Trabajo de Econometr A

Universidad Nacional de Ingeniería - UNI
Facultad de Ingeniería Económica, Estadística y CC.SS. - FIEECS

Escuela Profesional de Ingeniería Económica - EPIEC
SEGUNDA PRÁCTICA CALIFICADA
VALORIZACIÓN DE EMPRESAS
FUSIONES Y ADQUISICIONES
Integrantes
Caparó Rafael1 , Arévalo Diego2
Lima-Perú
2019
1 rcaparoc@uni.edu.pe, 2 jarevaloc@uni.pe
Facultad de Ing. Económica, Estadística Y CC.SS Valorización de empresas, Fusiones y Adq.
Índice
1. INTRODUCCIÓN 1
2. PRESENTACIÓN DEL PROBLEMA 2

2.1. ¿Problema general? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2. ¿Problemas específicos? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3. OBJETIVOS 2
3.1. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.2. Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
4. Ejercicios internacionales 3
4.1. Hipótesis General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
4.2. Ejercicios de la Universidad AM de Texas . . . . . . . . . . . . . . . . . . . . . . . . 3
4.2.1. Ejercicio 1.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
4.2.2. Ejercicio 2.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
4.2.3. Ejercicio 3.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4.2.4. Ejercicio 3.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4.2.5. Ejercicio 3.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
5. MARCO TEÓRICO Y ESTADO DEL ARTE 8

5.1. Marco Teórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.1.1. Pobreza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.1.2. Pobreza Monetaria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.1.3. Pobreza Multidimensional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.1.4. Pobreza en Puno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
5.2. Estado del Arte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
6. METODOLOGÍA 12
6.1. Modelo Logit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
6.2. Modelo Logit Dicotómico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
6.3. Modelo Logit de Respuesta Multiple . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
6.4. Modelo de Regresión Logit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
6.5. Características de Modelo Logit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
6.6. Descripción de la Solución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
7. DATOS 17
7.1. VARIABLE ENDÓGENA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
7.2. VARIABLES EXÓGENAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
8. RESULTADOS 18
9. CONCLUSIONES 25
1
10.BIBLIOGRAFÍA 25
11.ANEXOS 26
1. INTRODUCCIÓN
El presente trabajo pretende utilizar el metodo de valorización de multiplos compa-

rables para la empresa Boeing
2. PRESENTACIÓN DEL PROBLEMA

Basandonos en datos estadísticos de la INEI nos revelo que en el 2018 más mujeres se encontraron
en situación de pobreza monetaria (51.4 %) que hombres (48.6 %). Según la edad, la población
considerada pobre se concentró en edades de 0 a 11 años (28.6 %), seguida por la población de 30 a
45 años (23.5 %). La pobreza extrema afecto a 2.8 % de la población (2018), que según el INEI 900
000 personas tendrían un nivel de gasto per cápita inferior al costo de la canasta básica de alimentos
que se ubica en S/183, siendo Cajamarca la región con mayor pobreza extrema (8.5 %). Según estas
cifras es de notar que los niveles de pobreza afectan más a los pobladores de la sierra del Perú, en
especial mujeres y niños.
En la región Puno el 67 % de niños entre 6 y 35 meses de edad tiene anemia, valor por encima del
promedio nacional de 43.5 % al 2018. Además el paquete de servicios básicos (agua, saneamiento,
electricidad y telefonía) en el hogar alcanzo una cobertura del 71.8 % a nivel nacional y 43.1 % en
Puno. Por todo esto es que nos planteamos las siguientes preguntas de investigación:
2.1. ¿Problema general?

¿Cuáles son los determinantes microeconómicos de la probabilidad de ser pobre en la región de Puno
según la encuesta del ENAHO 2018?
2.2. ¿Problemas específicos?

¿Cuál es el mejor modelo econométrico para representar la pobreza en la región Puno?
¿El índice de pobreza multidimensional es un buen indicador para explicar la pobreza en la

región Puno?
¿Qué variables son las que determinan que una familia sea considerada pobre y no pueda cubrir
la canasta básica de consumo?
¿Podemos encontrar las principales causas de la pobreza en la región Puno en el 2018?
3. OBJETIVOS
3.1. Objetivo General
Construir un modelo econométrico logit para medir las el grado de influencia de las principales
variables en la pobreza de la región Puno en el 2018.
3.2. Objetivos Específicos

Modelar un índice de pobreza multidimensional que tenga en cuenta las principales variables
que explican la pobreza en la región Puno.
Hacer uso de la metodología de modelos logit para representar la relación entre las variables.
Explicar el nivel de importancia de las variables respecto a su relación con la pobreza en la

región Puno en el 2018.
2
4. Ejercicios internacionales
4.1. Hipótesis General
Algunas de la variables en estudio son estadísticamente significativas y tienen una fuerte incidencia
en la probabilidad de ser pobre.
4.2. Ejercicios de la Universidad AM de Texas

Considere el siguiente documento de la Universidad de Texas1 descargable en el siguiente link2 de
la autora Suhasini Subba Rao, debe ser capaz de resolver los ejercicios 1.2, 2.2, 3.1, 3.2, 3.3.
4.2.1. Ejercicio 1.2

El propósito de este ejercicio es comprender cómo los errores correlacionados en un modelo no
paramétrico influyen en los estimadores de suavizado local. Usaremos un promedio local simple.
Definir la señal suave f (u) = 5(2u − 2,5u2 ) + 20 y supongamos que observamos Yi = f (i/200) + i
n = 200.
Simule del modelo anterior utilizando ruido iid.

Solución
qplot (1:1000 , rnorm (1000 , 0 , 10) , geom = " line " ) +
labs ( x = " Tiempo " ,
y = " Presi ó n " ,
title = " Onda de sonido " ,
subtitle = " Serie de tiempo " ) +
theme _ minimal ()
SALIDA:
1
https://www.tamu.edu/
2
https://drive.google.com/file/d/1JICl0HZcthzyuTKPo8vJYyhwD7Ybjemg/view?usp=sharing
3
Simule del modelo anterior usando ruido correlacionado (simulamos a partir de un AR (2))
Solución
set . seed (5)
ar2 <- arima . sim ( list ( order = c (2 ,0 ,0) , ar = c (1.5 , -0.75) ) , n =144)
plot . ts ( ar2 , axes = F ) ; box () ; axis (2)
axis (1 , seq (0 ,144 ,24) )
abline ( v = seq (0 ,144 ,12) , lty = " dotted " )
Periodogram <- abs ( fft ( ar2 ) / 144) * * 2
frequency = 2 * pi * c (0:143) / 144
plot ( frequency , Periodogram , type = " o " )
SALIDA:

