UNIVERSIDAD NACIONAL DEL ALTIPLANO – PUNO

ESCUELA PROFESIONAL DE INGENIERÍA ECONÓMICA

FACULTAD DE INGENIERÍA ECONÓMICA

“CONOCER LA INFLUENCIA DE UNA POLÍTICA DE PROHIBICIÓN DE

FUMAR EN LOS BARES, RESTAURANTES, SITIOS DE TRABAJO PARA
CONOCER LA PROBABILIDAD E INCIDENCIA QUE TIENE UNA PERSONA
QUE ES FUMADOR ACTUAL O ANTERIOR”

CURSO:

ECONOMETRÍA II

DOCENTE:

EDSON, APAZA MAMANI

PRESENTADO POR:

ENMANUEL, CRUZ PACSI

PUNO-PERÚ

2020
 DETERMINANTES DEL COMPORTAMIENTO DE FUMAR
¿Las prohibiciones de fumar en los bares reducen la cantidad de nuevos fumadores? Usted
examinará esta pregunta utilizando datos a nivel individual sobre si el individuo es un fumador
actual o pasado (es decir, si la persona alguna vez comenzó a fumar), explotando la variación en
las prohibiciones de fumar en todos los estados y controlando los determinantes individuales del
tabaquismo, como edad, educación y género.
La base de datos (datos_salud_fumar.dta, se describe en la Tabla 1) información que proviene
de la encuesta Nacional del Sistema de Vigilancia de Factores de Riesgo del Comportamiento del
INE, la cual utiliza una encuesta telefónica mensual representativa a nivel nacional, entre 2011 y
2019. La base de datos contiene 1’011,248 observaciones de individuos entre las edades de 18 y
50 años. Estos datos se vincularon a un conjunto de información de prohibiciones de fumar en
todo el país, que estará determinado para cada individuo como si una prohibición de fumar estaba
vigente el día que el INE los entrevistó. Nota. Las ayudas de Stata se dan luego de la Tabla 1.

I. MÉTODO Y METODOLOGÍA
1. PLANTEAMIENTO DEL PROBLEMA
1.1. DEFINICION DEL PROBLEMA

El problema es ver la probabilidad que dedican las personas con cierto grado de escolaridad,
género y edad al ámbito de fumar, cuando hay una o varias prohibiciones por parte de las
autoridades para reducir las tasas de tabaquismo.

OBJETIVO GENERAL

Encontrar la influencia de las políticas restrictivas de prohibir el ámbito de fumar en las personas
encuestadas, si estas políticas son o no efectivas y si tiene un gran impacto a la hora de reducir
los niveles de tabaquismo en las personas que fuman o anteriormente fumaron.

1.2. HIPÓTESIS PARA LAS VARIABLES

edad = Si la persona tiene un año mayor con respecto al promedio es probable que la persona sea
fumador actual o anterior.

mujer = Si la persona es mujer es probable que sea una fumadora actual o anterior.

nofumarbar = Una prohibición de fumar en bares, reduciría las tasas de tabaquismo.

nofumarrest = Una prohibición de fumar en restaurantes, reduciría las tasas de tabaquismo.

nofumartrabajo = Una prohibición de fumar en el trabajo, reduciría las tasas de tabaquismo.

1
 1. PRECENTACION DE VARIABLES

Tabla 1: Descripción de datos: datos_salud_fumar.dta

Variable Definición
edad Edad de la persona en años
escolaridad = 1 si la persona no se graduó de la escuela secundaria
= 2 si se graduó de la escuela secundaria sin educación adicional
= 3 si se graduó de la escuela secundaria con algo de educación posterior a la
escuela secundaria, pero sin título universitario de 4 años
4 = si es graduado universitario de 4 años
Nota: Estas categorías son mutuamente excluyentes
mujer = 1 si la persona es mujer
fumador = 1 si la persona es fumador actual o anterior
nofumartrabajo = 1 si una prohibición a nivel regional de fumar en los lugares de trabajo
estaba vigente en el momento en que se encuesto al encuestado
nofumarbar = 1 si una prohibición a nivel regional de fumar en bares estaba vigente en el
momento en que se encuesto al encuestado
nofumarrest = 1 si una prohibición a nivel regional de fumar en restaurantes estaba vigente
en el momento en que se encuesto al encuestado
ubigeo Código estatal UBIGEO
anho Año de entrevista

