ECONOMETRÍA I

Profesor: Ramón Rosales

Complementarios: Monitores:
Fayber Acosta Alejandra Arteta
Sofia Castro Juan Pablo Gutiérrez
Daniel Gamboa Miller Quiroga
Juliana Guevara Carlos Ramírez

TALLER 2

Condiciones básicas para la entrega del taller

Seguir los lineamientos establecidos en el documento “Instrucciones para la entrega de talleres”.
Únicamente se reciben talleres elaborados en parejas.

Los talleres deben depositarse únicamente en los casilleros de los profesores complementarios
(Bloque W). Si se incumple alguna de estas condiciones, será penalizada la nota final.

Sección 1 (2:00 pm – 3:20 pm):

Sofía Castro: Piso 7 Casillero 48 lado A
Fayber Acosta: Piso 7 Casillero 32 lado A
Sección 2 (3:30 pm – 4:50 pm):
Juliana Guevara: Piso 7 Casillero 21 lado A
Daniel Gamboa: Piso 7 Casillero 20 lado B

Fecha de entrega: Lunes 9 de Octubre hasta las 5 p.m.

PARTE TEÓRICA (2.5 UNIDADES)

1. (0.7 unidades) Considere el siguiente modelo de regresión lineal múltiple:

𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖1 + 𝛽2 𝑥𝑖2 + 𝑒𝑖

a) (0.1) Por el método de MCO obtenga 𝛽̂0 en términos de: 𝛽̂1 , 𝛽̂2 y las variables del modelo.
b) (0.2) Por el método de MCO obtenga 𝛽̂1 y 𝛽̂2 , en términos de las variables del modelo y de
los estimadores.
c) (0.2) Con lo hallado en a) y b) obtenga una expresión para 𝛽̂1 únicamente en términos de 𝑥𝑖1 ,
𝑥𝑖2 , 𝑦𝑖 , 𝑥̅1 y 𝑥̅2 . Por simetría, escriba una expresión para 𝛽̂2 .
d) (0.2) Encuentre el valor esperado de 𝛽̂1 asumiendo que 𝑐𝑜𝑣(𝑥 ̂ 𝑖1 , 𝑥𝑖2 ) = 0. ¿Qué puede decirse
de este resultado con respecto al valor de 𝛽̂1 en el modelo de regresión simple?

1
2. (0.8 unidades) Considere el siguiente modelo de regresión lineal de forma matricial

𝑌 = 𝑋𝐵 + 𝑈

Donde X es la matriz de n observaciones y 𝑘 variables independientes junto con una columna de unos
al principio (con la constante adicional a los k regresores) y U es el vector del termino de error.

a) (0.1) Especifique las dimensiones y el contenido de las matrices 𝑌, 𝑋, Β, 𝑈.

b) (0.1) Muestre que 𝐵̂ = (𝑋 𝑇 𝑋)−1 𝑋 𝑇 𝑌.
c) (0.2) Indique las expresiones en términos de sumatorias que tienen por dentro la matriz X´X
y X´Y, para un modelo con k variables independientes
d) (0.1) Partiendo del literal anterior, muestre que el estimador por MCO de Β matricial es
insesgado. Es decir, 𝐸[Β ̂ |𝑋] = Β. Sea explícito en los supuestos utilizados.
e) (0.1) Bajo los supuestos del modelo de regresión lineal clásico indique como queda la matriz
de varianza y covarianza de los errores.
f) (0.2) Demuestre que la matriz varcov de los coeficientes 𝐵̂ es de la forma: 𝑣𝑎𝑟𝑐𝑜𝑣 (𝐵̂) =
𝜎𝜀2 (𝑋 𝑇 𝑋)−1 . Sea explicito en los supuestos utilizados.

