9 Unidad6 PDF

UNIDAD VI
¿Qué son las Variables Ficticias?

UNIDAD VI
¿Qué son las Variables Ficticias?
“Un modelo económico es un conjunto de suposiciones que describen en forma

aproximada la conducta de un sector económico”
G.S. Maddala, 1996
• ¿Cómo se definen los modelos con variables dicotómicas o dummy?

• ¿Cuántas y Cuáles son las clases de modelos con variables dicotómicas?
• ¿Qué es un modelo de análisis de varianza?
• ¿Cómo se definen los modelos de análisis de covarianza (ANCOVA)?
• ¿Qué es una regresión de una variable cuantitativa y una cualitativa con dos
variables?
• ¿Cuáles son las reglas de uso de la variable dicotómica?
MODELOS CON VARIABLES DICOTOMICAS
ESQUEMA CONCEPTUAL
MODELOS CON VARIABLES DICOTOMICAS
VARIABLES DICOTOMICAS
CLASES DE MODELOS CON VARIABLES DICOTOMICAS
MODELOS DE ANÁLISIS SMODELOS DE ANÁLISIS DE

DE VARIANZA COVARIANZA (ANCOVA)
REGRESIÓN DE UNA VARIABLE

CUANTITATIVA Y UNA
CUALITATIVA CON DOS VARIABLES
REGLA DE USO DE LA VARIABLE

DICOTOMICA
COMPETENCIAS A LOGRAR
CONCEPTUAL PROCEDIMENTAL ACTITUDINAL

Explica que es una Aplica las técnicas de Tiene una actitud crítica
variable dicotómica, variables dicotómicas en respecto a la naturaleza
clases de modelo con un análisis de regresión, cualitativa de la variable.
variables dicotómicas, como medio de
modelos de análisis de introducir regresoras
varianza y de covarianza. cualitativas.
CONCEPTOS –CLAVE
Dicotómicas, varianza, covarianza.
289
LECCIÓN 1
LOS MODELOS CON VARIABLES DICOTÓMICAS O DUMMY
1. VARIABLES DICOTÓMICAS
En los modelos de regresión se encuentran situaciones en los cuales las variables

explicativas cambian bruscamente su impacto en aquella que es la variable endógena y
que la naturaleza de ese cambio, no se puede atribuir a una variable que sea medible.
Por ejemplo, un cambio de gobierno, para la realización de modelos macroeconómicos;
un cambio sistemático en el comportamiento de una serie histórica mensual debido a
factores estacionales; un cambio brusco en la demandas de un producto debido a una
especulación con su precio futuro. Esta variable explicativas de naturaleza cualitativa
puede modelizarse, aplicando dos valores: cero (0) y uno (1).
La introducción de estas variables en los modelos se origina cuando junto a variables

explicativas cuantitativas (Ingreso, precio, costo, producción, etc.) se incluyen variables
explicativas de naturaleza cualitativa tales como: educación, raza, sexo, religión, etc.;
las cuales son conocidas como variables dummy.
En efecto, una variable de naturaleza cualitativa indica la presencia o la ausencia de una

“cualidad” o “atributo”, tales como estacionalidad; cambio en la política económica;
cambio en las expectativas; de tal manera que junto con variables explicativas
cuantitativas (Ingreso, precio, costo, producción, etc.) se agregan éstas variables
asignando el valor uno, que indica presencia del atributo o el valor cero, que indica
ausencia del atributo.
2. CLASES DE MODELOS CON VARIABLE DICOTOMAS
a. Modelos de Análisis de Varianza

b. Modelos de Análisis de Covarianza
a. Modelos de Análisis de Varianza

Son aquellos modelos de regresión que contienen exclusivamente variables
dicótomas, o cualitativas por naturaleza, por ejemplo:
Yi = α + β D i + μ i
Donde:
Y: Salario anual de un empleado en el sector privado
Di = 1 Si es hombre
0 (Si no es hombre). Si es mujer
Bajo la hipótesis de que las perturbaciones satisfacen los supuestos del modelo se
obtiene:
290
Salario si es mujer: Ε[Yi D i = 0] = α
Salario si el empleado es hombre: Ε [Y i D i = 1 ] = α + β
b. Modelos de Análisis de Covarianza

Son los más usados y contienen como variables explicativas las cuantitativas y las
cualitativas.
CLASES DE MODELOS CON

VARIABLES DICOTOMAS
MODELOS DE ANÁLISIS DE MODELOS DE ANÁLISIS DE

VARIANZA COVARIANZA
291
LECCIÓN 2
MODELOS DE ANÁLISIS DE COVARIANZA (ANCOVA)
Utilizan Variables Cuantitativas y Cualitativas simultáneamente y es de mayor

aplicación en los modelos de regresión de investigaciones económicas, tal es el caso del
modelo:
Yi = α1 + α 2 D i + β1X i + β 2 D i X i + μ i (1)
Donde:
Yi = Salario anual de un profesor universitario

