Tecnológico Nacional de México

Campus Instituto Tecnológico de Villahermosa

Modelos
causales
Alejandro Benjamín Ramos
Edgar Daniel Blásquez Hernández
Jairo Emmanuel Coronel Jiménez
Kevin Aldair García Hernández
Alexis Hipólito Magaña
Miguel Armando Martínez Cornelio
María Jesús Melchor Ávalos
Valentín Méndez Vázquez
Christian Montejo de la Cruz
Carlos Daniel Morales Ascensio
Litzy Guadalupe Sánchez Ramírez
Juan Andrés Torres Jiménez
Diana Itzel Zapata García

Formulación y evaluación de proyectos

Docente: Arq. Roxana Amor Orozco Urbieta
Ingeniería Civil. Semestre 8
Villahermosa Tabasco, a 17 de mayo de 2021
1. MODELO DE REGRESIÓN
¿Qué es la regresión? Existen dos modelos básicos de regresión:

La regresión es una técnica estadística que

consiste en calcular dicha similitud en forma EL MODELO DE REGRESIÓN SIMPLE O DE DOS VARIABLES

de función matemática.

Un modelo de regresión es un modelo

matemático que busca determinar la relación Indica que la variable dependiente se predice sobre la base
de una variable independiente
entre una variable dependiente (Y), con
respecto a otras variables, llamadas EL MODELO DE REGRESIÓN MÚLTIPLE

explicativas o independientes (X).

"Indica que la medición se basa en dos o más variables independientes"

En ambos casos, aunque los valores de la variable independiente pueden ser asignados, es decir,
están dados para el analista; los de la variable dependiente deben obtenerse por medio del proceso
de muestreo
1.1
Modelo de
regresión
simple
Modelos causales
MODELO DE REGRESIÓN
SIMPLE
¿Qué es la regresión lineal?

Es un método con enfoque cuantitativo que

nos permite pronosticar la demanda. Agrupa
una variable dependiente (la demanda) con
una o más variables independientes a través de
una ecuación lineal.

Esta es la ecuación de la recta. En ella:

• La b es la inclinación de la recta.
• La a es la secante o la altura en la que la recta corta al eje y.
• La X es la variable independiente.
• La Y es la variable dependiente, el pronóstico calculado para un periodo.

El objetivo del análisis de regresión como método causal es pronosticar la demanda a partir de
una o más causas (variables independientes)
Se deriva un diagrama de dispersión que indica la relación
entre ambas. Gráficamente se representa la variable
independiente, x, en relación con el eje horizontal, y el valor
de la variable dependiente, y, en relación con el eje vertical.

Supóngase que la verdadera relación entre y y x es una línea

recta, y que la observación y en cada nivel x es una variable
aleatoria.
 EJEMPLO
CÁLCULO DE COEFICIENTES

x y xy x²

1 2 2 1

2 3 6 4
  𝑛 Σ   𝑥𝑖𝑦𝑖 −Σ   ¿
 𝑥𝑖 8
Σ (  35
𝑦𝑖 ) − (27 )(35
  45)
2 4 8 4𝑏= 2 8 ( 111 ) − (27 ) ² =0 . 849
¿
53
𝑛 Σ   𝑥𝑖 −(Σ   𝑥𝑖 )²
3 4 12 9
  35 45 27 80
4 4 16 16 𝑎=
  ´𝑦 −𝑏 ´𝑥 ¿
8
− ( )
53 8
=
53
=1. 509
4 6 24 16

5 5 25 25

6 7 42 36

Σ 27 35 Σ 135 111
EJEMPLO
x 1 2 2 3 4 4 5 6
y 2 3 4 4 4 6 5 7
GRAFICACIÓN

𝑎=
  ´𝑦 −𝑏 ´𝑥
Cuando x = 0 Cuando x = 6

 ´𝑦 =𝑏 𝑥
´ +𝑎  ´𝑦 =𝑏 𝑥
´ +𝑎
 ´𝑦 =(0 . 849)(0)+1 .50 𝑦 =(0 . 849)(6)+1 .50
 ´

 ´𝑦 =150 ´𝑦  =6 .604

1.2.
Modelo de
regresión
múltiple
Modelos causales
 MODELO DE REGRESIÓN
MÚLTIPLE
Es una extensión natural del modelo de regresión lineal simple consiste en

“
considerar más de una variable explicativa.

