Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Marcos Herrera1
1 CONICET
1 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Esquema de la Presentación
1 Conceptos Principales
2 Descriptiva
3 Variables Aleatorias
4 Modelo
5 Sobre los Datos
6 MLG
Supuestos
MCO
7 Tests de Hipótesis
2 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
3 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
4. Econometrı́a Espacial
(7, 12, 14 y 19 de Mayo)
Dependencia y Heterogeneidad Espacial.
Tipologı́a. Contrastes de Autocorrelación Espacial.
5. Modelos Jerárquicos
(21, 26 y 28 de Mayo, 2 de Junio)
Estimación Multinivel.
Estimación de Ecuaciones Generalizadas.
6. Datos de Panel
(4, 9, 11 y 16 de Junio)
Modelos Dinámicos.
Modelos Espaciales.
4 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Evaluación
Graduados:
1 Entrega de trabajos prácticos individuales (aprobados).
2 Trabajo Final (no más de 2 alumnos): Documento de trabajo
(no más de 25 pag.) con la siguiente estructura tentativa:
Introducción
Revisión de la literatura
Metodologı́a
Datos y Análisis descriptivo
Resultados
Referencias bibliográficas
Alumnos:
1 Cumplir con los puntos 1 y 2 de graduados.
2 Clases: 80 % de asistencia.
5 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Econometrı́a
Ragnar Frisch (1933):
7 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Datos observacionales:
Datos censales.
Encuestas: presenciales, en puntos de compra, por internet, etc.
Observacional: datos recolectados por muestreo sin controlar
las caracterı́sticas de los mismos (St ).
St es una muestra de tamaño n de una función de distribución
poblacional F (Zt |θt ), donde Zt es un conjunto de variables de
interés y θt es un vector de parámetros, obtenida en un
periodo o intervalo temporal t.
8 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Proceso Generador
9 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
10 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Mediana muestral:
y(n+1)/2 impar
ymed = 1
2 yn/2 + y(n/2+1) par
donde se han ordenado los valores tal que yi ≤ yi+1 , ∀i.
11 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Medidas de dispersión
Varianza muestral:
n
1 X
s2 = (yi − y )2
n−1
i=1
12 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Medidas de distribución
Medida de Asimetrı́a:
A = m3 /s 3
Medida de Curtosis:
K = m4 /s 4
n
donde mr es el momento centrado de orden r : mr = 1P
n (yi − y )r .
i=1
Si la distribución es próxima a la normal, los valores de estas
medidas serán: A ∼ =0yK ∼ = 3.
13 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Medidas de Asociación
Covarianza muestral:
n
1 X
sxy = (xi − x) (yi − y )
n − 1 i=1
Correlación muestral:
sxy
rxy =
.
sx sy
En el caso de más de dos variables, se suele presentar la matriz de
varianzas-covarianzas:
s12 ···
s12 s1p
s21 s22 ··· s2p
Var − Cov =
.. .. .. ..
. . . .
sp1 sp2 ··· sp2
q
La matriz de correlación es la similar con cada elemento como rjk = sjk / sj2 sk2 .
Ver Stata: 1.1 descriptiva
14 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
pi = P (y = vi ) ,
P
tal que pi ≥ 0 y pi = 1.
i
Adicionalmente, puede definirse la función de distribución acumulada:
X
F (v ) = P [y ≤ v ] = pi ,
i,vi ≤v
15 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
F (v ) = P [y ≤ v ] .
dF (v ) Rb
tal que f (v ) = dv
, y P (a < y ≤ b) = F (b) − F (a) = f (v ) dv .
