Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ECONOMETRÍA ICS294
Profesor
Jorge Ortega
Equipo de trabajo
Christopher Ancatén 201966044-6 Paralelo 1
Lafken Arias 201966126-4 Paralelo 1
Bahiron Astudillo 201966066-3 Paralelo 1
Raffaella Cafaro 201966068-3 Paralelo 1
Camila Gonzalez 201966184-1 Paralelo 2
Stacy Salazar 201866105-8 Paralelo 2
Rodrigo Vega 201966002-0 Paralelo 2
Barbara Villarroel 201966197-3 Paralelo 1
Cecilia Yampara 201966090-K Paralelo 1
Montserrat Zamorano 201866029-9 Paralelo 2
Fecha de entrega
Lunes 27 de Diciembre, 2021
Tabla de contenido
1. Introducción ................................................................................................................ 3
Hipótesis .....................................................................................................................................4
3. Objetivos .................................................................................................................... 5
1
Tabla 10 - Autocorrelación (Modelo 3)....................................................................................................... 13
Tabla 11 - Análisis de componentes principales (Modelo 3) ...................................................................... 14
Tabla 12 - Correlación (Modelo 3).............................................................................................................. 14
El software. ............................................................................................................................... 15
6. Conclusiones ............................................................................................................. 17
2
1. Introducción
Importancia de la investigación
Es fundamental la recopilación de los datos de fuentes fidedignas, ya que estas permiten obtener
conclusiones coherentes que generen aporte al conocimiento. Hoy es más fácil obtener datos, -
aunque los contemporáneos son mucho más completos - en virtud de la investigación por mera
curiosidad innata del ser humano, como también por razones de utilidad o aplicación para Conaf
por ejemplo.
3
2. Hipótesis de trabajo
Hipótesis
Hipótesis Nula
4
3. Objetivos
Objetivo General
Objetivos Específicos
4. Materiales y métodos
A partir de esa información se comienza a evaluar las posibles razones que propician el inicio
y/o desarrollo de los incendios, ya sea bosque nativo o plantaciones, dentro de las cuales se
encuentran tanto condiciones ambientales pertinentes (Meteochile, 2019), con apoyo del
Reporte Anual de la Evolución del Clima en Chile (Ministerio de Medio Ambiente, 2021),
como la acción del hombre a través de la incorporación de la variable cantidad de población
total anual (Expansión, 2021).
5
Debido a que el último censo realizado en Chile fue en el año 2017, los datos posteriores
contemplados corresponden a la proyección extrapolada del diario económico líder en España;
Expansión. (Expansión, 2021).
Regresión
La primera técnica utilizada es la regresión completa, con el fin de analizar qué tanto las
variables explicativas consideradas pueden predecir el comportamiento de la cantidad de
incendios producidos en Chile.
El estudio comienza con este test, dada la necesidad de evaluar si existe autocorrelación en la
regresión, ya que esto determinará si los valores que se analizan tienen algún tipo de
dependencia respecto al orden en el que se han obtenido.
Análisis de componentes
Correlación
La prueba se realiza con el fin de descartar variables que se encuentren relacionadas entre si, a
través del estudio de la correlación de las mismas, asumiendo en primera instancia que dichas
variables explicativas contempladas son independientes entre si, por lo tanto la idea es hallar el
contraejemplo, tanto en condiciones ambientales como cantidad de población por año.
Autocorrelación
6
5. Resultados y discusión.
7
Identificación y análisis de las tablas Stata
Los resultados indican que la variable mas importante sería el Logaritmo de la población,
seguida de la Declaración de ley, esto implicaría que el crecimiento de la población tendría gran
repercusión en el número de incendios dado que a mayor población mas construcción cerca de
bosques y más probabilidad de la ocurrencia de una catástrofe, como naturalmente ocurre con
los incidentes. El viento promedio disminuye entonces la probabilidad de incendios al apagarlos
antes de que (quizás) se consuman como tal, así mismo las regiones con sequía. La humedad
sorprendentemente aumenta el numero de incendios mientras que la tendencia normal iría a la
baja.
Los coeficientes indican que la mayor parte de los estadísticos calculados no son significativos,
esto observando el valor t que da como resultado una Probabilidad para cada uno mayor al 0.05
8
que es el máximo valor permitido para el error. Las variables que SI serían significativas en
este modelo son LogPobl y con exactitud Tend.
Los valores en la tabla para 35 valores con 8 variables dan du= 0.971 y dl=2.654. Por lo que la
región de rechazo de la autocorrelación sería en 4-dl y 4-du. es decir 1.346 y 3.029, por lo que,
al caer en 1.79 se puede aceptar que NO hay autocorrelación.
Ahora se pretende hacer el análisis de componentes principales, realizando en stata esta función.
9
Los resultados para el Eigen value deben ser mayores a 1 para aceptar los componentes, por lo
que solo los tres primeros componentes serían en este caso válidos.
Posteriormente se realiza la correlación de los datos para encontrar cuales podrían ser
explicados de una manera fuerte por otros, los resultados se presentan a continuación.