3. (1.0 unidades) Usted trabaja en el Ministerio de Salud y su jefe le ha pedido que estime el
siguiente modelo:
2
𝑦𝑖 = 𝛽0 + β1 Xi1 + β2 Xi1 + ei

Donde 𝑦𝑖 es el peso al nacer de un bebe recién nacido en kg, X i1 es la cantidad de visitas prenatales a
las cuales asiste la madre del bebe. Para esto, usted tiene los siguientes datos:

Individuo Peso al nacer del Cantidad de visitas

individuo (kg) prenatales
1 4.3 8
2 3.5 4
3 3 2
4 4 13
5 3.7 5

a) (0.1) ¿Qué signo esperaría que tenga el coeficiente 𝛽̂1 ? Sustente su respuesta con al menos 1
articulo académico.
b) (0.1) Asuma que 𝛽 ̂1 > 0 y 𝛽̂2 < 0. ¿La función en cuestión es cóncava, convexa o lineal?
c) (0.1) De acuerdo con lo anterior, dibuje la gráfica de peso al nacer del individuo vs. cantidad
de visitas prenatales.
d) (0.1) Muestre como están compuesta la matriz 𝑋 de variables explicativas y calcule la matriz
𝑋′𝑋.
3,2094 −0,9661 0,0570
e) (0.1) Sea (𝑋 ′ 𝑋)−1 = [−0,9661 0,3288 −0,0204], derive el estimador por MCO del
0,0570 −0,0204 0,0013
modelo propuesto por su jefe.
f) (0.1) Halle la cantidad de visitas prenatales que maximiza el peso al nacer de un bebe recién
nacido. Muestra la ecuación a maximizar y sus procedimientos de forma clara.

2
 g) (0.1) Halle los intervalos de confianza, con un nivel de confianza del 95%, para los
estimadores por MCO del modelo. Concluya si los estimadores son significativos o no (a una
significancia del 5%) e interprete (de ahora en adelante asuma que tiene el suficiente número
de observaciones para que sus conclusiones sean válidas).
h) (0.1) Su jefe tiene la hipótesis de que un bebe cuya madre asiste a 7 visitas prenatales tendrá
un peso al nacer menor a 3.9 kg. Realice detalladamente la prueba para evaluar dicha
hipótesis.
i) (0.1) Realice el procedimiento de prueba de hipótesis para determinar si la media del peso al
nacer de los bebes es igual a 3.2 kg.
j) (0.1) Calcule el intervalo de confianza al 95% para la media del peso al nacer e interprételo.

PARTE PRÁCTICA (2.5 UNIDADES)

Educar sobre hábitos de consumo es un factor relevante para la prevención de enfermedades crónicas
como el asma, cáncer, sida, diabetes, entre otras (Miller et al, 2002; Arbes et al, 2007; Brug et al,
2004; Navarro et al, 2000; Rodgers et al, 1994; Glanz, K., 1985; Kumar et al, 1993). Por lo cual,
intentar mejorar los hábitos de consumo de las personas debe ser un objetivo de política pública para
cualquier gobierno. Si se descuida, los impactos en salud pública y calidad de vida podrían tener
costos muy elevados.

Por lo tanto, el Ministerio de Salud (MinSalud) mediante el uso de la ELPS (Encuesta Longitudinal
de Protección Social del DANE https://bit.ly/2lAllo0) busca encontrar relaciones entre el consumo
de las personas y la posibilidad de que tengan alguna enfermedad crónica. En ese sentido esta base
cuenta con información de salud referente a si tienen alguna de las siguientes enfermedades:

1. Asma, Enfisema o Epoc.

2. Depresión.
3. Diabetes.
4. Hipertensión o presión alta.
5. Problemas cardíacos.
6. Cáncer.
7. Artritis o artrosis.
8. Enfermedad renal.
9. Problema cerebrovascular (apoplejía, derrame cerebral, isquemia cerebral).
10. VIH/SIDA.

Por su parte, también presenta información por hogar del gasto en ciertos rubros de alimentación. El
MinSalud considera relevante para este estudio el uso del gasto en los siguientes alimentos:

1. Carnes.
2. Pescados.
3. Frutas.
4. Verduras.
5. Azúcar/dulces.
6. Alcohol y cigarrillo.

3
En adición, la ELPS contiene información a nivel individual no solo de salud, sino también si el
individuo es jefe de hogar, la edad, el sexo, y los ingresos1. Asimismo, cuenta con información sobre
el gasto de los hogares en alimentos, la información de la calidad de la vivienda y el acceso a bienes
públicos. El ejercicio de muestreo permite ver que los resultados de la encuesta son representativos a
nivel nacional para cabecera y resto, donde para los cálculos hay que tener en cuenta el factor de
expansión que se encuentra en las bases de datos disponibles en SicuaPlus. (Para usar el factor de
expansión se debe agregar el subcomando de pesos –weights– de Stata: [iw=
factor_de_expansión] para los comandos que lo soporten)2.

