Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1.- INTRODUCCIÓN
Formular un modelo econométrico que nos permitirá conocer cuales son las
variables que definen e influyen en la importancia del SECTOR SALUD EN
EL DEPARTAMENTO DE CAJAMARCA y de esta manera hacer un análisis
de su comportamiento y de las variables exógenas que influyen en ella.
Analizar la relación que existe entre la variable presento Ud. alguna recaída
de enfermedad crónica y la variable endógena padece de alguna
enfermedad o malestar crónico.
1
Ministerio de Salud: 2006.
2
INEI: Encuesta Demográfica y de Salud Familiar (ENDES) 2000. Lima, 2001.
3
Ministerio de Salud: 1999.
sociales, las malas condiciones de vida y el escaso acceso a servicios explican las
enormes brechas que existen entre la población urbana y la rural.
Los trabajadores más sanos son más fuertes y activos, física y mentalmente; por
consiguiente, es menos probable que pierdan el trabajo por enfermedad (propia o
de su familia). Son más productivos y ganan mejores sueldos; también ayudan a
atraer inversiones extranjeras directas. Un mal estado de salud puede significar
una menor productividad, una vida laboral más corta y un mayor número de días
perdidos por enfermedad. La salud y los logros educativos también están
estrechamente vinculados. Los niños sanos aprenden mejor y se convierten en
adultos mejor educados, capaces de ganar mejores sueldos. Es muy poco
probable que un niño de una familia sana deba interrumpir sus estudios por
problemas de salud, propios o de otros miembros de la familia. Las consecuencias
de la anquilostomiasis y la anemia concomitante es otro clásico ejemplo de mala
salud que interfiere en la actividad productiva.
Las poblaciones más sanas tienden a tener una productividad mayor de trabajo,
porque los trabajadores son más enérgicos físicamente, más robustos
mentalmente y pierden menos días laborales a causa de enfermedades propias o
de miembros de la familia.
Las personas más saludables que viven más tiempo tienen mayores incentivos
para invertir en desarrollar sus habilidades, porque esperan cosechar los
beneficios de tal inversión durante períodos más largos. Una mayor escolaridad
4
Para un examen reciente y amplio de los puntos de evidencia y medición, ver Strauss, John, Duncan,
Thomas, Health Nutrition and Economic Development, Journal of Economic Literature, XXXVI, June 1998,
Pp.766-817
promueve mayor productividad y, a su vez, mayores ingresos. La buena salud,
también, promueve la asistencia escolar y mejora la función cognoscitiva.
Por otro lado, Bloom y Mahal encontraron que la epidemia del SIDA ha tenido un
efecto insignificante en la tasa de crecimiento de los ingresos per cápita, sin
evidencias de causalidad inversa, en un total de 51 países en desarrollo y
desarrollados, usando modelos de crecimiento empírico establecidos y
controlando variedad o factores posiblemente correlacionados con la prevalencia
del SIDA que podrían influir en el crecimiento y explicar la simultaneidad en la
relación entre el SIDA y el crecimiento económico. Los autores terminan
manifestando que conclusiones similares podrían obtenerse analizando la
insignificante repercusión que la Peste Negra tuvo sobre los salarios en Inglaterra
y Francia en la Edad Media. No obstante, se plantea el punto de que las
consecuencias económicas más graves del SIDA se encontrarán en sectores
industriales y ocupacionales especiales, en regiones geográficas especiales y
entre grupos demográficos especiales. Los autores concluyen que estos tópicos
parecen ser las áreas más prometedoras para proseguir con la investigación, junto
con una mayor aplicación de análisis de costo-beneficio y costo-eficacia a los
6
McCarthy, F. Desmond, Wolf, Holger, Wu, Yi, The Growth costs of malaria , NBER, Paper 7541, Cambridge,
Feb 2000.
7
Gallup, John L, Jeffrey D. Sachs y Andrew Mellinger, Geography and economic development, 1998, cit in
Hamoudi, Amar A. And Sachs, Jeffrey D., Economic Consequences of Health Status, CID Working Paper No.
30, November 1999.
programas y políticas dirigidas a la atención de personas que viven con SIDA y a
la prevención de la transmisión del VIH8.
Los datos a utilizar para la elaboración del modelo son de la siguiente fuente:
8
Bloom, David E, Mahal, Ajay S., Does the AIDS epidemic really threaten economic growth?, NBER, Paper
5148, June 1995
Sector Salud:
Donde:
4.4.- Hipótesis
0: Parámetro Autónomo.