Indique, con explicación, cuál de las siguientes series de tiempo es estacionaria de segundo orden,
cuáles son estrictamente estacionarias y cuáles son ambas.
{} son variables aleatorias iid con media cero y varianza uno.
{} son variables aleatorias iid de una distribución de Cauchy.
Xt+1 = Xt + t donde {} son variables aleatorias iid con media cero y varianza uno.
Xt = Y donde Y es una variable aleatoria con media cero y varianza uno.
Xt = Ut + Ut−1 + Vt donde {(Ut , Vt )} es una serie temporal de vectores estrictamente estacio-

naria con E[Ut2 ] < ∞ y E[Vt2 ] < ∞.
Solución
Como su media y su varianza no dependen del tiempo podemos decir que es debilmente esta-
cinario o es estacionario de segudo orden.
4
Sea esta la distribucion de cauchi:

1
f (x, x0 , γ) =
pi[1 + ( x−x 0 2
γ ) ]
Por definicion tanto la media como la varianza no estan definida, por tanto es no estacioanria.
El cuato caso es u AR(1), por eso es que estacionario debilmene , lo que quire decir que dicho
proceso es estacionario en el sentido debil.
como ek caso 1 podemos decir, Como su media y su varianza no dependen del tiempo podemos
decir que es debilmente estacinario o es estacionario de segudo orden.
como nos dice que (Ut , Vt ) es estrictamente estacionario eso corroborá que depende del tiempo
ya que son dos seriies ARMA(2,1).

Construya un proceso AR (2) estacionario causal con pseudoperíodo 17. Usando la función R arima
simule una realización de este proceso (de longitud 200) y haga un diagrama del periodograma. ¿Qué
observas sobre el pico en esta trama?
Solución
% esta funci ó n fue creada por el grupo que realizo la PC1

% para crear un modelo AR2 que necesita los siguientes parametros de
% entrada : phi1 phi2 los valores iniciales
% creamos un AR (2) : yt = phi1 * y (t -1) + et
phi1 =0.6
phi2 =0.1
sigma =0.88
y (1) =0
y (2) =0.01
for t =1:200
y ( t ) = phi1 * y (t -1) + phi2 * y (t -2) + randn (1 ,1) * sigma
end
plot ( y )
Salida:
5
Se observa un pico entre 30 y 40 además que las desviaciones respecto a 0 son muy evidentes debido
al tamaño de 200.

Supongamos que {Xt } satisface la representación AR(p)
p
X
X= φj Xt−j + t
j=1
Pp
Donde j=1 |φ| < 1 y E[t ] < ∞
Muestre que {Xt } siempre tendrá una solución estacionaria causal.
Solución Se dice que el modelo AR(p) es causal si las soluciones x1 , x2 ; ..., xp del polinomio φ(x)=0,
tienen el modulo |xj | > 1, para j=1,2,...,p. O también:
φ(xj ) = 1 − φ1 xj − φ2 x2j − ... − φP zjp 6= 0,
para toda |z| < 1 y z elemento del conjunto de los números complejos.
La definición establece que toda solución del polinomio auto-regresivo debe ser diferente de cero y
debe tener módulo mayor a uno. La región determinada por z tal que |z| = 1 , se denomina círculo
unitario.Sea los modelos auto-regresivos generales. P∞
P∞ de causalidad es equivalente a la existencia de constantes {ψ} tal que j=0 |ψj | < ∞ y
El concepto
Xt = j=0 ψj Xt−j .Es decir, se puede representar como un proceso estacionario-causal

Muestre que para el modelo Ar(2) Xt = φ1 Xt−1 + φ2 Xt−2 + t tiene una solución estacionaria causal,
los parámetros φ1 ,φ2 deben estar en la región definida por las tres condiciones.
φ2 + φ1 < 1, φ2 − φ1 < 1 |φ2 | < 1.
6
Solución
La demostración consiste en resolver la ecuación del polinomio auto-regresivo garantizando que la
solución sea de un proceso causal; es decir |X|mayor o igual a 1.La ecaucion sería:
1 − φ1 X − φ2 X 2 = 0
Cuya solución sería p

φ1 ± φ2 + 4φ2
X=
−2φ2
Por lo que debemos garantizar, que |X|cmayor o igual a 1.
Separando ambas raices p
φ1 + φ2 + 4φ2
X1 =
−2φ2
p
φ1 − φ2 + 4φ2
X2 =
−2φ2
Lo que se desea es: p
φ1 ± φ2 + 4φ2
|X = |≥1
−2φ2
Si escogemos X1 , sabemos que si elegimos |X1 | ≥ 1
−→ | X11 | ≤ 1 Entonces:
p
2φ 2 2φ 2 −φ 1 + φ 12 + 4φ2
(X1 )−1 = p = p [ p1 ]
−φ1 − φ21 + 4φ2 −φ1 − φ21 + 4φ2 −φ1 + φ21 + 4φ2
p
−1 φ1 − φ21 + 4φ2
(X1 ) =
2
Lo mismo sería para X2 p
−1 φ1 + φ21 + 4φ2
(X2 ) =
2
Divisiendo el caso, para una parte real y una parte imaginaria como presentaremos ahora:
Concluimos que al analizar el grafico cuando se ve saoluciones reales va ha garantizar un modelo

AR(2) causal.
7
5. MARCO TEÓRICO Y ESTADO DEL ARTE

5.1. Marco Teórico
5.1.1. Pobreza
Como lo expresa Pucutay (2002) la pobreza es un fenómeno presente, en mayor omenor medida, en
todas las sociedades. Este fenómeno ha sido objeto de estudio yse han buscado las herramientas de
política para enfrentarla porque:
“La pobreza es un tema de interés personal, familiar y nacional, degran impacto por ser un fenó-
meno social, en el cual todos estamosinmersos, lo vivimos día a día en las calles, lo escuchamos en
losnoticieros de la radio y televisión, lo leemos en el periódico y en lasrevistas, se presenta en libros
científicos y literarios, está en laagenda de los políticos, de las organizaciones internacionales y má-
simportante aún, está en la mente y en la forma de vida de los queefectivamente están considerados
como pobres.”
El término "pobreza"tiene distintos significados en las ciencias sociales. Y no existeconsenso debido
a que existen hasta:
“... once posibles formas de interpretar esta palabra: necesidad,estándar de vida, insuficiencia de
recursos, carencia de seguridadbásica, falta de titularidades, privación múltiple, exclusión, desigual-
dad,clase, dependencia y padecimiento inaceptable. Todas estasinterpretaciones serían mutuamente
excluyentes, aunque varias de ellas pueden ser aplicadas a la vez, y algunas pueden no seraplicables
en toda situación”
5.1.2. Pobreza Monetaria