Xi = Años de experiencia del docente (Variable cuantitativa)
1 si es hombre
Di =
0 si es mujer
De (1):
• El salario promedio de una profesora universitaria:
E ⎡Yi ⎤ = α + βX
⎢⎣ X i , Di = 0⎥⎦ 1 i
• El salario promedio de un profesor universitario:
E ⎡Yi ⎤ = (α + α ) + βX
⎢⎣ X i , Di = 1⎥⎦ 1 2 i
Se puede apreciar con el gráfico.
292
1. REGRESIÓN DE UNA VARIABLE CUANTITATIVA Y UNA
CUALITATIVA CON DOS CLASES O CATEGORÍAS
Sea el siguiente modelo la función consumo
C t = α 0 + α 1 D t + α 2 Yt + μ t
Donde:
C t = Consumo
Yt = Ingreso
1 recesión
Dt = Condición 0 normalidad
Hipótesis
CASO 1
C t = α 0 + α 2 Yt + μ t
CASO 2 (Modelo Aditivo)
C t = α 0 + α 1 D t + α 2 Yt + μ t
Donde en época de recesión
( )
Ε(C t D t = 1) = α 0 + α 1 + α 2 Yt
En época de normalidad
Ε(C t D t = 0 ) = α 0 + α 2 Yt
La asignación de los valores 0 y 1 a las categorías es arbitraria, es decir puede darse el

caso que D t = 0 la cual indicaría la condición de normalidad, aunque no
necesariamente el valor de cero indica normalidad, todo dependerá de las
consideraciones iniciales al formar el modelo.
En el modelo inicialmente planteado, se espera que el consumo promedio en época de

recesión sea menor que en época de normalidad, es decir:
C t = α 0 + α 1 D t + α 2 Yt + μ t , en donde α 1 debe tener signo negativo, pero si se

considera:
con D t 0 recesión α1 debe tener signo positivo.

1 normalidad
293
Es decir, para una correcta interpretación es indispensable saber como se asignaron “0”
y “1”.
El grupo al que se le asigna valor cero “0”, recibe el nombre de categoría base, de
comparación omitida, en el sentido que todas las comparaciones se hacen con respecto a
esa categoría.
En el modelo propuesto (caso2) el consumo en época de normalidad es la categoría base

donde el intercepto será α 0 .
CASO 3: (Modelo Multiplicativo)
D t siempre es “0” y “1”
C t = α 0 + α 2 Yt + α 3 (D t Yt ) + μ t
Donde en época de recesión
Ε (C t D t = 1) = α 0 + (α 2 + α 3 )Yt
Época de normalidad
Ε (C t D t = 0 ) = α 0 + α 2 Yt
En este caso se supone que los consumos promedios no varían para cualquier realidad,
sino más bien se dan variaciones en la Tasa de Cambio del Consumo al variar el
Ingreso.
En efecto; aceptando que se consume menos en época de recesión, se tiene que:

(α 2 + α 3 )Yt 〈 α 2 Yt , es decir que las variaciones en el consumo en época de recesión,
serán inferiores a la época de normalidad, cuando se presenten variaciones en el
Ingreso.
COMBINACIÓN DEL CASO 2 Y CASO 3 (Modelo Aditivo y Multiplicativo)
C t = α 0 + α 1 D t + α 2 Yt + α 3 (D t Yt ) + μ t
Si fuera en época de recesión el modelo quedaría:
Ε (C t D t = 1) = (α 0 + α 1 ) + (α 2 + α 3 )Yt
En época de normalidad:
Ε (C t D t = 0 ) = α 0 + α 2 Yt
Con el principio de que en época de recesión se consume menos se tendrá:
294
(α 0 + α 1 )〈α 0
(α 2 + α 3 )Yt 〈α 2 Yt
Para efectos de predicción se elegirá el que presente mayor R2 ajustado porque da una
mayor bondad de ajuste, no sin antes de realizar las pruebas “t” para cada variable
dummy (α 1 D t ) y (α 3 D t ) a fin de verificar si la situación de recesión o de normalidad
influye en el consumo.
2. REGLAS DE USO DE LA VARIABLE DICÓTOMA
a. Cuando una variable tiene dos categorías, se debe introducir una sola variable
dicótoma a fin de evitar la multicolinealidad. Por ejemplo:
El salario de un profesor en función de sus años de experiencia (Xi) y si es hombre o

mujer (Di).
Yi = α 0 + α 1 D i + α 2 X i + μ i
En consecuencia la regla general es si una variable tiene m categorías, se debe

introducir m-1 variables dicótomas.
b. La técnica de las variables dicótomas se pueden extender fácilmente a más de una

variable cualitativa.
Sea el estudio del ingreso en función del sexo y color de la persona y de sus años de
experiencia:
El Ingreso del profesor (Yi) en función de sus años de experiencia (Xi) y si es hombre
o mujer (D1i), o si es blanco o negro (D2i), con lo cual el modelo será:
Y = α 0 + α1D1i + α 2 D 2 i + α 3 X i + μ i , siendo:
D1i 1 Si es hombre D 2i 1 Si es blanco

0 Si es mujer 0 Si es negro
c. Del mismo modo en el caso de existir “n” variables cualitativas, deben existir “n”
variables dummy; siempre y cuando cada variable cualitativa tuviese 2 categorías.
Si se presentan variables que tienen m categorías, la única precaución que debe

tomarse es que el número de variables dicótomas para cada variable cualitativa debe
ser una menos que el número de categorías de esa variable.
d. Cuando no se utiliza intercepto para cada variable habría que utilizar variables
dummy, como categorías hubiere en el modelo.
295
Ejercicio Ilustrativo 1:
Se tiene un modelo con una variable cuantitativa y una variable cualitativa con más de 2
categorías:
Y: Gasto en educación y cultura

D: Educación
Educación Superior
Secundaria
D Menos de Educación secundaria
Y = α 0 + α 1 D 1i + α 2 D 2i + β1 X i + β 2 D 3i X i + μ i
Donde:
Y: Gasto promedio anual de un Trabajador en Educación y Cultura

α 0 : Gasto mínimo en educación
1 Tiene nivel secundaria

D1
0 No tiene nivel secundaria
1 Nivel Superior
D 2 0 No tiene nivel superior
X i : Ingreso promedio anual
Para cambiar la pendiente se utiliza la variable Dummy D3i.
1 Nivel Superior
D 3 0 No tiene nivel superior
Se obtiene los siguientes resultados:
Y = 60 + 10.2SEC + 20,3SUP + 0.3X i + 0.1SUP.X i
Interpretación:
αˆ 0 = 60 , el gasto mínimo en educación y cultura es de S/.60

