Documentos de Académico
Documentos de Profesional
Documentos de Cultura
AD 2018 Clase18 PDF
AD 2018 Clase18 PDF
Lunes 29 de octubre
1
Cambios de escala
• Cambiar la unidad de medida:
– Pesos a dólares
– Unidades a miles (e.g. dolares, muertes, producción, …)
• ¿Qué efectos tiene si se cambia la escala de la
variable explicada (y)?
4
En resumen:
𝜇 = 𝜇 ∗ 𝜅 → 𝜇 2 = (𝜇 ∗ 𝑘)2
𝑆𝐶𝑅 = 𝜅 2 ∗ 𝑆𝐶𝑅
En resumen:
• Términos cuadráticos de x.
7
¿Por qué usar modelos con
logaritmos?
• Permite modelar una relación no lineal con un
modelo lineal.
• Los modelos son invariantes a cambios de
escala ya que el efecto es en términos
porcentuales.
• Muchas veces la distribución condicional de y
es heterocedástica o asimétrica, mientras que
la de log(y) es menos problematica.
• La distribución de log(y) es más estrecha,
limitando el efecto de los outliers.
8
Interpretación de modelos con
logaritmos
• log(y) = b0 + b1llog(x) + u
– b1 es el cambio porcentual de y ante un cambio
porcentual en x (la elasticidad de y con respecto a x).
• log(y) = b0 + b1x + u
– b1 es aproximadamente el cambio porcentual (en
forma decimal) en y por un cambio de 1 unidad en x.
• Si el modelo es y = b0 + b1log(x) + u
• b1 es aproximadamente el cambio en y para un
cambio de % de x.
9
Interpretación modelos con logaritmos
lôg( salario ) 0.3 0.09educ 0.004exper
10
Interpretación modelos con logaritmos
lôg( salario ) 0.3 0.09educ 0.004exper
11
Efecto logaritmos
(repasar logaritmos si es necesario)
Incorporando información
cualitativa
Incorporando información cualitativa
Variables ficticias (dummy)
• Incorporar información cualitativa dicotómica:
– Mujer/hombre
– Educación universitaria /sin educación universitaria
– Inmigrante / no inmigrante
– Va a reelección / no va a reelección
– Régimen residencial/parlamentario
– Sistema mayoritario/sistema proporcional
– Miembro Mercosur / no es miembro Mercosur
– Productor de petróleo / no productor de petróleo
– ….
Variables ficticias (dummy)
Años
Ingresos Género
educación
454.000 7 Mujer
888.012 9 Hombre
625.000 6 Hombre
910.000 11 Mujer
16
Por ejemplo
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 = 𝛽𝑜 + 𝛽1 𝑒𝑑𝑢𝑐 + 𝛽2 ? ? ? +𝜇
Años
Ingresos Género
educación
454.000 7 Mujer
888.012 9 Hombre
625.000 6 Hombre
910.000 11 Mujer
17
Por ejemplo
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 = 𝛽𝑜 + 𝛽1 𝑒𝑑𝑢𝑐 + 𝛽2 ? ? ? +𝜇
18
Por ejemplo
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 = 𝛽𝑜 + 𝛽1 𝑒𝑑𝑢𝑐 + 𝛽2 𝐷_𝑚𝑢𝑗𝑒𝑟 + 𝜇
Años
Ingresos Género D_mujer
educación
454.000 7 Mujer 1
888.012 9 Hombre 0
625.000 6 Hombre 0
910.000 11 Mujer 1
19
Variables ficticias (dummy)
D_mujer = 1 o 0
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 = 𝛽𝑜 + 𝛽1 𝑒𝑑𝑢𝑐 + 𝛽2 𝐷_𝑚𝑢𝑗𝑒𝑟 + 𝜇
• Cuando D=0
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 = 𝛽𝑜 + 𝛽1 𝑒𝑑𝑢𝑐 + 𝜇
Variables ficticias (dummy)
D_mujer = 1 o 0
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 = 𝛽𝑜 + 𝛽1 𝑒𝑑𝑢𝑐 + 𝛽2 𝐷_𝑚𝑢𝑗𝑒𝑟 + 𝜇
• Fox(cap 7)
Por ejemplo
𝐼𝑛𝑔 = 130,000 + 25,000 ∗ 𝑒𝑑𝑢𝑐 + 80,000 ∗ D_mujer
• Si es mujer: D_mujer = 1
𝐼𝑛𝑔 = 130,000 + 25,000 ∗ 𝑒𝑑𝑢𝑐 + 80,000
𝐼𝑛𝑔 = 210, 000 + 25,000 ∗ 𝑒𝑑𝑢𝑐
• Si es no es mujer: D_mujer = 0
𝐼𝑛𝑔 = 130,000 + 25,000 ∗ 𝑒𝑑𝑢𝑐
24
Por ejemplo
𝐼𝑛𝑔 = 130,000 + 25,000 ∗ 𝑒𝑑𝑢𝑐 + 80,000 ∗ D_mujer
25
Inferencia
– H0 : 𝛽𝑑𝑢𝑚𝑚𝑦 = 𝑧𝑗
– 𝐻1 : 𝛽𝑑𝑢𝑚𝑚𝑦 ≠ 𝑧𝑗
– Bajo supuestos 1 – 6:
(𝛽𝑑𝑢𝑚𝑚𝑦 − 𝑧𝑗 )
~𝑡(𝑛 − 𝑘 − 1)
𝐸𝑠𝑡. 𝑉𝑎𝑟(𝛽𝑑𝑢𝑚𝑚𝑦 )
• Es decir:
𝐻0 : 𝛽3 = 2 ∗ 𝛽2 ; 𝛽4 = 3 ∗ 𝛽2
Interacción entre variables ficticias
• Interactuar variables ficticias es como subdividir los
grupos.