a
16 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Momentos poblacionales
Media Poblacional
X
µ = E [y ] = yi pi
i
+∞
Z
= yf (y ) dy
−∞
Varianza Poblacional
h i X
σ 2 = E (y − µ)2 = (yi − µ)2 pi
i
+∞
Z
= (y − µ)2 f (y ) dy
−∞
pij = P [x = vi , y = wj ]
La función de distribución acumulada conjunta es:
X
F [v , w ] = P [x ≤ v , y ≤ w ] = pij
(i,j);vi ≤v ,wj ≤w
19 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Covarianza y Correlación
Para variables continuas la covarianza se define como:
= E (xy ) − E (x) E (y )
cov (x, y )
ρxy =
σx σy
Dos variables no están correlacionadas si ρxy = 0, que implica:
E (xy ) = E (x) E (y )
20 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Distribución condicional
P [x = vi , y = wj ] pij
P [y = wj |x = vi ] = =
P [x = vi ] pi
Para el caso de variables continuas:
f (v , w )
fy |x=v (w ) =
fx (v )
Por lo tanto, la media condicional de y dado x viene dada por
Z
E [y |x] = wfy |x=v (w ) dw
21 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Independencia
Para variables discretas, si y solo si para todo (vi , wj ):
P [y = wj |x = vi ] = P [x = vi ] P [y = wi ]
f (v , w ) = f (v ) f (w )
Bajo independencia:
la distribución conjunta se obtiene por multiplicación de las
marginales.
la media y varianza condicional son iguales a los momentos no
condicionados.
Las variables independientes siempre tienen correlación 0, pero la
inversa no es cierta.
22 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Algunas Distribuciones
El caso más simple es una variable discreta que asume dos valores,
0 y 1, tal que
Distribución Bernoulli:
f (y ) = p y (1 − p)1−y , y = {0, 1}
tal que:
p si y = 1
f (y , p) =
1 − p si y = 0
Los momentos de esta distribución son:
E (y ) = p
Var (y ) = p (1 − p)
23 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Algunas Distribuciones
Si tenemos n variables i.i.d, con distribución Bernoulli, entonces:
X
y= yi ∼ B (n, p)
i
Distribución Binomial
n!
f (y ) = p y (1 − p)n−y
y ! (n − y )!
donde y = {0, 1, . . . , n}
Los momentos de esta distribución son:
E (y ) = np
Var (y ) = np (1 − p)
24 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Algunas Distribuciones
25 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Algunas Distribuciones
26 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Algunas Distribuciones
Otras distribuciones útiles son:
Chi-cuadrado
Si y = yi2 , tal yi ∼ i.i.d.N (0, 1) entonces:
P
i
F de Snedecor
Si y1 ∼ χ2 (r1 ) y y2 ∼ χ2 (r2 ) entonces:
y1/r1
∼ F (r1 , r2 )
y2/r2
27 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Conceptos
28 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Modelo Estructural
Dado un conjunto de datos observados, establecemos un modelo
estructural (Cowles Commision) como:
1 Un
conjunto
de variables Z particionadas en forma conveniente:
y x ;
2 Una distribución de probabilidad conjunta de Z , F (Z , θ);
3 Un ordenamiento a priori de Z de acuerdo a un modelo causal
hipotético y un conjunto de restricciones del modelo.
4 Especificación de la forma funcional del modelo (paramétrica, no
paramétrica o semiparamétrica).
Un modelo estructural (en forma implı́cita) puede resumirse como:
g (yi , xi , ui |θ) = 0
Forma Reducida
yi = g (xi , ui |π) .
Esta es la forma reducida del modelo estructural, donde π is un
vector de parámetros que son funciones de θ.
Si yi = f (xi , ui |π) tiene una forma funcional conocida y es
aditivamente separable en xi y ui , entonces:
30 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
E (y |x1 , x2 , . . . , xk ) = m (x1 , x2 , . . . , xk ) .
m (.) es llamada función de expectativa condicional, siendo función
de las variables explicativas observadas.
Si las variables son continuas, entonces:
Z
m (x) = E (y |x) = yfy |x (y |x) dy
31 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
u = y − m (x)
Por construcción, esto genera la fórmula:
y = m(x) + u
Se cumple que E (u|x) = 0, que es llamada restricción de media
condicional o independencia promedio:
Exogeneidad
F (Z , θ) = f (y |x, θ) × f (x, θ) .
Un caso especial ocurre cuando:
34 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Exogeneidad Débil
35 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Independencia Condicional
Supongamos
que particionamos
las variables en
Z = y x1 x2 . Luego, x1 e y son condicionalmente
independientes dada x2 si:
f (y |x1 , x2 ) = f (y |x2 ) .
