Manual Stata10 JDC

M
M
A
A
N
N
U
U
A
A
L
L
D
D
E
E
S
S
T
T
A
A
T
T
A
A
V
VVe
eer
rrs
ssi
ii
n
nn .
.10
00
Autor:PhD.Eco JORGE EDWING DEL CARPIO GONZALES
Copyright 2008 JDC-- 3 Edicin
DC CONSULTING - Reservados todos los derechos
2008
La Paz - Bolivia
IntroduccionaStata
DescripciondelCurso
1. Introduccion
El objetivo del curso es el de dar un panorama amplio de las capacidades
estadsticasyeconometricasdelpaqueteStata.Comparadoconotrospaque-
tes econometricos los cuales solo cuentan con un formato deconos (SPSS,
Eviews,LimDep,etc.),aprenderamanejarStatautilizandocomandostiene
un costo inicial relativamente alto. Sin embargo, los benecios que ofrece
Stata m on as que compensan estos costos iniciales. Este curso de introducci
nalando los comandos m pretende minimizar dichos costos, se as utiles para
aquellosanalistasquetienelaintenciondehacerdeStatasupaquetedeuso
diario.
Stataofrecedosopcionespararealizaranalisisestadstico.Laprimeradeellas
es utilizando ventanas que ya cuentan con funciones y opciones predetermi-
nandas(formatodeconos).Lasegundaesusandocomandos,loscualesdeben
serescritosenlabarradecomandosStata.Alolargodelcursosehar enfasis a
*
red29@cam.ac.uk
1
MANUAL DE STATA 10.0
Por: PhD.Eco Jorge Edwing. Del Carpio Gonzales
==================================================================================
enelusodecomandos,se nalandolaformaalternativaderealizarlosejercicios
utilizandoventanas.Nosconcentramosenelusodecomandosyaqueconsid-
eramosquelosbeneciosasociadosaestetipodeusoesunodelosprincipales
atractivosdeStataconrespectoaotrospaqueteseconometricos.Elbenecio
inmediato de aprender a utilizar los comandos Stata es que esto permite al
analista construir rutinas (do-les) con el tipo de an unmente alisis que com
realiza.Deestaformasepuedenllevaralcaboanalisisestadsticosdeforma
rutinaria sin la necesidad de escribir las operaciones (o usar las ventanas)
de nuevo. El uso de comandos tambien abre toda una posibilidad a realizar
estimacionesquevanm ultimo,el asalladelasincluidasenlasventanas.Por
benecio de largo plazo de aprender a utilizar los comandos Stata es que el
usuario podra eventualmente crear sus propios programas con aplicaciones
que responden a sus necesidades particulares.
A parte de la exibilidad que da el uso de comandos, Stata ofrece otras
ventajasconrespectoaotrospaqueteseconometricos.Laprimeradeellases
laredinternacionaldeanalistasqueutilizanelpaquete(comoAngusDeaton
yS.P.Jenkins)delacualStatasenutreconlasrutinasycomandosescritas
porestareddeusuarios.Estoscomandosyrutinasestandisponiblessincosto
paratodousuariodeStata.UnaterceraventajacomparativaesqueStatase
especializaenbasesdedatosgrandespermitiendoajustespordise nomuestral
y analisisde datos longitudinarios (panel).
Elcursoestadivididoenseisapartados,loscualesexplicamosbrevementea
continuaci on.
1. Funciones B on, se tocar asicas En esta primera sesi an los puntos
asicos sobre el funcionamiento de Stata. Iniciaremos la sesi b on per-
sonalizando Stata. Una vez familiarizado con las ventanas del progra-
ma, veremos las diferentes formas de introducir datos, modicarlos,
analizarlosysalvarlos.Finalmenteaprenderemosautilizarlosrecursos
disponiblesenlaredpararesponderanuestraspreguntasyestaraldia
sobre los desarrollos de Stata.
2
==================================================================================
2. Estadsticas Descriptivas y G on del curso pre- acos En esta sesi
sentamos las distintas herramientas que se pueden utilizarcomo un
primer pasopara analizar los datos. Las dos formas mas usuales de
empezar un analisis estadstico son las tablas con estadsticas descrip-
tivas y el an aco. alisis gr
3. An on LinealEnestaclaseaprenderemosarealizar alisis de Regresi
regresionesenStataincluyendovariablesdummyeinteraccionescomo
determinantes. Veremos las diferentes hipotesis que podemos evaluar
justo despues de haber corrido el modelo. Otra parte fundamental del
an onesobtenerlosdiagn alisisderegresi osticosnecesariosparaprobar
si el modelo cumple con los supuestos clasicos de Mnimos Cuadrados
Ordinarios (OLS, por sus siglas en ingles.)
4. Modelos con Variables Discretas El objetivo de la sesion es el de
ilustrarlamaneradeestimarmodeloscuyavariabledependientetoma
valoresdiscretos.Estetipodemodelossonmuyutilizadoseneconoma
laboral aplicada para encontrar los determinantes de la participacion
y ocupacion laboral. Los dos tipos de modelos con variables discre-
tas son los binomiales (es decir dos alternativas) y los multinomiales.
Las tecnicas utilizadas para estimar este tipo de modelos dieren del
convencional OLS ya que la discontinuidad de la variable dependiente
implica una relacion no lineal. El documento hace enfasis en la teora
on as como la mec que hay detras de la estimaci anica de la misma. Se
ilustraconunejemploendondeestimamoslaparticipaci on onyocupaci
laboral usando datos de la ENIGH.
5. An on es el indicar los alisis de Datos Panel El objetivo de esta sesi
beneciosdetenerunabasededatosquecombinacortetransversalcon
seriesdetiempo.Lastecnicasdeestimacionpuedenserajustadaspara
explotar toda la variacion contenida en esta clase de bases de datos.
Todo tipo de modelos como variables continuas usando OLS, modelos
discretos,modelosdemnimoscuadradosgenerales(GLS),etc.pueden
3
==================================================================================
ser estimados bajo esta estructura de datos. Nos enfocaremos a dos
tipodemodelosquederivancomoloescasoencualquierotraespeci-
cacion econometricadel supuesto que hagamos sobre los residuales
delaecuacionobjetivo.Estosmodelossonlosdeefectos jos yefectos
aleatorios.
on Esta ultima sesi 6. Principios de Programaci on la destinaremos a
describir las ventajas de invertir un poco mas de tiempo en Stata y
aprenderlosprocesosb on.Elhechoquepodamos asicosdeprogramaci
programar y crear nuestros propios comandos es una de las grandes
ventajas que tiene Stata sobre otros paquetes econometricos. Es im-
portante explotar esta ventaja y en esta parte veremos ejemplos de
manejo de datos utilizando macros locales y loops (repeticion de op-
eraciones.)
2. Lecturas Sugeridas
Hamilton, L. C. (2004) Statistics with Stata. Updated for version 8,
Thomson. (Libro de Texto)
Maddala,G.S.(1983)Limiteddependentandqualitativevariablesin
econometrics, Cambridge University Press. (Captulos 1, 2 y 3)
Wooldrich, J. M. (2003) Introductory econometrics: A modern ap-
proach,2e, Thomson. (Captulos 2, 3, 4 y 8)
Wooldrich, J. M. (2002) Econometric analysis of cross section and
panel data MIT press
4
==================================================================================
Introduccion a Stata
Clase 1: Funciones Basicas
1. Introduccion
En esta primera sesi an los puntos b on, se tocar asicos sobre el funcionamiento
de Stata. Iniciaremos la sesion personalizando Stata. Una vez familiarizado
con las ventanas del programa, veremos las diferentes formas de introducir
datos, modicarlos, analizarlos y salvarlos. Finalmente aprenderemos a uti-
lizar los recursos disponibles en la red para responder a nuestras preguntas
y estar al dia sobre los desarrollos de Stata.
2. Personalizando Stata
El depliegue de Stata presenta cuatro ventas diferentes: Review, Results,
Variables y Commands. En Review aparencen los comandos que han
sido utilizados durante las sesi olo los resultados m on en turno. S as recientes
*
red29@cam.ac.uk
1
Por: PhD.Eco. Jorge Edwing. Del Carpio Gonzales
==================================================================================
son visibles en la pantalla Review, mientras que Command sirve para
utilizar Stata de forma interactiva.
1
Al instalar Stata, varios archivos son creados para su uso posterior. El mas
utilizado es el archivo Stata cuya direccion esta indicada en la parte inferior
izquierda de la pantalla; es aqu donde son salvados los datos y resultados si
no se especica otra ruta. Para visulizar la ruta de todos los archivos creados
por Stata, escriba la palabra sysdir en la barra de comandos.
2
La ruta
de estos archivos puede ser modicada utilizando el comando sysdir set
nombre del archivo seguido por la nueva direccion. La ruta del archivo
Stata tambien puede ser modicada escribiendo el comando cd seguido
por la nueva ruta.
Comandos: sysdir
3. Manejando la Base de Datos
Hay varias formas en que podemos introducir datos en Stata. Una de las
mas comunes es utilizando el comando insheet seguido por la ruta del
archivo, este comando premite a Stata leer archivos en formato ASCII
3
que
son com unmente realizados en Excel (separados por comas o bien por tabu-
ladores). Otros comandos que pueden ser utilzados son: infile1, infile2 e
infix. Tambien es posible introducir datos a mano utilizando el comando
edit, el cual abre una hoja de calculo. Aunque no es muy recomendable, los
datos pueden ser introducidos a Stata cortandolos desde Excel y pegandolos
en la hoja de calculo de Stata.
Si los datos ya estan en formato de Stata (terminacion .dta), estos pueden
1
El tama on de las ventanas puede ser ajustado seg no y posici un las preferencias del
usuario y estas pueden ser salvadas utilizando Prefs Save Windowing Preferences.
2
Es importante se usculas, todos los comandos nalar que Stata es sencible al uso de may
Stata deben ser escritos utilizando s usculas. olo min
3
American Standard Code for Information Interchange
2
==================================================================================
ser cargados al programa utilizando el comando use seguido por la ruta en
donde se encuentra la base de datos. Por ejemplo:
use C:/Mis Documentos/Stata/Datos1.dta
Comandos: insheet, infile1, infile2, infix, edit, use
3.1. Asignando Memoria y Tama no de la Matriz
Stata cuenta con un optimizador de memoria el cual asigna una cantidad
predeterminada de memoria a cada observacion, la cantidad asignada au-
tomaticamente es de 10M. El usuario debe incrementar esta cantidad si con-
sidera que la base de datos necesita mas recursos utilizando el comando set
memory seguido por la cantidad en mega bytes. Si la memoria asignada es in-
suciente dado el tama a el siguiente error: no de la base de datos, Stata emitir
no room to add more observations. Una ves que los datos han sido
cargados, estos se pueden comprimir usando compress, un comando muy util
cuando se manejan varias bases de datos grandes.
Otro valor que debe ser asignado de acuerdo al tama no de la base de datos y
el tipo de an no de la matriz. alisis que se pretende realizar con ella, es el tama
El valor asignado por Stata (en su edicion especial) es de 400 variables, este
puede ser incrementado hasta 11,000 en el caso de la edicion especial (800 en
la versi as peque on m na de Stata) usando el comando set matsize.
Comandos: memory, compress, matsize
3.2. Leyendo los Datos
Stata almacena las varaibles asignandoles diferentes formatos dependiendo
del tipo de informacion de sus observaciones. Para obtener esta y otra infor-
maci umero de variables u observaciones use el comando describe. on como n
3
==================================================================================
Para ver las observaciones en pantalla, se puede utilizar edit o bien list
seguido por el nombre de la variable o variables que se deseen visualizar.
La diferencia entre edit y list es que el primero despliega toda la hoja
de calculo mientras el segundo despliega los datos en la ventana de resulta-
dos.
Comandos: describe, edit, list
3.3. Guardando los datos
Para guardar los datos use el comando save seguido por la ruta en donde se
quieren salvar. Para borrar una base de datos no deseada utilice el comando
erase seguido por la ruta. El comando clear descarga los datos de la memo-
ria temporal de Stata; notese que al utilizar clear no se realizara ninguna
advertencia antes de descargar los datos y si la base de datos original ha sido
modicada sin ser salvada estos cambios se perderan.
Comandos: save, erase, clear
4. Modicando la Base de Datos
Una vez cargada la base de datos, es muy com un modicarla para crear
nuevas variables o bien cambiar el orden o contenido de las mismas. Los
siguientes comandos son muy utiles para estas tareas:
label Este comando sirve para a nadir etiquetas tanto a variables (label
variable) como a bases de datos (label data).
order, move y aorder Estos comandos cambian el orden en que se encuen-
tran las variables. order seguido por lista de var cambia el orden seg un
sea especicado por la lista de variables. move var1 var2 en cambio,
sustituye la variable1 en la posicion de la variable2. aorder acomoda
las varibles en orden alfabetico.
4
==================================================================================
sort Ordena de forma acendente las observaciones basado en una o mas
variables.
generate Genera una nueva variable denida en base a una expresion numeri-
ca la cual puede contener otras variables. Por su exibilidad, este es uno
