adecuación del punto de venta; pero
el de la rapidez en la entrega de pedidos si es un factor que genera malestar en
los clientes, otro punto muy débil es la promoción que realiza la empresa, la falta
de interacción con los clientes por redes sociales y los medios que utiliza, puesto
que no llega a generar una mayor expectativa, ni realiza campañas emotivas que
permitan recordar la marca, además de no generar recomendaciones en casi la
mitad de los entrevistados.

- MARCO TEORICO

Modelo logit

El modelo logit usa una distribución normal logística el cual tiene función de
densidad que se expresa de la siguiente manera:

( 1   2 X i )
1 e
Pi  E( Yi  1 | X i )  
( 1   2 X i ) ( 1   2 X i )
1 e 1 e

Efectos marginales del modelo logit

Para ver el efecto porcentual de una variable se utiliza la derivada de la función

de densidad.

Pi e X i
   P(1  P) B
x (1  e X i ) 2

Modelo Probit
El modelo probit tiene una distribución normal con media (u=o) y varianza ( 
=1).

X i  X i  X i 2
 
1 1 
Pi  Pr(Y  1)  F ( X i )  e X dX  e d ( X  )
2
/2 2
2 2 i
 
Efectos marginales del modelo probit
Para ver el efecto porcentual de una variable se utiliza la derivada de la función
de densidad.

( X i )2
 Pr( Yi  1 ) 1 

 X
 f ( X i  ).  e 2 *
2

METODOLOGIA

Para analizar econométricamente las variables influyentes en el incremento de

las ventas se usa modelos probabilísticos (logit, probit) los cuales determinaran
una incidencia cuantificando en porcentajes la probabilidad de que aumente o no
las ventas de una MYPE, estos modelos se estiman con el método de máxima
verosimilitud, el software usado para hacer todas las operaciones es (stata). La
base de datos para el análisis es obtenida de la encuesta nacional de MYPEs
(EMYPE) realizada por el INEI en el año 2013.

- HIPOTESIS

Hipótesis general

Las MYPEs incrementan sus ventas a través de las estrategias de marketing que
les permiten tener mayor accesibilidad al mercado.

Hipótesis específica

La existencia de las redes sociales son un medio para hacer publicidad por lo
que es uno de los factores que inciden de manera positiva el incremento en las
ventas.

Las capacitaciones a cerca de gestión empresarial que recibe el propietario tiene

una incidencia positiva.

La informalidad de la empresa hace que la expansión de mercado sea menor.

Tener acceso a un financiamiento por parte de una entidad financiera hace

crecer el capital y por ende la producción.

El costo de ventas tiene incidencia positiva en el incremento de ventas de una

MYPE.
 Los incrementos en los precios hacen reducir las ventas.

- OBJETIVOS

generales

Analizar objetivamente las variables que influyen en las ventas de una MYPE.

Específicos

Analizar la relación entre la informalidad y el incremento en las ventas

Plantear un modelo confiable para ver las relaciones entre las diferentes
variables y el incremento de ventas de una MYPE.

RESULTADOS

En el siguiente cuadro se muestra el cuadro resumen de todos los modelos

corridos con el stata, a partir de eso elegiremos el mejor modelo para poder
analizar y determinar con certeza que variables inciden en el incremento de
ventas de una MYPE

Variable PROBIT1 PROBIT2 PROBIT3 PROBIT4 LOGIT1 LOGIT2

INFORMAL .04083991 .04369612 .04684485 .0702786 .07600368

CAP_PROP .21347785** .24979813*** .24566307*** .24554397*** .39881439*** .39157453***
FACEBOOK -.16257959 -.00256191 -.00400118
TWITTER -.10662318 -.11551137 -.2001973
NUEV_MER (omitted)
INC_PREC (omitted)
GENERO .02617682 .07970121 .07854986 .12922889 .12712104
EDAD_PROP -.00869372*** -.00993579*** -.00976241*** -.00978082*** -.01602857*** -.01571348***
EDU_PROP .01189373 -.00479589 -.00865297
MONTO_FINAN .00001192* .00001099* .00001075* .0000104* .00001744* .00001699*
NRO_TRAB .01024935 .01390753* .01367055* .01449264* .02505516* .02455125*
TEL_INTER .26636682*** .34026728*** .33407261*** .33388975*** .54940579*** .53846644***
PROD_TOTAL 2.032e-07* 2.191e-07** 2.190e-07** 2.085e-07** 3.428e-07** 3.425e-07**
_cons -.30685068 .00406594 -.03876789 .03245733 .00954117 -.06741775

