Econometría

Gabriel Cornejo
¿Cómo redactar conclusiones en un modelo múltiple a través de reportes?
Uno de los aspectos más importantes de la elaboración de un modelo econométrico, es la redacción
de las conclusiones derivadas del mismo. Esto es importante, ya que en la práctica, el que lee el
reporte no es un especialista y no entiende el lenguaje técnico, que para el analista puede ser muy
trivial, pero para un no especialista es un idioma ignoto. Por otro lado, también dependerá de las
respuestas que se estén buscando con el modelo. En este documento se hará especial hincapié al
tema de las dócimas de hipótesis y no tanto a la explicación de los regresores.

Por lo general, se deben seguir las siguientes recomendaciones:

1) Señalar la prueba estadística que se ha llevado a cabo

2) Escribir la dócima de hipótesis de la prueba
3) Señalar el nivel de significancia que se está utilizando
4) Señalar y describir la regla para rechazar o no rechazar la hipótesis nula
5) Aplicar los puntos anteriores al problema y concluir estadísticamente
6) Escribir la conclusión final

Para aplicar lo anterior, se verán 3 diferentes maneras. Cada una de ellas tiene que ver con el uso
de una regla diferente para concluir si se rechaza o no la hipótesis nula de la dócima.

Ejemplo 1

Se les pidió a 93 estudiantes de primer año de un campus universitario, que hicieran una valoración
global de la vida en la residencia universitaria entre 1 (baja) y 10 (alta). También se les pidió que
valoraran su nivel de satisfacción con sus compañeros de habitación, con el edificio de la residencia,
con el consejero de la residencia y con su habitación.

Se estimó el siguiente modelo econométrico:

𝑌 = 𝛼 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + 𝛽4 𝑋4 + 𝑒
Donde

𝑌 = Opinión global de la vida en la residencia

𝑋1 = Satisfacción con los compañeros de habitación

𝑋2 = Satisfacción con el edificio de la residencia
𝑋3 = Satisfacción con el consejero de la residencia
𝑋4 = Satisfacción con la habitación
Utilice la siguiente porción de una salida de ordenador de la regresión estimada, para escribir un
informe resumiendo los resultados de este estudio.

1
 T FOR H0:
PARAMETER ESTIMATE
PARAMETER = 0
INTERCEPT 3,950 5,84
X1 0,106 3,56
X2 0,122 2,12
X3 0,169 2,64
X4 0,092 1,75

Tabla 1

Dependiendo de la información disponible será el proceder para el análisis. En la salida del

ordenador tenemos los regresores y sus valores T. Por lo tanto, las conclusiones que se obtengan
serán aplicando la regla 2t.

¿Qué dice esta regla?

Si se está trabajando al 5% nivel de significancia, la regla 2t señala que si el t valor asociado al

regresor es mayor o igual a 2 en valor absoluto, entonces hay suficiente evidencia para rechazar la
hipótesis nula de que el regresor poblacional o estadístico es igual a 0.

Volvamos al informe…

Para probar la significancia estadística de las pendientes del modelo, se aplicará una Prueba T, la
cual pretende rechazar o no rechazar la siguiente dócima de hipótesis general

𝐻0 : 𝛽𝑖 = 0
𝐻1 : 𝛽𝑖 ≠ 0
Para rechazar o no rechazar la dócima, se usará la regla 2t señala anteriormente. A continuación, en
la Tabla 2 se muestran los valores t asociados a cada pendiente.

