TALLER DE ECONOMETRÍA No.

1. Explique cuál es la diferencia entre la función de regresión poblacional y la

función de regresión muestral.

Jeffrey M. Wooldridge en su libro de introducción a la econometría – un enfoque

moderno; afirma que la F.R.M se obtiene a partir de una muestra de datos y esta
representada por la ecuación ^y = β^ 0 + β^ 1 x , esta ecuación se la utiliza “para calcular
valores predichos de y para diversos valores de x” (p. 32). También menciona que la
F.R.P es algo fijo pero desconocido de la población.

Gujarati en su libro econometría, afirma que “El análisis de regresión trata del estudio
de la dependencia de una variable (variable dependiente) respecto de una o más
variables (variables explicativas) con el objetivo de estimar o predecir la media o valor
promedio poblacional de la primera en términos de los valores conocidos o fijos (en
muestras repetidas) de las segundas” (p.15).

Por lo tanto se concluye que la Función de regresión poblacional (F.R.P) trabaja con
todos los datos de una población determinada, por lo que se convierte en un concepto
idealizado, ya que pocas veces se tiene total acceso a la población que se desea
encuestar, por este motivo se utiliza más la F.R.M que la F.R.P. Al contrario de esta, la
función de regresión muestral (F.R.M), como su nombre lo dice, trabaja con una
muestra tomada al azar a una determinada población, es decir, trabaja con
estimaciones de factores y variable, por lo que se utiliza la F.R.M para estimar la F.R.P,
además, la F.R.M tiene como propósito cuantificar y medir el impacto de una variable
sobre otra, pronosticar y aconsejar sobre política económica.

Podemos ver la diferencia entre la ecuación de la función de regresión poblacional que

toma todos los datos y i=β 0 + β 1 x i +ε i . Y la ecuación de la función de regresión muestral
que se basa en datos estimados, aproximados obtenidos a partir de una muestra
^y i= β^ 0 + ^β 1 x i + ε^ i .

2. ¿Qué papel desempeña el término de error estocástico Ɛ i en el análisis de

regresión? ¿Cuál es la diferencia entre el término de error estocástico y el
residual Ɛ^ i?

El termino de error aparece en el libro de Jeffrey M. Wooldridge, (introducción a la

econometría – un enfoque moderno) al hablar del modelo de regresión lineal simple
representado en la siguiente ecuación y=β 0 + β 1 x +u , Jeffrey afirma que el termino de
error (u) “representa factores distintos a x que afectan a y” (p.23). También afirma
(p.25) “Si ε y x no están correlacionadas, entonces, como variables aleatorias, no están
relacionadas linealmente”. Sin embargo esta correlación solo mide la dependencia
lineal entre estos dos.
En el libro de Gujarati (econometría) recibimos al termino de error partiendo de la
misma ecuación del modelo de regresión lineal Y = β0 + β 1 x +u donde toma al termino
de error como una variable aleatoria estocástica, afirma que el término de perturbación
u representa todos los factores que afectan a Y pero que no se consideran en el modelo
en forma explícita.

El termino de error estocástico es el que se utiliza para representar todas las demás
variables que afectan a y pero que no están incluidas directamente en el modelo ya sea
porque no afectan en gran cantidad, porque son de carácter psicológico o simplemente
no se las tuvo en cuenta por alguna dificultad. El termino de error residual o muestral
usualmente se lo considera similar al término de error estocástico, pero la diferencia
radica en que mientras que el error residual es la distancia entre el punto de datos y la
línea estimada, el término de error estocástico es la distancia entre el punto de datos y
la línea verdadera. Ya vimos en la anterior pregunta las FRM y FRP y observamos que
mientras que la FRM trabaja con el error estocástico, la FRM trabaja con el error
residual o muestral y este último esta dado por la ecuación ε^ i= y i−^y i. Para terminar
podemos decir que un modelo de regresión nunca va a poder ser un completo reflejo
de la realidad, es decir, no puede describir la realidad en su total magnitud.

Mientras:

Ɛ i= Es un término que sustituye o representa a todas las variables omitidas o ignoradas

que pueden afectar a “y “pero que no se incluyen o no pueden incluirse en el modelo
de regresión.

Ɛ^ i= Denota el termino residual (muestral) conceptualmente Ɛ^ i es un análogo a Ɛ i y se

considera una estimación de Ɛ i que se introduce en la FRM por las mimas razones que
se introdujo Ɛ i e n la FRP.