r2_p .02512412 .03353214 .03341991 .03256918 .03352578 .0333968

chi2 46.851527 76.404107 76.148386 74.209961 76.389604 76.095724
ll -908.97562 -1101.0646 -1101.1925 -1102.1617 -1101.0719 -1101.2188
aic 1841.9512 2226.1293 2220.385 2218.3234 2226.1438 2220.4377
bic 1905.3609 2291.1906 2269.181 2256.2759 2291.2051 2269.2337
N 1457 1672 1672 1672 1672 1672

legend: * p<.15; ** p<.05; *** p<.01

En el cuadro anterior se puede observar que el mejor modelo es el PROBIT4 el
cual analizaremos objetivamente todas sus variables y efectos que tienen sobre
las ventas de una MYPE.

Especificación del modelo

𝑒 0324573−.0097808𝐸𝐷𝐴𝐷𝑃𝑅𝑂𝑃+.3338898𝑇𝐸𝐿𝐼𝑁𝑇𝐸𝑅+.0144926𝑁𝑅𝑂𝑇𝑅𝐴𝐵 +(2.08𝑒−07)𝑃𝑅𝑂𝐷𝑇𝑂𝑇𝐴𝐿 +.245544 𝐶𝐴𝑃𝑃𝑅𝑂𝑃+.0000104𝑀𝑂𝑁𝑇𝑂_𝐹𝐼𝑁𝐴𝑁
1 + 𝑒 0324573−.0097808𝐸𝐷𝐴𝐷𝑃𝑅𝑂𝑃+.3338898𝑇𝐸𝐿𝐼𝑁𝑇𝐸𝑅+.0144926𝑁𝑅𝑂𝑇𝑅𝐴𝐵+(2.08𝑒−07)𝑃𝑅𝑂𝐷𝑇𝑂𝑇𝐴𝐿 +.245544 𝐶𝐴𝑃𝑃𝑅𝑂𝑃+.0000104𝑀𝑂𝑁𝑇𝑂_𝐹𝐼𝑁𝐴𝑁

Prueba de significancia individual

- Los signos esperados de cada variable son correctos.

- Los coeficientes de las variables independientes son significativos hasta
un nivel de significancia del 15 %

Para monto de financiamiento (MONTO_FINAN)

H0: β = 0
H1: β ≠ 0
∝= 0.15
Zc = 1.70 → Zt = 1.44 → Zc > Zt
Por lo que se rechaza la hipótesis nula a un nivel de significancia del 15%, para
el modelo el coeficiente de monto de financiamiento es significativo.

Para capacitación del propietario (CAP_PROP)

H0: β = 0
H1: β ≠ 0 2.93

∝= 0.15
Zc = 2.93 → Zt = 1.44 → Zc > Zt
La hipótesis nula se rechaza a un nivel de significancia del 15%, por lo que el
coeficiente de la variable capacitación del propietario es significativo.

Para producción total (PROD_TOTAL)

H0: β = 0
H1: β ≠ 0
∝= 0.15
 Zc = 2.03 → Zt = 1.44 → Zc > Zt
La hipótesis nula se rechaza a un nivel de significancia del 15%, por lo que el
coeficiente de la variable producto total es significativo.

Para número de trabajadores (NRO_TRAB)

H0: β = 0
H1: β ≠ 0
∝= 0.15
Zc = 1.61 → Zt = 1.44 → Zc > Zt
La hipótesis nula se rechaza a un nivel de significancia del 15%, por lo que el
coeficiente de la variable número de trabajadores es significativo.

Para teléfonos con internet (TEL_INTER)

H0: β = 0
H1: β ≠ 0
∝= 0.15
Zc = 4.09 → Zt = 1.44 → Zc > Zt
Por lo que se rechaza la hipótesis nula a un nivel de significancia del 15%, para
el modelo el coeficiente de teléfono con internet es significativo

Para edad del propietario (EDAD_PROP)

H0: β = 0
H1: β ≠ 0
∝= 0.15
Zc = -3.51 → Zt = 1.44 → Zc > Zt
Por lo que se rechaza la hipótesis nula a un nivel de significancia del 15%, para
el modelo el coeficiente de monto de financiamiento es significativo.

