BIBLIOTECA UNIVERSITARIA

Modelos de datos de panel y

variables dependientes limitadas:
teoría y práctica
Arlette Beltrán
Juan Francisco castro
© Uni­ver­si­dad del Pa­cí­fi­co
Ave­ni­da Sa­la­verry 2020
Li­ma 11, Pe­rú

Modelos de datos de panel y variables dependientes limitadas: teoría y práctica

Arlette Beltrán
Juan Francisco Castro
1a edi­ción: septiembre 2010
Di­se­ño grá­fi­co: Jo­sé An­to­nio Me­so­nes
Impresión: Tarea Asociación Gráfica Educativa
Pasaje María Auxiliadora 156, Lima 5
ISBN: 978-9972-57-167-1
He­cho el De­pó­si­to Le­gal en la Biblioteca Nacional del Perú: 2010-12033

BUP

Beltrán, Arlette
Modelos de datos de panel y variables dependientes limitadas : teoría y práctica / Arlette
Beltrán, Juan Francisco Castro. -- Lima : Universidad del Pacífico, 2010.
Incluye referencias bibliográficas.

1. Modelos econométricos 2. Análisis econométrico 3. Análisis econométrico -- Estudio de

casos
I. Universidad del Pacífico (Lima) II. Francisco Castro, Juan.

330.015 195 (SCDD)

Miem­bro de la Aso­cia­ción Pe­rua­na de Edi­to­ria­les Uni­ver­si­ta­rias y de Es­cue­las Su­pe­rio­res (Ape­su) y miem­

bro de la Aso­cia­ción de Edi­to­riales Uni­ver­si­ta­rias de Amé­ri­ca La­ti­na y el Ca­ri­be (Eu­lac).

La Uni­ver­si­dad del Pa­cí­fi­co no se so­li­da­ri­za ne­ce­sa­ria­men­te con el con­te­ni­do de los tra­ba­jos que pu­bli­ca.
Pro­hi­bi­da la re­pro­duc­ción to­tal o par­cial de es­te tex­to por cual­quier me­dio sin per­mi­so de la Uni­ver­si­
dad del Pa­cí­fi­co.

De­re­chos re­ser­va­dos con­for­me a Ley.

 Índice | 5

Índice

1. Introducción ......................................................................................................................... 7

2. Modelos de datos de panel: el modelo estático lineal............................................. 13

2.1 ¿Por qué puede ser útil trabajar con un panel de datos?......................................... 13
2.2 El modelo de regresión con interceptos múltiples..................................................... 16
2.3 ¿Efectos fijos o efectos aleatorios?................................................................................ 22
2.4 Nuestro marco de análisis y los estimadores alternativos....................................... 23
2.5 A manera de balance.......................................................................................................... 30
2.6 ¿Qué estimador usar?......................................................................................................... 32

3. Variables dependientes limitadas binomiales ........................................................... 35

3.1 Introducción.......................................................................................................................... 35
3.2 Variables dependientes limitadas binomiales.............................................................. 36
3.3 Modelo de probabilidad lineal (MPL)............................................................................. 37
3.4 Los modelos probabilísticos: probit y logit................................................................... 38
3.5 Bondad de ajuste................................................................................................................. 40
3.6 Estimación e interpretación de los resultados de un modelo probabilístico...... 42
3.6.1 La razón de probabilidades................................................................................... 43
3.6.2 La probabilidad estimada...................................................................................... 44
3.6.3 El efecto impacto.................................................................................................... 45
3.6.4 La elasticidad............................................................................................................ 46
3.7 Probit versus logit................................................................................................................ 47
3.8 Variables instrumentales................................................................................................... 49

4. Variables dependientes limitadas multinomiales .................................................... 53

4.1 Variables dependientes no ordenadas............................................................................ 54
4.1.1 El modelo logit multinomial................................................................................ 56
4.1.2 El modelo logit multinomial condicional......................................................... 58
4.1.3 Comparando y combinando ambos modelos multinomiales...................... 58
4.2 Variables dependientes ordenadas.................................................................................. 59
4.3 Variables dependientes secuenciales............................................................................. 63

5. Variables dependientes limitadas continuas...................................................................... 67

5.1 Variables dependientes con truncamiento no incidental......................................... 67
5.1.1 Variable aleatoria truncada.................................................................................. 68
5.1.2 Truncamiento en el modelo de regresión......................................................... 69
6 | M od elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

5.2 Variables dependientes censuradas................................................................................ 71

5.2.1 Censura en el modelo de regresión.................................................................... 72
5.2.2 Bondad de ajuste y efecto impacto................................................................... 76
5.3 Sesgo de selección o truncamiento incidental............................................................ 77

6. Bibliografía ........................................................................................................................... 87
 Introducción | 7

1. Introducción
Sobre los temas de este libro

Todas las técnicas o estimadores utilizados en el análisis econométrico multivariado apuntan,

de una u otra manera, a aislar el efecto o impacto marginal que tiene determinada variable
(explicativa) sobre otra (explicada). De hecho, es a través de este proceso que validamos
nuestras hipótesis de trabajo, como podrían ser: “la demanda por este producto tiene una
elasticidad precio unitaria”; “el grado de instrucción del padre no afecta el rendimiento escolar
del niño”; “si la madre tiene secundaria completa, es más probable que su parto sea atendido
por un profesional de la salud”.

Para lograr lo anterior, debemos empezar por reconocer que el fenómeno bajo análisis es
complejo (como la mayoría de fenómenos sociales) y que depende de muchas otras variables.
Así, partimos de un marco de trabajo dado por un conjunto de supuestos sobre la manera como
han sido generados los datos asociados a nuestras variables, tanto la(s) que es(son) explicada(s)
como las que hemos elegido para explicarla(s), a partir de algún modelo conceptual o teórico.
Dados estos supuestos, procedemos luego a buscar la técnica de estimación que arroje los
resultados más precisos posibles, y nos preocupamos por identificar el estimador alternativo
más apropiado en caso alguno de estos supuestos no se verifique.

En general, podemos decir que nuestra preocupación respecto a la “precisión” tiene que
ver con la posible distancia que habrá entre el valor numérico estimado y el valor “real” (o
paramétrico) del impacto marginal que tiene la variable de interés sobre el fenómeno analizado.
Esta distancia viene determinada tanto por la dispersión de los posibles valores estimados a
partir de la técnica empleada, como por el valor alrededor del cual estas probables respuestas
se concentran o convergen.
8 | M od elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

El lector familiarizado con el análisis econométrico habrá notado que los pasos y
consideraciones resumidos en los párrafos anteriores corresponden al contenido de un curso
o texto de econometría básica. El marco de trabajo viene dado por los supuestos del modelo
lineal general y, bajo este contexto, el estimador de mínimos cuadrados ordinarios (MCO) es el
preferido, atendiendo tanto a sus propiedades para muestras pequeñas como a aquellas para
muestras grandes. De hecho, estas propiedades tienen que ver con la noción de “precisión”
explicada líneas arriba: la dispersión de las posibles respuestas está relacionada con la varianza
del estimador (se busca que sea la mínima posible – propiedad de eficiencia), mientras que la
posibilidad de que el valor alrededor del cual estas respuestas se concentran o convergen sea
igual al valor paramétrico tiene que ver con las propiedades de insesgamiento o consistencia,
respectivamente.

Desde el punto de vista de los datos, el desarrollo y levantamiento sistemático de encuestas

multipropósito (para la medición de niveles de vida, empleo, estado de salud, etc.) ha permitido
a los investigadores sociales contar con información socioeconómica y demográfica para
una gran cantidad de individuos y hogares, incluso a lo largo del tiempo. Esto ha facilitado
la posibilidad de explicar y representar una gama más amplia de fenómenos, y constituye
una ventaja en la medida en que aumenta la probabilidad de contar con variables de control
apropiadas para el análisis. El afán por medir el efecto de una variable sobre otra, “dejando
todas las demás constantes”, sigue vigente, y disponer de variables de control es lo primero
que necesitamos para garantizarlo.

El hecho de enfrentar una gama más amplia de fenómenos sociales por explicar se ha
traducido, también, en la necesidad de introducir supuestos distintos a los del modelo lineal
general en el momento de caracterizar los datos. Esto en muchos casos implica utilizar técnicas
econométricas alternativas al estimador MCO. Varios de estos nuevos supuestos y técnicas son
el tema central de este libro que, en particular, tiene que ver con la modelación de variables
dependientes limitadas y el trabajo con datos de panel.

El primer grupo hace referencia a las técnicas necesarias para trabajar con variables
dependientes cuyo rango de posibles valores está acotado, ya sea por la naturaleza misma
del indicador o por el tipo de muestra utilizado. Al mencionar la naturaleza del indicador nos
referimos al caso de variables dependientes discretas, donde la principal extensión respecto
al modelo lineal general radica en que la media condicional de la variable que se busca
modelar ya no es una función lineal de los parámetros. En la medida en que las variables que
pertenecen a este grupo indican el resultado directo de un proceso de toma de decisiones por
parte de agentes individuales (por ejemplo, participar o no en el mercado laboral; inscribirse
en la instrucción superior; trabajar o quedarse en casa), estos modelos son típicamente
 Introducción | 9

empleados para evaluar el rol de los incentivos y posibles restricciones que enfrentan los
agentes en el momento de tomar dichas decisiones (retornos esperados, acceso al crédito,
oferta de servicios públicos, entre otros). La no linealidad del modelo, por su parte, se debe a
que este explica la probabilidad de que un agente determinado elija alguna de las categorías
u opciones analizadas. ¿Cómo hacer para modelar una probabilidad e interpretar el efecto de
distintas variables sobre la misma? Los acápites de variable dependiente discreta de este libro
responderán esta pregunta.

Cuando hablamos del tipo de muestra utilizado, por otro lado, nos referimos a aquellos casos
en los que el rango de posibles valores de la variable dependiente se encuentra truncado o
censurado. El caso más emblemático tiene que ver con el fenómeno de sesgo de selección,
y se refiere a aquellas situaciones en las que los atributos que determinan la pertenencia a
la muestra afectan también al resultado que se busca explicar o modelar. En este caso, la
extensión respecto al enfoque clásico del modelo lineal general tiene más que ver con nuestra
preocupación por “dejar todo lo demás constante” en el momento de cuantificar los efectos
que nos interesan. Imaginemos que se quiere evaluar el resultado de determinado tratamiento
médico no convencional y se utiliza una muestra de pacientes en un hospital caracterizado
por la aplicación de métodos no convencionales. El hecho de pertenecer a la muestra utilizada
(estar en el hospital en cuestión) responde a un atributo (la confianza en los métodos no
convencionales) que puede terminar afectando lo que se desea medir (la mejoría o sensación
de bienestar de los pacientes). ¿Cómo saber entonces qué parte del efecto tiene que ver con
el tratamiento y cuál con el hecho de estar trabajando con un grupo que confía (más que el
promedio) en estos métodos? El acápite de truncamiento, censura y sesgo de selección de este
libro mostrará al lector cómo lidiar con situaciones como esta.

El segundo grupo de técnicas se relaciona con el manejo de información que varía tanto a
través del espacio como a lo largo del tiempo o, para ser más precisos, con información para
un mismo conjunto de unidades a lo largo de más de un período. Esto es lo que en la literatura
se conoce como un “modelo de datos de panel” o de “datos longitudinales”. Desde un punto de
vista práctico, la principal ventaja de una base de datos con estas características se relaciona,
una vez más, con nuestra preocupación por “dejar todo lo demás constante”.

Respecto al modelo lineal general, el hecho de contar con información para una misma
unidad de análisis, a lo largo de un período de tiempo, permite asumir una estructura de error
más compleja, que destaque de manera explícita la presencia de características no observables
atribuibles a cada unidad de análisis. Este punto está estrechamente vinculado con los problemas
de endogeneidad (o de regresores estocásticos) que típicamente acompañan cualquier esfuerzo
de modelación econométrica que no sea puramente experimental. Si recordamos que estos
10 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

no observables son los que típicamente causan los problemas de endogeneidad de nuestros
regresores, la posibilidad de reconocerlos y controlar por su presencia es, sin duda, beneficioso
en términos de la “precisión” (consistencia) de nuestros estimados.

Imaginemos que se desea evaluar en qué medida la presencia de cámaras de seguridad en

las tiendas por departamentos desalientan el robo. Para esto, podríamos comenzar por tener
una muestra de locales, algunos con el sistema de cámaras instalado y otros no. Cualquier
investigador mediadamente atento notará que una simple comparación entre la incidencia de
robo promedio en ambos grupos de tiendas muy probablemente esté sujeta a sesgos (a no ser
que la instalación de cámaras se haya hecho de manera aleatoria): muchos otros elementos
(además de la presencia de cámaras) pueden diferir sistemáticamente entre ambos grupos y
terminar afectando la incidencia de robos. La primera extensión en la que podemos pensar
es buscar e introducir controles y hacer nuestro mejor esfuerzo por “dejar todo lo demás
constante”.

Un investigador algo más escrupuloso dudará siempre sobre si efectivamente hemos podido
dejar “todo” constante, y no vacilará en atribuir al error del modelo los efectos de alguna
variable que no es posible capturar y que sí afecta la incidencia del robo. Si, de acuerdo con
la lógica de un modelo de datos de panel, suponemos que este efecto es particular a cada
tienda por departamento y no registra variaciones significativas a lo largo del tiempo (como la
motivación del personal de seguridad), la posibilidad de observar la evolución de la incidencia
de robos en cada una de ellas (antes y después de la instalación de las cámaras) puede darnos
la solución. Una manera de controlar por esta heterogeneidad no observable es comparando
el diferencial de robos antes y después de instalado el sistema de seguridad entre las tiendas
donde fue instalado y aquellas donde no. Es decir, en lugar de comparar los robos en las tiendas
con cámaras frente a las tiendas sin cámaras (donde subsisten los efectos no observables),
comparamos la evolución de estos robos. Si al lector le interesa conocer qué técnicas se puede
aplicar para garantizar esto en el contexto de un modelo lineal, lo invitamos a revisar nuestro
capítulo de datos de panel.

Sobre el enfoque de este libro

Este libro trata sobre los temas, técnicas e interrogantes discutidos en los párrafos anteriores,
desde un punto de vista dual. Por un lado, se ha realizado un breve desarrollo teórico para cada
tópico. Su objetivo es formalizar el modelo estadístico asociado a cada tema, las propiedades
más importantes de los estimadores y la manera como se utilizan sus resultados para hallar
los efectos marginales de las variables de interés. Conocer las principales características del
 Introducción | 11

modelo estadístico teórico es fundamental para elegir adecuadamente la técnica por emplear,
mientras que estar familiarizado con el cálculo de los efectos marginales es crucial para una
adecuada interpretación de los resultados obtenidos.

El otro lado está escrito desde un enfoque práctico y tiene que ver con el desarrollo de
casos aplicados con información e interrogantes reales. En cada uno de ellos, el lector podrá
encontrar dos elementos: (i) una guía sobre cómo aplicar las técnicas discutidas en el entorno
del paquete estadístico Stata y (ii) un ejemplo de cómo interpretar, presentar y discutir sus
resultados a la luz de un objetivo de investigación y una hipótesis de trabajo.

El primer elemento es fundamental en cualquier texto aplicado, y para desarrollarlo se

presentan de manera secuencial todos los comandos involucrados en la estimación y diagnóstico
de los modelos; al final de cada caso, el lector cuenta con una secuencia de comandos ejecutable
(o do-file si usamos el lenguaje propio del Stata). El segundo elemento es no menos importante
y buscar evitar que “la técnica se separe de la historia”.

Como investigadores, es necesario recordar que la técnica tiene valor en la medida en

que nos permita interactuar de manera educada con los datos, para contrastar determinada
hipótesis. Esta hipótesis, a su vez, proviene de un desarrollo conceptual o teórico. Esto último
es la “historia” y no se la debe perder de vista en el momento de elegir el tipo de datos y la
técnica por emplear. Para ello, cada caso parte de un objetivo de investigación y una (o varias)
hipótesis de trabajo, se discute brevemente por qué la técnica por utilizar es la más apropiada,
se adelanta qué esperar en términos de los valores estimados (se traduce la hipótesis de
trabajo en términos del proceso de inferencia asociado al modelo) y se discuten los resultados
obtenidos a la luz de los objetivos planteados.

Por todo lo anterior, pensamos que este libro puede tener diferentes tipos de lector. Uno
de ellos será aquel que, medianamente familiarizado con las técnicas econométricas que se
presentan, quiera analizar qué tipo de preguntas se responden mejor con cada una, o confirmar
si alguna de las técnicas aquí discutidas se ajusta a la pregunta que busca responder, para
pasar directamente a plantear su modelo, traducir las hipótesis de trabajo en hipótesis sobre
los coeficientes de las variables explicativas y, finalmente, interpretar adecuadamente los
resultados obtenidos luego de la estimación. Para este lector, sugerimos revisar directamente
los casos prácticos y solo voltear a las secciones teóricas cuando enfrente alguna duda de
esa naturaleza.

Si se tratara de un lector que trae consigo inquietudes específicas de investigación pero

que tiene un conocimiento muy limitado de las técnicas que es posible aplicar a información
12 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

observada de manera transversal o longitudinal, se le sugiere pasar previamente por la revisión

de la parte teórica. Al hacerlo, deberá decidir si prefiere concentrarse solamente en la discusión
más intuitiva de cada tema o si busca profundizar en la presentación analítica – matemática
que se incorpora en la mayoría de los tópicos que se desarrollan. Esta presentación más rigurosa
garantiza que la sección teórica pueda también servir como guía para un curso de Econometría
avanzada de nivel de pregrado.

Por último, y sea cual fuere el lado por el que se desee empezar a leer, se asume que el lector
maneja medianamente bien los conceptos básicos de la Econometría, al nivel de los que se
proponen en textos como los de Gujarati (2007) o Novales (1997).

Antes de terminar (o comenzar), queremos agradecer a Pedro Casavilca, por su apoyo con las
versiones preliminares de los casos; a Fernando Mendo, por ayudarnos a concluir con éxito este
proyecto; y a nuestros alumnos, por hacernos las preguntas apropiadas para guiar el énfasis
en los temas que se presentan en este libro.
 Modelos de datos de panel: el modelo estático lineal | 13

2. Modelos de datos de panel: el modelo estático lineal

2.1 ¿Por qué puede ser útil trabajar con un panel de datos?

Supongamos que se dispone de información de corte transversal para un conjunto de N

individuos. ¿Qué ganaríamos si, además, disponemos de información sobre cada uno para
distintos períodos? Lo primero que logramos es expandir el tamaño de nuestra base de datos, y,
con esto, dispondremos de más grados de libertad. Además, el hecho de contar con información
referida a varios individuos contribuye a reducir la colinealidad que es usual encontrar en
un modelo de series de tiempo. Todo esto contribuye a incrementar la precisión de nuestros
estimados; es decir, a reducir su varianza.

Ahora bien, si además explotamos el hecho de que estamos observando cómo cambia el
comportamiento de cada individuo a lo largo del tiempo, estaremos en capacidad de construir
y validar hipótesis más complejas. Al respecto, recordemos que en el análisis de regresión
nuestros esfuerzos por aislar el efecto de determinada variable sobre otra dependen, a fin de
cuentas, de cómo estas covarían a lo largo de la muestra considerada. Si disponemos de una
muestra de corte transversal y queremos medir el impacto de determinada característica, lo que
haremos es comparar la respuesta de un individuo que tiene la característica con la respuesta
de otro que no la tiene. Si la muestra es de series de tiempo, lo que haremos es comparar la
respuesta de un mismo individuo antes y después de exhibir la característica.

Puesta de esta manera, nuestra técnica puede ser duramente criticada: muchos otros
elementos que influyen sobre la respuesta pueden ser distintos entre un agente y otro, o
haber cambiado a lo largo del tiempo y nosotros, erróneamente, se los estamos atribuyendo
a la variable de interés. La ausencia de experimentación controlada está conspirando contra
14 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

la posibilidad de aislar los efectos de la variable de interés. Frente a esto, y armados con
nuestras regresiones particionadas, podríamos defendernos respondiendo que para eso están los
controles y que por eso hay un conjunto amplio de determinantes incluidos en nuestra regresión.
Sabemos, no obstante, que difícilmente podremos dar cuenta de todos los determinantes y
que, sobre todo cuando hablamos del comportamiento de agentes individuales, el riesgo de
que el fenómeno bajo análisis dependa de variables no observables es alto.

¿Qué podemos hacer frente a esto si disponemos de una base de datos de panel? En lugar de
preguntar si determinado agente está mejor que su vecino o mejor que ayer, lo que podemos
hacer es preguntar qué tan distinta es la mejoría experimentada por el agente respecto a
la mejoría experimentada por su vecino. Es decir, en lugar de evaluar: yi — yj (corte transversal) o
yt — ys (serie de tiempo), el panel nos permite comparar (yit — yis) - (yjt — yjs) o, más específicamente,
(yit — yi.) — (yjt — yj.). En la expresión anterior, yi e yj se refieren a los promedios de la variable
dependiente tomados sobre las T observaciones de tiempo para el i-ésimo y j-ésimo agente,
respectivamente (mucho más sobre esto en la próxima sección). Esta suerte de “diferencia en
diferencia” solo es posible si tenemos datos que varían tanto a través del espacio como a lo largo
del tiempo y nos permitiría, en principio, limpiar aquellos efectos que influyen sobre el fenómeno
bajo análisis y no tienen que ver con la característica que se busca evaluar.

Asociado a esto y a la presencia de no observables, sabemos que la omisión de una variable

relevante conlleva la obtención de estimadores sesgados. Para muestras grandes esto no
debería preocuparnos mucho, excepto cuando esta omisión conlleva también un problema de
no consistencia en nuestro estimador. De hecho, y antes de preocuparnos por la estructura
de varianzas-covarianzas del error (tema que muchas veces ocupa demasiadas páginas en
los libros de Econometría), deberíamos siempre dedicar varios minutos a reflexionar sobre la
posible presencia de un regresor estocástico. Y por “regresor estocástico” no nos referimos
(solamente) a aquellos que se determinan de manera simultánea con la variable dependiente
(como en un sistema de ecuaciones). De hecho, nos referimos a otra “clase” mucho más
“peligrosa”, en el sentido de que su naturaleza no está explícita: nos referimos a aquellos
regresores correlacionados contemporáneamente con el término de error a través de la relación
que guardan con las variables no observables omitidas.

Como se dijo, la omisión de una variable puede conducir a la obtención de estimadores no

consistentes y esto se debe, precisamente, a que este no observable omitido está usualmente
correlacionado de manera contemporánea con los regresores incluidos en el modelo. De ahí
la correlación contemporánea entre el regresor y el término de error, lo que, como sabemos,
evita que el estimador minimocuadrático converja (en probabilidad) al verdadero parámetro.
Ante la sospecha de que estamos frente a una situación como esta, el camino “clásico” pasa
 Modelos de datos de panel: el modelo estático lineal | 15

por la búsqueda de variables instrumentales y la construcción del estimador respectivo, con

el consabido costo en términos de pérdida de información y precisión. Una base de datos con
estructura de panel, sin embargo, nos ofrece un camino alternativo que implica, precisamente,
trabajar con los desvíos presentados líneas arriba. Si bien esto será discutido formalmente en las
secciones siguientes, no es difícil darse cuenta de que al trabajar con un desvío como (yit — yi•)
se le está removiendo a cada observación del i-ésimo agente cualquier efecto no observable
que se mantenga constante en el tiempo; es decir, cualquier característica especial que este
agente tiene y que no es posible capturar a partir del conjunto de regresores propuesto.

Como se dijo, esto último quedará más claro en el momento de explorar formalmente
el marco de trabajo propuesto (sección 2.4). Por ahora, basta con estar convencidos de la
importancia de contar con el análisis de datos de panel como una herramienta de estimación
e inferencia más precisa. Al tener observaciones que varían tanto a lo largo del tiempo como
a través del espacio, es posible evaluar diferencias entre las diferencias de comportamiento,
lo que permite “limpiar” las observaciones de efectos difíciles de capturar que, de otro modo,
hubiesen resultado en estimados inexactos incluso en muestras grandes.

Cuando hablamos de datos de panel nos referimos a un conjunto de observaciones que varían
tanto a través del espacio como a lo largo del tiempo. Por lo mismo, en adelante denotaremos
como yit a la observación para la variable dependiente que corresponde al i-ésimo individuo
en el t-ésimo momento del tiempo, y como xit al vector que contiene las observaciones para
las k variables explicativas asociadas a este mismo individuo en el momento t.

Sin perder generalidad, podemos suponer que nuestra base de datos contiene información
sobre un total de N individuos y que, para cada uno, se cuenta con Ti observaciones a lo largo
del tiempo. Si bien en la práctica es fácil trabajar con este tipo de estructuras no balanceadas,
corremos el riesgo de complicar innecesariamente el álgebra matricial requerida para la
discusión teórica. Por lo mismo, en lo que sigue asumiremos que Ti = T ∀i; es decir, que
estamos trabajando con un panel balanceado.

El resto del capítulo está organizado como sigue. Luego de esta breve discusión sobre las
ventajas de trabajar con un panel de datos, en la sección 2.2 se presenta formalmente la
manera como es ordenada la información, así como el álgebra matricial asociada a los distintos
estimadores. En las secciones 2.3, 2.4 y 2.5, en tanto, se presenta el marco de trabajo general
y se discuten los estimadores alternativos y sus principales propiedades a la luz de este marco
general. La sección 2.6, por último, presenta las pruebas disponibles para verificar los supuestos
de nuestro marco de trabajo, con el propósito de que sea posible elegir determinada técnica
de estimación.
16 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

2.2 El modelo de regresión con interceptos múltiples

El objetivo de esta sección es familiarizar al lector con la estructura de la base de datos

así como con el álgebra matricial asociada a la construcción de los distintos estimadores.
Como se verá, la discusión aquí propuesta es una generalización del álgebra de mínimos
cuadrados ordinarios aplicada a un contexto en el que se dispone de información que varía
tanto a través del espacio como a lo largo del tiempo.

