Act. Grupal Econometría 300522

Asignatura Datos del alumno: Apellidos y Nombre Fecha
ALVEZ CARRILLO, Mª MERCEDES

CORREA RODRÍGUEZ, YOLANDA
Econometría HERNÁNDEZ MOYA, VICENTE 29/05/2022
MUÑIZ DOMÍNGUEZ, CARMEN
SAN JOSÉ MESBAILEZ, ÁLVARO
Actividad grupal: Búsqueda de un modelo de

regresión lineal múltiple para datos reales
Objetivos
Con esta actividad vas a tener que enfrentarte a una base de datos real y apliquen
todo lo aprendido hasta ahora en el curso de Econometría. El objetivo de hacerla en
grupo es que puedan realizar y reflexionar los resultados de forma conjunta
pudiendo de este modo sacar mayor provecho al aprendizaje de esta actividad.
Descripción de la actividad y pautas de elaboración
Estamos seguros y confiamos en que todo tu aprendizaje dentro del área de análisis
cuantitativo, y en especial, llegado a este último curso donde te has metido en el
apasionante mundo de la Econometría, ha hecho que se despierten en ti un montón
de curiosidades. Seguro que en tus horas de estudio y siguiendo las explicaciones de
tu profesor/a has pensado en algún comportamiento económico extraño o en
alguna relación de variables relacionadas con tu trabajo de la que te gustaría tener
más información.
Es el momento de ponerte “manos a la obra”, pues herramientas y conocimientos
no te faltan, y buscar esas variables que despertaron en ti la curiosidad y comenzar
a indagar. Pero no estás solo, cuentas con un equipo de trabajo, de compañeros de
estudio, que seguro que también han sentido alguna inquietud que querrán
compartir contigo. Para realizar este ejercicio deberéis acceder a una página oficial
(te pasamos algunos enlaces más adelante) y descargar los datos de esas variables
de interés sobre las que has sentido curiosidad.
© Universidad Internacional de La Rioja (UNIR)
Puedes utilizar datos en formato serie temporal o de sección cruzada, no hay
problema, a estas alturas sabes trabajar con ambos.
Debes plantear un Modelo de Regresión Lineal General mediante el cual expliques
el comportamiento de una variable a partir de otras (no se admitirá un modelo de
Actividades 1
regresión lineal simple) y, haciendo uso de Gretl, responder a las siguientes

cuestiones:
A. ¿Habéis elegido datos de serie temporal o de sección cruzada? ¿Por qué habéis
elegido esa variable dependiente?
En nuestro caso, hemos elegido una serie de datos temporal. Los datos en la serie
temporal, la unidad de medida puede ser de distinta frecuencia (periodicidad con la
que se obtienen los datos, en nuestro caso los datos son obtenidos del INE para
periodos anuales desde 1980 a 2020).
Tenemos que tener especial cuidado al interpretar los parámetros del modelo
cuando se relacionan en un mismo modelo datos de series temporales de distinta
frecuencia.
Hemos elegido como variable dependiente a la “esperanza de vida” (expresada en
años), ya que hemos querido analizar el efecto que le provoca un aumento o
disminución de las variables independientes.
Como variables independientes, hemos elegido:
- Médicos colegiados en España
- Población total
- PIB (en millones de euros)
B. ¿Cuáles son los signos de los coeficientes de las variables explicativas que
esperáis obtener?
Las variables explicativas son: médicos en España, población, y PIB
Los signos de los coeficientes de las variables explicativas que esperamos obtener
para médicos en España, población y para el PIB, serían positivos.
Si se produjese un aumento del nº médicos colegiados(ceteris paribus),
esperaríamos un aumento de la esperanza de vida. A mayor nº de médicos, menor
Actividades 2
nº de ratio de pacientes a atender, por lo que se agilizaría la atención en los

servicios sanitarios, es decir, mejoraría la sanidad, aunque también influiría una
buena alimentación y cuidado físico.
Si se produjese un aumento en la población (ceteris paribus), significaría un
aumento en la esperanza de vida. Entenderíamos que, el aumento de la población
(aparte de otros factores), estaría causado por un índice bajo de mortalidad, por lo
que la esperanza de vida aumentaría.
Si se produjese un aumento del PIB (ceteris paribus), significaría un aumento en la
esperanza de vida, ya que sería el mejor indicativo de un estado de bienestar y
desarrollo social.
C. Especificar y estimar un modelo a partir de una serie de regresores que os ayude

a explicar el comportamiento observado de la variable dependiente elegida.
Interpretad cada uno de los coeficientes del modelo obtenido.
Se ha recopilado información, a través del INE, sobre las siguientes variables:
 Esperanza de vida (Y: unidad de medida en años). Variable dependiente.
 Médicos en España (X1: unidad de medida nº médicos colegiados). Variable
independiente
 PIB (X2: unidad de medida en mill. de €). Variable independiente.
 Población (X3: unidad de medida número de habitantes). Variable
independiente.
AÑO ESPERANZA DE MÉDICOS PIB (MILL.€) POBLACIÓN (nº

