Dummies 1

VARIABLES FICTICIAS O DUMMIES
o Se emplean para incluir en el modelo variables cualitativas o categóricas

o Son variables binarias ya que adoptan sólo dos valores, 0 o 1.
o Cuando queremos incorporar al modelo una variable categórica es necesario determinar claramente
todas las categorías posibles (que deben ser exhaustivas y excluyentes) y definir una variable dummy
para cada categoría
¿Cómo plantear el modelo?
1. Modelo sin constante e incorporando todas las dummies.

• En este caso la interpretación de los coeficientes es igual a cómo la veníamos desarrollando.
2. Modelo con constante y omitiendo una de las dummies.
• En este caso los coeficientes de las dummies se interpretan en función de la categoría omitida, es
decir que son la diferencia en el valor esperado de “y” del grupo que se está considerando y del
grupo omitido.
Mujeres Hombres
Ingreso promedio 31503 49024
Modelo 1: MCO, usando las observaciones 1-52884

Variable dependiente: ingreso
coeficiente Desv. típica Estadístico t valor p

-----------------------------------------------------------------
const 49023,6 1220,84 40,16 0,0000 ***
mujer −17520,5 1796,40 −9,753 1,87e-022 ***
Media de la vble. dep. 40931,58 D.T. de la vble. dep. 206136,6

Suma de cuad. residuos 2,24e+15 D.T. de la regresión 205953,4
R-cuadrado 0,001796 R-cuadrado corregido 0,001777
F(1, 52882) 95,12292 Valor p (de F) 1,87e-22
Log-verosimilitud −722095,3 Criterio de Akaike 1444195
Criterio de Schwarz 1444212 Crit. de Hannan-Quinn 1444200

-----------------------------------------------------------------
mujer 31503,1 1317,81 23,91 1,24e-125 ***
hombre 49023,6 1220,84 40,16 0,0000 ***

F(1, 52882) 95,12292 Valor p (de F) 1,87e-22
Ejemplo
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑖 = 𝛽0 + 𝛽1 𝑀𝑢𝑗𝑒𝑟𝑖 + 𝛽2 𝑒𝑑𝑢𝑐𝑖 + 𝜇𝑖
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑖 = 𝛾1 𝐻𝑜𝑚𝑏𝑟𝑒𝑖 + 𝛾2 𝑀𝑢𝑗𝑒𝑟𝑖 + 𝛽2 𝑒𝑑𝑢𝑐𝑖 + 𝜇𝑖
1 𝑠𝑖 𝑙𝑎 𝑝𝑒𝑟𝑠𝑜𝑛𝑎 𝑒𝑠 𝑚𝑢𝑗𝑒𝑟
Mujer𝑟𝑖 =
0 𝑠𝑖 𝑙𝑎 𝑝𝑒𝑟𝑠𝑜𝑛𝑎 𝑒𝑠 ℎ𝑜𝑚𝑏𝑟𝑒
Si considerara a los varones (sexo=0)
E 𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑖 /𝑀𝑢𝑗𝑒𝑟 = 0 = 𝛽0 + 𝛽2 𝑒𝑑𝑢𝑐𝑖
E 𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑖 /𝐻𝑜𝑚𝑏𝑟𝑒 = 1 = 𝛾1 + 𝛽2 𝑒𝑑𝑢𝑐𝑖
Si considerara a las mujeres (sexo=1)
E 𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑖 /𝑀𝑢𝑗𝑒𝑟 = 1 = (𝛽0 + 𝛽1 ) + 𝛽2 𝑒𝑑𝑢𝑐𝑖
E 𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑖 /𝑀𝑢𝑗𝑒𝑟 = 1 = 𝛾2 + 𝛽2 𝑒𝑑𝑢𝑐𝑖
o El coeficiente de estas variables recoge las diferencias en las constante (término independiente, intercepto) entre el
grupo representado por la dummy y la categoría de referencias.