Tabla 2: Generamos las Variables Binarias Educativas a partir de la Variable escolaridad,

de la base de datos: datos_salud_fumar.dta
Variables Definición

secincompleta = 1 si el individuo se graduó de la escuela secundaria sin educación adicional

y cero en caso contrario (secundaria completa)

supincompleta = 1 si el individuo se graduó de la escuela secundaria con algo de educación

posterior a la escuela secundaria pero sin título universitario de 4 años, y cero
en caso contrario (superior incompleta)

graduado = 1 si el individuo se graduó de una universidad de 4 años, y cero en caso

contrario (superior completa)

2
 2. ESPECIFICACIÓN ECONOMÉTRICA DEL MODELO

Prob(fumador=1) = β1 + β2nofumarbar + β3nofumarrest + β4nofumartrabajo + β5mujer+

β6edad + β7secincompleta + β8supincompleta + β9graduado

3. METODO DE ESTIMACION

Para este modelo de probabilidad, vamos a utilizar 3 métodos de estimación y ver cuál es el mejor
modelo que explique nuestra variable dependiente.

1. Modelos de Elección Binaria, de Variables Dependientes Limitadas, y Estimación por

Máxima Verosimilitud (MODELO DE PROBABILIDAD LINEAL)
2. Modelos de Elección Binaria y Modelos de Variables Dependientes Limitadas, y
estimación por Máxima Verosimilitud (MODELO PROBIT)
3. Modelos de Elección Binaria y Modelos de Variables Dependientes Limitadas, y
estimación por Máxima Verosimilitud (MODELO LOGIT)

4. ELECCION DEL MEJOR MODELO APARTIR DE LA SIGUENTE

ESPESIFICACION

Tabla 3: salida para el modelo “PROBABILIDAD LINEAL”

Modelos con Variables Dependientes Limitadas del Comportamiento de Fumar
Estimado utilizando datos para individuos de 18-30 años de edad

(1) (2) (3)

Variable Dependiente: fumador fumador fumador
Método de Regresión: MPL/L/P MPL/L/P MPL/L/P
regresor:
nofumarbar -0.0302759 0.0452295 -0.0161608
nofumarrest ------ -0.1018412 0.0013968
nofumartrabajo ------ 0.03079 0.003448
mujer -0.0490037 -0.0493352 -0.0487411
edad 0.0155808 0.0156519 0.0158312
secioncompleta -0.0565717 -0.0569275 -0.0630239
supincompleta -0.1411627 -0.1415749 -0.1462454
graduado -0.3019131 -0.3041065 -0.3112343

intercepto 0.1845664 0.1908058 0.1732377

Log-likelihood -171351.157 -171038.054 -170032.178
variables dummy de región No No Si
variables dummy de año No No Si
N 253,916 253,916 253,916

3
 Tabla 4: salida para el modelo “PROBIT”
Modelos con Variables Dependientes Limitadas del Comportamiento de Fumar
Estimado utilizando datos para individuos de 18-30 años de edad

(1) (2) (3)

Variable Dependiente: fumador fumador fumador
Método de Regresión: MPL/L/P MPL/L/P MPL/L/P
regresor:
nofumarbar -0.0828049 0.1276002 -0.0448506
nofumarrest ------ -0.2831048 0.004971
nofumartrabajo ------ 0.0856062 0.0079671
mujer -0.1325673 -0.1338369 -0.1333105
edad 0.0413946 0.0416674 0.0424435
secioncompleta -0.1447586 -0.1461258 -0.163933
supincompleta -0.3628062 -0.3648619 -0.3804329
graduado -0.8068774 -0.8144118 -0.8386066

intercepto -0.8397007 -0.8240149 -0.8762113

Log-likelihood -163207.53 -162891.04 -161880.98
variables dummy de región No No Si
variables dummy de año No No Si
N 253,916 253,916 253,916

Tabla 5: salida para el modelo “LOGIT”