ENF
1 0
UBICENTROSAL
2 > 0: Para la variable monto total por las medicinas se espera que tenga una
relación positiva. De manera que si monto de las medicinas es elevado el
individuo tendrá más probabilidad de padecer una enfermedad o malestar
crónico.
ENF
2 0
MONTOMED
3 > 0: Para la variable monto total por la consulta se espera que tenga una
relación positiva. De manera que si monto de la consulta médica es elevado el
individuo tendrá más probabilidad de padecer una enfermedad o malestar
crónico.
ENF
3 0
MONTOCONS
ENF
4 0
SINTOMAS
ENF
5 0
EDAD
ENF
6 0
HOSPIT
ENF
7 0
ESSALUD
ENF
8 0
PREVENF
ENF
9 0
MEDICAMENTOS
ENF
10 0
SOLPROBSAL
11 > 0: Representa el grado de sensibilidad de la variable dependiente cualitativa
respecto a la variable Presento Ud. alguna recaída de enfermedad crónica?, se
espera una relación directa entre dicha variable y la variable dependiente
cualitativa. Una mayor presencia de recaídas en las últimas 4 semanas representa
una mayor probabilidad de padecer una enfermedad o malestar crónico.
NIEDU
11 0
RECENF
ENF
12 0
SEXO
Por el criterio de los signos podemos apreciar que todas las variables
cumplen con los signos esperados con la excepción de las variables
ubicación del centro de salud (UBICENTROSAL), afiliado a essalud
(ESSALUD) y prevención de enfermedades (PREVENF), puesto que no
cumplen con los signos especificados por lo que quedan eliminados de
nuestro modelo.
5.2.- Multicolinealidad
EDAD
SEXO
Entonces:
LR = 197.0811 > X20.95, 6 = 12.5916
LR > X2, Se rechaza la hipótesis nula, además como la probabilidad es 0.000000
concluimos que las variables que conforman el modelo es altamente significativo.
5.4.3.- Bondad de Ajuste
COEFICIENTE DE BONDAD
TIPO VALOR
R2 0.257857
EFFRON 0.257774
MC FADDEN 0.220881
CRAGG-UHLER 0.319249
R2 de Conteo
5.4.7.- Autocorrelación
H0: Ausencia de Autocorrelación de orden m.
H1: Existencia de Autocorrelación de orden m.
BP1= 843*(0.022)2 = 0.408012 < X20.95, 1 = 3.84, por tanto concluimos que
aceptamos la hipótesis nula, no existe autocorrelación de primer orden.
BP2= 843*[(0.022)2 + (0.066)2] = 4.08012 < X 20.95, 2 = 5.99, por tanto concluimos
que aceptamos la hipótesis nula, no existe autocorrelación de segundo orden.
5.4.8.- Heterocedasticidad
H0: Ausencia de Heterocedasticidad
H1: Existencia de Heterocedasticidad
Category Statistics
Por el criterio de los signos podemos apreciar que todas las variables
cumplen con los signos esperados con la excepción de las variables
ubicación del centro de salud (UBICENTROSAL), afiliado a essalud
(ESSALUD) y prevención de enfermedades (PREVENF), puesto que no
cumplen con los signos especificados por lo que quedan eliminados de
nuestro modelo.
El criterio del nivel de significancia nos dice que se deberían eliminar
las variables monto de consulta (MONTOCONS) y la variable presento
alguna recaída de enfermedad crónica (RECENF), puesto que son no
significativas.
6.2.- Multicolinealidad
EDAD
SEXO
Entonces:
COEFICIENTE DE BONDAD
TIPO VALOR
R2 0.255059
EFFRON 0.254895
MC FADDEN 0.218863
CRAGG-UHLER 0.316656
R2 de Conteo
6.4.7.- Autocorrelación
H0: Ausencia de Autocorrelación de orden m.
H1: Existencia de Autocorrelación de orden m.
BP1= 843*(0.022)2 = 0.408012 < X20.95, 1 = 3.84, por tanto concluimos que
aceptamos la hipótesis nula, no existe autocorrelación de primer orden.
BP2= 843*[(0.022)2 + (0.065)2] = 3.969687 < X20.95, 2 = 5.99, por tanto concluimos
que aceptamos la hipótesis nula, no existe autocorrelación de segundo orden.
