Variables Ficticias

Introducción Uso de dummies Trampa de las variables ficticias Uso de ficticias para variables ordinales Cambio estructural
E CONOMETR ÍA 1
T EMA 6: VARIABLES FICTICIAS Y CAMBIO ESTRUCTURAL
Prof: Lercy Barros
Curso 2021
Prof: Lercy Barros Econometrı́a 1 1 / 47

ESQUEMA DE LA PRESENTACI ÓN
4 U SO DE FICTICIAS PARA
1 I NTRODUCCI ÓN
VARIABLES ORDINALES
2 U SO DE DUMMIES
3 T RAMPA DE LAS VARIABLES
FICTICIAS 5 C AMBIO ESTRUCTURAL
Wooldridge, J. M. (4ta edición). ((Introducción a la Econometria. Un

enfoque moderno)). Cap 7.

T IPOS DE VARIABLES
Definición: Variables “ficticias”, “binarias”, “dicotómicas” o “dummies”

Toman valor 0 o 1 si la observación posee determinada condición
Son “ficticias” porque se construyen a partir de otras variables

Cualitativas:
Variables no medibles (nominales y ordinales)
Inducen una clasificación de la muestra en grupos
Podemos recogerlas con tantas variables ficticias como grupos haya definidos en
la variable cualitativa
Cuantitativas:
Pueden ser categorizadas y recogidas en variables ficticias, al costo de una
pérdida de información

I NTRODUCCI ÓN
Podemos estar interesados en ver si el efecto de alguna de las X sobre Y varı́a

según alguna caracterı́stica de la población (sexo, raza, tamaño de la empresa,
etc). Utilizando variables ficticias (binarias o dummies) podemos ser capaces de
medir el efecto del factor cualitativo, ası́ como contrastar si el efecto del factor
cualitativo es relevante. Las variables ficticias toman valor 1 en una categorı́a y
valor 0 en el resto.
Es necesario definir a que evento se le asigna el valor 1 y el nombre de la

variable. Supongamos que definimos una variable que toma el valor 1 si la
persona es mujer y 0 si es hombre.
Utilizamos los valores 0 y 1 para describir información cualitativa porque ello

conduce a modelos de regresión en los que los parámetros se interpretan
fácilmente.

¿C ÓMO DEFINIR Y NOMBRAR A LA VARIABLE ?
El nombre deberı́a ser informativo acerca de la definición de la variable
Un ejemplo donde no lo es:

1 si la persona es mujer
sexo =
0 si la persona es hombre
La definición correcta deberı́a ser:

mu jer =
O alternativamente:

hombre =

I NTERPRETACI ÓN DE VARIABLES FICTICIAS
Caso 1: Modelo con una única variable explicativa binaria
salarioi = β0 + β1 mu jeri + ui
¿Cómo se interpretan β0 y β1 ?
Es útil recurrir a las esperanzas condicionales:
E(salario|mu jer = 1) = β0 + β1
E(salario|mu jer = 0) = β0
β0 es el salario esperado para los varones (que en este caso sin otros
regresores coincide con el salario promedio)
β1 es el efecto diferencial en los salarios esperados de las mujeres respecto
a los hombres (en este caso es la diferencia entre salarios promedio)
Vemos que incluir dummies implica definir una categorı́a de referencia, en
este ejemplo los hombres
Contrastar la hipótesis H0 ) β1 = 0 equivale a hacer una prueba de
diferencia de medias
U NA VARIABLE INDEPENDIENTE BINARIA
La diferencia entre ambas ecuaciones es el efecto diferencial sobre los salarios

esperados entre mujeres y hombres (β1 )
Ejemplo:
ŷ = 7, 10 − 2, 51mu jer
El término constante (7,10) es el salario medio estimado para los hombres
(grupo de referencia). El coeficiente 2,51 es la estimación de la diferencia entre
salarios medios de hombres y mujeres de la muestra. Es decir, se estima que,
las mujeres ganan, en media, 2,51 unidades monetarias menos por hora que los
hombres.

