•

1 © Asturias Corporación Universitaria

Índice

1 Introducción .......................................................................................................................... 3

2 Definición de las Variables Ficticias .............................................................................. 3

3 Uso de Variables Ficticias en la Regresión ..................................................................4

4 Modelos con Variables Ficticias ...................................................................................... 5

4.1 Propiedades de las Variables Ficticias ............................................................... 5

4.1.1 Interpretación del Valor de la Variable Ficticia .................................... 5

4.1.2 Interpretación del Coeficiente de la Variable Ficticia ........................ 5

4.1.3 Elección del Caso Base ................................................................................ 7

4.2 La Variable Ficticia: Desplazamiento de la Ordenada al Origen ............. 7

4.3 Términos de Interacción con Variables Ficticias .........................................8

5 Cambio de Estructura ....................................................................................................... 10

5.1 Test de Chow ............................................................................................................ 10

6 Anexo: Muestra de Datos Utilizada ............................................................................... 12

7 Resumen ............................................................................................................................... 14

8 Bibliografía........................................................................................................................... 14

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
 Objetivos:
• Comprender la técnica de variables ficticias para tratar información de tipo
cualitativo en el modelo econométrico de regresión lineal.
• Ser capaz de interpretar los coeficientes de la regresión en presencia de
variables ficticias, y comprender su uso en la construcción de modelos
complejos.

1 Introducción
El uso de variables ficticias (en inglés, dummy), es un modo de incorporar
“El uso de variables ficticias es un modo
información de tipo cualitativo en el modelo de regresión lineal. En este tema
de incorporar información de tipo definiremos qué son y cómo se utilizan en el modelo este tipo de variables.
cualitativo”

2 Definición de las Variables Ficticias

Las variables ficticias o “dummy variables” (también llamadas binarias, discretas
o categóricas), nos dicen simplemente si una observación individual pertenece a
una determinada categoría. Hay muchos ejemplos en que son de utilidad. Por
ejemplo, cualquier análisis de regresión en el que se incorpore información sobre
raza, estado civil, grupo de edad, etc., utilizará variables dummy.
Así pues, una variable ficticia indica si una observación posee una
característica determinada. Si la observación tiene la característica en cuestión,
el valor de la variable será 1, y será 0 en caso contrario.
Ejemplo:
Podemos definir una variable para incorporar información sobre el sexo de los
individuos de la muestra estudiada, de la siguiente forma:
Mujer = 1 si el individuo es mujer

0 si el individuo es varón.

En este ejemplo, la unidad de observación será la persona, y las otras variables de

la muestra contendrán otros tipos de información sobre cada individuo.
En algunos casos, se construyen variables dummy a partir de información de
tipo continuo. Por ejemplo, podemos definir la variable:
Granciudad = 1 si la ciudad tiene población mayor de 1.000.000 hab.
0 si la población es menor de 1.000.000.
En otros casos, como en el de la variable Mujer, no hay información de tipo
continuo subyacente.

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
En ocasiones encontramos que se designan las variables con el nombre de la
característica de la que se trata:
Genero = 1 si el individuo es mujer
0 si el individuo es varón.
Aunque en general se considera más informativo utilizar el nombre específico
(Mujer, en este ejemplo) asociado al valor 1 de la variable.
Las variables ficticias solo toman los valores 0 o 1. Por eso reciben el nombre
de “ficticias”, ya que los valores por sí no tienen significado. En vez de un valor
cuantitativo, expresan la presencia o ausencia de una cierta característica. A
veces se usa el nombre de “variables cualitativas”, aunque es inexacto, en el
sentido de que el término “cualitativo” es más general.
Ejemplo:
La siguiente es una variable cualitativa:
Alimento = 1 si es pan o cereales
2 si es verdura
3 si es fruta
4 si es proteína (carne o legumbre)
Pero no es una variable dummy o ficticia. Podemos definir fácilmente un conjunto
de 4 variables ficticias (una por cada categoría) equivalente:
Cereal = 1 si Alimento = 1
0 si Alimento <> 1
Verdura = 1 si Alimento = 2
0 si Alimento <> 2
Fruta = 1 si Alimento = 3
0 si Alimento <> 3
Proteina = 1 si Alimento = 4
0 si Alimento <> 4

3 Uso de Variables Ficticias en la Regresión

Una vez que se han definido las variables ficticias, no podemos simplemente
incorporarlas sin más a la ecuación de regresión.
El motivo por el que no podemos hacerlo, es que si en nuestro modelo de
regresión tenemos un término independiente 𝛽0 , e incluimos las dos variables
Mujer y Varón, introduciremos una multicolinealidad perfecta en la regresión.