VIDA (años) ESPAÑA (nº de habitantes)
Actividades 3
colegiados)
1980 75,44 86.253 159.100 37.346.940
1981 75,61 96.569 173.339 37.635.389
1982 76,22 104.759 190.291 37.881.873
1983 76,02 115.251 182.781 38.090.151
1984 76,39 121.362 207.776 38.252.899
1985 76,34 127.195 226.288 38.407.829
1986 76,61 131.080 243.382 38.531.195
1987 76,84 135.406 263.138 38.638.052
1988 76,86 138.994 302.674 38.731.578
1989 76,9 143.803 357.882 38.802.300
1990 76,91 148.717 401.686 38.853.227
1991 77,07 153.306 443.715 38.881.416
1992 77,51 156.100 463.263 39.051.336
1993 77,66 159.291 425.936 39.264.034
1994 78,03 162.089 425.089 39.458.489
1995 78,12 162.650 459.337 39.639.726
1996 78,26 165.560 489.203 39.808.374
1997 78,76 168.240 519.266 39.971.329
1998 78,87 171.494 555.993 40.143.449
1999 78,87 174.916 595.723 40.303.568
2000 79,34 179.033 647.851 40.470.182
2001 79,67 180.417 700.993 40.665.545
2002 79,76 185.908 749.552 41.035.271
2003 79,7 190.665 802.266 41.827.836
2004 80,29 194.668 859.437 42.547.454
2005 80,28 199.123 927.357 43.296.335
2006 80,94 203.091 1.003.823 44.009.969
2007 80,97 208.098 1.075.539 44.784.659
2008 81,3 213.977 1.109.541 45.668.938
Actividades 4
2009 81,66 219.031 1.069.323 46.239.271

2010 82,07 223.484 1.072.709 46.486.621
2011 82,25 226.424 1.063.763 46.667.175
2012 82,27 228.917 1.031.099 46.818.216
2013 82,78 232.816 1.020.348 46.727.890
2014 82,92 238.240 1.032.158 46.512.199
2015 82,7 242.840 1.077.590 46.449.565
2016 83,11 247.958 1.113.840 46.440.099
2017 83,09 253.796 1.161.867 46.527.039
2018 83,19 260.588 1.203.259 46.658.447
2019 83,58 267.995 1.244.375 46.937.060
2020 82,33 276.191 1.121.948 47.332.614
Hemos considerado el modelo, introduciendo la información sobre las variables

indicadas anteriormente, y a partir de dichas variables, establecer la siguiente
relación, para tratar de determinar el efecto de las mismas sobre la esperanza de
vida de la población.
Tras introducir las variables, obtenemos el modelo de MCO.
Actividades 5
Obteniendo el siguiente modelo:

Esperanza de vida = 64´8590 + 2.02103e-05 * médicos España + 2.15247e-06 *PIB + 2.24257e-07 * población
(2´36) (4.63447e-06) (7.83614e-07) (6.87481e-08)
Los valores entre paréntesis son los errores estándar. (Indicados en la segunda columna del
modelo).
Nº de médicos: Si aumenta en uno, el número de médicos colegiados, la esperanza
de vida aumentará en 2.02103e-05 años.
PIB: Si aumenta en 1 mill. de € el PIB, la esperanza de vida aumentará en 2.15247e-
06 años.
Población: Si aumenta en uno, el nº habitantes de la población, la esperanza de vida
aumentará en 2.24257e-07 años.
D. ¿Son válidas todas las variables que habéis introducido? Debéis ser capaces de
utilizar un criterio (estimación puntual o por intervalos de confianza al 95%) que
Actividades 6
os ayude a decidir que variables deben quedar dentro de tu especificación y