Caso 2: Modelo con una variable binaria y una continua
salarioi = β0 + δ0 mu jeri + β1 educi + ui
β0 es el salario esperado para un varón con cero año de educación

β1 es el efecto parcial de la educación manteniendo el sexo constante
δ0 surge nuevamente de restar dos esperanzas condicionales:
E(salario|mu jer = 1, educ = k) = β0 + δ0 + β1 k

E(salario|mu jer = 0, educ = k) = β0 + β1 k
Por lo tanto, para cualquier nivel de k:
δ0 = E(salario|mu jer = 1, educ = k) − E(salario|mu jer = 0, educ = k)
δ0 es la diferencia en los salarios esperados de las mujeres dado cualquier

valor de educ (ceteris paribus)
δ0 describe un cambio en el intercepto entre hombres y mujeres (ambos
tienen la misma pendiente β1 )

INTERPRETACI ÓN DEL δ0

Cambio en la categorı́a de referencia:

En lugar de incluir mu jer se puede usar la variable hombre:

hombre =
El modelo ahora serı́a:
salarioi = β0 + δ0 hombrei + β1 educi + ui
Y ahora el grupo de referencia son las mujeres
δb0 positivo y significativo indicarı́a discriminación salarial a favor del hombre
βb0 es ahora el salario esperado para mujeres con cero años de educación
βb1 no cambia respecto al modelo que incluye mu jer

I NTERPRETACI ÓN
En el modelo anterior:
Salarioi = β0 + δ0 Hombrei + β1 Educi + ui
β0 es la ordenada en el origen para el grupo de referencia.

δ0 es el diferencial con respecto al grupo de referencia.

Si queremos controlar las diferencias salariales por otras variables (además de la

educación), basta con incluirlas como regresores adicionales. Por ejemplo, la
experiencia y la antiguedad que tiene el individuo en la empresa o en el puesto
que ocupa, se podrı́a plantear el siguiente modelo:
Salarioi = β0 + δ0 Mu jeri + β1 Educi + β2 Experi + β3 antigi + ui
¿Cómo podrı́amos testear que no existe discriminación salarial entre hombres y

mujeres? Simplemente considerando una hipótesis de la forma:
H0 )δ0 = 0
Basta con estimar el modelo por MCO y utilizar el estadı́stico t para probar la
hipótesis. Recordar que es necesario suponer normalidad de los errores.

E XTENSI ÓN AL MODELO SEMILOGAR ÍTMICO
Dado el modelo:
ln(Yi ) = β0 + β1 Di + ui
Yi = exp(β0 )exp(β1 Di )exp(ui )
Si Di = 1 tenemos que Yi = exp(β0 )exp(β1 )exp(ui )

Si Di = 0 tenemos que Yi = exp(β0 )exp(0)exp(ui )
Dividiendo ambas expresiones:
Yi |D = 1
= exp(β1 )
Yi |D = 0
Restando uno de ambos lados:
Yi |D = 1 −Yi |D = 0
= exp(β1 ) − 1
Yi |D = 0
Si β1 es el coeficiente de una variable dummy, la diferencia porcentual
exacta en la y predicha para Di = 1 versus Di = 0 es: 100 ∗ [exp(β1 ) − 1]
Si la diferencia porcentual no es grande entonces se puede aproximar con
el parámetro de la regresión β1
E JEMPLO
¿Cómo se interpretan los coeficientes de las ficticias si la variable dependiente

está en logaritmos?
log(salarioi ) = β0 + δ0 Mu jeri + β1 Educi + ui
Observar que el incremento de una unidad en la variable ficticia implica que en

lugar de un hombre se está considerando una mujer. Entonces 100 δ0 se
interpreta como el diferencial salarial porcentual esperado entre hombres y
mujeres, con el mismo nivel de educación.

T RAMPA DE LAS DUMMIES
¿Se pueden incluir las variables mu jer y hombre a la vez en el modelo?
salarioi = β0 + δ1 mu jeri + δ2 hombrei + β1 educi + β2 experi + ui
“Trampa de las dummies”: No es posible mientras esté la constante,

porque habrı́a multicolinealidad exacta (mu jeri + hombrei = 1)
Alternativas:
1 Se mantiene la constante y se incluye una sola dummy:
salarioi = β0 + δ0 mu jeri + β1 educi + β2 experi + ui
2 Se incluyen las dos ficticias y se elimina la constante:

salarioi = δ0M mu jeri + δ0H hombrei + β1 educi + β2 experi + ui
En este caso:
δ0M es la ordenada en el origen para las mujeres
δ0H es la ordenada en el origen para los hombres

