Contenido

ACTIVIDADES A DESARROLLAR..............................................................................3
ANÁLISIS DE RESULTADOS:....................................................................................13
BIBLIOGRAFÍA.............................................................................................................14
ACTIVIDADES A DESARROLLAR
1. Con la información organizada en paneles de datos, de la fase anterior, fase 4, especificar
el modelo de datos de panel, por método lineal, utilizando al menos tres variables así
estructuradas, con base en Gujarati (2009), Capítulo 16 y Wooldrige(2010), Capítulos 13 y
14.
R //
Este boletín presenta los indicadores de mercado laboral para los 23 principales
departamentos del país y la ciudad de Bogotá. Presenta resultados anuales para el total y
cada uno de los departamentos del 2002 al 2018.
 Sujeto o categoría: Mercado laboral por departamentos: Antioquia, Bogotá y valle
 Periodo: 2002- 2018
 Variables a trabajar: TGP, Tasa de subempleo subjetivo, Tasa de subempleo objetivo
1 Antioquia 2 Bogotá 3 Valle

Departament
Año TGP Tasa de subempleo subjetivo Tasa de subempleo objetivo
o
2001 1 59.9 28.0 10.4
2002 1 61.0 30.0 12.2
2003 1 60.0 27.4 11.0
2004 1 59.3 23.8 9.8
2005 1 57.6 18.5 9.7
2006 1 55.1 21.8 9.7
2007 1 56.9 27.5 8.3
2008 1 57.1 24.1 9.3
2009 1 60.4 28.0 12.0
2010 1 61.1 29.4 12.3
2011 1 61.6 28.8 10.2
2012 1 63.5 33.4 11.4
2013 1 63.9 31.5 10.2
2014 1 63.5 25.9 8.4
2015 1 62.7 20.8 8.2
2016 1 62.3 22.0 8.7
2017 1 63.2 22.5 8.7
2018 1 62.3 20.2 8.8
2001 2 66.3 29.1 12.5
2002 2 67.1 34.9 14.9
2003 2 67.8 33.3 12.7
2004 2 66.0 31.8 11.0
2005 2 66.4 34.0 11.1
2006 2 65.7 31.5 9.7
2007 2 64.0 30.6 9.2
2008 2 65.5 29.2 12.1
2009 2 66.6 24.2 10.2
2010 2 68.7 32.2 14.1
2011 2 70.9 34.1 13.9
2012 2 72.1 34.1 13.2
2013 2 71.9 34.2 13.6
2014 2 72.5 31.8 12.8
2015 2 71.6 31.0 11.2
2016 2 70.8 26.4 9.8
2017 2 69.6 22.4 8.4
2018 2 69.1 21.5 8.2
2001 3 65.6 35.7 13.1
 2002 3 64.4 35.8 14.1
2003 3 65.2 36.1 14.0
2004 3 65.1 37.2 14.3
2005 3 65.1 37.0 13.4
2006 3 64.5 42.5 14.6
2007 3 62.8 43.2 11.5
2008 3 62.1 36.8 11.2
2009 3 66.2 41.7 15.9
2010 3 66.6 41.3 16.2
2011 3 65.3 36.7 13.9
2012 3 65.6 37.5 13.9
2013 3 66.0 37.9 14.2
2014 3 65.7 35.8 12.8
2015 3 66.9 36.0 13.2
2016 3 66.5 35.5 12.4
2017 3 66.5 33.9 11.6
2018 3 66.0 33.5 12.3

Se quiere conocer el impacto de la tasa global de participación y la tasa de subempleo

subjetivo en la tasa de subempleo objetivo, para este análisis se especifican siguientes
modelo para los tres departamentos.

log ( subempleobjetivo )=a¿ −β 1 log ( TGP ) + β 2 log(subemplesubjetivo)

2. Estimar e interpretar el modelo, generando conclusiones del procedimiento.

R // Para estimar los modelos de regresión se usara el siguiente método:

Métodos lineales:
Para este procedimiento se le aplico el logaritmo a los datos de panel para aumentar la
correlación de los datos, El análisis de las variables se realizara usando el capítulo 16.3
Modelo de regresión con MCO agrupados o de coeficientes constantes de gujarati (2009).