Los modelos de regresión múltiple estudian la relación entre una variable de

interés Y (variable respuesta o dependiente) y un conjunto de variables
explicativas o regresoras X1, X2, . . . , Xp

En
  el modelo de regresión lineal múltiple se supone que la función de regresión que relaciona la variable
dependiente con las variables independientes es lineal, es decir:
 Tipos de
variables
En regresión se trabaja con variables, y lo que se hace es calcular siempre promedios y su desviación típica.
▸  
En la función:

es una variable que puede denominarse alternativamente como endógena, dependiente, regresando, explicada o
variable respuesta, entre otros. es una variable que puede denominarse: exógena, independiente, regresor o
explicativa.
Dichas variables (tanto endógenas como exógenas) pueden adoptar dos formas generales:
Tipos de variables
▸  Continuas
Las variables continuas son aquellas que llenan el espacio. Son números reales (que pueden tener
o no decimales) y servirán incluso cuando su rango no sea desde hasta . Suelen ser variables
cuantitativas pero también pueden ser consideradas continuas variables cualitativas cuando pueden
ordenarse y tienen un número no bajo de elementos (más de 7 elementos).

Dentro de las variables continuas tienen especial relevancia las conocidas como porcentajes. Estos
ratios pueden considerarse variables continuas normales cuando se mueven en un rango central
relativamente amplio pero deben considerarse de forma especial cuando se mueven cerca de sus
extremos porque sus tasas de crecimiento se ven constreñidas al intervalo [0; 1].
Tipos de variables
▸ Discretas
Las variables discretas son aquellas que se mueven “a saltos”. Además de las variables de recuento
suelen ser factores cualitativos que indican alguna característica del individuo. Si las
características son sólo dos se suelen llamar dicotómicas. Si son más de dos se suelen denominar
simplemente factor.

En el primer caso tenemos que para cada tipo de variable hay un modelo de regresión
completamente distinto:

Sin embargo en el caso de las variables exógenas la distinta forma sólo exigirá una distinta
interpretación de forma que basta con saber cómo están codificadas para interpretar los
coeficientes estimados y demás parámetros.
Tipos de regresión múltiple
Libre Censurada
Se tienen datos de una Faltan datos en la muestra
muestra que abarca toda la de la variable en alguna
posible medida de la zona de la que sí hay datos
variable que esta puede en la población.
tener en la población.
Tipos de regresión múltiple
Truncada
Faltan datos en la muestra,
o estos dan un salto a partir
de un momento.
Doble valla
Surge como evolución del
modelo truncado donde
parece que hay dos
fenómenos que cuantifican
una relación: una primera
que determina el acceso o
no al fenómeno y una
segunda que determina el
grado con el que se accede.
Estimación
Para que los Relación lineal Perturbaciones
resultados de la entre las variables Deben ser:
regresión sean
“confiables” Ser lineal no de media cero,
significa que homocedásticas y
forzosamente tenga no
que ser una línea autocorrelacionadas.
recta sino también Se suelen resumir
que pueda ser lineal estos bajo la
con alguna denominación de
transformación. “esfericidad” de los
residuos.
 Problemas

