NATALIA ESCALERA ROJAS

ANDREA JOSEANY ALBA BALDERRAMA

Universidad Mayor de San Simón Facultad de Ciencias

Económicas Econometría Prof. Hernán Delgadillo
Dorado

Práctica Modelo Lineal Simple

1. ¿Por qué cree usted que se denomina modelo lineal simple?

El término "modelo lineal simple" se refiere a un modelo matemático que asume

una relación lineal entre una variable dependiente y una variable
independiente. Este modelo es "simple" porque sólo considera una variable
independiente en la ecuación de regresión.

En este modelo, se utiliza una ecuación lineal para predecir los valores de
la variable dependiente a partir de los valores de la variable independiente.
La fórmula lineal se representa como:

Y = a + bX

donde "Y" es la variable dependiente, "X" es la variable independiente, "a"

es el intercepto y "b" es la pendiente de la línea.

Este modelo se llama "lineal" porque se ajusta a una línea recta en un gráfico
de dispersión de los datos, lo que significa que la relación entre las
variables dependiente e independiente es constante y proporcional.

En resumen, el modelo lineal simple se llama así porque es un modelo matemático

que utiliza una ecuación lineal para describir la relación entre una variable
dependiente y una variable independiente.

2. ¿Qué importancia tienen las hipótesis, postulados o supuestos del MLS?

El MLS, o Método de los Límites y el Sentido Común, es un método científico

utilizado para construir modelos explicativos que permitan entender la
complejidad de un fenómeno. En este sentido, las hipótesis, postulados o
supuestos son fundamentales para el MLS, ya que se constituyen como la base a
partir de la cual se desarrolla el modelo.

Las hipótesis son afirmaciones tentativas que se formulan para explicar un

fenómeno, las cuales deben ser verificables o falsables mediante la observación
o experimentación. En el MLS, las hipótesis permiten establecer los límites
del modelo y determinar qué aspectos del fenómeno se incluirán en el análisis
y cuáles se excluirán.

Por su parte, los postulados son afirmaciones que se asumen como verdaderas
sin necesidad de comprobación, ya que son considerados como evidentes por sí
mismos. En el MLS, los postulados establecen las bases teóricas del modelo y
ayudan a comprender las relaciones entre los diferentes elementos del fenómeno.

Finalmente, los supuestos son ideas o creencias que se consideran como

verdaderas en el contexto del modelo, aunque no necesariamente lo sean en la
realidad. En el MLS, los supuestos permiten simplificar el análisis y hacerlo
más manejable, pero es importante tener en cuenta que estos supuestos pueden
ser cuestionados y modificados en función de nuevas evidencias o
descubrimientos.

En resumen, las hipótesis, postulados y supuestos son elementos clave en el

MLS ya que permiten establecer las bases teóricas del modelo y determinar los

NATALIA ESCALERA ROJAS

ANDREA JOSEANY ALBA BALDERRAMA
NATALIA ESCALERA ROJAS
ANDREA JOSEANY ALBA BALDERRAMA

límites y alcances del análisis. Es importante que estos elementos sean

explícitos y estén bien fundamentados para garantizar la validez y fiabilidad
del modelo construido.

3. ¿Por qué aparecen los problemas econométricos?

Los problemas econométricos aparecen debido a la complejidad y la variedad de

los datos económicos, así como a las limitaciones en los métodos y técnicas
utilizados para analizarlos. Algunas de las razones por las que pueden surgir
problemas econométricos son:

1. Endogeneidad: Este problema se produce cuando una variable explicativa está

correlacionada con el término de error del modelo. Esto puede dar lugar a
estimaciones sesgadas o inconsistentes.

2. Multicolinealidad: Ocurre cuando dos o más variables independientes están

altamente correlacionadas entre sí, lo que dificulta la identificación de su
efecto individual en la variable dependiente.

3. Heterocedasticidad: Se produce cuando la varianza del término de error del

modelo no es constante. Esto puede dar lugar a estimaciones ineficientes o
sesgadas.

4. Sesgo de selección: Este problema se produce cuando las muestras utilizadas

para estimar el modelo no son representativas de la población, lo que puede
llevar a conclusiones erróneas.

5. Especificación del modelo: Si el modelo utilizado no es adecuado para la

relación entre las variables, pueden surgir problemas de especificación, lo
que puede llevar a estimaciones inexactas o inadecuadas.