-3.51 -1.44 2.03

1.61 2.93
4.09
1.44 1.70
Prueba De Significancia Global
H0: β0 = β1= β2 = β3 = β4 = β5 = 0
H1: β0 = β1= β2 = β3 = β4 = β5 ≠ 0
∝= 0.15
X2c = 74.209961 → X2t=9.4461 → X2c > X2t
Se rechaza la hipótesis nula, lo que significa que los coeficientes de las
variables estimadas en el modelo son significativos.

Otras medidas de bondad de ajuste

predicted
actual 0 1 Total
0 177 137 314
1 531 827 1358
Total 708 964 1672

R2 = (177 + 531) / 1672 = 0.4234 = 42.34%

El modelo predice en 42.34% para ceros y unos

R20 = 177 / 1672 = 0.1059 = 10.59%

Para los (ceros) el modelo predice en 10.59%

R21 = 531 / 1672 = 0.3176= 31.76%

Para los (unos) el modelo predice un 31.76%

- Los criterios de información aic y bic son bajos

-
Classified + if predicted Pr(D) >= 0.5
True D defined as MEJORA != 0

Sensitivity Pr( + D) 25.00%

Specificity Pr( -~D) 85.79%
Positive predictive value Pr( D +) 56.37%
Negative predictive value Pr(~D -) 60.90%
False + rate for true ~D Pr( +~D) 14.21%
False - rate for true D Pr( - D) 75.00%
False + rate for classified + Pr(~D +) 43.63%
False - rate for classified - Pr( D -) 39.10%
Correctly classified 60.05%
La tasa general de clasificación correcta se estima en 60.05%, con 85.79% del
grupo de peso normal correctamente clasificado (especificidad) y solo 25% del
grupo de bajo peso correctamente clasificados (sensibilidad).

Marginal effects after probit

y = Pr(MEJORA) (predict)
Efectos marginales
= .42237176

variable dy/dx Std. Err. z P>|z| [ 95% C.I. ] X

MONTO_~N 4.07e-06 .00000 1.70 0.090 -6.3e-07 8.8e-06 850.631

CAP_PROP* .0970594 .03321 2.92 0.003 .031964 .162155 .175239
PROD_T~L 8.16e-08 .00000 2.03 0.043 2.7e-09 1.6e-07 265654
NRO_TRAB .0056719 .00352 1.61 0.107 -.001233 .012576 3.46651
TEL_IN~R* .1320296 .03231 4.09 0.000 .068705 .195354 .189593
EDAD_P~P -.0038279 .00109 -3.51 0.000 -.005967 -.001689 45.9145

(*) dy/dx is for discrete change of dummy variable from 0 to 1

MONTO_FINAN: si el monto de financiación se increment en una unidad

monetaria, entonces la probabilida de que se incremente las ventas aumenta en
0.000407%.

CAP_PROP: si el propietario de la MYPE recibe capacitación sobre gestión

empresarial, la probabilidad de que se incremente las ventas de la MYPE
aumenta en 9.7%.
.8
.7
.6
.5
.4

0 1000000 2000000 3000000 4000000 5000000

Producción total (03 + 08)

pr1_p pr0_p
PROD_TOTAL: si el producto total se incrementa en una unidad, entonces la
probabilidad de que las ventas aumenten se incrementa en 0.00000816%.

NRO_TRAB: Si la empresa contrata un trabajador más, la probabilidad de que

se incremente las ventas aumenta en 0.57%

TEL_INTER: si la MYPE cuenta con teléfono con acceso a internet, la

probabilidad de que se incremente las ventas aumenta en 13.2%
.9
.8
.7
.6
.5
.4

0 1000000 2000000 3000000 4000000 5000000

Producción total (03 + 08)

pr01_p pr00_p

EDAD_PROP: si el propietario cumple un año más de edad, la probabilidad de

que las ventas se incrementen disminuye en 0.38%.7

CONCLUSIONES

- Concluimos que las redes sociales no son de tanta influencia en el

incremento de ventas, la publicidad difundida por redes sociales no tiene
el efecto que tendría si se difunde por un medio de comunicación social,
otra de las explicaciones posibles es, qué, las redes sociales son usadas
más con otro propósito.