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.

“El valor medio de una variable ficticia
indica la proporción de las observaciones
de la muestra que tienen la característica
indicada por la variable”
Por ejemplo, en este caso tenemos que 𝑉𝑎𝑟𝑜𝑛 = 1 − 𝑀𝑢𝑗𝑒𝑟, y esa es una
colinealidad perfecta.
Cuando hay colinealidad perfecta, y el modelo tiene un término independiente,
entonces no hay una única solución determinada a las ecuaciones de mínimos
cuadrados, y no podremos hallar los valores estimados de los parámetros.
Para resolver esta cuestión, lo que haremos simplemente es eliminar u na de las
categorías e incluir las restantes en la regresión. La variable correspondiente a la
categoría omitida se llama el caso base.
En nuestro ejemplo de los grupos de alimentos, hemos definido 4 variables, una
para indicar la pertenencia del alimento a cada grupo. Podemos decidir que
nuestro caso base será el grupo de las proteínas, y entonces incluimos en la
regresión las variables Cereal, Verdura y Fruta. Si los coeficientes de estas tres
variables toman el valor cero, sabemos que estamos tratando con una observación
del grupo de Proteínas.
4 Modelos con Variables Ficticias
4.1 Propiedades de las Variables Ficticias
4.1.1 Interpretación del Valor de la Variable Ficticia
El valor medio de una variable ficticia nos dice qué proporción de las
observaciones que componen la muestra, tiene la característica indicada por la
variable.
Ejemplo:
Supongamos que tenemos una muestra de datos de 500 adultos, en la que 210
son Varones. Entonces, si hemos definido la variable dummy Varón, habrá 210
observaciones con Varón = 1 y 290 con Varón = 0.
La suma de valores de la variable será 210 × 1 + 290 × 0 = 210.
La media es 210⁄500 = 0,42, o lo que es lo mismo, el 42 %, que corresponde
exactamente con el cálculo de la proporción de varones en la muestra.
4.1.2 Interpretación del Coeficiente de la Variable Ficticia
En un modelo de regresión dado por:
𝑌̂ = 𝛽̂0 + 𝛽̂1 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝐷𝑢𝑚𝑚𝑦 (4. 1)
El coeficiente 𝛽̂1 nos da la diferencia que tenemos en el valor medio de 𝑌̂ entre
las observaciones en las que la 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝐷𝑢𝑚𝑚𝑦 = 1 y aquellas en las que la
𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝐷𝑢𝑚𝑚𝑦 = 0. Veámoslo con más detalle.
ASTURIAS CORPORACIÓN UNIVERSITARIA®
Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
Podemos ver la regresión con una variable dummy como una partición de los
datos verticalmente, en dos columnas. En nuestra muestra tenemos datos de 42
trabajadores, de los cuales 26 son mujeres y 16 varones. Si queremos comparar el
salario medio de las mujeres con el de los varones, podemos calcular
directamente el promedio de cada grupo, y tendremos que el salario medio de las
mujeres es de 8,12 € y el de los hombres 10,64 €.
Pero también podemos realizar la regresión del Salario utilizando la variable
ficticia Mujer. Esta variable nos dice a qué conjunto pertenece cada trabajador.
Realizamos la regresión:
̂ 𝑀 = 𝛽̂0 + 𝛽̂1 𝑀𝑢𝑗𝑒𝑟
𝑆𝑎𝑙𝑎𝑟𝑖𝑜

Figura 4. 1
Y obtenemos:
̂ 𝑀 = 10,64 − 2,51 ⋅ 𝑀𝑢𝑗𝑒𝑟
𝑆𝑎𝑙𝑎𝑟𝑖𝑜

En la figura vemos el diagrama de dispersión y la línea de regresión resultante:

• En el eje Y representamos el salario.
• En el eje X la variable dummy, que solo puede tener dos valores.
La línea de regresión conecta los puntos de la media de cada columna de datos:
Cuando Mujer = 0, la línea se sitúa en 10,64, que es el salario medio de los
varones. Cuando Mujer = 1, la línea se sitúa en 8,12, que es el salario medio de las
mujeres.
El coeficiente 𝛽̂1 es -2,51, la diferencia entre las medias, que no es sino la
pendiente de la recta (10,64 – 8,12), en el recorrido de 0 a 1.
Naturalmente, aunque se puede trazar la línea de regresión de 0 a 1, no tiene
sentido estimar el Salario para el valor Mujer = 0,5. La variable ficticia solo
puede valer 0 ò 1, que son los únicos valores que podemos utilizar al
predecir o estimar.