6. Autocorrelación: Este problema se produce cuando los errores del modelo

están correlacionados entre sí. Esto puede dar lugar a estimaciones
ineficientes o sesgadas.

Estos son solo algunos de los problemas econométricos que pueden surgir en el
análisis de datos económicos. Es importante tener en cuenta que estos problemas
pueden ser complejos y requieren de técnicas y métodos adecuados para su
resolución. Además, en muchos casos, la solución de un problema puede requerir
el uso de varias técnicas y herramientas en combinación.

4. ¿Qué métodos de estimación conoce para el MLS?

Existen varios métodos de estimación que se pueden utilizar en el contexto del

MLS, dependiendo de las características y de los objetivos del modelo. Algunos
de los métodos más comunes son los siguientes:

1. Método de los mínimos cuadrados (OLS): Es el método de estimación más

utilizado en el MLS. Consiste en minimizar la suma de los cuadrados de los
residuos entre las observaciones reales y las predicciones del modelo.

2. Máxima verosimilitud (ML): Este método se utiliza para estimar los

parámetros de modelos probabilísticos. Consiste en encontrar los valores de
los parámetros que maximizan la probabilidad de que los datos observados sean
generados por el modelo.

3. Mínimos cuadrados ponderados (WLS): Este método se utiliza cuando los

errores no tienen varianza constante o cuando se desea dar más peso a algunas
observaciones. Consiste en minimizar la suma de los cuadrados de los residuos
ponderados por una matriz de peso.

NATALIA ESCALERA ROJAS

ANDREA JOSEANY ALBA BALDERRAMA
NATALIA ESCALERA ROJAS
ANDREA JOSEANY ALBA BALDERRAMA

4. Método de variables instrumentales (IV): Este método se utiliza para estimar

modelos con variables endógenas. Consiste en encontrar variables exógenas que
expliquen la varianza de las variables endógenas y utilizarlas como
instrumentos para estimar los parámetros del modelo.

5. Regresión por cuantiles: Este método se utiliza para analizar relaciones

no lineales entre variables. En lugar de minimizar los cuadrados de los
residuos, se minimiza la suma de las diferencias absolutas entre las
observaciones y las predicciones del modelo.

6. Métodos Bayesianos: Estos métodos utilizan la teoría de la probabilidad

bayesiana para estimar los parámetros del modelo y proporcionar una medida de
la incertidumbre asociada con las estimaciones.

Estos son solo algunos de los métodos de estimación que se pueden utilizar en
el contexto del MLS. Es importante tener en cuenta que la elección del método
dependerá de las características del modelo y de los datos utilizados. Además,
en muchos casos, la combinación de varios métodos puede proporcionar una mejor
estimación de los parámetros del modelo y mejorar la precisión de las
predicciones.

5. ¿Para qué se transforman los datos observados a desviaciones?

Los datos observados se transforman a desviaciones para poder analizarlos y

modelarlos de una manera más efectiva y eficiente en el contexto del MLS.

Las desviaciones representan la diferencia entre el valor observado de una

variable y su valor esperado o pronosticado. Al trabajar con desviaciones, se
eliminan las diferencias sistemáticas entre las observaciones y las
predicciones del modelo, lo que permite centrarse en los factores que influyen
en la variación de la variable dependiente.

Una vez que se han calculado las desviaciones, se pueden utilizar para analizar
la relación entre las variables y para estimar los parámetros del modelo. Por
ejemplo, al estimar un modelo de regresión lineal, las desviaciones se utilizan
para estimar el coeficiente de regresión, que indica la relación entre las
variables independientes y la variable dependiente después de controlar por
otros factores.

La transformación a desviaciones también es útil para comparar diferentes

observaciones y para detectar patrones en los datos. Al trabajar con
desviaciones, se pueden identificar patrones de comportamiento a lo largo del
tiempo o entre diferentes grupos de observaciones, lo que permite una mejor
comprensión de los factores que influyen en la variable dependiente.

En resumen, la transformación a desviaciones es una herramienta fundamental

en el análisis y modelado de datos en el contexto del MLS, ya que permite
centrarse en los factores que influyen en la variación de la variable
dependiente y proporciona una mejor comprensión de las relaciones entre las
variables.

6. ¿Cuál es la importancia de las propiedades de los estimadores minimo

cuadráticos?