de los comandos mas importantes de Stata, ya que se pueden utilizar
umero de operaciones l aticas para un gran n ogicas, aritmeticas y matem
denir expresion. En el siguiente cuadro tratamos de resumir las expre-
siones mas utilizadas con generate.
5
==================================================================================
Cuadro 1: Expresiones usadas por generate
ones L Expresi ogicas Signicado
&, Y (AND), O (OR) |
>, < Mayor que, Menor que
==, ! = Igual a, Diferente a
>=, <= Mayor o Igual, Menor o Igual
Expresiones Aritmeticas
+, Mas, Menos
on, Divisi , / Multiplicaci on
n, N N on corriente, N umero de observaci umero de
observaciones totales
Algunas funciones Matematicas
abs()
cond(x; y; z)
exp()
round(x; y)
log()
min(x1; x2; : : :)
max(x1; x2; : : :)
sqrt()
sum()
uniform()
See: help functions
Valor absoluto
si x es igual a 0, entonces y.., de otra forma z..
funci on exponencial
redondea x en unidades de y; round(.,1) rodondea a
la integral mas cercana.
logaritmo natural
el mnimo de x1; : : : ; xn
el maximo de x1; : : : ; xn
raiz cuadrada
La suma para la expresion entre parentesis.
Genera n umeros aleatoreos entre 0 y 1 con
una distribucion uniforme.
egen Es una extencion de generate que contiene una gran cantidad de fun-
ciones pre-establecidas con las que se pueden generar nuevas variables.
replace Cambia el contenido de una variable ya existente sustituyendola
por una expresion.
6
==================================================================================
encode Cuando una variable esta en formato string (es decir no-numerico) no
se pueden obtener estadsticas sobre ella. encode y su opuesto decode
cambian el formato de una variable string a numerico y viceversa. Alete-
nativamente podemos utilizar los comandos tostring y destring los
cuales realizan las mismas funciones pero con mas opciones.
reshape wide, long Este comando transforma la base de datos de una for-
mato ancho (wide) a uno largo (long ) y viceversa. reshape puede trans-
formar de una base de datos como la siguiente en formato ancho:
Cuadro 2: Datos en formato wide
X
ij
id sexo ing80 ing81 ing82
1 0 5000 5500 6000
2 1 2000 2200 3300
3 0 3000 2000 1000
A uno largo como este:
Cuadro 3: Datos en formato long
i j X
ij
id a no sexo Ing
1 80 0 5500
1 81 0 5500
1 82 0 6000
2 80 1 2000
2 81 1 2200
2 82 1 3300
3 80 0 3000
3 81 0 2000
3 82 0 1000
7
==================================================================================
keepSeguido por una lista de variables mantiene las variables especicadas
eliminando las no incluidas en la lista. Analogamente el comando drop
elimina las variables que le siguen al comando conservando las no-
incluidas.
5. Combinando Bases de Datos
Muchas veces es necesario combinar dos o mas bases de datos para formar
una sola. Para ello se pueden utilizar los comandos merge o append. merge
une dos bases de datos utilizando una variable en com un. Las dos bases de
datos deben estar en formato .dta (Stata) y las observaciones deben estar
ordenas (utilizando sort) de acuerdo a la variable que sirve como referencia.
El objetivo de merge es anexar variables no observaciones. Por ejemp-
lo:
use ds2
sort recid
save ds2, replace
use ds1
sort recid
merge recid using ds2
Lo que este peque odigo nos dice es que carguemos la base de datos ds2 no c
(use) y la ordenemos de acuerdo al identicador recid (sort) y guardemos los
cambios reeplasando ds2 (save). Posteriormente abrimos la segunda base de
datos utilizando el comando use, la ordenemos en base a recid y nalmente
la pegamos (merge) de acuerdo a recid utilizando la base de datos ds2.
En el caso de append sucede lo contrario, lo que se busca es anexar observaciones
por lo generala una misma serie de variables. La sintaxis es mucho mas
8
==================================================================================
sencilla pues solo se tiene que nombrar la base da datos que se desea anexar.
Por ejemplo:
append using ndatos
Por ultimo, si se desea contruir una nueva base de datos que contenga in-
formacion condensada de la base original, esto se puede hacer utilizando el
comando collapse. Supanga que tiene una base de datos sobre hogares y que
cada hogar tiene una observacion para cada miembro que lo integra. Si cada
hogar dispone de un identicador unico, entonces se puede formar una base
de datos alternativa que contenga una sola observaci on por hogar (en lugar
de una observacion por individuo) para cada una de las variables deseadas.
Esta observaci on estandar, la suma u on puede contener la media, la desviaci
otro estadstico por hogar. Por ejemplo:
collapse (mean) edad educacion ingreso, by(hogar)
El codigo anterior crea una base de datos con cuatro variables (hogar, edad,
educaci on por hogar, la cual contiene el prome- on e ingreso) con una observaci
dio de cada variable por hogar.
Comandos: merge, append, collapse
6. Sintaxis y Obteniendo Ayuda
Como lo podemos ver en los ejemplos anteriores, la sintaxis de los comandos
Stata tienen un formato com un. Esta sintaxis es la siguiente:
[by lista de var :] comando lista de var [if expresion] [in rango]
[ponderadores] [using nombre del archivo], [opciones]
Sin embargo para la moyor parte del curso s on olo necesitaremos una versi
mucho mas simple como:
[by lista de var :] comandolista de var [if expresion], [opciones]
9
==================================================================================
El prejo by permite aplicar el mismo comando separando la base de datos en
subgrupos denidos por lista de var. Posteriormente viene el comando seguido
por una segunda lista de var a las cuales se les aplicara el comando elegido.
Los datos utilizados para evaluar el comando pueden ser limitados con las
opciones if e in. Las opciones especcas al comando tienen que ser precedi-
das por una coma. A lo largo del tutorial se utilizara esta sintaxis de forma
continua de manera que al nal del curso el participante estara familiarizado
con ella.
Vea: help language
Otra informacion clave es la forma en que podemos obtener ayuda. Todos
los comandos Stata tienen informacion acerca de la manera en que deben
utilizarce (sintaxis y opciones); para acceder a ella es s on de es- olo cuesti
cribir la palabra help seguida por el nombre del comando en la ventana
de comandos de Stata. Si no conoce el nombre del comando que realiza la
tarea que tiene en mente, escriba la palabra findit seguida por una palabra
que este relacionada con dicha tarea. Este comando busca en toda la docu-
mentaci agina red de on tanto interna como aquella que se encuetra en la p
Stata. Adicionalmente, existen p acticos, aginas de internet con materiales did
estos son algunas de las mas importantes:
http://www.stata.com/support/
http://www.stata.com/support/faqs/
http://www.ats.ucla.edu/stat/stata/sk/
http://www.ats.ucla.edu/stat/stata/
http://ideas.repec.org/s/boc/bocode.html
Stata se actualiza casi continuamente, los usuarios pueden escribir programas
y mandarlos al archivo de SSC (Statistical Software Components), por lo
tanto es necesario hacer actualizaciones de forma regular. El comando update
10
==================================================================================
query le indicara si es necesario hacer actulizaciones.
4
7. Resumen
En esta primera sesi as b on aprendimos los puntos m asicos del funcionamien-
to de Stata incluyendo la importaci on y el manejo de bases on, tranformaci
de datos. Otros puntos clave consistieron en el procedimiento para cargar las
bases de datos en formatos diferentes a Stata, as como asignar la suciente
memoria y tama ali- no de matriz para cargar los datos y llevar al cabo el an
sis. La combinaci on de nuevas variables on de bases de datos y la generaci
utilizando las expresiones del comando generate fueron entre las tareas mas
importantes de la sesion.
4
Para hacer las actualizaciones es necesario que su computadora este conactada a la
red; si su conexion utiliza un proxy, tiene que congurar Stata, vea help netio.
11
==================================================================================
IntroduccionaStata
Clase2:EstadsticasDescriptivasyGracos
1. Introduccion
Enestasesiondelcursopresentamoslasdistintasherramientasquesepueden
utilizarcomounprimerpasoparaanalizarlosdatos.Lasdosformasmas
usuales de empezar un analisis estadstico son las tablas con estadsticas
descriptivas y el an aco. alisis gr
2. Tablas con Estadsticas Descriptivas
codebookesuncomandomuy utilparaempezaraanalizarlabasededatos.
Si no se especica una variable codebook presenta estadsticas descriptivas
sobrecadaunadelasvariablesenlabasededatos,alternativamentesepuede
obtenerinformaci oloalguna(s)variable(s)enparticularescribiendo onsobres
elnombredela(s)variable(s)despuesdecodebook.Uncomandoalternativo
*
red29@cam.ac.uk
1
==================================================================================
que presenta estadsticos similares a codebook pero de forma resumida es
summarize. Aqui se presenta un ejemplo del comando summarize:
sysuse auto
summarize price mpg
Cuadro 1: summarize
Variable Obs Mean Std. Dev. Min Max
price 74 6165.25 2949.49 3291 15906
mpg 74 21.29 5.78 12 41
El cuadro 1 presenta informaci umero de observaciones, la me- on sobre el n
dia,desviacionestandaryelrangodelasvariables.Muchasvecesnecesitamos
crearunatablacondeterminadosestadsticosdescriptivos,parahecerestose
puede hacer uso de los comandos tabstat o table. Estos comandos tienen
muchaexibilidadnosoloenlosestadsticosquesepuedenincluirperotam-
bienenelformatoenqueestossepresentancomosepuedeverenelsiguiente
ejemplo:
sysuse auto
tabstat price mpg trunk weight, statistics(mean n sum sk
median)
Cuadro 2: tamstat
Variable price mpg trunk weight
mean 6165.25 21.29 13.75 3019.45
N 74 74 74 74
sum 456229 1576 1018 223440
skewness 1.65 .948 .029 .148
p50 5006.5 20 14 3190
2
==================================================================================
El comando inspect es una forma sencilla de obtener informacion sobre
la distribuci nas gr on de una variable. Presenta peque acas con puntos de
frecuenciasrelativasyalgunosestadsticossobreelnumerodeobservaciones
distintasdecero,etc.tabulate,porotrolado,realizatablasconfrecuencias
y presenta varios estadsticos de correlacon entre dos variables previamente
seleccionadas:
sysuse auto
tabulate rep78 foreign
Cuadro 3: tabulate
Repair record Car type
1978 domestic foreign Total
1 2 0 2
2 8 0 8
3 27 3 30
4 9 9 18
5 2 9 11
Total 48 21 79
Comandos:codebook, summarize, inspect, tabstat, table, tabulate
2.1. Estadsticos de Momentos
Toda distribuci as on puede ser inferida por sus momentos. Los momentos m
utilizadossonelprimero(lamedia)yelsegundo(lavarianza).Enlaseccion
anterior vimos como podemos obtenerlos. Para probar estadsticamente la
diferenciaentredosmediasprovenientesdedistribucionesindependientes,es
necesario utilizar informacion acerca del segundo momento. Esto se puede
llevar al cabo utilizando el comando ci para formar intervalos de conanza
3
==================================================================================
delasmediasyversiseintersectanono.Lanointerseccionquieredecirque
no hay evidencia suciente para rechazar la Ho: igualdad de medias.
Los momentos tercero y cuarto de la distribucion tambien nos dan infor-
maci on es on valiosa. La skewness o tercer momento nos dice si la distribuci
simetrica con respecto a la media. Valores de este estadstico iguales a cero
indican una distribucion simetrica mientras que valores mayores (menores)
a cero indican que la cola de la distribucion esta sesgada hacia la derecha
(izquierda).Lakurtosis ocuartomomento,mideladensidadqueseconcen-
traenlascolas;unadistribucionnormal(deltipoGauss)tieneunakurtosis
igual a tres. Valores que dieren de la normal se dice que tienen colas con
algunos picos (no nos referimos a picos en sentido estricton umero innito
dederivadassinosoloavecindariosendondeladistribucionnoestansuave
como la normal.)
Paraobtenerinformaci onpodemos onhacercadelosmomentosdeladistribuci
usarelcomandosummarizeconlaopciondetail.Pruebasparanormalidad
deunadistribucionenbasealtercerycuartomomentosepuederrealizar
utilizando el comando sktest.
Comandos: ci, summarize, sktest
3. Gracos
Lamejormaneraderesumirlainformacioncontenidaenlosdatoseshaciendo
un an aco de los mimsos. Stata tiene un gran n acas alisis gr umero de gr
siendo scatter, twoway, histogram y kdensity entre los comandos mas
utlizados.
Las gracas twoway pueden presentarse de diferentes maneras, una de las
mas comunes es en forma de puntos.
1
El comando scatter se utiliza en el
siguiente ejemplo para observar como se ha comportado la expectiativa de
1
Los siguientes ejemplos se pueden aplicar a gr areas o barras. acas de lineas,
4
==================================================================================
4
0
4
5
5
0
5
5
6
0
6
5
l
i
f
e