Al respecto, y tal como el título de este acápite lo sugiere, la generalización que aquí
discutiremos se refiere al rol del intercepto. Si disponemos de información que varía solo en
una dimensión (y en ausencia de quiebre estructural), solo tiene sentido “desviar” o “controlar”
con respecto a un promedio: aquel tomado usando toda la información disponible, ya sea a
lo largo del tiempo o a través del espacio. Conviene recordar que estos desvíos respecto a la
media son provistos, precisamente, por el intercepto1. Así, es fácil darnos cuenta de qué está
detrás de la recomendación general de incluir siempre un intercepto en el modelo: recomendar
la inclusión de un intercepto equivale a remover la influencia de la media muestral sobre
el fenómeno bajo análisis. Dicho de otra forma, en un modelo con intercepto la pendiente
(o “beta”) asociada al i-ésimo regresor nos indicará cuánto cambia la variable dependiente
respecto a su valor medio por cada unidad que el regresor se desvíe con respecto a su valor
medio.

En el contexto de un panel de datos, la información presenta variabilidad en ambas

dimensiones. Por lo mismo, será necesario decidir con respecto a qué media controlar: (i) la
media de todas las observaciones; (ii) la media (tomada a lo largo del tiempo) de cada uno de
los N agentes; o (iii) la media (tomada a través del espacio) de cada uno de T momentos del
tiempo. En lo que sigue, se discute esto formalmente sin perder de vista una interpretación
intuitiva basada en el rol que tiene el intercepto.

Empecemos especificando un modelo lineal de la forma:

yit = xit ‘βit + uit
i = 1, ..., N; t = 1,..., T (1.)

Donde βit mide el efecto marginal de xit (es decir, el efecto marginal de las variables x en el
momento t para la i-ésima unidad). Este modelo es demasiado general y es necesario imponer

1
El lector recordará la clásica demostración donde se verifica que las pendientes en un modelo con intercepto son
idénticas a las que se obtendrían si antes desviamos (o restamos) cada dato de su media o promedio muestral. De
hecho, este es un caso particular del resultado de una regresión particionada.
 Modelos de datos de panel: el modelo estático lineal | 17

cierta estructura en los coeficientes; es decir, es necesario suponer que los agentes en cuestión
responden a un patrón de comportamiento generalizable a lo largo del tiempo y/o a través
del espacio. El supuesto estándar es que βit es constante para todo i y t, lo que deja abierta la
posibilidad de que haya un intercepto distinto para cada agente (ai). De acuerdo con nuestra
discusión introductoria, esto último implica dejar abierta la posibilidad de que cada agente
tenga un “comportamiento promedio” distinto respecto del cual conviene controlar.

Atendiendo a lo anterior, reespecifiquemos nuestro modelo de la siguiente manera:

yit = ai + xit’ b + uit (2.)

En su conjunto, la información está ordenada de tal forma que las primeras T observaciones
corresponden al agente 1; las siguientes T, al agente 2; y así sucesivamente hasta el N-ésimo
agente. Formalmente:

y11 1 0 0 x11 ' u11

y12 1 0 0 x12 ' u12
...

...
...

...

...

...
y1T 1 0 0 x1T ' u1T

y( NTx 1) = y21 ; D ( NTxN ) 0 1 ... 0 ;X ( NTxk ) = x21 ' ; u ( NTx 1) u21 (3.)
...

...
...

...

...

y2T 0 1 0 x2T ' ...

u2T
...

...
...

...

...

...

YNT 0 0 1 xNT ' u NT

De la expresión anterior, es la matriz D la que nos permitirá acomodar la presencia de hasta

N interceptos distintos. Nótese que esta matriz puede expresarse como: D = IN ⊗iT ; donde IN
es una matriz identidad de N x N, mientras que iT se refiere a un vector unitario de Tx1.

Con esto, podemos expresar el modelo en términos matriciales de la siguiente forma:

y = Dα + Xβ + u (4.)

Donde α y β son los vectores que contienen los N interceptos y k pendientes,

respectivamente.
18 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

Para hallar las expresiones asociadas al estimador minimocuadrático de estos interceptos

y pendientes, basta con recordar lo que sabemos sobre el rol del intercepto y el modelo en
desviaciones: desviemos cada observación respecto de la media de cada agente tomada sobre
el tiempo, construyamos el estimador minimocuadrático de las pendientes y utilicemos este
último para hallar los N interceptos. Para el i-ésimo agente, la media tomada sobre el tiempo
T
de la variable dependiente viene dada por (1/T ) Σ yit . Lo mismo aplica para el término de error
t=1

y las variables explicativas. Denotemos estas medias como yi , ui , xi , respectivamente. Así, el modelo
• • •

en desviaciones y los respectivos estimadores pueden expresarse de la siguiente manera:

yit = α i + xit ' β + uit

yi = αi + xi ' β + ui
• •

yit − y i = ( xit − xi ) ' β +uit −ui

• • (5.)
−1
 
βˆ Within =  ∑ ( xit − xi ⋅ )( xit − xi ⋅ ) ' ∑ ( xit − xi ⋅ )( yit − yi ⋅ )
 it  it
• • • •

αˆ i ,Within = yi ⋅ − xi ⋅ ' βˆ Within

• •

Nótese que hemos llamado Within a este estimador minimocuadrático de un modelo desviado
respecto a la media de cada agente. El término Within (o “intra”, en castellano) responde,
precisamente, a que estamos explotando la variabilidad intraagente. Estamos interesados
en estimar cuánto cambia el comportamiento del agente respecto de su comportamiento
promedio, cuando alguno de los factores que lo explican (xit’) se desvía (en una unidad) respecto
de lo que en promedio le ocurre al agente en cuestión. Al hacerlo, estamos reconociendo que
cada agente puede registrar un comportamiento promedio distinto al del resto.

Pensemos ahora en términos de todas las observaciones y en la transformación matricial

requerida para desviar cada dato correspondiente al i-ésimo agente de su respectiva media. Para
esto, empecemos por darnos cuenta de que es necesario calcular N promedios, y que un arreglo
matricial como el siguiente es capaz de devolvernos los N promedios que necesitamos.

1 � 1 y1i
� � 0 y1i
1 1 �
1
P= � , tal que, por ejemplo: P( NTxNT ) y (NTx 1) = y 2 i (6.)
T
0 1 � 1 y2 i
� � �
1 1 yN i
 Modelos de datos de panel: el modelo estático lineal | 19

La matriz P puede se expresada de manera mucho más compacta, y basta con restarla de
la matriz identidad para encontrar la transformación que desvía cada dato de su respectiva
media. Denotemos esta matriz como Q .

1
P= [I N ⊗iT iT ' ] (7.)
T
Q = INT - P

Este par de matrices jugará un papel muy importante en el momento de construir los
estimadores alternativos que veremos más adelante. Por lo pronto, basta con identificarlos
como proyectores o, como algunos autores prefieren llamarlos —Greene (2003)—, “hacedor
de estimados” (o “hacedor de medias”) y “hacedor de residuos” (o “hacedor de desviaciones”),
respectivamente. Como ocurre con todos los proyectores minimocuadráticos, el lector puede
verificar rápidamente que estas dos matrices son simétricas e idempotentes.

Con esto, es posible expresar (5.) de manera más compacta como:

y = Dα + Xβ + u
= (IN ⊗iT) α + X β + u
Qy = Q(IN ⊗iT) α + QX β + Qu (8.)
= QXβ + Qu
βˆ Within = (X’ Q’ QX)-1 X’ Q’ Qy
= (X’ QX)-1 X’ Qy

Ahora bien, si recordamos el resultado asociado al modelo en desviaciones (véase la nota 1),
notaremos que el resultado anterior debería ser equivalente al que obtendríamos si incluimos
un intercepto distinto para cada agente. Formalmente2:

y = D α + X β +u
ˆ
β = (X’MD X)-1X ’ MD y (9.)
Within

MD = INT - D(D’D)-1D’

Las expresiones dadas en (8.) y (9.) no implican que se tenga dos maneras distintas de expresar
bˆ Within sino, más bien, implican que MD = Q. Esta igualdad (que el lector puede verificar fácilmente

2
Esta expresión muestra de manera explícita cómo este acápite es una aplicación del resultado de regresión
particionada. Si partimos de un modelo general y = Xb + m y particionamos la matriz X en dos subconjuntos de
regresores de la forma X = [X1 X2] , es posible demostrar que las pendientes estimadas del segundo grupo de regresores
vienen dadas por: bˆ2,MICO = (X2’ M1X2)-1 X2’ M1y, donde M1 = I – X1 (X1 X1)-1 X1’ .
20 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

trabajando con las propiedades del producto Kronecker) equivale a nuestra generalización del
resultado del modelo en desviaciones: estimar una regresión por mínimos cuadrados ordinarios
con un intercepto distinto para cada agente (resultado dado en [9.]), equivale a estimar una
regresión con observaciones desviadas respecto del valor medio correspondiente al agente en
cuestión (resultado dado en [8.]).

Hasta ahora, nuestra discusión se ha centrado en la segunda de las tres opciones presentadas
al inicio del acápite cuando nos referíamos a que en un panel de datos hay tres medias distintas
que pueden servir como controles. ¿Es posible realizar un análisis similar trabajando con la
media (tomada a través del espacio) de cada uno de los T momentos del tiempo? ¿Respecto de
qué estaremos controlando en este caso? Empecemos a responder estas preguntas planteando
la posibilidad de que exista un intercepto distinto para cada momento del tiempo. Definamos,
para esto, como y t a la media tomada sobre el espacio de la variable dependiente del t-ésimo
•

N
momento: y⋅t = (1/ N ) ∑ yit .
i =1

yit = γ t + x it ' β + u it
y⋅t = γ t + x⋅ t ' β + u⋅ t
yit − y⋅t = ( x it − x⋅ t ) ' β + u it − u⋅ t (10.)
−1
 
βˆ Within =  ∑ ( xit − x⋅t )( xit − x⋅ t ) ' ∑ (x it − x⋅ t )( y it − y⋅ t)
 it  it

γˆ t,Within = y⋅t − x⋅ t ' βˆ

Nótese que también hemos llamado Within a este estimador. De hecho, le corresponde el
término “intra”, solo que esta vez lo que buscamos es explotar la variabilidad intratemporal.
Nuestro interés recae en conocer cuánto cambia el comportamiento del agente respecto del
comportamiento promedio del grupo, cuando alguno de los factores que lo explican (xit’)
experimenta un desvío (de una unidad) respecto del valor medio del grupo. Al hacerlo, estamos
reconociendo que en cada momento del tiempo el grupo puede registrar un promedio distinto.

En suma, los múltiples interceptos por agente nos permiten capturar qué tan distinta es la
respuesta de un agente respecto de su respuesta promedio, y comparar esto entre agentes
para un mismo momento del tiempo. Los múltiples interceptos de tiempo, por su parte, nos
permiten capturar qué tan distinta es la respuesta de un agente respecto de la respuesta
promedio del grupo, y comparar esto entre momentos del tiempo para un mismo agente. En
ambos casos se trata de una comparación de diferencias; de ahí la “doble diferencia” a la que
se hace referencia en el acápite introductorio.
 Modelos de datos de panel: el modelo estático lineal | 21

La generalización de (10.) requiere introducir matrices de interceptos y desvíos distintas, a

∼ ∼
las que llamaremos D y Q, respectivamente. Formalmente:

D� = i N ⊗ I T
1
Q� = I NT − [iN iN '⊗ IT ]
N
y = D� γ + X β +u (11.)
� = QD
Qy � � γ + QX
� β + Qu
�
= QX� β +Qu �

βˆ Within = ( X ' QX
� ) −1 X 'Qy
�

Ahora solo nos queda una de las opciones pendiente: la media de todas las observaciones.
Como se verá a continuación, es necesario introducir esta media “total” si es que se desea
trabajar con interceptos distintos para agente y tiempo, simultáneamente. Partamos de una
especificación general:

yit = ai + gt + xit ‘ b + mit (12.)

Y démonos cuenta de que al remover (o desviar respecto de) las medias por agente y tiempo,
todavía están presentes los valores promedio de estos interceptos. Formalmente:

yi ⋅ = αi + (1/ T ) ∑ γ t +x i ⋅ ' β +u i ⋅
t

y⋅t = (1/ N )∑ α i + γ t + x⋅ t ' β +u ⋅ t (13.)

i

yit − y i ⋅ − y ⋅t = ( x it − x i⋅ − x⋅t ) ' β + u it − u i⋅ − u ⋅ t − γ − α

1 1
Donde: γ = (1/ T ) ∑ γ t = ∑ γ t , y α = (1/ N ) ∑ α i = ∑ α i . Esto último implica
t NT it i NT it
que es posible eliminar estos términos constantes (para proceder con la estimación de las
pendientes) si sumamos el promedio total a la expresión dada en (13.). Este promedio total
1
viene dado por y = ∑ yit . Específicamente:
NT it

y = α + γ + x' β + u (14.)

Por lo que:
22 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

yit − y i⋅ − y ⋅t + y = (x it − x i⋅ − x ⋅t + x ) ' β + u it − u i⋅ − u ⋅ t + u (15.)

Al regresionar yit − y i ⋅ − y ⋅t + y sobre ( xit − xi ⋅ − x⋅t + x ) obtenemos bˆ Within y, con esto, es posible
hallar los estimadores de los efectos individuales y temporales:

αˆ i = (yi⋅ - y )- βˆ Within (xi⋅ – x )

(16.)
γˆi = (yt⋅ - y )- βˆ Within (xt⋅ – x )

Por último, el lector puede verificar que la transformación asociada pasa por premultiplicar
el modelo por la matriz Q�� , la cual viene dada por:

Q� = INT - 1 [IN ⊗iTiT’]- 1 [iN iN’ ⊗iT] + 1 J

(17.)
T NNT

Donde J es una matriz unitaria de (NT x NT).

2.3 ¿Efectos fijos o efectos aleatorios?

De la discusión anterior puede desprenderse que nuestro interés recae en la estimación de N

o T (o incluso NT) interceptos distintos. Esto implicaría suponer que ai (o gt ) son un conjunto
(grande) de parámetros desconocidos. Pero ¿tiene esto sentido si el conjunto es demasiado
grande? Concentrémonos en ai y pensemos en un panel de datos con un número bastante
grande de observaciones de corte transversal (N), como en el caso de un panel construido con
encuestas de hogares. ¿Tiene sentido hablar de N interceptos distintos por estimar? Dada la
marcada heterogeneidad a través del espacio, de hecho tiene más sentido suponer que los
distintos valores de ai son (al igual que la información contenida en xit) la realización de un
proceso estocástico subyacente.

La distinción anterior es la que ha motivado que, en algunos casos, se plantee una aparente
dicotomía entre un “modelo de efectos fijos” y un “modelo de efectos aleatorios”. En el primero,
se sugiere que los ai son parámetros, mientras que en el segundo se trata a ai como una
variable aleatoria.

Lo anterior, desgraciadamente, puede conducir a una interpretación errónea del rol de ai,
así como de los resultados de algunas de las pruebas que veremos más adelante. Por lo mismo,
aquí no haremos esta distinción y utilizaremos un enfoque más integrador. En particular,
 Modelos de datos de panel: el modelo estático lineal | 23

supondremos que ai recoge efectos no observables, atribuibles al i-ésimo agente y que no

varían en el tiempo. Esto no implica que más adelante no intentaremos saber más sobre la
naturaleza de ai, o que no haremos referencia a los estimadores de efectos fijos y aleatorios.
Nuestro interés sobre la naturaleza de ai, no obstante, se centrará en determinar si está o no
correlacionado con las variables explicativas del modelo. Nuestra distinción entre “efectos
fijos y “efectos aleatorios”, por su parte, se referirá a la técnica de estimación por emplear y
no a la naturaleza de ai.

No es difícil suponer que en el momento de modelar las decisiones individuales de un grupo

amplio de agentes, las respuestas dependan de un conjunto también amplio de factores,
muchos de ellos no observables3. En un modelo de corte transversal no queda más que dejar
que esta heterogeneidad no observable sea capturada por el error, y confiar en que no esté
correlacionada contemporáneamente con alguno de los regresores incluidos4. El panel, sin
embargo, ofrece una alternativa distinta, ya que hace posible controlar por esta fuente de
heterogeneidad no observable.

En lo que sigue, formalizaremos nuestros supuestos sobre la naturaleza de la data partiendo

de que ai recoge esta heterogeneidad que no es observable pero que, sin duda, afecta las
decisiones de los agentes bajo análisis.

2.4 Nuestro marco de análisis y los estimadores alternativos

En las páginas que siguen empezaremos planteando un conjunto de supuestos sobre el

proceso generador de datos, para luego analizar las propiedades de distintos estimadores con
el objetivo de determinar cuál de ellos es el más apropiado. Como siempre, las propiedades que
privilegiaremos serán el insesgamiento y eficiencia, para muestras pequeñas; y la consistencia
para muestras grandes.

De acuerdo con la discusión del acápite anterior, supongamos que la información contenida
en nuestro panel de datos puede representarse de la siguiente manera:

3
Factores como la “habilidad” o la “motivación” son sin duda determinantes de variables como la decisión de
matricularse en la educación superior o del salario por hora, pero difícilmente observables.
4
Tal como se discutió en el acápite introductorio, esta correlación contemporánea llevaría a que el estimador
minimocuadrático deje de exhibir la propiedad de consistencia. Una alternativa para esto es el uso del estimador de
variables instrumentales, con la subsecuente pérdida de información que su uso implica.
24 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

yit = µ + xit ' β + vit

vit = α i + uit (18.)

α i ∼ i.i .d (0, σ α2 )
uit ∼ i.i .d (0, σ u2 )

Es decir, supongamos que el error asociado a la observación del i-ésimo agente en el

t-ésimo momento del tiempo está compuesto de dos partes: un término que no varía a lo
largo del tiempo y recoge la heterogeneidad no observable atribuible al i-ésimo agente (ai,
que distribuye de manera idéntica e independiente con media igual a cero y varianza igual
a sa2), y un término que registra realizaciones distintas tanto a lo largo del tiempo como a
través del espacio (mit, que distribuye de manera idéntica e independiente con media igual a
cero y varianza igual a sm2).

La forma compuesta que hemos supuesto para el error implica que, si bien este es homocedástico,
exhibe correlación serial cuando se trata de un mismo agente. Formalmente:

Var (v it ) = σ α2 + σ u2
(19.)
Cov (v it ,v is ) = σ α2 ∀t ≠ s

También podemos expresar nuestro modelo y la estructura de varianzas-covarianzas del

error en términos matriciales.

y = Wδ + v; W = [iNT X ] , δ' = [µβ'] (20.)

E (vv ') = Ω = σu2 I NT + σ α2 ( I N ⊗ iT iT ') = σ u2 I NT + σ α2 TP

Donde la matriz P corresponde al proyector definido en la ecuación (7.). Claramente, el error

exhibe una matriz de varianzas-covarianzas no escalar producto de la autocorrelación causada
por el término común ai en diferentes momentos del tiempo.

Estimador de mínimos cuadrados ordinarios

En términos generales, la estimación minimocuadrática del intercepto y pendientes viene

dada por:

dˆ MICO = (W ’W)-1W ’ y (21.)

Lo que, en términos algo más específicos, equivale a:

 Modelos de datos de panel: el modelo estático lineal | 25

−1
 
βˆ MICO =  ∑ (xit − x )(xit − x ) ' ∑ (x it − x )(y it − y ) (22.)
 it  it
µˆ MICO = y − x ' βˆ MICO

Este estimador es insesgado (siempre y cuando se cumpla que E (v/X) = 0), pero no es eficiente
dada la presencia de correlación serial entre los errores.

Estimador Within

Este estimador ya fue presentado en el acápite anterior y, como sabemos, implica transformar
el modelo premultiplicándolo por el proyector Q. A diferencia de lo indicado en (8.), aquí
estamos asumiendo que solo existe un intercepto común (m) por estimar y que el término
ai corresponde al error. Nótese que, en términos prácticos, no existe ninguna diferencia en
la expresión asociada a la estimación de las pendientes. Como ya es usual, expresamos el
estimador tanto en términos matriciales:

dˆ Within = (W ’QW)-1W ’ Qy (23.)

como en términos de las unidades de observación en cada momento del tiempo y espacio:

yit = µ + xit ' β + α i + uit

yit − y i⋅ = ( xit − xi ⋅ ) ' β + uit − ui ⋅ (24.)
−1
 
βˆ Within =  ∑ ( xit − xi ⋅ )( xit − xi ⋅ ) ' ∑ ( xit − xi ⋅ )( yit − yi ⋅ )
 it  it
1 N
µˆ Within = y − x ' βˆ Within = ∑ ( yi ⋅ − xi ⋅ ' βˆWithin )
N i =1

En este punto cabe destacar la forma que adopta el error del modelo transformado. Al
remover de cada observación la media correspondiente al agente en cuestión (haciendo uso
del proyector Q), el nuevo término de error (al que llamaremos v∼it) resulta:

v∼it = vit – vi = mit – mi

• •
(25.)

El nuevo término de error está “libre” de la heterogeneidad no observable asociada al agente.

Este resultado es clave para garantizar una propiedad importante del estimador, tal como será
discutido más adelante. Por lo pronto, démonos cuenta de que este nuevo error tampoco exhibe
una matriz de varianzas-covarianzas escalar debido a la existencia de correlación serial entre
errores correspondientes a un mismo agente. Formalmente:
26 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

Var (v�it ) = E (u it −u i⋅ ) 2  = σu2 − (2 / T )σu2 + (1/ T )σu2

 T − 1 (26.)
= σu2 
 T 
Cov (v�it ,v�is ) = E [(u it −u i ⋅ )(u is − ui ⋅ ) ] = −(2 / T )σu2 + (1/ T )σu2
= −σu2 (1/ T ) ∀t ≠ s

O, de manera más compacta:

� � ') = E (Qvv 'Q ) = Q σu2 I NT + σα2 TP  Q = σu2Q

E (vv (27.)

Al igual que el estimador minimocuadrático, el estimador Within es insesgado. El resultado

dado en (27.) (y, en particular, la existencia de correlación serial en los errores) implica que el
estimador Within no es eficiente, excepto si sm2 = 0 o T tiende a infinito (T → ∞).

Estimador Between

Así como existe un estimador Within que aprovecha la variabilidad intraagentes, es posible
construir un estimador Between que tome en cuenta la variabilidad interagentes. Para esto,
basta con tomar los promedios para cada agente y utilizar esta información como si se tratase
de una base de datos de corte transversal. Como sabemos, estos promedios son tomados por
el proyector P, por lo que:

dˆ Between = (W ‘ PW)-1 W ‘Py (28.)

Lo que equivale a regresionar yi sobre una constante y xi :

• •

yi•⋅ = µ + xi •⋅ ' β + α i + ui •⋅ (29.)

−1
 
βˆ Between =  ∑ ( xi•⋅ − x )( xi •⋅ − x ) ' ∑ (xi •⋅ − x )( yi •⋅ − y )
 i  i

µˆ = y − x 'βˆ
Between Between

Al igual que sus predecesores (y siempre y cuando el error sea independiente en media
de los regresores: E(v / X) = 0), el estimador Between es insesgado. Asimismo, tampoco es
eficiente. De hecho, el término de error del modelo transformado (vit = ai + mi ) también exhibe •

correlación.

1

Var (v it ) = Cov (v it ,v is ) = E (α i + ui ⋅ ) 2  = σ α2 + σ u2 (30.)
T
 Modelos de datos de panel: el modelo estático lineal | 27

O, en términos más compactos:

E (v v ') = E ( Pvv ' P ) = P σ u2I NT + σ α2 TP P = ( σu2 +T σ α2) P (31.)

Estimador de mínimos cuadrados generalizados

Ninguno de los tres estimadores presentados anteriormente es eficiente. Para garantizar

esto, es preciso transformar el modelo de modo que el “nuevo” error exhiba una matriz de
varianzas-covarianzas escalar. Ninguna de las tres transformaciones consideradas hasta ahora
lo consigue5.

Definamos como R a la matriz que transforma al modelo de modo que el nuevo error tenga
una estructura de varianzas-covarianzas escalar. Esto implica que R debe ser tal que:

R ‘ R = c Ω-1 (32.)

Donde c es un escalar positivo. Es posible demostrar que la forma de esta matriz viene dada por:

R = I NT − (1 − θ ) P = Q + θ P (33.)
σ 2
θ= u

σ + T σ α2
2
u

Es decir que la transformación que garantiza un estimador eficiente es aquella que remueve
de cada observación una proporción (1 – q) de su media, donde q es función de las varianzas
de los dos componentes del error. De hecho, no es difícil demostrar que la estructura de
varianzas-covarianzas del error transformado Rv es escalar:

E (Rvv ' R ') = (Q + θP )  σu2 I NT + σα2 TP  ( Q + θP) (34.)

= σ (Q + P )
2
u

= σu2 I
Lo anterior garantiza que el estimador asociado sea eficiente, y, por lo mismo, pertenece a
la clase de estimadores de mínimos cuadrados generalizados (MCG).

5
Es decir, aquellas que usan los proyectores Q y P; y mínimos cuadrados ordinarios, que utiliza la matriz identidad
de manera implícita.
28 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

δˆ MCG = (W ' R ' RW ) −1W 'R 'Ry

(35.)
= (W ' Ω −1W ) −1W ' Ω −1 y

Lo que equivale a regresionar yit – (1 – q) yi sobre una constante y (xit – (1 – q) xi ).