Las propiedades de los estimadores de mínimos cuadrados (OLS) son fundamentales

en el análisis econométrico porque permiten evaluar la calidad de las
estimaciones y determinar si las inferencias realizadas a partir de ellas son
válidas. Algunas de las propiedades más importantes son las siguientes:

1. Insesgadez: Un estimador se considera insesgado si su valor esperado es

igual al verdadero valor del parámetro. La insesgadez es importante porque

NATALIA ESCALERA ROJAS

ANDREA JOSEANY ALBA BALDERRAMA
NATALIA ESCALERA ROJAS
ANDREA JOSEANY ALBA BALDERRAMA

garantiza que, en promedio, el estimador no esté sesgado hacia arriba o hacia

abajo, y que, por lo tanto, proporcione una estimación precisa del parámetro.

2. Consistencia: Un estimador se considera consistente si converge al verdadero

valor del parámetro a medida que el tamaño de la muestra aumenta. La
consistencia es importante porque garantiza que, a medida que se disponga de
más datos, la estimación se acercará cada vez más al verdadero valor del
parámetro.

3. Eficiencia: Un estimador se considera eficiente si tiene la menor varianza

posible entre todos los estimadores insesgados. La eficiencia es importante
porque garantiza que el estimador proporcione la estimación más precisa posible
del parámetro, dadas las condiciones del modelo y de los datos.

4. Normalidad asintótica: Bajo ciertas condiciones, los estimadores de mínimos

cuadrados son asintóticamente normales, lo que significa que su distribución
se aproxima a una distribución normal a medida que el tamaño de la muestra
aumenta. La normalidad asintótica es importante porque permite utilizar
técnicas de inferencia estadística basadas en la distribución normal, como la
construcción de intervalos de confianza y la realización de pruebas de
hipótesis.

5. Invarianza bajo transformación lineal: Los estimadores de mínimos cuadrados

son invariantes bajo transformaciones lineales de las variables explicativas.
Esto significa que, si se transforma una variable explicativa, el valor del
estimador no se ve afectado. La invarianza bajo transformación lineal es
importante porque permite trabajar con variables en diferentes escalas y
unidades sin afectar la estimación del modelo.

En resumen, las propiedades de los estimadores de mínimos cuadrados son

importantes porque permiten evaluar la calidad de las estimaciones, determinar
si las inferencias son válidas y establecer la precisión y confiabilidad de
los resultados obtenidos a partir del modelo econométrico.

7. ¿Cómo puede explicar la varianza del término estocástico y su

importancia en la varianza de los estimadores?

El término estocástico en un modelo econométrico representa la parte del

comportamiento de la variable dependiente que no es explicada por las variables
independientes incluidas en el modelo. La varianza del término estocástico se
refiere a la cantidad de variabilidad en la variable dependiente que no se
puede explicar mediante las variables independientes incluidas en el modelo.

La varianza del término estocástico es importante en la varianza de los

estimadores porque se refleja en el error estándar de los coeficientes de
regresión y, por lo tanto, en la precisión de las estimaciones. Cuanto mayor
sea la varianza del término estocástico, mayor será la varianza del error
estándar de los coeficientes y menor será la precisión de las estimaciones.
En otras palabras, la varianza del término estocástico influye en la
confiabilidad y la precisión de las estimaciones del modelo.

Por lo tanto, es importante tener en cuenta la varianza del término estocástico

al interpretar los resultados del modelo econométrico y al tomar decisiones
basadas en las estimaciones. Si la varianza del término estocástico es alta,
es posible que las estimaciones no sean muy precisas y que la confiabilidad
de los resultados sea baja. En este caso, es posible que se deba considerar
la inclusión de otras variables independientes o la utilización de técnicas
más avanzadas para mejorar el ajuste del modelo y reducir la varianza del
término estocástico.

NATALIA ESCALERA ROJAS

ANDREA JOSEANY ALBA BALDERRAMA
NATALIA ESCALERA ROJAS
ANDREA JOSEANY ALBA BALDERRAMA

8. ¿Qué base teórica sustenta la estimación por intervalos de los

estimadores?

La estimación por intervalos de los estimadores se basa en la teoría de la

inferencia estadística, que se utiliza para hacer inferencias acerca de una
población a partir de una muestra de datos. En particular, la estimación por
intervalos se basa en la distribución muestral de los estimadores, que describe
cómo se comportaría el estimador si se repitiera el proceso de muestreo muchas
veces.