Se considera como pobres monetarios a las personas que residen en hogares cuyo gasto per cápita
es insuficiente para adquirir una canasta básica de alimentos y no alimentos (vivienda, vestido,
educación, salud, transporte, etc.) Son pobres extremos aquellas personas que integran hogares
cuyos gastos per cápita están por debajo del costo de la canasta básica de alimentos.
La medición monetaria utiliza el gasto como indicador de bienestar, el cual está compuesto no solo
por las compras sino también por el autoconsumo, el autosuministro, los pagos en especies, las
transferencias de otros hogares y las donaciones públicas.
Para realizar la medición de la pobreza monetaria se estiman tres índices desarrollados por Foster,
Greer y Thorbecke (1984). El primero se refiere a la incidencia de la pobreza (P0), que representa
la proporción de pobres o de pobres extremos como porcentaje del total de la población. Dicho de
otra manera, determina la proporción de la población cuyo consumo se encuentra por debajo del
valor de la línea de pobreza o del valor de la línea de extrema pobreza, según sea el caso. Esta
medida de la pobreza no toma en cuenta la magnitud de la brecha que separa el gasto de los pobres
de la línea de pobreza, tampoco considera la forma como está distribuido el gasto de los pobres.
Por ello, se complementa con las mediciones de Índice de brecha de la pobreza (P1), que mide la
insuficiencia promedio del consumo de los pobres respecto de la línea de pobreza, tomando en cuenta
la proporción de la población pobre en la población total y por la severidad de la pobreza, que mide
la desigualdad entre los pobres.
5.1.3. Pobreza Multidimensional

En cuanto al enfoque de la pobreza multidimensional, este se basa en los postulados de Amartya
Sen, quien concibe el desarrollo como “un proceso de expansión de las libertades reales de las que
disfrutan los individuos” (Sen, 2000, p. 3). De este modo, hay que ver a la pobreza como una cuestión
8
de personas y sus capacidades y oportunidades en varias dimensiones, antes que de bienes y dinero.
Con base en esto, la Oxford Poverty and Human Development Initiative (OPHI) ha desarrollado un
Índice de Pobreza Multidimensional, el cual tiene en cuenta las dimensiones de educación, salud y
condiciones de vida bajo determinadas ponderaciones (Alkire y Santos, 2010).
En el caso del Perú, tenemos que entre los trabajos que aplican este enfoque destaca el de Vásquez
(2012), quien ajusta ponderaciones para medir la pobreza multidimensional con base en lo propuesto
por Alkire y Foster (2011) como sigue:
Primero, un determinante clave de la pobreza es el acceso a servicios. Tanto el enfoque de pobreza
multidimensional como el de necesidades básicas insatisfechas ponen marcado énfasis en esto. Tener
acceso a agua potable, sistema de desagüe, electricidad, telefonía, etcétera es de suma importancia
para reducir la vulnerabilidad de los hogares y la afectación al rendimiento escolar de los niños y a
la productividad y empleabilidad de los padres. Dado el contexto de lo precedente, el desarrollo de
infraestructura es absolutamente necesario para la reducción de la pobreza. Siguiendo a Reinikka y
Svensson (1999), podemos definir a la infraestructura como aquel capital complementario que ofrece
los servicios de soporte necesarios para la operación de las actividades privadas. Así, un hogar que
no tiene acceso a agua potable ni sistema de desagüe ni electricidad ni telefonía ve muy seriamente
mermadas sus posibilidades de inserción en los mercados y, por tanto, de mejora económica.
5.1.4. Pobreza en Puno

Los resultados del análisis unidimensional de la pobreza monetaria a nivel agregado a través del gas-
to per cápita de los hogares mediante el enfoque de Foster, Greer y Thorbecke, muestran que hubo
una reducción en la tasa de pobreza en la Macro Región Sur de 54.03 % (en el año 2004) a 46.48 %
(en el año 2008); una reducción en la brecha de pobreza de 19.61 % a 16.02 % y una reducción en la
severidad de la pobreza de 9.48 % a 7.41 % en el mismo periodo. Por ámbito geográfico, la pobreza
en el ámbito urbano se redujo en 10.66 % y en el ámbito rural en 4.52 %. La pobreza extrema en el
ámbito urbano se redujo en 0.36 %; mientras que el ámbito rural en 4.7 %. Por dominio geográfico,
si bien en la sierra la tasa de pobreza entre los años 2004 y 2008 se redujo de 58.56 % a 52.27 %, las
mayores reducciones se dieron en la selva (14.49 %) y la costa (13.55 %). La brecha de pobreza en la
sierra se redujo en 3.72 %, en la costa 3.34 % y en la selva 3.12 %. La severidad de la pobreza en la
sierra se redujo en 2.31 %, en la costa 1.20 % en la selva 0.88 %.
El crecimiento de la economía peruana en las últimas décadas y las políticas sociales han contri-
buido la reducción de la pobreza en el Perú de 46.8 % en el año 2004 a 34.48 % en el año 2008.
A nivel de la Macro Región Sur, las estadísticas de la Encuesta Nacional de Hogares (ENAHO)
si bien muestran una reducción importante en la tasa de pobreza de 54.03 % (en el año 2004) a
46.48 % (en el año 2008). Sin embargo, al desagregar la información por ámbito geográfico, región
natural y por departamentos los niveles de pobreza son variados. Así, a nivel de los departamentos
las tasas de pobreza en los departamentos localizados en la Sierra como Apurímac (68.97 %), Puno
(62.80 %) y Cuzco (58.81 %) son altas y mayores con respecto a los departamentos de la costa y
selva. Por ámbito geográfico, en el ámbito urbano el porcentaje de pobres es de 27.24 %; mientras
que en el rural el porcentaje de pobres es 65.23 %. En el ámbito rural, los departamentos con los
mayores niveles de pobreza se encuentra en Apurímac (74.10 %), Puno (72.94 %) y Cusco (68.20 %).
Por dominio geográfico o región natural, en la sierra el porcentaje de pobres es de 52.27 %, en la
selva de 23.08 % y en la costa de 17.18 %. Estos resultados, sugieren que es importante realizar un
análisis del comportamiento de la pobreza y los factores que explican. Para cumplir los objetivos
planteados se seguirá la siguiente secuencia:
Descripción de los datos: Se hará uso de la base de datos de la Encuesta Nacional de Hogares
(ENAHO) del periodo 2013-2017.
9
La encuesta se realizó en el ámbito nacional, en el área urbana y rural, en los 24 departamentos del
país y en la Provincia Constitucional del Callao. Las variables que se usarán son:
Variable Endógena:
Pobreza: El término “pobreza” tiene distintos significados en las ciencias sociales. Y no existe con-
senso debido a que existen hasta:
“... once posibles formas de interpretar esta palabra: necesidad, estándar de vida, insuficiencia de
recursos, carencia de seguridad básica, falta de titularidades, privación múltiple, exclusión, desigual-
dad, clase, dependencia y padecimiento inaceptable. Todas estas interpretaciones serían mutuamente
excluyentes, aunque varias de ellas pueden ser aplicadas a la vez, y algunas pueden no ser aplicables
en toda situación.
5.2. Estado del Arte