cuales fuera, hasta alcanzar el mejor modelo.
CRITERIO DE ESTIMACIÓN PUNTUAL O SIGNIFICATIVIDAD INDIVIDUAL
Directamente desde la tabla de estimaciones por MCO del modelo, podemos
obtener la información que se encuentra en la parte superior derecha de la tabla, el
“valor p”, el cual, nos servirá para analizar la significatividad individual de cada uno
de los parámetros.
Como se puede observar, el p-valor asociado a cada uno de los parámetros es
inferior a 0.01, lo que pone de manifiesto que se rechaza la hipótesis nula de que el
parámetro sea cero, teniendo un 99 % de confianza en las 3 variables
independientes de nuestro modelo.
En nuestro caso, también rechazamos 𝐻0 para cualquier nivel de confianza.
CRITERIO DE INTERVALOS DE CONFIANZA
Actividades 7
 Si optásemos por el criterio de intervalos de confianza al 95%(que es lo que

nos da por defecto Gretl), para analizar el nivel de significatividad individual, los
resultados serían los que muestra el siguiente pantallazo:
 Analizamos cada uno de los intervalos de cada variable independiente y

vemos que “0” no está en ninguno de los intervalos, por lo que rechazamos la H 0
para cada variable, y aceptamos H 1 al 95%. Por tanto, las variables independientes
son significativas.
Si analizamos los intervalos de confianza al 99%, los resultados de los intervalos
serían los que muestra el siguiente pantallazo:
Analiza
mosdecada
© Universidad Internacional uno
La Rioja de los
(UNIR) intervalos de cada variable independiente y vemos que “0” no
está en ninguno de los intervalos, por lo que rechazamos la H 0 para cada variable, y
aceptamos H1 al 99%. Por tanto, las variables independientes son significativas.
E. Sobre el modelo final, contrasta su significatividad global.
Actividades 8
El contrate de significatividad global del modelo a cualquier nivel de significación,

es un procedimiento que se utiliza para tener en cuenta si el modelo, en su
conjunto, es capaz de explicar el comportamiento de la variable explicada.
En Gretl , la significación global del modelo utiliza el criterio de decisión p-valor, y
será el que tendremos en cuenta en nuestro modelo.
El p-valor representa la probabilidad que existe de aceptar la hipótesis nula, donde
simboliza la superficie que ocupa la región de aceptación de un determinado
contraste:
- Si p-valor > 0’1 no rechazamos la hipótesis nula a niveles de confianza del
99%, y por tanto, tampoco al 95% ni al 90%.
- Si 0’1 > p-valor > 0’05, rechazamos la hipótesis nula al 90% de confianza.
- Si 0’05 > p-valor > 0’01, rechazamos la hipótesis nula al 95% de confianza.
- Si p-valor < 0’01, rechazamos la hipótesis nula al 99% de confianza.
Dado que el p-valor en nuestro caso es 3’49e-32, es inferior a 0’01, podemos decir
que se rechaza la hipótesis nula al 99%. En nuestro caso, rechazamos también la
hipótesis nula al 95% y al 90%, es decir, se rechaza la hipótesis nula a cualquier nivel
de confianza. El modelo es significativo de manera global, el modelo es relevante en
su conjunto.
Actividades 9
F. ¿Los signos de los coeficientes de las variables explicativas que habéis obtenido
coinciden con los que esperabais?
Antes de analizar nuestro modelo, lo que esperábamos de las variables explicativas
lo indicábamos en el apartado B.
Analizaremos ahora, el resultado según Gretl
Los signos de los coeficientes de las variables explicativas han resultados positivos,
coincide con lo que esperábamos, y tiene bastante lógica la explicación que se
facilitó:
 Nº de médicos colegiados. A mayor nº de médicos (C.P.), hará que el servicio
de salud sea mejor, por lo que los pacientes bien atendidos tendrán una mayor
esperanza de vida (que es nuestra variable dependiente).
 El PIB es un indicador claro de crecimiento económico, de la producción de
bienes y servicios. Tiene relación también con una mejor calidad de vida,
aunque no siempre puede ser así, lo normal que en los países con un mayor
PIB(C.P.), la esperanza de vida sea mayor, y que ésta aumente en relación
positiva con el mismo.
 Por último, el coeficiente de la variable explicativa “población”, también tiene
mucha relación que un aumento de la población indique claramente que hay
una baja mortalidad y por ello, también mayor población. Indica que la
población vive más tiempo, todo esto siempre ceteris paribus en las tres
variables, es decir, variando una de las variables independientes y el resto
permaneciendo constante.
G. Sobre el modelo final, comentad cuál es su poder explicativo.
Actividades 10
Podríamos decir que este es un muy buen modelo, puesto que tanto el resultado
del coeficiente de determinación (R2 = 0’9817), como el coeficiente de determinación
ajustado (0’9802), indican que las variables estudiadas (PIB, número de médicos
colegiados y población), explican en un 98‘02% la esperanza de vida en España.
En conclusión, diríamos que se han escogido unas buenas variables regresoras para
explicar el modelo. Con las variables seleccionadas somos capaces de explicar el
98,02% de la variabilidad observada.
H. Concluye con una breve exposición que indique qué habéis aprendido de este
análisis y cómo os podría ayudar a tomar algún tipo de decisión (económica,
política o empresarial, según de las variables elegidas)
En primer lugar, con las variables PIB, número de médicos y población, que a priori
suponíamos unas buenas variables explicativas para el modelo, se obtuvo el
resultado esperado.
Hemos visto, además, que al aumentar las variables PIB (ceteris paribus), el número
de médicos (ceteris paribus) y la población (ceteris paribus), se incrementa la
esperanza de vida.
A la vista de los resultados, un determinado gobierno podría concluir que para que
la población de su país tenga una mayor calidad de vida y vivir más años, es
importante la inversión en sanidad y en educación para, de esta manera, formar
personal sanitario capaz de proporcionar un servicio de calidad.
Actividades 11
I. ¿Ha cubierto el análisis realizado tu curiosidad inicial? Justificad vuestra