La distribución muestral de un estimador se utiliza para construir un intervalo

de confianza alrededor del estimador. Un intervalo de confianza es un rango
de valores dentro del cual se espera que se encuentre el verdadero valor del

parámetro con un cierto grado de confianza. Este grado de confianza se expresa

como un nivel de confianza, que generalmente se establece en un valor del 90%,
95% o 99%.

La construcción de un intervalo de confianza se basa en el hecho de que, si

se repitiera el proceso de muestreo muchas veces, el estimador estaría dentro
del intervalo de confianza en un porcentaje conocido de las veces. Este
porcentaje se corresponde con el nivel de confianza establecido previamente.

La teoría de la inferencia estadística también establece que, a medida que el

tamaño de la muestra aumenta, la distribución muestral del estimador se
aproxima a una distribución normal. Esto permite utilizar técnicas
estadísticas basadas en la distribución normal, como la construcción de
intervalos de confianza y la realización de pruebas de hipótesis, para hacer
inferencias acerca del valor del parámetro en la población.

En resumen, la estimación por intervalos de los estimadores se basa en la

teoría de la inferencia estadística, que utiliza la distribución muestral del
estimador para construir un intervalo de confianza alrededor del estimador y
hacer inferencias acerca del valor del parámetro en la población.

9. ¿Para qué se realizan pruebas de hipótesis nula individual y grupal de

los parámetros?

Las pruebas de hipótesis nula individual y grupal se realizan para evaluar la

significancia estadística de los parámetros estimados en un modelo
econométrico. Estas pruebas permiten determinar si los parámetros son
estadísticamente diferentes de cero, lo que indica si las variables
independientes incluidas en el modelo tienen un efecto significativo sobre la
variable dependiente.

La prueba de hipótesis nula individual se realiza para cada parámetro

individualmente, y se establece una hipótesis nula que afirma que el parámetro
es igual a cero. Si la prueba de hipótesis rechaza la hipótesis nula, esto
indica que el parámetro es significativamente diferente de cero y, por lo
tanto, la variable independiente correspondiente tiene un efecto significativo
sobre la variable dependiente.

La prueba de hipótesis nula grupal, también conocida como prueba F, evalúa la

significancia conjunta de un conjunto de parámetros. Esta prueba establece una
hipótesis nula que afirma que todos los parámetros incluidos en el modelo son
iguales a cero. Si la prueba de hipótesis rechaza la hipótesis nula, esto
indica que al menos uno de los parámetros es significativamente diferente de
cero y, por lo tanto, al menos una de las variables independientes tiene un
efecto significativo sobre la variable dependiente.

NATALIA ESCALERA ROJAS

ANDREA JOSEANY ALBA BALDERRAMA
NATALIA ESCALERA ROJAS
ANDREA JOSEANY ALBA BALDERRAMA

En conjunto, las pruebas de hipótesis nula individual y grupal son herramientas

fundamentales en la evaluación de la significancia estadística de los
parámetros de un modelo econométrico y en la interpretación de los resultados
del modelo. Además, estas pruebas pueden ser útiles para identificar posibles
problemas de especificación del modelo y para guiar la selección de variables
independientes a incluir en el modelo.

10. ¿Por qué es necesario un análisis de correlación?

El análisis de correlación es una herramienta estadística que se utiliza para

examinar la relación entre dos variables. Es importante porque nos permite
identificar si existe una relación entre las variables y, en caso afirmativo,
qué tipo de relación es.

En la investigación económica y social, es común que haya múltiples variables

que afectan el fenómeno que se está estudiando. El análisis de correlación nos
ayuda a entender cómo se relacionan estas variables entre sí y cómo afectan
el fenómeno que estamos estudiando.

Por ejemplo, en una investigación sobre el rendimiento académico de los

estudiantes, podríamos examinar la correlación entre el tiempo que los
estudiantes dedican al estudio y sus calificaciones en los exámenes. Si
encontramos una correlación positiva entre estas variables, esto sugiere que
los estudiantes que dedican más tiempo al estudio tienden a obtener mejores
calificaciones. Este tipo de información puede ser útil para identificar
estrategias de enseñanza efectivas y ayudar a los estudiantes a mejorar su
rendimiento académico.

Además, el análisis de correlación también puede ayudar a identificar variables

que podrían ser importantes en la construcción de un modelo econométrico. Si
encontramos una correlación significativa entre dos variables, esto sugiere
que una de ellas podría ser una buena candidata para incluir en un modelo para
explicar la variable de interés.