A continuación, encontrarán una descripción de las variables que trabajarán a lo largo de este
ejercicio:

Variables Descripción
p220 Sexo =1 si es hombre; =0 mujer
p5785 Edad
p5503 =1 si es jefe de hogar
p4005 Material paredes del hogar
p4015 Material piso del hogar
p8520s1 =1 si tiene acceso a electricidad
p8520s5 =1 si tiene acceso a acueducto
p8520s3 =1 si tiene acceso a alcantarillado
p8520s4 =1 tiene acceso a recolección de basuras
p8728s1 Gasto del hogar en alcohol y cigarrillos
p8733s1 Gasto del hogar en carnes
p8735s1 Gasto del hogar en pescado
p8742s1 Gasto del hogar en frutas
p8741s1 Gasto del hogar en verduras
p8744s1 Gasto del hogar en azúcar; dulces
ingreso_laboral Ingreso laboral e ingresos adicionales1
fex_c Factor de expansión hogares
fex_c_l Factor de expansión laboral
p128s1 =1 si sufre de asma, enfisema o epoc
p128s2 =1 si sufre de depresión
p128s3 =1 si sufre de diabetes
p128s4 =1 si sufre de hipertensión o presión alta
p128s5 =1 si sufre de problemas cardíacos
p128s6 =1 si sufre de cáncer
p128s7 =1 si sufre de artritis o artrosis
p128s8 =1 si sufre alguna enfermedad renal

1
En las bases encontrarán el cálculo del ingreso teniendo cuenta que incluye ingresos laborales e ingresos por
horas extra, auxilios o subsidios de alimentación y transporte, auxilios o subsidios familiares y educativos,
primas y bonificaciones mensuales.
2
Entre los comandos que soportan el uso de pesos en sus calculos están regress, tab, sum, entre otros.

4
 p128s9 =1 si sufre de algún problema cerebrovascular
p128s10 =1 si sufre de VIH/sida

Teniendo en cuenta lo anterior, el MinSalud ha contratado a su equipo de consultores para realizar un

análisis econométrico de la encuesta. La pregunta que se busca responder es:

“¿Cómo el gasto en ciertos alimentos se relaciona con una mayor posibilidad de tener
alguna enfermedad crónica?”

La cual usted debe responder con las herramientas que ha visto a lo largo del curso de econometría
1.

I. PREPARACIÓN DE LA BASE DE DATOS (0.5 unidades)

Dicho lo anterior, primero se debe realizar el pegue de las bases de datos. Para esto usted cuenta con
3 bases a nivel individuo: info_personas.dta, laboral_ing.dta y salud.dta y 1 base a nivel hogar:
hogares.dta.

Tenga en cuenta lo siguiente:

La variable directorio identifica la vivienda y en una vivienda puede haber más de un hogar. Los
hogares están identificados con las variables directorio y secuencia_p y los individuos están
identificados con las variables directorio, secuencia_p y orden. Lo anterior se ilustra en el siguiente
ejemplo:

Directorio Secuencia_p Orden

Hogar 1-> 101 12 1 <- Individuo 1, hogar 1
Hogar 1-> 101 12 2 <- Individuo 2, hogar 1
Hogar 2-> 101 13 1 <- Individuo 1, hogar 2
Hogar 3-> 102 14 1 <- Individuo 1, hogar 3
Hogar 3-> 102 14 2 <- Individuo 2, hogar 3

Observe que en el ejemplo anterior en la vivienda 101 hay dos hogares (el 12 y el 13) y en el hogar
12 hay dos individuos (1 y 2). En la vivienda 102 hay 1 hogar (14) y dos individuos (1 y 2).

a) (0.1) En cada una de las bases de datos info_personas.dta, laboral_ing.dta y salud.dta,

genere un identificador único para cada individuo teniendo en cuenta las variables directorio,
secuencia_p y orden. (pista: el comando a usar es egen junto a la función concat). El
resultado esperado se ve como la siguiente tabla:

Directorio Secuencia_p Orden Id_individual

101 12 1 101121
101 12 2 101122
101 13 1 101131
102 14 1 102141
102 14 2 102142

b) (0.1) Utilizando el comando merge unifique las 3 bases para tener una sola fuente de
información a nivel individual. (Pista: estos son pegues de tipo 1:1)