3. Determine si los siguientes modelos son lineales en los parámetros, en las

variables o en ambos. ¿Cuáles de estos modelos son de regresión lineal?
Establezca en cada caso sus efectos marginales.

Afirma Gujarati en el supuesto 1 “Modelo de regresión lineal: El modelo de regresión

es lineal en los parámetros, aunque puede o no ser lineal en las variables” (p. 62).
Basándonos en esto decimos…

 modelo reciproco: Es lineal en parámetros, pero no lineal en variable x, por lo tanto

SI es un modelo de regresión lineal en parámetros.

Y i=β 1 + β 2 ( X1 )+Ɛ
i
i

La pendiente del modelo es:

 dY 1
dx
=−β 2 2
x( )
La elasticidad o efecto marginal esta dado por:

dy x 1
dx y
=−β 2
xy( )
 modelo semilogarítmico, lin-log: es lineal en parámetros, pero no lineal o
logarítmico en la variable x, por lo tanto SI es un modelo de regresión lineal en
parámetros.
Y i=β 1 + β 2 ln X i+ Ɛ i

La pendiente del modelo es:

dY 1
dx
=β 2
x()
La elasticidad o efecto marginal está dado por:

dy x 1
dx y
=β2
y ()
 modelo semilogarítmico inverso, log-lin: es lineal en parámetros, pero no lineal o
logarítmico en la variable Y, por lo tanto SI es un modelo de regresión lineal en
parámetros.
ln Y i= β1 + β 2 X i+ Ɛ i

La pendiente del modelo es:

dY
=β 2 ( y )
dx
La elasticidad o efecto marginal está dado por:

dy x
=β2 ( x )
dx y

 modelo logarítmico o doble logarítmico, log-log: es lineal en parámetros, pero no

lineal o logarítmico en variables, por lo tanto SI es un modelo de regresión lineal en
parámetros.
ln Y i= β1 + β 2 lnX i+ Ɛ i

La pendiente del modelo es:

dY y
dx
=β 2
x()
La elasticidad o efecto marginal está dado por:

dy x
=β2
dx y
 modelo logarítmico reciproco: es lineal en parámetros, pero no lineal o logarítmico
en variables, por lo tanto SI es un modelo de regresión lineal en parámetros.

ln Y i= β1 + β 2 ( X1 )+Ɛ
i
i

La pendiente del modelo es:

dY y
dx ( )
=−β 2 2
x

La elasticidad o efecto marginal está dado por:

dy x 1
dx y
=−β 2
x ()
 modelo doble logarítmico reciproco: es lineal en parámetros, pero no lineal o
logarítmico en variables, por lo tanto SI es un modelo de regresión lineal en
parámetros.

ln Y i= β1 + β 2 ln ( X1 )+Ɛ
i
i

La pendiente del modelo es:

dY dY
( ln yi ) = ¿
dx dx
d yi
d xi d 1
yi
=β 2
( )
dx xi

1 dy
y dx
i i
i
=−β
( x1 ) 2
i

d yi y
d xi ( )
=−β 2 2i
xi

La elasticidad o efecto marginal está dado por:

Dado que:

d yi y
d xi ( )
=−β 2 2i
xi
d y i xi y ∗x
d xi yi
=−β 2 2i i
xi ∗ yi ( )
d y i xi 1
d xi yi
=−β 2
x ()

 modelo triple logarítmico-doble reciproco: es lineal en parámetros, pero no lineal o

logarítmico en variables, por lo tanto SI es un modelo de regresión lineal en
parámetros.
1 1 2
ln Y i= β1 + β 2 ln ( )
Xi ( )
+ β 3 ln
Xi
+Ɛ i

La pendiente del modelo es:

dY x x
dx
=−β 2
y ()
−2 β 3
y ()
La elasticidad o efecto marginal está dado por:

dy x
=−β 2−2 β 3
dx y

4. Determine si los siguientes modelos pueden linealizarse mediante

manipulaciones algebraicas.

 Primer caso
1
Y i=
β 1 + β2 X i

y i∗(β ¿ ¿ 1+ β2 x i)=1 ¿

1
= β1 + β 2 x i
yi
Como podemos ver en este caso tenemos linealidad en parámetros, pero no en la
variable, por lo que podríamos hacerla lineal mediante alteraciones algebraicas sí:

Z 1
1=¿ ¿
yi

Z1=¿ β +β
1 2 x i¿

Y de esta forma quedaría lineal.