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.

“La variable ficticia supone distinguir
dos categorías, y no pertenecer a una
implica necesariamente pertenecer a la
otra”
4.1.3 Elección del Caso Base
No importa cuál sea la categoría de referencia seleccionada. Los coeficientes
estimados que resultan serán diferentes, pero la interpretación de los datos
es la misma. Hay que recordar que la variable ficticia quiere decir que tenemos
dos categorías, y que no pertenecer a una implica necesariamente pertenecer a
la otra.
Supongamos que tenemos dos regresiones realizadas con los mismos datos, con
la única diferencia de que en el primer caso utilizamos como variable Mujer, y en
la otra la variable Varón. Las líneas son:
𝑆𝑎𝑙𝑎𝑟𝑖𝑜 = 10,64 − 2,51 𝑀𝑢𝑗𝑒𝑟
𝑆𝑎𝑙𝑎𝑟𝑖𝑜 = 8,13 + 2,51 𝑉𝑎𝑟𝑜𝑛
Los coeficientes son diferentes, pero en cualquier caso vemos que el salario
medio de los varones es 2,51 unidades superior al de las mujeres.
Por otro lado, de la primera ecuación vemos que el salario medio de los varones
(que son en ese caso la categoría de referencia), es de 10,64. La segunda
ecuación nos dice lo mismo pero de otra forma: el salario de los varones es de
8,13 + 2,51 = 10,64. Se puede operar recíprocamente para el caso de las mujeres.
Lo que hemos comprobado es que al seleccionar una de las variables dummy para
excluirla del modelo, no estamos eliminando información del mismo.
Simplemente, el coeficiente de la variable dummy incluida está medido en
relación al caso base. Por esto es irrelevante cuál de las categorías se deje fuera
de la regresión.
4.2 La Variable Ficticia: Desplazamiento de la Ordenada al Origen
Nuestra muestra de datos del salario de los trabajadores incluye las variables
Salario, Mujer y Educ (medida en años de estudios completados).
De la regresión del Salario sobre la variable dummy Mujer, teníamos:
̂ = 10,64 − 2,51 𝑀𝑢𝑗𝑒𝑟
𝑆𝑎𝑙𝑎𝑟𝑖𝑜
Lo que nos dice que el salario medio de las mujeres es 2,51 menor que el de los
varones. Esta diferencia puede ser debida a la discriminación contra las mujeres
trabajadoras, pero también puede ser debida a la influencia de otros factores no
identificados hasta ahora. Para mejorar nuestro análisis, incorporamos más
información en un nuevo modelo:
̂ = 𝛽̂0 + 𝛽̂1 𝐸𝑑𝑢𝑐 + 𝛽̂2 𝑀𝑢𝑗𝑒𝑟
𝑆𝑎𝑙𝑎𝑟𝑖𝑜 (4. 2)
Y obtenemos:
̂ = 1,29 + 0,75 ⋅ 𝐸𝑑𝑢𝑐 − 2,71 ⋅ 𝑀𝑢𝑗𝑒𝑟
𝑆𝑎𝑙𝑎𝑟𝑖𝑜
ASTURIAS CORPORACIÓN UNIVERSITARIA®
Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
Para el caso de los varones, el coeficiente 𝛽̂2 = 0, así que la ecuación para esta
categoría es:
̂ 𝑉 = 1,29 + 0,75 ⋅ 𝐸𝑑𝑢𝑐
𝑆𝑎𝑙𝑎𝑟𝑖𝑜
Así que, en el caso de un varón con 10 años de estudios completados, el salario
predicho es:
1,29 + 0,75 ⋅ 10 = 8,79 €
En el caso de las mujeres:
̂ 𝑀 = 1,29 + 0,75 ⋅ 𝐸𝑑𝑢𝑐 − 2,71 = −1,42 + 0,75 ⋅ 𝐸𝑑𝑢𝑐
𝑆𝑎𝑙𝑎𝑟𝑖𝑜
Que para el caso de los 10 años de educación resulta 6,08 €. La diferencia con
los varones es de 2,71 €.