Modelos con Variables Dependientes Limitadas del Comportamiento de Fumar
Estimado utilizando datos para individuos de 18-30 años de edad

(1) (2) (3)

Variable Dependiente: fumador fumador fumador
Método de Regresión: MPL/L/P MPL/L/P MPL/L/P
regresor:
nofumarbar -0.1348908 0.2057136 -0.0740154
nofumarrest ------ -0.460019 0.0085835
nofumartrabajo ------ 0.140624 0.0141379
mujer -0.2164549 -0.2185756 -0.2176137
edad 0.0670281 0.0674824 0.0688012
secioncompleta -0.2322724 -0.2345827 -0.2638854
supincompleta -0.582657 -0.586075 -0.6119773
graduado -1.313412 -1.326072 -1.367563

intercepto -1.359002 -1.333777 -1.419688

Log-likelihood -163198.66 -162884.15 -161870.23
variables dummy de región No No Si
variables dummy de año No No Si
N 253,916 253,916 253,916

4
Como podemos observar en los 3 modelos de probabilidad, tanto PROBABILIDAD LINEAL,
PROBIT y LOGIT la regresión 3 siempre ha sido mejor ya que tiene un Log-Likelihood mas alto,
en este contexto podemos ordenar los modelos, de manera que podamos obtener el mejor.

Tabla 6:
Comparación de las 3 Mejores Salidas para cada Modelo de Probabilidad, para el
estadístico Máxima Verosimilitud

MODELO DE MODELO MODELO

PROBABILIDAD LINEAL PROBIT LOGIT
-170032.178 -161880.98 -161870.23

Como vemos el modelo LOGIT es el mejor modelo que estimaría nuestra variable dependiente,
por ende, es el modelo a utilizar en nuestra investigación.

PARA EL MEJOR MODELO DE ESTIMACION

1. Estime las regresiones de la Tabla 2 y complete dicha tabla, para diferentes

especificaciones econométricas. La tabla se refiere a las probabilidades estimadas
para dos casos. Estas son probabilidades pronosticadas de haber fumado alguna vez
para dos individuos hipotéticos:
 Caso A: mujer = 0, edad = 22, graduado = 1, y nofumarbar = 0.
 Caso B: igual que el caso A, excepto que nofumarbar = 1.

Ayuda para STATA

Comandos de STATA
tabulate escolaridad fumador ///
if mujer==0, row nofreq
sca zvalor_a = _b[_cons] ///
+ _b[mujer]*0 ///
+ _b[edad]*22 ///
+ _b[secincompleta]*0 ///
+ _b[supincompleta]*0 ///
+ _b[graduado]*1 ///
+ _b[nofumarbar]*0
dis normprob(zvalor_a)
regress fumador edad mujer if
edad<=30, robust
probit fumador edad mujer
i.anho
Descripción
Crea una tabla de porcentajes de celda de fumador (variable de
columna) para los diferentes valores discretos de escolaridad
(variable de fila) en el caso de que la variable mujer sea igual a 0.
Crea una constante (o "escalar") llamada "zvalor_a" que equivale a
la suma del intercepto de la regresión anterior, más 0 veces el
coeficiente en la variable mujer, más 22 veces el coeficiente en la
edad variable, más 0 veces los coeficientes en secincompleta y
supincompleta, más 1 veces el coeficiente en graduado, más 0 veces
el coeficiente en la variable nofumarbar.
Muestra (en la pantalla y el archivo log) la probabilidad normal
acumulativa, evaluada en el valor "zvalor_a".
Agregar "if edad<=30" antes de la coma le dice a Stata que use solo
datos de individuos de 30 años o menos al estimar la regresión.
Ejecuta una regresión probit de fumador en función de edad, mujer
y un conjunto de variables indicadoras que representan las diferentes
categorías de anho. Si el anho toma n valores diferentes, agregar "i"
delante creará automáticamente n-1 variables ficticias, una para cada
año, dejando fuera el primer año para evitar una multicolinealidad
perfecta (tema visto en clase).