1. Modelo lineal para Bogotá:

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.81442486
Coeficiente de determinación R^2 0.66328785
R^2 ajustado 0.61839289
Error típico 0.11181129
Observaciones 18

  Coeficientes Error típico Estadístico t Probabilidad

Intercepción -4.93823898 2.9730279 -1.66101333 0.1174635
Variable X 1 0.98671642 0.69601055 1.41767451 0.17672389
Variable X 2 0.9410873 0.18226218 5.16337124 0.00011558

log ( subempleobjetivo )=−4.93824+0.98672 log ( TGP ) +0.9411 log(subemplesubjetivo)

Del anterior modelo se puede observar un coeficiente de determinación aceptable de 0.66,

esto quiere decir que la tasa de subempleo objetivo explica el 81.4% de la variación de la
TGP y la tasa de subempleo subjetiva, por otra partea la variación de la tasa de subempleo
subjetiva y TGP fueron 0.941 y 0.987, respectivamente. Es decir, un incremento de 1% en la
tasa de subempleo subjetiva provocó, en promedio, un incremento de cerca de 0.941% en la
tasa de subempleo objetiva. En forma similar, un incremento de 1% en la TGP, en promedio,
un detrimento de cerca de 0.987%.

2. Modelo lineal para Valle del Cauca:

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.71671227
Coeficiente de determinación R^2 0.51367648
R^2 ajustado 0.44883335
Error típico 0.07711496
Observaciones 18

  Coeficientes Error típico Estadístico t Probabilidad

Intercepción -13.4940734 4.49106679 -3.00464769 0.00888822
Variable X 1 3.10498053 0.98489796 3.15259107 0.00657144
Variable X 2 0.86006358 0.26512733 3.24396428 0.0054503

log ( subempleobjetivo )=−13.4941+3.10498 log (TGP ) +0.8601 log( subemplesubjetivo)

El modelo del valle del cauca explica el 81.4% de la variación de la TGP y la tasa de
subempleo subjetiva respecto a la tasa de subempleo objetivo, por otra partea la variación de
la tasa de subempleo subjetiva y TGP fueron 0.86 y 3.105, respectivamente. Es decir, un
incremento de 1% en la tasa de subempleo subjetiva provocó, en promedio, un incremento
de cerca de 0.86% en la tasa de subempleo objetiva. En forma similar, un incremento de 1%
en la TGP, en promedio, un detrimento de cerca de 3.1045%.

1. Modelo lineal para Antioquia:

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.657934
Coeficiente de determinación R^2 0.43287715
R^2 ajustado 0.35726077
Error típico 0.1080956
Observaciones 18

  Coeficientes Error típico Estadístico t Probabilidad

Intercepción 2.94094035 2.48860052 1.18176474 0.255696
Variable X 1 -0.59538634 0.63133298 -0.94306231 0.36059158
Variable X 2 0.55425948 0.16381933 3.3833582 0.00409526

log ( subempleobjetivo )=2.94094−0.59539 log ( TGP ) +0.55426 log( subemplesubjetivo)

En Antioquia anterior modelo se puede observar un coeficiente de determinación aceptable

0.433, explicando el 43.4% de la variación de la TGP y la tasa de subempleo subjetiva, por
otra partea la variación de la tasa de subempleo subjetiva y TGP fueron -0.595 y 0.554,
respectivamente. Es decir, un incremento de 1% en la tasa de subempleo subjetiva provocó,
en promedio, un incremento de cerca de 0.554% en la tasa de subempleo objetiva. En forma
similar, un incremento de 1% en la TGP, en promedio, un decremento de cerca de -0.595%,
esta variable es difícil de explicar dentro del modelo.
3. Responder las preguntas del Anexo a la presente Guía, Fase 5 y argumentar las respuestas
dadas a cada una de ellas, de modo que se especifique clara y concisamente por qué se eligió
la opción verdadera, tanto como por qué se descartaron cada una de las demás opciones.