D ISCRIMINACI ÓN SALARIAL
¿Cómo contrastar la hipótesis de discriminación salarial?
Depende del modelo:

1 salarioi = β0 + δ0 mu jeri + β1 educi + β2 experi + ui
H0 ) δ0 = 0
̸ 0
H1 ) δ0 =
2 salarioi = δ0M mu jeri + δ0H hombrei + β1 educi + β2 experi + ui
H0 ) δ0M = δ0H
H1 ) δ0M ̸= δ0H

D UMMIES PARA UNA VARIABLE CUALITATIVA CON m GRUPOS
Una variable cualitativa con m grupos se incluye en una regresión a través

de un conjunto m variables dummy
En rigor, si el modelo tiene constante deberán incluirse m − 1 variables

dummy para evitar la multicolinealidad exacta
La dummy excluida identifica la categorı́a de referencia

D UMMIES QUE COMBINAN DOS VARIABLES CUALITATIVAS
Ejemplo:
Se tienen dos variables cualitativas: una binaria (sexo) y otra con varias
categorı́as (estado civil)
Observación: las categorı́as deben ser excluyentes y exhaustivas

hombre =

mu jer =

1 si la persona es soltera
soltera =
0 si la persona no es soltera

1 si la persona es casada
casada =
0 si la persona no es casada

1 si la persona es viuda, separada o divorciada
resto =
0 si la persona no es ni viuda, ni separada, ni divorciada

El modelo propuesto será algo como:
salarioi = β0 + β1 casadai + β2 restoi + β3 hombrei + ui
En este ejemplo la categorı́a de referencia son las mujeres solteras

Para razonar la interpretación de los coeficientes puede recurrirse al
siguiente cuadro:

I NTERPRETACI ÓN DE LOS COEFICIENTES
¿Cómo interpretamos los coeficientes asociados a cada una de las variables?
β0 es el valor esperado del salario para las mujeres solteras (grupo de

referencia)
β1 representa la diferencia en el valor esperado del salario para las
personas casadas con respeto a las solteras (ya sean hombres o mujeres).
β2 representa la diferencia en el valor esperado del salario para las
personas viudas, separadas o divorciadas con respeto a las solteras (ya
sean hombres o mujeres).
β3 representa la diferencia en el valor esperado del salario para los hombres
con respecto a las mujeres con el mismo estado civil.

Estrategia alternativa: combinar las categorı́as de ambas variables (ejemplo

de Wooldridge)
Se quiere distinguir las diferencias salarias entre 4 grupos de individuos

(hombres casados, mujeres casadas, hombres solteros y mujeres solteras)
Entonces se tienen 4 variables dummy (observación: no son exhaustivas!)

1 si la persona es hombre soltero
singmale =
0 si la persona no es hombre soltero

1 si la persona es hombre casado
marrmale =
0 si la persona no es hombre casado

1 si la persona es mujer soltera
sing f em =
0 si la persona no es mujer soltera

1 si la persona es mujer casada
marr f em =
0 si la persona no es mujer casada

Se selecciona como grupo de referencia a los hombres solteros, por lo que

se omite esa dummy y se estima el modelo por MCO:
Manteniendo constantes los niveles de educación, experiencia y antiguedad

(tenure), se estima que los hombres casados, en promedio, ganan
aproximadamente 21,3 % más que los solteros
Se estima que, a igualdad del resto de las caracterı́sticas, una mujer casada,
gana en promedio 19,8 % menos que un hombre soltero
Se estima que, a igualdad del resto de las caracterı́sticas, una mujer soltera,
gana en promedio 11 % menos que un hombre soltero

Comentarios:
Las interpretaciones anteriores toman como grupo de referencia a los

hombres solteros, pero en rigor en este caso el grupo de referencia son los
hombres solteros, viudos y separados, ası́ como las mujeres viudas y
separadas
Este grupo de referencia parece muy poco homogéneo, lo que es una

debilidad importante en la forma en que están incluidas estas variables en el
modelo

