Sonia Fase 4 Grupo 105018 4

Fase 4
JEISSON ENRIQUE ATUESTA

MARIA AURORA BEVILACQUA
PAULA ANDREA CUERO
SONIA L. GONZALEZ PARDO
GRUPO: 105018_4
PRESENTADO A:
JULIETH ALEXANDRA BARON
Contenido
ACTIVIDADES A DESARROLLAR..............................................................................3
ANÁLISIS DE RESULTADOS:....................................................................................13
BIBLIOGRAFÍA.............................................................................................................14
ACTIVIDADES A DESARROLLAR
1 Realizar un resumen analítico de Gujarati (2009), Capítulo 16, Secciones 16.1 y 16.2,
identificando las diferencias y tipologías de los datos de panel.
R //
Este capítulo busca analizamos con brevedad los tipos de datos que, por lo general, están
disponibles para el análisis empírico, y plantea como premisa principal que en los datos de
panel está la dimensión del espacio y la del tiempo En econometría, los datos de panel se
refieren a datos que combinan una dimensión temporal con otra transversal, estos datos
infieren un movimiento de unidades de corte transversal a lo largo del tiempo, estos datos
están ordenados y evidencian su evolución en el tiempo, un conjunto de datos contiene
observaciones sobre múltiples fenómenos en un momento a lo largo de determinados
períodos.
Los datos de panel se pueden clasificar en balanceados y no balanceados, se dice que un panel
es balanceado si cada sujeto (empresa, individuos, etc.) tiene el mismo número de
observaciones, si esto no se cumple, se tiene un panel de datos desbalanceado. Por otra parte
se mencionan los términos panel corto y panel largo. En un panel corto, el número de sujetos
de corte transversal, N, es mayor que el número de periodos, T. En un panel largo, T es mayor
que N. Como explicaremos más adelante, las técnicas de estimación dependen de que se
cuente con un panel corto o uno largo.
Existen cuatro posibilidades para las regresiones en datos de panel:
1. Modelo de MCO agrupados. Tan sólo se agrupan las 90 observaciones y se estima una
“gran” regresión, sin atender la naturaleza de corte transversal y de series de tiempo de
los datos
2. Modelo de mínimos cuadrados con variable dicótoma (MCVD) de efectos fijos. Aquí
se agrupan las 90 observaciones, pero se permite que cada unidad de corte transversal
(es decir, cada aerolínea en este ejemplo) tenga su propia variable dicótoma
(intercepto).
3. Modelo de efectos fijos dentro del grupo. En este caso también se agrupan las 90
observaciones, pero por cada aerolínea expresamos cada variable como una desviación
de su valor medio y luego estimamos una regresión de MCO sobre los valores
corregidos por la media o “sin media”.
4. Modelo de efectos aleatorios (MEFA). A diferencia del modelo de MCVD, en el que
se permite que cada aerolínea tenga su propio valor de intercepto (fijo), suponemos
que los valores del intercepto son una extracción aleatoria de una población mucho
mayor de aerolíneas.
Existen algunos problemas específicos con los datos de panel que deben tenerse presentes. El
más grave es el problema de desgaste, en el que, por una razón u otra, los sujetos del panel se
retiran a medida que pasa el tiempo, de modo que en las encuestas subsiguientes (o de corte
transversal) hay menos sujetos originales en el panel. Aunque no haya desgaste, con el
transcurso del tiempo los sujetos pueden negarse o no estar dispuestos a responder algunas
preguntas.
2 Definir un sistema de al menos tres variables económicas que sean paneles de datos.
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 del
cauca
 Periodo: 2002- 2018
 Variables a trabajar: TGP, Tasa de subempleo subjetivo, Tasa de subempleo objetivo
1 Antioquia
2 Bogotá
3 Valle del Cauca
Año Departamento TGP Tasa de subempleo subjetivo Tasa de subempleo objetivo

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
3. Realizar análisis univariado de cada variable por separado. Decidir si se aplica el

logaritmo a cada una de ellas.
R //
Estadísticos principales, usando las observaciones 1:01 - 3:18

para la variable TGP (54 observaciones válidas)
Media Mediana Mínimo Máximo
64.817 65.401 55.101 72.474
Desv. Típica. C.V. Asimetría Exc. de curtosis
3.9447 0.060859 -0.20809 -0.046730
Porc. 5% Porc. 95% Rango IQ Observaciones
ausentes
57.030 71.987 4.2306 0
De la variable TGP se puede observar que tiene una media de 64.817 y mediana de 65.40,
valores cercanos al mínimo (55.101) y máximo (72.474), también se tiene un coeficiente de
variación muy pequeño lo indica una baja dispersión de los datos, por otra parte la
desviación típica indica una baja variación de los datos.