5
 c) (0.1) Una vez haya pegado las 3 bases a nivel individuo, genere un identificador único para
cada hogar teniendo en cuenta las variables de directorio y secuencia_p. Luego, guarde su
base de datos de individuos. El resultado esperado se muestra en la siguiente tabla:

Directorio Secuencia_p Orden Id_individual Id_hogar

101 12 1 101121 10112
101 12 2 101122 10112
101 13 1 101131 10113
102 14 1 102141 10214
102 14 2 102142 10214

d) (0.1) Para la base hogares.dta genere un identificador único para cada hogar teniendo en
cuenta las variables directorio y secuencia_p. Es importante que este identificador de hogar
tenga el mismo nombre tanto en la base de datos individual como en la de los hogares (pista:
el comando a usar es egen junto a la función concat). Posteriormente, guarde su base de
datos de hogares. El resultado esperado se muestra en la siguiente tabla:

Directorio Secuencia_p Id_hogar

101 12 10112
101 13 10113
102 14 10214

e) (0.1) Utilizando el comando merge unifique las bases del literal c) y d). (Pista: este NO es
un pegue 1:1). Guarde su base de datos definitiva.

II. ANÁLISIS DE DATOS (1.5 unidades)

Teniendo en cuenta el procedimiento anterior, usted cuenta con una base de datos que le permitirá
resolver las siguientes preguntas.

a) (0.05) ¿Para qué rango de edad se cuenta con información de ingresos? (explore la variable
de reporte _merge que se genera al realizar el pegue de la base de datos laboral_ing.dta).

b) (0.1) Muestre la distribución de las variables de calidad de vida que hacen referencia a: 1) el
material de las paredes de la vivienda, y 2) al piso de la vivienda (Tenga en cuenta el factor
de expansión. Pista: utilice el comando tab con la opción iw). Interprete brevemente y
responda ¿qué le dice este resultado respecto a la calidad de vida de los hogares
colombianos?

Dado que se tiene la información de salud en 10 variables (de la p128s1 a la p128s10), así como la
información de la calidad de vida y acceso a servicios en 6 variables (p4005, p4015, p8520s1,
p8520s3, p8520s4, p8520s5). Se propone la creación de índices que agrupen estos datos. Para esto:

c) (0.15) Genere un índice promediando las 10 variables dummies3 de salud. (Pista: sume las
10 variables y promedie). Dado que estas toman los valores entre 0 y 1, la variable resultado
debe estar en el mismo rango. Muestre las estadísticas descriptivas que usted considere que
aportan la mejor información e interprételas (tenga en cuenta el factor de expansión).

3
Variables categorícas que toman el valor de 0 o 1 dependiendo de la condición, también llamadas binarias.

6
 d) (0.15) Genere un índice promediando los valores de las 6 variables con: información de
calidad de la vivienda4 y de acceso a servicios públicos. (Pista: sume las 6 variables y
promedie). Dado que estas toman los valores entre 0 y 1, la variable resultado debe estar en
el mismo rango. Muestre las estadísticas descriptivas que usted considere que aportan la
mejor información e interprételas (tenga en cuenta el factor de expansión).

e) (0.15) Ahora estime los siguientes modelos de regresión simple:

𝑗
𝑌𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + 𝑢𝑖
𝑑𝑜𝑛𝑑𝑒 𝑗 𝜖 (1,6)

Donde la variable dependiente 𝑌𝑖 es el índice de salud que construyó en el literal c), y las
𝑗
variables independientes 𝑥𝑖 de cada modelo son las 6 variables de gastos en los alimentos
mencionados en la introducción. Por ejemplo, para el primer modelo 𝑗 = 1 usted debe
estimar:

𝑖𝑛𝑑𝑖𝑐𝑒𝑑𝑒𝑠𝑎𝑙𝑢𝑑𝑖 = 𝛽0 + 𝛽1 𝑔𝑎𝑠𝑡𝑜𝑒𝑛𝑐𝑎𝑟𝑛𝑒𝑠𝑖 + 𝑢𝑖

Muestre todas las estimaciones (6 en total) en una primera tabla con el titulo “Estimación de
regresiones simples” (opción append del comando outreg2). Interprete respecto a la
significancia individual en cada modelo y comente si los resultados son intuitivos.