e
x
p
e
c
t
a
n
c
y
1900 1910 1920 1930 1940
Year
4
0
4
5
5
0
5
5
6
0
6
5
l
i
f
e

e
x
p
e
c
t
a
n
c
y
1900 1910 1920 1930 1940
Year
vida al nacer (le) a travez del tiempo (year). La base de datos (uslifeexp2)
que usamos para realizar la graca 1 es una de las que provee el sistema
(integradas en Stata) y es llamada utilizando el programa sysuse. En el
segundorengl acadeltipo ondelejemploespecicamosquequeremosunagr
scatter que relacione las variables le y year.
sysuse uslifeexp2, clear
scatter le year
Figura1: Graca en forma de Puntos
O bien estos puntos se pueden unir utilizando la opcion connect:
scatter le year, connect(l)
Figura 2: Gracaen forma de Puntos Unidos
5
==================================================================================
5
0
6
0
7
0
8
0
5
0
6
0
7
0
8
0
0 10000 20000 30000 40000
0 10000 20000 30000 40000
Eur & C.Asia N.A.
S.A.
L
i
f
e

e
x
p
e
c
t
a
n
c
y

a
t

b
i
r
t
h
GNP per capita
Graphs by Region
0
1
0
2
0
3
0
4
0
5
0
6
0
F
r
e
q
u
e
n
c
y
5,000 10,000 15,000 20,000 25,000
Volume (thousands)/x
mean 1 s.d. +1 s.d. 2 s.d. 17,493
Volume (thousands)
Lamayoradelasopcionesgr alisisporgruposutilizando acaspermiteunan
el comando by:
scatter lexp gnppc, by(region)
Figura 3: Graca por Grupos
Histogramas de frecuencias y distribuciones de densidad kernel pueden ser
gracados utilizando los comandos histogram y kdensity respectivamente.
Tambien es posible combinar ambas funciones en un s aco como se olo gr
muestraen el siguienteejemplo:
histogram volume, freq kdensity xaxis(1 2) ylabel(0(10)60,
grid) xlabel(12321 "mean"9735 1 s.d."14907 "+1 s.d."7149
2 s.d."17493)
Figura 4: Histograma y Kernel
6
==================================================================================
Note como dentro de las opciones de histogram se incluye el formato freq
indicando que la altura de las barras del histograma miden el n umero de
observaciones en cada rango (las frecuencias). La opcion kdensity le dice a
Stata que queremos una funcion de densidad del tipo kernel superimpuesta
al histograma. Las otras dos opciones, ylabel y xlabel son solo los ttulos
de los ejes.
Elintervaloquedeneelareadelasbarrasdehistogrampuedeserajustado
utilizando las opciones bar y width. Si se reduce el area de las barras de
un histograma hasta formar una graca con lineas en lugar de barras, el
resultadeoesunadistribuciondedensidadenlugardefrecuencias.Laforma
enquepasamosdeungr unla acodefrecuenciasaunodedensidadvariaseg
tecnicautilizada,siendoelmetodokernel unodelosmascomunes.Laventaja
deutilizardensidadeskernelesquenoseimponeningunaestructura,yaque
la linea que produce lo hace utilizando estadsiticos no parametricos.
acas de Stata le permiten a Las opciones gr nadir marcos, ttulos a los ejes,
cambiardecoloreslasdistintasvariblesgracadas,elegirlaescaladelosejes,
etc. (vea help twoway options.)
Comandos: graph, twoway, scatter, histogram, kernel
4. Resumen
En esta sesi on de on exploramos varias opciones para comenzar una inspecci
la base de datos. Lo m un es empezar un an as com alisis produciendo tablas
con estadsticos descriptivos y de corralacion simple entre dos variables; los
comandossummarize, tabstatytabulatesonlosidealesparaestastareas.
Por otro lado, vimos c acos de puntos y lineas relacionan- omo producir gr
do dos variables, asi mismo, aprendimos a gracar frecuencias relativas y
densidades usando histogram y kernel repectivamente.
7
==================================================================================
IntroduccionaStata
Clase3:AnalisisdeRegresionLineal
1. Introduccion
En esta clase aprenderemos a realizar regresiones en Stata incluyendo vari-
ables dummy e interacciones como determinantes. Veremos las diferentes
hipotesis que podemos evaluar justo despues de haber corrido el modelo.
Otra parte fundamental del an on es obtener los diagn alisis de regresi osticos
necesariosparaprobarsielmodelocumpleconlossupuestosclasicosdeMni-
mos Cuadrados Ordinarios (OLS, por sus siglas en ingles.) El que se rompa
con uno o mas de los supuestos de OLS tiene diferentes repercusiones sobre
el valor de los parametros en algunos casos o sobre la inferencia estadstica
en otros.
En esta documento, al contrario de los dos anteriores, casi no se presen-
tan ejemplos, concentr as en los comandos que podemos utilizar andonos m
en Stata para realizar las distintas tareas dejando para el ejercicio la im-
plementaci atica.Eldocumentosedivideencincoaparatadosdedicando onpr
*
red29@cam.ac.uk
1
==================================================================================
unoparaelcomandoreg,otroparaelprejoxi,seguidoporlosdiagnosticos
(regdiag),estimacionesconerroresestandarrobustos(robust),pruebasde
hip on del modelo (predict). otesis(test) y nalmente la predicci
2. Regresion
Si,basadosenunarelaci orica,tenemoselementosparasuponerquelas onte
variaciones en y son causadas por las variaciones en x, podemos utilizar el
an onparaprobarestarelaci alsisderegresi onestadsticamente.Enformamuy
simple, lo que la regresi on on hace es encontrar los parametros de la ecuaci
y =+x+ tal que la sumatoria de errores al cuadrado sea mnima (de
ah su nombre OLS.) Esto se realiza en Stata utilizando el comando reg
seguido por y y x en donde x puede tener mas de un elemento (es decir se
pueden incluir cuantas variables independientes se quieradado un n umero
nitodegradosdelibertad.)Porejemplosiestamosinteresadosenlarelacion
enteingreso y y educacion s escribimos en Stata:
reg y s
Comando: reg
3. Variables Dummy y el Prejo xi
El modelo anterior es el m as probable as sencillo que podemos estimar, lo m
esque no tome en cuentamuchasotras variablesque estan determinando el
ingreso. Por ejemplo si pensamos que el ingreso de los hombres es mayor al
percibidoporlasmujeresentoncespodemoscorrerelsiguientemodelo:
reg y s m
En donde m es una variable indicador (dummy) la cual toma el valor de 1
si la observaci on corresponde a una mujer y cero de lo contrario. Utilizando
2
==================================================================================
datos de la ENIGH se arrojaron los siguientesresultados:
Cuadro 1: regress
Variable Coecient (Std. Err.)
yschooling 1147.498 (11.927)
mujer -2844.586 (109.824)
Intercept -936.559 (109.701)
En terminos de nuestro modelo, y = +s+m+, si es diferente de
cero (lo que es cierto en nuestro ejemplo) entonces quiere decir que hay evi-
dencia suciente para armar que los ingresos de las mujeres dieren del de
los hombres controlando por el nivel de educaci un nuestros resulta- on. Seg
dos un a on formal representa un incremento de $1,147 no extra de educaci
pesosenelsalariotrimestralylasmujeresganan,enpromedio,$2,844pesos
menosqueloshombres.Ahorasupongaqueseintroduceunavariablediscre-
ta(llamemoslasector)tomandovaloresdel0al6indicandocadaunadelas7
industrianenlamuestra.Apartirdesectorsepodrancontruir7variablesin-
dicadorestomandocadaunaelvalorde1cuandolaobservacioncorresponde
auntrabajadordedeterminadaindustriaycerodeotraforma.Sospechamos
que el ingreso vara entre industrias y no solo eso sino que el retorno a la
educacion(medidoporennuestromodelo)tambientomavaloresdiferentes
dependiendodelaindustria.Paraprobarestopodemosgenerarvariablesde
interacci on entre x y los 6 diferentes indicadores de industria o bien utilizar
el prejo xi. El modelo que estimaremos es el siguiente:
y=+s+m+
0
I
0
+...+
5
I
5
+
0
(s)I
0
+...+
5
(s)I
5
+ (1)
EndondeI sonlosindicadoresparacadaindustria.EnStataestemodelose
correra de la siguiente forma:
xi: reg y m i.sector*s
3
==================================================================================
Los resultados son presentadosen el siguiente cuadro:
Cuadro 2: xi reg
Isector 0 2707.292 (315.385)
Isector 1 3089.960 (299.282)
Isector 2 3658.951 (1029.817)
Isector 3 3570.618 (474.277)
Isector 4 183.165 (377.134)
Isector 5 1419.964 (384.152)
yschooling 1367.352 (21.367)
IsecXyscho 0 -932.026 (37.764)
IsecXyscho 1 -1239.702 (41.611)
IsecXyscho 2 320.377 (102.659)
IsecXyscho 3 -629.909 (59.936)
IsecXyscho 4 120.991 (40.711)
IsecXyscho 5 -532.240 (41.359)
mujer -2927.649 (111.873)
Intercept -1545.552 (240.282)
Las primeras 6 varaibles en el cuadro 2 (con el prejo I) miden el impacto
quetienenlasdiferentesindustrias(osectores)sobreelintercepto,mientras
que las las que le siguen a la variable yschooling miden el impacto sobre
lapendiente.Sisolonosinteresaraelimpactosobrelapendienteentonces
el modelo se hubiera estimado incluyendo i.sector sin el asterisco seguido
por la variableeducacion.
Opcion: xi
4
==================================================================================
4. Diagnosticos
Para que los resultados obtenidos por reg sean validos es necesario que se
cumplanlossupuestosclasicosdeOLS,esdecir,normalidadenlosresiduales,
hemosedasticidad, no autocorrelacion (en el caso de series de tiempo) y no
multicolinealidad entre otros.
osticosdelaregresi Losdiagn onsonobtenidosjustodespuesdelapruebaes-
cribiendo cualquiera de los siguientes comandos: hettest para heterosedas-
ticidad, vif para multicolinealidad y ovtest para variables omitidas y es-
pecicacion incorrecta.
1. hettest Esta prueba utiliza los residuales obtenidos de la regresion
original, los eleva al cuadrado y posterirormente los corre contra las
variables independientes. De este segundo modelo se obtiene un es-
tadstico de pueba con distribucion F. Esto es lo que se conoce como
la prueba Breusch-Pagan (1980).
2. ovtestRealizalopruebaRESET,RegressionSpecicationErrorTest,
[Ramsey 1969]. En esta prueba se agregan polinomios de valores ajus-
tados para y. Suponga el modelo y = +x+ de aqu se obtienen
los valores estimados y, se crean las variables de orden dos o mayor
2 3
y y y , y ,....Secorreelmodeloalternativo:y=+x+
2
+
3
+...+
ypor ultimosepruebaelmodeloalternativocontraeloriginalutilizan-
do un estadistico F. Si el primero es preferido al segundo, entonces
tenemos un problema de especicacion.
3. vif Esta prueba presenta la proporcion de la varianza total de cada
una las variables independientes que no es explicada por las variables
independientesrestantes(VarianceInationFactor.)Elprocedimiento
consiste en crear regresiones del tipo x
i
= +x
j
+, i = j; j =
1,2...J en donde x
i
y x
j
son regresores en el modelo original. De los
resultadosdeestaregresion,secalculaelestadticoR
2
,elvalorvifes
iguala(1R
2
).Valoresaltosdevifnosindicanquegranpartedela
5
==================================================================================
variacion en x
i
no es explicada por variaciones en las restantes x
j
por
lo tanto no hay evidencia para armar que tenemos un problema de
multicolinealidad.
Comandos: hettest, ovtest, vif
5. Violacion de los Supuestos OLS
Si alguno de los diagnosticos nos indican la presencia de un problema con
los supuestos OLS, hay varias formas de lidiar con el problema. Aqu pre-
sentamos las tecnicas mas comunes. El problema de heterosedasticidad, se
da cuando la varianza de los errores no es constante, por lo tanto los inter-
valosdeconanzaqueutilizamosparaprobarhipotesis(compuestosenbase
a la varianza del error) tampoco van a ser constantes impidiendo con ello
toda inferencia estadstica. Corregir este problema es relativamente sencil-
lo, en Stata se utiliza la opci on de regresi on robust al nal de la ecuaci on
para que Stata calcule errores estandar robustos (es decir corrigiendo por
heterosedasticidad.) La tecnica que se utiliza es la conocida como Huber-
White o sandwich. Este procedimiento permite corregir para heterosedas-
ticidad de cualquier tipo sin tener que especicar la forma fucnional de la
misma. Normalmente la varianza estimada de los parametros esta denida
on robust es utilizada la varianza como Var(
)=
2
/SST
2
, cuando la opci
es reeplazada por la siguiente expresion:
2 2
u
Var(
)=
i=1
r
ij
ij
SSR
2
j
En donde r
ij
son los residuales de la regresion de x
i
contra el resto de las
variablesindependientes;u
ij
sonlosresidualesdelaecuacionoriginalySST
2
es la sumatoria de errores al cuadrado. La exibilidad de la expresion ante-
rior est u
2
a contenida en el termino
ij
el cual, evidentemente, vara para cada
observaci on ajustando as cualquier cambio en varianza.
6
==================================================================================
El problema de mutlicolinealidad es mas sutil ya quea diferencia de la
heterosedasticidadeste es un problema de grado. En otras palabras, siem-
pre vamos a observar que dos o mas variables independientes estan correla-
cionadas entre si, sin que ello implique, necesariamente, un problema serio.
Hayciertossntomasquenospermitenidenticarelproblema.Unodeellosy
elm unesquelossignosyvaloresdelospar ascom ametrosestimadoscambian
muchoala nadiroeliminarvariablesalmodelo.Comoyalovimos,otrafor-
madeidenticarelprobelmaesutilizandoeldiagn unconesta ostico vif.A
pruebaladecisiondesiexisteunproblemaonoes,hastaciertopunto,subje-
tivayaquenoseutilizaunestadsticodepruebaconunditribucionconocida
pararealizarinferenciaestadstica.Sicreemosquehayunproblemademul-
ticolinealidadennuestomodelotenemosvariasalternativas,lomassencilloy
obvioeseliminaruna(omas)delavariablesqueestancorrelacionadas.Otra
tecnica un poco mas elegante es utilizar variables instrumentales (ivreg).
Esto lo veremos en la sesion 5 del curso.
Quiz as grave de los tres que estamos tocando, sea el de as el problema m
especicacion o variables relevantes omitidas. La existencia de este proble-
ma causa sesgo en nuestros par oticas ametros y elmina las propiedades asint
(no es consistente) del modelo OLS. La correccion de este problema hace
uso de la teora econ on del investigador para omica combinada con la intuici
seber identicar la forma funcional correcta y/o las variables relevantes que
han sido omitidas. Muchas veces el problema esta relacionado con las re-
stricciones que imponemos de manera implcita al plantear la forma fun-
cional del modelo. Por ejemplo, corremos un modelo de salarios como fun-
on del nivel de educaci ci on, la experiencia y la experiencia al cuadrado,
y = +
1
edu+
2
exp+
3
exp
2
+. Suponga que tomamos como muestra
a todos los asalariados entre 15 y 65 a nos, estamos imponiendo implcita-
mentelarestricci on(
1
)sonigualesentre ondequelosretornosalaeducaci
hombres y mujeres, estratos urbano y rural, sectores economicos, etc. Si la
prueba ovtest nos rechaza la hipotesis nula de no variables omitidas en el
modelo anterior, entoces muy probablemente se deba a que hay diferencias
7
==================================================================================
importantes en los retornos a la educacion (u otras parametros) entre las
categoras mencionadas. En la practica siempre hay una disyuntiva entre la
parsimoniaylaexibilidaddeunmodelo.Loprimeromepermiteunainter-
pretacionclaradecadaunodelosparametrosyhayunbenecioengradosde
libertad;losegundoporotrolado,tomaencuentatodasaquellasdiferencias
en parametros que se esconderan detras de un modelo reducido, es aqu en
dondeentralaintuiciondelinvestigadorparaencontrarelmodeloquemejor
describa los datos.
Opciones: robust, ivreg
6. Prueba de Hipotesis
Una vez resuelto el problema con los supuestos OLS, el segundo paso de-
spues de realizar el an on es el de llevar al cabo pruebas de alisis de regresi
hip ametros.Elcomando testnospermiteprobarno otesisacercadelospar
sololasignicanciaestadsticadecadaparametrosinotambienladiferencia
conrespectoaunvalordiferentedeceroocualquierotraexpresionnumerica
y respecto a una combinaci on lineal de otros coecientes. Por ejemplo de-
spuesdeestimarelmodeloquesepresentaenelcuadro2,pordramosestar
interesados en probar que el coeciente del sector 3 es el doble de la suma
deloscoecientesparalossectores4y5.EstahipotesisesestimadaenSta-
ta de la siguiente manera: justo despues de estimar el modelo de regresion,
escriba:
Comandos: predict, e(sample)
test Isector 3 = 2*( Isector 4 + Isector 5)
Comandos: test
8
==================================================================================
7. Prediccion
El ultimos de los comandos post-regresi on, es predict. Como su nombre lo
indica, este comando se utiliza para crear una nueva variable, llamemosla y
la cual es creada con los valores ajustados x del modelo y = x+. El