para la variable Tasa de subempleo subjetivo (54 observaciones válidas)
31.182 31.785 18.471 43.161
6.1171 0.19618 -0.20366 -0.68870
ausentes
20.654 41.889 8.6190 0
De la variable TASA DE SUBEMPLEO SUBJETIVO se puede observar que tiene una

media de 31.182 y mediana de 31.785, estos valores están un poco alejados del mínimo
(18.471) y máximo (43.161), esta es la razón por la cual la desviación típica es mayor que la
anterior variable al igual que el coeficiente de variación.

para la variable Tasadesubempleoobjetivo (54 observaciones válidas)
11.676 11.773 8.1875 16.195
2.1541 0.18449 0.035957 -0.97017
ausentes
8.3049 15.184 3.6578 0
De la variable TASA DE SUBEMPLEO OBJETIVO se puede observar que tiene una

media de 11.676 y mediana de 11.773, con un mínimo (18.471) y máximo (43.161), esta
variable cuenta con una desviación típica baja, al igual que un coeficiente de variación bajo.
Del anterior análisis estadístico, se concluye que no se le aplicara logaritmo a ninguna

variable, ya que los coeficientes de variación son menores al 30%, el mayor valor es de la
tasa de subempleo subjetivo, con un C.V = 19.62%
4. Comparar descriptivamente entre categorías y por periodo para cada panel. Graficar
por diagramas de caja múltiples. Graficar por diagramas lineales solo para categorías e
interpretar el grupo.
R//
Diagrama de Cajas
TGP
TGP
72
70
68
66
64
62
60
58
56
Distribución de TGP por grupo
72
70
68
66
TGP
64
62
60
58
56
1 2 3
grupo
En el grupo 1 se puede observar una clara dispersión, puesto que la caja es un poco alargada
al igual que el grupo 2, en el grupo uno la mediana se acerca más al límite superior, y en el
grupo 2 al límite inferior, en el grupo 3 se observa una menor dispersión y una media más
distribuida, también se observa una gran diferencia en el primer tercio del grupo 1, pero al
estar la media cerca a la parte superior, esto quiere decir que durante estos años la variable se
comportó más homogénea.
TASA DE SUBEMPLEO SUBJETIVO:
Tasadesubempleosubjetivo
40
35
30
25
20
Distribución de Tasadesubempleosubjetivo por grupo
40
Tasadesubempleosubjetivo
35
30
25
20
1 2 3
grupo
En el grupo 1 se puede observar una fuerte dispersión, puesto que la caja está alargada, se
puede distinguir de igual manera que la mediana está más cerca al límite superior, en el
grupo 2 existe una fuerte diferencia en el primer tercio y la media está más cercana al límite
superior indicando homogeneidad durante esos años, se puede decir que existen fuertes
diferencias entre estas variables.
TASA DE SUBESEMPLEO OBJETIVO:
Tasadesubempleoobjetivo
16
15
14
13
12
11
10
Distribución de Tasadesubempleoobjetivo por grupo
16
15
14
Tasadesubempleoobjetivo
13
12
11
10
8
1 2 3
grupo
Ahora se observa una fuerte dispersión en el grupo 2, ya que la caja está más alargada, se
puede distinguir de igual manera que la mediana está ligeramente más cerca al límite
superior, en el grupo 1 la media está más cerca al límite inferior, para esta variable existe una
fuerte diferencia entre estas variables.
Probar que hay / no hay diferencias significativas de medias por año, y que hay / no hay
diferencias significativas de variabilidad por año para cada panel.
R //
ANÁLISIS DE DIFERENCIAS SIGNIFICATIVAS DE MEDIAS:
TGP VS TASA DE SUBEMPLEO SUBJETIVO:
Hipótesis nula: [Diferencia de medias = 0]

Hipótesis Ha: [Diferencia de medias ≠ 0]
Muestra 1:
n = 54, media = 64.8175, d.t. = 3.9447
Desviación típica de la media = 0.536806
Intervalo de confianza 95% para la media: 63.7408 a 65.8941
Muestra 2:
n = 54, media = 31.1816, d.t. = 6.11713
Estadístico de contraste: t(106) = (64.8175 - 31.1816)/0.99051 = 33.9581