αˆ 1 = 10.2 , por cada incremento en los gastos mínimos de educación, los que no tienen
nivel superior (poseen hasta educación secundaria) le destinan S/.10.2.
αˆ 2 = 20.3 , por cada incremento en los gastos mínimos de educación, los que tienen
nivel superior le destinan S/.20.3.
βˆ1 = 0.3 , por cada incremento de S/.1.00 en el Ingreso, 0.3 se destina a gastos en
educación y cultura.
296
βˆ 2 = 0.1 , los que tienen nivel de instrucción superior por cada aumento de S/.1.00 en el
Ingreso, la propensión marginal a gastar en educación se incrementa en 0.1.
Ejercicio Ilustrativo 2 1
Una empresa utiliza dos tipos de procesos productivos (máquina A y máquina B) para
obtener su producto final.
El proceso productivo puede expresarse mediante el siguiente modelo:

Yi = β1 + β 2 D i + μ i
Yi = producto
⎧1, si el producto es obtenido con la máquina A

Di = ⎨
⎩0, si el producto es obtenido con la máquina B
⎧β si D i = 0
E(Yi ) = ⎨ 1
⎩(β1 + β 2 ) si D i = 0
O también
E ( Yi / D i = 0) = β1
E ( Yi / D i = 1) = (β1 + β 2 )
Como la pendiente β 2 mide la diferencia del producto final asociado con el cambio de la
máquina B a la máquina A, la prueba de la hipótesis nula: β 2 = 0 nos mostrará si hay o
no diferencia en el producto asociado con la máquina A y B.
Ejercicio Ilustrativo 3:
Si en el ejemplo anterior hubiera tres máquinas A, B, C, se necesitan dos variables

dummy. En general si se necesita diferenciar m asuntos, es necesario utilizar (m-1)
variables Dummy.
El modelo es: Yi = β 1 + β 2 D i 2 + β 3 D i 3 + μ i
donde:
⎧1, si el producto es obtenido con la máquina A

Di 2 = ⎨
⎩0, en otro caso
⎧1, si el producto es obtenido con la máquina B

Di3 = ⎨
⎩0, en otro caso
1
García Gonzalez, Victor. Econometría para la Planificación, 1991
297
Los valores esperados son:
E ( Yi / D 2 = 1; D 3 = 0) = β1 + β 2
E ( Yi / D 2 = 0; D 3 = 1) = β1 + β 3
E ( Yi / D 2 = 0; D 3 = 0) = β1
MAQ.”A” MAQ.”B” MAQ.”C”

1 0 0
0 1 0
0 0 1
Observando el cuadro se aprecia que el parámetro β1 expresa el valor esperado

asociado a la máquina C, el parámetro β 2 representa la diferencia en la producción final
asociada con el cambio de la máquina C por la máquina A; el parámetro β 3 mide el
cambio con el producto final asociado con el cambio de la máquina C por la máquina B.
La prueba de Hipótesis β 2 = 0 proporciona una prueba de que no hay diferencia en el
producto final si se cambia la máquina C por la máquina A; la prueba de hipótesis
β 3 = 0 muestra de que no hay diferencia en el producto final al cambiar la máquina C
por la máquina B.
Si se desea probar si no hay cambio en el producto final al cambiar la máquina A por la

B, se debe usar la prueba F, con la hipótesis nula β 2 = β 3 . Sin embargo, si la ecuación
de regresión se escribe de la forma:
Yi = α 1 + α 2 D i 2 + α 3 ( D i 3 + D I 2 ) + μ i
Podemos probar lo mismo: no hay cambio en el producto final al cambiar la máquina A

por la máquina B; utilizando la prueba t con la hipótesis nula α 2 = 0 (García Gonzáles,
1991)
298
LABORATORIO DE LAS VARIABLES FICTICIAS O DICOTÓMICAS
Ejercicio aplicativo 1:
Modelo Inicial: CPt = α 0 + β1PBI t + μ t Periodo: 1970-2001
Donde:
CPt: Consumo Privado

PBIt: Producto Bruto Interno (Ingreso)
Se incorpora la variable Dt, el cual representa el período de hiperinflación que se

registró en el Perú (1988-1991). Se determinará si este suceso afecto significativamente
el consumo privado, ya sea afectando el consumo autónomo o por cambios en el nivel
del ingreso.
D t = ⎧⎨1 periodo 1988 − 1991

⎩0 periodo 1970 − 1987 , 1992 − 2001
1º Forma (intercepto)
CPt = α 0 + α 1 D t + β1 PBI t + μ t
Dependent Variable: CP
Method: Least Squares
Date: 07/09/02 Time: 10:09
Sample: 1970 2001
Included observations: 32
Variable Coefficient Std. Error t-Statistic Prob.
C 8080.718 1686.849 4.790421 0.0000
D1 -1368.771 840.4809 -1.628557 0.1142
PBI 0.663491 0.017074 38.86049 0.0000
R-squared 0.981204 Mean dependent var 67568.47
Adjusted R-squared 0.979908 S.D. dependent var 11046.32
S.E. of regresión 1565.768 Akaike info criterion 17.63920
Sum squared resid 71097299 Schwarz criterion 17.77661
Log likelihood -279.2272 F-statistic 756.9578
Durbin-Watson stat 1.034595 Prob(F-statistic) 0.000000
La probabilidad asociada al estadístico t nos indica que a un nivel de 5% de

significancia no se puede rechazar la hipótesis nula de significancia, es decir que la
variable incorporada no es significativo en el modelo.
En el período de inflación no se alteró en una proporción mayor el consumo autónomo.
2º Forma (pendiente)
CPt = α 0 + β1 PBI t + β 2 D t PBI t + μ t
299
Date: 07/09/02 Time: 10:17
Sample: 1970 2001
C 6700.907 1580.694 4.239220 0.0002
PBI 0.680595 0.020027 33.98387 0.0000
D1*PBI -0.017166 0.009474 -1.811858 0.0804
En las salidas de la regresión podemos observar que la probabilidad asociada al

estadístico “t” de la variable D1*PBI, nos indica que a un nivel de confianza del 95% no
se puede rechazar la Ho de no significancia de la variable, es decir que D1*PBI no es
significativa en el modelo.
Las tasas de cambio en el consumo privado ante variaciones en el ingreso no fueron

diferentes en los dos períodos.
3º Forma (intercepto y pendiente)