comando tmbien permite crear variables con errores estandar de la predic-
onlinealutilizandolaopci ci onstdp.Siguiendoconnuestroejemplo,despues
de la regresi y con los val- on escriba predict yhat para crear la variable
ores ajustados. La predicc a para todas las observaciones cuyas on se realizar
variables independientes no tengan valores en blanco sin importar que no
hayansidotomadosencuentaalestimarlaregresion.Paraaclarar,suponga
que los resultados que se presentan en el cuadro 2 solo toman datos de ar-
easurbanas;elcomandopredictcrear y paratodalapoblaci alavariable on
(siempreycuandohayainformacionsobrelasvariablesindependientes.)Para
limitar la prediccion a la muestra de donde provienen los resultados, utilice
la limitante if e(sample) como se muestra a continuacion: predict yhat
if e(sample).
Referencias
[1] Hamilton, L. C. (2004) Statistics with Stata. Updated for version 8,
Thomson. (Captulos 6, 7 y 9)
[2] Wooldrich, J. M. (2003) Introductory econometrics: A modern ap-
proach, 2e, Thomson. (Captulos 2, 3, 4 y 8)
9
==================================================================================
IntroduccionaStata
Clase43:ModelosconVariablesDiscretas
1. Introduccion
El objetivo de la sesion es el de ilustrar la manera de estimar modelos cuya
variable dependiente toma valores discretos. Este tipo de modelos son muy
utilizadoseneconomalaboralaplicadaparaencontrarlosdeterminantesde
laparticipaci onlaboral.Losdostiposdemodelosconvariables onyocupaci
discretas son los binomiales (es decir dos alternativas) y los multinomiales.
Lastecnicasutilizadasparaestimarestetipodemodelosdierendelconven-
cional OLS ya que la discontinuidad de la variable dependiente implica una
relacion no lineal. El documento haceenfasis en la teora que hay detras de
on as como la mec la estimaci anica de la misma. Se ilustra con un ejemplo
endondeestimamoslaparticipaci onlaboralusandodatosdela onyocupaci
ENIGH.
*
red29@cam.ac.uk
1
==================================================================================
2. Teora
2.1. Problema Binomial
Supongaqueestainteresadoenencontrarlosdeterminantesdeunavariable
indicador (dummy), y, la cual toma el valor de 1 si se cumple con determi-
nadocriterioy0deotraforma(porejemplo,enelmercadolaboralendonde
el investigador codica como 1 a los empleados y 0 a los no-empleados.) Si
seestimaelmodeloy=X+usandounaregresionOLS,elcualseconoce
conelnombredemodeloprobilidadlineal,sepresentaranlossiguientesprob-
lemas:
1. Valores fuera del rango (0,1), lo cual no tiene ninguna logica desde el
untode vista de la teora de probabilidad.
2. Heterosedasticidad
3. Los residuales no se distribuyen de forma normal, por lo tanto no hay
eciencia, es decir, minimizaci no on de varianza a medida que el tama
de muestra aumenta.
Pararesolverestosproblemasseasumequehayunavariablelatente,noob-
,quedeterminaelvalordelavariabledic
i
servable,y otomaqueobservamos.
Formalmente:
1
y
i
=
y
i
=X
i
+
i
>0
0 otherwise
Deestamanera,larealizaciondelavariablequeobservamossevaadarsiy
s on de la muestra. La probabilidad de olo si
i
>X
i
para cada observaci
que la condicion anteriorocurra:
Prob(y
i
=1)=Prob(
i
>X
i
)
2
==================================================================================
Deniendo a F() como la funcion de densidad acumulada (FDA) de la dis-
tribucio de los residuales
i
:
Prob(y
i
=1)=1F(X
i
)
Analogamente, la probabilidad de observar y
i
=0
Prob(y
i
=0)=F(X
i
)
La forma de F() va a depender del supuesto que utilicemos sobre la dis-
tribucion de
i
. Si asumimos que
i
se distribuye de forma normal, entonces
F(X
i
) es el area debajo de la curva de la normal hasta el punto X
i
y el modelo es conocido con el nombre de probit. Para obtener los paramet-