La pobreza monetaria desde la perspectiva de la pobreza multidimensional: el caso pe-
ruano.
Universidad de Lima, Universidad Peruana de Ciencias Aplicadas.
Autores: Dante A. Urbina y Milagros R. Quispe.
En el caso del Perú, tenemos que entre los trabajos que aplican este enfoque destaca el de Vásquez
(2012), quien ajusta ponderaciones para medir la pobreza multidimensional con base en lo propuesto
por Alkire y Foster (2011) como sigue:
Un enfoque multidimensional de la pobreza en Chile: Su evolución temporal y regional Autores:

Arístides Torche y Javiera Bravo. Hacia mediados del siglo veinte surgió una nueva forma de medir
pobreza que enfatizaba logros en vez de disponibilidades. Se trata de satisfactores de necesidades
básicas como nutrición y alfabetismo.
10
Los hogares pobres son aquellos que no han alcanzado dichos logros. En el 2010, la OPHI (Oxford
Poverty & Human Development Iniciative) de la Universidad de Oxford estableció una metodología
para expresar dicho estimadores de logro en un sólo índice: el Indice de Pobreza Multidimensional
(MPI).
Este trabajo calcula dicho índice para Chile, lo que no se había hecho antes, y lo emplea para analizar
la evolución de la pobreza en el país entre el 2000 y el 2009 tanto a nivel nacional como regional.
El MPI descompone la información global en términos de la proporción de personas en situación de
pobreza (head count ratio) y de la intensidad de las carencias.
De acuerdo con este índice Chile se ubica entre los países con más bajo nivel de pobreza tanto en
una perspectiva mundial como para Sudamérica.
Mortalidad Infantil
Nutrición
Escolaridad
Asistencia
Electricidad
Agua Potable
Sanidad
Piso
Combustible para cocinar
Activos
Índice de Pobreza Multidimensional: Propuesta Metodológica con Enfoque de Dere-

chos: 2009-2014
Autor: Fausto D. Jácome Pérez
La selección de dimensiones se basa en una revisión de la Constitución del Ecuador realizada por
Asamblea Constituyente en 2008, y se acota a los derechos que se garantizan por parte del Estado
a las personas. En el Titulo II, Derechos, Capitulo segundo, Derechos del Buen Vivir, se define los
derechos de segunda generación, que pueden servir de acercamiento a las dimensiones del índice. Por
tanto, las primeras dimensiones del índice se definen a partir de las secciones de Derechos del Buen
Vivir y sus elementos de la siguiente forma:
Agua.
Alimentación.
Ambiente Sano.
Comunicación e Información. item Cultura y Ciencia.
Educación.
Hábitat y Vivienda.
11
Salud.
Trabajo y Seguridad Social.

LA POBREZA ES MULTIDIMENSIONAL: UN ENSAYO DE CLASIFICACIÓN
Autor: Javier Iguiñiz Echeverría
La primera de las cuatro multidimensionalidades es la que se queda dentro de los marcos del campo
convencional de la economía, pero rompe la unidimensionalidad que ha prevalecido y que todavía
parece dominar. En efecto, la economía parece condensarse en el ingreso de las personas. Pero, como
ha señalado concisamente Bartoli: “La pobreza, como la economía, es multidimensional.” (2000, 17)
Estamos ante un caso normal en el que dentro de una dimensión determinada se establecen subdi-
mensiones. Una de las más importantes es la que distingue entre pobreza absoluta y relativa.
POBREZA MULTIDIMENSIONAL: VARIACIONES AL ESPACIO DE BIENESTAR

ECONÓMICO CON BASE EN ÍNDICES DE PRECIOS DEMOCRÁTICOS, MÉXI-
CO 2008
Autores: Carlos Guerrero de Lizardi y Manuel Lara Caballero
En la construcción del espacio de bienestar económico son tres los componentes involucrados: el
ingreso neto corriente de todos los miembros del hogar, la determinación de los valores de las líneas
de bienestar mínimo (canasta alimentaria) y de bienestar económico (canasta no alimentaria).
MEDICIÓN DE LA POBREZA MULTIDIMENSIONAL: El caso ecuatoriano

Autor: César A. Amores L
Se establece a un hogar en situación de pobreza si presenta una de las siguientes condiciones, o en
situación de extrema pobreza si presenta dos o más:
La vivienda tiene características físicas inadecuadas.
La vivienda tiene servicios inadecuados.
El hogar tiene alta dependencia económica.
En el hogar existen niños(as) que no asisten a la escuela.
El hogar se encuentra en un estado de hacinamiento crítico.
6. METODOLOGÍA
6.1. Modelo Logit
Este modelo permite, además de obtener estimaciones de la probabilidad de un suceso, identificar
los factores que determinan dichas probabilidades, así como la influencia o peso relativo que éstos
tienen sobre las mismas.
Este tipo de modelo arroja como resultado un índice, cuyos determinantes son conocidos, el cual
permite efectuar ordenaciones, las cuales al realizarse, posibilitan, con algún método de estratifica-
ción, generar clasificaciones en las que se le asocia a cada elemento una calificación. Existen muchos
criterios para llevar a cabo la asociación índice - calificación, muchos de ellos con base en índices
de muestreo, donde el criterio es puramente estadístico. Otros criterios podrían considerarse como
subjetivos.
Para el caso más sencillo, el de una única variable explicativa, se trata de encontrar la relación que
existe entre la variable explicativa y la endógena. Las posibilidades que se plantean son:
12
Que la función que relaciona ambas variables sea una función lineal, caso en el cual se tiene, lo que
se ha denominado, el modelo lineal de probabilidad. Este asume que la relación entre las variables
explicativas y la variable explicada tiene un comportamiento lineal, suposición que en muchos casos
no se da, dando esta situación origen a los modelos de regresión no lineales, dentro de los cuales
se encuentran ubicados los modelos Probit y Logit, siendo este último el que interesa y del cual
a continuación se hace un análisis detallado sobre su estructura y los fundamentos teóricos que lo
soportan.
La modelización Logit es similar a la regresión tradicional salvo que utiliza como función de estima-
ción la función logística en vez de la lineal. Con la modelización Logit, el resultado del modelo es la
estimación de la probabilidad de que un nuevo individuo pertenezca a un grupo o a otro, mientras
que por otro lado, al tratarse de un análisis de regresión, también permite identificar las variables
más importantes que explican las diferencias entre grupos. Existen distintos tipos de modelos Logit
en función de las características que presenten las alternativas que definen a la variable endógena.
Esta variable permite medir el número de grupos existentes en el análisis, los modelos Logia se
pueden clasificar así:
Logit dicotómico: se utiliza cuando el número de alternativas son dos y excluyentes entre sí.
Logit de respuesta múltiple: se utiliza cuando el número de alternativas a modelizar es superior