En resumen, el análisis de correlación es necesario para entender la relación

entre dos variables y cómo afectan el fenómeno que se está estudiando. Además,
puede ser útil en la identificación de variables importantes para la
construcción de modelos econométricos.

11. ¿Es lo mismo estimar un modelo lineal simple con o sin ordenada al
origen?

No, no es lo mismo estimar un modelo lineal simple con o sin ordenada al

origen. Un modelo lineal simple sin ordenada al origen se representa
matemáticamente como y = βx + u, donde y es la variable dependiente, x es la
variable independiente, β es el coeficiente de la variable independiente y u
es el término de error.

En un modelo lineal simple sin ordenada al origen, la línea de regresión pasa

por el origen (0,0) y el coeficiente β representa la pendiente de la línea de
regresión. En este caso, la estimación del coeficiente β se realiza a través
de la regresión de los datos en el plano cartesiano.

Por otro lado, un modelo lineal simple con ordenada al origen se representa
matemáticamente como y = β0 + β1x + u, donde β0 es el término de la ordenada
al origen.

En un modelo lineal simple con ordenada al origen, la línea de regresión no

necesariamente pasa por el origen (0,0) y se estima tanto el coeficiente de
la ordenada al origen (β0) como el coeficiente de la variable independiente

NATALIA ESCALERA ROJAS

ANDREA JOSEANY ALBA BALDERRAMA
NATALIA ESCALERA ROJAS
ANDREA JOSEANY ALBA BALDERRAMA

(β1). En este caso, la estimación de los coeficientes β0 y β1 se realiza a

través de la regresión de los datos en el plano cartesiano.

En resumen, si se estima un modelo lineal simple sin ordenada al origen, se

asume que la línea de regresión pasa por el origen y se estima solo un
coeficiente, la pendiente de la línea de regresión. Por otro lado, si se estima
un modelo lineal simple con ordenada al origen, se estima tanto la ordenada
al origen como la pendiente de la línea de regresión. Por lo tanto, la elección
de uno u otro modelo dependerá de la naturaleza de los datos y del fenómeno
que se esté estudiando.

12. ¿Qué ocurre con los estimadores cuando la variable endógena se divide
entre 1000000?

Si se divide la variable endógena entre 1000000, es decir, si se realiza una

transformación lineal de la variable endógena, los estimadores también
cambiarán.

En un modelo de regresión lineal, los estimadores se calculan mediante la

minimización de la suma de cuadrados de los residuos. Si se realiza una
transformación lineal de la variable endógena, los residuos también se verán
afectados y, por lo tanto, los estimadores también cambiarán

En particular, si se divide la variable endógena entre 1000000, el coeficiente

estimado de la variable independiente se multiplicará por 1000000. Por lo
tanto, la interpretación del coeficiente también cambiará. Si la variable
independiente mide algo en unidades de millones, entonces el coeficiente
estimado de la variable independiente deberá ser dividido por 1000000 para
interpretarlo correctamente en la unidad original.

Por otro lado, la interpretación del coeficiente estimado de la ordenada al

origen no se verá afectada por la transformación lineal de la variable
endógena, ya que la ordenada al origen representa el valor estimado de la
variable dependiente cuando la variable independiente es cero. Sin embargo,
la magnitud del coeficiente estimado de la ordenada al origen podría cambiar,
dependiendo de cómo se haya escalado la variable endógena.

En resumen, cuando se realiza una transformación lineal de la variable

endógena, los estimadores también cambiarán y su interpretación también podría
verse afectada. Por lo tanto, es importante tener en cuenta la escala de las
variables al interpretar los resultados del modelo de regresión.

13. Para un modelo lineal simple en el que la variable predeterminada es el

tiempo: ¿Cómo se interpreta el coeficiente beta?

En un modelo lineal simple en el que la variable independiente es el tiempo,

el coeficiente beta representa la tasa de cambio o la pendiente de la línea
de regresión. En otras palabras, el coeficiente beta indica el cambio en la
variable dependiente por unidad de cambio en la variable independiente (el
tiempo). Si el coeficiente beta es positivo, esto indica que la variable
dependiente aumenta a medida que aumenta la variable independiente (el tiempo).
Por otro lado, si el coeficiente beta es negativo, esto indica que la variable
dependiente disminuye a medida que aumenta la variable independiente (el
tiempo).