T FOR H0:
PARAMETER
PARAMETER = 0
INTERCEPT 5,84
X1 3,56
X2 2,12
X3 2,64
X4 1,75

Tabla 2

Se puede apreciar que la única pendiente con la cual no hay suficiente evidencia para rechazar H0,
es la pendiente que acompaña a la variable “Satisfacción con la habitación” (X4) ya que su valor t es
menor a 2, (1,75 < 2). Lo anterior significa que la variable X4 no es estadísticamente significativa, en
otras palabras, la satisfacción con la habitación no explica la variación en la opinión global de la vida
en la residencia. En el caso de las demás variables, hay suficiente evidencia para rechazar la hipótesis
nula, ya que todos los valores t asociados a esas pendientes son mayores que 2. Lo anterior significa
que la satisfacción con los compañeros de habitación, la satisfacción con el edificio de la residencia

2
y la satisfacción con el consejero de la residencia sí explican la variación en la opinión global de la
vida en la residencia.

En relación a las pendientes que son estadísticamente significativas, se puede señalar que la
satisfacción con el consejero de la residencia es la que más aporta a la opinión general que se tiene
de la vida en la residencia, ya que al aumentar en un punto la satisfacción con el consejero de la
residencia, hace que la opinión de la vida en la misma aumente 0,17 puntos, manteniendo
constantes el resto de las variables y viceversa. En este mismo aspecto, la variable que menos incide
en la opinión global, sería la satisfacción con los compañeros de habitación.

Ejemplo 2

A partir de una muestra de 27 estudiantes recién egresados de Ingeniería Comercial de la

Universidad USS, se obtuvieron los siguientes datos sobre la nota media de la carrera (y), el número
de horas a la semana que dedicaron a estudiar (x1), el número medio de horas que dedicaron a
preparar exámenes (x2), el número de horas a la semana que se fueron a tomar copas (x3), si los
estudiantes subrayaban el texto (1) o si tomaban notas a partir del mismo (0) (x4), y el número
medio de horas de clase que tuvieron por semestre (x5)

Su hermano menor está a punto de ingresar a estudiar la misma carrera a esa universidad. Usando
el reporte anterior, ¿qué le aconsejaría?

Como se está trabajando con una muestra, primero hay que ver si las pendientes del modelo
propuesto son estadísticamente significativas, es decir, es necesario aplicar la siguiente dócima de
hipótesis:

𝐻0 : 𝛽𝑖 = 0
𝐻1 : 𝛽𝑖 ≠ 0
Y con los datos que se tiene disponible, examinar si hay suficiente evidencia para rechazar o no
rechazar la hipótesis nula. De acuerdo a los datos proporcionados por la salida del reporte
estadístico, en este caso, para rechazar o no rechazar la hipótesis nula, se utilizará el intervalo de
confianza de la pendiente a un 95% nivel de confianza. Este intervalo señala entre qué valores se

3
mueve la pendiente poblacional. Si el intervalo de confianza no incluye el valor cero (0), entonces
se puede afirmar que hay suficiente evidencia para rechazar la hipótesis nula, en otras palabras al
no incluir el 0, hay probabilidades muy bajas de que la pendiente poblacional sea igual a ese valor.
Si la pendiente fuera igual a 0, significaría una nula relación con la variable que se está modelando.

Si se examinan los intervalos de confianza de las pendientes, se puede afirmar que hay suficiente
evidencia para no rechazar H0 con las pendientes que acompañan a las variables “Horas de
preparación de exámenes”, “Subrayar Texto” y “Horas de clases semestrales”. Es decir, la variación
de estas 3 variables, no influyen para nada la nota media de la carrera.

Las variables que sí influyen en la nota media de la carrera son:

1) Horas de estudio semanal.

Se espera que por cada hora extra dedicada al estudio semanal, en promedio la nota media
de la carrera aumenta en 0,2 puntos, manteniendo constantes las otras variables y
viceversa. Esta variación de la nota final, si tomamos su intervalo de confianza, se mueve
entre 0,13 y 0,33 en la población por cada hora extra de estudio a la semana.

2) Horas copas semanal.