a dos.
Logit con datos no ordenados: se utiliza cuando las alternativas que presenta la variable endó-
gena no indican ningún orden.
Logit multinomial: se utiliza cuando los regresores del modelo hacen referencia a las observa-
ciones muestrales, por lo que varían entre observaciones pero no entre alternativas.
Logit condicional: se utiliza cuando los regresores del modelo hacen referencia a las alternativas,
por lo que sus valores varían entre alternativas pudiendo hacerlo o no entre observaciones.
Logit con datos ordenados: se utiliza cuando las alternativas de la variable endógena represen-
tan un orden entre ellas.
6.2. Modelo Logit Dicotómico

Presenta las siguientes características principales:
Variable endógena binaria: Identifica la pertenencia del individuo a una de dos posibles categorías,
identificando con el número 1 si el individuo pertenece a la característica de interés cuya probabilidad
se estimará en el modelo. Se identifica con 0 al elemento que no posee la característica de interés,
cuya probabilidad también se estima con el modelo.
Variables exógenas: Son las variables que permiten discriminar entre los grupos y que determinan
la pertenencia de un elemento a un grupo u otro. Pueden estar medidas en escala nominal, ordinal,
de intervalo o de razón.
Resultado del análisis: El resultado del análisis es un vector de parámetros con valores numéricos,
que son los coeficientes para cada uno de las variables explicativas que hacen parte definitiva del
modelo. La importancia radica en que a cada valor del vector de parámetros le corresponde una
variable explicativa, al tenerse en cuenta todas en conjunto y dar valores a cada una de las variables
independientes contenidas en el modelo definitivo, se obtiene el valor de la probabilidad de que un
individuo posea la característica de interés estudiada en el modelo.
13
6.3. Modelo Logit de Respuesta Multiple

Cuando la variable endógena a modelizar es una variable discreta con varias alternativas posibles de
respuesta, nos encontramos ante los modelos de respuesta múltiple. Estos modelos se clasifican en
dos grandes grupos según las alternativas que presenta la variable endógena así: cuando se puedan
ordenar (modelos con datos ordenados) o no se puedan ordenar (modelos con datos no ordenados).
Logit multinomial
En este tipo de modelos las alternativas de la variable respuesta indican la pertenencia de las
observaciones a un determinado grupo sin incorporar información ordinal.
Logit ordinal
En este tipo de modelos las alternativas de la variable respuesta permiten establecer un orden entre
las distintas observaciones.
6.4. Modelo de Regresión Logit

Definimos la matriz X como la matriz de variables independientes que denotan los atributos que
caracterizan a la pobreza y definimos β omo el vector de parámetros que mide el impacto de los
atributos sobre la probabilidad de que una familia sea pobre o no.
Ŷi = Xi β + i
Figura 1: Curva Logistica.
Sea:
P (y = 1) = p = probabilidad de que una familia sea pobre. P (y = 0) = (1 − p) = probabilidad de
que una familia no sea pobre. Haciendo una transformación:
p̂i = Xi β + i
Problemas con la estimación de p̂i
No pueden ser negativos.
No pueden ser mayores que uno.
14
Solución a este problema: Regresión Logística.

pi
Razón de Probabilidad(RP): 1−p i
, los modelos de regresión logística son aquellos en que la variable
dependiente es el logaritmo natural de RP.

pi
logiti = Ln(RP ) = Ln
1 − pi
Características del Logit:
Si p=0.5, RP=1 Y Logit=0
Si p<0.5, RP<1 Y Logit<0
Si p>0.5, RP>1 Y Logit>0

El Logit puede ser devuelto a probabilidad mediante la formula
elogiti
pi = P rob(Yi = 1) =
1 + elogiti
Lo cual podemos decir que estas probabilidades efectivamente van entre 0 y 1.
El modelo de regresión logística sería el siguiente

pi X
logiti = Ln(RP ) = Ln =α+ βk Xki
1 − pi
k
Y su transformación a probabilidades:
P
eα+ k βk Xki
pi = P rob(Yi = 1) P
1 + eα+ k βk Xki
ó
1 P
P 1 + e−(α+ k βk Xki
)
1+ eα+ k βk Xki
Entonces sea el modelo Logit con k variables explicativas
logiti = α + β1 X1i + β2 X2i + . . . + β1 Xki
El modelo estimado sería:

ˆ = α + β1 X1i + β2 X2i + . . . + β1 Xki
logiti
Y su probabilidad estimada:
1
p̂i = P rob(Yi = 1) = ˆ
1 + elogiti
6.5. Características de Modelo Logit

A pesar de que el modelo transformado es lineal en las variables, las probabilidades no son
lineales.
El modelo Logit supone que el logaritmo de la razón de probabilidades esta linealmente rela-
cionado con las variables explicadoras. item En el modelo Logit los coeficientes de regresión
expresan el cambio en el logaritmo de las probabilidades, cuando una de las variables explica-
doras cambia en una unidad, permaneciendo constantes las demás (Gujarati 2010).
15
6.6. Descripción de la Solución

La solución planteada presenta la siguiente secuencia:
Primero: Para modelar la pobreza multidimensional se pondero los principales índices sociales que
influyen directamente en la pobreza y luego se pasó a seleccionar las variables más explicativas. Las
variables que se usarán son:
Variable Endógena:
Pobreza: El término “pobreza” tiene distintos significados en las ciencias sociales y no existe consenso
debido a que existen hasta:
“... once posibles formas de interpretar esta palabra: necesidad, estándar de vida, insuficiencia de
recursos, carencia de seguridad básica, falta de titularidades, privación múltiple, exclusión, desigual-
dad, clase, dependencia y padecimiento inaceptable. Todas estas interpretaciones serían mutuamente
excluyentes, aunque varias de ellas pueden ser aplicadas a la vez, y algunas pueden no ser aplicables
en toda situación”
(Feres y Mancero, 2001).
En nuestro caso consideraremos pobre a aquellas personas cuyos ingresos son menores a la canasta
básica familiar que actualmente está en S/ 358.00 por persona.
Variables Exógenas:
Características de la vivienda y del hogar