Esta independencia condicional es más fuerte que la habitual que
es en términos de esperanza:
E (y |x1 , x2 ) = E (y |x2 ) .
Esta condición puede ser interpretada como no-causalidad de
Granger en un entorno temporal.
36 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Exogeneidad Fuerte
37 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Exogeneizando Variables
38 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Modelo uniecuacional
yi = xi β + ui
donde en el vector xi se encuentra comprendida la variable
endógena y la exógena.
39 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Datos observacionales
40 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
41 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
42 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Sesgo muestral
43 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
44 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Problema de No-respuesta
45 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Datos faltantes
46 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Error de medición
47 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Desgaste muestral
48 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Corte transversal
id x1 x2 x3
1 2 0 2,5
2 4,6 1 1,5
.. .. .. ..
. . . .
n 6,8 0 2,0
49 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Datos de Panel
id tiempo x1 x2 x3
1 1 2 0 2,5
id x1t1 x1t2 x2t1 x2t2 x3t1 x3t2
1 2 4,6 0 3,1
1 2 4,6 0 0 2,5 3,1
2 1 2,8 1 5,7
2 2,8 2,3 1 1 5,7 9,2
2 2 2,3 1 9,2 .. .. .. .. .. .. ..
.. .. .. .. .. . . . . . . .
. . . . .
n 6,8 3,2 1 1 5,2 2,0
n 1 6,8 1 5,2
n 2 3,2 1 2,0
50 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Supuestos
yi = xi β + ui
52 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Supuestos
y = Xβ + u,
0
donde y = y1 y2 · · · yn es n × 1 y
0
X = x1 x2 · · · xn .
1 x21 x31 ··· xk1
1
x22 x32 ··· xk2
X= 1
x23 x33 ··· xk3
.. .. .. .. ..
. . . . .
1 x2n x3n ··· xkn
53 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Supuestos
r (X) = k
3 Estabilidad del vector de parámetros β: un único modelo explica
toda la muestra
54 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Supuestos
var(ui ) = E ui2 = σ 2 , ∀i
2 No autocorrelación
cov(ui , uj ) = E (ui uj ) = 0, ∀i 6= j
0
h i
Matricialmente: V (u) = E (u − E u) (u − E u) = σ 2 In
3 Perturbaciones Normalmente Distribuidas:
u ∼ N (0, σ 2 In )
55 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
MCO
Estimador MCO
donde
n
X
S(β) = (yi − xi β)2
i=1
= (y − Xβ)0 (y − Xβ)
= y0 y − 2β 0 X0 y + β 0 X0 Xβ
56 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
MCO
Estimador MCO
La derivada parcial de S(β) respecto a β es igual:
∂S(β)
= −2X0 y + 2X0 Xβ̂ = 0
∂β 0
De la condición surge un sistema de k ecuaciones (sistema de ecuaciones
normales):
X0 Xβ̂ = X0 y
ˆ
··· ··· β1
1 1 1 1 x21 xk1
x21 x22 ··· x2n 1 x22 ··· xk2 β̂2
X0 Xβ̂ =
.. .. .. .. .. .. .. .. .
..
. . . . . . . .
xk1 xk2 ··· xkn 1 x2n ··· xkn β̂k
···
1 1 1 y1
x21 x22 ··· x2n y2
X0 y =
.. .. .. .. ..
. . . . .
xk1 xk2 ··· xkn yn
57 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
MCO
Estimador MCO
β̂ = (X0 X)−1 X0 y.