Figura 4. 2
Al comparar las dos líneas, vemos que el uso de la variable ficticia tiene el efecto
de desplazar el valor de la ordenada al origen, en esas 2,71 unidades.
Hemos incorporado información cualitativa sobre el género en nuestro modelo.
Sin embargo, la estimación puede ser demasiado simple, ya que el incremento en
un año de educación produce el mismo aumento en el salario en las dos
categorías, mujeres y varones (0,75 €), como refleja gráficamente el que las dos
líneas son paralelas.

4.3 Términos de Interacción con Variables Ficticias

La relación entre género, educación y salario puede ser más compleja. ¿Podría ser
que según se incrementa el nivel educativo, la diferencia salarial entre hombres y
mujeres aumente, o al revés? Nuestras líneas paralelas del modelo anterior no
pueden dar cuenta de este comportamiento. Una simple variable dummy no puede
capturar información de esta complejidad.
Podemos resolver esta dificultad añadiendo al modelo un término de
interacción, que es una nueva variable definida así:

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
 0 si la persona es Varón
𝑀𝑢𝑗𝑒𝑟 ⋅ 𝐸𝑑𝑢𝑐 = {
𝐸𝑑𝑢𝑐 si la persona es Mujer

El término de interacción es una nueva variable que es el producto del valor de la

variable dummy Mujer, y los años de educación. El nuevo modelo es:

̂ = 𝛽0 + 𝛽1 𝐸𝑑𝑢𝑐 + 𝛽2 𝑀𝑢𝑗𝑒𝑟 + 𝛽3 𝑀𝑢𝑗𝑒𝑟 ⋅ 𝐸𝑑𝑢𝑐

𝑆𝑎𝑙𝑎𝑟𝑖𝑜 (4. 3)

Con el resultado:
̂ = 4,70 + 0,47 ⋅ 𝐸𝑑𝑢𝑐 − 7,40 ⋅ 𝑀𝑢𝑗𝑒𝑟 + 0,37𝑀𝑢𝑗𝑒𝑟 ⋅ 𝐸𝑑𝑢𝑐
𝑆𝑎𝑙𝑎𝑟𝑖𝑜
Para predecir el salario de un varón con 10 años de educación, al ser la variable
Mujer = 0 en este caso:
̂ 𝑉 = 4,70 + 0,47 ⋅ 𝐸𝑑𝑢𝑐 = 4,70 + 0,47 ⋅ 10 = 9,4 €
𝑆𝑎𝑙𝑎𝑟𝑖𝑜
En el caso de Mujer = 1 con los mismos 10 años de educación:
̂ 𝑀 = 4,70 + 0,47 ⋅ 10 − 7,40 ⋅ 1 + 0,37(1 ⋅ 10) = 5,7
𝑆𝑎𝑙𝑎𝑟𝑖𝑜

Con Mujer = 1, tanto la ordenada al origen como los términos de la pendiente de

la recta cambian. La variable dummy actúa desplazando la ordenada al origen,
mientras el término de interacción produce el cambio de pendiente: El coeficiente
𝛽3 se interpreta como el cambio de pendiente producida por la variación de Educ
debida al hecho de ser mujer.
En nuestro estudio, vemos que un año adicional de educación produce un mayor
aumento salarial en el caso de las mujeres que en el de los varones:

Figura 4. 3

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
 5 Cambio de Estructura
Un cambio estructural existe cuando hay un cambio brusco en el
“Un cambio estructural se produce comportamiento de los datos observados. En estos casos, un único modelo de
cuando hay un cambio brusco en el regresión para explicar el fenómeno puede llevar a grandes errores de predicción.
comportamiento de los datos observados”
En nuestra muestra de datos de la estructura salarial, tenemos también la variable
Edad, que nos da información sobre el nivel de experiencia de los trabajadores.
Observando los datos, tenemos la sospecha de que la relación entre el salario y la
experiencia de los trabajadores cambia significativamente cuando tienen más de
45 años. En los primeros años, el salario crece claramente de forma lineal con la
edad, pero a partir de un punto de cambio que situamos en los 45 años, no es tan
claro que una mayor experiencia se relacione con la evolución del salario.