f) (0.1) Presente una matriz de correlación entre los diferentes gastos en alimentos, el ingreso
de los individuos, la edad y el índice de calidad de vida y acceso a servicios públicos que se
generó en el literal d). ¿Son estas correlaciones estadísticamente significativas al 5%? A
partir de estos resultados, ¿qué implicaciones hay si se omiten estas tres variables en las
estimaciones del literal e)?

g) (0.15) Estime los modelos de regresión múltiple:

𝑗
𝑌𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + 𝕏𝑐𝑜𝑛𝑡𝑟𝑜𝑙𝑒𝑠 Φ + 𝑢𝑖
𝑑𝑜𝑛𝑑𝑒 𝑗 𝜖 (1,6)
𝑗
Manteniendo como variable dependiente 𝑌𝑖 el índice de salud y donde 𝑥𝑖 siguen siendo las
mismas variables del literal e). Ahora, debe incluir unas variables explicativas adicionales
que son: el ingreso, la edad y el índice de calidad de vida, las cuales están contenidas en la
matriz 𝕏𝑐𝑜𝑛𝑡𝑟𝑜𝑙𝑒𝑠 . Por ejemplo, para el primer modelo 𝑗 = 1 usted debe estimar:

𝑖𝑛𝑑𝑖𝑐𝑒𝑑𝑒𝑠𝑎𝑙𝑢𝑑𝑖
= 𝛽0 + 𝛽1 𝑔𝑎𝑠𝑡𝑜𝑒𝑛𝑐𝑎𝑟𝑛𝑒𝑠𝑖 + 𝛽2 𝑖𝑛𝑔𝑟𝑒𝑠𝑜𝑖 + 𝛽3 𝑒𝑑𝑎𝑑𝑖
+ 𝛽4 𝑖𝑛𝑑𝑖𝑐𝑒𝑐𝑎𝑙𝑖𝑑𝑎𝑑𝑖 + 𝑢𝑖

Muestre todas las estimaciones (6 en total) en una segunda tabla con el titulo “Estimación de
regresiones múltiples” (opción append del comando outreg2). Posteriormente:
i. Compare los resultados con el literal e).
ii. Interprete respecto a la significancia individual y dependencia global de los
modelos.
iii. ¿Los resultados son coherentes con las conclusiones del literal f)?

4
Se cuenta con variables de calidad de vivienda transformadas que toman valores en el rango entre 0 y 1,
donde el 0 representa una peor calidad y el 1 la mejor calidad.

7
h) (0.1) Realice el procedimiento de prueba de hipótesis para identificar si una persona con 50
años de edad, un índice de calidad de vivienda y servicios públicos de 0.6, ingreso de
$500.000 y un gasto en pescado de $100.000, tiene un índice de salud de 0.2. Concluya
intuitivamente que implica este resultado.

i) (0.1) Muestre la distribución de las variables que se utilizaron en las regresiones del literal
g). A partir de estos resultados responda si se recomendaría utilizar una transformación de
logaritmo natural sobre las variables. ¿Por qué y para cuáles variables en específico (si su
respuesta fue afirmativa)?

j) (0.15) Estime los modelos de regresión simple:

𝑗
i. 𝑌𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + 𝕏𝑐𝑜𝑛𝑡𝑟𝑜𝑙𝑒𝑠 Φ + 𝑢𝑖
𝑗
ii. ln(𝑌𝑖 ) = 𝛽0 + 𝛽1 𝑥𝑖 + 𝕏𝑐𝑜𝑛𝑡𝑟𝑜𝑙𝑒𝑠 Φ + 𝑢𝑖
𝑗
iii. 𝑌𝑖 = 𝛽0 + 𝛽1 ln(𝑥𝑖 ) + 𝕏𝑐𝑜𝑛𝑡𝑟𝑜𝑙𝑒𝑠 Φ + 𝑢𝑖
𝑗
iv. ln(𝑌𝑖 ) = 𝛽0 + 𝛽1 ln(𝑥𝑖 ) + 𝕏𝑐𝑜𝑛𝑡𝑟𝑜𝑙𝑒𝑠 Φ + 𝑢𝑖