rosdelmodelo,,tenemosqueutilizartecnicasdemaximaverosimilitud.
1
Si
denimosacomolaFDAdelanormal,entonceslafunciondeverosimilitud
es denida de la siguiente forma:
L=
n
1(X
i
)
n
y
i
=0
(X
i
)
y
i
=1
Lospar onnosoninterpretadosdemanera ametrosobtenidosdeestaestimaci
directa,paraverelimpactomarginaldeuncmabioenx
ik
sobrelaprobabil-
idad de observar y
i
=1, se tiene que hacer el siguiente calculo:
(X
i
)
=(X
i
)
k
(1)
x
ik
Endonde()est ondedensidaddelaprobabilidad. adenidocomolafunci
Como podemos ver, el impacto marginal vara dependiendo del punto en la
distribucion normal en donde se encuentre el umbral X
i
; puntos cercanos
1
Loqueesteprocedimientohaceesmaximizarunafuncionquesedeterminaporcam-
bios en los par ametros convergen cuando la funci ametros, los valores de los par on de
verosimilutud es maximizada, para mas detalles ver Hogg and Craig (1994) Introduction
to Mathematical Statistics, Prentice Hall.
3
==================================================================================
ala media tienenunimpactomuchomayorcomparados conaquellosque se
encuentran en las colas de la distribucion.
Otrosupuestodedistribuci unmenteutilizadoparaestimarlavariable oncom
latente,y
i
,esasumirqueF()=exp(e
i
)estaeslaFDAdeladistribucion
logistic. Esta distribuci on es on no diere mucho de la normal y su estimaci
muchomassencillayaquesuFDAtieneunaformacerrada(esdecirensu
solucion no intervienen integrales, lo cual es el caso del modelo probit.) En
este caso, la probabilidad est on: a dada por la siguiente expresi
exp(X
i
)
Prob(y
i
=1)=Prob(1X
i
)= (2)
1+exp(X
i
)
La forma de estimar el modelo logit es la misma que para el modelo probit,
es decir, utilizando maxima verosimilitud introduciendo las probabilidades
denidasporlaecuaci ametrosestimadosporlogit vanadiferir on(2).Lospar
unpocodelosencontradosporelmodeloprobit,yaquelasdistribuciones
aun y que son muy similaresno son identicas. Al igual que con el modelo
probit, el impacto marginal de cada variable va a depender del punto en la
distribucion en el que lo estamos evaluando:
L(X
i
) exp(X
i
)
=
k
(3)
x
ik
[1+exp(X
i
)]
2
Los parametros encontrados por los modelos probit y logit se ajustan de tal
maneraquelaproporcionde1sobservadaesigualalaprobabilidadpredicha
por el modelo latente:
n
n
i=1
y
i
=
p
i
n
i=1
Esta propiedad nos sirve de referencia para revizar la bondad de ajuste del
modelo. Sin embargo, el estadstico mas utilizado para evaluar el ajuste del
4
==================================================================================
modeloeselpseudo-R
2
queeselquivalentealR
2
enunaregresionOLS.Este
estadstico esta denido de la siguiente manera:
L
pseudoR
2
=
2/n
L
2/n
1L
2/n
En donde L
y L
son los valores de la funci axima verosimilitud on de m

con el modelo completo y con un modelo de solo una constante, respecti-
vamente. El estadstico pseudo-R
2
reporta el incremento en la verosimilitud
que esta explicado por las variables incluidas en el modelo.
Comoyaloexplicamos,losmodelosprobit ylogit arrojanestimacionessobre
el modelo para la variable latente. Para comparar estos resultados con los
observados tenemos que pasar de los resultados de una variable continua a
una discreta, esto se logra de manera sencilla toda vez que la probabilidad
ha sido estimada. Aquellos valores cuya Prob(y
i
=1)>0,5 se les asigna un
valorde1y0delocontrario.Estees,probablemente,laevaluaciondeajuste
m ondecasosenloscualeslapredicci asestrictayaquenosdalaproporci on
es la correcta.
2.2. Problema Multinomial
Hastaahorahemosdiscutidolaestimaciondevariablesdependientesdiscre-
tas que toman s on se puede generalizar olo dos valores (0 o 1). Esta discusi
de forma sencilla al problema mulitnomial. Para hacerlo, tenemos que pen-
sar en el problema multinomial como una serie de problemas binomiales, es
decir, evaluar la probabilidad de la alternativa j en contra de la alternativa
i, j =i. Dena esta probabilidad de la siguiente manera:
P
j
=F(X
j
)
P
j
+P
i
Entonces:
P
j
=F()(P
j
+P
i
)
5
==================================================================================
P
j
F()
=
1F()
=G(X
j
)
P
i
1
P
j
=
1P
i
=
P
i
1
P
i
P
i
j=i
1
=
G(X
j
)+1
P
i
j=i
1
P
i
= G(X
j
)+1
j=i
G(X
j
)
(4) P
j
=
1+
i=j
G(X
i
)
Enprincipiolaecuaci on on(4)puedeserestimadabajocualquierespecicaci
de la funcion G(). Sin embargo si asumimos que los residuales del modelo
X
j
+
i
sedistribuyenlogistic,entonceslaestimacionsevuelvemuysencilla.
Para encontrar las probabilidades P
j
solo tenemos que substituir el termino
exp(X
j
)enlugardelafuncionG()yllegamosalmodelomultinomiallogit.
La estimaci axima on de un modelo multinomial logit se realiza en base a m
verosimilitud en donde la ecuacion a maximizar es la siguiente:
n
L=
P
i1
P
i2
. . . P
im
i=1
Es facil de ver porque el supuesto de distribucion logistic simplica mucho
la estimacio. Por ejemplo, si hubieramos asumido que los residuales
i
se
distribuyen de forma normal, hubiera sido necesario encontrar soluciones de
integrales multiples para resolver la ecuacion de verosimilitud, esto en un
marco de 4 o mas alternativas se vuelve casi imposible.
2
2
En la actualidad hay muchas otras tecnicas para estimar modelos mucho mas
complejos y apegados a la realidad que el multinomial logit sin embargo su
on quedan fuera del alcance del curso. Para modelos m discusi as recientes vea:
http://www.econ.cam.ac.uk/faculty/weeks/index.htm
6
==================================================================================
3. Participacion Laboral
Enestasecci omopodemosutilizarlosmodelosdiscretosqueex- onveremosc
plicamosenlaseccionanteriorutilizandoStata.Elplanteamientodelproble-
maeselsiguiente.Estamosinteresadosensabercualessonlosdeterminantes
onlaboralenMexico.Paralaestimaci delaparticipaci oncontamoscondatos
micro a nivel individual dentro de los hogares (ENIGH).
La variable y
i
toma el valor de 1 si el individuo i es activo en el mercado
laboraly0deloscontrario.Observamosalindividuoiparticiparactivamente
en el mercado laboral si y solo si y
= X
i
+
i
> 0. Tradicionalmente, en
i
un modelo m on a esta variable as estructurado, se le ha dado la interpretaci
latente como un salario de reserva, en donde el individuo participa siempre
y cuando el salario de mercado sea mayor al mnimo queel esta dispuesto a
aceptar. Estimamos la siguiente ecuacion:
Activo
i
=+
1
Esc
i
+
2
Exp
i
+
3
Exp
2
+Z
i
+
i
i
Elcomandoparaestimarmodelosprobit ylogit enStataesprobitylogit,
respectivamente. Estos comandos son utilizados de la misma forma que us-
amos regression. A continuaci on presentamos los resultados, primero esti-
mando un modelo probit seguido por el logit:
probit active yschooling experience sqexperience north
south hhsize ohhminc
7
==================================================================================
Cuadro 1: Modelo probit
yschooling 0.069 (0.002)
experience 0.099 (0.001)
sqexperience -0.002 (0.000)
north 0.039 (0.019)
south 0.004 (0.019)
hhsize -0.005 (0.003)
ohhminc 0.000 (0.000)
Intercept -0.969 (0.036)
N 39655
Log-likelihood -21852.957
2
(7)
6270.502
En el siguiente cuadro presentamos los efectos marginales (ecuacion 1 en la
on anterior). Escribimos mfx justo despues de la estimaci secci on (prchange
es una buena alternativa a mfx).
Cuadro 2: Efectos Marginales Modelo probit
Variable dy/dx (Std. Err.) z
yschooling .0242725 .0008 30.51
experience .0347209 .00051 68.06
sqexperience -.0005441 .00001 -53.96
north .0136996 .00666 2.06
south .0014767 .00658 0.22
hhsize -.0016648 .0011 -1.51
ohhminc -2.41e-07 .00000 -2.51
Ahora comparemos con el modelo logit:
8
==================================================================================
logit active yschooling experience sqexperience north
south hhsize ohhminc
Cuadro 3: Modelo logit
yschooling 0.120 (0.004)
experience 0.166 (0.002)
sqexperience -0.003 (0.000)
north 0.068 (0.032)
south 0.009 (0.032)
hhsize -0.006 (0.005)
ohhminc 0.000 (0.000)
Intercept -1.663 (0.061)
N 39655
2
(7)
6341.767
Y los efectos marginales (ecuaci on anterior): on 3, secci
Cuadro 4: Efectos Marginales Modelo logit
Variable dy/dx (Std. Err.) z
yschooling .0249627 .00082 30.60
experience .0346084 .00051 68.11
sqexperience -.0005384 .00001 -53.75
north .0140927 .0067 2.10
south .0019385 .00662 0.29
hhsize -.0013281 .0011 -1.21
ohhminc -2.26e-07 .00000 -2.29
Losresultadosmuestranquelasestimacionessonpracticamentelasmismas,
9
==================================================================================
con mismos signos y signicancia estadstica.
Comandos: probit, logit, mfx, prchange
3.1. Ajuste y Prediccion
Para revizar la bondad de ajuste del modelo, el comando post-estimaciones
mas completo es fitstat, el cual presenta una tabla con varios estadsticos
on de verosimilud y el pseudo-R
2
los cuales eval como la funci uan el ajuste
del modelo.
3
AligualqueconlamayoriadelasestimacionesenStata,elcomandopredict
generaunavariableconlosvaloresajustadosdelmodelorecienestimado.En
el caso de los modelos discreteos, los valores predichos con la opcion xb,
nos producen el estimado para X
i
de la ecuacion para la variable latente.