-----------------------------------------------------------------
const 557,512 2367,25 0,2355 0,8138
mujer −24680,9 1811,88 −13,62 3,51e-042 ***
educ 4624,35 193,887 23,85 4,56e-125 ***

F(2, 52881) 332,5022 Valor p (de F) 3,1e-144
En un modelo con constante:
• Prueba de significación del coeficiente asociado a una dummy
𝐻0 )𝛽1 = 0
𝐻1 )𝛽1 ≠ 0
Si no rechazo 𝐻0 implicaría que no existe diferencias en el valor esperado de “y” entre hombres y
mujeres, es decir que el sexo no influye en la determinación del valor esperado de “y”
En un modelo sin constante:
La misma prueba se plantea:

𝐻0 )𝛾1 = 𝛾2
𝐻1 )𝛾1 ≠ 𝛾2
Si no rechazo 𝐻0 implicaría que no existe diferencias en el valor esperado de “y” entre hombres y
mujeres, es decir que el sexo no influye en la determinación del valor esperado de “y”
La trampa de las dummies
• Si se incluyen en el modelo la constante y todas las dummies se cae en la “trampa de la dummies”, que
implica que la matriz X no es de rango completo (el modelo tiene multicolinealidad perfecta) ya que la
suma de todas las dummies conforma una columna de unos, que es igual a la primer columna de la matriz
X.
• Cuando no se cumple el supuesto de que la matriz X es de rango completo, no existe la inversa de la matriz
(X’X) y por tanto no es posible obtener estimaciones únicas de los parámetros.
¿Qué pasa si la variable categórica tiene más de dos categorías?


----------------------------------------------------------------
const 53489,0 1418,69 37,70 5,34e-307 ***
int_urb_gde −21611,4 1964,03 −11,00 3,94e-028 ***
int_urb_peq −26067,1 3101,24 −8,405 4,37e-017 ***
int_rur −6816,20 3860,62 −1,766 0,0775 *

F(3, 52880) 49,78033 Valor p (de F) 4,06e-32
¿Qué pasa si cambio la categórica de referencia?


----------------------------------------------------------------
const 46672,8 3590,50 13,00 1,42e-038 ***
int_urb_gde −14795,2 3838,81 −3,854 0,0001 ***
int_urb_peq −19251,0 4527,33 −4,252 2,12e-05 ***
montevideo 6816,20 3860,62 1,766 0,0775 *

F(3, 52880) 49,78033 Valor p (de F) 4,06e-32
¿Qué pasa si redefino las categorías de la variable?


---------------------------------------------------------------
const 32625,5 1154,00 28,27 1,55e-174 ***
montevideo 20863,6 1828,95 11,41 4,17e-030 ***

F(1, 52882) 130,1285 Valor p (de F) 4,17e-30
¿cómo cambia la interpretación si la variable dependiente tiene logaritmo?


---------------------------------------------------------------
const −39948,3 4130,62 −9,671 4,17e-022 ***
montevideo 10354,5 1886,75 5,488 4,08e-08 ***
mujer −23763,4 1815,53 −13,09 4,38e-039 ***
educ 4569,70 206,787 22,10 1,01e-107 ***
edad 623,690 79,6123 7,834 4,81e-015 ***
antig 89,2819 8,59254 10,39 2,89e-025 ***

F(5, 52878) 215,3697 Valor p (de F) 3,0e-228
Variable dependiente: l_ingreso

---------------------------------------------------------------
const 8,94915 0,0175525 509,9 0,0000 ***
montevideo 0,182163 0,00801750 22,72 9,84e-114 ***
mujer −0,442689 0,00771485 −57,38 0,0000 ***
educ 0,0790857 0,000878714 90,00 0,0000 ***
edad 0,00161021 0,000338301 4,760 1,94e-06 ***
antig 0,00203804 3,65128e-05 55,82 0,0000 ***

Suma de cuad. residuos 39766,55 D.T. de la regresión 0,867204
F(5, 52878) 3679,014 Valor p (de F) 0,000000
Log-verosimilitud −67501,20 Criterio de Akaike 135014,4
Criterio de Schwarz 135067,7 Crit. de Hannan-Quinn 135031,0
Interacciones con variables Dummies
 Las interacciones son variables que se construyen multiplicando dos variables.