 Segundo caso

Xi
Y i=
β 1 + β2 X i

y i∗(β 1+ β2 x i)=x i

xi
= β1 + β 2 x i
yi

En este caso tenemos linealidad en parámetros, pero no en la variable Y, por lo que

podríamos hacerla lineal mediante alteraciones algebraicas sí:

Z xi
1=¿ ¿
yi

Z1=¿ β +β 1 2 x i¿

Y de esta forma quedaría lineal. Sin embargo, cabe resaltar que econométricamente
hablando, no es lógico que una variable se explique en base a ella misma; es decir, que
habría una redundancia cíclica al dar solución a Xi/Yi utilizando la mima Xi, ya que no
sería coherente en especificación.

 Tercer caso

1
ln Y i= − β1−β 2 X i
1+e

Este caso no puede ser linealizado por alteraciones algebraicas, pues aún si
intentáramos hacer lineal la expresión e− β −β X mediante un (Ln), no podríamos ya que
1 2 i

no existe logaritmo natural de un negativo.

Sin embargo, de ser el caso que existiese una solución, ésta podría ser desarrollada tras
el uso de bastantes supuestos.

 Cuarto caso

Y i=β 1 X iβ X βj2 3

ln Y i=ln β1 + β 2 ln X i + β 3 ln X j

En este caso, una vez linealizado todo menos el término ln β 1, podríamos plantear que:

α 1= ln β 1

Y por tanto:

ln Y i=α 1 + β 2 ln X i+ β3 ln X j
 5. Considere la información del cuadro 1.

horas de
estudiante Nota (Y)
estudio (X)
1 2,7 3
2 3,6 5
3 4,1 7
4 2,3 2,5
5 3,1 4,5
6 2,8 3
7 4,5 8
8 2,2 2,5
9 4,1 7
10 3,8 5
11 1,9 2
12 2,7 3
13 2,9 3
14 3,9 7
15 4,5 10

a. Formule un modelo econométrico explicativo de las notas finales de

microeconomía en función de las horas de estudio por semana. Explique las
restricciones del modelo.
b. Interprete la función de regresión muestral estimada, el valor de los coeficientes
estimados y el r2.

Y i=β 0 + β 1 x i +ε i Función de regresión poblacional

Donde:

Y i: Notas finales de microeconomía (variable endógena) lo que quiero explicar.

x i: Horas de estudio por semana (variable exógena) lo que ayuda a explicar.

β 0: Parámetro estadístico, mide el impacto de variables diferentes a las horas semanales

de estudio que influyen en las notas finales de microeconomía. β 0 ≥ 0 , porque no
pueden haber notas finales negativas.

β 1: Parámetro estadístico, cuantifica el efecto de una variación en las horas semanales

de estudio que influyen en las notas finales de microeconomía. β 1 ≥ 0 en los datos
presentados en la tabla observamos que entre mas horas de estudio mejor nota obtiene
el estudiante, por lo que existe una relación positiva, esto quiere decir que existe un
equilibrio entre las horas dedicadas a estudiar y la productividad del estudio asociada
a la nota final.
ε i: termino de error, abarca todas las demás variables diferentes a las horas de estudio
por semana, que no estoy teniendo en cuenta y que influyen en las notas finales de
microeconomía.

Para plasmar este modelo nos basamos en la función de regresión muestral, donde
tomamos una estimación de todos los datos antes mencionados.

Y^ i= β^ 0 + β^ 1 x i

^β 1= ∑ Y i x i−Ý i ∑ x i
∑ x i2− x́ i ∑ x i
^β 1= 265−3.273333∗72.5 =0.3322
433.75−4.83333∗72.5
Si mantenemos todo lo demás constante, podemos decir que un incremento en una
hora de estudio semanal, va a producir un incremento de 0.3322 puntos en la nota final
de microeconomía.
^β 0=Ý i − ^β1 x́ i

^β 0=3.273333−0.3322∗4.83333=1.6677

Las variables diferentes a las horas semanales de estudio, tienen un efecto de 1.6677
sobre la nota final de microeconomía.

Y^ i= β^ 0 + β^ 1 x i

Y^ =1.6677 +0.3322 x i
Cuando las horas semanales de estudio son iguales a cero, la nota final de
microeconomía será igual a 1.6677, debido a que otras variables diferentes, ya sean las
bases que tenga el estudiante o su asistencia a clases y demás, van a provocar que la
nota final tenga una variación.