Por ejemplo, si se está analizando el rendimiento de una empresa a lo largo

del tiempo, y se encuentra que el coeficiente beta es 0.5, esto indica que el
rendimiento de la empresa está aumentando a una tasa de 0.5 unidades por unidad
de tiempo. Si la variable independiente (el tiempo) está medida en años,
entonces el coeficiente beta se interpreta como el aumento o disminución del
rendimiento de la empresa por cada año adicional.

NATALIA ESCALERA ROJAS

ANDREA JOSEANY ALBA BALDERRAMA
NATALIA ESCALERA ROJAS
ANDREA JOSEANY ALBA BALDERRAMA

Es importante tener en cuenta que la interpretación del coeficiente beta

también puede verse afectada por la escala de las variables y la presencia de
variables confundidoras o variables omitidas. Por lo tanto, es importante
evaluar cuidadosamente la validez del modelo y la interpretación de los
resultados en el contexto del problema que se está estudiando.

14. ¿Cuáles son los motivos para estandarizar las variables en el MLS?

Existen varias razones por las que se puede considerar la estandarización de

variables en el método de mínimos cuadrados (MLS):

1. Comparabilidad: Si las variables tienen diferentes escalas o unidades de

medida, es difícil comparar sus coeficientes de regresión. Al estandarizar las
variables, se las coloca en una escala común, lo que permite la comparación
directa de los coeficientes de regresión.

2. Estabilidad numérica: La estandarización de variables puede ayudar a mejorar

la estabilidad numérica de los cálculos del modelo. Si las variables tienen
diferentes órdenes de magnitud o varían mucho en su rango de valores, la
solución numérica del modelo puede volverse inestable, lo que puede dar lugar
a estimaciones imprecisas o erróneas. La estandarización puede ayudar a reducir
este problema.

3. Interpretación: La estandarización de variables puede hacer que la

interpretación de los coeficientes de regresión sea más sencilla y
significativa. En particular, los coeficientes estandarizados representan el
cambio en la variable dependiente (en desviaciones estándar) por cada aumento
de una desviación estándar en la variable independiente. Esta interpretación
puede ser más intuitiva y significativa que la interpretación de los
coeficientes de regresión no estandarizados.

4. Regularización: En algunos casos, la estandarización de variables puede

ayudar a aplicar técnicas de regularización, como la regresión ridge o la
regresión Lasso. Estas técnicas penalizan los coeficientes de regresión
grandes, y la estandarización de variables puede ayudar a asegurar que todas
las variables tengan una magnitud similar en la penalización.

En resumen, la estandarización de variables puede ayudar a mejorar la

comparabilidad, la estabilidad numérica, la interpretación y la aplicación de
técnicas de regularización en el método de mínimos cuadrados. Sin embargo, es
importante tener en cuenta que la estandarización también puede cambiar la
interpretación de los coeficientes y que puede haber situaciones en las que
no es necesario o deseable estandarizar las variables.

15. Plantee un MLS en el que incorpore una variable dicotómica tal que
permita estimar la diferencia de ahorro entre población rural y urbana.

Un modelo lineal simple que incorpore una variable dicotómica para estimar la
diferencia de ahorro entre población rural y urbana puede ser expresado de la
siguiente manera:

Ahorro = β0 + β1 * PoblaciónRural + ε

Donde:

- Ahorro es la variable dependiente que queremos predecir.

- PoblaciónRural es una variable dicotómica que toma el valor 1 si la

observación corresponde a una población rural, y 0 si corresponde a una
población urbana.

NATALIA ESCALERA ROJAS

ANDREA JOSEANY ALBA BALDERRAMA
NATALIA ESCALERA ROJAS
ANDREA JOSEANY ALBA BALDERRAMA

- β0 es el término constante o intersección, que representa el valor esperado

de Ahorro cuando PoblaciónRural es igual a 0.

- β1 es el coeficiente de la variable PoblaciónRural, que representa el cambio

en el valor esperado de Ahorro cuando PoblaciónRural cambia de 0 a 1.

- ε es el término de error o residuo, que representa la variabilidad en Ahorro

que no puede ser explicada por PoblaciónRural.

La interpretación del coeficiente β1 es que representa la diferencia en el

ahorro entre la población rural y urbana. Si β1 es positivo, significa que la
población rural tiende a ahorrar más que la población urbana, mientras que si
es negativo, significa que la población rural tiende a ahorrar menos que la
población urbana. Si β1 es igual a cero, no hay diferencia en el ahorro entre
la población rural y urbana.

NATALIA ESCALERA ROJAS

ANDREA JOSEANY ALBA BALDERRAMA