- La capacitación que recibe el propietario tiene incidencia positiva, ya que

éste tiene mayor capacidad para ejecutar estrategias de expansión de
mercado y por ende aumentar las ventas de su empresa.

- Si la empresa es informal o no cuenta con licencia municipal, no ve

afectado por esta ya que una empresa formal tiene las mismas
dimensiones de mercado, sin embargo, las empresas formales tienen
mayor posibilidad de expandir su mercado.
 - Si la empresa accede a un financiamiento, ésta se puede invertir y con
ella generar mayores beneficios mediante las ventas.
- Según la teoría microeconómica, si aumenta los precios de un producto
lo más indicado seria que disminuya la demanda por el producto, sin
embargo, en el estudio realizado un incremento de precios no tiene
efectos sobre la probabilidad de incrementar las ventas en una MYPE.
- En este mundo globalizado es muy importante el uso de celulares y
acceso a internet, y en el mundo de las MYPE esto tiene una incidencia
positiva, debido a que las MYPE tienen mayor alcance de mercado como
ventas online o pedidos a una línea telefónica.
- El costo de ventas, como el alquiler de tiendas, costos operativos, etc, no
están vinculados al nivel de venta de la MYPE.

REFERENCIAS

william greene. (3° ed). analisis econometrico: prentice hall.

William parillo. Apuntes de clase.
César Alonso Borrego. Microeconometría-guía de utilización stata:Universidad
Carlos III de Madrid
ANEXOS

PROBIT1

Iteration 0: log likelihood = -932.40138

Iteration 1: log likelihood = -909.17566
Iteration 2: log likelihood = -908.97603
Iteration 3: log likelihood = -908.97562
Iteration 4: log likelihood = -908.97562

Probit regression Number of obs = 1457

LR chi2(11) = 46.85
Prob > chi2 = 0.0000
Log likelihood = -908.97562 Pseudo R2 = 0.0251

MEJORA Coef. Std. Err. z P>|z| [95% Conf. Interval]

INFORMAL .0408399 .0743342 0.55 0.583 -.1048524 .1865322

CAP_PROP .2134778 .0942373 2.27 0.023 .0287761 .3981796
FACEBOOK -.1625796 .1368397 -1.19 0.235 -.4307804 .1056212
TWITTER -.1066232 .3572992 -0.30 0.765 -.8069167 .5936704
NUEV_MER 0 (omitted)
INC_PREC 0 (omitted)
GENERO .0261768 .0734795 0.36 0.722 -.1178404 .1701941
EDAD_PROP -.0086937 .003149 -2.76 0.006 -.0148656 -.0025219
EDU_PROP .0118937 .0187292 0.64 0.525 -.0248149 .0486023
MONTO_FINAN .0000119 7.13e-06 1.67 0.094 -2.05e-06 .0000259
NRO_TRAB .0102493 .009571 1.07 0.284 -.0085094 .0290081
TEL_INTER .2663668 .0931833 2.86 0.004 .0837308 .4490028
PROD_TOTAL 2.03e-07 1.15e-07 1.76 0.078 -2.28e-08 4.29e-07
_cons -.3068507 .2272355 -1.35 0.177 -.752224 .1385226

PROBIT2

Iteration 0: log likelihood = -1139.2667

Iteration 1: log likelihood = -1101.3372
Iteration 2: log likelihood = -1101.0658
Iteration 3: log likelihood = -1101.0646
Iteration 4: log likelihood = -1101.0646

Probit regression Number of obs = 1672

LR chi2(11) = 76.40
Prob > chi2 = 0.0000
Log likelihood = -1101.0646 Pseudo R2 = 0.0335

MEJORA Coef. Std. Err. z P>|z| [95% Conf. Interval]