• •

−1
 
βˆ MCG =  ∑ (xit − (1 − θ )xi ⋅ − θx )(xit − (1 − θ )xi⋅ − θ x ) ' ∑ (x it − (1 − θ )xi ⋅ − θ x )( yit − (1 − θ ) yi ⋅ − θ y ) (36.)
 it  it

O, de manera más compacta:

−1
   
βˆ MCG =  X 'QX + θ 2 ∑ (xi ⋅ − x )(xi ⋅ − x ) '  X 'Qy + θ 2 ∑ (xi ⋅ − x )( yi ⋅ − y )  (37.)
 i   i 
µˆ ˆ
= y − x 'β
MCG MCG

La expresión anterior nos sugiere que el estimador bˆ MCG combina la información contenida en
los estimadores bˆ Within y bˆ Between6. No debe extrañarnos, por tanto, que se trate de un estimador
eficiente, en la medida en que explota la variabilidad tanto intra como interagente.

Tan o más interesante es verificar bajo qué condiciones especiales el estimador MCG
coincide con el estimador Within o el minimocuadrático. Para el primer caso, recordemos bajo
qué circunstancias es el estimador Within eficiente: cuando su2 = 0 o T tienda a infinito. En
cualquier caso, desaparecería la correlación serial entre los errores del modelo transformado
con el proyector q . Es fácil verificar que, bajo cualquiera de estas dos situaciones, se cumple
que bˆ MCG = bˆ Within7.

σ u2
θ=
σ u + T σ α2
2
(38.)
θ σ 2 =0;T →∞ = 0
u

R θ =0 = I NT − P =Q

6
De hecho, es posible demostrar que el estimador MCG es un promedio ponderado de los estimadores Within y
−1
 
Between: βˆ MCG = ∆βˆB + ( I − ∆) βˆ W , donde: I − ∆ =  X ' QX + θ 2 ∑ (xi ⋅ − x )( xi ⋅ − x ) '  XX’QX
' QX.
 
Si su = 0 , los efectos no observados son solo específicos del individuo, no hay generales, por lo que basta con
2 i
7

corregir por la presencia de ai para eliminar el problema de autocorrelación que presenta el modelo original.
 Modelos de datos de panel: el modelo estático lineal | 29

Regresemos ahora a la estructura de varianzas-covarianzas del error del modelo original

(dada en (20.)) y notemos que esta matriz sería escalar (garantizando la eficiencia de bˆ MICO) en
caso su2 = 0. También es fácil verificar que, en este caso, se cumple que bˆ MCG = bˆ MICO8.

σ u2
θ=
σ u2 + T σ α2 (39.)
θ σ 2 =0 = 1
α

R θ =1
= I NT

Mínimos cuadrados generalizados factibles

¿Por qué no presentar únicamente al estimador eficiente? ¿Qué utilidad puede tener la
discusión de los estimadores bˆ Within y bˆ Between? La respuesta a esta pregunta tiene dos partes.
En primer lugar, es necesario notar que para construir el proyector R es necesario conocer las
varianzas de los dos componentes del error de nuestro modelo. En la práctica, esto difícilmente
será posible, así que tendremos que utilizar un estimado de dichas varianzas. Es para la
estimación de estas varianzas que los estimadores bˆ Within y bˆ Between nos pueden ser útiles.

En particular, es posible demostrar que la varianza estimada del error del modelo transformado
con el proyector Q (v∼it) es un estimador consistente de su2. Formalmente9:

∑ ( yit − y i⋅ ) − ( xit − xi ⋅ ) ' βˆ Within 

2
p
σˆ v∼2 = it
 → σ u2 (40.)
NT −N −k
Tal como se muestra en la expresión anterior, nuestro estimador consistente de su2 no es
otra cosa que la suma de cuadrados residual de la estimación Within, corregida por el número
apropiado de grados de libertad.

Por otro lado, la varianza estimada del error del modelo transformado con el proyector P
–
(vit ) también nos provee información valiosa. De hecho, es posible demostrar que, conforme
N tienda a infinito, dicha varianza converge en probabilidad a una suma ponderada de su2 y
sa2. Formalmente:

8
Si sa2 = 0, directamente se elimina el problema de autocorrelación del modelo original por lo que MICO es el
estimador eficiente.
9
ˆ v∼2 converge en probabilidad a su2 . Esto significa que conforme el tamaño
La expresión siguiente nos indica que s
de muestra crezca, la probabilidad de que s ˆ v∼2 y su2 difieran por una magnitud no trivial será cero. Para el caso
especial del resultado dado en (40.), esto se cumple ya sea que N y/o T tiendan a infinito.
30 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

∑ ( y i⋅ − y ) − ( xi ⋅ − x ) ' βˆ Between  2

1 2 (41.)
σˆ =
2
v
i

p
→ σˆ α2 + σˆ u
N − K −1 T

Si combinamos los resultados indicados en (40.) y (41.), es posible construir estimados de

su2 y sa2 y, con esto, nuestro estimado de q y del proyector R. Esto configura lo que se conoce
como “estimador de mínimos cuadrados generalizados factibles”. En particular, sˆ v∼2 provee
1
directamente un estimador consistente de su2, mientras que la resta σˆ v2 − σˆ v2� nos provee un
T
estimador consistente de sa2. Formalmente: σˆ v2 − 1 σˆ v2� 
P
→ σα2 .
10

2.5 A manera de balance

En la sección anterior hemos presentado el modelo:

yit = µ + xit ' β + vit

vit = α i + uit (42.)
α i ∼ i.i .d (0, σ α2 )
uit ∼ i.i .d (0, σ u2 )
Y cuatro estimadores alternativos: mínimos cuadrados ordinarios, el estimador Within, el
estimador Between y el estimador de mínimos cuadrados generalizados (factibles). Los tres
primeros son insesgados pero no son eficientes. El tercero, por su parte, es (asintóticamente)
eficiente.

Al respecto, hay una tercera propiedad a la que no nos hemos referido directamente en el
momento de presentar los cuatro estimadores. Todos ellos son consistentes11 en la medida
en que no haya correlación contemporánea entre el término de error y los regresores del
modelo asociado. En términos del modelo general resumido en (42.), esto equivale a decir
que: Cov (vit xit) = E (vit xit) = 0. Si combinamos esto con las propiedades resumidas en el párrafo
anterior, el estimador de mínimos cuadrados generalizados (factibles) resulta el preferido: es
consistente como el resto y, a la vez, es (asintóticamente) eficiente.

10
Nótese que el resultado de esta resta podría ser negativo. En este caso, conviene reconsiderar el uso del estimador
de efectos aleatorios.
11
De hecho, los resultados mostrados en el acápite anterior dependen de la consistencia de los estimadores Within
y Between.
 Modelos de datos de panel: el modelo estático lineal | 31

¿Qué ocurre, sin embargo, si no es posible defender que E (vit xit) = 0? Tal como se discutió en
los acápites introductorios, la presencia de un regresor estocástico es un fenómeno bastante
frecuente (sobre todo si analizamos el comportamiento de unidades desagregadas), por lo
mismo que es común que el fenómeno bajo análisis responda a variaciones no observables
(capturadas por el error) y que estas estén correlacionadas con los regresores del modelo. En
los acápites introductorios también discutimos cómo la disponibilidad de un panel de datos
puede ofrecer una solución alternativa al camino clásico de construir un estimador de variables
instrumentales. Tal como se discute en los párrafos que siguen, este camino alternativo es la
segunda parte de la respuesta a la pregunta “¿Qué utilidad puede tener la discusión de los
estimadores bˆ Within y bˆ Between?”, planteada al finalizar el acápite anterior.

De acuerdo con nuestro marco de análisis, el término de error está compuesto por dos
elementos y, entre ellos, ai es quien responde por la existencia de variaciones no observables
atribuibles a cada agente individual. Por lo mismo, sospechar de la presencia de correlación
entre no observables y regresores equivale, específicamente, a decir que E (ai xit ) ≠ 0.

En la medida en que ai es parte del error del modelo, lo anterior implica que ya no es
posible defender la consistencia de nuestro estimador preferido. De hecho, el error del modelo
transformado con el proyector R contiene a ai, al igual que el error del modelo original y el del
modelo transformado con el proyector P. Recordemos, sin embargo, que el error del modelo
transformado con el proyector Q no contiene al término ai : v∼it = vit – v-i. = uit – u-i. .

Esto implica que así haya correlación entre la heterogeneidad individual no observable y los
regresores (E (ai xit ) ≠ 0), no habrá correlación contemporánea entre estos últimos y el error
del modelo transformado con Q (E (v∼itxit) = 0). Por lo mismo, en presencia de correlación entre
no observables y regresores, el estimador Within será el único que retendrá la propiedad de
consistencia.

Atendiendo a este resultado, y privilegiando la propiedad de consistencia, es posible que

decidamos trabajar con el estimador Within. En particular, si se verifica que E (ai xit ) = 0, lo
más apropiado será utilizar el estimador de mínimos cuadrados generalizados factibles. Si
no es posible comprobar que E (ai xit ) = 0, por otro lado, tendremos que utilizar el estimador
Within.

Antes de concluir esta sección conviene aclarar que el estimador Within es también conocido
como “de efectos fijos”, mientras que el estimador de mínimos cuadrados generalizados es
conocido también como “de efectos aleatorios”. El lector notará por qué hemos preferido no
utilizar esta nomenclatura: dado el marco de análisis supuesto, no quisiéramos dar a entender
32 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

que el uso de los estimadores de “efectos fijos” y de “efectos aleatorios” responde al hecho de
haber supuesto que ai es un parámetro o una variable aleatoria, respectivamente. De hecho,
hemos partido suponiendo que se trata de una variable aleatoria y terminado argumentando
que es posible privilegiar el uso del estimador Within en caso esta esté correlacionada
contemporáneamente con los regresores.

2.6 ¿Qué estimador usar?

La discusión anterior revela que hay dos preguntas claves que deben ser resueltas antes
de determinar cuál es el mejor estimador por utilizar. La primera pregunta está asociada a la
idoneidad del marco de análisis propuesto. La segunda, por su parte, se refiere a la posibilidad
de que exista correlación contemporánea entre los regresores y el término de error.

¿Existen efectos no observados?

Como se dijo, esta primera pregunta está relacionada con el marco de análisis propuesto
y, en particular, con la estructura del término de error. Al respecto, nótese que la ausencia de
efectos no observados específicos del individuo equivale a suponer que el error se comporta
de la siguiente manera: vit = uit. Dado que se asume que E (ai) = 0, lo anterior equivale a
decir que sa2 = 0. Para comprobar esta hipótesis se dispone del test de Breusch-Pagan, cuyo
estadístico (LM) se construye sobre la base de los residuos minimocuadráticos (eit) y, bajo la
hipótesis nula, se distribuye chi-cuadrado con un grado de libertad. Formalmente:

Ho: vit = uit (sa2 = 0)

Ha: vit = uit + ai

2 2
 N  T 
2
  N 2

 ∑  ∑ eit    ∑ (Te i⋅ ) 
NT  i =1  t =1   = NT  i =1  ∼ χ 2 (1)
LM = − 1 − 1 (43.)
2(T − 1)  N T 2  2(T − 1)  N T 
 ∑∑ eit  ∑∑ eit
2
 
 i =1 t =1   i =1 t =1 

Si se rechaza la hipótesis nula, se concluye que la estructura supuesta para el error es la

correcta y que, por lo mismo, aplica el análisis desarrollado en el acápite anterior. Es decir, que
es necesario construir el estimador de mínimos cuadrados generalizados si lo que se busca es
un estimador eficiente.
 Modelos de datos de panel: el modelo estático lineal | 33

Si se acepta la hipótesis nula, por otro lado, bastará con estimar las pendientes a través de
mínimos cuadrados ordinarios. De hecho, cabe recordar que en caso sa2 = 0, el proyector r es
igual a la matriz identidad y el estimador eficiente es el minimocuadrático.

Una estimación como esta también se conoce como un pool: se dispone solo de los datos
agrupados y, en el momento de hacer la estimación, no hay nada que identifique a la información
de un agente o momento del tiempo particular. La ganancia, en este caso, se debe al hecho
de contar con un significativo número de grados de libertad. Al respecto, es posible evaluar
la ganancia de ajuste asociada a la introducción de interceptos múltiples (específicos ya
sea a agentes o períodos de tiempo). Para esto, se puede utilizar una típica prueba F12; y, de
encontrarse una ganancia de ajuste significativa (si se rechaza la prueba F), se preferiría el
modelo de interceptos múltiples13.

¿Existe correlación entre los efectos no observados y los regresores?

Como se dijo, si se acepta que el error tiene la estructura vit = ai + uit, la búsqueda de
eficiencia requiere la construcción del estimador de mínimos cuadrados generalizados. No
obstante, esto puede poner en riesgo la propiedad de consistencia si es que existe correlación
contemporánea entre la heterogeneidad individual no observable y el término de error. Para
verificar esto y decidir si trabajamos con el estimador de mínimos cuadrados generalizados o
el estimador Within, es posible construir una prueba de Hausman.

De acuerdo con el planteamiento general de dicha prueba, se propone comparar dos

estimadores: uno eficiente pero solo consistente bajo la hipótesis nula, y otro no eficiente pero
consistente tanto bajo la hipótesis nula como bajo la alternativa. La hipótesis nula por evaluar
es la existencia de correlación entre el error y los regresores. Por lo mismo, y de acuerdo con las
propiedades discutidas hasta ahora, nuestros candidatos ideales serían el estimador de mínimos

12
Nos referimos al típico contraste basado en pérdida de ajuste, el cual también puede ser expresado sobre la
2 2
( R SR − R Pool ) / ( N −1)
base de los R-cuadrado: F = 2
∼ F (N – 1, NT – N – k) , donde R 2SR se refiere al R-cuadrado del modelo
(1 − R SR ) / ( NT − N − k )
con interceptos múltiples (sin restringir) y R 2
Pool
corresponde al R-cuadrado del modelo pool (restringido a un solo
intercepto común).
13
Cabe recordar que la estimación con interceptos múltiples es, en principio, equivalente a la construcción del
estimador Within. Nótese, sin embargo, que existe una diferencia en los objetivos. Cuando el error se comporta de
acuerdo con nuestro marco de análisis y construimos el estimador Within, nos interesa remover la heterogeneidad no
observable del término de error para garantizar consistencia. Para esto, desviamos cada observación de su media, y la
inclusión de un intercepto distinto para cada agente es una de las maneras de hacerlo. En el caso que aquí discutimos,
donde el error ya no es un error compuesto, nuestra motivación es la ganancia de ajuste: estamos interesados en
estimar un intercepto distinto para cada agente, y el hecho de que esto sea equivalente a desviar cada dato de su
media podría entenderse como un subproducto.
34 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

cuadrados generalizados y el estimador Within14. El primero es eficiente pero solo consistente

en ausencia de correlación, mientras que Within no es eficiente pero retiene la propiedad de
consistencia incluso bajo la presencia de correlación entre el término ai y los regresores.

La intuición detrás la prueba es clara: una diferencia significativa entre los estimadores de
mínimos cuadrados generalizados y Within, constituye evidencia en contra de la consistencia
del primero y esto, a su vez, constituye evidencia en contra de la ausencia de correlación entre
ai y los regresores. Por lo mismo, si se rechaza la hipótesis nula de esta prueba, convendrá
utilizar el estimador Within. Si se acepta la hipótesis nula, en tanto, se privilegiará el uso del
estimador de mínimos cuadrados generalizados.

Ho: E (ai xit )= 0

Ha: Ei (ai xit )≠ 0
−1
S = qˆ ' [Var (qˆ)] qˆ ∼ χ 2 ( k)
qˆ = βˆ MCG − βˆ Within (44.)
Var (qˆ) = Var ( βˆ Within ) − Var ( βˆ MCG )

Antes de concluir, conviene destacar que esta no es una prueba para determinar si los
efectos individuales son “fijos” o “aleatorios”. Lo que sí es cierto es que, dependiendo de sus
resultados, se decidirá si utilizar el estimador de mínimos cuadrados generalizados (“efectos
aleatorios”) o el estimador Within (“efectos fijos”). Esta decisión, no obstante, no responde a
la posibilidad de que los efectos individuales no exhiban una naturaleza aleatoria, sino a la
posibilidad de que, siendo aleatorios, estén correlacionados con los regresores.

14
De hecho, cualquier combinación entre los estimadores Within, Between o mínimos cuadrados generalizados
sería válida en la medida en que este último es un promedio ponderado de los dos primeros.
 V ariables dependientes limitadas binomiales | 35

3. Variables dependientes limitadas binomiales

3.1 Introducción

Las herramientas metodológicas que se presenta a continuación son usualmente aplicadas a

información de corte transversal; es decir, aquella obtenida en un momento en el tiempo para
un grupo determinado de “individuos”, sean estos personas, empresas, bancos, etcétera15. En
este contexto, el componente temporal pierde (momentáneamente) importancia, y el interés
se centra, entonces, en las similitudes o disparidades de ese grupo en determinado instante
de tiempo.

Pese a esta característica de la información, el uso del estimador MCO no se invalida, siempre
y cuando la dependiente sea una variable continua sin ninguna limitación. En principio, bastaría
con ser cuidadoso con la heterocedasticidad del modelo estimado, que se deriva de la altamente
probable heterogeneidad de los agentes que se analiza, la misma que debe ser corregida o,
en todo caso, considerada en el momento de computar los errores estándar para el proceso
de inferencia. No obstante, cuando la dependiente no satisface estas condiciones (continua
e ilimitada), el estimador MCO deja de ser el más apropiado y surgen otros estimadores de
mejores propiedades finitas y asintóticas.

En particular, en este y los próximos capítulos, nuestra discusión se centrará en aquellos

modelos en los que la variable dependiente observada puede tomar un rango limitado de
valores. Para ello, suponemos la existencia de una variable “latente” o no observada (yi*) que
puede ser representada a través del modelo lineal general (MLG):

15
Para este tipo de observaciones, utilizaremos el subíndice i, donde i hace referencia al i-ésimo individuo o agente
de la muestra que se analiza.
36 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

yi* = xi’ b + ui (1.)

De ella nosotros solo somos capaces de observar una parte: yi = τ (yi*); donde τ (.) es una
“función de filtro”16. En este contexto, y tal como veremos en las páginas que siguen, una
modelación lineal no sería apropiada debido a que la forma que adoptará la media de nuestra
variable dependiente ya no será una función lineal de los parámetros. Formalmente:

yi = E [yi | xi ]+ ui = g(xi ‘ b) + ui (2.)

En suma, nos veremos obligados a utilizar una técnica de estimación distinta a MCO debido
a que no se verifica el supuesto de linealidad del MLG.

Debido a que el análisis se centra en la naturaleza de la variable dependiente, dividiremos

el análisis sobre la base de las características específicas que esta muestre, distinguiendo
entre una variable dependiente discreta y aquella que siendo continua tiene rangos (válidos)
limitados de análisis.

3.2 Variables dependientes limitadas binomiales

Muchas veces los fenómenos sociales y/o económicos que se quiere analizar se centran en
la observación de decisiones del tipo sí/no, que son el reflejo del nivel de utilidad que una
opción brinda frente a la otra.

Supongamos, por ejemplo, que se quiere modelar la decisión de trabajar de un conjunto de

individuos. Sabemos, en este caso, que la utilidad de hacerlo puede explicarse por diversas
variables socioeconómicas de la persona y su familia (xi), de tal manera que:

yi* = xi ‘ b + ui

La variable yi* es la utilidad que reporta trabajar y resulta ser no observable. La variable que
se observa, en cambio, es una dicotómica (yi ), la misma que toma el valor de 1 cuando el
individuo efectivamente trabaja, es decir, cuando yi* > 0, y de 0 de otro modo.

16
En los modelos que veremos a continuación, lo común es suponer que la variable latente tiene que ver con
elementos de valoración subjetiva del agente económico (como su nivel de utilidad o grado de satisfacción) y que lo
que observamos (la parte filtrada) es el resultado de la decisión tomada sobre la base de esta valoración (la elección
de la alternativa que más utilidad le brinda).
 V ariables dependientes limitadas binomiales | 37

Veamos, a continuación, cuáles son las posibilidades para estimar un modelo de esta
naturaleza.

3.3 Modelo de probabilidad lineal (MPL)

Supongamos que se decide modelar la variable dependiente dicotómica antes planteada

usando una forma lineal:

yi = xi’ b + ui (3.)

Donde E (ui) = 0. Dada su naturaleza, podemos decir que:

E [yi | xi] = (1) Pr (yi = 1) + (0) Pr (yi = 0) = Pr (yi = 1) (4.)

Además, de (3.) se puede deducir que:

E (yi | xi )= Xi ' b (5.)

Por lo que se concluye que:

yˆi = xi ‘ bˆ = Pr
ˆ (y = 1)
i
(6.)

Es decir, la probabilidad estimada de que una persona con características xi trabaje viene
dada por xi ‘ bˆ . No obstante, en el modelo no hay nada que restrinja a yˆi a estar efectivamente
entre 0 y 1, como lo requiere una probabilidad.

Además de la posibilidad de obtener predicciones poco plausibles, también se tiene “problemas”

con el error. En primer lugar, es necesario notar que de acuerdo con el planteamiento dado en
(3.), este puede tomar solo dos valores, a saber:

Valores posibles de yi ui Pr
yi = 1 1 — Xi ‘ b Xi ‘ b = Pr (yi = 1)
yi = 0 — Xi ‘ b 1 — Xi ‘ b = Pr (yi = 0)
Total 1
38 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

Por lo mismo, el error se distribuye como una binomial, y su varianza es igual a17:

Var(ui) = (1–xi’b)2 (xi’b) + (-xi’b)2 (1 - xi’b) = xi’b (1 – xi’b) (7.)

Queda claro que esta varianza depende del valor que adopten las variables explicativas, por
lo que el error resulta ser heterocedástico.

De esta manera, podemos concluir que existen tres grandes limitaciones para el uso del
estimador MCO en estos modelos:

• El error es heteroscedástico.
• El error no se distribuye como una normal18.
• Nada restringe a yˆi = xi’ bˆ = Pr
ˆ (y = 1) a estar entre 0 y 1.
i

Los dos primeros problemas pueden ser resueltos con relativa facilidad, utilizando mínimos
cuadrados generalizados y ampliando la muestra, respectivamente. No obstante, estimando
un modelo lineal no hay forma de garantizar que yˆi no se salga del rango 0-1. Por esta razón,
en estos casos se opta por modelar, directamente, la probabilidad de que yi adopte el valor
de 1. Como veremos, esto requiere elegir una distribución para el error (ui ), de modo que la
esperanza de yi (condicionada a los valores de xi) vendrá dada por la función de distribución
acumulada (FDA).

3.4 Los modelos probabilísticos: probit y logit

Supongamos ahora que lo que queremos estimar es, más bien, el modelo dado en (1.), en
donde la variable dependiente ya no es la dicotómica del modelo discutido en el acápite anterior,
sino la utilidad no observada. Para esto, supongamos que ui se distribuye simétricamente con
media cero y varianza unitaria, y una FDA representada por F (ui).

El planteamiento del modelo es, por tanto, como sigue:

yi * = xi ' β + ui
(8.)
E (u i x i ) = 0; σ u2 = 1

Pr (ui ≤ z ) = F ( z )
17
Nótese que ello implica que: Var(ui) = xi’ b(1–xi’b) = Pr (yi = 1) [1 — Pr (yi = 1)].
18
Cosa que no afecta las propiedades del estimador MCO pero sí previene que se pueda usar distribuciones
conocidas para el proceso de inferencia.
 V ariables dependientes limitadas binomiales | 39

Nótese que ahora xi’b es igual a E (yi* | xi) y no a E (yi*| xi), por lo que deja de ser cierto que
la Pr (yi = 1) sea igual a xi’b . Si recordamos que yi es igual a 1 cuando yi* > 0, y 0 de otro
modo, notaremos que:

E ( y i x i ) = Pr ( y i =1 ) = Pr ( y i* > 0 ) (9.)
= Pr ( ui > − xi ' β ) = 1 − F ( −xi ' β ) = F (x i ' β )

El hecho de estar asumiendo determinada distribución para los errores del modelo y la no
linealidad de la esperanza condicional de yi, hacen que la técnica de estimación preferida en
este caso sea la de máxima verosimilitud. De esta manera, y si asumimos que la muestra es
independiente e idénticamente distribuida, podemos construir la función de verosimilitud
pertinente (para los N individuos de la misma) como la productoria de la probabilidad de cada
observación. Formalmente:
n
L = ∏ [ F ( x i' β )]yi [1 − F ( xi ' β)]1 − yi (10.)
i =1

Donde yi es 1 si el individuo escoge la opción 1 (en nuestro ejemplo, si se observa que

trabaja), y es 0 de otro modo.

La forma funcional de F (ui) dependerá del supuesto hecho sobre la distribución de ui.
Típicamente se trabaja con dos distribuciones: la normal estándar, que da origen a lo que se
conoce como el “modelo probit”, y la distribución logística19, que se traduce en el “modelo
logit”.

Para hallar los parámetros a partir de (10.), el primer paso consiste en construir la función
log-verosímil:
n
ln L = ∑ [y i ln F (x 'i β ) + (1 − yi ) ln(1 − F (x i' β ))] (11.)
i =1

Esta se deriva con respecto a los parámetros de interés para hallar las condiciones de primer
orden:

∂ ln L n  f ( xi' β ) − f ( xi' β) 
= ∑  yi + (1 − yi )  xi = S (β )= 0 (12.)
∂β  F ( xi' β )
i =1  (1 − F ( xi' β )) 

19
Recuérdese que la FDA logística tiene la siguiente especificación: F(z) = exp(z) / (1 + exp(z)).
40 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

Donde f (z) = F ’(z) es la función de densidad marginal, y S(b) se refiere al vector de primeras
derivadas de la función log-verosímil, también conocido como el score. Como vemos, (12.) es
una ecuación no lineal en los parámetros (b), por lo que para resolverla lo usual es recurrir a
algún método numérico20.