CPt = α 0 + α 1 D t + β 1 PBI t + β 2 D t PBI t + μ t
Date: 07/09/02 Time: 10:21
Sample: 1970 2001
C -16794.63 10238.90 -1.640276 0.1121
D1 23992.37 10346.59 2.318867 0.0279
PBI 0.947738 0.116707 8.120687 0.0000
D1*PBI -0.289525 0.117785 -2.458077 0.0204
S.E. of regression 1445.167 Akaike info criterion 17.50631
En este tercer caso, podemos observar que las variables D1 y D1*PBI se vuelven
significativas, bajo un nivel de confianza del 5%, es decir que el período de
hiperinflación si influyeron en el consumo privado.
300
Si observamos los R2 y el R2ajustado de todos los modelos (incluyendo el modelo inicial),
podemos concluir que en la última regresión: CPt = α 0 + α1D t + β1PBI t + β 2 D t PBI t + μ t ,
se obtuvo la mayor bondad de ajuste: 98.5% y 98.2% respectivamente. Entonces para
efectos de predicción se escogerá a este modelo.
Se tiene los siguientes datos de utilidades y ventas de una compañía:
PERIODO UTILIDADES VENTAS PERIODO UTILIDADES VENTAS

1993:1 1050 11486 1996:1 1253 14886
1993:2 1009 12396 1996:2 1484 15891
1993:3 1083 12145 1996:3 1320 15572
1993:4 1220 13191 1996:4 1494 16841
1994:1 1224 12991 1997:1 1415 16278
1994:2 1400 14097 1997:2 1594 17606
1994:3 1221 13782 1997:3 1402 17242
1994:4 1282 14546 1997:4 1431 18333
1995:1 1134 13698 1998:1 1238 17042
1995:2 1261 14512 1998:2 1399 18131
1995:3 1101 14153 1998:3 1217 17671
1995:4 1273 15177 1998:4 1098 18037
Regresionar el modelo inicial: utilidades = α1 + α2ventas +μ
Dependent Variable: UTILIDADES

Date: 07/26/02 Time: 11:26
Sample: 1993:1 1998:4
VENTAS 0.046739 0.012317 3.794775 0.0010
C 562.9322 189.3175 2.973482 0.0070
Sum squared resid 326511.4 Schwarz criterion 12.62088
UTILIDADES = 0.04673896719*VENTAS + 562.9321976
¿El segundo trimestre de cada año presenta algún efecto estacional?
Para determinar si existe un efecto estacional se incorpora variables dummy al modelo,

de tal forma que el modelo inicial se transforma en:
UTILIDADES = α1 + α1D1 + α2D2 + α3D3 + α2VENTAS +μ
301
PERÍODO D1 D2 D3 PERÍODO D1 D2 D3
1993:1 0 0 0 1996:1 0 0 0
1993:2 1 0 0 1996:2 1 0 0
1993:3 0 1 0 1996:3 0 1 0
1993:4 0 0 1 1996:4 0 0 1
1994:1 0 0 0 1997:1 0 0 0
1994:2 1 0 0 1997:2 1 0 0
1994:3 0 1 0 1997:3 0 1 0
1994:4 0 0 1 1997:4 0 0 1
1995:1 0 0 0 1998:1 0 0 0
1995:2 1 0 0 1998:2 1 0 0
1995:3 0 1 0 1998:3 0 1 0
1995:4 0 0 1 1998:4 0 0 1
Donde:
⎧1, para el segundo trimestre

D1 = ⎨
⎩0, otros trimestres
⎧1, para el tercer trimestre

D2 = ⎨
⎧1, para el cuarto trimestre

D3 = ⎨
Entonces primero se genera las variables D1, D2 y D3, luego regresionamos el modelo
obteniéndose
Dependent Variable: UTILIDADES

Date: 07/26/02 Time: 11:48
Sample: 1993:1 1998:4
C 571.0152 191.0858 2.988266 0.0076
D1 91.93412 71.29894 1.289418 0.2127
D2 -26.38616 70.60469 -0.373717 0.7128
D3 7.572313 73.06518 0.103638 0.9185
VENTAS 0.045009 0.012819 3.511030 0.0023
El Modelo final será:
UTILIDADES = 571.02 + 91.93*D1 - 26.39*D2 + 7.57*D3 + 0.045*VENTAS
302
De las salidas de la regresión podemos observar que sólo las ventas y el intercepto son
significativos, ya que sus probabilidades asociadas son inferiores al 5%. Por lo tanto se
concluye que no hay ningún factor estacional operando.
a. Variable Cualitativa con dos categorías:
Coeficiente del Intercepto Diferencial: dice qué tanto difiere el valor del término de
intercepto de la categoría que recibe el valor de 1 del coeficiente de la categoría base
(valor 0). Se prueba si las diferencias son significativas.
Con información de la Encuesta de Hogares del año 1999 se corrió un modelo de los
años de estudios en función del área urbana y rural.
Dependent Variable: ANOEST