1. Junto con su equipo de trabajo, usted debe especificar un Modelo Arima con el fin de
postular al equipo para un apoyo de fomento a la investigación. Por tanto, propone que se
trabaje a partir de la variable
o gasto público social anual del gobierno central del país para la implementación de
las políticas públicas sociales.
R // se elige esta opción ya que los modelos Arima se desarrollan con la variable
endógena en función de su misma variable pero en diferentes periodos, por esta razón
se escoge esta opción, porque es una serie de tiempo la cual depende solo de sí
misma.

o inversión departamental en todos los proyectos de infraestructura y desarrollo durante

la vigencia más reciente.
R // Esta opción no se elige puesto que tiene más de una variable y aunque se hiciera un
análisis independiente para cada una, la interpretación de la información global se
complicaría.

o consumo medio de los hogares clasificado por año y municipio en un lapso de al

menos los últimos diez periodos.
R // Esta opción incluye más de una variable necesitando para su interpretación una
regresión múltiple y esta no corresponde a un modelo Arima

o pobreza multidimensional de diversos países en función del nivel de población

correspondiente para cada lugar.
R // Los modelos arima se desarrollan con la variable endógena en función de su misma
variable en diferentes periodos y esta información no satisface estos requerimientos.
2. En el análisis de una serie de tiempo, se obtuvo la prueba de Dickey Fuller Aumentada, con
un estadístico de -1.624 y un p-valor correspondiente de 0.7713. El objetivo es especificar un
modelo univariado. Le solicitan que continúe desarrollando dicho análisis por lo que usted
o obtiene el logaritmo natural de la serie en busca de que la transformación permita
que sea estacionaria.
R // Para trabajar con un modelo univariado se deben de trabajar con una serie
estacionaria por eso se deben de realizar este tipo de transformaciones para volver la
serie estacionaria

o calcula las funciones de autocorrelación simple y parcial con el fin de establecer un

número de rezagos.
R // esta opción no se elige porque las funciones de auto correlación simple y parcial se
hace para escoger los rezagos y autoregresores son pasos que se

o estima una ecuación lineal para la serie, a partir del periodo de los ciclos estacionales
que la caracterizan.
 R // La estimación del modelo lineal se realiza después de conocer el número de
regresores y rezagos.

o genera las medidas descriptivas con el propósito de explicar el comportamiento que

presentan los datos.
3. Usted está liderando un estudio sobre el precio de un bien. El modelo que mejor se ajusta es
bivariado y de rezagos distribuidos por tres periodos. Para la presentación de los resultados
usted verifica que la ecuación estimada muestre.
o tres componentes autoregresivos incluidos dentro de la función.
R // los tres componentes auto regresivos no son suficientes para lo solicitado.

o coeficientes para la variable explicadora en el mismo periodo del precio y para sus
tres primeros rezagos.
R // es un modelo de rezagos distribuidos, si incluye uno o más valores rezagados de la
variable dependiente entre sus variables explicativas, se denomina modelo autor
regresivo, entonces para dos variables, se puede plantear que Y1𝑡 es afectada por los
rezagos Y2𝑡.

Y 1 t =α 10 +α 11 ·Y 2 t + α 12 · Y 1 t−1 +α 13 ·Y 2t −1+ γ 1 z T +ε 1t

Y 2 t =α 20 +α 21 · Y 1 t +α 22 ·Y 1 t −1+ α 23 · Y 2 t−1 + γ 2 z T + ε 2 t

o un solo término consistente en el rezago tres de la serie exógena.