5
 II. RESULTADOS Y DISCUSIÓN
1. TRABAJO EMPIRICO

Las probabilidades estimadas para las distintas regresiones del mejor modelo ya determinado
“LOGIT” es:

Tabla 7: salida para el modelo “PROBABILIDAD LINEAL, LOGIT”

Modelos con Variables Dependientes Limitadas del Comportamiento de Fumar
Estimado utilizando datos para individuos de 18-30 años de edad

(1) (2) (3) (4)

Variable Dependiente: fumador fumador fumador fumador
Método de Regresión: MPL/L/P MPL/L/P MPL/L/P MPL/L/P
regresor:
nofumarbar -0.03027** -0.13489** 0.20571** -0.07401**
(0.0024**) (0.01074**) (0.01842**) (0.03027** )
nofumarrest ------ ------ -0.4600** 0.00858**
(0.01837**) (0.03183**)
nofumartrabajo ------ ------ 0.1406** 0.01414**
(0.01480**) (0.02264**)
mujer -0.04900** -0.21645** -0.21857** -0.21761**
(0.00194**) (0.00851**) (0.00853**) (0.00859**)
edad 0.01558** 0.06703** 0.06748** 0.06880**
(0.0003**) (0.00121**) (0.00120**) (0.00121**)
secioncompleta -0.05657** -0.23227** -0.23458** -0.26388**
(0.00370**) (0 .01514**) (0 .0151**) (0.01522**)
supincompleta -0.14116** -0.5826** -0.5860** -0.61197**
(0.0036**) (0.0151**) (0.01514**) (0.01520**)
graduado -0.30191** -1.3134** -1.3260** -1.3675**
(0.00366**) (0.01597**) (0.01514**) (0.01616**)

intercepto 0.18457** -1.3590** -1.3337** -1.4196**

(0.00744**) (0.03200**) (0.03206**) (0.05197**)
Log-likelihood -171351.157 -163198.66 -162884.15 -161870.23
variables dummy de región No No No Si
variables dummy de año No No No Si
Probabilidades pronosticadas de ------ ------ ------ ------
fumar / dejar de fumar
Caso A 0.58917796 0.52666524 ------ ------
Caso B 0.57736419 0.51407715 ------ ------
Diferencia, Caso A menos Caso B 0.01181377 0.01258809 ------ ------
N 253,916 253,916 253,916 253,916

6
 Tabla 8:
Cambios Marginales (dy/dx) para las salidas de las regresiones (1), (2) y (3)

(1) (2) (3)

Variable Dependiente: fumador fumador fumador
Método de Regresión: MPL/L/P MPL/L/P MPL/L/P
regresor:
nofumarbar -0.0302759 -0.0315962 0.0493091
nofumarrest ------ -0.1055099
nofumartrabajo ------ 0.0335878
mujer -0.0490037 -0.0514466 -0.0519376
edad 0.0155808 0.0158638 0.0159665
secioncompleta -0.0565717 -0.054274 -0.0547882
supincompleta -0.1411627 -0.13337 -0.1340723
graduado -0.3019131 -0.2821139 -0.2843693

2. Responda las siguientes preguntas:

a) En la Tabla 7, ¿por qué los coeficientes en las regresiones (1) y (2) son diferentes? ¿Es
una de estas regresiones más confiable que la otra? ¿Por qué?

Los coeficientes de la regresión (1) y (2) son diferentes porque, utilizamos diferentes métodos de
estimación, en la regresión (1) utilizamos MÉTODO DE PROBABILIDAD LINEAL y en la
regresión (2) el mejor método de estimación “LOGIT”, en este contexto los coeficientes de
(dy/dx) los cambios marginales, varían y son ligeramente diferentes; ya que en el modelo LOGIT
las variables explicativas demuestran mejor los cambios en la variable de elección binaria
fumador, ver tabla 8.

Para saber cuál de estas regresiones es la más confiable, no tenemos que ver los coeficientes, sino
que tenemos que ver los estadísticos que nos indiquen cuál es mejor, para eso vamos a trabajar
con el estadístico de máxima verosimilitud, para cada regresión (1) y (2);

 regresión (1) es Log-likelihood = -171351.157

 regresión (2) es Log-likelihood = -163198.66

es mejor la regresión (2), ya que cuenta con un valor de máxima estimación más alta, esto que
nos indica, pues en la regresión (2) se cuenta con los betas o coeficientes de máxima estimación
para el modelo, en ese contexto nos quedamos con la regresión (2).