C 4.614264 0.083701 55.12819 0.0000
AREA 4.585217 0.105169 43.59842 0.0000
Los que están en el área urbana tienen 4.58 años más de estudios de los que habitan
en el área rural
b. Variable Cualitativa con más de dos categorías
Asimismo con la misma información anterior se corrió un modelo de años de

estudios en función de si la persona es de la costa sierra, selva o Lima.
Es suficiente una variable dicotómica para diferenciar dos categorías. Si una variable
cualitativa tiene m categorías, se crean m-1 variables dicotómicas
Dependent Variable: ANOEST

C 6.750905 0.124379 54.27669 0.0000
LIMA 3.497196 0.170270 20.53907 0.0000
COSTA 0.674606 0.160847 4.194097 0.0000
SIERRA -0.569246 0.157479 -3.614737 0.0003
La interpretación sería los que están en la sierra tienen 0.5 menos años de estudios de
los que habitan en la selva. Los que están en la costa tienen 067 años de estudio más
que los que habitan en la selva. Los que están en Lima tienen 3.5 años de estudio
más que los habitantes de la selva.
303
Ejercicio de autoconocimiento
¿Porqué hacer uso de las variables dummy?
SI NO NO SÉ
1. Considero útil para resolver problemas que se

presentan cuando se hace un estudio que no es sólo
cuantitativo.
2. Porque permitirá hacer un análisis de los modelos en

cuanto a las variables que intervienen
3. Porque en un modelo de regresión se puede

encontrar variables no medibles.
4. Porque la teoría aconseja incluir variables

explicativas de naturaleza cualitativa.
5. Para utilizar estas variables como recurso para

clasificar datos en categorías excluyentes.
6. Para dar soluciones alternativas a los problemas.
7. Porque permite aplicar en los modelos de regresión

en forma tan fácil como las variables cuantitativas.
8. Para aplicar estas técnicas en modelos de regresión

lineal.
9. Para utilizarlas como medio de introducir regresoras

cualitativas en el análisis de regresión.
10. Para predecir sucesos futuros en modelos con

variables cualitativas
CALIFICACION
Puntuar con un punto cada respuesta “SI”.

Si obtienes de 1 - 3 puntos tienes pocas expectativas de hacer un buen uso de las
variables dummy.
Si tienes entre 4 – 7, tienes buenas expectativas de hacer un buen uso de las variables
dummy.
Y si tienes entre 8 – 10, denotas excelentes expectativas de hacer un buen uso de las
variables dummy.
304
RESUMEN
Las variables explicativas de naturaleza cualitativa tales como: educación, raza, sexo,
religión, etc.; son conocidas como variables dummy.
Esta variable explicativas de naturaleza cualitativa puede modelizarse, aplicando dos

valores: cero (0) y uno (1).
Una variable de naturaleza cualitativa indica la presencia o la ausencia de una

“cualidad” o “atributo”, tales como estacionalidad; cambio en la política económica;
cambio en las expectativas; de tal manera que junto con variables explicativas
cuantitativas (Ingreso, precio, costo, producción, etc.) se agregan éstas variables
asignando el valor uno, que indica presencia del atributo o el valor cero, que indica
ausencia del atributo.
Las clases de modelos con variable dicotómicas son:
Modelos de Análisis de Varianza

Modelos de Análisis de Covarianza
Modelos de Análisis de Varianza, son aquellos modelos de regresión que contienen

exclusivamente variables dicótomas, o cualitativas por naturaleza.
Modelos de Análisis de Covarianza (ANCOVA), utilizan Variables Cuantitativas y

Cualitativas simultáneamente y es de mayor aplicación en los modelos de regresión de
investigaciones económica.
EXPLORACIÓN ON LINE
Demostración del método de ponderación de referenciales por medio del Análisis de
Regresión Logística Múltiple para el caso de variables dicotómicas.
http://www.monografias.com/trabajos5/ponde/ponde.shtml.
Intervalos de confianza para variables dicotómicas
http: //www.medprev.uma.es/libro/node1o7.htm-5K
Asociación de variables cualitativas (variables dicotómicas).
http: //www.fisterra.com/mbe/investiga/chi/chi.asp.
305
LECTURA:
NATURALEZA DE LAS VARIABLES DICÓTOMAS
En al análisis de regresión, la variable dependiente o regresada, está influida

frecuentemente no sólo por variables de razón de escala (por ejemplo: ingreso,
producción, precios, costos, estatura y temperatura), sino también variables que son
esencialmente cualitativas por naturaleza, o de escala nominal (por ejemplo, sexo, raza,
color, religión, nacionalidad, región geográfica, trastornos políticos y afiliación a un
partido).
Por ejemplo, manteniendo los demás factores constantes, se ha encontrado que las
trabajadoras ganan menos que sus colegas masculinos y que las personas de color ganan
menos que las blancas. Este patrón puede resultar de la discriminación sexual o racial,
pero cualquiera que sea la razón, las variables cualitativas tales como sexo y raza sí
influyen sobre la variable dependiente y es claro que deben ser incluidas dentro de las
explicativas o regresoras.
Puesto que tales variables usualmente indican la presencia o ausencia de una “cualidad”
o atributo, tal como femenino o masculino, negro o blanco, católico o no católico,
demócrata o republicano son variables de escala nominal esencialmente. Se podrán
“cuantificar” tales atributos mediante la elaboración de variables artificiales que
tomarán los valores 0 y 1, donde 1 indicará la presencia (o la posesión) d ese atributo y
0 la ausencia de tal atributo. Por ejemplo, el 1 puede indicar que una persona es de sexo
masculino y 0 puede designar una de sexo femenino; o el 1 puede indicar que una
persona se ha graduado en la universidad y o qu4e n lo ha hecho y así sucesivamente.
Las variables que adquieren tales valores 0 y 1 se llaman variable dicótomas. Tales
variables son por tanto, esencialmente un recurso para clasificar datos en categorías
mutuamente excluyentes, como masculino o femenino.
Las variables dicótomas pueden utilizarse en los modelos de regresión en forma tan
fácil como las variables cuantitativas.
De hecho, un modelo de regresión puede contener variables explicativas que son