 Representan el efecto conjunto de las dos variables que interactúan.
 Representan un posible impacto diferencial en el efecto de parcial de las variables que interactúan.
 Asimismo, se mantienen las variables originales en el modelo, representando el efecto parcial cuando la variable con la
que interactúan vale 0.
Ejemplo
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑖 = 𝛽0 + 𝛽1 𝑀𝑢𝑗𝑒𝑟𝑖 + 𝛽2 𝑒𝑑𝑢𝑐𝑖 + 𝜇𝑖
𝑀𝑢𝑗𝑒𝑟𝑋𝑒𝑑𝑢𝑐𝑖 = 𝑀𝑢𝑗𝑒𝑟𝑖 ∗ (𝑒𝑑𝑢𝑐𝑖 )
Supongamos que los datos son:
1 8 8
1 12 12
0 15 0
𝑀𝑢𝑗𝑒𝑟𝑋𝑒𝑑𝑢𝑐𝑖 = 1 ∗ 15 = 15
0 9 0
0 7 0
⋮ ⋮ ⋮
Se podría plantear otro modelo incorporando la interacción:
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑖 = 𝛼0 + 𝛼1 𝑀𝑢𝑗𝑒𝑟𝑖 + 𝛼2 𝑒𝑑𝑢𝑐𝑖 + 𝛼3 𝑀𝑢𝑗𝑒𝑟𝑋𝑒𝑑𝑢𝑐𝑖 + 𝑣𝑖


-----------------------------------------------------------------
const 557,512 2367,25 0,2355 0,8138
mujer −24680,9 1811,88 −13,62 3,51e-042 ***
educ 4624,35 193,887 23,85 4,56e-125 ***

F(2, 52881) 332,5022 Valor p (de F) 3,1e-144
Modelo INTERACCION: MCO, usando las observaciones 1-52884

---------------------------------------------------------------
const −11879,5 3088,91 −3,846 0,0001 ***
mujer 2699,64 4731,19 0,5706 0,5683
educ 5811,02 271,013 21,44 1,48e-101 ***
mujerXeduc −2428,96 387,735 −6,264 3,77e-010 ***

F(3, 52880) 234,9096 Valor p (de F) 2,0e-151
TEST DE CAMBIO ESTRUCTURAL DE CHOW
 Mediante este test se busca chequear si se puede aplicar un único modelo a toda la muestra, o si en realidad los 𝛽
son diferentes para los diferentes grupos, y por consiguiente lo correcto es estimar un modelo diferente para cada
grupo.
 En caso de existir cambio estructural lo parámetros no serían constantes para los diferentes grupos, y no se cumpliría
el primer supuesto clásico.
 Este contraste se emplea para chequear:
 Si la constante, es la misma entre los diferentes grupos
 Si las pendientes (de algunos o todos los regresores) son iguales entre los diferentes grupos
 Si la constante y las pendientes son iguales entre los diferentes grupos
 Existen dos caminos para plantear estas pruebas (estimando modelos diferentes para cada grupo, o empleando
dummies).
TESTEAR LA IGUALDAD DE CONSTANTE Y PENDIENTE
1. Modelo Restricto (la restricción es suponer que es posible ajustar un único modelo a toda la muestra)
𝑦𝑖 = 𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 + 𝑢𝑖
Este modelo se estima con N observaciones.
2. Modelo sin Restricciones (se compone por tantas ecuaciones como grupos diferentes estemos considerando)
𝑦 = 𝛼0 + 𝛼1 𝑥1𝑖 + 𝛼2 𝑥2𝑖 + 𝑢1𝑖 𝑐𝑜𝑛 𝑁1 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠 (𝑒𝑗𝑒𝑚𝑝𝑙𝑜: 𝑚𝑢𝑗𝑒𝑟𝑒𝑠)