INFORMAL .0436961 .0678832 0.64 0.520 -.0893525 .1767447

CAP_PROP .2497981 .0846478 2.95 0.003 .0838915 .4157047
FACEBOOK -.0025619 .1174516 -0.02 0.983 -.2327628 .2276389
TWITTER -.1155114 .3096105 -0.37 0.709 -.7223368 .4913141
GENERO .0797012 .0677872 1.18 0.240 -.0531593 .2125617
EDAD_PROP -.0099358 .0029055 -3.42 0.001 -.0156304 -.0042412
EDU_PROP -.0047959 .0170259 -0.28 0.778 -.0381661 .0285743
MONTO_FINAN .000011 6.17e-06 1.78 0.075 -1.11e-06 .0000231
NRO_TRAB .0139075 .0090512 1.54 0.124 -.0038325 .0316475
TEL_INTER .3402673 .0830682 4.10 0.000 .1774565 .503078
PROD_TOTAL 2.19e-07 1.05e-07 2.09 0.036 1.38e-08 4.24e-07
_cons .0040659 .2086337 0.02 0.984 -.4048486 .4129804
LOGIT1

Iteration 0: log likelihood = -1139.2667

Iteration 1: log likelihood = -1101.2877
Iteration 2: log likelihood = -1101.0726
Iteration 3: log likelihood = -1101.0719
Iteration 4: log likelihood = -1101.0719

Logistic regression Number of obs = 1672

LR chi2(11) = 76.39
Prob > chi2 = 0.0000
Log likelihood = -1101.0719 Pseudo R2 = 0.0335

MEJORA Coef. Std. Err. z P>|z| [95% Conf. Interval]

INFORMAL .0702786 .1098315 0.64 0.522 -.1449871 .2855443

CAP_PROP .3988144 .1365629 2.92 0.003 .1311561 .6664727
FACEBOOK -.0040012 .1891057 -0.02 0.983 -.3746415 .3666392
TWITTER -.2001973 .5064028 -0.40 0.693 -1.192729 .7923339
GENERO .1292289 .1098203 1.18 0.239 -.0860149 .3444727
EDAD_PROP -.0160286 .0047189 -3.40 0.001 -.0252775 -.0067797
EDU_PROP -.008653 .0276356 -0.31 0.754 -.0628177 .0455117
MONTO_FINAN .0000174 .00001 1.74 0.082 -2.23e-06 .0000371
NRO_TRAB .0250552 .0158453 1.58 0.114 -.0060011 .0561114
TEL_INTER .5494058 .133609 4.11 0.000 .2875369 .8112747
PROD_TOTAL 3.43e-07 1.71e-07 2.01 0.045 7.90e-09 6.78e-07
_cons .0095412 .3382401 0.03 0.977 -.6533972 .6724796

LOGIT2

Iteration 0: log likelihood = -1139.2667

Iteration 1: log likelihood = -1101.4244
Iteration 2: log likelihood = -1101.2195
Iteration 3: log likelihood = -1101.2188
Iteration 4: log likelihood = -1101.2188

Logistic regression Number of obs = 1672

LR chi2(8) = 76.10
Prob > chi2 = 0.0000
Log likelihood = -1101.2188 Pseudo R2 = 0.0334

MEJORA Coef. Std. Err. z P>|z| [95% Conf. Interval]

INFORMAL .0760037 .1085302 0.70 0.484 -.1367117 .2887191

CAP_PROP .3915745 .1351896 2.90 0.004 .1266079 .6565412
GENERO .127121 .1095077 1.16 0.246 -.0875101 .3417522
EDAD_PROP -.0157135 .0046179 -3.40 0.001 -.0247645 -.0066625
MONTO_FINAN .000017 .00001 1.69 0.090 -2.66e-06 .0000366
NRO_TRAB .0245512 .0157847 1.56 0.120 -.0063861 .0554886
TEL_INTER .5384664 .1312848 4.10 0.000 .2811531 .7957798
PROD_TOTAL 3.42e-07 1.70e-07 2.02 0.044 9.95e-09 6.75e-07
_cons -.0674178 .2359212 -0.29 0.775 -.5298148 .3949793
PROBIT3
. probit MEJORA INFORMAL CAP_PROP GENERO EDAD_PROP MONTO_FINAN NRO_TRAB TEL_INTER PROD_TOTAL

Iteration 0: log likelihood = -1139.2667

Iteration 1: log likelihood = -1101.4575
Iteration 2: log likelihood = -1101.1936
Iteration 3: log likelihood = -1101.1925
Iteration 4: log likelihood = -1101.1925

Probit regression Number of obs = 1672

LR chi2(8) = 76.15
Prob > chi2 = 0.0000
Log likelihood = -1101.1925 Pseudo R2 = 0.0334