exclusivamente dicótomas o cualitativas por naturaleza. Tales modelos se denominan
modelos de varianza (ANOVA).
Damodar N. Gujarati, 2003
306
ACTIVIDADES
1. Se quiere estudiar la dependencia de los años de educación respecto de la renta

familiar y la procedencia socio-geográfica, para lo que se dispone de la siguiente
muestra:
Y X1 X2
10 urbana 800
12 urbana 1300
8 urbana 900
12 urbana 1200
9 urbana 1600
6 urbana 1300
5 rural 900
4 rural 300
6 rural 700
4 rural 500
5 rural 600
5 rural 100
Siendo:
Y : Años de educación
X1 : Procedencia socio-geográfica
X2 : Renta
a. Especifique a un modelo que explique la duración de la educación en base a la

información disponible.
b. Estima los parámetros del modelo propuesto con la muestra dada y calcule el
coeficiente de determinación
c. Contraste las siguientes hipótesis:
La renta familiar no es una variable significativa.

La variable procedencia socio-geográfica no es significativa.
2. Considere el siguiente modelo econométrico:
Yi = β 0 + β1 X 1 + +β 2 X 2 + β 3 X 3
Donde:
Yi : Sueldos de Lima Metropolitana en nuevos soles reales .

X : PBI en valores constantes base 1979.
X2 : Índice de precios al consumidor anual de Lima Metropolitana, base 1979
X3: Variable ficticia de cambio de pendiente debido al incremento del ritmo
inflacionario.
Toma el valor: 0, antes de 1987.
Toma el valor: 1, luego de 1987.
Los valores de las observaciones se muestran a continuación:
307
Año Yi X1 X2
3646.637 60.82
1980 181.40
3807.715 72.67
1981 184.94
3815.751 72.93
1982 198.96
3334.220 125.07
1983 170.71
3494.779 111.46
1984 157.21
3573.928 158.26
1985 144.81
3904.219 62.90
1986 180.75
4234.711 114.51
1987 189.55
3881.284 1722.32
1988 131.20
3428.614 2775.63
1989 82.90
3243.760 7649.64
1990 57.09
3334.495 139.23
1991 64.38
3287.198 56.73
1992 67.63
3497.230 39.48
1993 67.07
3954.738 15.38
1994 94.94
4233.069 10.23
1995 96.32
Se pide:
a. Hallar la ecuación de regresión e interprete los parámetros estimados.

b. Probar la significancia estadística de cada uno de los parámetros
estimados, con un nivel de confianza de 95% y establezca sus
conclusiones.
c. Derivar las regresiones individuales e interprételas.
d. Comparar las regresiones antes y después de 1987 realizando la prueba
de Chow.
e. Establecer cuáles son las ventajas de utilizar la prueba de Chow en este
caso, si existen o no.
3. Un empresario textil se plantea dos posibles modelos con el fin de estimar la

productividad de sus fábricas, en función de la antigüedad de la maquinaria que
alquila (Ai), la experiencia de los trabajadores contratados (Ei) y la calidad del
combustible utilizado (Dji), siendo esta última una variable ficticia que toma los
valores:
D1i=1 si el combustible es de calidad baja, cero en caso contrario

D2i=1 si el combustible es de calidad media, cero en caso contrario
D3i=1 si el combustible es de calidad alta, cero en caso contrario i=1,...,20
Los modelos son:
Modelo a:
Pi = β 0 + β1 A i + β 2 E i + β 3 D1i + β 4 D 2i + β 5 D 3i + μ i
Modelo b:
Pi = β1A i + β 2 E i + β3 D1i + β 4 D 2i + β5 D 3i + μ i
a. Responda qué modelo sería más apropiado, si la estimación se lleva a cabo por
MCO.
b. Interprete los coeficientes de las variables en el modelo b
c. ¿Se podría plantear un modelo alternativo?
308
4. Considere el siguiente modelo econométrico:
Yi = α 0 + α 1 D i + β 1 X 1 + β 2 X 2 + β 3 D i X 2
Donde:
Yi: Sueldos de Lima Metropolitana en nuevos soles reales, bimensual desde 93-96
X1: PBI bimensual a precios constantes con base en 1979
X2: Índice de precios al consumidor anual de Lima Metropolitana, base 1979
Di: Variable ficticia de cambio de pendiente debido al incremento del ritmo
inflacionario.
Toma el valor: 0, antes de Febrero 1994

Toma el valor: 1, luego de Febrero1994
Se pide:
a. Hallar la ecuación de regresión e interprete los parámetros estimados.

b. Probar la significancia estadística de cada uno de los parámetros estimados, con
un nivel de confianza de 95% y establezca sus conclusiones.
c. Derivar las regresiones individuales e interprételas.
d. Comparar las regresiones antes y después de dic 1995 utilizando la prueba de
Chow.
Los valores de las observaciones se muestran a continuación:
Año Yi X1 X2
Febrero 93 877.21 262.53 1145.82
Abril 93 914.52 290.02 1247.24
Junio 93 960.46 310.98 1308.41
Agosto 93 1084.43 288.26 1378.31
Octubre 93 1186.91 262.63 1421.78
Diciembre 93 1300.13 301.79 1480.87
Febrero 94 1407.03 287.53 1535.54
Abril l94 1513.04 332.65 1595.50
Junio 94 1556.66 356.85 1625.25
Agosto 94 1563.41 318.12 1664.85
Octubre 94 1591.61 307.12 1678.22
Diciembre 94 1685.42 333.66 1708.69
Febrero 95 1597.12 329.38 1734.53
Abril 95 1618.23 358.20 1775.65
Junio 95 1619.92 380.43 1804.95
Agosto 95 1675.94 341.56 1834.08
Octubre 95 1677.83 318.78 1850.63
Diciembre 95 1674.12 328.93 1883.46
Febrero 96 1777.16 342.18 1936.10
Abril 96 1778.25 363.04 1979.93
Junio 96 1781.18 398.96 2003.61
Agosto 96 1785.21 401.52 2049.92
Octubre 96 1790.10 405.28 2071.67
Diciembre 96 1795.25 408.35 2106.46
309
AUTOEVALUACIÓN
1. Con la finalidad de tratar de explicar el número de personas empleadas en la