7
b) Considere el efecto de promulgar una prohibición de fumar en bares en las tasas de
tabaquismo de los graduados universitarios. Tienes que calcular dos estimaciones de estas
regresiones (1) y (2) en la Tabla 7 como la diferencia entre el Caso A y el Caso B.
Probabilidades pronosticadas de ------ ------
fumar / dejar de fumar

Caso A 0.58917796 0.52666524

Caso B 0.57736419 0.51407715
Diferencia, Caso A menos Caso B 0.01181377 0.01258809

i) Para las dos estimaciones en la Tabla 7, ¿los cambios pronosticados son

sensibles, y qué forma funcional se utiliza? Responda brevemente, además diga
¿por qué cree que estos resultados son (o no) sensibles a la forma funcional?
FORMA FUNCIONAL PARA EL CASO A EN LAS 2 REGRECIONES:
Caso A = β1 + β2nofumarbar + β3mujer+ β4edad + β5secincompleta + β6supincompleta +
β7graduado

Según las condiciones en la metodología:

Caso A = β1 [cons]+ β2 [nofumarbar]*0 + β3[mujer]*0+ β4[edad]*22 + β5[secincompleta]*0

+ β6[supincompleta]*0 + β7[graduado]*1

FORMA FUNCIONAL PARA EL CASO B EN LAS 2 REGRESIONES:

Caso B = β1 + β2nofumarbar + β3mujer+ β4edad + β5secincompleta + β6supincompleta +
β7graduado

Según las condiciones en la metodología:

Caso B = β1 [cons]+ β2 [nofumarbar]*1 + β3[mujer]*0+ β4[edad]*22 + β5[secincompleta]*0

+ β6[supincompleta]*0 + β7[graduado]*1

LA DIFRENCIA ENTRE EL CASO A MENOS EL CASO B

 Regresión (1): 0.01181377

 Regresión (2): 0.01258809

Las probabilidades de haber fumado alguna vez para dos individuos hipotéticos, fumador para el
Caso A y fumador para el Caso B, como podemos observar la prohibición a nivel regional de
fumar en bares que estaba vigente en el momento en que se encuestó a estas dos personas, tiene
un grado de sensibilidad reducido.

8
 ii) Para cada una de las dos estimaciones de la Tabla 7 (de las regresiones (1) y
(2)), ¿cambiaría la diferencia en las probabilidades pronosticadas si se repiten
los cálculos cambiando la edad del individuo a 28 en lugar de 22? Explique
brevemente.
Probabilidades pronosticadas de ------ ------
fumar / dejar de fumar

Caso A 0.62510478 0.56437562

Caso B 0.61357149 0.5519052
Diferencia, Caso A menos Caso B 0.01153329 0.01247042

FORMA FUNCIONAL PARA EL CASO A EN LAS 2 REGRECIONES:

Caso A = β1 + β2nofumarbar + β3mujer+ β4edad + β5secincompleta + β6supincompleta +
β7graduado

Según las condiciones en la metodología:

Caso A = β1 [cons]+ β2 [nofumarbar]*0 + β3[mujer]*0+ β4[edad]*28 + β5[secincompleta]*0

+ β6[supincompleta]*0 + β7[graduado]*1

FORMA FUNCIONAL PARA EL CASO B EN LAS 2 REGRESIONES:

Caso B = β1 + β2nofumarbar + β3mujer+ β4edad + β5secincompleta + β6supincompleta +
β7graduado

Según las condiciones en la metodología:

Caso B = β1 [cons]+ β2 [nofumarbar]*1 + β3[mujer]*0+ β4[edad]*28 + β5[secincompleta]*0

+ β6[supincompleta]*0 + β7[graduado]*1

LA DIFRENCIA ENTRE EL CASO A MENOS EL CASO B

 Regresión (1): 0.01153329

 Regresión (2): 0.01247042

Las probabilidades de haber fumado alguna vez para dos individuos hipotéticos, fumador para el
Caso A y fumador para el Caso B, como podemos observar la prohibición de que, a nivel regional
de fumar en bares que estaba vigente en el momento en que se encuestó a estas dos personas, la
sensibilidad se incrementa porque ligeramente ya que una persona de mayor edad 28 años es más
propensa a ser un fumador o haber fumado.