Más allá de quién sea el grupo de referencia, se pueden comparar

diferencias salariales entre cualquier par de grupos, pues el intercepto
general es común a todos
Ejemplo:
La diferencia proporcional estimada entre las mujeres solteras y casadas es
−0,110 − (−0,198) = 0,088. Se estima que, a igualdad del resto de las
caracterı́sticas, las mujeres solteras ganan aproximadamente 8.8 % más que
las casadas
No podemos probar directamente si esta diferencia es significativa o no,
pues no conocemos el error estándar de esa diferencia
Lo más fácil es elegir uno de estos grupos como grupo base y volver a
estimar el modelo por MCO. De esta manera, la estimación puntual y el
error estándar del estimador se obtienen de manera directa:

I NTERACCIONES ENTRE DUMMIES
Una estrategia muy similar a la anterior es conservar las dummies

originales de sexo y de estado civil, pero multiplicarlas (“interactuarlas”)
salarioi =β0 + β1 casadoi + β2 restoi + β3 hombrei + β4 casadoi hombrei

+ β5 restoi hombrei + ui
La categorı́a de referencia en este caso son las mujeres solteras
Las esperanzas condicionales se resumen en el siguiente cuadro:

I NTERACCIONES ENTRE DUMMIES
¿Cómo interpretamos los coeficientes asociados a cada una de las

variables?
β0 es el valor esperado del salario para las mujeres solteras (grupo de
referencia)
β1 representa en este caso, la diferencia en el valor esperado del salario para
las mujeres casadas respecto de las solteras
β2 representa la diferencia en el valor esperado del salario para las mujeres
viudas, separadas o divorciadas con respeto a las solteras
β3 representa la diferencia en el valor esperado del salario para los hombres
solteros con respecto a las mujeres solteras
Para las personas casadas la diferencia entre los salarios promedio de los
hombres respecto al de las mujeres es igual a β3 + β4
para las personas viudas, separadas o divorciadas, la diferencia entre los
salarios promedio de los hombres respecto al de las mujeres es igual a β3 + β5

I NFORMACI ÓN ORDINAL CON VARIABLES BINARIAS
Ejemplo Wooldridge: CR es la clasificación crediticia de los municipios asignada

por las agencias financieras (Moody’s y Standar Poor’s) a los municipios. Las
clasificaciones van de 0 a 4, siendo 0 la peor clasificación crediticia y 4 la
mejor. ¿Cómo se incorpora (CR) en un modelo para explicar la tasa de interés
de los bonos municipales (MBR)?
Una alternativa serı́a incorporarla como una variable cuantitativa:
MBR = β0 + β1CR + u
Limitación: β1 serı́a la variación en la tasa de interés ante un incremento de

una unidad en la CR. Sabemos que una CR de 4 es mejor que una CR de 3,
pero ¿la diferencia entre la categorı́a 4 y 3 es lo mismo que la diferencia entre
las categorı́as 2 y 1?
Una mejor alternativa es incorporar la variable a través de 4 dummies:
MBR = β0 + δ1CR1 + δ2CR2 + δ3CR3 + δ4CR4 + u

I NFORMACI ÓN ORDINAL CON VARIABLES BINARIAS
¿Por qué no incluı́mos las 5 CR?

¿Cuál es la categorı́a de referencia?
¿Cómo se interpreta cada uno de los coeficientes?
¿Qué ventaja tiene formular el modelo de esta manera?
Respuestas:
Para incluir las 5 CR deberı́amos eliminar el término independiente, de lo

contrario tendrı́amos colinealidad perfecta.
La categorı́a de referencia es CR=0
δ1 es la diferencia media en MBR (permaneciendo todos los demás
factores constantes) entre un municipio con CR 1 y otro con CR 0. δ1 es
la diferencia media en MBR (permaneciendo todos los demás factores
constantes) entre un municipio con CR 2 y otro con CR 0.......
Logramos permitir que el movimiento entre dos CR contiguas tengan
efectos diferentes sobre las tasas de interés.