Según el reporte, el ir de copas trae consigo una disminución de la nota final de la carrera.
Se espera que por cada hora extra que se vaya a tomar tragos a la semana, en promedio la
nota media de la carrera disminuye en casi 0,14 puntos, manteniendo constantes las otras
variables y viceversa. Esta variación de la nota final, derivada de las horas de trago a la
semana, si tomamos su intervalo de confianza, a nivel poblacional se mueve entre 0,19 y
0,28 puntos menos, por cada hora extra de salida de tragos a la semana.

Según lo anterior, yo le recomendaría que da lo mismo las horas que dedique a preparar exámenes,
da lo mismo si prefiere subrayar los textos o bien tomar apuntes de los mismos y da lo mismo las
horas de clases que tenga por semestre. Esas tres variables no le van a ayudar a tener mejores notas.
Lo que sí le ayudará, será estudiar todas las semanas algunas horas y tratar de no sobrepasarse con
las horas dedicadas a salir a tomar tragos.

Ejemplo 3

Un dueño de una estación de servicio en un balneario turístico, le pide que desarrolle un modelo
econométrico que le permita saber las ventas semanales de la gasolina sin plomo en litros. Las
variables que se ha decidido incluir son las siguientes:

X1 = Precio en pesos de la gasolina sin plomo

X2 = Flujo de tránsito medidos en cantidad unitaria de autos que circulan por fuera de la estación
X3 = Variable dicotómica si la semana incluye un fin de semana con feriado o no (Sí = 1)
La tabla 3 muestra parte de un reporte estadístico

4
 PARAMETER ESTIMATE P_VALUE
INTERCEPT 234,8 0,0020
X1 -50,4 0,0027
X2 4,5 0,0430
X3 67,2 0,0006
Tabla 3

Con la tabla 3, se puede construir el siguiente modelo econométrico:

𝑌 = 234,8 − 50,4 𝑋1 + 4,5 𝑋2 + 67,2 𝑋3 + 𝑒

Según lo entregado por el reporte, la manera en la cual se puede saber si realmente las variables
del modelo pueden explicar por sí mismas la venta en litros de gasolina sin plomo, no va a ser un T
valor, ni un intervalo de confianza, sino que el P_value.

¿Qué es el P_value?

El P_value es la probabilidad mínima a la cual se puede rechazar H0. Por lo tanto, la regla señala que
si el p-value es menor al nivel de significancia escogido, entonces hay suficiente evidencia para
rechazar H0. En el caso de la significancia estadística de las pendientes del modelo econométrico, la
dócima que se aplica es:

𝐻0 : 𝛽𝑖 = 0
𝐻1 : 𝛽𝑖 ≠ 0
Si se escoge trabajar al 5% nivel de significancia, todos los regresores del modelo son
estadísticamente significativos, ya que su p_value es menor a 0,05. Lo anterior significa que
efectivamente el precio de la gasolina, el flujo de vehículos que pasan por la gasolinera y el hecho
de que sea un fin de semana largo, explican la variación de los niveles de venta de gasolina sin plomo
en esta estación de servicio.

Si el precio de la gasolina sin plomo aumenta en un peso, se espera que en promedio, las ventas de
gasolina sin plomo semanales caigan en 50,4 litros, manteniendo constantes las otras variables y
viceversa. Por otro lado, se espera que por cada auto extra que pase por fuera de la estación de
servicio, la cantidad vendida en litros de gasolina sin plomo semanales, aumente en promedio 4,5
litros, manteniendo constantes las otras variables y viceversa. Por último, se estima, que cuando se
trate de una semana con un fin de semana largo, las ventas promedio semanales de gasolina sin
plomo, deberían aumentar en 67,2 litros en relación a la venta promedio de una semana sin un fin
de semana largo.

En resumen…

Es importante que se redacten las conclusiones de una manera coloquial, pero sin dejar de lado los
tecnicismos. Asimismo, si se señala que se rechaza o no rechaza una hipótesis, es crucial que ésta
aparezca definida en alguna parte del reporte, de lo contrario, el lector no sabrá qué es lo que se
está rechazando o no se está rechazando.