SRC
r 2=1−
STC
0.99293
r 2=1− =0.90255202
10.189333
SEC
r 2=
STC
9.19640333
r 2= =0.90255202
10.1893333

El valor de 0.90255202 nos dice que con la variable (horas de estudio semanalmente),
estoy explicando el 90.255% de los cambios experimentados en la nota final de
microeconomía, lo que quiere decir que un 9.745% de las variaciones se explican por
otras variables que también influyen en la nota final pero que son diferentes a las horas
de estudio semanales. Este valor también nos dice que nuestro modelo tiene una
capacidad predictiva del 90.255%.

6. La secretaria de transporte departamental contrata sus servicios con el

propósito de establecer la causa de la accidentalidad de tránsito, para tal efecto
se proponen variables como señales de tránsito en mal estado, fallas técnico-
mecánicas, presupuesto dedicado a publicidad y calidad de las vías.

Número de Señales de fallas presupuesto

calidad de
Ciudad accidentes de Tránsito en mal técnico- de
las vías
tránsito estado mecánicas publicidad
1 48 40 10 100 inadecuada
2 62 52 15 40 inadecuada
3 33 25 9 120 adecuada
4 83 72 20 30 inadecuada
5 24 18 4 150 adecuada
6 83 70 24 28 inadecuada
7 66 58 12 38 inadecuada
8 10 5 1 180 adecuada
9 13 8 2 170 adecuada
10 61 54 9 90 adecuada
11 69 60 13 60 inadecuada
12 27 22 2 140 adecuada
 a. Efectúe un modelo econométrico uniecuacional univariado que explique el
número de accidentes de tránsito en función de cada una de las variables.

Modelo 1

Y i=β 0 + β 1 x i +Ɛ i

Yi: Número de accidentes de tránsito (variable dependiente).

x i : Señales de tránsito en mal estado (variable independiente).

β 0: Parámetro estadístico, mide el impacto de variables diferentes a las señales de

tránsito en mal estado que influyen en el número de accidentes de tránsito.

β 1: Parámetro estadístico, cuantifica el efecto de una variación en las señales de tránsito

en mal estado que influyen en el número de accidentes de tránsito.

^β 1= ∑ Y i x i−Ý i ∑ x i
∑ x i2− x́ i ∑ x i
^β 1= 30197−48.25∗484 =1.09177922
25790−40.33333∗484
Si mantenemos todo lo demás constante, podemos decir que un incremento en una
señal de tránsito en mal estado, va a ocasionar un incremento de 1.09177922 accidentes
de tránsito.
^β 0=Ý i − ^β1 x́ i

^β 0=48.25−1.09177922∗40.333=4.21490482

Las variables diferentes a las señales de tránsito en mal estado, tienen un efecto de
4.21490482 sobre el número de accidentes de tránsito.
La ecuación de Y estimada estaría establecida de la siguiente manera.

Y^ =4.21490482+1.09177922 x i

Si no existieran señales de transito en mal estado, el número de accidentes de transito

serian de 4.21490482, ya que se verán provocados o afectados por otras variables.

SRC
r 2=1−
STC
18.1130224
r 2=1− =0.99758179
7490.25
La variable (señales de tránsito en mal estado) explica el número de accidentes de
tránsito en un 99.758% lo que quiere decir que un 0.242% del número de accidentes de
tránsito, se explican por otras variables. Añado que este modelo tiene una capacidad
predictiva del 99.758%.

Modelo 2

Y i=β 0 + β 1 x i +Ɛ i

Yi: número de accidentes de tránsito (variable dependiente).

x i : fallas técnico-mecánicas (variable independiente).

β 0: parámetro estadístico, mide el impacto de variables diferentes a las fallas técnico-

mecánicas que influyen en el número de accidentes de tránsito.

β 1: parámetro estadístico, cuantifica el efecto de una variación en las fallas técnico-

mecánicas que influyen en el número de accidentes de tránsito.

^β 1= ∑ Y i x i−Ý i ∑ x i
∑ x i2− x́ i ∑ x i
^β 1= 7783−48.25∗121 =3.34772629
1801−10.08333∗121
Si mantenemos todo lo demás constante, podemos decir que un incremento en una
falla técnico-mecánica, va a ocasionar un incremento de 3.34772629 accidentes de
tránsito.
^β 0=Ý i − ^β1 x́ i

^β 0=48.25−3.34772629∗10.08333=14.4937599

Las variables diferentes a las fallas técnico-mecánicas, tienen un efecto de 14.4937599

sobre el número de accidentes de tránsito.