Si la opci on nos dar on p es utilizada, entonces la predicci a la probabilidad
de exito. Para pasar de este tipo de predicciones de la funcion continua a
una prediccion discreta, es necesario especicar un umbral que divida las
estimaciones de la probabilidad de exito en valores discretos 0 y 1. Lo mas
com unesjaresteumbralen0.5.Porejemplo,despuesdeestimarunmodelo
probit, generamos la variable phat con las probabilidades de exito para
cada observaci on, on: predict phat, p. Una vez que tenemos esta predicci
escribimos:
gen ahat = (phat >0.5)
La variable ahat es una variable dicotoma la cual toma el valor de 1 si la
predicciondelaprobabilidaddeexitoesmayora0.5y0deotraforma.Una
ves que tenemos esto es facil comaprar los valores predichos y observados
utilizando una tabla con tabulaciones bivariadas:
3
Si el comando fitstat no ha sido instalado, escriba net from
http://www.indiana.edu/ jslsoc/stata en la barra de comandos, despues siga
las instrucciones.
10
==================================================================================
tab ahat active
Cuadro 5: Predicciones Modelo probit
active
ahat 0 1 Total
0 5,647 2,881 8,528
1 7,217 23,910 31,127
Total 12,864 26,791 39,655
Losvaloresenladiagonaldelatablasonlosvalorespredichoscorrectamente.
Elmodeloprobit predice7,217empleadosqueenrealidadestaninactivos.La
proporcion de observaciones predichas correctamente es de 74%, lo cual no
est ondelavariablelatente(unpseudo- anadamaldadoelajusteenlaecuaci
R
2
de 0.13).
Comandos: fitstat, predict
4. Ocupacion Laboral
Ahoraveremoscomopodemosutilizarelmodelomultinomialparaencontrar
los determinantes de la ocupacion laboral. Suponga que estamos dentro del
marco de un modelo estructural, en donde las decisiones de los agentes son
elresultadodeunprocesodemaximizaciondeutilidad.Denalautilidad
indirectaque derivada el individuo i de la alternativa j de la siguiente
manera:
V
ij
=V(X
i
,Z
i
), j (5)
EndondeX
i
yZ
i
soncaractersticaspersonalesydelhogardelindividuoi,
respectivamente. Asumiendo linealidad en la forma reducida de la ecuacion
(5) y deniendo la matriz Z como la matriz conjuntade X y Z
:
11
==================================================================================
V
ij
=Z
i
j
+
ij
, j (6)
Siexistenj =1...J ocupaciones,entoncesobservaremosalindividuoielegir
la alternativa j si y solosi:
V
ij
>max{V
ik
}, =j (7) k
Esdecirelindividuovaaelegirlaalternativaquemaximicesuutilidadindi-
recta,queenestecasoeslavariablelatente.Siasumimosquelosresidualesen
on (6) tienen una distribuci la ecuaci on identica e independiente con valores
extremos(distribucionlogistic)entoncesllegamosalmodelomultinomiallog-
it (ecuacion4).Comoyalovimos,enestemodelolaprobabilidaddeobservar
alindividuoielegirlaalternativajest on: adadaporlasiguienteecuaci
exp(Z
i
j
)
Prob(i=j)=
j
J
=1
exp(Z
i
j
)
Denamoseluniversodealternativasquetieneeltrabajador.Lavariableocc
va a ser igual a 0 cuando el individuo este inactivo, 1 cuando sea empleado
y 2 cuando sea auto-empleado. Estimamos el siguiente modelo:
mlogit occ yschooling experience sqexperience north
south hhsize ohhminc, b(0)
Los resultados se presentanen el siguiente cuadro:
12
==================================================================================
Cuadro 6: Modelo mlogit
Equation 1 : Empleado
yschooling 0.172
experience 0.130
sqexperience -0.002
north 0.160
south -0.056
hhsize -0.020
ohhminc 0.000
Intercept -2.152
(0.004)
(0.002)
(0.000)
(0.034)
(0.034)
(0.006)
(0.000)
(0.065)
Equation 2 : Auto-empleado
yschooling 0.071
experience 0.161
sqexperience -0.002
north -0.164
south -0.007
hhsize -0.002
ohhminc 0.000
Intercept -3.498
(0.006)
(0.003)
(0.000)
(0.047)
(0.045)
(0.008)
(0.000)
(0.095)
N 37938
2
(14)
11507.34
Losresultadosquesepresentanenelcuadro6nosmuestranlaprobabilidad
relativa de que un individuo con determinandas caractersticas elija se em-
pleado o auto-empleado con respecto a estar inactivo. El modelo no puede
estimar las ecuaciones para las tres alternativas, ya que una de ellas debe
de servir como la base, en este caso siendo la categora inactivo (notese co-
13
==================================================================================
mo esto ha sido elegido al momento de estimar mlogit e incluir la opcion
b(0).)
Para evaluar el ajuste y obtener otros diagnosticos del modelo utilizamos
el comando mlogtest. Este comando reporta estadsticos de signicancia
del modelo y pone a prueba los supuestos acerca de la distribucion de los
residuales
ij
.
Al igual que en el caso binomial, para obtener valores estimados en forma
discreta tenemos que establecer un criterio. En este caso, como lo indica la
ecuaci onesquelaopci on(7),elcriteriodeevaluaci onaelegiresaquellaque
maximizalautilidaddelindividuo.Porlotantounavezqueelmodelohasido
estimado,generamoslavariablezhatlacualcontienelosvaloresajustadosdel
modelodescritoporlaecuacion(6),estolohacemosescribiendoelsiguiente
codigo:
predict zhat0-zhat2 if e(sample), p
gen occhat=.
replace occhat = 0 if zhat0 == max(zhat0,zhat1,zhat2) &
e(sample)
e(sample)
e(sample)
tab occhat occ
Los resultados se presentanen el siguiente cuadro.
14
==================================================================================
Cuadro 7: Predicciones Modelo mlogit
occ
occhat Inactivo Empleado Auto-empleado Total
0 6,122 2,839 410 9,371
1 5,415 14,470 3,657 23,542
3 1,327 1,374 2,324 5,025
Total 12,864 18,683 6,391 37,938
De nueva cuenta las predicciones correctas se encuentran en la diagonal del
cuadro 7. El modelo logra predecir el 60% de las observaciones correcta-
mente.
Comandos: mlogit, mlogtest
Referencias
[1] Hamilton, L. C. (2004) Statistics with Stata. Updated for version 8,
Thomson (Captulo 10)
[2] HoggandCraig(1994)IntroductiontoMathematicalStatistics,Pren-
tice Hall
[3] Maddala, G. S. (1983) Limited dependent and qualitative variables in
econometrics, Cambridge University Press (Captulos 1, 2 y 3)
15
==================================================================================
IntroduccionaStata
Clase5:AnalisisdeDatosPanel
1. Introduccion
Muchasvecesestamosinteresadosenestimarunmodeloquecaptenosololas
variacionesentreunidadesdeobservaci on(cortetransversal)sinotambienla
variaci aformadaporunaseriedecortes ontemporal.Siunabasededatosest
transversales en donde estos incluyen las mismas unidades de observacion,
entoncesdecimosquetenemosunaestructuradedatospanel.Enestasesion
veremos el tipo de analisis que podemos realizar en Stata para aprovechar
la estructura de datos panel. A lo largo de la sesion cubriremos los sigu-
ientes topicos: mnimos cuadrados generales, efectos jos, efectos aleatorios
y la prueba de Hausman para escoger uno de los modelos. En la aplicacion
pr onentrelaaperturacomercialyla acticatrataremosdeencontrarlarelaci
desigualdaddelingresocondatospanelparavariospaisesenelperiodo1970
a 1995.
*
red29@cam.ac.uk
1
==================================================================================
2. Estructura de los Datos
Paratenerunabasededatosconestructurapanelesnecesarioquelamisma
unidad de observaci on sea monitoreada a traves del tiempo. Por ejemplo si
tenemos informacion sobre un mismo individuo en diferentes puntos en el
tiempo. Cuando se sigue a la misma unidad de observacion en el tiempo,
on que se nos proporciona es m la informaci as rica que aquella en donde
tenemos una serie de cortes transversales. El analisis de panel aprovecha la
informacion extra para tratar de resolver problemas de variables omitidas y
especicacion.ParainformaraStataquenuestrosdatostienenunaestructura
de panel, podemos utilizar el comando tsset.
Laspropiedadesasint oticasdeestetipodebasesdedatosvienedadaporel
n umero de unidades de observacion (N), en donde se asume que N y
T es peque na.
Comandos: tsset
3. Mnimos Cuadrados Generales
Elobjetivodelanalisisdepanelesexplotarlaestructuradelabasededatos
para resolver la siguiente problematica:
y
it
=X
it
+(errorcomplicado) (1)
El problema es como modelar este residual; diferentes supuestos hacerca de
la estructura y distribucion de los terminos no observados, van a derivar
en diferentes modelos. Si denos los residuales como u
i
y asumimos que
se distribuyen de forma aleatoria con media y varianza
2
, entonces los
par on ma- ametros del modelo van a estar denidos por la siguiente expresi
tricial:
2
==================================================================================
OLS
=(X
X)
1
(X
Y) (2)
Dena la siguiente matriz: = E(u
i
u
i
). La matriz permite cualquier

tipodeestrucutraenlosresidualessinasumirformafuncional(distribucion)
alguna. El resultado de la minimizacion de estos residuales se conoce con el
nombre de mnimos cuadrados generales, cuyos par an denidos ametros est
de la siguientemanera:
GLS
=(X
X)
1
(X
Y) (3)
Mientras la ecuaci olo una generalizaci on con un on 3 es s on de una estimaci
error que puede ser complicado, el problema estriba en denir . Una vez
que ha sido denido, podemos estimar lo que se conoce con el nombre de
mnimos cuadrados generales factibles (FGLS, por sus siglas en ingles), el
cualpuedeserestimadoenStatautilizandoelcomandoxtgls.Unaprimera
ondepuedeser:
u
i
oticamente(N estimaci =( u
i
),lacualtiendeasint
)

a . Por lo tanto requiere de informacion a priori. Por ejemplo si
asumimos que i.i.d =I OLS =GLS.
Comandos: xtgls
4. Modelo de Efectos Fijos
Considere el siguiente modelo:
y
it
=X
it
+c+
it
(4)
En donde c es una variables aleatoria no-observada. El problema consiste
en determinar si Cov(x
j
,c) = 0 ya que si este es el caso, los estimadores
del vector de parametros estaran sesgados y seran inconsistentes. Por el
3
==================================================================================
contrario si Cov(x
j
,c)=0 entonces podemos utilizar lo que se conoce como
un pooled OLS para encontrar parametros insesgados y consistentes. Por
el hecho que c no es observable, es complicado determinar empricamente si
existetalcorrelacionentreestaylasvariablesindependientes.Enelcontexto
de corte transversal, tenemos las siguientesopciones:
1. Encontrarun proxypara c
2. Instrumentar c
Dentrodelmarcodepaneldata,cpudieraserconstanteatravesdeltiempoy
variandoentrecadaunidadesdeobservaci on,capturandoefectosinherentesa
estas(pais,familia,individuo,etc.).Estoesloqueseconocecomounefecto
jo. El modelo esta denido de la siguiente manera:
y
it
=X
it
+c
i
+
it
(5)
Endondec
i
esconocidocomoelefectojoyaquenotienevariaciontempo-
ral.
4.1. Estimando los Efectos Fijos
ElobjetivodelmodelodeefectosjoseslidearconCov(x
j
,c)=0dadoquela
estrucuturadelerroresu
it
=c
i
+
it
.Parahecerestoexistenvariastecnicas.
Una de las mas comunes es la de variables indicador, la cual consisten en
estimar la ecuacion 5 introduciendo una variable dummy para cada unidad
de observaci on es obtener la diferencia con respecto a on. Una segunda opci
la media:
1. Obtenga la media de los datos (variables independientes y la dependi-
ente)a travesdel tiempo, X, Y, en donde x
it
.