Figura 4. 4
Esto significaría un cambio de estructura, con lo que dos regresiones separadas
(una para el intervalo de edad 18-45 y otra para el intervalo 45-65) representarían
mejor la realidad que una única para todos los trabajadores.

5.1 Test de Chow

El test de Chow no “busca” cambios estructurales en la muestra, sino que

confirma o desmiente nuestra sospecha previa de cambio estructural. Es decir,
debe conocerse el punto del cambio que sospechamos.
Una vez dadas estas condiciones de partida, la forma de operar para realizar el
contraste de la hipótesis de que existe un cambio de estructura (válida para el
caso de un único punto de cambio estructural) es:
• Se divide la muestra total de tamaño 𝑛 en las dos submuestras que
determina el punto de corte de tamaños 𝑛1 y 𝑛2 respectivamente.
• Además del modelo inicial para el total de la muestra, se realiza la
estimación de dos modelos más, uno en cada una de las dos submuestras

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.

“El test trata de expresar si la estimación
única genera residuos mayores que una
estimación partida”
identificadas. De cada regresión se obtendrán unos coeficientes y sumas de
cuadrados diferentes.
• Utilizando los residuos de la regresión original y de las dos parciales, se
elabora un contraste de hipótesis, cuya hipótesis nula (H 0) será que los dos
conjuntos de parámetros (los de los sub-modelos correspondientes a las
dos sub-muestras) son iguales, con lo que no hay cambio estructural.
Calculamos el estadístico de contraste F 0.
(𝑆𝐶𝑅𝑒𝑠𝑇 − (𝑆𝐶𝑅𝑒𝑠1 + 𝑆𝐶𝑅𝑒𝑠2 ))
𝐹0 = 𝑘 (4. 4)
(𝑆𝐶𝑅𝑒𝑠1 + 𝑆𝐶𝑅𝑒𝑠2 )
(𝑛1 + 𝑛2 − 2𝑘)
Donde:
• 𝑆𝐶𝑅𝑒𝑠𝑇 es la suma cuadrática de los residuos del modelo global con todas
las (n) observaciones.
• 𝑆𝐶𝑅𝑒𝑠1 es la suma cuadrática de los residuos del modelo estimado con la
primera submuestra de tamaño 𝑛1 , y 𝑆𝐶𝑅𝑒𝑠2 la de la submuestra de tamaño
𝑛2 .
El numerador de la expresión compara los residuos obtenidos en el modelo único
(𝑆𝐶𝑅𝑒𝑠𝑇 ) frente a los residuos obtenidos en las dos estimaciones parciales
(𝑆𝐶𝑅𝑒𝑠1) y (𝑆𝐶𝑅𝑒𝑠2). Es decir, se están comparando dos estrategias distintas de
estimar el modelo: una estrategia en la que la muestra se utiliza al completo
(porque se entiende que no hay cambio estructural) con otra estrategia en la que,
en lugar de un único modelo, se estiman dos modelos, porque se entiende que
hay dos estructuras diferentes en la muestra.
En definitiva, el test trata de expresar si la estimación única genera residuos
mayores que una estimación partida. Si fuera claramente así, debe entenderse
que existe cambio estructural. Si los residuos producidos con la utilización del
único modelo son similares a la suma de los obtenidos con dos modelos
parciales, no podemos confirmar que la muestra contiene un cambio estructural.
Una vez computada la diferencia de residuos, se corrige, como en todo contraste,
numerador y denominador por los grados de libertad utilizados en cada expresión
(los del numerador provienen de la combinación de los grados de libertad del
modelo total (𝑛 − 𝑘) y los parciales (𝑛1 − 𝑘 y 𝑛2 − 𝑘). Así tenemos: (𝑛 − 𝑘) −
((𝑛1 − 𝑘) − (𝑛2 − 𝑘)) = 𝑘).
Matemáticamente, aunque no existiera cambio estructural la suma de residuos del
modelo único será siempre mayor a la suma de los parciales. Como este término
tiene una distribución “F” de Snedecor, podemos determinar si esa ganancia es
lo suficientemente grande como para sospechar que existe un cambio estructural
relevante, comparando si el 𝐹0 calculado supera al valor de tablas de una
distribución “F” con 𝑘 grados de libertad en el numerador y (𝑛1 + 𝑛2 − 2𝑘) en el
ASTURIAS CORPORACIÓN UNIVERSITARIA®
Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
 denominador, para un valor de significancia dado (típicamente 0,05, es decir, el
95% de confianza):
• Si el valor calculado de 𝐹0 es inferior o igual al de tablas, no hay diferencia
significativa en las sumas cuadráticas de residuos, con lo que aceptamos la
hipótesis nula y descartamos la presencia de un cambio estructural.
• En caso contrario, si el valor calculado de 𝐹0 es superior al de tablas, debe
considerarse que hay un cambio de estructura.