industria química se ha efectuado un muestreo a 100 empresas grandes y medianas,
siendo el modelo econométrico propuesto:
Y = β1 + β 2 T + β 3 E + β 4 F
Donde:
Y: Número de empleados de una empresa (medido en cientos de personas)

T: Permite saber si la empresa incorpora los últimos tecnológicos (toma el valor de 1
si la empresa lo hace y cero en caso contrario).
E: Determina la presencia de empresas competidoras a los alrededores (toma el valor
de 1 si es que existen empresas competidoras en un radio de 50Km, será cero en
cualquier otro caso).
F: Determina la presencia de alguna empresa complementaria en los alrededores
(toma el valor de 1 si es que existe una empresa de ese tipo, como por ejemplo la
farmacéutica, en radio de 30Km
Dependent Variable: Y
Date: 11/11/04 Time: 10:28
Sample: 1 100 Included observations: 100
T 0.05002 0.037261 0.13562 0.1321
E -2.40971 0.053112 -4.52226 0.0210
F 1.91120 0.612219 3.114754 0.0000
C 2.31987 0.991251 1.010578 0.1966
a. El valor estimado del coeficiente del número de empresas competidoras es 2.4.

b. Una empresa con tecnología de punta tiene en promedio 5 empleados más que
una que no está en la vanguardia de la innovación.
c. Por cada empresa de la competencia existente en un radio de 50Km, una
empresa de la industria química contrata 240 trabajadores menos.
d. Cuando existen empresas competidoras en general, la empresa en cuestión
emplea a 240 trabajadores menos.
2. Se ha realizado una encuesta de presupuestos familiares en el departamento de

Lima, en la que se ha considerado aquellas variables referidas al gasto de las
familias en vivienda (GTO), ingresos familiares (Y), número de miembros que
componen el hogar (TAM) y el lugar de residencia (URBANO).
Para el lugar de residencia se ha considerado:
URBANO =1 familia reside en una zona urbana
URBANO =0 familia reside en una zona rural
310
Dependent Variable: GTO
Date: 11/11/04 Time: 10:28
URBANO 14655.83 6789.100 2.158730 0.0314
Y 0.050108 0.003048 16.43694 0.0000
TAM -8692.680 2268.410 -3.832058 0.0001
C 17955.59 9397.991 1.910578 0.0566
Sum squared resid 2.61E+12 Schwarz criterion 25.26287
Con respecto a la solución propuesta al modelo planteado, puede afirmar que :
a. No existe una diferencia considerable en los gastos de vivienda de acuerdo al

lugar de residencia.
b. No interesa el considerar el lugar de residencia para estimar el modelo
adecuado.
c. El modelo planteado, no considera que las regresoras en su conjunto permitan
explicar el consumo familiar.
d. El gasto anual de las familias urbanas en Lima es S/.14655.83, el cual es
superior al de las familias rurales.
3. Continuando con el ejercicio anterior considere adicionalmente que se recogió

información acerca del nivel de estudios del jefe de familia (ESTU), la cual está
dada por:
ESTU =1 , si el individuo es analfabeto o sin estudios

ESTU =2 , individuos con estudios primarios
ESTU =3 , individuos que poseen otro tipo de estudios
ESTU =4 ,titulados universitarios o equivalentes

Y*URBANO 0.0073 0.0030 2.4730 0.0137
Y 0.0456 0.0039 11.7060 0.0000
TAM -8551.0640 2266.4290 -3.7729 0.0002
C 25377.4100 8803.8550 2.8825 0.0041
311
URBANO 28538.9900 17577.0800 1.6236 0.1051
Y*URBANO 0.0128 0.0062 2.0569 0.0402
Y 0.0424 0.0049 8.7040 0.0000
TAM*URBANO -10295.7100 4525.0670 -2.2753 0.0233
TAM -3228.2860 3250.3750 -0.9932 0.3211
C 10027.9300 12652.5100 0.7926 0.4284
a. Existe una influencia significativa del ingreso sobre el gasto en vivienda en las
zonas urbanas.
b. La influencia del ingreso en las zonas rurales es mayor que para los residentes
en las urbanas.
c. El efecto producido por la zona de residencia es el único que es significativo en
la explicación de l os gastos en vivienda.
d. Se tiene una influencia no significativa del número de miembros que componen
un hogar sobre el gasto en la zona urbana
4. Se posee información acerca de los ingresos del sector público (INGPUB), el PBI, el
ahorro privado (AHORRO), las importaciones (IMPORT) y las exportaciones
(EXPORT) del Perú durante los años de 1975-1998.
Con los datos disponibles se estimó un modelo el cual relaciona los ingresos
públicos con el PBI, las variables del sector exterior y el nivel de ahorro. Además se
desea determinar si el efecto producido a partir del año 1987 originó un cambio
estructural en dicha relación.
Para poder el cambio estructural a partir de 1987, será necesario considerar una
variable ficticia (F) la cual será igual a 1 a partir de 1987 siendo cero en los años
anteriores.
De los resultados mostrados a partir del uso de E-Views, indicar la alternativa

correcta:
Primer modelo: (no se considera la variable ficticia)
312
Dependent Variable: INGPUB
PBI 0.0003 0.0000 25.1587 0.0000
EXPORT 0.5765 0.0791 7.2917 0.0000
IMPORT -0.2578 0.1128 -2.2861 0.0339
AHORRO -0.8769 0.1511 -5.8026 0.0000
C 38.4145 4.2424 9.0548 0.0000
Segundo modelo:(considerando la variable ficticia)
Dependent Variable: PBI

