Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
MORTALIDAD INFANTIL
INFORME GERENCIAL
Utilizando los datos de la tabla Table 6.4 extrada de las tablas de Gujarat, que muestra las variables:
CM = Mortalidad Infantil (nmero de defunciones de nios menores de 5 aos por cada 1000 nacidos vivos)
= 1 + 2 + 3 + 4 .
5. La mortalidad infantil depende de la tasa de alfabetizacin femenina, el PNB per cpita y la tasa de fertilidad
total; las cuales explican el comportamiento de la mortalidad infantil en un 73.47%.
INFORME TCNICO
Trabajando con la tabla Table 6.4 en el programa EViews9, mediante la funcin Estimate Equation, obtenemos los
siguientes resultados:
Dependent Variable: CM
Method: Least Squares
Date: 09/04/17 Time: 16:01
Sample: 1 64
Included observations: 64
Primero evaluaremos los signos de los coeficientes y la relacin entre cada variable independiente con la variable
dependiente:
FLR:
320
280
240 2 = = 1.768029
200
La relacin entre la FLR y la CM es
CM
160 inversa.
120
80
40
0
0 20 40 60 80 100
FLR
PGNP:
320
280
240
2 = = 0.005511
200
La relacin entre la PGNP y la CM es
CM
160 inversa.
120
80
40
0
0 4,000 8,000 12,000 16,000 20,000
PGNP
TFR:
320
280
240 4 = = 12.86864
200
La relacin entre la TFR y la CM es
CM
160 directa.
120
80
40
0
1 2 3 4 5 6 7 8 9
TFR
Luego, mediante inferencia estadstica, evaluamos cada coeficiente para determinar las variables que son
significativas en nuestro modelo:
Beta 1 ( ):
1 = 168.3067
1 = 32.89165 1 = 5.117003 1 = 0.0000
0
= = [65.783, 65.783]
Valores
Absolutos
Valores
Relativos
INFERENCIA ESTADSTICA
.
Beta 2 ( ):
2 = 1.768029
2 = 0.248017 2 = 7.128663 2 = 0.0000
0
= = [0.496, 0.496]
Valores
Absolutos
Valores
Relativos
INFERENCIA ESTADSTICA
.
Beta 3 ( ):
3 = 0.005511
3 = 0.001878 3 = 2.934275 3 = 0.0047
0
= = [0.003756, 0.003756]
Valores
Absolutos
Valores
Relativos
INFERENCIA ESTADSTICA
.
Beta 4 ( ):
4 = 12.86864
4 = 4.190533 4 = 3.070883 4 = 0.0032
0
= = [8.381, 8.381]
Valores
Absolutos
Valores
Relativos
INFERENCIA ESTADSTICA
.
Con el F-estadstico podemos determinar si el modelo es relevante o no lo es:
= 59.16767
0 1
PRUEBA DE HIPTESIS
0 : 1 = 2 = 3 = 4 El modelo no es relevante.
1 : 1 2 3 4 El modelo es relevante. .
Por ltimo, mediante el valor del 2 y del 2, podemos hallar el porcentaje de explicacin del comportamiento de
CM (variable dependiente):
100
75
2 = 0.747372
50
2 = 0.734740
Quantiles of Normal
25
0
,
-25
-50 73.47%.
-75
-100
-120 -80 -40 0 40 80 120
Quantiles of RESID
Luego, procedemos a comprobar si cumple con los supuestos del modelo clsico de regresin lineal:
2. No hay autocorrelacin. ( ) =
Dichos valores tienen una distribucin normal que podemos estandarizar a un ~(0,1) a un 95% de
confianza. Donde = 1.96 y 1 = 1.96.
2 2
De los datos estadsticos podemos observar que el mximo valor (8360.441) y el mnimo valor (-9690.696) se
encuentran fuera de los lmites.
.
Pero, segn la ubicacin del valor de Durbin-Watson obtenido previamente (2.170318):
3. Homocedasticidad. ( ) =
36
Series: VAR
32 Sample 1 64
Observations 64
28
24 Mean 1435.553
Median 296.7543
20 Maximum 9745.427
Minimum 6.673814
16 Std. Dev. 2207.118
Skewness 2.213387
12
Kurtosis 7.763070
8
Jarque-Bera 112.7551
4 Probability 0.000000
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Donde:
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 09/11/17 Time: 15:00
Sample: 1 64
Included observations: 64
4. No multicolinealidad. () =
Obtenemos el rango:
.
5. Normalidad de los residuos. ~(, ).
14
Series: RESID
12 Sample 1 64
Observations 64
10
Mean 3.73e-15
Median 3.320166
8 Maximum 98.71893
Minimum -98.16451
6 Std. Dev. 38.18821
Skewness 0.145068
4 Kurtosis 3.326877
Jarque-Bera 0.509408
2
Probability 0.775146
0
-100 -80 -60 -40 -20 0 20 40 60 80 100
Observamos que el valor del Jarque-Bera se encuentra dentro del 95% de confianza.
. ~(, )
6. Estabilidad. = .