MEJORA Coef. Std. Err. z P>|z| [95% Conf. Interval]

INFORMAL .0468449 .0670836 0.70 0.485 -.0846365 .1783262

CAP_PROP .2456631 .0837751 2.93 0.003 .0814668 .4098593
GENERO .0785499 .0675856 1.16 0.245 -.0539154 .2110152
EDAD_PROP -.0097624 .0028435 -3.43 0.001 -.0153356 -.0041892
MONTO_FINAN .0000107 6.16e-06 1.74 0.081 -1.33e-06 .0000228
NRO_TRAB .0136706 .0090286 1.51 0.130 -.0040251 .0313662
TEL_INTER .3340726 .0817117 4.09 0.000 .1739206 .4942246
PROD_TOTAL 2.19e-07 1.04e-07 2.11 0.035 1.51e-08 4.23e-07
_cons -.0387679 .1456186 -0.27 0.790 -.3241751 .2466393

PROBIT4

> NTER PROD_TOTAL

begin with full model
p = 0.9826 >= 0.1500 removing FACEBOOK
p = 0.7780 >= 0.1500 removing EDU_PROP
p = 0.6752 >= 0.1500 removing TWITTER
p = 0.4850 >= 0.1500 removing INFORMAL
p = 0.2287 >= 0.1500 removing GENERO

Probit regression Number of obs = 1672

LR chi2(6) = 74.21
Prob > chi2 = 0.0000
Log likelihood = -1102.1617 Pseudo R2 = 0.0326

MEJORA Coef. Std. Err. z P>|z| [95% Conf. Interval]

MONTO_FINAN .0000104 6.12e-06 1.70 0.089 -1.60e-06 .0000224

CAP_PROP .245544 .0836664 2.93 0.003 .0815608 .4095271
PROD_TOTAL 2.08e-07 1.03e-07 2.03 0.043 6.89e-09 4.10e-07
NRO_TRAB .0144926 .0090015 1.61 0.107 -.0031499 .0321352
TEL_INTER .3338898 .0816812 4.09 0.000 .1737976 .4939819
EDAD_PROP -.0097808 .0027891 -3.51 0.000 -.0152473 -.0043143
_cons .0324573 .1336465 0.24 0.808 -.229485 .2943996

DO FILE UTILIZADO PARA EL TRABAJO

- use "E:\arch\trabajo eco\Capitulos_del_01_al_12.dta"