Heterocedasticidad Error de especificación

Si no es muy acusada Se refiere a que

Los estimadores Multicolinealidad El test consiste en
no es importante. Si es falta por incluir
muy acusada será robustos no cambian ni regresar a la variable
el ajuste ni los alguna interacción dependiente con
necesario utilizar o alguna variable
estimadores robustos. parámetros 𝛽̂. Solo potencias de ella misma
aumenta el error en forma por lo que las variables
estándar estimado y, por polinómica. omitidas deben ser
tanto aumenta el p- potencias o
valor por lo que Es imposible que unas El problema surge cuando hay, como interacciones de las
corremos el riesgo de variables que explican y son mínimo, dos variables variables dependientes.
que una variable que explicadas por un fenómeno muy,correlacionadas, entonces sucede
fuese significativa deje sean tan completamente que una de ellas le “roba” la
de serlo. independientes que no estén correlación al resto haciendo que las
correlacionadas en algún demás aparezcan como no
grado. significativas o incluso significativas
con un signo distinto al esperado.
 EJEMPLO Horas Estado Edad
(Y) civil (Z) Horas Estado Edad
(X) (Y) civil (Z)
• El objetivo de los siguientes (X)
datos es el relacionar Y , número 1,1 1 73 3,3 0 71
de horas diarias frente al
televisor, con el estado civil X y 1,6 1 66 3,3 0 71
la edad Z , en una muestra de 20 2 0 65 3,4 0 80
personas escogidas al azar para 3,5 0 73
2,5 0 65
observar del vector (Y, X, Z) con
valores (y, x, z) mostrados en la 2,8 1 69 3,6 0 78
tabla. El estado civil se encuentra 3 1 82 3,6 0 75
codificado: casada(o)=1, 3,7 0 66
soltera(o) = 0). 3 1 83
3,9 1 80
3 1 82
4 0 55
3,2 0 72
3,2 1 69
EJEMPLO
Resolver:

a. Escriba las ecuaciones normales.

b. Encuentre la ecuación de predicción de mínimos cuadrados para los
datos obtenidos.
c. Estime las horas diarias frente al televisor de una persona casada de
60 años.
•
EJEMPLO a) Escriba las ecuaciones normales.

Variables predictoras (independientes):

X : Estado civil de la persona
(0: soltera, 1: casada).
Z : Edad de la persona.
• Variable de respuesta (dependiente):
Y : Número de horas diarias que la persona pasa frente al televisor
Las
  ecuaciones normales son:

Reemplazando los valores de la tabla de cálculos anterior:

EJEMPLO
EJEMPLO
b) Encuentre la ecuación de predicción de mínimos cuadrados para
los datos obtenidos.
 
c) Estime las horas diarias frente al televisor de una persona casada de 60 años.
*Modelo de predicción:

 • La ecuación de regresión es:

 • Una persona casada de 60 años pasa frente al televisor 0.622 horas diarias.
• En efecto, reemplazando en la ecuación de predicción x =1 y z = 60 se obtiene:
2.
Modelo de
insumo -
producto
Modelos causales
 DEFINICIÓN
▸ El modelo de insumo-producto ilustra la forma en que tiene que modificarse todo el flujo de
transacciones interindustriales, y por lo tanto, también los niveles sectoriales de producción bruta,
para poder hacer frente a un cambio dado del nivel o de composición de la demanda final, y
asimismo proporcionar los instrumentos de calculo que permiten cuantificar esas modificaciones. En
este aspecto el modelo tiene necesariamente que ajustarse a ciertos supuestos básicos. El mas
importante de ellos es que una determinada producción requiere proporciones especıficas de
insumos; en otras palabras, se supone que no ocurrirán cambios que afecten la estructura de
producción de los sectores, tales como la sustitución de ciertos insumos por otros diferentes, o
cambios en la tecnología de producción (mas mecanización, otros productos, etc.).
 ESTRUCTURA DE LA MATRIZ INSUMO-
PRODUCTO
▸ La estructura de la matriz de insumo producto es la de una tabla de doble entrada. En las filas se
puede observar la producción generada por las distintas actividades económicas (por ejemplo: pesca,
construcción, ganadería, etc.). En las columnas en tanto, podemos observar el uso intermedio y final
de los bienes y servicios. Cabe notar que el uso final incluye el consumo, la inversión y las
exportaciones.
▸ Al observar las columnas por actividad económica podemos encontrar su estructura de costos
desagregando por producción bruta, consumo intermedio y valor agregado.
En la siguiente figura vemos un esquema simplificado de la estructura de la Matriz insumo-producto:
 Productos
Productos
Insumos Demanda intermedia Demanda final Valor bruto de la
Insumos Demanda
sectoresintermedia
productivos Demanda final Valor bruto de (totales)
producción la
sectores productivos producción (totales)
Sectores W F X
Sectores
productivos W F X
productivos