Siendo que el número de incendios con LogPobl, DecLey, ViePKH y Tend tienen una
correlación mayor al 30%, así como TMaxP y ViePKH, SeqReg con LogPobl, DecLey, Viepkh
y Tend, Log Pobl con DecLey, VIepkh y Tend, DecLey con Viephk y Tend y Viepkh con Tend.
Siendo la mayor el LogPobl con Tend.
10
Tabla 5 - Regresión Climatológica (Modelo 2)
En donde solo la variable Tend que es la tendencia natural de incendios ha mostrado una
significancia estadística en la medida de la probabilidad de T.
Los valores resultantes son 1.097 y 1.884 para dl y du respectivamente, por lo que la región de
rechazo de autocorrelación se encontraría entre 4-1.884= 2.116 y 4-1.097 =2.903, indicando
entonces que con un valor de 1.47, el modelo para las variables ecológicas presentaría
autocorrelación, la cual deberá ser corregida.
11
Tabla 7 - Analisis de Componentes Principales (Modelo 2)
12
Tabla 9 - Análisis de regresión social (Modelo 3)
El resultado indica entonces para 35 observaciones que el valor de Porb de F es 0.0019, el más
chico hasta el momento y por ende el mejor para escoger un modelo, el cual también indica que
se acepta la validez del modelo en su forma global.
El R2 de este modelo fue de 0.3762 =37.62% en su bondad de ajuste. Así también, las 3
variables y la constante tuvieron resultados en P>|t| menores al 0.05, por lo que se acepta la
hipótesis de que los valores son estadísticamente significativos para el modelo de regresión
social.
Los valores son 1.222 y 1.726, por lo que la región de rechazo de autocorrelación será 2.274 y
2.778, por lo que este modelo presenta autocorrelación.
13
Tabla 11 - Análisis de componentes principales (Modelo 3)
Los resultados indican que solo el componente 1 sería válido al tener un valor de 2.65 mayor a
1 y por tanto importante a considerar para el modelo.
En esta ocasión, se aprecia que todas las correlaciones son mayores a 30, destacando la del
LogPoblacional y la Tendencia y DecLey con Log Poblacional.
14
El software.
Debido a que Stata es un software estadístico que provee completas herramientas para la
gestión, análisis y visualización de datos, además de la forma intuitiva de operarlo, permitió al
equipo de trabajo la construcción del modelo econométrico y los test o pruebas para llevar a
cabo el contraste con la hipótesis planteada.
Con respecto a la base de datos trabajada en el software, la decisión de construir una en Excel
tuvo lugar debido a la necesidad de incorporar variables que no estaban disponibles en archivos
Stata existentes. Esto para generar un modelo econométrico lo más representativo posible, a
través del estudio de variables explicativas ad hoc a la generación de incendios en el territorio
nacional. Por otra parte, el uso de Excel facilitó el aporte del equipo de trabajo en la
incorporación de nuevas variables en línea.
15
Cabe destacar que el contraste se realiza mediante el análisis de las variables compartidas entre
ambos modelos, ya que el estudio de Egolf tiene como hipótesis “La generación de incendios
forestales puede explicarse por incentivos económicos a las personas, con el fin de obtener
productividad dentro de áreas restringidas”.
En sumo, el contraste de los resultados sugiere que, aún cuando existen las variables
explicativas respecto a condiciones climáticas en ambos modelos, la variable que mejor explica
la generación de incendios forestales en Argentina guarda relación con las leyes atingentes, que
precisamente tienen lugar en el desincentivo hacia las personas para la producción de incendios,
lo que en permite sostener más firmemente los resultados obtenidos en el modelo de este
informe. En ese sentido, se argumenta la intencionalidad humana por sobre las condiciones
climáticas, como son las precipitaciones o humedad que contempla el modelo de Egolf.
16
6. Conclusiones
Es por esto que, ante los estudios realizados de la prueba de orden, principalmente, se puede
asumir que no hay correlación entre las variables en general. Así mismo, es importante
comentar que las dos variables más relevantes del proceso donde los coeficientes indican que
la mayor parte de los estadísticos calculados no son significativos a partir del logaritmo de la
población y la tendencia, generan finalmente un efecto positivo en el número de incendios.
En definitiva, existe una confirmación concreta respecto a la hipótesis inicial, ya que, logpob
entrega como efecto final un resultado positivo, es decir que el crecimiento poblacional sí afecta
a la cantidad de incendios de manera positiva.
A partir de esto, se debe considerar también las otras variables que no son relevantes por el
valor p; ya que, es mayor al 0,05 de un 95% de relevancia.
Al visualizar el análisis se puede aprender y analizar diversas medidas a nivel tanto nacional
como mundial, con una constante de población y/o tomar alguna solución al respecto que genere
conciencia social para que la población pueda participar en esta causa.
También se debe considerar que no existe correlación entre las variables, con lo que no se
observa interdependencia.
17
Esta investigación es puntapié para el desarrollo de nuevos estudios y por consiguiente medidas
acordes a encontrar soluciones respecto a la hipótesis planteada.
18
7. Literatura Citada
Ministerio de Medio Ambiente. (2021). Obtenido de Reporte Anual de la Evolución del Clima
en Chile: https://cambioclimatico.mma.gob.cl/wp-
content/uploads/2021/06/ReporteClimatico2020-edmay2021.pdf
19