La ecuación de Y estimada estaría establecida de la siguiente manera.

Y^ =14.4937599+3.34772629 x i

Si no existieran fallas técnico-mecánicas el numero de accidentes de tránsito seria de

14.4937599, debido a que se vería afectado por otra variable.

SRC
r 2=1−
STC
979.759288
r 2=1− =0.86919538
7490.25
La variable (falla técnico-mecánica) explica el número de accidentes de tránsito en un
86.919% lo que quiere decir que un 13.081% del número de accidentes de tránsito, se
explican por otras variables. Añado que este modelo tiene una capacidad predictiva
del 86.919%.

Modelo 3

Y i=β 0 + β 1 x i +Ɛ i

Yi: número de accidentes de tránsito (variable dependiente).

x i : presupuesto de publicidad (variable independiente).

β 0: parámetro estadístico, mide el impacto de variables diferentes al presupuesto de

publicidad que influyen en el número de accidentes de tránsito.

β 1: parámetro estadístico, cuantifica el efecto de una variación en el presupuesto de

publicidad que influyen en el número de accidentes de tránsito.
^β 1= ∑ Y i x i−Ý i ∑ x i
∑ x i2− x́ i ∑ x i
^β 1= 3780−48.25∗1146 =−0.45170332
144228−95.5∗1146
Si mantenemos todo lo demás constante, podemos decir que un incremento en
presupuesto de publicidad va a ocasionar una disminución de 0.45170332 accidentes de
tránsito, esto se puede dar si a través de la publicidad se advierte de las precauciones
que se deben tomar al momento de conducir.
^β 0=Ý i − ^β1 x́ i

^β 0=48.25+0.45170332∗95.5=91.3876671

Las variables diferentes a el presupuesto de publicidad, tienen un efecto de 91.3876671

sobre el número de accidentes de tránsito.

La ecuación de Y estimada estaría establecida de la siguiente manera.

Y^ =91.3876671-0.45170332 x i
Si el presupuesto de publicidad fuera de cero, la cantidad de accidentes de tránsito
seria de 91.3876671, debido a que puede ser afectado por otras variables.

SRC
r 2=1−
STC
392.861578
r 2=1− =0.94755027
7490.25
La variable (presupuesto de publicidad) explica el número de accidentes de tránsito en
un 94.75% lo que quiere decir que un 5.25% del número de accidentes de tránsito, se
explican por otras variables. Este modelo esta explicado o/y tiene una capacidad
predictiva del 94.755%.
Modelo 4

Y i=β 0 + β 1 x i +Ɛ i

Yi: número de accidentes de tránsito (variable dependiente).

x i : Calidad de las vías (variable independiente).

β 0: Parámetro estadístico, mide el impacto de variables diferentes a la calidad de vías

que influyen en el número de accidentes de tránsito.

β 1: Parámetro estadístico, cuantifica el efecto de una variación en la calidad de vías

que influyen en el número de accidentes de tránsito.

Para este modelo vamos a tener en cuenta que hay menor número de accidentes de
tránsito cuando las vías son adecuadas, por lo tanto:

x i= tomare valores de 1 cuando existen vías adecuadas y 0 para cualquier otro caso.

1= vías adecuadas
0= vías inadecuadas

^β 1= ∑ Y i x i−Ý i ∑ x i
∑ x i2− x́ i ∑ x i
^β 1= 168−48.25∗6 =−40.5
6−0.5∗6
Si mantenemos todo lo demás constante, podemos decir que un incremento en la
calidad de vías va a ocasionar una disminución de 40.5 accidentes de tránsito.
^β 0=Ý i − ^β1 x́ i

^β 0=48.25+40.5∗0.5=68.5

Las variables diferentes a la calidad de vías, tienen un efecto de 68.5 sobre el número
de accidentes de tránsito.
La ecuación de Y estimada estaría establecida de la siguiente manera.

Y^ =68.5−40.5 x i

Si no existieran vías inadecuadas, el numero de accidentes de transito seria de 68.5,

debido a que se puede ver afectado por otras variables.

SRC
r 2=1−
STC
2569.5
r 2=1− =0.65695404
7490.25
La variable calidad de vías explica el número de accidentes de tránsito en un 65.69% lo
que quiere decir que un 34.31% del número de accidentes de tránsito, se explican por
otras variables. Este modelo esta explicado o tiene una capacidad predictiva del
65.69%.

b. Interprete y compare cada uno de los resultados. Establezca cuál considera

el mejor modelo señalando sus justificaciones.