EXPORT 2326.8662 492.6973 4.7227 0.0003
IMPORT -323.1763 303.6055 -1.0645 0.3040
AHORRO -1787.7445 437.1629 -4.0894 0.0010
F -18356.1052 30801.9324 -0.5959 0.5601
C 18356.1052 16225.4954 1.1313 0.2757
F*PBI 1.0000 0.0446 22.4324 0.0000
F*EXPORT -2326.8662 713.7399 -3.2601 0.0053
F*IMPORT 323.1763 773.1371 0.4180 0.6819
F*AHORRO 1787.7445 1103.9495 1.6194 0.1262
a. Para explicar el ingreso del sector público no es necesario hacer uso de una
variable ficticia.
b. El modelo estimado con el uso de la variable ficticia es más adecuado en
comparación con el otro ya que posee un coeficiente de determinación ajustado
mayor.
c. El segundo obtenido es el mejor que se puede obtener.
d. El único efecto que se debe eliminar del segundo modelo para explicar el gasto
son las exportaciones.
RESPUESTAS DE CONTROL
Rpta 1.d 2.d 3.a 4.b
313

9 Unidad6 PDF

Cargado por

Copyright:

Formatos disponibles

9 Unidad6 PDF

Cargado por

Información del documento

Título original

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

9 Unidad6 PDF

Cargado por

Copyright:

Formatos disponibles

UNIDAD VI

¿Qué son las Variables Ficticias?

¿Qué son las Variables Ficticias?

“Un modelo económico es un conjunto de suposiciones que describen en forma

• ¿Cómo se definen los modelos con variables dicotómicas o dummy?

MODELOS CON VARIABLES DICOTOMICAS

CLASES DE MODELOS CON VARIABLES DICOTOMICAS

MODELOS DE ANÁLISIS SMODELOS DE ANÁLISIS DE

REGRESIÓN DE UNA VARIABLE

REGLA DE USO DE LA VARIABLE

CONCEPTUAL PROCEDIMENTAL ACTITUDINAL

Dicotómicas, varianza, covarianza.

LOS MODELOS CON VARIABLES DICOTÓMICAS O DUMMY

En los modelos de regresión se encuentran situaciones en los cuales las variables

La introducción de estas variables en los modelos se origina cuando junto a variables

En efecto, una variable de naturaleza cualitativa indica la presencia o la ausencia de una

2. CLASES DE MODELOS CON VARIABLE DICOTOMAS

a. Modelos de Análisis de Varianza

a. Modelos de Análisis de Varianza

Y: Salario anual de un empleado en el sector privado

b. Modelos de Análisis de Covarianza

CLASES DE MODELOS CON

MODELOS DE ANÁLISIS DE MODELOS DE ANÁLISIS DE

MODELOS DE ANÁLISIS DE COVARIANZA (ANCOVA)

Utilizan Variables Cuantitativas y Cualitativas simultáneamente y es de mayor

Yi = Salario anual de un profesor universitario

• El salario promedio de una profesora universitaria:

• El salario promedio de un profesor universitario:

Se puede apreciar con el gráfico.

Sea el siguiente modelo la función consumo

CASO 2 (Modelo Aditivo)

Donde en época de recesión

La asignación de los valores 0 y 1 a las categorías es arbitraria, es decir puede darse el

En el modelo inicialmente planteado, se espera que el consumo promedio en época de

C t = α 0 + α 1 D t + α 2 Yt + μ t , en donde α 1 debe tener signo negativo, pero si se

con D t 0 recesión α1 debe tener signo positivo.

En el modelo propuesto (caso2) el consumo en época de normalidad es la categoría base

CASO 3: (Modelo Multiplicativo)

D t siempre es “0” y “1”

Donde en época de recesión

En efecto; aceptando que se consume menos en época de recesión, se tiene que:

COMBINACIÓN DEL CASO 2 Y CASO 3 (Modelo Aditivo y Multiplicativo)

Si fuera en época de recesión el modelo quedaría:

Con el principio de que en época de recesión se consume menos se tendrá:

2. REGLAS DE USO DE LA VARIABLE DICÓTOMA

El salario de un profesor en función de sus años de experiencia (Xi) y si es hombre o

En consecuencia la regla general es si una variable tiene m categorías, se debe

b. La técnica de las variables dicótomas se pueden extender fácilmente a más de una

D1i 1 Si es hombre D 2i 1 Si es blanco

Si se presentan variables que tienen m categorías, la única precaución que debe

Y: Gasto en educación y cultura

Y: Gasto promedio anual de un Trabajador en Educación y Cultura

1 Tiene nivel secundaria

X i : Ingreso promedio anual

Para cambiar la pendiente se utiliza la variable Dummy D3i.

Se obtiene los siguientes resultados:

Y = 60 + 10.2SEC + 20,3SUP + 0.3X i + 0.1SUP.X i

αˆ 0 = 60 , el gasto mínimo en educación y cultura es de S/.60

El proceso productivo puede expresarse mediante el siguiente modelo:

UTILIDADES = 571.02 + 91.93D1 - 26.39D2 + 7.57D3 + 0.045VENTAS