D UMMIES PARA UNA VARIABLE ORDINAL
En lugar de considerar la variable educ se decide considerar ciclos

educativos completos, para lo que se dispone de la siguiente variable:


 0 no finalizó primaria
 1 finalizó primaria


ciclo = 2 finalizó secundaria
3 finalizó terciaria/universitaria




4 finalizó posgrado

Para simplificar obviamos otros regresores de la ecuación de salarios

Serı́a incorrecto incluir la variable ciclo en la regresión, porque si bien hay
una noción de orden, no hay en ella una noción de distancia
Para incluir esta información se utilizan juegos de dummies que llamamos
C ji .
Si se toma como grupo de referencia a quienes no finalizaron primaria
(omitiendo C0i ):
salarioi = β0 + δ1C1i + δ2C2i + δ3C3i + δ4C4i + ui

D UMMIES PARA UNA VARIABLE ORDINAL
Las variables C j pueden definirse con dos criterios alternativos, y de esto

depende la interpretación de los coeficientes:
A Dummies por nivel. Para alguien que finalizó secundaria: C2 = 1 y C1 = 1
δ2 es el salario adicional en pesos que se espera que tenga alguien que
finalizó secundaria, respecto a alguien que finalizó primaria (su salario
esperado es β0 + δ1 + δ2 , mientras el de alguien que finalizó solamente
primaria es β0 + δ1 )
B Especificando el último nivel alcanzado, de esta manera para alguien que
finalizó secundaria serı́a: C2 = 1 y C1 = 0
salarioi = β0 + β1C1i + β2C2i + β3C3i + β4C4i + ui

β2 es el salario adicional en pesos que se espera que tenga alguien que
finalizó secundaria, respecto a alguien de la cateogrı́a de referencia (no
finalizó primaria). Su salario esperado es β0 + β2 , mientras el de alguien que
finalizó solamente primaria es β0 + β1 .
Como regla general, conviene escribir las esperanzas condicionales para
comprender qué se está identificando con cada parámetro.

I NTERACCIONES PARA CONSIDERAR PENDIENTES DIFERENTES
A veces se quiere permitir que distintos grupos tengan, además de un

intercepto diferente, una pendiente diferente en alguna variable continua
La forma de implementarlo es incluyendo la interacción entre la binaria y

la variable continua
Por ejemplo, se pueden admitir rendimientos de la educación distintos para

hombres y mujeres. Tomando a los hombres como grupo de referencia:
salarioi = (β0 + δ0 mu jeri ) + (β1 + δ1 mu jeri )educi + ui
O lo que es lo mismo:
salarioi = β0 + β1 educi + δ0 mu jeri + δ1 mu jeri educi + ui

Si mu jer = 0:
salarioi = β0 + β1 educi + ui
Si mu jer = 1:
salarioi = (β0 + δ0 ) + (β1 + δ1 )educi + ui
Por lo tanto:
δ0 mide la diferencia del intercepto para mujeres en comparación con el de
los hombres cuando el resto de los regresores vale cero
δ1 mide la diferencia de los rendimientos de la educación de las mujeres
respecto al de los hombres


A El primer gráfico sugiere discriminación salarial en contra de las mujeres,

pues éstas tienen un intercepto menor y retornos a la educación también
menores que los de los hombres. Esto implica que para cualquier nivel de
educación las mujeres ganan en promedio menos que los hombres y la
diferencia aumenta con la educación.
B En el segundo gráfico el intercepto de las mujeres también es menor que el

de los hombres (δ0 < 0), pero la pendiente es mayor en el caso de las
mujeres. Significa que a niveles de educación bajos las mujeres ganan
promedialmente menos que los hombres, pero a medida que la educación
aumenta esta brecha se reduce, hasta que a partir de un cierto nivel de
educación las mujeres tienen un salario esperado superior al de los
hombres.

En su Ejemplo 7.10, Wooldridge estima un modelo que admite retornos a

la educación diferentes para hombres y mujeres (tomando la variable
dependiente en logaritmos):
log(salarioi ) = β0 + δ0 mu jeri + β1 educi + δ1 mu jeri .educi + ui
La hipótesis de igual rendimiento de la educación para hombres y mujeres

es:
H0 ) δ1 = 0
Esta hipótesis no pone ninguna restricción sobre el valor del coeficiente δ0
No rechazar H0 implica que pueden existir diferencias entre los salarios de
hombres y mujeres, solo que las mismas son constantes para todos los
niveles de educación (rectas paralelas)
Para contrastar que los salarios de hombres y mujeres son en promedio

iguales, con un mismo nivel de educación deberı́amos realizar la siguiente
prueba de hipótesis:
H0 ) δ0 = δ1 = 0