• ¿Esta vivienda tiene título de propiedad? 0: No
1: Si
• ¿El agua es potable? 0: No
1: Si
• Tipo de alumbrado del hogar: Electricidad 0: No
1: Si
• El hogar tiene: teléfono fijo, celular 0: No
1: Si
Educación
• Nivel de Educación
1: Sin nivel
2: Educación inicial
3: Primaria incompleta
4: Primaria completa
5: Secundaria incompleta
6: Secundaria completa
7: Superior no universitaria Incompleta
8: Superior no universitaria completa
9: Superior universitaria incompleta
10: Superior universitaria completa
11: Maestria/Doctorado
Salud
• Ud. actualmente está afiliado a : ESSALUD
0: No
1: Si
16
• Ud. actualmente está afiliado a: Seguro integral de salud (SIS) 0: No

1: Si
Segundo: Para aplicar el modelo logit buscamos bibliografía que nos permita entender la metodología
y los supuestos necesarios para poder realizar un buen modelo.
7. DATOS
7.1. VARIABLE ENDÓGENA
Pobreza: El diccionario de la Lengua Española de la Real Academia Española expresa el significado
del adjetivo pobre como "necesitado, menesteroso y falto de lo necesario para vivir, o que lo tiene
con mucha escasez". Igualmente, define el sustantivo pobreza como "necesidad, estrechez, carencia
de lo necesario para el sustento de la vida". De estas definiciones queda claro que:
Los términos pobreza y pobre están asociados a un estado de necesidad, de carencia.
Dicha carencia se relaciona con lo necesario para el sustento de la vida.
De lo anterior, se deduce que el término pobreza en su uso cotidiano lleva implícita la comparación
entre la situación de una persona, familia o grupo humano y la concepción de quien habla o escribe,
sobre lo que es necesario para vivir o sustentar la vida. Es decir, el concepto de pobreza lleva
inevitablemente la comparación entre una situación observada y una condición normativa. Mientras
esta norma es implícita en el lenguaje cotidiano, debe ser explícita en el científico.
7.2. VARIABLES EXÓGENAS

Características de la vivienda y del hogar:
Viviendas particulares por número de hogares Según el Censo Especial del Cerro San Cosme,
del total de viviendas particulares, con personas presentes, que suman 1 mil 811 viviendas, el
95,5 % alberga un solo hogar, lo que representa en términos absolutos 1 mil 729 viviendas; el
3,2 % alberga dos hogares; el 1,1 % alberga tres hogares y el 0,2 % de viviendas, alberga cuatro
y cinco hogares.
Tipo de hogar
La información que recoge el Censo Especial del Cerro San Cosme del distrito de La Victoria,
posibilita el estudio sobre la forma de organización de los hogares, los mismos que generalmente
lo hacen alrededor de una pareja de cónyuges con o sin hijos. Para la conformación de los tipos
de hogar, con los resultados censales del Cerro San Cosme, se ha tomado como referencia la
tipología de la Comisión Económica para América Latina y el Caribe (CEPAL), que clasifica
a los hogares como nucleares, extendidos, compuestos, unipersonales y sin núcleo.
Jefatura de hogar
La organización del hogar, se sustenta en la red básica de relaciones sociales, que se desarrollan
y se orientan a satisfacer las necesidades primordiales de sus miembros, y variará dependiendo
de las características del sexo y edad del jefe de hogar. Estas variables fueron investigadas en
el Censo del Cerro San Cosme.
17
Jefatura de hogar por sexo

De los 1 mil 924 hogares, que existen en el Censo Especial del Cerro San Cosme del distrito
de la Victoria, el 68,8 % tiene como jefe a un varón, es decir, 1 mil 323 hogares. Asimismo, los
hogares jefaturados por una mujer suman 601, que representa el 31,2
Educación:
Se denomina educación a la facilitación del aprendizaje o de la obtención de conocimientos, habilida-
des, valores y hábitos en un grupo humano determinado, por parte de otras personas más versadas
en el asunto enseñado y empleando diversas técnicas de la pedagogía: la narración, el debate, la
memorización o la investigación.
La educación es un proceso complejo en la vida del ser humano, que ocurre fundamentalmente en
el seno de la familia y luego en las distintas etapas de la vida escolar o académica que el individuo
transite (desde el kindergarten hasta la universidad).
Sin embargo, no solo el conocimiento organizado y compartimentado de las ciencias y los saberes es
educación: también lo son las tradiciones locales, las creencias familiares o los modos de conducta
heredados.
El resultado final del proceso educativo es incierto, ya que el ser humano nunca deja de aprender,
por ende, de cambiar sus conductas y sus preceptos. Sin embargo, las etapas iniciales de la vida se
consideran cruciales para la formación y educación del individuo (tanto en aspectos formales como
en materia afectiva, ciudadana, etc.), ya que serán responsables del modo de actuar que el individuo
presente en su adultez.
Salud:
La definición de salud dada por la Organización Mundial de la Salud en 1948 es la siguiente: "La
salud es un estado de bienestar físico, mental y social completo, y no meramente la ausencia del
mal o la enfermedad". Por lo tanto, contempla el estado saludable de la persona desde el punto
de la calidad de vida y no simplemente desde la manifestación de síntomas o el padecimiento de
enfermedades.
De ahí que estar sano, sentirse sano, no se defina por el hecho de no estar enfermo, sino contemplando
una visión más amplia que abarca las múltiples facetas del desarrollo humano.
Actitud vital y salud
Esta visión global de la salud humana requiere que cada uno, como persona y no como paciente,
piense y reconozca la implicación de la actividad diaria en su salud. Son muchos los factores que
solemos obviar al respecto, tanto a nivel físico como mental o social.
Por ejemplo, no descansar lo suficiente, tener hábitos no saludables, no cuidar la alimentación u
obsesionarse con frecuencia, son acciones que conforman una actitud ante la vida. Dicha actitud
afecta a nuestra salud, seamos capaces de verlo o no.
8. RESULTADOS
Primero: Utilizamos el paquete estadístico R para hacer el análisis descriptivo.
1. Se vio la relación entre la pobreza y la no pobreza en la región de Puno.
18
Donde:
1: Pobre
0: No pobre
19
2. Se vio la relación entre los que si tienen títulos de propiedad y los que no lo tienen.
1: Si
0: No
3. La relación entre los que sí tienen agua potable y las que no la tienen.
1: Si
0: No
4. La relación entre los que sí tienen acceso a electricidad con los que no lo tienen.
20
1: Si
0: No
5. La relación entre los que sí tienen teléfono fijo y los que no lo tienen.
1: Si
0: No
6. La relación entre los que sí tienen teléfono celular con los que no lo tienen.
21
1: Si
0: No
7. El nivel educativo al que llegaron.
1: Sin nivel
2: Educación inicial
3: Primaria incompleta
22
4: Primaria completa
5: Secundaria incompleta
6: Secundaria completa
7: Superior no universitaria Incompleta
8: Superior no universitaria completa
9: Superior universitaria incompleta
10: Superior universitaria completa
11: Maestria Doctorado
8. La relación entre las personas que si están en ESSALUD y las que no.
1: Si
0: No
9. La relación entre los que si están en el SIS y los que no lo están.
23
1: Si
0: No
Segundo: Utilizamos el paquete estadístico R para correr el modelo.