6.4.8.- Heterocedasticidad
Category Statistics
Akaike
2
R Schwarz Hannan SR
Quinn
Modelo 0.220881 0.841243 0.880577 0.856316 108.0075
Logit
Modelo 0.218863 0.843379 0.882714 0.858452 108.4265
Probit
Como hemos elegido como mejor modelo al Modelo Logit hallaremos los efectos
marginales de este modelo.
Pi
X ij = B j Pi (1 Pi )
EF_MEDICAME
EF_MONTOMED EF_SINTOMAS EF_HOSPIT EF_EDAD NTOS EF_SEXO
ENF
: Un aumento de la probabilidad en 1% en la variable
SINTOMAS
presento Ud. algún síntoma o malestar en las últimas 4 semanas, aumenta
la probabilidad de padecer de alguna enfermedad o malestar crónico en
promedio igual en 0.013909%.
ENF
: Un aumento de la probabilidad en 1% en la variable Estuvo
HOSPIT
hospitalizado en los últimos 12 meses, aumenta la probabilidad de padecer
de alguna enfermedad o malestar crónico en promedio igual en 0.165210%.
ENF
: Un aumento de la edad en un año aumenta la probabilidad en
EDAD
promedio de padecer de alguna enfermedad o malestar crónico en
0.006057%.
ENF
: Un aumento de 1% en la probabilidad de la variable
MEDICAMENTOS
Encontró los medicamentos que le recetaron, disminuye la probabilidad de
padecer de alguna enfermedad o malestar crónico en promedio igual a
-0.030394%.
ENF
: Un cambio en la probabilidad en 1% en la variable Sexo,
SEXO
disminuye la probabilidad de padecer de alguna enfermedad o malestar
crónico en promedio igual a -0.049763%.
Para la predicción del modelo lo haremos con el Modelo Logit por ser el mejor. Los
datos que se tomaron en cuenta corresponden a partir de la observación 851 –
939 que es el total de observaciones (89 datos).
Tabulation of ENF-ENFF2
Date: 02/27/11 Time: 00:56
Sample: 851 939
Included observations: 89
Number of categories: 3
Hipótesis
MONTOMED
2 0
ESSALUD
3 > 0: Para la variable monto total por la consulta se espera que tenga una
relación positiva. De manera que si monto de la consulta médica es elevado, esto
implicaría un gasto mayor en medicinas.
MONTOMED
3 0
MONTOCONS
MONTOMED
4 0
SEXO
a) Tobit
Error Distribution
Observando la estimación podemos concluir que los signos obtenidos son los
teóricamente esperados, sin embargo en la significancia estadística solo las
variables edad y monto de consulta son altamente significativas además se
observa que la bondad de juste del modelo es de 25%, lo que implicaría que
implicaría que el 25% en la variación de la variable endógena es explicado en
conjunto por las cuatro variables exógenas edad, essalud, montocons y sexo.
b) Logistic
Error Distribution
Observando la estimación podemos concluir que los signos obtenidos son los
teóricamente esperados, sin embargo en la significancia estadística solo las
variables edad y monto de consulta son altamente significativas además se
observa que la bondad de juste del modelo es de 24%, lo que implicaría que
implicaría que el 24% en la variación de la variable endógena es explicado en
conjunto por las cuatro variables exógenas edad, essalud, montocons y sexo.
a) Tobit
Error Distribution
Observando la estimación podemos concluir que los signos obtenidos son los
teóricamente esperados a excepción de la variable essalud, sin embargo en la
significancia estadística solo las variables edad y monto de consulta son altamente
significativas además se observa que la bondad de juste del modelo es de 25%, lo
que implicaría que implicaría que el 0.408% en la variación de la variable
endógena es explicado en conjunto por las cuatro variables exógenas edad,
essalud, montocons y sexo.
b) Logistic
Error Distribution
Observando la estimación podemos concluir que los signos obtenidos son los
teóricamente esperados a excepción de la variable essalud, sin embargo en la
significancia estadística solo las variables edad y monto de consulta son altamente
significativas además se observa que la bondad de juste del modelo es de 25%, lo
que implicaría que implicaría que el 0.408% en la variación de la variable
endógena es explicado en conjunto por las cuatro variables exógenas edad,
essalud, montocons y sexo.
CONCLUSIONES
Respecto a que modelo se debe usar, solo se puede decir que ambos son
efectivos Y estadísticamente significativos, pero desde el punto de vista
practico, generalmente es utilizado el modelo Logit puesto que posee
menor criterio Akaike, Schwartz, Hanna Quinn y mayor R 2 de Mc fadden.