- recode P12_1_1 (1=1) (2=0), gen(MEJORA)
- tab MEJORA
- drop if MEJORA==.
- recode P2_11_1 (1=0) (2=1), gen(INFORMAL)
- recode P4_1 (1=1) (2=0), gen(CAP_PROP)
- rename P2_15_1 FACEBOOK
- rename P2_15_2 TWITTER
- rename P2_15_3 OTROS
- rename P2_15_4 NO
- gen FACEBOOK_TWITTER=0
- replace FACEBOOK_TWITTER= 1 if FACEBOOK==1 | TWITTER==1 |
OTROS==1
- rename P12_1_2_2 NUEV_MER
- recode NUEV_MER (.=0)
- rename P12_1_2_4 INC_PREC
- recode INC_PREC (.=0)
- recode P2_17 (1=1) (2=0), gen(GENERO)
- rename P2_18 EDAD_PROP
- rename P2_19 EDU_PROP
- rename P11_1_27 MONTO_FINAN
- recode MONTO_FINAN (.=0)
- rename P11_3_6_1 NRO_TRAB
- recode NRO_TRAB (.=0)
- recode P8_1_8_2 (1=1) (2=0), gen(TEL_INTER)
- rename P11_1_9 PROD_TOTAL
- drop if EDAD_PROP==.
- keep MEJORA INFORMAL CAP_PROP FACEBOOK TWITTER NUEV_MER
INC_PREC GENERO EDAD_PROP EDU_PROP MONTO_FINAN NRO_TRAB
TEL_INTER PROD_TOTAL
- summ
- probit MEJORA INFORMAL CAP_PROP FACEBOOK TWITTER NUEV_MER
INC_PREC GENERO EDAD_PROP EDU_PROP MONTO_FINAN NRO_TRAB
TEL_INTER PROD_TOTAL
- estimates store PROBIT1
- probit MEJORA INFORMAL CAP_PROP FACEBOOK TWITTER GENERO
EDAD_PROP EDU_PROP MONTO_FINAN NRO_TRAB TEL_INTER
PROD_TOTAL
- estimates store PROBIT2
- logit MEJORA INFORMAL CAP_PROP FACEBOOK TWITTER GENERO
EDAD_PROP EDU_PROP MONTO_FINAN NRO_TRAB TEL_INTER
PROD_TOTAL
- estimates store LOGIT1
- logit MEJORA INFORMAL CAP_PROP GENERO EDAD_PROP MONTO_FINAN
NRO_TRAB TEL_INTER PROD_TOTAL
- estimates store LOGIT2
- probit MEJORA INFORMAL CAP_PROP GENERO EDAD_PROP MONTO_FINAN
NRO_TRAB TEL_INTER PROD_TOTAL
- estimates store PROBIT3
- stepwise, pr(0.15): probit MEJORA INFORMAL CAP_PROP FACEBOOK TWITTER
GENERO EDAD_PROP EDU_PROP MONTO_FINAN NRO_TRAB TEL_INTER
PROD_TOTAL
- estimates store PROBIT4
- est tab PROBIT1 PROBIT2 PROBIT3 PROBIT4 LOGIT1 LOGIT2, star(0.01 0.05 0.15)
stat(r2_p, chi2 ll aic bic p N)
- predict pr, pr
- twoway (scatter pr MONTO_FINAN)
- twoway (scatter pr PROD_TOTAL)
- twoway (scatter pr NRO_TRAB)
- twoway (scatter pr EDAD_PROP)
- estat class
- mfx
- //GRAFICA DEL EFECTO MARGINAL DE CAP_PROP SOBRE pr//
- egen m_EDAD_PROP=mean(EDAD_PROP)
- egen m_MONTO_FINAN=mean(MONTO_FINAN)
- egen m_NRO_TRAB=mean(NRO_TRAB)
- egen m_TEL_INTER=mean(TEL_INTER)
- egen m_CAP_PROP=mean(CAP_PROP)
- gen
pr0_p=normal(_b[_cons]+_b[MONTO_FINAN]*m_MONTO_FINAN+_b[EDAD_PR
OP]*m_EDAD_PROP+_b[PROD_TOTAL]*PROD_TOTAL+_b[NRO_TRAB]*m_N
RO_TRAB+_b[TEL_INTER]*m_TEL_INTER+_b[CAP_PROP]*0)
- gen
pr1_p=normal(_b[_cons]+_b[MONTO_FINAN]*m_MONTO_FINAN+_b[EDAD_PR
OP]*m_EDAD_PROP+_b[PROD_TOTAL]*PROD_TOTAL+_b[NRO_TRAB]*m_N
RO_TRAB+_b[TEL_INTER]*m_TEL_INTER+_b[CAP_PROP]*1)
- gen
pr00_p=normal(_b[_cons]+_b[MONTO_FINAN]*m_MONTO_FINAN+_b[EDAD_P
ROP]*m_EDAD_PROP+_b[PROD_TOTAL]*PROD_TOTAL+_b[NRO_TRAB]*m_
NRO_TRAB+_b[TEL_INTER]*0+_b[CAP_PROP]*m_CAP_PROP)
- gen
pr01_p=normal(_b[_cons]+_b[MONTO_FINAN]*m_MONTO_FINAN+_b[EDAD_P
ROP]*m_EDAD_PROP+_b[PROD_TOTAL]*PROD_TOTAL+_b[NRO_TRAB]*m_
NRO_TRAB+_b[TEL_INTER]*1+_b[CAP_PROP]*m_CAP_PROP)
- drop m_EDAD_PROP
- drop m_MONTO_FINAN
- drop m_NRO_TRAB
- drop m_TEL_INTER
- drop m_CAP_PROP
- twoway (connected pr1_p PROD_TOTAL, sort mcolor(maroon) lcolor(green)
lwidth(thick) lpattern(solid)) (connected pr0_p PROD_TOTAL, sort lcolor(cranberry)
lwidth(thick))
- twoway (connected pr01_p PROD_TOTAL, sort mcolor(maroon) lcolor(green)
lwidth(thick) lpattern(solid)) (connected pr00_p PROD_TOTAL, sort lcolor(cranberry)
lwidth(thick))