PONTIFICA UNIVERSIDAD CATÓLICA DEL PERÚ

MAESTRIA EN REGULACIÓN, GESTIÓN Y ECONOMÍA MINERA

Curso: Análisis de Datos Estadísticos
Profesora: Fátima Ponce Regalado. 2023

PAUTAS PARA EL TRABAJO FINAL

Aplicación de un modelo de regresión: Especificar, estimar y evaluar un modelo
econométrico a fin de encontrar el mejor resultado de estimación. El Modelo Econométrico
debe contener por lo menos 3 variables independientes.

Partes que deberá tener el trabajo:

Título de la Investigación.
1. Introducción: Planteamiento del tema de investigación. Importancia / Justificación del
trabajo. Objetivo general y objetivos específicos
2. Marco Teórico / Referencia teórica (a partir de revisión de literatura basada en artículos
académicos, libros, tesis).
3. Planteamiento del Modelo Econométrico y la(s) hipótesis de relación entre las
variables a trabajar. Especificar el Modelo: señalando claramente cuál es la variable
dependiente y cuáles son las variables independientes que ayudan a entender el
comportamiento de la variable bajo estudio.
4. Diseño metodológico - Análisis de Datos:
4.1 Obtención de datos muestrales: Se recogen datos de una muestra que puede ser:
- De Series de Tiempo: Por ej. la Demanda de Cobre del año 2000 I trim al 2022 IV trim, ó,
- De Corte Transversal: Por ej. la Pobreza en el Perú a nivel regional para el año 2022.

Señalar cuál es la muestra: período de análisis, frecuencia de los datos (si es anual,
trimestral o mensual), o, si es a nivel regional o de hogares; qué datos emplean para cada
variable teórica, las unidades de medida y cuál es la fuente de los datos.

4.2 Análisis de los Datos: Uso de herramientas cuantitativas aprendidas en el curso

- De Estadística Descriptiva - análisis univariado. Presentar tablas, gráficos,

análisis de indicadores resúmenes (media, desv stándar, etc.) con interpretación, que
permitan conocer características de la variable dependiente para analizar si se
presentan elementos atípicos en la serie. y las 2 principales variables relacionadas.

- De Análisis bivariado:
o Análisis de Correlación para conocer las relaciones lineales bivariadas de cada
variable independiente con la dependiente (intensidad y el signo de relación).
o Búsqueda de relaciones entre la variable dependiente y c/u de las
independientes, empleando el Modelo de Regresión Bivariado o Simple
(estimación por MCO)
- De Análisis de Regresión Múltiple: para definir las “principales” variables
independientes que ayudan a explicar el comportamiento de la variable dependiente.

i) Especificar el Modelo Econométrico Multivariado:

Relación Lineal: DCobre = β0 + β1 precio+ β2 PBIEEUU + ε
Signos esperados a priori: β1<0, β2 >0
 No obligatorio, pero si algún grupo quiere puede plantear:
Relación log-lineal: lnDCobre = β0 + β1 lnprecio + β2 lnPBIEEUU + ε
Signos esperados a priori: β1<0, β2 >0

ii) Estimar el Modelo Econométrico por MCO.

iii) Evaluar la Estimación. Evaluar si el resultado que encontraron es el mejor
que se puede hallar con los datos empleados. Presenta la mejor estimación y
comentar los resultados.

Tener presente que es un trabajo académico de monografía, no es una recopilación de

gráficos y cuadros estadísticos, por lo que deberá comentar los gráficos y resultados
estadísticos que coloque en su informe.

a. Evaluación económica. Análisis de los coeficientes estimados y signos. ¿Cómo se

interpreta cada coeficiente?.
b. Evaluación estadística. Basado en el R2, test F, test t.
Si su Salida es:
Dependent Variable: DCOBRE
Method: Least Squares
Sample: 2014.01 2021.12
Included observations: 96
Variable Coefficient Std. Error t-Statistic Prob.
PRECIO -0.067635 0.006660 -10.15492 0.0000
PBIEEUU 0.626912 0.045192 13.87215 0.0000
C 9726.260 640.7192 15.18022 0.0000
R-squared 0.984278 Mean dependent var 8178.407
Adjusted R-squared 0.981504 S.D. dependent var 1971.226
S.E. of regression 268.0884 Akaike info criterion 14.19015
Sum squared resid 1221814. Schwarz criterion 14.38911
Log likelihood -144.9966 F-statistic 354.7673
Durbin-Watson stat 1.751046 Prob(F-statistic) 0.000000

c. Evaluación econométrica. No es necesario que la realicen para este trabajo.

COMPARACIÓN DE MODELOS: Armar su portafolio de modelos. Para elegir entre

modelos que tienen la misma variable dependiente, puede emplear el Adjusted R-squared
(R2 ajustado) y viendo que las variables independientes incluidas sean útiles.

5. Conclusiones del Trabajo.

6. Bibliografía.
7. Anexos.