Luego, puede obtenerse una estimación de la expectativa
condicional de y (predicciones):
ŷ = Xβ̂
y una estimación de los errores o perturbaciones (residuos):
û = y − Xβ̂ = y − ŷ
58 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
MCO
P
1 La suma de los residuos es nula: ûi = 0.
i
2 La regresión pasa los puntos medios de las variables
explicativas: y = xβ̂
3 Los residuos no se correlacionan con las variables explicativas:
0
cov (X, û) = X û = 0
La estimación de la varianza σ 2 o parámetro de dispersión es:
P 2
ûi 0
û û
σ̂ 2 = i =
n−k n−k
59 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
MCO
Propiedades Finitas de β̂
1 Insesgadez: E β̂ = β
Normalidad: β̂ ∼ N β, (X 0 X )−1 σ 2
2
60 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
MCO
Propiedades Finitas de σ̂ 2
Asumiendo que
0 −1 0
û = y − X β̂ = y − X X X X y
0 −1
= In − X X X X 0 y = My
0 0 0
u Mu
û û = u Mu ⇒ σ2
∼ χ2n−k
Insesgadez: E σ̂ 2 = σ 2
No ELIO, ni eficiente
61 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
MCO
Propiedades Asintóticas de β̂
1 Insesgadez asintótica: lim E β̂n = β
n→∞
2 Consistencia: Dos condiciones suficientes (1) insesgadez asintótica y (2)
varianza converge a cero.
σ 2 X 0 X −1
lim V β̂ = lim ( )
n→∞ n→∞ n n
= 0 × Q −1
p
β̂ → β o plim β̂ = β
3 Normalidad Asintótica (TCL, convergencia en distribución)
β̂ − β (X 0 X )−1 X 0 u
=
0 −1 0
√ X X X u
n β̂n − β = √
n n
√
d
n β̂n − β0 → N 0, σ 2 QX−1
No se asume normalidad, solo i.i.d de las perturbaciones
Ver Matlab: 1.8 asintótica. (LGN y TCL) 62 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
MCO
Intervalo de estimación de β̂
y por lo tanto:
β̂j − βj
q ∼ N [0, 1]
−1
σ 2 (X 0 X )jj
Además, hemos establecido:
0
û û
∼ χ2n−k
σ2
63 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
MCO
Intervalo de estimación de β̂
β̂ −βj
r j
−1
σ 2 (X 0 X )jj
β̂j − βj
r 0
= q ∼ tn−k
−1
û û
σ2
σ̂ (X 0 X )jj
n−k
Fijando
h un nivel de confianza,
i (1 − α), tenemos que
β̂j −βj
Pr −tα/2 < seˆ j < tα/2 = 1 − α
y entonces:
β̂j ± tα/2 se
ˆ j (j = 1, . . . , k)
64 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
MCO
Bondad de Ajuste
65 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
MCO
Bondad de Ajuste
SCE SCR
1 Coef. de Determinación: R 2 = SCT =1− SCT ,
2 SCR/(N−k)
1 Coef. de Determinación corregido: R = 1 − SCT/(N−1)
donde: P
0
SCR = ûi2 = û û,
0
SCT = y y − ny 2
0 0
SCE = SCT − SCR = β̂ X y − ny 2 .
66 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
MCO
Bondad de Ajuste
67 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Conceptos Generales
68 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Tamaño y Potencia
¿Como actúa el contraste?:
69 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
70 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Si t̂0 ∈ Rc ⇒ Rechazar H0
Si t̂0 ∈
/ Rc ⇒ No Rechazar H0 .
71 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
72 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Pasos Secuenciales
Si F̂0 ∈ Rc ⇒ Rechazar H0
Si F̂0 ∈
/ Rc ⇒ No Rechazar H0 .
73 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
1 Si H0 : β2 = 0, . . . , βk = 0
SCE R2
(k−1) (k−1)
El contraste es: FAV = SCR = 1−R 2
∼ F (k − 1, n − k)
(n−k) (n−k)
2 Si H0 : βj0 = 0
74 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
N→∞
76 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Normalidad: Jarque-Bera
h 2 i
g (g2 −3)2
JB = (n − k) 61 + 24
∼ χ22 , siendo g1 el coef. de asimetrı́a y g2 el
coef. de curtosis.
77 / 78
Programa Conceptos Principales Descriptiva Variables Aleatorias Modelo Sobre los Datos MLG Tests de Hipótesis
Heterocedasticidad
2
White: W = nRAux ∼ χ2q , siendo RAux
2
el coef. de determinación de
2
la reg. auxiliar con var. dep. ûi contra productos cuadrados e
interacciones de q variables explicativas más una constante.
78 / 78