ቊ 𝑖
𝑦𝑖 = 𝛾0 + 𝛾1 𝑥1𝑖 + 𝛾2 𝑥2𝑖 + 𝑢2𝑖 𝑐𝑜𝑛 𝑁2 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠 (𝑒𝑗𝑒𝑚𝑝𝑙𝑜: ℎ𝑜𝑚𝑏𝑟𝑒𝑠)
Con 𝑁 = 𝑁1 + 𝑁2
𝐻0 )𝛼0 = 𝛾0
𝛼1 = 𝛾1
𝛼2 = 𝛾2
𝐻1 )𝐴𝑙𝑔ú𝑛 𝛼𝑖 ≠ 𝛾𝑖 ∀ 𝑖 = 0, 1, 2
Bajo 𝐻0 cierta y suponiendo normalidad del error
𝑆𝐶𝑅𝑅 − 𝑆𝐶𝑅𝑆𝑅 /𝑞
𝐹= ~ 𝐹𝑞,(𝑁−2𝑘−2)
𝑆𝐶𝑅𝑆𝑅 /(𝑁 − 2𝑘 − 2)
𝑆𝐶𝑅𝑅 es la suma de cuadrados residuales del modelo restricto
𝑆𝐶𝑅𝑆𝑅 es la suma de cuadrados residuales del modelo sin restricciones; 𝑆𝐶𝑅𝑆𝑅 = 𝑆𝐶𝑅1 + 𝑆𝐶𝑅2
1−𝛼
𝑅𝐶 = 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑠/𝐹 > 𝐹𝑞,(𝑁−2𝑘−2)
Donde q es la cantidad de restricciones a contrastar, N el número total de observaciones y “K” el número de regresores del modelo restricto.
Otras forma de plantear el estadístico es:
2
𝑅𝑆𝑅 − 𝑅𝑅2 /𝑞
𝐹= 2 ~ 𝐹𝑞,(𝑁−2𝑘−2)
1 − 𝑅𝑆𝑅 /(𝑁 − 2𝑘 − 2)
TEST DE CAMBIO ESTRUCTURAL CON DUMMIES
 Para testear la constancia de la constante y todas la pendientes necesitamos un modelo que tenga a la dummy (que
divide los dos grupos a los que les queremos testear la constancia de parámetros) y a todas las interacciones con
ella.
𝑦𝑖 = 𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 + 𝛽3 𝑀𝑖 + 𝛽4 𝑥1𝑖 𝑀𝑖 + 𝛽5 𝑥2𝑖 𝑀𝑖 + 𝑢𝑖
La prueba consiste en la significación conjunta de los coeficientes asociados a la dummy, y a todas las interacciones.
𝐻0 )𝛽3 = 𝛽4 = 𝛽5 = 0
𝐻1 )𝐴𝑙𝑔ú𝑛 𝛽𝑖 ≠ 0 ∀𝑖 = 3,4, 5
Si no rechazo 𝐻0 implicaría que los coeficientes son constantes entre grupos, es decir que existe un único modelo para
los diferentes grupos.
 Las interacciones que se incorporan en el modelo dependen de las pendientes que se quieran testear.
Limitaciones del contraste de cambio estructural
a) Es necesario conocer previamente el punto donde se daría el cambio estructural.

b) El contraste pierde potencia si alguna de las submuestras tiene pocas observaciones (subrepresentada).
c) Si la varianza del error no es constante (heteroscedasticidad) puede inducir a pensar que hay cambio
estructural cuando en realidad no es así.
EJEMPLO


-----------------------------------------------------------------
const −39741,4 4131,59 −9,619 6,93e-022 ***
mujer −23727,9 1816,02 −13,07 5,93e-039 ***
educ 4876,09 199,163 24,48 1,22e-131 ***
antig 88,5789 8,59395 10,31 6,91e-025 ***
edad 636,629 79,5993 7,998 1,29e-015 ***

F(4, 52879) 261,5386 Valor p (de F) 5,7e-223
Modelo MUJERES: MCO, usando las observaciones 1-24425

-----------------------------------------------------------------
const −30954,9 3683,40 −8,404 4,55e-017 ***
educ 3408,93 162,942 20,92 2,41e-096 ***
antig 73,6351 7,51014 9,805 1,18e-022 ***
edad 323,194 68,1695 4,741 2,14e-06 ***

F(3, 24421) 237,8873 Valor p (de F) 3,8e-152
Modelo HOMBRES: MCO, usando las observaciones 1-28459