𝑗
Manteniendo como variable dependiente 𝑌𝑖 el índice de salud y donde 𝑥𝑖 de cada modelo son
las variables: 1) gasto en consumo de pescado y 2) gasto en consumo de alcohol y cigarrillos.
Adicionalmente, debe incluir las siguientes variables de control en todas las especificaciones:
ingreso, edad e índice de calidad de vida que están contenidas en la matriz 𝕏𝑐𝑜𝑛𝑡𝑟𝑜𝑙𝑒𝑠 . Note
que hay 4 especificaciones (i.-iv.) donde en cada una usted debe estimar dos modelos 𝑗𝜖(1,2).
Muestre sus resultados en una tercera tabla con título: “Estimación de modelos logarítmicos
y semi-logarítmicos”. Interprete los resultados y concluya prestando especial atención a la
cantidad de observaciones con la que estiman cada uno de los modelos.

k) (0.1) A partir del resultado anterior, se propone una variación en las estimaciones del literal
j). En vez de utilizar la transformación 𝑓(𝑥) = ln(𝑥), se recomienda usar la transformación:

𝑔(𝑥) = sinh−1(𝑥) = ln (𝑥 + √1 + 𝑥 2 )

Repita el mismo procedimiento del literal j) con la variación propuesta, y muestre los
resultados en una cuarta tabla con título “Variación para la estimación de modelos
Logarítmicos y semi-logarítmicos”. Analice los resultados y responda:
i. ¿Cuál es la ventaja utilizar la inversa del seno hiperbólico?
ii. ¿Se pueden interpretar los resultados de forma similar?

l) (0.2) Con base en el proceso realizado en los literales del h) al k) argumente:

i. ¿Con que modelo trabajaría?
ii. Intente dar respuesta a la pregunta de investigación planteada inicialmente.
iii. ¿Cuál sería su recomendación de política frente a estos resultados?

8
 III. LEY DE LOS GRANDES NÚMEROS Y TEOREMA DEL LIMITE CENTRAL
(0.5 unidades)

Piense en lo costoso que sería obtener datos para todos los hogares en Colombia. Para esto, la teoría
del muestreo permite extrapolar los resultados de una muestra del total de los hogares para identificar
las características de toda la población. Con el fin de comprobar esto, utilizando la muestra que
tenemos de la ELPS asuma que el total de las observaciones de la base es la población total.

a) (0.2) Calcule 100 veces el promedio de la variable que reporta el índice de salud para tres
tamaños de muestra (10, 200, 1000 y 10000 observaciones). Almacene los resultados en una
matriz con la ayuda de los comandos para realizar ciclos en STATA (comandos foreach y
forval)
b) (0.05) Convierta la información de las matrices a variables dentro de la base de datos
(comando svmat)
c) (0.05) Realice el histograma de los promedios calculados para los 4 tamaños de muestras.
Muestre los 4 histogramas en un mismo gráfico.
d) (0.2) Explique cómo sus resultados ilustran la ley de los grandes números y el teorema el
límite central.

Referencias

Arbes Jr, S. J., Gergen, P. J., Vaughn, B., & Zeldin, D. C. (2007). Asthma cases attributable to
atopy: results from the Third National Health and Nutrition Examination Survey. Journal of Allergy
and Clinical Immunology, 120(5), 1139-1145.

Brug, J., Schols, A., & Mesters, I. (2004). Dietary change, nutrition education and chronic
obstructive pulmonary disease. Patient education and Counseling, 52(3), 249-257.

Glanz, K. (1985). Nutrition education for risk factor reduction and patient education: a
review. Preventive Medicine, 14(6), 721-752.

Kumar, N. B., Bostow, D. E., Schapira, D. V., & Kritch, K. M. (1993). Efficacy of interactive,
automated programmed instruction in nutrition education for cancer prevention. Journal of Cancer
Education, 8(3), 203-211.

Miller, C. K., Edwards, L., Kissling, G., & Sanville, L. (2002). Nutrition education improves
metabolic outcomes among older adults with diabetes mellitus: results from a randomized
controlled trial. Preventive medicine, 34(2), 252-259.

Navarro, A. M., Rock, C. L., McNicholas, L. J., Senn, K. L., & Moreno, C. (2000). Community‐
based education in nutrition and cancer: The por la Vida Cuidándome curriculum. Journal of
Cancer Education, 15(3), 168-172.

Rodgers, A. B., Kessler, L. G., Portnoy, B., Potosky, A. L., Patterson, B., Tenney, J., ... & Mathews,
O. (1994). " Eat for Health": a supermarket intervention for nutrition and cancer risk
reduction. American Journal of Public Health, 84(1), 72-76.