Insumos Y
Insumos
primarios Y
primarios

Valor bruto de
Valor bruto de X
la producción X
la producción
(totales)
(totales)
La matriz insumo-producto es una representación ordenada y resumida del equilibrio entre la oferta y
la utilización de bienes y servicios en una economía. Esto, durante un período de tiempo que se define
como base para mediciones posteriores.

Esta matriz es una representación simplificada de la economía que refleja cómo se generan y usan los
bienes y servicios. Usualmente se considera la medición en un año que se define como base para
mediciones en los años siguientes.

En términos simples, la matriz insumo-producto es una fotografía de la situación de la economía en un

año previamente seleccionado. Esta fotografía tiene que ser actualizada cada cierto número de años
para poder detectar cambios relevantes en la estructura de producción y conductas de consumo.
 ¿POR QUÉ ES NECESARIO ELABORAR UNA
MATRIZ INSUMO-PRODUCTO
▸ 1. Para realizar mediciones de la actividad económica (como por ejemplo el Producto Interior Bruto
(PIB) por actividad económica, gasto e Inversión) de manera más precisa.
▸ 2. Para poder hacer estimaciones a precios constantes (valor real) y obtener un sistema de precios
relativos coherente.
Con el paso del tiempo, la economía va cambiando debido a diversos factores tales como la introducción
de nuevas tecnologías, cambios en el comportamiento del consumidor, desaparición y entrada de nuevos
productos, nuevas tendencias empresariales, entre otros. De esta forma, se hace necesario actualizar cada
cierto tiempo la fotografía que tenemos de la economía, siendo de particular importancia actualizar las
funciones de producción y los precios relativos.
EJEMPLO
3.
Modelo
econométrico
Modelos causales
 DEFINICIÓN
▸ Es una representación simplificada de la relación entre dos o más variables que permite estimaciones
empíricas.
▸ Es un modelo estadístico o matemático que representa la relación entre dos o más variables. Su
utilización permite hacer estimaciones acerca del efecto de una variable sobre otra y/o hacer
predicciones acerca del valor futuro de las variables.
 ESTRUCTURA

Error
1
Captura el efecto de otros
parámetros desconocidos.
Variable exógena

Variables que determinan o

2
explican a la variable endógena y
que son independientes entre sí.
Variable endógena
.
Una variable o factor que es
3 causada o explicada por otro
conjunto de variables
independientes (que son
determinadas por otros factores
fuera del modelo).
¿PARA QUÉ SE UTILIZA?
Son herramientas importantes en la formulación de políticas económicas, estrategias de ventas,
definición de la política monetaria, entre muchos otros.

▸ Algunos ejemplos conocidos de uso de modelos econométricos son:

 Predecir la tasa de crecimiento del PIB
 Determinar el efecto del gasto público
 Evaluar el impacto de un subsidio
 Proyectar la demanda de un producto,
 etc.
TIPOS DE MODELOS
ECONOMÉTRICOS
Los modelos pueden ser simples
con una variable endógena y
varias explicativas (una ecuación)
o más complejos con la
utilización simultánea de varias
ecuaciones.
Se recoge la información a los largo del
tiempo para cada unidad de información.
Así por ejemplo, se recoge la información
de una familia a lo largo del tiempo. Son
datos de corte transversal que se siguen
en el tiempo.
PANELES
DATOS DE CORTE
TRANSVERSAL
Datos de un individuo o agente
que se recogen en un momento
en el tiempo, por ejemplo un
censo.
Datos de una misma variable
que se recogen a lo largo del
tiempo, por ejemplo el PIB de
un país durante 10 años.
SERIES DE TIEMPO