6 Anexo: Muestra de Datos Utilizada

Los datos utilizados en los ejemplos de este tema se recogen en la siguiente
tabla:

EDAD Afiliado Edad*Afiliado Educacion Mujer Mujer*Educacion Salario Experimentado Varon

18 0 0 12 1 12 4,25 0 0

19 0 0 11 0 0 5,50 0 1

19 0 0 12 1 12 4,68 0 0

19 0 0 13 0 0 4,68 0 1

19 0 0 12 1 12 3,40 0 0

20 1 20 12 0 0 5,50 0 1

20 0 0 9 1 9 3,70 0 0

21 0 0 13 1 13 7,23 0 0

21 1 21 9 1 9 4,17 0 0

21 0 0 13 1 13 7,65 0 0

22 1 22 12 0 0 6,60 0 1

22 0 0 13 0 0 6,60 0 1

23 0 0 13 0 0 4,95 0 1

23 0 0 16 1 16 5,31 0 0

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
25 0 0 13 0 0 8,80 0 1

25 1 25 16 1 16 6,80 0 0

26 0 0 12 1 12 8,50 0 0

26 0 0 16 1 16 6,13 0 0

26 0 0 12 1 12 8,50 0 0

27 1 27 16 1 16 11,05 0 0

28 0 0 16 1 16 15,09 0 0

29 0 0 12 1 12 10,63 0 0

30 0 0 13 1 13 9,77 0 0

30 1 30 12 1 12 5,53 0 0

31 0 0 12 1 12 6,94 0 0

33 0 0 15 0 0 12,10 0 1

35 0 0 13 1 13 5,95 0 0

36 1 36 12 0 0 13,20 0 1

36 1 36 14 0 0 8,25 0 1

39 0 0 16 1 16 22,95 0 0

43 1 43 13 0 0 16,50 0 1

46 0 0 12 1 12 5,95 1 0

46 0 0 13 1 13 13,86 1 0

46 0 0 12 1 12 8,08 1 0

47 1 47 14 0 0 23,10 1 1

51 0 0 10 0 0 6,00 1 1

52 0 0 8 0 0 15,40 1 1

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
55 0 0 14 0 0 11,55 1 1

57 0 0 13 1 13 5,10 1 0

59 1 59 8 1 8 7,65 1 0

60 0 0 13 0 0 21,45 1 1

62 1 62 12 1 12 12,38 1 0

7 Resumen
• Las variables ficticias o “dummy variables” (también llamadas binarias,
discretas o categóricas), nos dicen simplemente si una observación
individual pertenece a una determinada categoría.
• El valor medio de una variable ficticia nos dice qué proporción de las
observaciones que componen la muestra, tiene la característica indicada
por la variable.
• La variable ficticia solo puede valer 0 ò 1, que son los únicos valores que
podemos utilizar al predecir o estimar.
• Un cambio estructural existe cuando hay un cambio brusco en el
comportamiento de los datos observados. En estos casos, un único modelo
de regresión para explicar el fenómeno puede llevar a grandes errores de
predicción.

8 Bibliografía
• Carter, R.; Griffiths, W.; Judge, G.: Using Excel for Undergraduate
Econometrics, John Wiley and Sons, 2000.
• Chow, Gregory C.: “Tests of Equality Between Sets of Coefficients in Two
Linear Regressions”. Econometrica 28 (3), (1960).
• Goldberger, A.S.: Introducción a la econometría, Barcelona, Ariel, 2001.
• Wooldridge, F.M: Introducción a la econometría: un enfoque moderno,
Madrid : Thomson, 2006.

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.