3.5 Bondad de ajuste

La técnica descrita líneas arriba nos permitirá obtener un vector de estimados máximo
verosímiles (bMV). Sobre la base de estos, será posible hacer inferencia (tanto a nivel de
parámetros individuales como de manera conjunta) tomando en cuenta que este estimador
se distribuye, asintóticamente, como una normal.

Un ejemplo de lo anterior lo constituye el análisis de la bondad de ajuste del modelo. Para esto,
en principio se requeriría comparar la predicción de la variable dependiente con la realmente
observada. No obstante, en un modelo como el analizado ello pierde sentido ya que se observa
la elección real (0 ó 1, en el caso binomial), mientras que el modelo predice probabilidades.
Es así que el típico R 2, que estaría basado en estos errores distorsionados, pierde sentido.

Una alternativa es el test de la razón de verosimilitud, cuya hipótesis nula es que todas las
pendientes del modelo (todos los parámetros excepto la constante), o un subconjunto de ellas,
es igual a 0. El estadístico asociado se define como:

λ =
L* βˆMV ,0 ( ) (13.)

L* βˆMV ( )
Donde L* (bˆ MV,o) es el valor máximo de la función de verosimilitud del modelo restringido
(que solo incluye la constante como regresor, o las explicativas que no están sometidas a la
prueba de significancia), mientras que L* (bˆ MV) es el modelo completo. Según Wilks (1962)21,
la distribución de este estadístico viene dada por: –2lnl ∼ x2 (q), donde q es el número de
restricciones.

 ∂ 2 ln L ( β 0 ) 
20
Uno de los más utilizados es el de Newton-Raphson. Así, se define b1 = b2 + [I (bo)]-1 S (b0) , donde I (β0 ) = −E  
 ∂β 0 ∂β 0 

es la matriz de información, cuya inversa es el menor valor que puede tomar la varianza de un estimador insesgado.
De esta forma, se utiliza un valor cualquiera para b0 , que podría ser el de MCO, y se continúa iterando hasta hallar
el valor de b que haga S (b0) = 0 , es decir, que maximice la función log-verosímil.
21
La prueba de la razón de verosimilitud para verificar hipótesis compuestas fue presentada en Wilks (1962) y
desde entonces se conoce como “teorema de Wilks”.
 V ariables dependientes limitadas binomiales | 41

Otra alternativa es construir un pseudo R2 a partir de la función de verosimilitud. Para

esto, tengamos en cuenta que L(•) es generalmente una productoria de probabilidades por lo
que solo puede tomar valores entre 0 y 1. Por lo mismo, ln L (•) < 0. Considerando los valores
extremos definidos anteriormente, debe ser cierto que ln L* (bˆ MV) será cercano a cero en la
medida en que la especificación del modelo sea mejor, y cuanto mayor sea la distancia respecto
a ln L* (bˆ MV, 0) esta deberá ser mejor aun. Es así que definimos el pseudo R2 como:

2
ln L*( βˆ MV )
ρ = 1 − (14.)
ln L*( βˆ MV , 0 )

Si el modelo tiene un buen ajuste ln L* (bMV) se aproximaría a 0, por lo que r2 se aproximará

a 1. De lo contrario ln L* (bMV) estaría muy cerca de ln L* (bMV,0), por lo que r2 tenderá a 022.

Otra medida de bondad de ajuste que suele ser bastante utilizada es la proporción de
predicciones correctas del modelo. Para cada observación, se estima con el modelo la Pr(yi =
1); si este valor es mayor que 0,5, se asume que la predicción de yi es 1, de otra forma será
0. La proporción de observaciones cuya predicción es 1 y cuyo valor observado también es 1,
es el porcentaje correctamente predicho. No obstante, también es necesario tener en cuenta
la capacidad del modelo para predecir el otro tipo de resultado, la Pr(yi = 0)23, ya que podría
tener un buen ajuste para predecir uno de los dos resultados pero no el otro. Así, la capacidad
predictiva total es un promedio ponderado de la proporción de predicciones correctas para
ambos posibles resultados, donde los ponderadores son las proporciones de ceros y unos
existentes en la muestra.

Téngase en cuenta sin embargo que, tal como se sugiere en Wooldridge (2002), el ajuste del
modelo es generalmente menos importante que la significancia estadística y económica de
las variables explicativas. Si bien esta recomendación se aplica a todo modelo econométrico
construido con el objetivo de realizar inferencia respecto a la relevancia de determinados
regresores, cobra especial relevancia en este contexto debido a que el tipo de modelos aquí
discutidos se caracterizan por exhibir un ajuste bajo.

22
Como regla práctica, se espera que un buen modelo tenga un r2 entre 0,2 y 0,4.
23
Es decir que las observaciones cuya Pr(yi = 0) predicha por el modelo es menor o igual a 0,5, sean aquellas cuyo
valor observado para yi es 0.
42 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

Estimado Observado
por el modelo
yi = 1 yi = 0
Pr (yi = 1)>0,5 Predicciones correctas ˆ y=1 | Ny=0
N
ˆ y=1 | Ny=1
N
Pr (yi = 1)>0,5 Nˆ y=0 | Ny=1 Predicciones correctas
ˆ y=0 | Ny=0
N
Total Ny=1 Ny=0
 N y =1  Nˆ y =1 N y =1  N y =0  Nˆ y =0 N y =0
  + 
 N  N y =1  N  N y =0
Capacidad predictiva
Nˆ y =1 N y =1 + Nˆ y =0 N y =0
=
N

3.6 Estimación e interpretación de los resultados de un modelo

probabilístico

Para estimar correctamente un modelo discreto binomial, se sugiere utilizar los pasos que se
detalla a continuación, una vez identificadas la variable dependiente y las posibles explicativas,
de acuerdo con el marco teórico que explica el fenómeno que se desea estudiar.

1. Analizar la matriz de correlaciones entre la variable dependiente y el conjunto de posibles

explicativas. A partir de ella se busca:

- Establecer el grado de relación de las explicativas y la dependiente, así como su signo

esperado.

- Establecer la posible correlación entre explicativas potenciales, con el propósito de no

incluir en el modelo dos de ellas que estén altamente correlacionadas sino elegir entre
ambas aquella que implique un mejor ajuste del mismo24.

2. Complementar lo anterior con un análisis descriptivo de la muestra por utilizar, que ponga
en evidencia las principales dimensiones de las variables involucradas en el análisis, sus
valores promedio, los extremos, y su dispersión, así como el comportamiento bivariado
entre ellas y la variable elegida como dependiente.

24
Como regla práctica, si dos variables tienen una correlación mayor a 75%, no deben ser incluidas conjuntamente
como explicativas de un mismo modelo.
 V ariables dependientes limitadas binomiales | 43

3. Estimar la regresión con todas las explicativas que mostraron un grado de correlación y
signo razonable en el análisis anterior. La elección del mejor conjunto de regresores puede
basarse en aquellas explicativas que tengan el signo esperado y cuya probabilidad asociada
en la prueba z no sea mayor a 10%. Se sugiere indicar el nivel de significancia del coeficiente
asociado a cada variable explicativa incluida en el modelo final (1%, 5% ó 10%).

3.6.1 La razón de probabilidades

En un modelo de la naturaleza del probit o logit, el análisis individual de cada coeficiente

pierde el sentido que tiene en un modelo lineal. En particular, estos coeficientes ya no indican,
por sí solos, la magnitud de los impactos de sus regresores sobre el fenómeno. No obstante, su
signo sí es determinante para establecer la dirección de la relación entre la variable explicativa
y la dependiente que se analiza.

Para algunas FDA, sin embargo, es posible trabajar con una linearización que permita
interpretar directamente tanto el signo como la magnitud de los coeficientes estimados. Este
es el caso de los modelos logit donde, tal como se indicó líneas arriba, la FDA viene dada por:
F (z) = exp(z) / [1 + exp(z)] = e(z) / [1 + e(z)].

Por lo mismo, y en el contexto del modelo planteado en (8.), la probabilidad de que un

individuo con características xi exhiba el atributo o característica bajo análisis vendrá dado
por:
e( xi ' β )
Pr ( yi =1 ) = (15.)
1 + e( xi ' β )
Y su complemento por:

1
Pr ( yi = 0) = 1 − Pr ( yi = 1) =
1 + e( xi ' β )

Por lo que la razón de probabilidades (RP) resulta ser:

Pr ( yi =1 )
RP = =e ( xi ' β ) (16.)
Pr ( yi = 0 )

Esta indica cuántas veces más probable es que se produzca el resultado 1 frente al 0,
por lo que puede dar información relevante por sí mismo, y permitir la comparación de las
probabilidades asociadas a los dos resultados posibles de un modelo binomial.
44 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

Si evaluamos el logaritmo de la expresión anterior, notaremos que es posible interpretar

directamente el valor de determinado coeficiente como el efecto de un incremento de una
unidad en su regresor sobre el diferencial de probabilidad entre ambos eventos o resultados.

 Pr ( yi =1 ) 
ln (RP ) = ln  (x 'β)
 = ln e i  = xi ' β
 Pr ( yi = 0 ) (17.)

∂ ln (RP )
= βk
∂xik
Para clarificar, supongamos que el RP da un valor de 1,05. Esto implica que es 1,05 veces
más probable que el i-ésimo individuo tenga asociado el resultado 1 que el 0; o, lo que es lo
mismo, que es 5 por ciento más probable25. Si recordamos que ln(1,05) ≈ 0,05 (aproximación
que se verifica para cambios porcentuales pequeños), notaremos que es posible afirmar que
frente a un incremento de una unidad en el k-ésimo regresor, será (bk) 100 por ciento más
probable observar un 1 que un 026.

3.6.2 La probabilidad estimada

Tal como se desprende de la discusión anterior, uno de los resultados claves del modelo
estimado es la predicción de la probabilidad de que determinado individuo exhiba el atributo
o característica en cuestión (tenga asociado el resultado 1). Esta probabilidad no es otra cosa
que la media (condicional) de la variable dependiente, la misma que puede ser determinada
para la media muestral o para individuos con características específicas dentro de la muestra.
Si notamos que la probabilidad promedio estimada (o la probabilidad de que un individuo
promedio exhiba el atributo) puede representarse como:

Eˆ (y x ) = P̂r ( y = 1 x ) = F (x ' βˆ )

es posible concluir que el cálculo de la probabilidad de cualquier agente con características

específicas (xi) requerirá evaluar el vector de regresores en dichas características.

25
Nótese que 5% más probable no es lo mismo que 5 puntos porcentuales más probable. Por ejemplo, si un evento
tiene una probabilidad asociada de 0,315 (31,5%), este es 5% más probable que otro con una probabilidad asociada
de 0,3 (30%). Es decir, 1,05 = 31,5/30.
26
Si no se desea depender de esta aproximación, será necesario considerar que frente a un incremento de una
unidad en el k-ésimo regresor, el incremento en el RP será de ebk veces (donde un incremento de x veces corresponde
a un incremento de (x –1) 100 por ciento).
 V ariables dependientes limitadas binomiales | 45

3.6.3 El efecto impacto

Como vimos en secciones anteriores, el MPL implica que Pr (yi = 1) = xi’b mientras que los
modelos probabilísticos suponen que Pr (yi = 1) = F (xi’b). De esta manera, en el primer caso, el
efecto marginal o impacto promedio estimado de un cambio en una unidad de alguna variable
explicativa (xk) sería constante, a saber:

∂ Pr( yi =1) ˆ (18.)

= βk
∂ xik
mientras que para los modelos probabilísticos este efecto promedio estimado es:
∂ Pr(yi = 1) ∂F (xi 'β ) ∂xi 'β
EI xk = = = f ( xi ' βˆ ).βˆ k (19.)
∂ xik ∂xi ' β ∂ xik

Donde f (•) es la función de densidad marginal. Por lo mismo, el efecto impacto depende del
valor de los regresores para cada individuo y de todos los coeficientes estimados del modelo. Si
recordamos que la función de densidad acumulada exhibe una menor pendiente para valores
extremos, la expresión dada en (19.) resulta particularmente idónea para capturar fenómenos
que exhiben rendimientos decrecientes. Por ejemplo, el cambio en la probabilidad de que un
niño asista al colegio frente a un aumento en el ingreso será distinto en el caso de familias de
altos y bajos ingresos: para las primeras, se espera un incremento casi nulo de la probabilidad
y para las segundas, uno bastante mayor27. Nótese, sin embargo, que el efecto impacto relativo
de cualquier par de variables explicativas no depende del valor de los regresores: el ratio de
efectos parciales entre los regresores xj y xk, por ejemplo, sería igual a bˆ j / bˆ k.

Tenga en cuenta que en los modelos logit y probit, f (•) es una función estrictamente creciente
(en todos sus puntos), por lo que f (•) > 0 para todo argumento; es así que la dirección del
efecto impacto del k-ésimo regresor depende exclusivamente del signo del k-ésimo coeficiente,
tal como se indicó anteriormente.

Es necesario diferenciar el efecto impacto de una variable explicativa continua del de una
discreta. La derivada propuesta en (19.) se ajusta al primer caso, pero no así a la de una variable
discreta. Para esta última tendrá que calcularse la diferencia de la probabilidad cuando dicha
variable toma un valor u otro. Por ejemplo, si estamos analizando la decisión de trabajar y

27
Cuando hablamos de bajos ingresos no queremos referirnos a las familias con una condición de pobreza extrema,
entre las que es posible que el mencionado cambio en probabilidad también sea nulo. Esto último no hace sino reafirmar
lo apropiado del uso de la función de densidad, cuyos extremos son menos empinados que el resto de la función.
46 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

la variable explicativa de interés es el sexo de la persona (variable x2 ), definida como 1 si es

hombre y 0 si es mujer, el efecto impacto promedio estimado de la misma sobre la probabilidad
de trabajar puede calcularse como:

EIx2 = F (βˆ 0 + βˆ 1x1 + βˆ 2 (1) + βˆ3 x3 + ... + βˆ kx k ) - F (βˆ 0 + βˆ1x1 + βˆ2 (0) + βˆ3 x3 +... + βˆ k x k ) (20.)

Nótese que en la expresión anterior, todos los regresores han sido evaluados en sus respectivas
medias muestrales, lo que tiene sentido en la medida en que el cambio en cuestión se refiere
al sexo. Así, la expresión anterior nos estaría informando sobre el efecto que tiene, sobre
la probabilidad de trabajar, el hecho de que un individuo con características promedio sea
hombre.

En general, cualquier efecto impacto puede ser evaluado en la media muestral o para un
conjunto específico de valores de las explicativas28. Así, la expresión dada en (19.) también
podría haber sido evaluada en la media de los regresores y se referiría al efecto que tiene un
incremento de una unidad en el k-ésimo regresor sobre la probabilidad de que un individuo
promedio exhiba la característica bajo análisis.

Nótese que cualquiera sea el tipo de variable explicativa, el efecto impacto arroja el cambio
de la probabilidad, en puntos porcentuales, frente a la variación en una unidad de la explicativa.
Por esta razón su utilidad es usualmente mayor cuando analizamos explicativas discretas.

3.6.4 La elasticidad

La elasticidad de la probabilidad respecto de cambios en las variables explicativas puede

definirse como el cambio porcentual en la primera debido a un incremento de 1% en la
segunda. Si la variable explicativa (k-ésimo regresor) es continua, la elasticidad promedio
estimada sería:
xk
ηxk = EI xk . (21.)
F ( x ' βˆ )

En el caso de una explicativa discreta que tome, por ejemplo, valores 0 y 1, utilizaríamos la
elasticidad punto estimada alrededor de la media. Formalmente:

28
Si entre las variables explicativas se ha incluido funciones no lineales, como logaritmos, variables cuadráticas o
multiplicativas, se tiene la opción de evaluar dicha función en los promedios o promediar la función no lineal. Para
obtener el efecto de la unidad promedio en la población, tiene sentido usar la primera opción, aunque las diferencias
entre ambas suelen ser muy pequeñas (Wooldridge 2002).
 V ariables dependientes limitadas binomiales | 47

 F (x ' βˆ x = 1) − F (x ' βˆ x = x ) F (x ' β

ˆ x =x )
 k 
ηxk =  
k k k k
(22.)
[1 − xk ] xk
Dado que la elasticidad expresa cambios porcentuales, resulta más conveniente estimarla para
explicar el efecto de variables explicativas continuas. No obstante, si tenemos en cuenta que,
por esa misma razón, carece de unidades, la elasticidad puede servir también para “rankear”
todas las variables explicativas de acuerdo con su importancia relativa en el modelo.

3.7 Probit versus logit

¿Cómo determinar cuándo utilizar probit o logit para estimar un mismo proceso de elección
binaria?29, ¿son comparables sus resultados? Observemos un poco más estas dos funciones.
La principal diferencia entre ellas, como se ve en el gráfico 1, es la amplitud de sus “colas”: la
logística tiene “colas más anchas” (presenta una mayor curtosis). Por lo mismo, los resultados
que se obtiene con cada una de ellas no son directamente comparables.

Gráfico 1. Las funciones de probabilidad logística y normal

Distribuciones acumuladas
1,0

0,8

0,6

0,4

0,2

0,0
-4 -3 -2 -1 0 1 2 3 4 5

LOGÍSTICA NORMAL

29
Cabe mencionar, como lo sostiene Gourieroux (2000), que el logit fue introducido por facilidad computacional,
como una forma más simple de aproximar un probit.
48 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

Distribuciones marginales
5

0
-4 -3 -2 -1 0 1 2 3 4 5

LOGÍSTICA_M NORMAL_M

Una primera alternativa para comparar los resultados que provienen de ambos modelos, se
basa en recordar que la distribución logística tiene una varianza de p 2/3 , mientras que la
que corresponde a la normal estándar es igual a la unidad. Por ello, para hacer ambos modelos
comparables bastará dividir los coeficientes del modelo logit entre la desviación estándar de
la distribución logística (p/√3) y compararlos con los coeficientes estimados a partir de un
modelo probit.
βˆ Logit 3
= 0,55 × βˆ Logit vs. βˆ Probit
π
Otra manera de comparar las estimaciones que se obtienen de ambos modelos probabilísticos
es la que propone Wooldridge (2002), a partir del efecto impacto que se muestra en (19.). En
cualquiera de los dos modelos, y asumiendo que la data se distribuye de manera simétrica
alrededor de cero, es posible aproximar x ‘ bˆ como cero, lo que implica que f (x ‘ b)
ˆ es f (0).
En caso de un probit esto equivale a:
1
f (0) = = 0, 4
2π

Y en el del logit:
exp( 0 )
f (0) = = 0,25
[1 + exp( 0) ]2
 V ariables dependientes limitadas binomiales | 49

Así, asumiendo que los efectos impacto que arrojan ambos modelos son similares, para
comparar bˆ Probit y bˆ Logit podemos multiplicar bˆ Probit por 0,4/0,25 = 1,6, o multiplicamos bˆ Logit
por 0,25/0,4 = 0,625.

Luego de los ajustes propuestos previamente, suele ocurrir que la aplicación de ambos
modelos arroja resultados muy similares, por lo que la decisión entre cuál escoger depende,
generalmente, del ajuste que se logra a través de ellos. Puede haber casos, no obstante, en
los que sí se observen diferencias no triviales entre ambos tipos de resultados, como aquel en
el que un número importante de observaciones se encuentran concentradas en la cola de la
distribución, en cuyo caso los modelos logit serán los más apropiados (véase Maddala [1983]
y Futing Liao [1994])30.

3.8 Variables instrumentales

La clase de modelos hasta ahora descrita es utilizada para explicar el comportamiento de

agentes o unidades de análisis desagregados que, por lo mismo, presentan gran heterogeneidad.
Por tanto, los censos o encuestas de hogares difícilmente capturarán toda la información
necesaria para explicar completamente el fenómeno, el cual muy posiblemente dependerá
de características del agente que no son directamente observables. Por ello, es altamente
probable que enfrentemos el problema de variables omitidas, cuyo efecto se “localizará” en
el error de la ecuación.

Ocurre, además, que en muchas ocasiones esos aspectos no observables afectan no solo a la
variable que se quiere explicar sino también a los regresores del modelo, los cuales, por lo mismo,
difícilmente alcanzan la condición de exogeneidad. Estos regresores resultan ser estocásticos
en el sentido de estar correlacionados contemporáneamente con el error del modelo.

Por ejemplo, supongamos que se quiere analizar los determinantes de que una mujer decida
demandar un parto institucional. Una de las variables que parecen explicar este comportamiento
es el hecho de que haya recibido controles prenatales durante el embarazo, los que deben
haberle permitido tener una mayor cercanía con el médico tratante y los profesionales de salud,
e incrementar su confianza hacia ellos. Puestas así las cosas, tendríamos un modelo con la
variable “Parto” como dependiente, mientras que el “Control prenatal” sería la explicativa.

30
Sin embargo, equivocarse en la elección del modelo correcto tiene, en general, una consecuencia mínima, ya que
existe poca diferencia en los parámetros estimados con cada uno de ellos o en su precisión (Gourieroux 2000).
50 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

No obstante, en dicha ecuación una serie de factores no observables se “esconden” en el

error, como, por ejemplo, la percepción que la mujer tiene de la medicina moderna, y que está
vinculada con sus características culturales, costumbres y tradiciones; ello podría llevarla a
rechazar la atención de profesionales de salud no solo en el parto sino también durante el
embarazo. Nuestra variable explicativa Control prenatal está correlacionada, entonces, con el
error de la ecuación donde actúa como tal. Frente a esto, surge la posibilidad de reemplazarla
por un estimado de la misma realizado a partir de una (o varias) variables conocidas como
instrumentos. El objetivo es “purgar” o “eliminar” de nuestro regresor original aquella parte
correlacionada con el error y utilizar esta parte “limpia” en la estimación final.

De esta explicación se puede concluir directamente que un buen instrumento debe cumplir
dos condiciones básicas:

i. No debe estar correlacionado con el error de la ecuación, con el objetivo de eliminar

justamente el problema por el cual estamos instrumentalizando31.
ii. Sí debe estar correlacionado con la variable explicativa por reemplazar, para poder capturar
la información contenida en la misma.

En el modelo que planteamos previamente, un posible ejemplo de variable instrumental

del Control prenatal podría ser la educación de la mujer; no obstante, esta podría estar
correlacionada con la percepción que se tiene sobre la medicina moderna (el error de la
ecuación), aun cuando es de esperar que sí influya (positivamente) sobre la intención de
controlarse durante el embarazo. En ese sentido, un mejor instrumento podría ser la distancia
al centro de salud más cercano, que no tiene relación alguna con las percepciones culturales
de la mujer pero sí con un mayor acceso al control prenatal por parte de la embarazada.

La instrumentalización puede realizarse utilizando el siguiente procedimiento:

1. Determinar las variables que requieren ser instrumentalizadas considerando aquellas que
se cree que es más probable que estén correlacionadas con el error de la ecuación.

31
Tal como se discute en Deaton (2009), la exogeneidad requerida para el instrumento no debe ser confundida con el
hecho de que sea un “factor externo”. Un factor externo es aquel causado fuera del sistema que se utiliza para explicar
la variable dependiente bajo estudio. No obstante esta condición no es suficiente para garantizar la exogeneidad del
instrumento. Variables que dependen de eventos de la naturaleza (como un terremoto o la geografía) son buenos
ejemplos de factores externos: no son causados por el fenómeno bajo análisis. No obstante, sí pueden afectarlo,
y no solo a través de la variable que se busca instrumentalizar, lo que haría altamente probable que se encuentre
correlacionado con el error de la ecuación de interés. En suma, la ausencia de simultaneidad entre el instrumento y
el fenómeno no puede ser tomada como garantía de la exogeneidad de este último.
 V ariables dependientes limitadas binomiales | 51

2. Regresionar cada una de ellas en función de variables que cumplan las dos condiciones
mencionadas anteriormente (los instrumentos).

3. Reemplazar los valores observados de las variables que se instrumentalizan por aquellos
estimados a partir de la regresión construida en 2.

Para verificar la consistencia del estimador de variables instrumentales se puede utilizar

un test de Hausman como el que propone Greene (2003) para el problema de errores de
medición.
 V ariables dependientes limitadas multinomiales | 53

4. Variables dependientes limitadas multinomiales

Los modelos multinomiales son aquellos cuyo objetivo es explicar variables dependientes
discretas pero de múltiples opciones o categorías. Igual que en el caso de las variables discretas
binomiales, nuestro punto de partida es el proceso a través del cual una persona escoge entre
diferentes alternativas de acuerdo con aquella que le dé la utilidad más alta. Esta utilidad
no es directamente observable pero suponemos que se puede representar como una función
lineal de un conjunto de determinantes.

De esta forma, definimos:

Uij* = xij ‘bj + eij (1.)

Donde Uij* es la utilidad que recibe el individuo i al escoger la alternativa j, la que está en
función de un conjunto de variables explicativas xij y parámetros b, que pueden o no depender
de las alternativas de elección.