Valor p a dos colas = 8.791e-059
(a una cola = 4.396e-059)
Se concluye que si hay diferencia de medias, ya que el Estadístico de contraste: t (106) =33.9581 es
mayor al Valor p a dos colas = 8.791e-059 (33.9581 > 8.791e-059).
0.5
Distribución muestral t(106)
estadístico de contraste
0.4
0.3
0.2
0.1
0
-30 -20 -10 0 10 20 30
Desviaciones típicas
Gráficamente también se puede observar, ya que el estadístico de contraste no cae dentro de

la zona, entonces se rechaza la hipótesis nula.
Finalmente se concluye que entre TGP y Tasa de subempleo subjetivo hay una diferencia
significativa de las medias.
TGP VS TASA DE SUBEMPLEO OBJETIVO:
Muestra 1:
n = 54, media = 64.8175, d.t. = 3.9447
Muestra 2:
n = 54, media = 11.6757, d.t. = 2.15407

(a una cola = 1.207e-100)
0.5
0.4
0.3
0.2
0.1
0
-80 -60 -40 -20 0 20 40 60 80

Finalmente se concluye que entre TGP y Tasa de subempleo objetivo hay una diferencia
significativa de las medias.
TASA DE SUBEMPLEO SUBJETIVO VS TASA DE SUBEMPLEO OBJETIVO:
Muestra 1:
n = 54, media = 31.1816, d.t. = 6.11713
Muestra 2:
n = 54, media = 11.6757, d.t. = 2.15407

(a una cola = 8.715e-042)
0.5
0.4
0.3
0.2
0.1
0
-20 -15 -10 -5 0 5 10 15 20

Finalmente se concluye que entre Tasa de subempleo subjetivo y Tasa de subempleo objetivo
hay una diferencia significativa de las medias.
ANÁLISIS DE DIFERENCIAS SIGNIFICATIVAS DE MEDIAS:
TGP VS TASA DE SUBEMPLEO SUBJETIVO:
Hipótesis nula: [Las varianzas poblacionales son iguales]

Hipótesis Ha: [Las varianzas poblacionales no son iguales]
Hipótesis
Muestra 1:
n = 54, varianza = 15.5607
Muestra 2:
n = 54, varianza = 37.4193
Estadístico de contraste: F(53, 53) = 2.40474
Valor p a dos colas = 0.001747
(a una cola = 0.0008733)
Se concluye que las Variables poblacionales no son iguales, ya que el Estadístico de contraste: t
(106) =2.40474es mayor al Valor p a dos colas = 0.001747 (2.40474> 0.001747).
1.6
Distribución muestral F(53, 53)
1.4
1.2
0.8
0.6
0.4
0.2
0
0 0.5 1 1.5 2 2.5

Finalmente se concluye que las Variables poblacionales no son iguales entre TGP y la Tasa de
subempleo subjetivo.
TGP VS TASA DE SUBEMPLEO OBJETIVO:

Muestra 1:
n = 54, varianza = 15.5607
Muestra 2:
n = 54, varianza = 4.64004
(a una cola = 1.019e-005)
(106) =3.35357 es mayor al Valor p a dos colas = 2.038e-005 (3.35357 > 2.038e-005).
1.6
1.4
1.2
0.8
0.6
0.4
0.2
0
0 0.5 1 1.5 2 2.5 3 3.5

Finalmente se concluye que las Variables poblacionales no son iguales entre TGP y la Tasa de
subempleo objetivo.
TASA DE SUBEMPLEO SUBJETIVO VS TASA DE SUBEMPLEO OBJETIVO:
Muestra 1:
n = 54, varianza = 37.4193
Muestra 2:
n = 54, varianza = 4.64004
(a una cola = 1.202e-012)
(106) =8.06445 es mayor al Valor p a dos colas = 2.403e-012 (8.06445 > 2.403e-012).
1.6
1.4
1.2
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8

Finalmente se concluye que las Variables poblacionales no son iguales entre Tasa de
subempleo subjetivo y la Tasa de subempleo objetivo.
8. Realizar una comparación de cambio estructural entre las fechas iniciales y final de los
paneles, cada uno individualmente considerados.
R //
TGP
Regresión aumentada para el contraste de Chow
MCO, utilizando 54 observaciones
Variable dependiente: TGP
coeficiente Desv. típica Estadístico t valor p

-----------------------------------------------------------------
const 59.8756 3.92191 15.27 7.43e-021 ***
splitdum 5.03510 3.95874 1.272 0.2091
Media de la vble. dep. 64.81745 D.T. de la vble. dep. 3.944702