9
 3. Los formuladores de políticas que están a favor de considerar la prohibición de
fumar en los bares, quieren saber si la prohibición afectará el comportamiento
de fumar en su región.
a) Según las regresiones (1) y (2), ¿hay evidencia de que las prohibiciones de fumar en
bares están asociadas con tasas de tabaquismo que son:
i) significativamente más bajo y
Es claro que, ante una política para reducir la tasa de tabaquismo a nivel regional, ocasionar
que las personas con diferente nivel de escolaridad, pero menores o iguales a 30 años,
reduzcan su consumo.
ii) estadísticamente significativo?
Significancia individual: para la variable “nofomarbar” para la regresión (2); es más
significativa:

β2;

esta significancia estadística, nos permite saber que nuestra variable nofumarbar explicaría de
una forma negativa a la tendencia de fumar o haber fumado, en las personas de ciertas regios.

b) Las regiones también pueden promulgar prohibiciones de fumar en restaurantes o

lugares de trabajo. La regresión (3) examina el efecto de una prohibición de fumar en
bares que mantiene constantes otras prohibiciones de fumar. ¿Sus conclusiones sobre la
importancia de las prohibiciones de fumar son diferentes, en la regresión (3)? Suponga
una explicación de los cambios que ves en el coeficiente de prohibición de fumar de la
barra que va de la regresión (2) a la regresión (3).
(1) (2) (3)
Variable Dependiente: fumador fumador fumador
Método de Regresión: MPL/L/P MPL/L/P MPL/L/P
regresor:
nofumarbar -0.0302759 -0.0315962 0.0493091

En la regresión (3), la variable “nofumarbar” tiene un coeficiente mayor pero con una relación
positiva, porque se agregan otras variables como nofumarrest y nofumartrabajo que promulgan
las prohibiciones de no fumar en restaurantes o lugares de trabajo; en ese aspecto, si se promulga
una ley de no fumar en los bares es más probable que las personas se dediquen a fumar en 4.9%,
este nos indica que si incorporamos varios políticas de prohibición, las personas van a tener una

10
tendencia a incumplir la política de prohibición de fumar en bares, ya que los estamos
incentivando a que este fenómeno suceda, como implantamos más prohibiciones las personas van
a incumplir algunas con más propensión, en este caso es la variable nofumarbar es quien se ve
afectada.

c) La regresión (4) también incluye variables ficticias para regiones y variables ficticias
para años. Dé dos ejemplos de variables controladas en la regresión (4), pero no en la
regresión (3).
Las variables: nofumarrest y nofumartrabajo, no son significativas en el modelo (4), pero si
son controladas en el modelo (3).

β3;

β4;

d) ¿El efecto de una prohibición de fumar en el bar es estadísticamente significativo en la

regresión (4)?

β2;

e) En un párrafo, resuma sus hallazgos sobre la efectividad de la prohibición de fumar en

bares de una manera que un laico educado (que no haya tomado econometría) lo entienda.

El tabaquismo es el mayor problema de salud pública en el país, y es un problema

fundamentalmente social cuya solución exige un abordaje global que debe ser planteado desde el
marco político, en este aspecto nuestro trabajo de investigación trata de explicar la influencia de
una política de prohibición de fumar en bares, para reducir la tasa de consumo de tabaco en las
personas con cierto grado de escolaridad, género y edad menor o igual a 30. La evidencia empírica
demuestra que prohibir a las personas fumar en los bares disminuye el consumo del tabaco en un
3.2% aproximadamente, cuando no hay más políticas de prohibición de fumar en otros sitios o

11
lugares, pero que cuando se incrementamos mas políticas, las personas tienden a incumplirlas, en
este contexto la mejor forma de reducir los niveles de consumo de tabaco, es imponiendo solo
una política, la de no fumar en bares.

12