33
Generando variables ficticias
Var original Vars ficticias sexo Var original Vars ficticias nivel educ Variables ficticias: 6 subgrupos
D homb D homb D mujer D mujer
D ed D ed D ed D homb D mujer
Sexo D hombre D mujer Ni vel educ y ed y ed y ed ed
i ncomp medi a s up y ed s up ed s up
i ncomp medi a i ncomp medi a
Hombre 1 0 Ed i ncomp 1 0 0 1 0 0 0 0 0
Mujer 0 1 Ed i ncomp 1 0 0 0 0 0 1 0 0
Hombre 1 0 Ed medi a 0 1 0 0 1 0 0 0 0
Mujer 0 1 Ed medi a 0 1 0 0 0 0 0 1 0
Hombre 1 0 Ed s up 0 0 1 0 0 1 0 0 0
Mujer 0 1 Ed s up 0 0 1 0 0 0 0 0 1
Error
Estimador t Valor p
estándar
35
Interacción entre variables ficticias
36
log(salario) = b0 + b1D_hombre + b2D_ed media +
b3D_ed sup + b4D_hombre*D_ed media+
b5D_hombre*D_ed sup + b6exp + b7 exp2 + u
Variables ficticias:
interacciones
variables incluidas
Var originalVars ficticias sexo Var original Vars ficticias nivel educ en el modelo
D homb
D ed D ed D ed D homb
Sexo D hombre D mujer Ni vel educ y ed
i ncomp medi a s up y ed s up
medi a
Hombre 1 0 Ed i ncomp 1 0 0 0 0
Mujer 0 1 Ed i ncomp 1 0 0 0 0
Hombre 1 0 Ed medi a 0 1 0 1 0
Mujer 0 1 Ed medi a 0 1 0 0 0
Hombre 1 0 Ed s up 0 0 1 0 1
Mujer 0 1 Ed s up 0 0 1 0 0
37
Interacción entre variables ficticias
• log(salario) = b0 + b1D_hombre + b2D_ed media +
Error
Estimador t Valor p
estándar
Intercepto 0.89 0.07 13.308 < 2e-16
Hombre 0.23 0.08 2.839 0.0047
Ed media 0.12 0.07 1.691 0.0914
Ed sup 0.47 0.08 6.222 0.0000
Ed media y hombre 0.22 0.10 2.232 0.0261
Ed sup y hombre 0.10 0.10 1.049 0.2949
Experiencia 0.04 0.01 7.657 0.0000
Experiencia 2 0.00 0.00 -6.394 0.0000
41
Ejemplo
• Los dos modelos son (obviamente) equivalentes
• El modelo 2 permite observar directamente la diferencia en log(salario)
producto de ser hombre, mientras que en el modelo 1 debemos calcularla.
Modelo 1 Modelo 2
Error Error
Estimador Estimador
estándar estándar
Intercepto 0.89 0.07 Intercepto 0.89 0.07
Hombre sin ed media 0.23 0.08 Hombre 0.23 0.08
Mujer ed media 0.12 0.07 Ed media 0.12 0.07
Mujer ed sup 0.47 0.08 Ed sup 0.47 0.08
Hombre ed media 0.57 0.08 Ed media y hombre 0.22 0.10
Hombre ed sup 0.80 0.07 Ed sup y hombre 0.10 0.10
Experiencia 0.04 0.01 Experiencia 0.04 0.01
Experiencia 2 0.00 0.00 Experiencia 2 0.00 0.00
Para exp=10:
0.89 + 0.04 * 10 - 0.0007 *100=1.2072
Para exp=12:
0.89 + 0.04 * 12 - 0.0007 *144=1.2528
Categoría base: Mujer y ed media incompleta o menos
44
Interacción entre variables ficticias
Hombre con educación media completa
D_hombre= 1 and D_ed media =1, D_ed sup= 0
y = b0 + b1D_hombre + b2D_ed media
Para exp=10:
0.89 + 0.12 0.22 0.04 * 10 - 0.0007 *100=1.5531
Para exp=12:
0.89 + 0.12 0.22 0.04 * 12- 0.0007 *144=1.5987
Hombre con educación media completa
46
Comparando
47