La estimación de los parámetros se basa en la maximización de la función de verosimilitud,

construida a partir de la función de distribución conjunta de los individuos de la muestra. Es
decir:
N
L = ∏ Pi1di 1 . P i 2 di 2 ... P iJ diJ (2.)
i =1

Donde N es el número de individuos en la muestra, j es el número de categorías, dij toma

el valor de 1 si el individuo i escoge la categoría j, y Pij es la probabilidad del mismo de elegir
dicha categoría. De igual manera que en el caso binominal, el análisis se concentra en explicar
estas probabilidades, las que estarán en función del tipo de modelo multinomial que se esté
trabajando, el cual depende, a su vez, de la forma de la variable que se quiere explicar.
54 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

4.1 Variables dependientes no ordenadas

Son aquellas que se utilizan para especificar un conjunto de posibles alternativas que no
presentan una relación de orden entre ellas. Por ejemplo, profesiones, hobbies, modos de
transporte, marcas de cigarrillos, etc. Tomando el primer ejemplo, supongamos que se desea
analizar los determinantes del tipo de ocupación del jefe de hogar de las familias peruanas,
de forma tal que la variable dependiente se define como:
yi = Ocupación del jefe de hogar
1 Médico
2 Abogado

= 3 Carpintero
�

 J Otros

De esta manera, se tiene en total j categorías no ordenadas ya que, a priori, no se puede

establecer cuáles de ellas pueden ser consideradas mejores que otras32. Lo que sí suponemos es
que cada agente de la muestra ha elegido la opción o categoría que le reporta mayor utilidad
y que, de acuerdo con lo especificado en (1.), esta puede ser representada como:

yij* = xij ‘ bj + eij

La probabilidad de que el i-ésimo agente elija la k-ésima categoría corresponde a la
probabilidad de que esta sea la que mayor utilidad le brinda. Formalmente:

Pr ( yi = k ) = Pr (y ik * > yij * ) ∀j ≠ k (3.)

= Pr (xik ' βk + εik > xij ' β j + εij ) ∀j ≠ k
= Pr (εik − εij > xij ' β j − xik ' β k ) ∀j ≠ k

Para facilitar el análisis, y dado que las categorías no pueden ser relacionadas de acuerdo con
algún ordenamiento específico, resulta conveniente elegir una categoría base o referencial33.

32
Muchas veces es difícil determinar si las categorías de elección son efectivamente ordenadas o no, o quizás
tienen la condición de secuencialidad que veremos más adelante. En ese caso, será mejor elegir el modelo menos
restrictivo, es decir, realizar la estimación como si se tratara de categorías no ordenadas.
33
La elección de la categoría base no resulta ser un procedimiento trivial, dado que la interpretación de resultados
se hará tomándola como referencia. Por ello, generalmente se escoge como base una categoría neutral (en el ejemplo,
no tener ocupación) o aquella que es el centro de interés del investigador (si se quiere establecer, por ejemplo, cuáles
 V ariables dependientes limitadas multinomiales | 55

A partir de ella (a la que llamaremos “categoría m”) se puede especificar la probabilidad de

escoger alguna de las otras categorías, utilizando un conjunto de modelos binomiales donde
las opciones por elegir son solo la categoría en cuestión y la base.

La probabilidad de elegir la k-ésima alternativa en este contexto binomial corresponde a

la probabilidad que se obtiene del modelo multinomial, pero reescalada tomando en cuenta
solo las dos categorías. Formalmente:

Pr (yi = k )
= F (x ik ' βk )
Pr (yi = k) + Pr (yi = m)

En la expresión anterior, F (•) corresponde a la función de densidad de la diferencia de los

errores de las ecuaciones explicativas de la utilidad que reportan las alternativas k y la m. Esto
último se deriva de la expresión (3.) si tenemos en cuenta que los coeficientes de la categoría
base han sido normalizados en cero. Es decir, F (xik ‘bk) corresponde a la probabilidad de que
la categoría k reporte más utilidad que la categoría base: Pr (yik* > yim*) = Pr (eik – eij > –xik
‘bk) dado que bm = 0.

Lo anterior implica que:

Pr (yi = k) F (xik ‘ βk)

= = G ( x ik ' βk )
Pr (yi = m) 1 - F (xik ‘ βk)

De donde se puede derivar la probabilidad de escoger la categoría m si es que evaluamos la

sumatoria sobre todas las categorías menos la base:

J −1 J −1
Pr (yi = j) 1 – Pr (yi = m) 1
∑ Pr (y = m) = = − 1 = ∑ G (x ij ' β j )
j =1 i
Pr (yi = m) Pr (yi = m) j =1
−1
 J −1 
Pr ( yi = m ) =  1+ ∑ G ( x ij 'β j ) 
 j =1 

A partir de la expresión anterior es posible hallar la probabilidad de escoger una alternativa

k cualquiera:

son los determinantes de elegir ser economista, se podría establecer la misma como categoría base). En caso no haya
claridad sobre cuál podría ser la categoría base por elegir, se puede estimar el modelo numerosas veces tomando varias
categorías base alternativas, e interpretar y comparar los resultados que se obtenga con cada una de ellas.
56 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

G (x ik ' βk )
Pr (yi = k )= G (x ik 'βk ) Pr(y i = m ) = J −1
1 + ∑ G (x ij ' β j )
j =1

En principio, F (•) puede ser normal o logística, aunque dada la necesidad de evaluar múltiples
integrales en el caso de usar una normal, se prefiere la distribución logística. Esto configura
lo que se conoce como “modelo logit multinomial”.

4.1.1 El modelo logit multinomial

Como ya se mencionó, el modelo no ordenado más utilizado por su simplicidad operativa

es el logit multinomial. Para esto, suponemos que F (•) = exp (•)/(1+exp (•)), por lo que G (•) =
exp (•). Si reescribimos (3.) tomando en cuenta este resultado, tenemos:
exp (xik ' βk )
Pr (yi = k ) = J −1
(4.)
1 + ∑ exp (xij ' β j )
j =1

Nótese que la especificación anterior es lo suficientemente general como para admitir un

conjunto distinto de variables explicativas y parámetros para cada categoría. Frente a esto,
es común suponer que existe un único conjunto de regresores (o características) y un vector
de coeficientes distinto para cada categoría. Esto es suficiente para explicar cómo un mismo
agente con características xi deriva un nivel de utilidad distinto de cada categoría34, y que
estos niveles no tienen por qué ser los mismos que los de otro individuo en la muestra con
características xj. Cada agente, por tanto, puede maximizar su utilidad eligiendo una categoría
particular, la que solo tiene que ser igual a aquella que elija otro individuo con las mismas
características.

Si introducimos esta simplificación, es posible reexpresar la probabilidad de elegir la k-ésima

alternativa como:
exp (xi ' βk )
Pr ( yi = k ) =
J −1
1 + ∑ exp (xi ' β j )
j =1

A partir de la expresión anterior, se puede construir el ratio de probabilidad (RP) para dos
categorías cualesquiera:

34
Para un mismo agente, las características reciben pesos distintos para construir el nivel de utilidad asociado a
cada categoría.
 V ariables dependientes limitadas multinomiales | 57

Pr(yi = k )
RP (k , k +1) = = exp (xi ' (βk − βk −1 )) (5.)
Pr(yi = k +1)
Basados en este resultado, es evidente que la presencia de una categoría base nos permite
una interpretación directa del signo y magnitud de determinado coeficiente como el efecto que
tiene el regresor en cuestión sobre la probabilidad de elegir la k-ésima alternativa respecto a
la categoría base. Para esto, basta recordar que los coeficientes de la categoría base han sido
normalizados en cero, con lo que (5.) resulta en:

Pr(yi = k )
RP (k ,m) = = exp (xi ' βk )
Pr( yi = m)
ln (RP (k ,m ) ) = x i ' βk

La estimación de este modelo implica obtener un total de J-1 ecuaciones, una para cada
categoría, excepto la base. A cada ecuación corresponde un vector de coeficientes (bk) y, de
acuerdo con la expresión anterior, cada coeficiente recoge el efecto de un cambio marginal
en el regresor correspondiente sobre el logaritmo del ratio de probabilidades de la k-ésima
categoría respecto a la categoría base. Por lo mismo, si el i-ésimo regresor se incrementa en
una unidad, el RP de la k-ésima categoría respecto a la categoría base se incrementa en (exp
(bik)–1) 100 por ciento.

Una de las principales desventajas de esta clase de modelos es que se ve afectado por lo
que se conoce como la propiedad de independencia de alternativas irrelevantes (IIA, por sus
siglas en inglés). Si divido una categoría ya existente en dos muy parecidas, debería esperarse
que ambas se repartieran la probabilidad de ser escogida que antes tenía la que ya estaba
presente, mientras que el resto de alternativas mantuvieran la misma probabilidad de ser
elegidas. No obstante, y de acuerdo con la propiedad de IIA, el modelo logit multinomial
reasigna las probabilidades de ocurrencia entre el total de categorías existentes, incluyendo
la nueva. Por lo mismo, no es apropiado cuando se sabe que se tienen categorías que son
sustitutas cercanas.

De acuerdo con la propiedad de IIA, la aplicación del modelo multinomial no ordenado

logístico supone que el ratio de probabilidades entre dos alternativas no depende de las demás
categorías. Para verificar si la inclusión de determinada categoría afecta la consistencia de
nuestros estimados (y, con esto, los ratios de probabilidad), es posible utilizar una prueba de
la clase de Hausman (véase Greene 2003).
58 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

4.1.2 El modelo logit multinomial condicional

Una especificación alternativa al modelo visto previamente es aquel en el que las explicativas
dependen del individuo y de la categoría mientras que los coeficientes son invariables a
ambos factores. Este es conocido como el modelo condicional de McFadden (1973), en el que
los coeficientes representan los “precios implícitos” de las diferentes características de las
alternativas por escoger (o pesos específicos) mientras que xik es la percepción que el individuo
i tiene respecto de cada una de estas características.

Por ejemplo, si se quiere estimar un modelo de elección de la marca de una camioneta, este
podría incluir dentro del conjunto de explicativas a variables que reflejen la percepción del
individuo respecto de determinados atributos de cada marca, como el prestigio, la seguridad y
el valor de reventa. Esto configura al vector xik. Si, en promedio, los individuos que conforman
la muestra de trabajo valoran más el atributo “seguridad”, el coeficiente asociado tendrá un
valor relativamente mayor que el del resto de atributos, dado que los coeficientes, como ya
se dijo, son los “precios implícitos”.

Debido a que en este caso solo se cuenta con un único vector de coeficientes, ya no aplica
la elección de una categoría base y la normalización utilizada en el modelo anterior. Así, si
partimos de la expresión (3.), utilizamos una especificación logística y tomamos en cuenta
que solo existe un único vector de coeficientes, la probabilidad de elegir la k-ésima alternativa
puede expresarse como:

exp (xik ' β )

Pr (yi = k ) J
(6.)
∑ exp (x ' β )
j =1
ij

Téngase en cuenta que, como el valor de las explicativas depende de las categorías existentes
(y no solo del agente en cuestión), el efecto impacto atribuible al cambio en una variable
explicativa sobre la probabilidad de elegir determinada categoría es distinto al impacto de la
misma variable sobre la probabilidad de elegir otra de ellas.

4.1.3 Comparando y combinando ambos modelos multinomiales

La especificación de cada modelo responde a un objetivo específico. Continuando con el

ejemplo anterior de elección de la marca de una camioneta, el modelo desarrollado en 4.1.1
sería el más apropiado si es que se busca estimar la probabilidad de que un individuo con
determinadas características elija alguna de las marcas consideradas. Por ello, este modelo se
 V ariables dependientes limitadas multinomiales | 59

puede utilizar para predecir la probabilidad de que cualquier individuo (dentro o fuera de la
muestra) escoja una de las J alternativas analizadas, dadas sus características específicas.

El modelo condicional, en cambio, permite estimar la probabilidad de elegir una marca en

función de la percepción que los individuos de la muestra tienen sobre los atributos de la misma.
Es así que este modelo permitirá predecir la probabilidad de que un individuo de la muestra elija
una marca cualquiera (dentro o fuera de la muestra) dada su percepción sobre los atributos
involucrados (xik). Ello gracias a que se cuenta con los precios implícitos o ponderaciones de
las características de las J alternativas con las que se realizó la estimación35.

Finalmente, sería posible considerar un modelo combinado que incorpore tanto la percepción
sobre los atributos de las alternativas (xik) como las características de los individuos que
conforman la muestra (zi). Ello implicaría una nueva especificación para la probabilidad de
que el individuo i escoja la alternativa k, de la forma:
exp (xik ' β + zi ' γk )
Pr (yi = k ) =
J

∑ exp (x
j =1
ij ' β + zi ' γ j )

4.2 Variables dependientes ordenadas

Las variables multinomiales ordenadas son aquellas que indican diversas alternativas que
guardan entre sí un ordenamiento específico. Ese sería el caso del comportamiento de la
economía de un país (crecimiento, estancamiento, recesión), de los percentiles de ingresos
en los que se puede categorizar lo que percibe una familia, del logro de competencias de un
conjunto de alumnos de educación básica (completamente logradas, en proceso de lograrse,
no logradas), entre otras posibilidades. Si tomamos como ejemplo el ingreso que percibe una
familia, ordenado en cuartiles, podríamos definir la variable yi como:

yi = Ingresos familiares en cuartiles de ingreso

1 Primer cuartil
2 Segundo cuartil

=
3 Tercer cuartil
4 Cuarto cuartil

35
Nótese, además, que en el primer modelo el número de parámetros por estimar es igual al número de variables
explicativas del individuo (K) por m-1 (ecuaciones). En el segundo modelo, en cambio, se estiman tantos parámetros
como atributos se haya considerado para todo el conjunto de alternativas (K).
60 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

Lógicamente, resulta mejor ubicarse en el cuartil más elevado de ingresos, mientras que
las familias más pobres son las que se encuentran en el primer cuartil. Por lo mismo, la
especificación de la variable de esta manera define, per se, un ordenamiento específico.

Atendiendo a lo anterior, el modelo se basa en la definición de un índice de performance

no observado, Ii*, el que se encuentra relacionado con un conjunto de variables explicativas
vinculadas con el individuo, tal como:

Ii* = xi ‘b + ei (7.)

Asimismo, se establecen puntos de corte (α) entre los cuales se sitúa el índice de performance.
Si Ii* < a1, el individuo se ubica en la categoría 1; si I* está entre α1 y α2, se sitúa en la categoría
2; si está entre a2 y a3, se encuentra en la 3; y si es mayor que a3, se ubica en la categoría 4.
De esta forma se requerirán tantos puntos de corte como categorías haya, menos uno. Téngase
en cuenta que las distancias entre los valores de corte no pueden asumirse como uniformes,
razón por la cual cualquier tipo de regresión lineal no debería ser aplicada.

A partir de estas definiciones se especifican las probabilidades asociadas a estar en una

determinada categoría, es decir:

Pr ( yi = 1) = Pr (I i * < α1 ) = Pr (xi ' β + εi < α1 )

= Pr (εi < α1 − xi ' β )
= F (α1 − x i ' β )
(8.)

Pr ( yi = 2) = Pr (I i * < α 2 ) −Pr (I i* < α1 )

= F (α 2 − x i 'β ) −F (α 1 −x i ' β )

Pr ( yi = 3 ) = Pr (I i * < α 3 ) −Pr (I *i < α 2 )

= F (α 3 − xi 'β) − F ( α 2 −x i ' β)

Pr ( yi = 4 ) = Pr (I i* > α 3 ) = Pr (ε i > α 3 − x i ' β )

= 1 − F (α 3 − x i 'β )

Donde, comúnmente, F (•) puede ser normal estándar o logística, lo que da lugar a los modelos
probit o logit ordenado, respectivamente.
 V ariables dependientes limitadas multinomiales | 61

Para que todas las probabilidades sean positivas, debe ser cierto que 0 < α1 < α2 < α3. Estos
puntos de corte son estimados por el modelo junto con los β y hacen posible determinar
las probabilidades estimadas de estar en cada categoría36. De hecho, si los α estimados
son significativamente diferentes de 0, ello implica que las categorías son definitivamente
ordenadas.

Como en el caso binomial, los coeficientes no tienen un significado individual sino dentro
del argumento de la función de densidad. No obstante, su signo indicará la dirección de la
relación con la probabilidad de estar en la categoría más alta, y la inversa de la misma en el
caso de la categoría más baja37. Las categorías intermedias tendrán efectos impacto que no
se puede definir a priori.

De hecho, y tal como se observa en las expresiones que siguen para el efecto impacto de
una variable continua, solo se puede adelantar el signo, sin ambigüedad, para los dos casos
extremos.

∂ Pr ( yi =1 )
= − f (α 1 − xi ' β ) βk
∂xk

∂ Pr ( yi = 2 )
=  − f (α 2 − x i ' β ) + f (α 1 − xi ' β ) β k (9.)
∂xk

∂ Pr ( yi = 3 )
=  − f (α 3 − x i ' β ) + f (α 2 − xi ' β ) β k
∂xk

∂ Pr ( yi = 4 )
= f (α 3 − xi ' β )β k
∂xk

Téngase en cuenta que los efectos impacto de las probabilidades de estar en cada una de las J
categorías, ante cambios de una misma variable explicativa, deben sumar cero, ya que consisten
en un juego de suma cero en lo que se refiere al impacto final sobre dichas probabilidades.

36
Cabe mencionar que las probabilidades de estar en cada una de las cuatro categorías, para un mismo conjunto
de valores de las variables explicativas, deben sumar 1.
37
Es decir, un coeficiente positivo indica que la variable explicativa correspondiente tiene una relación positiva
con la categoría más alta, y negativa con la más baja.
62 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

Cabe mencionar, por último, que las particularidades anteriores también aplican a la
interpretación de los RP. Así, por ejemplo, un coeficiente positivo implica que cuanto mayor sea el
regresor asociado, mayor será el RP de la categoría más alta frente a las de menor valoración.

4.3 Variables dependientes secuenciales

Estas variables son un tipo especial de dependiente ordenada en la que una categoría no
puede ser elegida sin haber pasado por un proceso previo de elección de la inmediatamente
anterior. Este carácter secuencial debe ser incorporado en la especificación de la probabilidad de
elegir una categoría determinada. Veamos un par de ejemplos que pueden ser ilustrativos.

Supongamos que la variable bajo estudio es el comportamiento de una persona frente a un

episodio de enfermedad, el cual se especifica de la siguiente forma:

1 si no se enfermó
2 si se enfermó pero no inició tratamiento

yi = 
3 si se enfermó y sí inició tratamiento pero no lo terminó.
4 si se enfermó y terminó el tratamiento
Así, por ejemplo, si la persona se encuentra en el nivel 3 definitivamente no puede situarse
en las dos categorías anteriores, aun cuando previamente ha debido pasar por ellas para
alcanzar la 3. La definición de la probabilidad asociada con dicha categoría debe incorporar
esta consideración.

Podemos plantear este proceso de decisión secuencial por medio de un árbol de decisiones
como el siguiente.

Gráfico 1. Árbol de decisiones frente a un episodio de enfermedad

Terminó
tratamiento
Inició
tratamiento
Sí No terminó
tratamiento
Se enfermó No inició
tratamiento
No
 V ariables dependientes limitadas multinomiales | 63

La estimación de los determinantes del comportamiento de una persona frente a un episodio

de enfermedad se puede realizar por medio de modelos binomiales secuenciales. Partiendo
la muestra en dos, los que se enfermaron y los que no, se estima un primer modelo binomial
obteniendo el vector bˆ 1 de coeficientes. Luego, tomando solo aquellos que se enfermaron,
se puede dividir esta submuestra en aquellos que sí iniciaron un tratamiento y los que no;
ello haría posible estimar un segundo modelo binomial de donde se obtendría el vector bˆ 2. El
proceso seguiría para analizar los que terminaron el tratamiento entre los que sí lo iniciaron
mediante un tercer modelo binomial con un vector de coeficientes bˆ 3. En resumen:

No se enfermó z1i = 1 Se enfermó z1i = 0

No inició tratamiento z2i = 1

b2
b1 Sí inició tratamiento Sí inició tratamiento
z2i = 0 z2i = 0
No terminó el tratamiento b3 Terminó el tratamiento
z3i = 1 z3i = 1

A partir de estas estimaciones se puede obtener las probabilidades de estar en una categoría
determinada. Así, por ejemplo, la probabilidad de estar en la categoría 3 es igual a la probabilidad
de no terminar el tratamiento, dado que este fue iniciado porque la persona cayó enferma
(tercer modelo binomial), por la probabilidad de enfermarse e iniciar el tratamiento. Esta
última probabilidad, a su vez, corresponde a la probabilidad de iniciar tratamiento, dado que
se enfermó (segundo modelo binomial), por la probabilidad de caer enfermo (primer modelo
binomial). La definición de las probabilidades de todas las categorías analizadas se muestra
a continuación.

→ Pr (No enfermarse) = Pr (yi =1) = F (xi' β1)

→ Pr (Enfermarse pero no iniciar tratamiento) = Pr (yi =2)
= Pr ( yi = 2 yi ≠ 1 ) Pr ( yi ≠1 ) = F ( xi ' β 2 ) 1 − F ( xi ' β1 ) 
→ Pr (Enfermarse, iniciar tratamiento pero no terminarlo ) = Pr ( y i = 3)
= Pr ( yi = 3 ( yi ≠ 2, yi ≠ 1) ) Pr ( yi ≠ 2, yi ≠1 )
= Pr ( yi = 3 ( yi ≠ 2, yi ≠ 1) ) Pr ( yi ≠ 2 yi ≠ 1) Pr ( yi ≠ 1)
= F (x i ' β3 ) 1 − F (x i ' β 2 )  1 − F (x i ' β1 ) 
→ = Pr (Enfermarse, iniciar tratamiento y terminarlo) = Pr (yi = 4)
= Pr ( yi ≠ 3 ( yi ≠ 2, yi ≠ 1) ) Pr ( yi ≠ 2, yi ≠ 1 )
= Pr ( yi ≠ 3 ( yi ≠ 2, yi ≠ 1) ) Pr ( yi ≠ 2 yi ≠ 1) Pr ( yi ≠ 1 )
= 1 − F (x i ' β3 )  1 − F (x i ' β 2 )  1 − F (x i ' β1 ) 
 i i 1

→ Pr (Enfermarse pero no iniciar tratamiento) = Pr (yi =2)

64 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica
= Pr ( yi = 2 yi ≠ 1 ) Pr ( yi ≠1 ) = F ( xi ' β 2 ) 1 − F ( xi ' β1 ) 
→ Pr (Enfermarse, iniciar tratamiento pero no terminarlo ) = Pr ( y i = 3)
= Pr ( yi = 3 ( yi ≠ 2, yi ≠ 1) ) Pr ( yi ≠ 2, yi ≠1 )
= Pr ( yi = 3 ( yi ≠ 2, yi ≠ 1) ) Pr ( yi ≠ 2 yi ≠ 1) Pr ( yi ≠ 1)
= F (x i ' β3 ) 1 − F (x i ' β 2 )  1 − F (x i ' β1 ) 
→ = Pr (Enfermarse, iniciar tratamiento y terminarlo) = Pr (yi = 4)
= Pr ( yi ≠ 3 ( yi ≠ 2, yi ≠ 1) ) Pr ( yi ≠ 2, yi ≠ 1 )
= Pr ( yi ≠ 3 ( yi ≠ 2, yi ≠ 1) ) Pr ( yi ≠ 2 yi ≠ 1) Pr ( yi ≠ 1 )
= 1 − F (x i ' β3 )  1 − F (x i ' β 2 )  1 − F (x i ' β1 ) 

Un ejemplo alternativo se observa en el siguiente modelo para la demanda de automóviles

trabajado por Cragg y Uhler (1970). En el mismo se quiere analizar los determinantes de la
adquisición de un automóvil planteando las decisiones de compra de la siguiente manera:

Gráfico 2. Árbol de decisiones para la compra de un automóvil

Cambiar el actual

Sí

Comprar uno por

primera vez
Adquirir un automóvil

Vender el actual

No

Mantenerse en la
situación actual

A partir del planteamiento anterior podemos definir las siguientes probabilidades, así como
la manera de estimarlas utilizando los coeficientes de tres modelos binomiales distintos.

→ Pr (Cambiar el auto actual) = Pr (yi = 1)

= Pr (yi = 1 | Se adquiere un nuevo auto) Pr (Se adquiere un nuevo auto)
= F (xi ‘ β2)F (xi ‘ β1)
→ Pr (Comprar uno por primera vez) = Pr (yi = 2)
= Pr (yi = 2 | Se adquiere un nuevo auto) Pr (Se adquiere un nuevo auto)
= [1 - F (xi ‘ β2)]F (xi ‘ β1)
→ Pr (Vender el auto actual) = Pr (yi = 3)
= Pr (yi = 3 | No se adquiere un nuevo auto) Pr (No se adquiere un nuevo auto)
 V ariables dependientes limitadas multinomiales | 65

→ Pr (Cambiar el auto actual) = Pr (yi = 1)

= Pr (yi = 1 | Se adquiere un nuevo auto) Pr (Se adquiere un nuevo auto)
= F (xi ‘ β2)F (xi ‘ β1)
→ Pr (Comprar uno por primera vez) = Pr (yi = 2)
= Pr (yi = 2 | Se adquiere un nuevo auto) Pr (Se adquiere un nuevo auto)
= [1 - F (xi ‘ β2)]F (xi ‘ β1)
→ Pr (Vender el auto actual) = Pr (yi = 3)
= Pr (yi = 3 | No se adquiere un nuevo auto) Pr (No se adquiere un nuevo auto)
= [F (xi ‘ β3)] [1 - F (xi ‘ β1)]
→ Pr (Mantenerse en la situación actual) = Pr (yi = 4)
= Pr (yi = 4 | No se adquiere un nuevo auto) Pr (No se adquiere un nuevo auto)
= [1 - F (xi ‘ β3)] [1 - F (xi ‘ β1)]

El vector bˆ 1 se obtiene del modelo binomial que divide la muestra entre quienes adquieren
un auto nuevo y los que no lo hacen. El vector bˆ 2 proviene del modelo que diferencia entre
quienes reemplazan el vehículo que tienen y los que compran uno por primera vez, para lo que
toma como base la muestra de quienes compran un auto nuevo. Finalmente, el vector bˆ 3 se
obtiene del modelo que diferencia entre los que venden autos y los que no realizan ninguna
transacción, a partir de la muestra de quienes no adquieren un auto. Todo se resume en el
esquema siguiente.