R // Un solo termino en rezago tres no representa a los tres periodos
o un valor autoregresivo y otros para el tercer rezago tanto del precio como el de la
segunda variable.
R // un solo valor autoregresivo para el precio y la segunda variable no serían
explicativas para el modelo.
4. En la empresa en la que usted labora se obtuvo la medición de la productividad del año de
todos los trabajadores para 1995. Desde entonces, cada año se mide esta variable y se agrega
el dato correspondiente conformando una matriz, en la que los años nombran las columnas, y
los códigos de los trabajadores nombran las filas. Con los datos, le piden que analice la
evolución de la productividad en la empresa, por lo que usted.
o Obtiene el valor medio por trabajador y genera un modelo multivariado utilizando
variables auxiliares como, por ejemplo, remuneración, formación y antigüedad.
R //A pesar de que esta opción parezca más completa la información recolectada

o Estima el total por trabajador y construye un modelo Arima con la serie resultante.
R // un modelo autorregresivo ARIMA, utiliza variaciones y regresiones de datos
estadísticos con el fin de encontrar patrones para una predicción hacia el futuro, y lo
que se quiere es revisar la evolución de esta durante el tiempo

o Mide la variabilidad por año y calcula un modelo Sarima si identifica estacionalidad.

 R // La variabilidad y estacionalidad son elementos que permiten entender las
predicciones del modelo pero no se puede hacer un análisis más detallado de la
evolución de la productividad

o Genera diagramas de caja por año y compara los niveles, luego realiza pruebas de
hipótesis para observar si hay variaciones medias significativas entre años.
R // Los diagramas de Caja son una presentación visual que describe varias
características importantes, al mismo tiempo, tales como la dispersión y simetría, los
tres cuartiles y los valores mínimo y máximo de los datos, esta grafica es rectangular
dividido por un segmento vertical que indica donde se posiciona la mediana y por lo
tanto su relación con los cuartiles primero y tercero.

Un diagrama de cajas representa de forma gráfica la distribución de puntuaciones

dentro de una variable. Es una forma de describir las puntuaciones que contiene una
variable y su distribución de forma visual. Además, señala los valores atípicos o casos
extremos de la variable
5. Se cuenta con un panel de datos para 2000-2019 con la proporción de hogares en pobreza
monetaria por departamento de Colombia. Se espera que esta variable sea mitigada por la
inversión pública social y el modelo resultante debe ser de efectos fijos. Para preparar los
datos de modo que permitan desarrollar el modelo, usted.
o Promedia tanto la pobreza como la inversión anualmente, y crea nuevos paneles
con las diferencias entre los datos y su media.
R // El modelo de efectos fijos analiza de las variables que cambian con el tiempo,
teniendo en cuenta esto cualquier variación es significativa para el análisis, por esta
razón se escoge esta opción porque relaciona los datos necesarios para el análisis.

o Obtiene el logaritmo tanto de la inversión como de la pobreza, con el fin de reducir la

variabilidad en caso que se presente.
R // Obtener el logaritmo de esta variable no es significativo para este análisis, a no ser
que sean valores demasiados altos, pero no es algo determinante para la preparación
de los datos.

o Calcula la tasa de crecimiento de la inversión y establece la correlación entre este

panel y el de la pobreza.
o Estima la variación de la pobreza y luego, mide el grado de asociación lineal de esta
variable con inversión.
BIBLIOGRAFÍA

DANE. (2005). MUESTRA MENSUAL MANUFACTURERA. BOGOTA.

DANE. (s.f.). DANE informacion para todos. Obtenido de
https://www.dane.gov.co/index.php/estadisticas-por-tema
Gujarati, D. N. (2009). Econometria . Mexico: McGRAW-HILL/INTERAMERICANA
EDITORES, S.A. DE C.V.
Jaume, M. J. (2001). Analisis de regresion multiple. España: Universidad de Alicante.
Servicio de Publicaciones.
Morales Alquicira, A., & Rendon Trejo, A. (2001). Modelos econométricos para analizar el
impacto de variables económicas en la competitividad de la industria del calzado.
Politica y Cultura.
Wooldridge, J. M. (2010). Introduccion a la econometria un enfoque moderno. MEXICO:
Cengage learning.