Suma de cuad. residuos 799.8330 D.T. de la regresión 3.921913
R-cuadrado 0.030171 R-cuadrado corregido 0.011521
F(1, 52) 1.617715 Valor p (de F) 0.209070
Log-verosimilitud −149.3990 Criterio de Akaike 302.7980
Criterio de Schwarz 306.7759 Crit. de Hannan-Quinn 304.3321
Contraste de Chow de cambio estructural en la observación 1:02

F(1, 52) = 1.61771 con valor p 0.2091
Teniendo en cuenta que la Tasa global de participación (TGP), es la relación porcentual entre
la población económicamente activa y la población en edad de trabajar. Este indicador refleja
la presión de la población en edad de trabajar sobre el mercado laboral, es lógico que se
tenga un valor del p mayor a 0.05, puesto que al evaluar diferentes departamentos existan
varias razones socioculturales que influyan en la relación de la población económicamente
activa y la población en edad de trabajar, como el clima, movilidad y oportunidad laboral.
TASA DE SUBEMPLEO SUBJETIVO:

Variable dependiente: Tasadesubempleosubjetivo

----------------------------------------------------------------
const 27.9989 6.15958 4.546 3.30e-05 ***
splitdum 3.24274 6.21742 0.5216 0.6042

R-cuadrado 0.005204 R-cuadrado corregido -0.013927
F(1, 52) 0.272022 Valor p (de F) 0.604193

F(1, 52) = 0.272022 con valor p 0.6042
La tasa de Subempleo subjetivo, se refiere al simple deseo manifestado por el trabajador de

mejorar sus ingresos, el número de horas trabajadas o tener una labor más propia de sus
personales competencias, está razón de Subempleo subjetivo puede ser diferente en varios
departamentos del país, dependiendo de la oferta laboral y oficios locales, por esta razón el
valor de p=0.6042 es un resultado congruente a la situación de las zonas.
En 2010, la tasa de subempleo subjetivo del Valle fue 41,3%, inferior en 0,5
puntos porcentuales frente a la registrada en 2009 (41,8%)
TASA DE SUBEMPLEO OBJETIVO:

Variable dependiente: Tasadesubempleoobjetivo

----------------------------------------------------------------
const 10.4319 2.16771 4.812 1.32e-05 ***
splitdum 1.26730 2.18806 0.5792 0.5650

R-cuadrado 0.006410 R-cuadrado corregido -0.012698
F(1, 52) 0.335458 Valor p (de F) 0.564964

F(1, 52) = 0.335458 con valor p 0.5650
El Subempleo objetivo comprende a quienes tienen el deseo, pero además han hecho una
gestión para materializar su aspiración y están en disposición de efectuar el cambio, la
percepción del deseo de cambiar de trabajo y la gestión para materializarlo es diferente en
cada región, esto se debe a que algunos están más cómodos que otros en sus actuales puestos
de trabajo.
ANÁLISIS DE RESULTADOS
El Valle presentó una tasa global de participación de 66,5% y una tasa de ocupación de
57,9%. La tasa de desempleo tuvo una disminución de 1,0 punto porcentual al pasar de 14,0%
en 2009 a 13,0% en 2010, ese mismo año, Antioquia presentó una tasa global de participación
de 61,2%, lo que significó un aumento de 0,8 puntos porcentuales frente al 2009; la tasa de
ocupación fue 53,9%, aumentando 1,2 puntos porcentuales frente al 2009. La tasa de
desempleo fue 11,9%, inferior en 0,8 puntos porcentuales frente a la registrada en 2009
(12,7%), y Bogotá D.C. presentó una tasa global de participación de 68,6% y una tasa de
ocupación de 61,3%. La tasa de desempleo fue 10,7%, inferior en 0,8 puntos porcentuales
frente a la registrada en 2009 (11,5%).
Se puede observar que durante un mismo año no se observa una gran diferencia entre los
valores de la TGP para los departamentos Valle, Antioquia y Bogotá con valores de 66,5%,
61,2% y 68,6% respectivamente, no obstante durante el año 2007 se observó una baja en
estos porcentajes (62,1%, 56,9% y 64% ), esta pequeña diferencia hace que exista un cambio
estructural en este tipo datos, puesto que hay cambios muy bruscos durante la serie de
tiempo.
Ilustración 1TGP Valle del Cauca
Ilustración 2TGP Antioquia
Ilustración 3TGP Bogotá