-----------------------------------------------------------------
const −63708,8 6754,61 −9,432 4,32e-021 ***
educ 6229,78 346,480 17,98 6,96e-072 ***
antig 103,046 14,1597 7,277 3,49e-013 ***
edad 826,268 132,831 6,220 5,03e-010 ***

F(3, 28455) 167,2781 Valor p (de F) 1,7e-107
Modelo dummies: MCO, usando las observaciones 1-52884

----------------------------------------------------------------
const −63708,8 5359,58 −11,89 1,52e-032 ***
mujer 32753,8 8477,41 3,864 0,0001 ***
educ 6229,78 274,921 22,66 3,83e-113 ***
antig 103,046 11,2353 9,172 4,82e-020 ***
edad 826,268 105,397 7,840 4,61e-015 ***
MujerXeduc −2820,86 400,006 −7,052 1,78e-012 ***
MujerXantig −29,4113 17,4808 −1,682 0,0925 *
MujerXedad −503,074 160,889 −3,127 0,0018 ***

F(7, 52876) 159,7808 Valor p (de F) 9,7e-235
Modelo educ - antig: MCO, usando las observaciones 1-52884

----------------------------------------------------------------
const −55021,0 4583,53 −12,00 3,74e-033 ***
mujer 11211,9 4940,34 2,269 0,0232 **
educ 6123,54 272,836 22,44 4,84e-111 ***
antig 116,068 10,4359 11,12 1,06e-028 ***
edad 610,376 79,6393 7,664 1,83e-014 ***
MujerXeduc −2509,98 387,485 −6,478 9,40e-011 ***
MujerXantig −59,4347 14,6089 −4,068 4,74e-05 ***

F(6, 52877) 184,7507 Valor p (de F) 8,9e-234
TEST PREDICTIVO DE CHOW
Cuando alguno de los grupos (𝑁1 𝑜 𝑁2 ) no tiene suficientes observaciones como para estimar el modelo sin
restricciones, se debe aplicar el test predictivo de Chow.
Pasos (supongo que N1 no alcanza para estimar un modelo):
a) Se estima el modelo Restricto (con el grupo que tiene más observaciones, ej 𝑁2 ) y se calcula 𝑆𝐶𝑅𝑅
b) Se estima el modelo con todas las observaciones (N1+N2), y se calcula la 𝑆𝐶𝑅𝑆𝑅
c) Se emplea el siguiente estadístico:
𝑆𝐶𝑅𝑅 − 𝑆𝐶𝑅𝑆𝑅 /𝑁1
𝐹= ~ 𝐹𝑁1 ,(𝑁2 −𝑘−1)
𝑆𝐶𝑅𝑆𝑅 /(𝑁2 − 𝑘 − 1)

Dummies 1

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

Dummies 1

Cargado por

Copyright:

Formatos disponibles

VARIABLES FICTICIAS O DUMMIES

o Se emplean para incluir en el modelo variables cualitativas o categóricas

1. Modelo sin constante e incorporando todas las dummies.

Modelo 1: MCO, usando las observaciones 1-52884

coeficiente Desv. típica Estadístico t valor p

Media de la vble. dep. 40931,58 D.T. de la vble. dep. 206136,6

coeficiente Desv. típica Estadístico t valor p

Media de la vble. dep. 40931,58 D.T. de la vble. dep. 206136,6

𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑖 = 𝛽0 + 𝛽1 𝑀𝑢𝑗𝑒𝑟𝑖 + 𝛽2 𝑒𝑑𝑢𝑐𝑖 + 𝜇𝑖

𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑖 = 𝛾1 𝐻𝑜𝑚𝑏𝑟𝑒𝑖 + 𝛾2 𝑀𝑢𝑗𝑒𝑟𝑖 + 𝛽2 𝑒𝑑𝑢𝑐𝑖 + 𝜇𝑖

E 𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑖 /𝑀𝑢𝑗𝑒𝑟 = 0 = 𝛽0 + 𝛽2 𝑒𝑑𝑢𝑐𝑖