¿Cuál es el rendimiento estimado de la educación para los hombres? ¿Y

para las mujeres?
El rendimiento estimado de la educación para los hombres es βb1 = 0,082, es
decir, 8,2 %
Para las mujeres es (βb1 + δb1 = 0,082 − 0,0056 = 0,0764), aprox 7,6 %
La diferencia en el rendimiento de la educación para ambos sexos se

estima en poco mas de medio punto porcentual (−0,56 %)
Esta diferencia no es grande desde el punto de vista económico ni

tampoco es estadı́sticamente significativa (t = −0,0056/0,0131 = −0,43)
En consecuencia, no se ha encontrado suficiente evidencia empı́rica contra

la hipótesis de que el rendimiento en la educación sea el mismo para
hombres y para mujeres

D IFERENCIAS EN LOS PAR ÁMETROS ENTRE GRUPOS
Uno de los supuestos del MRLC es que los parámetros son constantes para
toda la población
Interesa contrastar dicho supuesto:

H0 ) Dos poblaciones o grupos siguen una misma función de regresión
H1 ) Una o más pendiente/s difiere/n entre los grupos
Ejemplo:
Promedio de calificaciones (cumgpa) de los atletas universitarios
Explicadas por la puntuación obtenida en el examen de admisión (sat), el
percentil de calificaciones alcanzado en el bachillerato (hsperc) y el total de
hs de cursos en la universidad (tothrs)
cumgpa = β0 + β1 sat + β2 hsperc + β3 tothrs + u

Interesa analizar si los parámetros son iguales para ambos sexos

Al menos es necesario incluir una dummy para capturar la diferencia entre

los interceptos
Para contrastar si alguna de las pendientes depende del sexo deben

incluirse las interacciones de todas las variables con f emale:
cumgpa =β0 + δ0 f emale + β1 sat + δ1 f emale · sat + β2 hsperc + δ2 f emale · hsperc

+ β3 tothrs + δ3 f emale · tothrs + u
Contraste para probar si cumgpa sigue el mismo modelo para hombres y

mujeres:
H0 ) δ0 = δ1 = δ2 = δ3 = 0
H1 ) Algún δ j ̸= 0 con j = 0, 1, 2, 3
Basta con que uno de los δ j sea diferente de cero para que el modelo sea
distinto para hombres y mujeres

La única interacción significativa es f emale · sat

Para la prueba conjunta debe utilizarse un estadı́stico F (en cualquiera de
sus versiones) o contrastes RV o ML.
En todos los casos el modelo restringido es el que elimina la variable
f emale y todas sus interacciones

C ONTRASTE DE C HOW
Se conoce como “contraste de Chow” a la prueba que evalúa si existen

diferencias en los parámetros entre subgrupos
Se supone que la muestra se divide en dos, aunque se puede generalizar a

más grupos
Es especialmente utilizado en series temporales, donde se analiza si a

partir de cierto perı́odo existió un cambio en los parámetros
La prueba se puede realizar de dos formas:
1 Dividiendo el espacio en dos muestra y haciendo regresiones separadas
2 Generando variables ficticias e incluyendo interacciones (ver Ejemplo arriba)

C ONTRASTE DE C HOW: P RIMERA VERSI ÓN
En el modelo general con k regresores e intecepto se tienen dos grupos:

g = 1 y g = 2:
g g g g
y = β0 + β1 x1 + β2 x2 + · · · + βk xk + u
Esto equivale a tener un modelo para cada grupo (submuestra):

1 Para los individuos del grupo 1:
y1i = β01 + β11 x1i
1
+ β21 x2i
1
+ · · · + βk1 xki
1
+ u1i
2 Para los individuos del grupo 2:

y2i = β02 + β12 x1i
2
+ β22 x2i
2
+ · · · + βk2 xki
2
+ u2i
O escrito en forma matricial:

1 y1 = X 1 β 1 + u1
2 y2 = X 2 β 2 + u2
Ejercicio: Razone las dimensiones de estas matrices y vectores