1. Utilizamos es siguiente código:
2. Obtuvimos el siguiente resultado:
Tercero:Se pudo observar que:
El nivel educativo reduce la probabilidad de ser pobre, pero no son significativas.
Tener un título de propiedad está relacionado negativamente con el nivel de pobreza.
Tener teléfono fijo puede está relacionado negativamente con el nivel de pobreza.
Pertenecer a ESSALUD o al SIS no implica una reducción de la pobreza.
24
9. CONCLUSIONES
Se concluyó que la pobreza en la región Puno puede ser explicada por sus bajos niveles de
educación y bajos niveles de propiedad, lo cual implicaría que una buena política para la
reducción de la pobreza sea aplicándola a esos sectores.
Según la definición de pobreza multidimensional, se podría decir que la región Puno también
es pobre en educación, y por ser un tema de vital importancia debería ser un prioridad en las
políticas públicas.
El acceso a los servicios básicos como agua y electricidad no explican significativamente la

pobreza, lo cual nos indica que el análisis debería de ser enfocado desde otra perspectiva,
ya que esas variables son fundamentales para combatir los altos niveles de pobreza a nivel
nacional.
10. BIBLIOGRAFÍA
[1] Urbina Padilla, D. y Quispe, M. R. (2017).“La pobreza monetaria desde la perspectiva de
la pobreza multidimensional:el caso peruano”.(1-22).[Archivo pdf]. Recuperado de https://
repositorio.ulima.edu.pe/bitstream/handle/ulima/5815/Urbina_Dante.pdf?sequence=
3&isAllowed=y.
[2] Amores. L, C. (2014).“MEDICIÓN DE LA POBREZA MULTIDIMENSIONAL: El caso ecuatoriano”.(1-

53)
[3] Lizardi, C., Caballero, M.L. (2012).“Un enfoque multidimensional de la pobreza en Chile: Su
evolución temporal y regional”.(1-38)
[4] Bravo, J., Caballero, M.L. (2010).“POBREZA MULTIDIMENSIONAL: VARIACIONES AL

ESPACIO DE BIENESTAR ECONÓMICO CON BASE EN ÍNDICES DE PRECIOS DE-
MOCRÁTICOS, MÉXICO 2008”.(1-26)
[5] Jacome, F. D .(2010).“LA POBREZA ES MULTIDIMENSIONAL: UN ENSAYO DE CLASI-

FICACIÓN ”.(1-32)
[6] Echevarría, J.(2009).“Indice de pobreza multidimensional: propuesta metodológica con enfoque

de derechos, 2009-2014””.(1-32)
[7] OPHI. (23 de Agosto del 2013). Porque Medidas de Pobreza Multidimensional?. [Archivo de vi-
deo]. Recuperado de https://ophi.org.uk/porque-medidas-de-pobreza-multidimensional-2/.
[8] Landazuri, S.Y. (2012). “Un Análisis de la pobreza multidimensional, una Aplicación para
Santiago de Chile de Cali en el año 2012” (Tesís de Grado). Universidad de Santiago de Cali.
[9] Yupanqui, Y.R, Infante, Y. (2015). “Determinantes Microeconómicos de la Pobreza en el Perú:

Un Modelo Económetrico Logit” (Tesís de doctoral). Universidad Nacional de San Cristóbal
de Huamanga.
[10] Di Capua, L., Brun, C. y Pellegrini J.L. (2015). “Desigualdad Multidimensional de los Hogares:
Tipos de Hogares y Variables Predictorias”. La Plata, Argentina: Económica; vol.61.
[11] Vegas,V.L. (2017). “Determinantes de la pobreza” (Tesís de Grado). Universidad de Valladolid.
25
[12] Casa Presidencial Costa Rica. (29 de Octubre del 2015). ¿Qué es el Indice de Pobreza Multidi-
mensional?. [Archivo de video]. Recuperado de https://www.youtube.com/watch?v=VaC6r5-Ko5s.
[13] RED MÁS Noticias. (22 de Marzo del 2017). Pobreza Multidimensional. [Archivo de video].
Recuperado de https://www.youtube.com/watch?v=HiNePPTDcMw.
[14] Universidad de los Andes. (27 de Marzo del 2017). Conversatorio en Uniandes: Índice de
Pobreza Multidimensional en Colombia. [Archivo de video]. Recuperado de https://www.
youtube.com/watch?v=a054RTJIAZA.
[15] Prosperidad.Social. (2 de Octubre del 2017). ¿Cómo se mide la pobreza en Colombia? IPM
implementado en el país. [Archivo de video]. Recuperado https://www.youtube.com/watch?
v=0uVIffkaMAg.
11. ANEXOS
26
27
28
29
30
31
32
33
Código R utlizado
# instalar el paquete nnet

install . packages ( ’ nnet ’)
# llamamos al paquete nnet
library ( ’ nnet ’)
# importamos datos
data <- read . delim ( ’ clipboard ’)
# nombres de , las variables
names ( data )
attach ( data )
# analisis de cada variable de nuestro modelo