repuesta, ¿por qué sí o por qué no? y qué creéis que os faltaría para poder
quedar satisfechos. ¿Qué más os gustaría haber sabido hacer con estos datos?
El análisis realizado ha cubierto sobremanera las expectativas iniciales, ello habida
cuenta de los resultados obtenidos. Como se aprecia en los resultados se ha podido
encontrar un modelo que permite explicar de manera significativa la esperanza de
vida en función de las variables independientes (médicos colegiados, PIB y
población).
Tal y como nos suponíamos en un primer momento, se demuestra que a mayor y
posiblemente mejor sistema sanitario (Ceteris Paribus), mayor PIB (Ceteris Paribus),
mayor población (Ceteris Paribus), se produce un aumento en la esperanza de vida
(variable explicada).
Por tanto, nuestras expectativas sobre el modelo inicial, se han visto corroboradas
tras la obtención de la modelización del mismo a través de Gretl, y los resultados
aportados por el precitado programa.
Tal vez, una opción interesante con los datos con los que hemos trabajado sería
conocer a partir de qué número de los mismos, los coeficientes de las variables
independientes o explicativas, hubiesen tenido un signo negativo. Eso nos permitiría
saber, por ejemplo, a partir de qué número de médicos colegiados en España, la
esperanza de vida pudiese aumentar, manteniendo el resto de variables constantes,
dato este interesante para proyectar en políticas de salud pública.
Actividades 12

Act. Grupal Econometría 300522

Cargado por

Copyright:

Formatos disponibles

Act. Grupal Econometría 300522

Cargado por

Información del documento

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

Act. Grupal Econometría 300522

Cargado por

Copyright:

Formatos disponibles

Asignatura Datos del alumno: Apellidos y Nombre Fecha

ALVEZ CARRILLO, Mª MERCEDES

Actividad grupal: Búsqueda de un modelo de

regresión lineal simple) y, haciendo uso de Gretl, responder a las siguientes

nº de ratio de pacientes a atender, por lo que se agilizaría la atención en los

C. Especificar y estimar un modelo a partir de una serie de regresores que os ayude

© Universidad Internacional de La Rioja (UNIR)

AÑO ESPERANZA DE MÉDICOS PIB (MILL.€) POBLACIÓN (nº

2009 81,66 219.031 1.069.323 46.239.271

Hemos considerado el modelo, introduciendo la información sobre las variables

© Universidad Internacional de La Rioja (UNIR)

Tras introducir las variables, obtenemos el modelo de MCO.

Obteniendo el siguiente modelo:

© Universidad Internacional de La Rioja (UNIR)

os ayude a decidir que variables deben quedar dentro de tu especificación y

© Universidad Internacional de La Rioja (UNIR)

CRITERIO DE INTERVALOS DE CONFIANZA

 Si optásemos por el criterio de intervalos de confianza al 95%(que es lo que

 Analizamos cada uno de los intervalos de cada variable independiente y

E. Sobre el modelo final, contrasta su significatividad global.

El contrate de significatividad global del modelo a cualquier nivel de significación,

© Universidad Internacional de La Rioja (UNIR)

G. Sobre el modelo final, comentad cuál es su poder explicativo.

I. ¿Ha cubierto el análisis realizado tu curiosidad inicial? Justificad vuestra

© Universidad Internacional de La Rioja (UNIR)

También podría gustarte