Hipótesis a contrastar:
H0 ) β01 = β02 ; β11 = β12 ; . . . ; βk1 = βk2

H1 ) β j1 ̸= β j2 para algún j = 0, . . . , k
Estas k + 1 restricciones se contrastan con un estadı́stico F construido con

las SCR restringida y no restringida
Bajo H0 cierta el modelo restringido implica estimar un único modelo con
todas las observaciones de la muestra. La SCR en este caso se nota como
SCRr
La SCR del modelo no restringido (SCRnr ) puede obtenerse de dos
regresiones separadas: una para cada grupo (SCR1 y SCR2 ), obtenidas con la
cantidad de observaciones del grupo 1 (n1 ) y del grupo 2 (n2 )
respectivamente:
SCRnr = SCR1 + SCR2

Recordando que el estadı́stico F relacionaba el incremento relativo de la SCR al

pasar del modelo no restringido (nr) al modelo restringido (r).
(SCRr −SCRnr )/q
F= SCRnr /(n−k−1)
Entonces, con esta notación tenemos que:

(SCRr −(SRC1 +SRC2 ))/(k+1) (SCRr −(SRC1 +SRC2 )) n−2(k+1))
F= (SRC1 +SRC2 )/(n−2(k+1))
= (SRC1 +SRC2 )
∗ k+1
(SCRr − SCR1 − SCR2 ) n − 2k − 2

F= ×
(SCR1 + SCR2 ) k+1
A este estadı́stico se le conoce como estadı́stico de Chow y bajo H0 cierta

F ∼ F(k+1),(n−2k−2)
Los grados de libertad del modelo no restringido son n − 2(k + 1) = n − 2k − 2. n

menos el número de parámetros (2k asociados a los regresores y 2 más de los
interceptos de los 2 grupos).
C OMENTARIOS E STAD ÍSTICO DE C HOW
El esquema de decisión es el mismo de antes, si el costo de incorporar la

decisión es muy elevado entonces decidiremos rechazar H0 , si en cambio el
costo no es elevado, trabajaremos con un único modelo (bajo H0 cierta). La
idea intuitiva del test es que si el añadir la diferencia de constantes y
pendientes, apenas aporta información al modelo, el valor de la F será pequeño,
pero si aporta mucha información el valor de la F tenderá a ser muy grande.
Es simplemente una prueba F, sólo válida bajo el supuesto de normalidad

de los errores y bajo homoscedasticidad. En particular, bajo H0 , las
varianzas del error de los dos grupos deben ser iguales.
Recordar que en contextos asintóticos el supuesto de normalidad no es
necesario.
La H0 implica testear la igualdad de todos los parmámetros (incluso la
igualdad de los interceptos). Puede resultar interesante permitir alguna
diferencia en los interceptos y testear la igualdad en los parametros de las
pendientes. En este caso se utiliza una prueba F clásica sin dificultad
alguna.

C ONTRASTE DE C HOW: S EGUNDA VERSI ÓN
Una versión alternativa del contraste utiliza el mismo modelo restringido,

pero escribe el modelo no restringido como:
yi = β0 +β0∗ Di +β1 X1i +β1∗ X1i Di +β2 X2i +β2∗ X2i Di +· · ·+βk Xki +βk∗ Xki Di +ui
La hipótesis a contrastar en este caso es:
H0 ) β0∗ = β1∗ = · · · = βk∗ = 0
Se puede utilizar cualquiera de las versiones del contraste F, por ejemplo:
R2nr − R2r /(k + 1)

F=
(1 − R2nr )/(n − 2k − 2)
Bajo H0 cierta y suponiendo normalidad de los residuos:
F ∼ F(k+1),(n−2k−2)

L IMITACIONES DEL CONTRASTE DE C HOW
El contraste pierde potencia a medida que el punto de corte deja una

submuestra con escasas observaciones
La presencia de heteroscedasticidad puede inducir a pensar que hay

cambio estructural cuando en realidad no es ası́
Si se trata de un cambio estructural en una serie temporal, es necesario

conocer previamente el punto de corte y su resultado depende de la
partición establecida

Variables Ficticias

Cargado por

Información del documento

Descripción original:

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

Variables Ficticias

Cargado por

Copyright:

Formatos disponibles

Introducción Uso de dummies Trampa de las variables ficticias Uso de ficticias para variables ordinales Cambio estructural