Señales de
fallas técnico- Presupuesto de Calidad de las
tránsito en mal
mecánicas publicidad vías
estado

MODELO 1 MODELO 2 MODELO 3 MODELO 4

^β 0 4.21490482 14.4937599 91.3876671 68.5
^β 1 1.09177922 3.34772629 −0.45170332 −40.5
r2 0.99758179 0.86919538 0.94755027 0.65695404

Anteriormente, dadas las interpretaciones de cada uno de los resultados y ahora, con
base en la comparación de los parámetros ^β 0, ^β 1 y el coeficiente de determinación r 2 de
los 4 modelos econométricos uniecuacionales univariados, para lograr determinar cuál
de los modelos se considera el mejor se tendrá en cuenta el modelo cuyos valores de los
parámetros y r 2 cumpla más requisitos:

1. Un r 2 alto que nos brinde una alta bondad de ajuste, que nos asegure que la mayor
parte de los cambios experimentados en el número de accidentes se deben a las
variaciones suscitadas en la variable independiente.

MODELO 1 MODELO 2 MODELO 3 MODELO 4

r2 0.99758179 0.86919538 0.94755027 0.65695404

Tenemos entonces que, por un r 2 alto, el mejor modelo “hasta este momento” es
el MODELO 1.

2. Añadido a eso, que el valor de los parámetros no tienda o sea igual a cero, ya que
expresaría el menor efecto de las variables. Por lo que un buen modelo económico
demostraría la relación de significancia establecida y existente entre el parámetro
^β 1 y la variable dependiente Yi o número de accidentes con respecto a los cambios
de la variable independiente Xi en cada modelo econométrico.

MODELO 1 MODELO 2 MODELO 3 MODELO 4

^β 0 4.21490482 14.4937599 91.3876671 68.5
^β 1 1.09177922 3.34772629 −0.45170332 −40.5
r
2
0.99758179 0.86919538 0.94755027 0.65695404

Para este caso nos parece más conveniente el MODELO 4. Puesto que, cuando
disminuyen las vías adecuadas, el número de accidentes que se relacionan su variación
es más alto que en otros modelos, siendo que cambia en 40,5.

Lo que se busca entonces, es que el parámetro ^β 1 sea lo suficientemente fuerte como

para afectar a la variable Y y que, además, también se evidencie y se relacione con el
resultado - que viene a ser el cambio experimentado en el número de accidentes- que
para nuestros fines sea más determinístico, puesto que la secretaria de transporte
departamental ha contratado nuestros servicios con el propósito de establecer la causa
de la accidentalidad de tránsito; y ya que hay ^β 1 bajos en comparación a otros que, si
bien denotan un cambio en Yi por un cambio en Xi, no serían tan significativos como
aquellos donde Yi se ve definitivamente más comprometida y determinada por un
cambio en Xi, sin mencionar que el valor de ^β 1 y ^β 0 no nos refleje que el resultado está
muy determinado por el hechos al azar o variables no comprendidas en el modelo.

Por esta razón y de acuerdo a lo anteriormente dicho, el MODELO 4 sería el más

adecuado.

3. Si nos basamos en que el modelo sea consecuente, con que la teoría tenga sentido
con la práctica y el modelo tenga el mejor comportamiento, en nuestro criterio
nuevamente optaríamos por el MODELO 4. Ello, a razón de que:

- La secretaria de transporte departamental se desempaña con el trabajo de los

municipios de su territorio, en los que, a diferencia de las grandes ciudades
donde quizás la señalización sea de mayor peso en los accidentes de tránsito, en
los municipios su nivel de desarrollo en las vías es totalmente distinto, siendo
que el trayecto a ellos pueda- inclusive – ni siquiera estar pavimentado, bajo
 amenazas de derrumbos, de deslizamientos, con malos cimientos, al borde de la
topografía departamental, que en nuestro caso Nariñense, por ejemplo, es
abrazado a zonas montañosas y empinadas, etc.

- Nosotros establecemos gran coherencia de este modelo en relación a de los

demás, ya que valoramos mucho el contexto en que nuestra secretaria de
transporte departamental se basa en Nariño.

En conclusión, estas últimas razones sumadas al hecho de que dicho MODELO 4 tiene
un alto ^β 1 que establece un gran efecto sobre la variable dependiente Yi, nos permiten
identificar en nuestro criterio a éste como el mejor modelo de entre todos.