# primeros 6 datos
head ( data )
# POBREZA
barplot ( prop . table ( table ( data $ POBREZA ) ) , main = " Distribucion de la Pobreza " ,
xlab = " Categoria de Pobreza " , ylab = " Densidad Acumulada " , col = c ( " orange " ,"
blue " ) )
summary ( POBREZA ) # nos da la mediana , media , max , min ,.. datos num é rico del
boxplot
# TP
barplot ( prop . table ( table ( data $ TP ) ) , main = " Distribucion del TP " , xlab = "
Categoria de TP " , ylab = " Densidad Acumulada " , col = c ( " orange " ," blue " ) )
summary ( TP ) # nos da la mediana , media , max , min ,.. datos num é rico del boxplot
# AP
barplot ( prop . table ( table ( data $ AP ) ) , main = " Distribucion del AP " , xlab = "
Categoria de AP " , ylab = " Densidad Acumulada " , col = c ( " orange " ," blue " ) )
summary ( AP ) # nos da la mediana , media , max , min ,.. datos num é rico del boxplot
# EL
barplot ( prop . table ( table ( data $ EL ) ) , main = " Distribucion del EL " , xlab = "
Categoria del EL " , ylab = " Densidad Acumulada " , col = c ( " orange " ," blue " ) )
summary ( EL ) # nos da la mediana , media , max , min ,.. datos num é rico del boxplot
# TF
barplot ( prop . table ( table ( data $ TF ) ) , main = " Distribucion del TF " , xlab = "
Categoria de TF " , ylab = " Densidad Acumulada " , col = c ( " orange " ," blue " ) )
summary ( TF ) # nos da la mediana , media , max , min ,.. datos num é rico del boxplot
# CL
barplot ( prop . table ( table ( data $ CL ) ) , main = " Distribucion del CL " , xlab = "
Categoria de CL " , ylab = " Densidad Acumulada " , col = c ( " orange " ," blue " ) )
summary ( CL ) # nos da la mediana , media , max , min ,.. datos num é rico del boxplot
# NE
barplot ( prop . table ( table ( data $ NE ) ) , main = " Distribucion del NE " , xlab = "
Categoria de NE " , ylab = " Densidad Acumulada " , col = c ( " orange " ," blue " ) )
lines ( density ( NE , na . rm = T ) , col = " red " , lwd =2) # curva de distribuci ó n del NE
34
aproximada
boxplot ( NE , main = " grafico de cajas de NE " , col = " green " ) # mostramos " el
grafico de cajas de pbi , en el cual nos da los umbrales para los
cuartiles inferior y superior
summary ( NE ) # nos da la mediana , media , max , min ,.. datos num é rico del boxplot
# ES
barplot ( prop . table ( table ( data $ ES ) ) , main = " Distribucion del ES " , xlab = "
Categoria de ES " , ylab = " Densidad Acumulada " , col = c ( " orange " ," blue " ) )
summary ( ES ) # nos da la mediana , media , max , min ,.. datos num é rico del boxplot
# SIS
barplot ( prop . table ( table ( data $ SIS ) ) , main = " Distribucion del SIS " , xlab = "
Categoria de SIS " , ylab = " Densidad Acumulada " , col = c ( " orange " ," blue " ) )
summary ( SIS ) # nos da la mediana , media , max , min ,.. datos num é rico del boxplot
# resumen de todas las variables

summary ( data )
# convertimos a datos cualitativos ( factor )

data $ TP <- factor ( data $ TP )
data $ AP <- factor ( data $ AP )
data $ EL <- factor ( data $ EL )
data $ TF <- factor ( data $ TF )
data $ CL <- factor ( data $ CL )
data $ NE <- factor ( data $ NE )
data $ ES <- factor ( data $ ES )
data $ SIS <- factor ( data $ SIS )
# tabla de contingencia bidireccional de resultados categ ó ricos y

predictores que queremos
# para asegurarse de que no hay 0 celdas
xtabs ( ~ TP + AP , data = data )
# modelamos la Variable POBREZA , Que es si la mujer fue violentado o no fue

violentada con el comando multinom
modelo <- glm ( POB ~ TP + AP + EL + TF + CL + NE + ES + SIS , data = data ,
family = " binomial " )
summary ( modelo )
coef ( modelo )
effects ( modelo , data = data )
35
36

Trabajo de Econometr A

Cargado por

Información del documento

Título original

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

Trabajo de Econometr A

Cargado por

Copyright:

Formatos disponibles

Universidad Nacional de Ingeniería - UNI

Facultad de Ingeniería Económica, Estadística y CC.SS. - FIEECS

SEGUNDA PRÁCTICA CALIFICADA

2. PRESENTACIÓN DEL PROBLEMA 2

5. MARCO TEÓRICO Y ESTADO DEL ARTE 8

El presente trabajo pretende utilizar el metodo de valorización de multiplos compa-

2. PRESENTACIÓN DEL PROBLEMA

2.1. ¿Problema general?

2.2. ¿Problemas específicos?

¿El índice de pobreza multidimensional es un buen indicador para explicar la pobreza en la

¿Podemos encontrar las principales causas de la pobreza en la región Puno en el 2018?

3.2. Objetivos Específicos

Explicar el nivel de importancia de las variables respecto a su relación con la pobreza en la

4.2. Ejercicios de la Universidad AM de Texas

4.2.1. Ejercicio 1.2

Simule del modelo anterior utilizando ruido iid.

4.2.2. Ejercicio 2.2

{} son variables aleatorias iid de una distribución de Cauchy.

Xt = Y donde Y es una variable aleatoria con media cero y varianza uno.

Xt = Ut + Ut−1 + Vt donde {(Ut , Vt )} es una serie temporal de vectores estrictamente estacio-

Sea esta la distribucion de cauchi:

4.2.3. Ejercicio 3.1

% esta funci ó n fue creada por el grupo que realizo la PC1

4.2.4. Ejercicio 3.2

φ(xj ) = 1 − φ1 xj − φ2 x2j − ... − φP zjp 6= 0,

4.2.5. Ejercicio 3.3

φ2 + φ1 < 1, φ2 − φ1 < 1 |φ2 | < 1.

Cuya solución sería p

Concluimos que al analizar el grafico cuando se ve saoluciones reales va ha garantizar un modelo

5. MARCO TEÓRICO Y ESTADO DEL ARTE

5.1.2. Pobreza Monetaria

5.1.3. Pobreza Multidimensional

5.1.4. Pobreza en Puno

5.2. Estado del Arte

Un enfoque multidimensional de la pobreza en Chile: Su evolución temporal y regional Autores:

Combustible para cocinar

Índice de Pobreza Multidimensional: Propuesta Metodológica con Enfoque de Dere-

Comunicación e Información. item Cultura y Ciencia.

Trabajo y Seguridad Social.

POBREZA MULTIDIMENSIONAL: VARIACIONES AL ESPACIO DE BIENESTAR

MEDICIÓN DE LA POBREZA MULTIDIMENSIONAL: El caso ecuatoriano

La vivienda tiene servicios inadecuados.

El hogar tiene alta dependencia económica.

En el hogar existen niños(as) que no asisten a la escuela.

El hogar se encuentra en un estado de hacinamiento crítico.

Logit de respuesta múltiple: se utiliza cuando el número de alternativas a modelizar es superior

6.2. Modelo Logit Dicotómico

6.3. Modelo Logit de Respuesta Multiple

6.4. Modelo de Regresión Logit

Figura 1: Curva Logistica.

Problemas con la estimación de p̂i

No pueden ser negativos.

No pueden ser mayores que uno.

Solución a este problema: Regresión Logística.

Si p<0.5, RP<1 Y Logit<0

Si p>0.5, RP>1 Y Logit>0

Entonces sea el modelo Logit con k variables explicativas

logiti = α + β1 X1i + β2 X2i + . . . + β1 Xki

El modelo estimado sería:

6.5. Características de Modelo Logit

6.6. Descripción de la Solución

Características de la vivienda y del hogar

• Ud. actualmente está afiliado a: Seguro integral de salud (SIS) 0: No

{} son variables aleatorias iid de una distribución de Cauchy.