No adquiere un auto z1i = 0 Adquiere un auto z1i = 1

Vende el actual Cambia el auto

z3i = 1 b1 z2i = 1
b3 b2
Nada Compra uno nuevo
z3i = 0 z2i = 0

Nótese que la propuesta de estimación secuencial planteada en los dos modelos antes
presentados solo es válida en la medida en que los factores aleatorios que afectan las diferentes
etapas de decisión sean independientes entre sí (independencia de los errores de las ecuaciones
que se estima sucesivamente).

Recordando que se trata de un conjunto de modelos binomiales estimados de manera

secuencial, se puede concluir que el análisis e interpretación de sus resultados es similar al de
los modelos binomiales discutidos en el capítulo anterior. Si observamos la forma en que se
66 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

plantea la probabilidad de estar en cada categoría (como la productoria de las probabilidades

de estar en cada etapa previa y de la que le corresponde), podremos tener en cuenta los
cambios que se producen en la especificación de los efectos impacto y las elasticidades. Por
ejemplo, recordemos la probabilidad de enfermarse pero no iniciar tratamiento considerada
en el modelo anterior:

Pr (yi = 2) = Pr (yi =2|yi ≠ 1) Pr (yi ≠ 1)

y simplifiquemos la notación de la siguiente manera:

Pr (2) = Pr (2| ∼ 1) Pr (∼ 1) (10.)

Un cambio en una variable explicativa cualquiera xik generará probablemente cambios en

ambas probabilidades (etapas), de forma tal que la nueva probabilidad conjunta sería, después
del cambio:

Pr (2) + ∆Pr (2) = [Pr (2|~1) + ∆Pr (2|~1)] [Pr (~1) + ∆Pr (~1)]
= Pr (2|~1) Pr (~1) + [∆Pr (~1)Pr (2|~1) + ∆Pr (2|~1) Pr (~1) + ∆Pr (2|~1) ∆Pr(~1)]

Donde el término entre corchetes corresponde al efecto impacto deseado, es decir:

∆Pr (2) = ∆Pr (~1)] [Pr (2|~1) + ∆Pr (2|~1) Pr (~1) + ∆Pr (2|~1) ∆Pr(~1)

Nótese que el último sumando de la expresión anterior no es necesariamente despreciable,

por lo que no es posible aplicar directamente la fórmula de la derivada de un producto en la
expresión (10.). Los cambios que puede producir una pequeña modificación de xik sobre las
probabilidades de cada etapa no tienen por qué ser tan pequeños como para considerar que
su producto es igual a cero.
 V ariables dependientes limitadas continuas | 67

5. Variables dependientes limitadas continuas

Muchas veces, en el análisis de la información de corte transversal nos enfrentamos con
la necesidad de trabajar con variables dependientes continuas pero que tienen algún tipo de
limitación o restricción a lo largo de su rango relevante de estudio.

Por ejemplo, este sería el caso de las notas que se obtienen en una evaluación, las mismas
que, según el sistema de calificación, pueden fluctuar solo entre 0 y 20. También se presenta
cuando solo podemos observar el gasto efectivo de aquellas personas que adquieren un bien
pero no su disponibilidad a pagar, más aún si es inferior al precio mínimo con el que es posible
acceder al bien. Finalmente, también es el caso de los ingresos percibidos por el trabajo
remunerado, dado que no es posible observar el ingreso potencial de una persona que no está
laborando en el momento en que se recoge la información por analizar. En cualquiera de estas
situaciones, las observaciones correspondientes son excluidas de la muestra (lo que se define
como “truncamiento”, ya sea incidental o no), o su incorporación en ella es distorsionada por
un valor específico que no es el real (lo que se define como “censura”).

Las razones conceptuales de estas limitaciones pueden ser diversas, pero es posible
categorizarlas en dos grandes grupos: el truncamiento y la censura. Ellos definen, a su vez, tres
tipos de variables dependientes continuas limitadas: las truncadas, las censuradas y aquellas
con sesgo de selección (o truncamiento incidental).

5.1 Variables dependientes con truncamiento no incidental

El truncamiento se produce cuando la variable dependiente (yi) se observa, si y solo si esta

toma un valor mayor que a, donde a es una constante cualquiera. Lo mismo ocurre con toda
68 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

la información referida a las posibles explicativas del modelo, el vector xi , asociadas con esas
observaciones truncadas.

Por ejemplo, supongamos que queremos analizar la disponibilidad a pagar por un automóvil
nuevo, si es que es cierto que en el mercado el más barato que se puede encontrar tiene un
precio de US$ 7.000. De esta manera, cuando la persona está dispuesta a pagar US$ 7.000
o más, es probable que compre el auto y que se registre su gasto efectivo (yi )38 y toda su
información socioeconómica (xi ). Si, por el contrario, la persona está dispuesta a pagar menos
de US$ 7.000, no realiza ninguna compra y no se cuenta con sus datos asociados; es decir,
esa observación “desaparece” de la muestra.

5.1.1 Variable aleatoria truncada

Definamos el concepto de variable aleatoria truncada. Es aquella que tiene una función de
densidad de la forma:
f (y)
f (y | y < a) =
(1.)
Pr(y > a)
Dada la condicionalidad detrás de (1.), se justifica la necesidad de escalar la función de
densidad original, f (y), de tal manera que su integral sea uno cuando solo se incluyan los
valores no truncados, es decir, en este caso, los valores mayores a a . Este procedimiento se
conoce como “normalización de la densidad”, donde el denominador de (1.) es la constante
normalizadora que corresponde al integral del numerador en el rango entre –∞ y a .

La distribución de una variable truncada, como la planteada en la ecuación (1.), tiene

características especiales que pueden sintetizarse en el siguiente teorema:

Teorema 1

Si y ∼ N (m, s2) y a es una constante, entonces:

E (y| truncamiento) =m + sl (a), y

Var (y| truncamiento) =s2 [1 – δ (a)],

38
En este caso, suponemos que el gasto efectivo aproxima la disponibilidad a pagar dado que esta no es observable.
Este supuesto es razonable en la medida en que existe una amplia gama de marcas y precios para el bien “auto
nuevo”.
 V ariables dependientes limitadas continuas | 69

(a − µ)
donde α = .
σ
La función l(•) es conocida como la “inversa del ratio de Mills”, que, en este caso, puede
ser:
f (α )
λ (α ) = si el truncamiento es hacia abajo (y > a) (2.)
1− F (α )

− f (α )
λ (α ) = si el truncamiento es hacia arriba (y ≤ a) 3.)
F (α )

La función δ (•), por su parte, viene dada por δ(a) = l(a) [l(a) - a], donde 0 < δ(a) < 1,
∀a.

Nótese que si se truncan los valores por debajo de una constante a, la media de la variable
truncada será mayor que la original, mientras que si se truncan hacia arriba, la primera será
menor que la última. De otro lado, la varianza de la variable truncada será siempre menor que
la de la variable original (dado que δ(a) se encuentra entre 0 y 1).

5.1.2 Truncamiento en el modelo de regresión

Volviendo al ejemplo de la disponibilidad a pagar por un automóvil (yi), definamos el siguiente

modelo para explicarla a partir de un conjunto de variables explicativas (xi ):

yi = xi ‘ b + ui, (4.)

donde ui ∼ N (0, s2), por lo que E (yi | xi = xi ‘ b).

Recuérdese que solo es posible observar la variable dependiente y sus determinantes cuando
esta supera el precio más bajo del mercado (a). Tomando el valor esperado de la disponibilidad
de pago, condicionada al truncamiento, se tiene:

E (yi|yi > a; xi) = xi ‘ b + E (ui|yi > a; xi) = xi ‘ b + E (ui|ui > a - xi ‘ b; xi) (5.)

70 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

Si aplicamos el teorema 1 al resultado anterior, se tiene que39:

E ( y i y i > a ;x i ) = x i ' β + σλ (αi ) (6.)

Donde:
f (α i ) a − xi ' β
λ (α i ) = , αi = .
1 − F (α i ) σ
De esta forma, el modelo de variable dependiente truncada sería:

yi yi > a = xi ' β + σλ ( αi ) + ui
(7.)

el mismo que solo es posible estimar para el conjunto de observaciones no truncadas.

Si se estimara linealmente yi en función solo de xi, se estaría omitiendo la variable explicativa

l(ai), la cual, debido a la pérdida de información que implica el truncamiento, no es posible
estimar de manera alguna. Por ello no es adecuado usar directamente MCO, y la alternativa
es estimar el modelo por máxima verosimilitud utilizando la función de verosimilitud
truncada40:
N
f ( ui )
L = ∏ (8.)
i =1 1 − F ( αi )
¿Qué resultado es el que interesa en el modelo de regresión truncada? ¿El efecto impacto o
ˆ Si es que solo se quiere analizar los efectos del cambio en una
los coeficientes estimados (b)?
variable explicativa sobre la dependiente para aquellas observaciones no truncadas incluidas
en la regresión, bastará con el efecto impacto correspondiente. El uso de los coeficientes bˆ será
de interés si se quiere generalizar los resultados a toda la población, esté truncada o no.

Consistente con nuestro ejemplo, mostremos a continuación cómo se deriva el efecto impacto
correspondiente cuando la variable dependiente está truncada para valores menores que a .

39
Como ya vimos antes, el valor esperado de yi en la muestra difiere del de la población total: es menor cuando
la censura es hacia arriba (yi ≤ a), y mayor cuando es hacia abajo (yi > a). Es relativamente sencillo demostrar que
la diferencia entre dichos valores esperados, el elemento sl(a), se reduce a medida que aumenta a, en el primer
caso, y también cuando disminuye a, en el segundo. Dicho diferencial aumenta en cualquiera de las dos situaciones
cuando se incrementa la varianza.
40
Note que, de acuerdo con lo indicado en (1.), la forma de la función de densidad truncada es la siguiente:
 a − xi ' β  f ( ui ) f ( ui )
f  ui ui > = = .
 σ  Pr  u > a − xi ' β  1 − F (α i )
 i σ 
 
 V ariables dependientes limitadas continuas | 71

∂E y y > a ; x i ) ∂λ (α i ) ∂αi
( i i = β j +σ (9.)
∂xij ∂α i ∂xij
∂λ (α i )  β j 
= β j +σ − 
∂α i  σ 
 ∂λ (α i ) 
= β j 1 − 
 ∂α i 

∂λ (α i ) ∂F (α i )
Para hallar el diferencial es necesario tomar en cuenta que = f (α i ) y que la
∂α i ∂α i
función de densidad supuesta es la normal, por lo que ∂f (α i ) = −α i f (α i ). Con esto, se tiene
∂α i
el siguiente resultado41:

∂E ( y i y i > a ;x i )
= β j {1 − λ (αi ) [λ( αi) − αi ]} (10.)
∂xij

La expresión entre llaves, que se encuentra entre 0 y 142, es el factor de ajuste del coeficiente
bj (que corresponde el efecto impacto en un modelo lineal para toda la población), que da
cuenta del efecto del truncamiento. Nótese que s afecta la magnitud de los efectos impacto
(a través de ai) aun cuando no su dirección.

5.2 Variables dependientes censuradas

Volvamos al ejemplo de la disponibilidad a pagar por el automóvil, y supongamos que aun

si la persona no compra el auto, sí se registran sus datos (xi) como cliente potencial. En esta
situación la variable yi tomará el valor pagado por la persona si esta compra el auto, y el de 0
si no lo compra. En cualquiera de los dos casos, se habrá recogido información sobre el cliente.
De esta manera, podemos decir que la variable yi ha sido censurada en 0 para disponibilidades
a pagar menores que US$ 7,000, valor que es el precio mínimo de mercado43.

41
Se deja al lector la comprobación del mismo.
42
Dicha expresión es la varianza de una variable truncada estandarizada, cuando el truncamiento es hacia abajo,
tal como se desprende del teorema 1.
43
Es posible también que se presenten muestras con características combinadas de censura y truncamiento: la muestra es
diseñada solo para observaciones con un valor límite de a, pero las observaciones son registradas con valores hasta o desde b.
72 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

El modelo conceptual utilizado para el caso de variables discretas, donde asumimos la

existencia de una variable latente continua e ilimitada y cuya media condicional puede ser
modelada como una combinación lineal de un conjunto de explicativas, también puede ser
aplicado en este contexto. En el ejemplo anterior, la variable latente es la disponibilidad de
pago, la cual puede adoptar cualquier valor. La variable observada, en este caso, corresponde
a la latente pero solo cuando esta última supera el precio mínimo de mercado.

Otro ejemplo nos ayudará en la formalización de este modelo. Supongamos que la variable
latente (yi*) es el puntaje en una prueba de aptitud que incluye puntos en contra, mientras
que yi se define de tal forma que:
 y * si yi* > 0
yi =  i (11.)
 0 si yi * ≤ 0
En cualquiera de los dos casos se conocen los potenciales factores explicativos del puntaje
(xi).

De esta manera, la distribución de la variable yi tiene dos componentes claramente

diferenciados: la parte continua, para las observaciones no censuradas, y la discreta, para
aquellas a las que se asigna el puntaje de corte. En este caso, entonces, no hay necesidad de
escalar la distribución (como lo fue en el de las variables truncadas) ya que la probabilidad
acumulada es 100% si se considera que a las observaciones censuradas se les asigna la
probabilidad de estarlo.

5.2.1 Censura en el modelo de regresión

Si trabajamos en el ámbito del modelo de regresión, tenemos que la variable latente puede
ser representada como:

yi* = xi ‘ b + ui (12.)

Para establecer el valor esperado de la variable observada (yi), que considera también las
observaciones censuradas, es necesario diferenciar entre dos situaciones alternativas. Al igual
que en el ejemplo anterior, en lo que sigue suponemos que el valor de corte es igual a cero
(a = 0).

Por ejemplo, volviendo al caso de la disponibilidad a pagar por un automóvil, si los autos en venta tienen precios por encima de
US$ 7.000 se genera el truncamiento, ya que no se observará ninguna venta por debajo de ese precio. Si, además,
para compras inferiores a US$ 10.000 solo se reporta la categoría “menos de 10.000” y no el valor exacto, las compras
estarán censuradas en el valor mínimo de US$ 10.000.
 V ariables dependientes limitadas continuas | 73

i) Para una observación tomada al azar

E (yi|xi) = (0) Pr (yi = 0) + E (yi|yi > 0; xi) Pr (yi > 0)

= E (yi|yi > 0; xi) Pr (yi > 0) (13.)
= (xi ‘ b + sl (ai)) (1 – F (ai))

Nótese que ahora, como la censura es en 0, se tiene que:

− xi ' β
αi = (14.)
σ
f ( − xi ' β σ ) f (xi ' β σ )
λ (αi ) = =
1 − F ( −x i ' β σ ) F (x i ' β σ )
Y su varianza sería, en cambio:

Var (yi|xi) = s2 F (ai)) [(1–d (ai)) + (ai – l (ai))2 (1 – F (ai))] (15.)

ii) Para una observación no censurada

Como es una situación similar a la de las observaciones no truncadas, el modelo sería el

mismo que el de la ecuación (6.), y su valor esperado correspondiente sería igual a:

E (yi|yi > 0; xi) = xi’ b + sl(ai) (16.)

Para este modelo aplica todo lo dicho en la sección 5.1.2.

La pregunta es, ahora, cómo estimar los modelos que contienen variables dependientes
censuradas y, específicamente, aquellos planteados en las ecuaciones (13.) y (16.). A
continuación se presentan dos posibles alternativas.

a. Estimación por MCO en dos etapas

La estimación MCO se realiza mediante un procedimiento en dos etapas, que consiste en

modelar el proceso de censura previamente a la estimación de la ecuación principal.

i) Primera etapa

Se utiliza una variable auxiliar (zi) de la forma:

74 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

zi =  1 si yi* > 0: no hay censura

 0 si y * ≤ 0: sí hay censura
 i

A partir de ella y de un conjunto de explicativas que den cuenta de la censura, se estima

un modelo probit para obtener el vector b/s de estimados y construir aˆ y l (a),
ˆ según están
definidos en la ecuación (14.).

ii) Segunda etapa

ˆ para estimar por MCO cualquiera de los dos modelos de las ecuaciones (13.)
Se utiliza l(a)
o (16.)44:

Modelo con todas las observaciones

i y i = ( x i ' β + σλ ( αi ) ) F ( − α i ) + u i (17.)
= F ( − αi) x β + σ f ( αi ) + ui

Lo que equivale a regresionar yi sobre F (–ai) xi y f (ai).

Modelo con todas las observaciones no censuradas

yi|yi > 0; yi = xi ‘b + sl (ai) + ui (18.)

Lo que equivale a regresionar yi sobre xi y l(ai) .

El uso de uno u otro modelo dependerá del objetivo de la investigación. El primero permitirá
predecir el valor promedio del total de observaciones. En el ejemplo de la disponibilidad a pagar
por un automóvil, sería el pago promedio realizado por una persona cualquiera de la muestra
total, haya comprado el auto o no (el valor promedio de compra45). El segundo modelo, en
cambio, servirá para calcular el valor promedio pagado por aquellas observaciones no censuradas
y, de nuevo en el ejemplo, haría posible predecir el valor promedio de las ventas efectivas.

44
Tómese en cuenta que la distribución normal supuesta para el modelo probit es simétrica, por lo que
1 – F (–z) = F (z).
45
Considerando que aquellos que no realizaron la compra pagaron un monto igual a cero.
 V ariables dependientes limitadas continuas | 75

b. Máxima verosimilitud: el modelo tobit46

Para estimar un modelo con variable dependiente censurada mediante el método de máxima
verosimilitud (MV), es necesario considerar que se tiene dos tipos de información. Aquella
referida a las observaciones no censuradas, para las que se conoce la esperanza condicional
de yi, y aquella referida a las observaciones censuradas, para las que se conoce la probabilidad
de estar censurada.

La función de verosimilitud se construye considerando ambos componentes. Así:

L = ∏ Pr ( y i > 0 ) f ( y i y i > 0 ) ∏ Pr ( y i =0 ) (19.)

yi > 0 yi = 0

Si recordamos que la función de densidad truncada viene dada por:

f ( yi )
f ( yi yi > 0 ) =
Pr ( yi > 0 )
La expresión dada en (19.) equivale a:

L = ∏ f ( y i )∏ Pr ( y i = 0 )
(20.)
yi > 0 yi =0

Note que el tobit implica que los coeficientes estimados promedian dos tipos de efectos de
las variables explicativas: aquel sobre la probabilidad de estar censurado y, dado que no lo
está, el efecto sobre el valor esperado de yi.

Si no es posible garantizar que las mismas variables explicativas den cuenta de la censura, así
como del fenómeno económico que se quiere analizar condicionado a dicha censura, el tobit
puede no ser el modelo más adecuado para realizar la estimación, ya que el procedimiento
que involucra implica restringir ambos modelos a un mismo set de variables explicativas. Por
ejemplo, y tal como se afirma en Johnston y Dinardo (1997), saber conducir un automóvil puede
ser una explicativa importante para adquirir o no uno, pero podría no tener mayor impacto
sobre la cantidad que se paga por él una vez que se ha decidido comprarlo. En ese caso es
mejor usar el método de estimación en dos etapas visto previamente, en el que se da libertad
para incorporar variables explicativas distintas en cada una de ellas.

46
Aunque los problemas de censura ya habían sido analizados previamente, Tobin fue el primero en vincularlo con
el análisis de regresión (Tobin 1956). Además, lo relacionó con el modelo probit en el sentido de que hay dos tipos de
observaciones: sobre las que sí se tiene el valor de la dependiente, y las que tienen un valor de cero asignado. Es por
esta razón que se le conoce como el “modelo probit de Tobin” o “tobit”. No obstante, el problema de heterocedasticidad
es más grave en un tobit que un probit, ya que en el primero los b y s son identificables por separado en su parte
continua, mientras que en el probit se estima b/s de manera conjunta (Johnston y Dinardo 1997).
76 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

Por último, cabe destacar que las estimaciones por MCO sobre toda la muestra que
desconocen el problema de censura, son inconsistentes y suelen ser menores en valor absoluto
a los del tobit47.

5.2.2 Bondad de ajuste y efecto impacto

Si se analiza cuál es la medida de bondad de ajuste más apropiada en el caso de un modelo

censurado, podría elegirse el cuadrado del coeficiente de correlación entre yi e yˆi, donde
esta última se construye a partir del modelo dado en (17.). Este estadístico es distinto al
R-cuadrado de MCO (basado en la sumatoria de los errores al cuadrado), que, en el caso de
los modelos censurados, ya no se puede igualar al cuadrado del coeficiente de correlación
antes mencionado48.

La definición basada en el coeficiente de correlación es preferida a la del R-cuadrado debido a

que tiene la ventaja de fluctuar entre 0 y 1, cosa que no ocurre con el segundo, el que puede
ser negativo en regresiones sin intercepto. De todas formas, es necesario tener en cuenta que
el R-cuadrado no es tan importante en modelos censurados, especialmente en el caso del tobit,
ya que a diferencia de MCO, no maximiza este estadístico sino la función log-verosímil.

En cuanto a los efectos impacto, puede ser interesante estimarlos tanto para la muestra
completa (ecuación [17.]) como para las observaciones no censuradas (ecuación [18.]). En este
segundo caso, el efecto impacto será similar al de variables truncadas (ecuación [10.]), aun
cuando se observa un cambio de signo (si tomamos en cuenta que se está trabajando con una
censura hacia abajo, con un corte igual a cero y suponemos una distribución simétrica). Así:

∂E (y i y i > 0;x i )
= β{ 1− λ(αi) [αi + λ(αi)]} (21.)
∂xij j

Este resultado, sin embargo, tiene las mismas consecuencias vistas previamente respecto
del problema de truncamiento.

En el caso del modelo (17.) (para la muestra completa), se tiene el siguiente efecto
impacto:

47
Si se divide el estimador MCO por la proporción de observaciones no censuradas que hay en la muestra, se obtiene
una buena aproximación del estimador de máxima verosimilitud (Greene 2003).
48
Esta igualdad es solo válida cuando la relación entre las variables es lineal (Novales 1997).
 V ariables dependientes limitadas continuas | 77

∂E ( y i x i ) βj x 'β βj
= β j F ( − αi ) + x i ' β f (αi ) − σ i f (α i ) (22.)
∂xij σ σ σ
= β j F ( −αi )

De esta manera, en el caso de trabajar con la muestra completa, para que el coeficiente bj
refleje el efecto impacto de la variable explicativa j sobre el valor esperado de yi, es necesario
multiplicarlo por la probabilidad de la no censura, F (–ai). Si comparamos este efecto impacto
con aquel asociado al de toda la población (bj), notaremos que ambos se asemejarán en la
medida en que F (–ai) tienda a 1. Como es de esperarse, los resultados que toman en cuenta una
potencial censura en la muestra y aquellos referidos a la data sin censurar serán equivalentes
en la medida en que la mayoría de observaciones se concentren en la parte no censurada. Bajo
estas circunstancias, las estimaciones que toman en cuenta la especificación para la medida
condicional dada en (13.) serán equivalentes a aquellas que se obtendrían si se regresiona yi
sobre xi mediante MCO49.

5.3 Sesgo de selección o truncamiento incidental

El problema de sesgo de selección se produce cuando la inclusión de una unidad económica

en la muestra depende de una decisión previa que no es exógena, por lo que resulta ser una
muestra no aleatoria50. En particular, y tal como veremos más adelante, el sesgo ocurre cuanto
el componente no observable de la decisión de pertenecer a la muestra está correlacionado
con el componente no observable del fenómeno bajo análisis.

Por ejemplo, supongamos que se quiere analizar el rendimiento estudiantil pero solo se
cuenta con información suficiente sobre dicho rendimiento y sus determinantes para el caso
de escuelas privadas. Como veremos, el hecho de trabajar solo con aquellos niños y jóvenes
cuyas familias decidieron matricularlos en un colegio particular puede tener un efecto sobre
el modelo que se busca estimar y, en especial, sobre su media.

49
Formalmente, E (yi|xi) = (xi ‘b + sl (ai)) (1–F (ai)) → xi ‘b, en la medida en que a → -∞. Es decir, la media
condicional de la variable dependiente tenderá a la clásica especificación lineal en la medida en que la censura no sea
relevante. Vale la pena notar que, en general, b no se refiere a los efectos marginales que se obtendrían al regresionar
yi sobre xi mediante MCO, sino a los efectos marginales sobre la variable no observable (yi*). Ocurre, sin embargo,
que estos son equivalentes en el caso especial en que la censura no es relevante.
50
Solo se presenta el problema de sesgo de selección cuando la muestra no es aleatoria o la selección muestral no
es exógena. Es decir, si por ejemplo se separan observaciones de una muestra de manera aleatoria, o se utiliza algún
criterio exógeno como la edad, el sexo o la raza, no se producirá un problema de sesgo de selección.
78 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

Analicemos primero la decisión de asistir a determinado tipo de colegio (ecuación de

selección). Para esto, y de acuerdo con la formulación desarrollada para los modelos de elección
binaria, supongamos que la utilidad de asistir a un colegio privado (zi*) puede representarse
como:

zi* = wi' g + ei: ecuación de selección (23.)

Esta variable no es directamente observable. Lo que sí se observa es si el estudiante está

matriculado en un colegio privado o no, resultado que depende de que la utilidad de hacerlo
supere determinado umbral (a). De esta forma, si zi* > a, el alumno se matricula en un colegio
privado y, por lo mismo, pertenece a la muestra de trabajo.