También se debe tener en cuenta que Bogotá D.C., Antioquia y Valle fueron los
departamentos con mayor concentración de ocupados (43,0%) y desocupados (42,6%) dentro
del total nacional, estas variables afectan directamente el estudio, ya que La TGP es la
relación porcentual entre la población económicamente activa y la población en edad de
trabajar. Este indicador refleja la presión de la población en edad de trabajar sobre el mercado
laboral.
Por otra parte, las variables de subempleo objetivo y subjetivo pueden variar respecto a la
región departamento o región, ya que dependen de la variedad en las condiciones
socioeconómicas de cada sitio, y esto se debe a que dependen de los deseos de las personas
por mejorar sus ingresos, el número de horas trabajadas o tener una labor más propia de sus
personales competencias, o las personas que lo desean, pero además han hecho una gestión
para materializar su aspiración y están en disposición de efectuar el cambio, teniendo en
cuenta esto las condiciones de los tres departamentos analizados son muy diferentes, en
cuanto oportunidad laboral o tipos de oficios, permitiendo una mayor variabilidad, esta idea
se refuerza con los diferentes diagramas de caja, donde se observa una fuerte diferencia entre
las variables.
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.

Sonia Fase 4 Grupo 105018 4

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

Sonia Fase 4 Grupo 105018 4

Cargado por

Copyright:

Formatos disponibles

Fase 4

JEISSON ENRIQUE ATUESTA

Año Departamento TGP Tasa de subempleo subjetivo Tasa de subempleo objetivo

3. Realizar análisis univariado de cada variable por separado. Decidir si se aplica el

Estadísticos principales, usando las observaciones 1:01 - 3:18

Estadísticos principales, usando las observaciones 1:01 - 3:18

De la variable TASA DE SUBEMPLEO SUBJETIVO se puede observar que tiene una

Estadísticos principales, usando las observaciones 1:01 - 3:18

De la variable TASA DE SUBEMPLEO OBJETIVO se puede observar que tiene una

Del anterior análisis estadístico, se concluye que no se le aplicara logaritmo a ninguna

Distribución de TGP por grupo

Distribución de Tasadesubempleosubjetivo por grupo

Distribución de Tasadesubempleoobjetivo por grupo

ANÁLISIS DE DIFERENCIAS SIGNIFICATIVAS DE MEDIAS:

TGP VS TASA DE SUBEMPLEO SUBJETIVO:

Hipótesis nula: [Diferencia de medias = 0]

Estadístico de contraste: t(106) = (64.8175 - 31.1816)/0.99051 = 33.9581

Gráficamente también se puede observar, ya que el estadístico de contraste no cae dentro de

Estadístico de contraste: t(106) = (64.8175 - 11.6757)/0.611627 = 86.8859

Gráficamente también se puede observar, ya que el estadístico de contraste no cae dentro de

Estadístico de contraste: t(106) = (31.1816 - 11.6757)/0.88254 = 22.102

Gráficamente también se puede observar, ya que el estadístico de contraste no cae dentro de

TGP VS TASA DE SUBEMPLEO SUBJETIVO:

Hipótesis nula: [Las varianzas poblacionales son iguales]

Gráficamente también se puede observar, ya que el estadístico de contraste no cae dentro de

Hipótesis nula: [Las varianzas poblacionales son iguales]

Gráficamente también se puede observar, ya que el estadístico de contraste no cae dentro de

Gráficamente también se puede observar, ya que el estadístico de contraste no cae dentro de

coeficiente Desv. típica Estadístico t valor p

Media de la vble. dep. 64.81745 D.T. de la vble. dep. 3.944702

Contraste de Chow de cambio estructural en la observación 1:02

TASA DE SUBEMPLEO SUBJETIVO:

Regresión aumentada para el contraste de Chow

coeficiente Desv. típica Estadístico t valor p

Media de la vble. dep. 31.18161 D.T. de la vble. dep. 6.117133

Contraste de Chow de cambio estructural en la observación 1:02

La tasa de Subempleo subjetivo, se refiere al simple deseo manifestado por el trabajador de

Regresión aumentada para el contraste de Chow

coeficiente Desv. típica Estadístico t valor p

Media de la vble. dep. 11.67573 D.T. de la vble. dep. 2.154074

Contraste de Chow de cambio estructural en la observación 1:02

Ilustración 2TGP Antioquia

Ilustración 3TGP Bogotá

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

También podría gustarte