E 𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑖 /𝐻𝑜𝑚𝑏𝑟𝑒 = 1 = 𝛾1 + 𝛽2 𝑒𝑑𝑢𝑐𝑖

Si considerara a las mujeres (sexo=1)

E 𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑖 /𝑀𝑢𝑗𝑒𝑟 = 1 = (𝛽0 + 𝛽1 ) + 𝛽2 𝑒𝑑𝑢𝑐𝑖

E 𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑖 /𝑀𝑢𝑗𝑒𝑟 = 1 = 𝛾2 + 𝛽2 𝑒𝑑𝑢𝑐𝑖

coeficiente Desv. típica Estadístico t valor p

Media de la vble. dep. 40931,58 D.T. de la vble. dep. 206136,6

La misma prueba se plantea:

Modelo 4: MCO, usando las observaciones 1-52884

coeficiente Desv. típica Estadístico t valor p

Media de la vble. dep. 40931,58 D.T. de la vble. dep. 206136,6

Modelo 5: MCO, usando las observaciones 1-52884

coeficiente Desv. típica Estadístico t valor p

Media de la vble. dep. 40931,58 D.T. de la vble. dep. 206136,6

Modelo 6: MCO, usando las observaciones 1-52884

coeficiente Desv. típica Estadístico t valor p

Media de la vble. dep. 40931,58 D.T. de la vble. dep. 206136,6

Modelo 7: MCO, usando las observaciones 1-52884

coeficiente Desv. típica Estadístico t valor p

Media de la vble. dep. 40931,58 D.T. de la vble. dep. 206136,6

coeficiente Desv. típica Estadístico t valor p

Media de la vble. dep. 10,00225 D.T. de la vble. dep. 1,006760

 Las interacciones son variables que se construyen multiplicando dos variables.

𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑖 = 𝛽0 + 𝛽1 𝑀𝑢𝑗𝑒𝑟𝑖 + 𝛽2 𝑒𝑑𝑢𝑐𝑖 + 𝜇𝑖

𝑀𝑢𝑗𝑒𝑟𝑋𝑒𝑑𝑢𝑐𝑖 = 𝑀𝑢𝑗𝑒𝑟𝑖 ∗ (𝑒𝑑𝑢𝑐𝑖 )

Supongamos que los datos son:

Se podría plantear otro modelo incorporando la interacción:

𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑖 = 𝛼0 + 𝛼1 𝑀𝑢𝑗𝑒𝑟𝑖 + 𝛼2 𝑒𝑑𝑢𝑐𝑖 + 𝛼3 𝑀𝑢𝑗𝑒𝑟𝑋𝑒𝑑𝑢𝑐𝑖 + 𝑣𝑖

coeficiente Desv. típica Estadístico t valor p

Media de la vble. dep. 40931,58 D.T. de la vble. dep. 206136,6

coeficiente Desv. típica Estadístico t valor p

Media de la vble. dep. 40931,58 D.T. de la vble. dep. 206136,6

𝑦 = 𝛼0 + 𝛼1 𝑥1𝑖 + 𝛼2 𝑥2𝑖 + 𝑢1𝑖 𝑐𝑜𝑛 𝑁1 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠 (𝑒𝑗𝑒𝑚𝑝𝑙𝑜: 𝑚𝑢𝑗𝑒𝑟𝑒𝑠)

a) Es necesario conocer previamente el punto donde se daría el cambio estructural.

Modelo 1: MCO, usando las observaciones 1-52884

coeficiente Desv. típica Estadístico t valor p

Media de la vble. dep. 40931,58 D.T. de la vble. dep. 206136,6

coeficiente Desv. típica Estadístico t valor p

Media de la vble. dep. 31503,09 D.T. de la vble. dep. 116056,3

coeficiente Desv. típica Estadístico t valor p

Media de la vble. dep. 49023,60 D.T. de la vble. dep. 259347,5

coeficiente Desv. típica Estadístico t valor p

Media de la vble. dep. 40931,58 D.T. de la vble. dep. 206136,6

coeficiente Desv. típica Estadístico t valor p

Media de la vble. dep. 40931,58 D.T. de la vble. dep. 206136,6

También podría gustarte