x=
t
T
y
i
=X
i
+c
i
+
i
(6)
4
==================================================================================
2. Obtenga la diferencia entrela expresi on 5. on para medias y la ecuaci
(y
it
y
i
)=(X
it
X
i
)+(
it
i
) (7)
Notese que el efecto jo, c
i
desaparece al obtener las diferencias.
3. Estimelaecuacion7sinconstante(yaqueestanovaraeneltiempo,
es eliminada al hacer la diferencia con respecto a la media.)
Una tercera forma de estimar el modelo de efectos jos es utilizando las
primerasdiferencias.Lospasosaseguirsonmuysimilaresalospasosanteri-
ores, sin embarago en lugar de estimar 7, estimamos el modelo en primeras
diferencias:
(y
it
y
i(t1)
)=(X
it
X
i(t1)
)+(
it
i(t1)
) (8)
La logicaes la misma, eliminar el efecto jo no observable, c
i
.
Comandos: xtreg, fe
4.2. Interpretando los Efectos Fijos
Los parametros del modelo de efectos jos son interpretados como efectos
temporales.Comoyalovimos,losmodeloscondatospaneltienendosfuentes
de variaci on entre unidades de observaci on tem- on: la variaci on y la variaci
poralparacadaunidaddeobservaci aticoc
i
on.Aleliminarelefectoidiosincr
estamosexcluyendolavariaci onqued onentreunidadesdeobservaci andonos
solocon variacionestemporales.
Suponga que tenemos un panel de individuos, y estimamos el modelo y
it
=
x
it
+,loquenosarrojaraelmodelodeefectosjoseselcambioenydado
por un cambio temporal en x para cualquier individuo.
5
==================================================================================
5. Modelo Between Eects
Elmodeloan ontotal alogoalmodelodeefectosjoseselmodelocuyavariaci
proviene s on, elminando olo de las diferencias entre unidades de observaci
la variacion temporal. El modelo between eects (BE) es denido de la
siguientemanera:
y
i
=X
i
+
i
(9) c
i
+
En otras palabras, el modelo BE no es otra cosa que un OLS el cual toma
s on. ololas medias en el tiempo para cada unidad de observaci
La forma de interpretar los parametros arrojados por el modelo BE es uti-
lizando la misma l ametros ogica que con el modelo de efectos jos. Los par
deBEnosdanelefectosobrey deuncambioenxentreunidadesdeobser-
vaci on. En otras palabras es el efecto de sustituir las caracteristicas observ-
ables para un individuo x
i
, por las de otro individuo x
j
.
Comandos: xtreg, be
6. Modelo de Efectos Aleatorios
Considere el siguiente modelo:
y
it
=X
it
+
it
(10)
Asuma: E(
it
X
i
)=0t en donde
it
=c
i
+u
it
, entonces: |
E(c
i
X
i
)=E(c
i
)=0 Cov(c
i
,X
i
)=0 |
Por lo tanto el modelo de efectos aleatorios (RE) asume que el error tiene
una estructura del tipo
it
= c
i
+u
it
sin embargo supone que el termino
6
==================================================================================
c
i
no esta correlacionado con los regresores. La otogonalidad entre c
i
y las
a X
i
est basada en el supuesto de que la variable c
i
se distribuye de for-
ma aleatoria. Sin embargo el modelo de efectos aleatorios asume que hay
autocorrelacion de la forma:
it
=c
i
+u
it
i(t+1)
=c
i
+u
i(t+1)
ElmodeloREsepuedeinterpretarcomounacombinacionentreelmodelode
efectosjos(FE)yelBE.REasumeunaestructuradelerrorcomoenelmod-
elodeefectosjossinembargoasumeortogonalidadentreelterminoc
i
ylos
regresores.Dehechopodemosprobarque
RA
=Promedio(
FE
,
BE
).Dela
mismaforma,sepuededemostrarqueelsupuestoquehaceRE(Cov(c
i
,X
i
)=
0) es equivalente a
RE
=
BE
.
Comandos: xtreg, re
7. Prueba de Efectos Aleatorios
LapruebaparaelmodeloRE,esequivalenteaprobarsusupuestoimplcito,
esto es: Cov(c
i
,X
i
) = 0. Esto lo podemos hacer utilizando la prueba de
Breusch-Pagan (multiplicador de Lagrange), en donde Ho: Var(
it
) = 0.
Esta prueba es implementadaen Stata con el comando xttest0.
Una alternativa a la prueba LM es una prueba de Hausman. En donde se
estiman dos modelos: (1) El modelo consistente bajo Ho y Ha, esto es, el
modelo FE; (1) El modelo consistente bajo Ho e inconsistente bajo Ha, el
modelo RE. Una vez estimados ambos modelos, comparamos los valores de
losparametrosysisonestadsticamentediferentes,entonceconluimosqueel
modelo inconsistentebajo Ha no es el correcto.
Comandos: xttest0, hausman
7
==================================================================================
Referencias
Wooldridge,J.M.(2002),Theeconometricanalysisofcrosssectionand
panel data, The MIT Press, Captulos: 7 y 10.
8
==================================================================================
1
PERFIL PROFESIONAL:
Economista, (PhD.) Doctor en Economa, Maestra en Economa Publica, Maestra en Crecimiento y
Desarrollo Econmico, Maestra en Econometra, Ingeniero de Sistemas, Maestra en Sistemas.
Slida experiencia en el rea Economtrica- Estadstica Comercio Internacional, Poltica
Econmica, Desarrollo Econmico , Poltica Monetaria, Poltica Fiscal, Preparacin y Evaluacin de
Proyectos, Economa Poltica; experiencia relevante en diseo de metodologas de investigacin y
capacitacin en aula tanto en el rea de Econmica como en Sistemas, Estrategia de Recursos
Humanos. Capacitador ESCABO II Jnior Chamber International Gerente propietario de
Consultora DC CONSULTING especializada Multidisciplinaria en elaboracin de tesis de grado a
nivel Licenciatura Maestras Doctorados.
FORMACIN ACADMICA:
University of
London
(PhD. Eco.) DOCTORADO EN ECONOMIA:
Mencin:
ANALISIS ECONOMETRICO PARA EL CRECIMIENTO Y DESARROLLO
ECONOMICO
Anlisys Economtric for the Growth and Economic Development
University of London England
Londres Inglaterra Febrero 2006 a octubre 2007 (Duracin 1 ao 10 meses
caracterstica semi presencial trimestralmente)
TESIS DE DOCTORADO:
ANALYSIS MULTIVARIANT OF THE BOLIVIAN ECONOMY
Anlisis Multivariante de la Economa Boliviana
University of
London
(MSc.Eco.) MAESTRIA EN ECONOMIA:
Mencin:
ECONOMIA PUBLICA
Economy Public
University of London England
Londres Inglaterra Febrero 2006 a octubre 2007 (Duracin 6 meses Primera
mencin del curso de Doctorado...Titulo N 029883
TESIS DE MAESTRIA:
INTEGRAL TRANSFORMATIONS OF WATSON IN SPACES OF FUNCTIONS
AND OF DISTRIBUTIONS
Transformaciones integrales de Watson en espacios de funciones y de
distribuciones
JJo or rg ge e E Ed dw wi in ng g D Deel l C Ca ar rp pi io o G Goon nz za alle es s
CCII:: 33447766331111 LLPP 2 23 3/ /FFeebbrre er ro o/ /11997711
Direccin: C.Almirante Grau N 786 zona central San Pedro
Email: JDICAPRIOG@Hotmail.com - JDICAPRIOG@yahoo.com
Celular: 73078849
2
University of
London
(MSc.Eco.) MAESTRIA EN ECONOMIA:
Mencin:
CRECIMIENTO Y DESARROLLO ECONOMICO
Growth and Economic Development University of London England
Londres Inglaterra Febrero 2006 a octubre 2007 (Duracin 6 meses Segunda
mencin del curso de doctorado ...Titulo N 026720
TESIS DE MAESTRIA:
STRUCTURAL MODELS AND ESTACIONALITY IN HIGH-FREQUENCY
ECONOMIC TEMPORARY SERIES
Modelos estructurales y estacionalidad en series temporales econmicas de
alta frecuencia
Richmond
University
(MSc.Eco.) MAESTRIA EN ECONOMETRA :
Mencin:
ANLISIS ECONOMTRICO FINANCIERO Y PRONSTICO MULTIVARIANTE
DE NEGOCIOS
Analysis Financial Economtric presage of Business Multivariants
Richmond University - London England
Londres Inglaterra 2005 (4 Meses presencial 4 meses
virtual .Titulo N 3354268
TESIS DE MAESTRIA:
METHODS FOR THE PROCEDURE AND ANALYSIS ECONOMTRIC
MULTIVARIANT IN THE BOLIVIAN ECONOMY
Mtodos para el procedimiento y anlisis Economtrico Multivariante
En la economa boliviana
ITESM
(MSc. Sist) MAESTRIA EN SISTEMAS:
Mencin:
SISTEMAS INTELIGENTES, ANLISIS Y CAPACITACIN EN AULA
Instituto Tecnolgico de Estudios Superiores de Monterrey
Mxico DF 1998(julio)-2000......................................... Titulo N ITESM356984-IMSC
TESIS DE MAESTRIA:
IMPLEMENTATION OF VIRTUAL SYSTEMS OF TRAINING AND - LEARNING
Implementacin de Sistemas Virtuales de Capacitacin E- Learning
3
DIPLOMADO EN EDUCACION SUPERIOR
Mencin de Maestra :
FORMACION DOCENTE Y DISEO CURRICULAR
Universidad de Aquino Bolivia
La Paz Bolivia 2004 (Abril -Julio) ...........................................Titulo N 00069735
TESIS DE DIPLOMADO:
EDUCACIN Y GLOBALIZACIN LOS DESAFIOS PARA EL SISTEMA
UNIVERSITARIO
U.M.S.A
Licenciado en Economa:
Carrera de Economa:
1990-1995
Facultad de Ciencias Econmicas y Financieras
Universidad Mayor de San Andrs.
La Paz Bolivia 2003
Titulo Acadmico N 0004520 ------------Titulo Prov. Nal. N 0004276
TESIS DE LICENCIATURA:
BOLIVIA IN THE PROCESS OF GLOBALIZATION
Bolivia en el Proceso de Globalizacin
ITESM
Ingeniero en Sistemas:
Carrera Ingeniera de Sistemas Computacionales (ISC)
Instituto Tecnolgico de Estudios Superiores de Monterrey
Mxico DF 1995 1997............................................ Titulo N ITESM225812-ISC
TESIS DE LICENCIATURA:
METHODOLOGY IN THE IMPLEMENTATION SOFTWARE FOR THE CREATION
OF VIRTUAL TUTORSHIPS FOR LEARNING
Metodologa en la implementacin de software para la creacin de tutoras
virtuales para aprendizaje
CURSO Y SEMINARIO INTERNACIONAL DE FORMACION PEDAGOGICA:
PERFIL DOCENTE DEL SIGLO XXI
Universidad Mayor Real Pontificia San Francisco Xavier de Chuquisaca
(U.M.R.P.S.X.)
Sucre Bolivia 2005
SEMINARIO INTERNACIONAL DE FORMACION PEDAGOGICA:
COMUNICACIN NO VERBAL
Universidad Publica y Autnoma del Alto
(U.P.E.A.)
La Paz Bolivia 2004
IDIOMAS:
Espaol (lengua Madre) Ingles Francs - Portugus -
4
TRABAJOS ESCRITOS - PRODUCCIN INTELECTUAL:
Manual de Time Series Processor Ver 7.03 (TSP) (autora propia)
Manual de Econometrics Views Vers. 1.0b (EVIEWS) 1 2 Edicin- 1998 (autora propia)
Manual de Econometrics Views Vers. 1.0B 2.0 3.01 4.0B (EVIEWS) 3 Edicin 2001
(autora propia)
Manual de Econometrics Views Vers 4 edicin 2003 (autora propia)
Manual de SPSS ver 10 1 edicin 2004 (autora propia)
Solucionario de los problemas del Texto de Introduccin a la Econometra del autor Ernesto
Rivero(autora propia)
Bolivia en el Proceso de Globalizacin Periodo 1987-2002
Traduccin de manual de Econometric Views versin 4.0 Micro Software Quantitative para el
Centro de Tecnologas Aplicadas a Economa (CTAE)(2003)
Como elaborar el Proyecto de Tesis en Economa 1 edicin 2004 (autora Propia)
Gua de Elaboracin de Tesis 1 edicin 2004 (autora Propia)
Gestin de Proyectos (Identificacin Formulacin Preparacin y Evaluacin) Financiera
Econmica social -ambiental
Texto como elaborar indicadores estadsticos (autora propia