En lo que respecta al rendimiento, supongamos que, en general, este puede ser representado
como:

yi* = xi'b + ui: ecuación de rendimiento (24.)

Donde yi* es la nota final obtenida en determinado año de estudios escolares. Es necesario
notar que en la muestra de trabajo no se tienen observaciones de la distribución completa de
yi* sino solo de aquellas observaciones provenientes de estudiantes matriculados en una escuela
privada. Es decir, la variable dependiente observada (yi) viene dada según: yi = yi* si zi* > a.
Esto implica que si bien E [yi*|xi, wi] = xi’b, lo mismo no ocurre para E [yi |xi, wi]. En particular,
la esperanza condicional de interés viene dada por: E [yi|xi, wi] = E [yi*|zi* > a; xi, wi].

En este caso, entonces, será necesario definir la densidad condicional de yi* dado zi* de la
siguiente manera:
f ( yi *, zi * )
f ( yi *, zi * zi * > a ) = Pr (z * > a ) (25.)
i

y verificar sus propiedades a partir del teorema que se presenta a continuación.

Teorema 2: distribución truncada conjunta

Si dos variables y y z tienen una distribución normal bivariada, con medias my y mz, varianzas
sy2 y sz2, y correlación ryz (distinta de cero), entonces:

E (y|truncamiento sobre z) = my + ryzsyl (az)

Var (y|truncamiento sobre z) = sy2 [1 – r2yzd (az)]
 V ariables dependientes limitadas continuas | 79

(a − µ z )
Donde α z = , y l(•), la inversa del ratio de Mills, viene dada según:
σz

f (α z )
λ ( αz ) = si el truncamiento es hacia abajo (z > a) (26.)
1 − F (α z )

− f (α z )
λ ( αz) = si el truncamiento es hacia arriba (z ≤ a) (27.)
F (α z )

La función d(•), por su parte, viene dada por d(az) = l (az) [l (az)-az] , donde 0< d(az) < 1∀az.

Nótese que la media de la variable truncada incidentalmente se desplaza en igual dirección

que ryz cuando el truncamiento es hacia abajo y en dirección opuesta cuando (z ≤ a). La varianza
se reduce cualquiera sea el caso ya que d(•) y r2yz están entre 0 y 1.

Si volvemos al ejemplo planteado y tomamos en cuenta los resultados del teorema 2 así como
las especificaciones dadas en (23.) y (24.) para zi* e yi*, respectivamente, tenemos que:
E [yi|zi* > a; xi, wi] = E [yi*|zi* > a; xi, wi] = xi’ b + ruesul (az) (28.)

a − wi ' γ f (α z )
Donde: α z = y λ (α z) = .
σε 1 − F (α z )

Vale la pena destacar varios elementos de la expresión anterior. En primer lugar, es claro
que E [yi|zi* > a; xi, wi] ≠ x’i b , excepto cuando rue = 0 o cuando a → –∞. Es decir, no bastará
con modelar la esperanza de nuestra variable dependiente como una combinación lineal de
sus determinantes si es que solo es posible observarla efectivamente cuando el agente cumple
con una característica especial (no es cierto que a → –∞) y dicha característica influye sobre
el resultado que estoy modelando (rue ≠ 0).

Para el ejemplo considerado, preguntarse si rue ≠ 0 equivale a preguntarse si es que el hecho

de estar matriculado en un colegio privado (la característica especial que hace que una unidad
sea parte de la muestra) influye sobre el rendimiento del estudiante (el fenómeno que se está
modelando). Al respecto, nuestra respuesta será afirmativa en la medida en que creamos que,
además de las características socioeconómicas típicamente observables como la capacidad de
gasto del hogar, existen otros factores no observables (como la importancia que da el hogar
a la acumulación de capital humano) que afectan tanto a la decisión de qué tipo de colegio
80 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

elegir como al rendimiento del niño en el colegio. Estos no observables serán capturados en ei y
mi, y el grado y dirección en el que afecten ambos fenómenos (selección y rendimiento) vendrá
dado, precisamente, por la correlación entre los dos términos de error (rue ) y su signo.

Si consideramos un sistema educativo como el peruano, donde la calidad de la educación

básica privada es superior a la pública, cabría esperar una correlación positiva: más importancia
asignada a la acumulación de capital humano por parte del hogar impactará positivamente
tanto en la decisión de matrícula en una escuela privada (la posibilidad de observar al agente
en la muestra considerada) como en el rendimiento en la misma. En este sentido, lo que se
plantea en (28.) es “corregir” al alza51 la esperanza del rendimiento para tomar en cuenta que se
está trabajando con aquellos individuos que pertenecen a hogares especialmente preocupados
por la educación de sus hijos.

Tan o más importante que entender la “corrección” introducida sobre la esperanza de la

variable de interés, es entender el riesgo que corremos de omitirla. De (28.), es claro que
la “corrección” propuesta no es otra cosa que una variable relevante más, cuya inclusión
es necesaria para lograr una correcta especificación de la media condicional de la variable
dependiente. No incluirla, por tanto, conduciría a los conocidos problemas asociados a la
omisión de variables. En particular, tendríamos estimadores sesgados o, para el caso de muestras
grandes, un estimador no consistente.

5.3.1 Estimación

La estimación del modelo de una variable dependiente con sesgo de selección puede hacerse
a través dos alternativas: MCO y MV. Cada una tiene una lógica específica que se detalla a
continuación.

a. MICO: el modelo Heckit52

En este caso se usa también un procedimiento en dos etapas. En la primera se estima la

ecuación de selección, que caracteriza la forma en que las observaciones son incluidas en la
ecuación principal53. La segunda etapa consiste en estimar el modelo principal con la muestra
no truncada incidentalmente.

51
Nótese que en la medida en que el truncamiento es hacia abajo, la “corrección” planteada tendrá un signo igual
al que exhiba este coeficiente de correlación.
52
Heckman (1979).
53
Es necesario contar con información referida a la parte de la muestra truncada para realizar esta estimación. En
nuestro ejemplo, esto equivale a tener información referida a las características socioeconómicas de los estudiantes
matriculados en una escuela pública, aun cuando no se dispone de información sobre su rendimiento.
 V ariables dependientes limitadas continuas | 81

i) Primera etapa

Se estima la ecuación de selección utilizando una variable auxiliar (zi) de la forma:

1 si zi * >0; matriculado en colegio privado
zi =
0 si zi * ≤ 0; matriculado en colegio público

Para ello se estima un probit que permita obtener los parámetros g/se. Con ellos se construyen
ˆaz y l (a
ˆ z), de acuerdo con lo indicado en (28.)

ii) Segunda etapa

ˆ z) para estimar por MCO el siguiente modelo:

En la segunda etapa se utiliza l (a

ˆ z)
yi = xi ‘ b + ruesul(a (29.)

ˆ z).
Es decir, regresionar yi sobre xi y l(a

Es necesario considerar que en la ecuación de selección se debe incluir, por lo menos, una
variable explicativa adicional que no esté en la ecuación de interés. Si bien la inversa del ratio
de Mills (que es un regresor de esta última) es una función no lineal de las explicativas de la
ecuación de selección, frecuentemente se puede aproximar a través de una función lineal. Por
lo mismo, no incluir dicho regresor adicional podría llevar a que la inversa del ratio de Mills
esté altamente correlacionada con las otras explicativas de la ecuación de interés.

b. Máxima verosimilitud

Para estimar un modelo con sesgo de selección a través del método de MV es necesario
considerar que se tiene dos tipos de información. Aquella referida a las observaciones no
truncadas, para las que se conoce la esperanza condicional, y aquella referida a las observaciones
truncadas, para las que se cuenta con la probabilidad de estarlo.

Entonces, la función de verosimilitud se construye considerando ambos tipos de información.

Así:

L = ∏ Pr (z * > 0) f ( y
zi * > 0
i i z i * > 0 ) ∏ Pr ( zi* ≤ 0 )
zi * = 0
(30.)

Si tenemos en cuenta que:

82 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

f ( yi )
f ( yi zi * > 0 ) =
Pr ( zi * > 0 )

La función de verosimilitud equivale a:

L= ∏ f (y )∏ Pr ( z *≤ 0 )
zi * > 0
i
zi * = 0
i (31.)

5.3.2 Efectos impacto

Discutamos, finalmente, el efecto impacto de una variable explicativa que se encuentre tanto
en la ecuación de selección como en la de interés, sobre una dependiente con truncamiento
incidental. Retomando (28.) tenemos:

E [yi|zi* > a; xi, wi] = xi ‘b + ruesul (az)

f (α z )
Donde: λ ( α z ) = .
1− F (α z )

− wi ' γ f (α z )
Si suponemos que a = 0 tenemos, además, que α z = y λ (α z) =
σε F ( −α z )
Entonces, el efecto impacto de un cambio en una variable explicativa xj sobre la media de
yi truncada incidentalmente sería:

∂E y i z i * > 0;x i ,wi  ∂λ (α z ) ∂α z (32.)

= β j + ρuε σu
∂xij ∂α z ∂xij
 γ 
= β j + ρuε σu  − αz λ ( αz ) + λ ( αz )   − j 
2
  σ
 ε
ρuε σu γj
= βj − λ ( α z ) 2 − α z λ (αz)
σ  
ε

Donde el último corchete es igual a d(az).

Veamos el significado de este resultado, recordando que la variable xj se encuentra en ambas

ecuaciones, la de selección y la de interés. Si rue es positivo y la esperanza de yi es mayor para
valores positivos de zi*, como d(az) se encuentra entre 0 y 1, el segundo término que aparece
 V ariables dependientes limitadas continuas | 83

restando a bj reduce el efecto impacto. El cambio en la probabilidad de que zi = 1 ante un

cambio xj afecta a la media de yi, ya que en el grupo donde zi = 1 la media es más alta. Así, el
término que resta a bj compensa este efecto, dejando solo el efecto marginal de un cambio
en xj sobre la media de yi , dado que zi* > 0 (Greene 2003).

Al igual que en el caso de truncamiento analizado anteriormente, bj se refiere al efecto

impacto del j-ésimo regresor sobre la media de la variable dependiente en toda la población. En
términos del ejemplo planteado, bj se refiere al efecto impacto sobre el rendimiento estudiantil,
mientras que el resultado dado en (32.) se refiere al efecto impacto sobre el rendimiento en
escuelas privadas de una variable que afecta tanto al rendimiento como a la probabilidad
de estudiar en una escuela de este tipo. Es importante notar que ambos efectos impacto
comparten el término bj atendiendo al hecho de que todo este planteamiento se sustenta en
que el rendimiento escolar responde a un solo proceso generador de datos. De hecho, si se
tratase de un regresor que solo afecta a la ecuación de rendimiento, su efecto impacto sería
igual al coeficiente correspondiente del vector b, al margen del tipo de escuela.

Vale la pena resaltar que la corrección por truncamiento incidental no es solo relevante
cuando nos interesa conocer los efectos marginales para la muestra truncada. De hecho, en
muchos casos el interés de la investigación se concentra en determinar el valor del vector b,
y, en cualquier caso, su estimación consistente requiere considerar la corrección por la inversa
del ratio de Mills.

Por último, cabe mencionar el caso en que las ecuaciones de interés tengan especificaciones
diferentes para ambos grupos. En nuestro ejemplo, esto equivale a que el rendimiento en
la escuela privada responda a un modelo distinto al de la pública. De ser este el caso, será
necesario estimar dos regresiones separadas para cada uno, evaluando en ambas la corrección
por el sesgo de selección correspondiente54.

54
Téngase en cuenta que en el momento de trabajar con el grupo donde z = 0, la inversa del ratio de Mills asociada
− f (α z )
a la probabilidad de que z* > a es igual a: λ ( α z ) = (véase la expresión dada en [27.] tomando en cuenta
F (α z )
que los roles entre la muestra truncada y no truncada se han invertido).
Cuadro 1 . Variable dependiente continua limitada: resumen con las especificaciones más comunes
Especificación de la variable
Fenómeno Media condicional relevante Efectos impacto relevantes
dependiente
Efecto del j-ésimo regresor sobre toda la población:

Media condicional para la muestra no truncada: ∂yi *

= βj
∂xij
 y * si yi * > a
yi =  i E (y i y i > a ;x i ) = x i ' β + σλ (αi )
Truncamiento  N .D . si yi * ≤a Efecto del j-ésimo regresor sobre la muestra no trun-
no incidental y * = x ' β + u
i i i a − xi ' β f (α i ) cada:
αi = , λ (α i ) =
ui ∼ (0, σ 2 ) σ 1 − F (α i )
∂E (y i y i > a ;x i )
= β j {1 − λ (αi ) [λ (αi ) − αi ]}
∂xij

Media condicional para toda la muestra: Efecto del j-ésimo regresor sobre toda la muestra:
 y * si yi * > 0
yi =  i E (y i x i ) = (x i ' β + σλ (αi ))(1 − F (αi ))
 0 si yi * ≤ 0 ∂E (y i x i )
= β j F (− α i )
∂xij
yi * = xi ' β + ui
Media condicional para la muestra no censurada: Efecto del j-ésimo regresor sobre la muestra no cen-
Censura ui ∼ (0, σ 2 ) surada:
E (y i y i > 0;x i ) = x i ' β + σλ (αi )
84 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

− xi ' β f ( xi ' β σ ) ∂E (y i y i > 0;x i )

αi = , λ (α i ) = = β j {1 − λ (αi ) [αi + λ (αi ) ]}
σ F (x i ' β σ ) ∂xij
 Especificación de la variable
Fenómeno Media condicional relevante Efectos impacto relevantes
dependiente

Media condicional para la muestra no truncada: Efecto del j-ésimo regresor sobre la muestra no trun-
cada cuando el regresor solo afecta la ecuación de
E y i z i * > 0;x i ,wi  = xi ' β + ρu ε σu λ (αz )
rendimiento:
 y * si zi * > 0 f ( wi ' γ σ ε ) ∂E y i z i * > 0;x i ,wi 
yi =  i − wi ' γ = βj
 N .D . si z i * ≤ 0 αz = , λ (α z ) = ∂xij
σε F (w i ' γ σ ε )
Truncamiento y * = x ' β + u
i i i Efecto del j-ésimo regresor sobre la muestra no trun-
incidental
cada cuando el regresor afecta tanto a la ecuación
(sesgo de z i * = w i ' γ + ε i
de rendimiento como a la de selección:
selección) 2
ui   0   σu ρuεσu σε 
 ε  ∼ N  0  ,  
 i ∂E y i z i * > 0;x i ,wi 
   ρuε σu σε σ2ε  
=
∂xij
ρuε σ u γ j
βj − λ (α z )2 − α z λ (α z )
σε  
V ariables dependientes limitadas continuas | 85
 Bibliografía | 87

Bibliografía
BELTRÁN, Arlette y Janice SEINFIELD
2009 Identifying Successful Strategies for Fighting Child Malnutrition in Peru. Documento
inédito. PNUD.

BRAUN, Miguel y Luciano DI GRESIA

2003 “Towards Effective Social Insurance in Latin America: The Importance of Counterciclical
Fiscal Policy”. Preparado para el seminario Dealing with Risk: Implementing Employment
Policies Under Fiscal Constrains. Inter-American Development Bank.

CASTRO, Juan F.
2008 “Política fiscal y gasto social en el Perú: ¿cuánto se ha avanzado y qué más se puede
hacer para reducir la vulnerabilidad de los hogares?”. En: Apuntes, 62, primer semestre
del 2008. Centro de Investigación de la Universidad del Pacífico.

CRAGG, John y Russel UHLER

1970 “The Demand for Automobiles”. En: Canadian Journal of Economics, 3, pp. 386-406.

DEATON, Angus
2009 Randomization in the Tropics, and the Search for the Elusive Keys to Economic
Development. National Bureau of Economic Research.
2000 The Analysis of Household Surveys: A Microeconometric Approach to Development
Policy. The World Bank, The Hopkins University Press.

FUTING LIAO, Tim

1994 Interpreting Probability Models: Logit, Probit and Other Generalized Linear Models.
Thousand Oaks, CA: Sage Publications.
88 | Mo d elo s d e d at o s d e p anel y variab les dependientes limitadas : teoría & práctica

GOURIEROUX, Christian
2000 Econometrics of Qualitative Dependent Variables. Cambridge, Reino Unido: Cambridge
University Press.

GREENE, William H.
2003 Econometric Analysis. 5ª ed. New York University. Prentice Hall.

GUJARATI, Damodar N.
2007 Econometría. 4a ed. McGraw-Hill.

HECKMAN, James J.
1979 “Sample Selection Bias as a Specification Error”. En: Econometrica, 47, pp. 153–61.

JOHNSTON, Jack y John DINARDO

1997 Econometric Methods. 4a ed. McGraw-Hill.

LONG, J. Scott y Jeremy FREESE

2006 Regression Models for Categorical Dependent Variables Using Stata. 2a ed. Stata
Press.

LUSTIG, Nora
1999 Crises and Poor: Socially Responsible Macroeconomics. Sustainable Development
Technical Paper Series POV-108. Inter-American Development Bank.

MADDALA, G. S.
1983 Limited-Dependent and Qualitative Variables in Economics. Nueva York: Cambridge
University Press.

McFADDEN, Daniel L.
1973 “Conditional Logit Analysis of Qualitative Choice Analysis”. En: ZAREMBKA, P. (Ed.)
Frontiers in Econometrics. Nueva York: Academic Press, pp. 105-42.

MENDO, Fernando y Claudia LISBOA

2009 Acumulando capital para acumular capital: el caso de los jóvenes en el Perú. Documento
inédito. Universidad Pacífico.

NOVALES, Alfonso
1997 Estadística y Econometría. Madrid: McGraw-Hill.
 Bibliografía | 89

POZO, Silvana y Hongrui ZHANG

2008 Los determinantes del peso al nacer. Documento inédito. Universidad del Pacífico.

RAVALLION, Martin y Shubham CHAUDHURI

1997 “Risk Insurance in Village India: Comment”. En: Econometrica, 65, pp. 171-84.

SMITH Lisa y Lawrence HADDAD

2000 Explaining Child Malnutrition in Developing Countries: A Cross-Country Analysis.
International Food Policy Research Institute.

TOBIN, James
1956 “Estimation of Relationships for Limited Dependent Variables”. En: Econometrica, 26,
pp. 24-36.

YAMADA, Gustavo y Juan Francisco CASTRO

2008 Gasto público y desarrollo social en Guatemala: diagnóstico y propuesta de medidas.
Documento inédito. Universidad del Pacífico.

WILKS, Samuel S.
1962 Mathematical Statistics. Nueva York: Wiley [2a ed. corregida, 1963]

WOOLDRIDGE, Jeffrey
2002 Econometric Analysis of Cross Section and Panel Data. MIT Press.
BIBLIOTECA UNIVERSITARIA

Modelo de datos de panel y

variables dependientes limitadas:
teoría & práctica
Arlette Beltrán
Juan Francisco castro
© Uni­ver­si­dad del Pa­cí­fi­co
Ave­ni­da Sa­la­verry 2020
Li­ma 11, Pe­rú

Modelos de datos de panel y variables dependientes limitadas: teoría y práctica

Arlette Beltrán
Juan Francisco Castro
1a edi­ción: septiembre 2010
Di­se­ño grá­fi­co: Jo­sé An­to­nio Me­so­nes
Impresión: Tarea Asociación Gráfica Educativa
Pasaje María Auxiliadora 156, Lima 5
ISBN: 978-9972-57-167-1
He­cho el De­pó­si­to Le­gal en la Biblioteca Nacional del Perú: 2010-12033

BUP

Beltrán, Arlette
Modelos de datos de panel y variables dependientes limitadas : teoría y práctica / Arlette
Beltrán, Juan Francisco Castro. -- Lima : Universidad del Pacífico, 2010.
Incluye referencias bibliográficas.

1. Modelos econométricos 2. Análisis econométrico 3. Análisis econométrico -- Estudio de

casos
I. Universidad del Pacífico (Lima) II. Francisco Castro, Juan.

330.015 195 (SCDD)

Miem­bro de la Aso­cia­ción Pe­rua­na de Edi­to­ria­les Uni­ver­si­ta­rias y de Es­cue­las Su­pe­rio­res (Ape­su) y miem­

bro de la Aso­cia­ción de Edi­to­riales Uni­ver­si­ta­rias de Amé­ri­ca La­ti­na y el Ca­ri­be (Eu­lac).

La Uni­ver­si­dad del Pa­cí­fi­co no se so­li­da­ri­za ne­ce­sa­ria­men­te con el con­te­ni­do de los tra­ba­jos que pu­bli­ca.
Pro­hi­bi­da la re­pro­duc­ción to­tal o par­cial de es­te tex­to por cual­quier me­dio sin per­mi­so de la Uni­ver­si­
dad del Pa­cí­fi­co.

De­re­chos re­ser­va­dos con­for­me a Ley.

 Índice | 5

Índice

1. Introducción................................................................................................................................. 7

2. Vulnerabilidad del consumo frente a shocks idiosincrásicos y agregados:

un modelo de datos de panel . ............................................................................................ 13

3. Pobreza y logro educativo en Guatemala: un modelo con variable dependiente

binomial ........................................................................................................................................ 25

4. Efectividad del gasto público para combatir la desnutrición infantil en el

Perú: un modelo con variable dependiente multinomial ordenada ................. 41

5. ¿Qué hacen los jóvenes al concluir la secundaria?: un modelo con variable

dependiente multinomial no ordenada ...................................................................... 55

6. Determinantes del peso al nacer: un modelo con sesgo de selección . ........... 79

Bibliografía .................................................................................................................................. 97

Anexo: Conociendo el entorno de Stata .......................................................................... 101

1. Entorno de Stata........................................................................................................................... 101
2. Datos generales............................................................................................................................. 102
3. Empezando a trabajar................................................................................................................. 104
4. Comandos ...................................................................................................................................... 108
 Introducción | 7

1. Introducción
Sobre los temas de este libro

Todas las técnicas o estimadores utilizados en el análisis econométrico multivariado apuntan,

de una u otra manera, a aislar el efecto o impacto marginal que tiene determinada variable
(explicativa) sobre otra (explicada). De hecho, es a través de este proceso que validamos
nuestras hipótesis de trabajo, como podrían ser: “la demanda por este producto tiene una
elasticidad precio unitaria”; “el grado de instrucción del padre no afecta el rendimiento escolar
del niño”; “si la madre tiene secundaria completa, es más probable que su parto sea atendido
por un profesional de la salud”.

Para lograr lo anterior, debemos empezar por reconocer que el fenómeno bajo análisis es
complejo (como la mayoría de fenómenos sociales) y que depende de muchas otras variables.
Así, partimos de un marco de trabajo dado por un conjunto de supuestos sobre la manera como
han sido generados los datos asociados a nuestras variables, tanto la(s) que es(son) explicada(s)
como las que hemos elegido para explicarla(s), a partir de algún modelo conceptual o teórico.
Dados estos supuestos, procedemos luego a buscar la técnica de estimación que arroje los
resultados más precisos posibles, y nos preocupamos por identificar el estimador alternativo
más apropiado en caso alguno de estos supuestos no se verifique.

En general, podemos decir que nuestra preocupación respecto a la “precisión” tiene que
ver con la posible distancia que habrá entre el valor numérico estimado y el valor “real” (o
paramétrico) del impacto marginal que tiene la variable de interés sobre el fenómeno analizado.
Esta distancia viene determinada tanto por la dispersión de los posibles valores estimados a
partir de la técnica empleada, como por el valor alrededor del cual estas probables respuestas
se concentran o convergen.
8 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

El lector familiarizado con el análisis econométrico habrá notado que los pasos y
consideraciones resumidos en los párrafos anteriores corresponden al contenido de un curso
o texto de econometría básica. El marco de trabajo viene dado por los supuestos del modelo
lineal general y, bajo este contexto, el estimador de mínimos cuadrados ordinarios (MCO) es el
preferido, atendiendo tanto a sus propiedades para muestras pequeñas como a aquellas para
muestras grandes. De hecho, estas propiedades tienen que ver con la noción de “precisión”
explicada líneas arriba: la dispersión de las posibles respuestas está relacionada con la varianza
del estimador (se busca que sea la mínima posible – propiedad de eficiencia), mientras que la
posibilidad de que el valor alrededor del cual estas respuestas se concentran o convergen sea
igual al valor paramétrico, tiene que ver con las propiedades de insesgamiento o consistencia,
respectivamente.

Desde el punto de vista de los datos, el desarrollo y levantamiento sistemático de encuestas

multipropósito (para la medición de niveles de vida, empleo, estado de salud, etc.) ha permitido
a los investigadores sociales contar con información socioeconómica y demográfica para una
gran cantidad de individuos y hogares, incluso a lo largo del tiempo. Esto ha hecho más fácil
explicar y representar una gama más amplia de fenómenos, y constituye una ventaja en la
medida en que aumenta la probabilidad de contar con variables de control apropiadas para
el análisis. El afán por medir el efecto de una variable sobre otra, “dejando todas las demás
constantes”, sigue vigente, y disponer de variables de control es lo primero que necesitamos
para garantizarlo.

El hecho de enfrentar una gama más amplia de fenómenos sociales por explicar se ha
traducido, también, en la necesidad de introducir supuestos distintos a los del modelo lineal
general en el momento de caracterizar los datos. Esto, en muchos casos, implica utilizar técnicas
econométricas alternativas al estimador MCO. Varios de estos nuevos supuestos y técnicas
son el tema central de este libro, el cual, en particular, tiene que ver con la modelación de
variables dependientes limitadas y el trabajo con datos de panel.