Prof: Lercy Barros

Prof: Lercy Barros Econometrı́a 1 1 / 47

ESQUEMA DE LA PRESENTACI ÓN

Wooldridge, J. M. (4ta edición). ((Introducción a la Econometria. Un

Prof: Lercy Barros Econometrı́a 1 2 / 47

Definición: Variables “ficticias”, “binarias”, “dicotómicas” o “dummies”

Son “ficticias” porque se construyen a partir de otras variables

Prof: Lercy Barros Econometrı́a 1 3 / 47

Podemos estar interesados en ver si el efecto de alguna de las X sobre Y varı́a

Es necesario definir a que evento se le asigna el valor 1 y el nombre de la

Utilizamos los valores 0 y 1 para describir información cualitativa porque ello

Prof: Lercy Barros Econometrı́a 1 4 / 47

¿C ÓMO DEFINIR Y NOMBRAR A LA VARIABLE ?

El nombre deberı́a ser informativo acerca de la definición de la variable

Un ejemplo donde no lo es:

La definición correcta deberı́a ser:

Prof: Lercy Barros Econometrı́a 1 5 / 47

I NTERPRETACI ÓN DE VARIABLES FICTICIAS

Caso 1: Modelo con una única variable explicativa binaria

Es útil recurrir a las esperanzas condicionales:

U NA VARIABLE INDEPENDIENTE BINARIA

La diferencia entre ambas ecuaciones es el efecto diferencial sobre los salarios

Prof: Lercy Barros Econometrı́a 1 7 / 47

I NTERPRETACI ÓN DE VARIABLES FICTICIAS

Caso 2: Modelo con una variable binaria y una continua

salarioi = β0 + δ0 mu jeri + β1 educi + ui

β0 es el salario esperado para un varón con cero año de educación

E(salario|mu jer = 1, educ = k) = β0 + δ0 + β1 k

Por lo tanto, para cualquier nivel de k:

δ0 = E(salario|mu jer = 1, educ = k) − E(salario|mu jer = 0, educ = k)

δ0 es la diferencia en los salarios esperados de las mujeres dado cualquier

Prof: Lercy Barros Econometrı́a 1 8 / 47

INTERPRETACI ÓN DEL δ0

Prof: Lercy Barros Econometrı́a 1 9 / 47

I NTERPRETACI ÓN DE VARIABLES FICTICIAS

Cambio en la categorı́a de referencia:

δb0 positivo y significativo indicarı́a discriminación salarial a favor del hombre

βb1 no cambia respecto al modelo que incluye mu jer

Prof: Lercy Barros Econometrı́a 1 10 / 47

Salarioi = β0 + δ0 Hombrei + β1 Educi + ui

β0 es la ordenada en el origen para el grupo de referencia.

Prof: Lercy Barros Econometrı́a 1 11 / 47

Si queremos controlar las diferencias salariales por otras variables (además de la

¿Cómo podrı́amos testear que no existe discriminación salarial entre hombres y

Prof: Lercy Barros Econometrı́a 1 12 / 47

E XTENSI ÓN AL MODELO SEMILOGAR ÍTMICO

Si Di = 1 tenemos que Yi = exp(β0 )exp(β1 )exp(ui )

¿Cómo se interpretan los coeficientes de las ficticias si la variable dependiente

log(salarioi ) = β0 + δ0 Mu jeri + β1 Educi + ui

Observar que el incremento de una unidad en la variable ficticia implica que en

Prof: Lercy Barros Econometrı́a 1 14 / 47

T RAMPA DE LAS DUMMIES

¿Se pueden incluir las variables mu jer y hombre a la vez en el modelo?

salarioi = β0 + δ1 mu jeri + δ2 hombrei + β1 educi + β2 experi + ui

“Trampa de las dummies”: No es posible mientras esté la constante,

2 Se incluyen las dos ficticias y se elimina la constante:

Prof: Lercy Barros Econometrı́a 1 15 / 47

D ISCRIMINACI ÓN SALARIAL

¿Cómo contrastar la hipótesis de discriminación salarial?

Depende del modelo:

2 salarioi = δ0M mu jeri + δ0H hombrei + β1 educi + β2 experi + ui