Elaboracin del tutorial de Eviews vers 3 y 4 (CD contiene video-manual Eviews-Lecturas y
otros)2004
Elaboracin del tutorial de Anlisis Economtrico con Eviews vers 5 Y 5.1 (CD contiene
video-manual EVIEWS-Lecturas y otros)2006
Elaboracin del tutorial de Anlisis Estadistico con SPSS vers 12 (CD contiene video-manual
SPSS-Lecturas y otros)2006
Elaboracin del tutorial de Anlisis Economtrico con STATA vers 9.1 (CD contiene video-
manual STATA-Lecturas y otros)2006
Elaboracin del tutorial de Anlisis Economtrico con JMULTI vers 4 (CD contiene video-
manual JMULTI-Lecturas y otros)2006
Elaboracin del tutorial de Anlisis Economtrico con GRETL vers 12 (CD contiene video-
manual GRETL-Lecturas y otros)2006
Elaboracin del tutorial de Anlisis de Proyectos y Riesgos con CRYSTAL BALL vers 7.2
(CD contiene video-manual CRYSTAL BALL Lecturas y otros)2006
Elaboracin del tutorial de Anlisis Economtrico con DEMETRA vers 1.0 (CD contiene
video-manual Lecturas y otros)2006
Elaboracin del tutorial de Anlisis Economtrico con EASY REG INTERNATIONAL (CD
contiene video-manual Lecturas y otros)2006
Elaboracin del tutorial de Anlisis Economtrico con LIMDEP (CD contiene video-manual
Lecturas y otros)2006
Elaboracin del tutorial de Anlisis de Proyectos con MSPROJECT (CD contiene video-
manualLecturas y otros)2006
Elaboracin del tutorial de Anlisis de Proyectos con PLANTILLAS PARAMETRIZADAS
(CD contiene video-manualLecturas y otros)2006
Elaboracin del tutorial de Anlisis de Proyectos con CRYSTAL BALL 7.22 (CD contiene
video-manualLecturas y otros)2006
Elaboracin del tutorial de Anlisis contable con MONICA 8.0 (CD contiene video-manual
Lecturas y otros)2007
Elaboracin del tutorial de Anlisis Economtrico con Eviews vers 6.0 Y 5.1 (CD contiene
video-manual EVIEWS-Lecturas y otros)2007
CURSOS DE COMPUTACIN:
1990 Curso de Auxiliar en Contabilidad Computarizada Instituto Arrieta
1991 Curso de Auxiliar en Contabilidad Computarizada Instituto Educacional Britnico
1994 Curso de Sistemas Computarizados de Oficina- Escuela Industrial Pedro Domingo
MurilloCarrera De Electrnica
5
1994 Curso de Sistema Operativo Dos- Word Perfect Qpro Windows (Universidad Santo
Tomas CENACO-CEIN)
1994 Curso de Programador en Sistemas de Computacin Instituto C.I.P.E.C. SRL
1994 Curso de Sistema Operativo Ms-Dos, Ms-Windows, Ms-Word, Ms-Excel; ECCOM SRL
1998 Curso de Time Series Processor Instituto MILENIO SRL
1998 Curso Estrategia de Recursos Humanos Escuela Superior de Estudios Especializados
1999 Curso de Marketing por telfono- American Bussines Group
1999 Curso de servicio al cliente- American Bussines Group
CONOCIMIENTO Y MANEJO DE PAQUETES DE COMPUTACIN:
PLATAFORMA D.O.S.
Sistema Operativo D.O.S Vers. 6.0 6.21 6.22
Sistema Operativo PC-D.O.S Versin 6.3-7.0
procesador de texto Word Perfect para entorno D.O.S Vers. 5.1 6.0
hoja electrnica Quattro Pro para entorno D.O.S Vers. 4.0 5.0
Programacin en Turbo C Ver 2.0 Turbo Pascal (ENTORNO DOS)
Time Series Processor Vers. 6.54 -7.03 (ECONOMETRIA)
DIGITIME (software de control de asistencia de RELOJ CDM-30)
ATR6000 (software de control de asistencia de reloj BADGER II)
PLATAFORMA WINDOWS
procesador de texto Word Perfect para entorno Windows Vers. 6.0 6.1 7.0 8.0
Microsoft Windows Vers. 3.1 3.11 95 98- 2000 Profesional Milenniun Edition XP
Profesional- Windows XP Home Edition-Lite Edition-Long Horn-lite edition Vista Edition
Microsoft Windows NT Vers. 4.0 2000 (Profesional) 2003 Server Enterprise
Microsoft office (Word-Excel-Access-Power Point-Outlook) Vers. 93 94 95 97 2000-
XP(Profesional) -2003 Profesional 2007 profesional
Microsoft Publisher Project Visio Vers. 95 97 98 2000-XP Profesional 2003
Profesional Profesional 2007
Microsoft Corel Perfect Office (Word Perfect Qpro Presentations )
Microsoft Abc Fl oor Chart (diagramas de flujo)
Econometrics View Vers. 1.0b 2.0b 3.01-3.1 4.0 -5.0(Econometra)
Gretl Econometra Lindep Econometra Simprocess Stata ver 7.0 -8.0
SPSS Vers. 6.0 7.0- 8.0 9.0 10.0 11.0 -12 13(Estadstica)
Microsoft quicken (contabilidad)
Microsoft Visual Studio nterprise (Visual Basic-Visual Fox)
EMSAMBLAJE DE COMPUTADORAS
Ensamblaje de Computadoras Configuracin de Computadoras Formateo y Particionado
de Discos Duros(HDD) Instalacin de Software
CONFIGURACIN DE REDES
Manejo y Configuracin de Redes L.A.N. W.A.N. -
configuracin de protocolos IPX / IPS TCP /IP NETBEUI DNS/ HOST
configuracin de lneas ZET- CIRCUNVALEM BLANCA- DEDICADA ADSL
CURSILLOS DICTADOS:
1998 Mayo Curso del Paquete Econometric Views Vers 10B Carrera De Economa CIME
(Centro de Investigacin Matemtica y Estadstica para Economa)-UMSA
2000 Como Debe Ser Un Lder Ideal Cmara Jnior Internacional
2001 Curso del Paquete Econometric Views Vers 3.01 Consultora CEPIIB
2001 Curso del Paquete SPSS ver 10.0 Consultora CEPIIB
2003 Curso Taller del Paquete Econometrics Views Ver 4.0 Colegio de Economistas
6
de la Paz Centro de Tecnologas Aplicadas a Economa
2004 Curso Virtual de Anlisis Economtrico con Eviews Diplomado Economa
Informtica
2005 Curso Anlisis Economtrico con Eviews 4 carrera de Economa- UMSA
2006 Curso de Anlisis Economtrico con Eviews vers 5 Y 5.1 Consultora CADES
2006 Curso de Anlisis Economtrico con STATA vers 9 Y 9.1 Consultora CADES
2006 Curso de Anlisis Economtrico con J-MULTI Consultora CADES
2006 Curso de Anlisis Economtrico con DEMETRA Consultora CADES
2006 Curso de Anlisis Economtrico con GRETL Consultora CADES
2006 Curso de Anlisis Economtrico con LIMDEP Consultora CADES
2006 Curso de Anlisis Economtrico con EASY REG INTERNATIONAL Consultora
CADES
2006 Curso de Anlisis Estadstico con SPSS vers. 12 Consultora CADES
2006 Curso de Anlisis de Proyectos y Riesgos con CRYSTAL BALL vers 7.12
Consultora CADES
2006 Curso Anlisis de Proyectos con MSPROJECT ver 2003 Consultora CADES
2007 Curso de Preparacion y Evaluacion de Proyectos con PLANTILLAS PARAMETRIZADAS
Consultora NUEVO MUNDO
2007 Curso de Anlisis Economtrico con Eviews vers 5 Y 5.1 Consultora NUEVO MUNDO
2007 Curso de PAQUETE CONTABLE MONICA 8 Consultora NUEVO MUNDO
2007 Curso de Paquete Contable ORION 4.5 Consultora NUEVO MUNDO
2007 Curso de OPERADORES DE COMERCIO EXTERIOR SIDUNEA++ Consultora NUEVO
MUNDO
2007 Curso de GESTION DE ALMACENES Consultora NUEVO MUNDO
2007 Curso de ANALISIS ESTADISTICO CON SPSS13 Consultora NUEVO MUNDO
2007 Curso de ADMINISTRACION DE RECURSOS HUMANOS (DIRECCION
EMPRESARIAL) Consultora NUEVO MUNDO
2007 Curso de Anlisis Economtrico con STATA vers 9 Y 9.1 Consultora NUEVO
MUNDO
2007 Curso de Anlisis Economtrico con J-MULTI Consultora NUEVO MUNDO
2007 Curso de Anlisis Economtrico con DEMETRA Consultora NUEVO MUNDO
2007 Curso de Anlisis Economtrico con GRETL Consultora NUEVO MUNDO
2007 Curso de Anlisis Economtrico con LIMDEP Consultora NUEVO MUNDO
2007 Curso de Anlisis Economtrico con EASY REG INTERNATIONAL Consultora
NUEVO MUNDO
EXPERIENCIA DE TRABAJO:
1998 enero 00 CARRERA DE ECONOMIA- UMSA: Fac. Ciencias Econmicas y
Financieras
auxiliar de docencia materia de Informtica
auxiliar de docencia materia de Econometra en calidad de invitado
AD HONOREN)
CIME UMSA instalacin de la red del laboratorio de informtica
1998 agosto
2000 enero
INSTITUTO TECNOLOGICO DE ESTUDIOS SUPERIORES DE
MONTERREY (ITESM) CARRERA: ECONOMIA CARRERA COMERCIO
INTERNACIONAL - MEXICO
Docente de las materias:
Econometra I
Econometra II
Estadstica I
Estadstica II
Comercio internacional
Miembro del departamento de Economa Cuantitativa
Miembro del Departamento de Economa Aplicada
7
1999 Enero
2000 Enero
INSTITUTO TECNOLOGICO DE ESTUDIOS SUPERIORES DE
MONTERREY (ITESM) CARRERA: INGENIERIA DE SISTEMAS MEXICO
Docente de las materias :
Programacin I
Redes Neuronales
Inteligencia Artificial
lgica difusa
Estructuracin de redes LAN- WAN
Miembro del Departamento Capacitacin en sistemas
2000 CURSO PREFACULTATIVO: Fac. Ciencias Econmicas y Financieras
Jefe de sistemas
Elaboracin del software
Elaboracin y codificacin de alumnos
Mantenimiento y configuracin de la red
Trabajos Varios
2001 2002 INSTITUTO (Bussines Integral Tecnology) BIT- ORURO
Docente de las materias:
Programacin I
Anlisis de sistemas computacionales
Estadstica
2003 INSTITUTO DE INVESTIGACIONES ECONOMICAS: -U.M.S.A
Docente de Diplomado Econometra Avanzada (Materia: Econometra
Bsica)
Docente de Diplomado Economa Informtica (Materia: Redes
Neuronales inteligencia artificial y Lgica Difusa Materia: Econometra
Bsica)
2004 INSTITUTO DE INVESTIGACIONES ECONOMICAS: -U.M.S.A
Docente de Diplomado Econometra (Materia: Econometra dinmica )
Docente de Diplomado Economa Informtica (Materia: Redes
Neuronales inteligencia artificial y Lgica Difusa Materia: Econometra
Bsica)
2004 octubre
diciembre
MINISTERIO DE EDUCACION:
Profesional En Procesos y Gestin de Almacenes
Coordinador de Sistemas para Congreso Nacional de Educacin
juntamente Lic. Marcelo Rocabado
Sistematizacin Congresos Departamentales La Paz Marco Lgico
Oruro Marco Filosfico Santa Cruz Formacin Docente Santa Cruz
2007 Julio
Noviembre
CURSO PREFACULTATIVO: Fac. Ciencias Econmicas y Financieras
Docente de la materia: Introduccin a la Economa
2007 Agosto
Actual
SOCIEDAD DE ALTOS ESTUDIOS JURIDICOS EMPRESARIALES
EUROAMERICANO
Docente TITULAR de la materia: ECONOMETRIA
Docente TITULAR de la materia: GESTION Y VALORACION
EMPRESARIAL
Docente TITULAR de la materia: LOGISTICA DE EXPORTACIONES
8
EXPERIENCIA EN CAMARA JUNIOR INTERNACIONAL:
Julio 2000 Curso de administracin del capitulo Preparacin y Evaluacin de
Proyectos
Agosto 2000 Curso de ESCABO II (Escuela de Capacitadores de Bolivia)
Septiembre 2000 Curso de Procedimientos Parlamentarios
ASOCIADO A INSTITUCIONES:
Asociacin de Scouts de Bolivia
Junior Chamber International
Fundacin Economa Informtica

Manual Stata10 JDC

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Manual Stata10 JDC

Uploaded by

Copyright:

Available Formats

M

on robust es utilizada la varianza como Var(

la cual es creada con los valores ajustados x del modelo y = x+. El

y el modelo es conocido con el nombre de probit. Para obtener los paramet-

son los valores de la funci axima verosimilitud on de m

de la ecuacion para la variable latente.

). La matriz permite cualquier

You might also like