El primer grupo hace referencia a las técnicas necesarias para trabajar con variables
dependientes cuyo rango de posibles valores está acotado, ya sea por la naturaleza misma
del indicador o por el tipo de muestra utilizado. Al mencionar la naturaleza del indicador nos
referimos al caso de variables dependientes discretas, donde la principal extensión respecto
al modelo lineal general radica en que la media condicional de la variable que se busca
modelar ya no es una función lineal de los parámetros. En la medida en que las variables que
pertenecen a este grupo indican el resultado directo de un proceso de toma de decisiones por
parte de agentes individuales (por ejemplo, participar o no en el mercado laboral; inscribirse
en la instrucción superior; trabajar o quedarse en casa), estos modelos son típicamente
 Introducción | 9

empleados para evaluar el rol de los incentivos y posibles restricciones que enfrentan los
agentes en el momento de tomar dichas decisiones (retornos esperados, acceso al crédito,
oferta de servicios públicos, entre otros). La no linealidad del modelo, por su parte, se debe a
que este explica la probabilidad de que un agente determinado elija alguna de las categorías
u opciones analizadas. ¿Cómo hacer para modelar una probabilidad e interpretar el efecto de
distintas variables sobre la misma? Los acápites de variable dependiente discreta de este libro
responderán esta pregunta.

Cuando hablamos del tipo de muestra utilizado, por otro lado, nos referimos a aquellos casos
en los que el rango de posibles valores de la variable dependiente se encuentra truncado o
censurado. El caso más emblemático tiene que ver con el fenómeno de sesgo de selección,
y se refiere a aquellas situaciones en que los atributos que determinan la pertenencia a
la muestra afectan también al resultado que se busca explicar o modelar. En este caso, la
extensión respecto al enfoque clásico del modelo lineal general tiene más que ver con nuestra
preocupación por “dejar todo lo demás constante” en el momento de cuantificar los efectos
que nos interesan. Imaginemos que se quiere evaluar el resultado de determinado tratamiento
médico no convencional y se utiliza una muestra de pacientes en un hospital caracterizado
por la aplicación de métodos no convencionales. El hecho de pertenecer a la muestra utilizada
(estar en el hospital en cuestión) responde a un atributo (la confianza en los métodos no
convencionales) que puede terminar afectando lo que se desea medir (la mejoría o sensación
de bienestar de los pacientes). ¿Cómo saber entonces qué parte del efecto tiene que ver con
el tratamiento y cuál con el hecho de estar trabajando con un grupo que confía (más que el
promedio) en estos métodos? El acápite de truncamiento, censura y sesgo de selección de este
libro mostrará al lector cómo lidiar con situaciones como esta.

El segundo grupo de técnicas se relaciona con el manejo de información que varía tanto a
través del espacio como a lo largo del tiempo, o, para ser más precisos, con información para
un mismo conjunto de unidades a lo largo de más de un período. Esto es lo que en la literatura
se conoce como un “modelo de datos de panel” o “de datos longitudinales”. Desde un punto de
vista práctico, la principal ventaja de una base de datos con estas características se relaciona,
una vez más, con nuestra preocupación por “dejar todo lo demás constante”.

Respecto al modelo lineal general, el hecho de contar con información a lo largo del tiempo
para una misma unidad de análisis, permite asumir una estructura de error más compleja,
que destaque de manera explícita la presencia de características no observables atribuibles
a cada unidad de análisis. Este punto está estrechamente vinculado con los problemas de
endogeneidad (o de regresores estocásticos) que típicamente acompañan cualquier esfuerzo
de modelación econométrica que no sea puramente experimental. Si recordamos que estos
10 | Modelos de datos de panel y vari ables dependientes limitadas: teoría & práctica

no observables son los que típicamente causan los problemas de endogeneidad de nuestros
regresores, la posibilidad de reconocerlos y controlar por su presencia es, sin duda, beneficiosa
en términos de la “precisión” (consistencia) de nuestros estimados.

Imaginemos que se desea evaluar en qué medida la presencia de cámaras de seguridad en

las tiendas por departamento desalientan el robo. Para esto, podríamos comenzar por tener
una muestra de locales, algunos con el sistema de cámaras instalado y otros no. Cualquier
investigador mediadamente atento notará que una simple comparación entre la incidencia de
robo promedio en ambos grupos de tiendas muy probablemente esté sujeta a sesgos (a no ser
que la instalación de cámaras se haya hecho de manera aleatoria): muchos otros elementos
(además de la presencia de cámaras) pueden diferir sistemáticamente entre ambos grupos y
terminar afectando la incidencia de robos. La primera extensión en la que podemos pensar
es buscar e introducir controles y hacer nuestro mejor esfuerzo por “dejar todo lo demás
constante”.

Un investigador algo más escrupuloso dudará siempre sobre si efectivamente hemos podido
dejar “todo” constante y no vacilará en atribuir al error del modelo los efectos de alguna
variable que no es posible capturar y que sí afecta la incidencia del robo. Si, de acuerdo con
la lógica de un modelo de datos de panel, suponemos que este efecto es particular a cada
tienda por departamento y no registra variaciones significativas a lo largo del tiempo (como la
motivación del personal de seguridad), la posibilidad de observar la evolución de la incidencia
de robos en cada una de ellas (antes y después de la instalación de las cámaras) puede darnos
la solución. Una manera de controlar por esta heterogeneidad no observable es comparando
el diferencial de robos antes y después de instalado el sistema de seguridad entre las tiendas
donde fue instalado y aquellas donde no. Es decir, en lugar de comparar los robos en las tiendas
con cámaras frente a los robos en las tiendas sin cámaras (donde subsisten los efectos no
observables), comparamos la evolución de estos robos. Si al lector le interesa conocer qué
técnicas se puede aplicar para garantizar esto en el contexto de un modelo lineal, lo invitamos
a revisar nuestro capítulo de datos de panel.

Sobre el enfoque de este libro

Este libro trata sobre los temas, técnicas e interrogantes discutidos en los párrafos anteriores,
desde un punto de vista dual. Por un lado, se ha realizado un breve desarrollo teórico para cada
tópico. Su objetivo es formalizar el modelo estadístico asociado a cada tema, las propiedades
más importantes de los estimadores, y la manera como se utilizan sus resultados para hallar
los efectos marginales de las variables de interés. Conocer las principales características del
 Introducción | 11

modelo estadístico teórico es fundamental para elegir adecuadamente la técnica por emplear,
mientras que estar familiarizado con el cálculo de los efectos marginales es crucial para una
adecuada interpretación de los resultados obtenidos.

El otro lado está escrito desde un enfoque práctico y tiene que ver con el desarrollo de
casos aplicados con información e interrogantes reales. En cada uno de ellos, el lector podrá
encontrar dos elementos: (i) una guía sobre cómo aplicar las técnicas discutidas en el entorno
del paquete estadístico Stata; y (ii) un ejemplo de cómo interpretar, presentar y discutir sus
resultados a la luz de un objetivo de investigación y una hipótesis de trabajo.

El primer elemento es fundamental en cualquier texto aplicado y, para desarrollarlo, se

presentan de manera secuencial todos los comandos involucrados en la estimación y el
diagnóstico de los modelos; al final de cada caso, el lector cuenta con una secuencia de
comandos ejecutable (o do-file si usamos el lenguaje propio del Stata). El segundo elemento
es no menos importante y buscar evitar que “la técnica se separe de la historia”.

Como investigadores, es necesario recordar que la técnica tiene valor en la medida en

que nos permita interactuar de manera educada con los datos, para contrastar determinada
hipótesis. Esta hipótesis, a su vez, proviene de un desarrollo conceptual o teórico. Esto último
es la “historia” y no debe ser perdida de vista en el momento de elegir el tipo de datos y la
técnica por emplear. Para ello, cada caso parte de un objetivo de investigación y una (o varias)
hipótesis de trabajo, se discute brevemente por qué la técnica por utilizar es la más apropiada,
se adelanta qué esperar en términos de los valores estimados (se traduce la hipótesis de
trabajo en términos del proceso de inferencia asociado al modelo) y se discuten los resultados
obtenidos a la luz de los objetivos planteados.

Por todo lo anterior, pensamos que este libro puede tener diferentes tipos de lector. Uno
de ellos será aquel que, medianamente familiarizado con las técnicas econométricas que se
presentan, quiera analizar qué tipo de preguntas se responden mejor con cada una, o confirmar
si alguna de las técnicas aquí discutidas se ajusta a la pregunta que busca responder, para
pasar directamente a plantear su modelo, traducir las hipótesis de trabajo en hipótesis sobre
los coeficientes de las variables explicativas y, finalmente, interpretar adecuadamente los
resultados obtenidos luego de la estimación. A este lector, le sugerimos revisar directamente
los casos prácticos y solo voltear a las secciones teóricas cuando enfrente alguna duda de
esa naturaleza.

Si se tratara de un lector que trae consigo inquietudes específicas de investigación pero

que tiene un conocimiento muy limitado de las técnicas que es posible aplicar a información
12 | Modelos de datos de panel y vari ables dependientes limitadas: teoría & práctica

observada transversal o longitudinalmente, se le sugiere pasar previamente por la revisión de

la parte teórica. Al hacerlo, deberá decidir si prefiere concentrarse solamente en la discusión
más intuitiva de cada tema o si busca profundizar en la presentación analítica – matemática
que se incorpora en la mayoría de los tópicos que se desarrollan. Esta presentación más
rigurosa garantiza que la sección teórica pueda también servir como guía para un curso de
econometría avanzada de nivel de pregrado.

Por último, y sea cual fuere el lado por el que se desee empezar a leer, se asume que el lector
maneja medianamente bien los conceptos básicos de la econometría, al nivel de los que se
proponen en textos como los de Gujarati (2007) o Novales (1997).

Antes de terminar (o comenzar), queremos agradecer a Pedro Casavilca, por su apoyo con las
versiones preliminares de los casos; a Fernando Mendo, por ayudarnos a concluir con éxito este
proyecto; y a nuestros alumnos, por hacernos las preguntas apropiadas para guiar el énfasis
en los temas que se presentan en este libro.
 Vulnerab ilid ad d el cons umo frente a s hocks idios incrás icos y agregados | 13

2. Vulnerabilidad del consumo frente a shocks idiosincrásicos y agregados:

un modelo de datos de panel1

1. Motivación, objetivos e hipótesis

Escapar de la pobreza no es fácil en América Latina. La mayoría de economías en la región (y

el Perú no es la excepción) pueden ser caracterizadas como pequeñas y abiertas y, por lo mismo,
sujetas a fuertes y frecuentes shocks externos. Así, y aunados a los shocks idiosincrásicos que
afectan (como en todo el mundo) el ingreso de un hogar o de un grupo limitado de hogares,
nuestros pobres tienen también que sortear los efectos de fuertes, frecuentes y persistentes
shocks agregados.

Al respecto, existe suficiente consenso sobre los canales a través de los cuales una crisis
puede afectar el ingreso de los hogares y sobre cuáles son las características que llevan a que
un hogar pobre sea más vulnerable tanto frente a shocks negativos idiosincrásicos como a
agregados. En particular, y tal como lo reconocen Lustig (1999) y Braun y Di Gresia (2003), los
hogares pobres tienen una cartera poco diversificada de activos, acceso limitado al mercado de
crédito formal (debido a la existencia de asimetrías de información y altos costos de transacción)
y están típicamente autoempleados o trabajan en el sector informal (lo que incrementa el
nivel de riesgo asociado a su fuente de ingresos y los excluye del sistema de seguridad social
pública). Unido a esto, las recesiones exhiben efectos más persistentes en los hogares pobres
debido a que típicamente implican pérdidas en su dotación de capital humano (un estado de
salud deficiente y/o una menor calificación educativa).

1
Basado en Castro (2008).
14 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Tomando en cuenta lo anterior, el objetivo del presente caso es determinar el grado de

vulnerabilidad de los hogares peruanos ante shocks idiosincrásicos, y analizar hasta qué punto
la condición de pobreza del hogar así como su acceso a programas sociales de asistencia
alimentaria, impactan sobre el grado de exposición a estos shocks.

Al respecto, es de esperar que el grado de vulnerabilidad de los hogares pobres sea

significativamente mayor. Cabe destacar que, en principio, “pobreza” y “vulnerabilidad” no
son conceptos equivalentes. La pobreza está medida en función del nivel de gasto del hogar,
mientras que nuestra noción de vulnerabilidad depende del grado en el cual este gasto covaría
con el nivel de ingreso. Por lo mismo, nuestra hipótesis se encuentra en la intersección de
ambos conceptos y se sustenta en las dificultades que tienen los hogares pobres para acceder
a mecanismos que les permitan asegurar su nivel de consumo frente a distintos estados de
la naturaleza.

2. Metodología

a. ¿Por qué un panel de datos?

En este caso, resulta indispensable contar con una estructura de base de datos de panel,
en la medida en que el análisis se basa en medir el grado de correlación existente entre las
variaciones del consumo y las variaciones del ingreso del hogar. Por lo mismo, es necesario
contar con observaciones para un mismo conjunto amplio de hogares en, por lo menos, dos
períodos consecutivos.

Por otro lado, la presencia de factores no observables que influyen sobre la variación del
consumo así como los potenciales errores de medida de esta variable, hacen probable la
existencia de correlación contemporánea entre los regresores propuestos y el término de error.
Frente a esto, y tal como fue discutido en la referencia teórica, el hecho de contar con un
panel de datos permite controlar por aquellos factores no observables que sean particulares
a cada agente de la muestra.

b. Variables utilizadas, ecuaciones por estimar y base de datos

Como se intuye del primer acápite, las principales variables del estudio corresponden al gasto
e ingreso del hogar. Aunado a esto, será necesario identificar si el hogar en cuestión tiene un
nivel de gasto per cápita por debajo de la línea de pobreza y si accede a algún programa de
asistencia alimentaria.
 Vulnerab ilid ad d el cons umo frente a s hocks idios incrás icos y agregados | 15

Variable dependiente
Nombre Especificación Descripción
Cambio del logaritmo del consumo per cápita
del i-ésimo hogar entre el período t-1 y t
Dgaspc ∆lncit
(tasa de crecimiento anual del consumo per
cápita del i-ésimo hogar)

Variables explicativas de interés

Nombre Especificación Descripción
Cambio del logaritmo del ingreso per-cápita del
i-ésimo hogar entre el período t-1 y t (tasa de creci­
Dingpc ∆lnyit
miento anual del ingreso per cápita del i-ésimo
hogar)
Promedio (entre hogares) de la tasa de crecimiento
Dingpcprom ∆lnyt
del ingreso per cápita
Desviación de la tasa de crecimiento del ingreso per
Dingpcdesv (∆lnyit – ∆lnyt)
cápita del i-ésimo hogar respecto de su promedio
Situación de pobreza del i-ésimo hogar en el período
Pobre z1it
t: 1 si es pobre; 0 de otro modo.
Acceso a programas de asistencia alimentaria: 1 si es
Acceso z2it pobre y accede a algún programa (Vaso de Leche,
Comedor Popular o Desayuno Escolar); 0 de otro modo.

Siguiendo a Ravallion y Chaudhuri (1997), la ecuación empírica más sencilla para evaluar
la vulnerabilidad de los hogares puede ser representada de la siguiente forma:

∆lncit = αt + β ∆lnyit + eit

Donde eit es el término de error específico a cada hogar y momento del tiempo, y αt es
el vector de parámetros asociado a un conjunto de variables dicotómicas que identifican
el período en cuestión. Tal como se discute en la referencia teórica, la inclusión de estas
variables equivale a desviar las tasas de crecimiento del ingreso de los hogares respecto de
los promedios tomados (entre hogares) en cada momento del tiempo: ∆lnyit – ∆lnyt . Este desvío
resulta fundamental en la medida en que el análisis se basa en medir el grado de exposición a
shocks idiosincrásicos y estos, como su nombre lo indica, se refieren a cambios en el ingreso
que son particulares a cada hogar. Este desvío, por tanto, captura el shock idiosincrásico en la
medida en que “limpia” a la variación del ingreso del i-ésimo hogar de la variación promedio
registrada en el año en cuestión.
16 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

En la especificación anterior, evaluar la hipótesis nula β = 0 equivale a evaluar que el consumo

de los hogares no varía frente a shocks idiosincrásicos sobre sus fuentes de ingresos y, por lo
mismo, que existe lo que en la literatura se denomina “perfect risk sharing”. Esta hipótesis, sin
embargo, puede resultar algo extrema, sobre todo si consideramos una muestra de hogares
sobre un espacio geográfico amplio. Por lo mismo, y siguiendo a Deaton (2000), resulta más
interesante analizar si es que existe algún mecanismo de seguro parcial entre los hogares que
conforman la muestra. Para esto, propone evaluar la hipótesis nula γ1 = 0 en:

∆lncit = α + β∆ln yit + g1∆ln yt + eit (2.)

Es necesario destacar que los estimados de β en (1.) y (2.) resultarán siempre iguales. De
hecho, en ambos casos el efecto del cambio en el ingreso del i-ésimo hogar se encuentra
controlado por el cambio en el ingreso promedio. La diferencia reside, entonces, en que (2.)
permite evaluar directamente el rol de los shocks agregados.

Al respecto, y en un mundo autárquico (donde no existe risk sharing), cabe esperar que la
imposibilidad de compartir los recursos conduzca a que el crecimiento del ingreso promedio
no tenga efecto sobre el crecimiento del consumo de ningún hogar, luego de controlar por el
crecimiento en el ingreso específico del hogar. Así, evidencia en contra de la hipótesis γ1 = 0
puede interpretarse como evidencia a favor de la existencia de cierto grado de risk sharing.

Para comprender mejor lo anterior, resulta ilustrativo considerar (2.) como una
reparametrización de:

∆lncit = α + β(∆ln yit — ∆ln yt )+ γ2 ∆ln yit + eit (3.)

Donde γ1 = γ2 — β . Así, mientras γ2 mide el efecto marginal de los shocks agregados sobre el
consumo (una vez controlado por la presencia de shocks idiosincrásicos), γ1 (en [2.]) refleja qué
tanto más afecta al consumo del hogar un shock agregado con respecto a uno idiosincrásico.
Por tanto, evaluar la hipótesis nula γ1 = 0 en (2.) equivale a evaluar si los shocks idiosincrásicos
afectan al consumo tanto como los agregados, lo que implicaría que los agentes no tienen
acceso a ningún tipo de arreglo que les permita proteger su consumo (ni siquiera parcialmente)
frente a los primeros.

La especificación final utilizada para este caso parte de (3.) e incluye las variables de condición
de pobreza y acceso a programas de asistencia alimentaria presentadas anteriormente. En
particular:
 Vulnerab ilid ad d el cons umo frente a s hocks idios incrás icos y agregados | 17

∆lncit = α + β(∆ln yit — ∆ln yt )+ (λ1z1it + λ2z2it) (∆ln yit — ∆ln yt ) + γ2 ∆ln yit + eit (4.)

La información utilizada fue tomada de las encuestas de hogares (Enaho) correspondientes

a los años 2001 al 2005. La construcción de la base de datos requirió, en primer lugar, definir
qué encuestas se utilizarán para representar cada año, debido a que las fechas de recojo de
información no son homogéneas en los cinco años considerados. Así, para los años 2001 y
2002 se trabajó con la encuesta asociada al cuarto trimestre. Debido a que la encuesta del año
2003 abarca el período mayo del 2003 – abril del 2004, esta misma estructura se mantuvo
para años posteriores con el objetivo de evitar el traslape de información.

La etapa siguiente involucró la creación de un panel de individuos. Para esto, se utilizaron las
variables conglomerado, vivienda, hogar y el identificador de cada individuo dentro del hogar.
Con esto, se acotó la muestra sobre aquellos individuos para los que se dispone información
en, al menos, dos años consecutivos.

Por último, la información de los individuos fue agregada con respecto al hogar, con el
objetivo de capturar las características tanto del hogar (gasto e ingreso per cápita, situación
de pobreza, etc.) como de individuos específicos dentro de este (grado de calificación del jefe
de hogar, etc.).

A partir de lo anterior, se pudo construir un panel de datos desbalanceado2 que involucra

características de 5.796 hogares a lo largo de cinco años, para un total de 21.124 observaciones.

De la discusión presentada hasta el momento se desprende que las principales variables

asociadas al análisis son el gasto y nivel de ingreso per cápita del hogar. Al respecto, cabe
destacar que la primera fue construida a partir de todos los grupos de gasto comprendidos
en la sumaria de la encuesta, excepto aquellos asociados a bienes durables. La segunda, por
su parte, incorpora el ingreso por actividad primaria y secundaria, tanto dependiente como
independiente, y excluye las transferencias de origen externo e interno.

c. Del modelo a la hipótesis

La principal hipótesis de este caso es que debido a las dificultades para acceder a mecanismos
de aseguramiento del consumo, el grado de vulnerabilidad de los hogares pobres frente a

2
Se conoce como panel balanceado a aquella estructura en la que, para cada individuo o unidad analizada, existen
todas las observaciones en los períodos de tiempo evaluados. Por su parte, el panel desbalanceado es aquel en el que
la información de al menos un individuo no ha sido recogida completamente a lo largo de todos los períodos.
18 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

shocks idiosincrásicos es significativamente mayor que el del resto de la población. Partiendo

de la especificación dada en (4.), esto equivale a evaluar si λ1 > 0, en la medida en que el
grado de exposición de un hogar pobre viene dado por β + λ1 mientras que el de un hogar
no pobre es solo β.

Aunado a lo anterior, la especificación dada en (4.) permite evaluar el rol que tienen los
programas de asistencia alimentaria como mecanismo para suavizar el consumo entre los
hogares pobres. En la medida en que esto sea cierto, λ2 < 0, dado que el grado de exposición
a shocks idiosincrásicos de un hogar pobre que accede a estos programas viene dado por
β + λ1 + λ2.

3. Proceso de estimación y análisis de resultados

a. Declarando unidades de corte transversal y de series de tiempo

Una vez construida la base de datos, es necesario, en primer lugar, informar al Stata qué
variables cumplen la función de identificar a las unidades de espacio y tiempo. En nuestro
caso, la variable de tiempo corresponde al año en cuestión (guardado en la variable year)
mientras que las unidades de espacio se refieren a los hogares (cuyos códigos se encuentran
guardados en la variable hhid).

Para declarar lo anterior se utilizan los siguientes comandos:

** Declarar unidades de estado y tiempo

tis year
iis hhid

b. ¿Existen efectos no observados específicos de agente?

Tal como fue discutido en la referencia teórica, el primer paso consiste en validar la estructura
supuesta para el término de error. En otras palabras, conviene comenzar validando si es que
es cierto que el término de error de nuestro modelo (εit) contiene un elemento no observable
particular a cada agente además de aquel que varía tanto entre los agentes como a lo largo
del tiempo: εit = uit + αi.
 Vulnerab ilid ad d el cons umo frente a s hocks idios incrás icos y agregados | 19

Para esto, se dispone del test de Breusch-Pagan, cuya hipótesis nula es que la varianza del
término αi es igual a cero, lo que implicaría que εit = uit. En stata, el comando para llevar a cabo
esta prueba se ejecuta inmediatamente después de una estimación por “efectos aleatorios”3.

** Genero las variables

gen pobre_d = dingpcdesv*pobre
gen acceso_d = dingpcdesv*acceso

** Estimación
xtreg dgaspc dingpcdesv pobre_d acceso_d dingpcprom, re
xttest0

Imagen 1. Ventana de resultados del test de Breusch-Pagan

Breusch and Pagan Lagrangian multiplier test for random effects:

dgaspc[hhid,t] = Xb + u[hhid] + e[hhid,t]

Estimated results:
| Var sd = sqrt(Var)
---------+-----------------------------
dgaspc | .3703207 .6085398
e | .4114381 .6414344
u | 0 0

Test: Var(u) = 0
chi2(1) = 671.89
Prob > chi2 = 0.0000

El rechazo de la hipótesis nula confirma una estructura para el error de la forma εit = uit + αi,
frente a lo cual el estimador eficiente es el estimador de mínimos cuadrados generalizados
(o “efectos aleatorios”).

3
De acuerdo con la nomenclatura utilizada por el Stata, hemos llamado estimador de “efectos aleatorios” al
estimador de mínimos cuadrados generalizados.
20 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

c. ¿Correlación entre efectos no observados y regresores?

Para determinar la existencia de correlación entre los efectos no observables específicos

de agente y los regresores del modelo, es necesario realizar una prueba de Hausman. Como
se recordará de la referencia teórica, la hipótesis nula de esta prueba plantea que no existe
dicha correlación y que, por lo mismo, conviene el uso del estimador de mínimos cuadrados
generalizados atendiendo a su eficiencia. De rechazarse esta hipótesis, en cambio, privilegiar
la propiedad de consistencia implica utilizar el estimador Within (o “efectos fijos”).

Con los comandos siguientes, se le solicita al Stata que realice una estimación Within,
guarde los resultados bajo el nombre de “fijos”, realice una estimación por mínimos cuadrados
generalizados y, finalmente, compare los estimados a través de la prueba de Hausman.

** Test de Hausman
xtreg dgaspc dingpcdesv pobre_d acceso_d dingpcprom, fe
estimates store fijos
xtreg dgaspc dingpcdesv pobre_d acceso_d dingpcprom, re
hausman fijos

Imagen 2. Ventana de resultados del test de Hausman

---- Coefficients ----

| (b) (B) (b-B) sqrt(diag(V_b-V_B))
| fijos . Difference S.E.
-------------+----------------------------------------------------------------
dingpcdesv | .1770314 .1784183 -.0013869 .0048744
pobre_d | .3094205 .1133358 .1960847 .0346315
acceso_d | -.0902121 .0528541 -.1430663 .0462965
dingpcprom | .2193103 .3189152 -.0996049 .0509673
------------------------------------------------------------------------------
b = consistent under Ho and Ha; obtained from xtreg
B = inconsistent under Ha, efficient under Ho; obtained from xtreg

Test: Ho: difference in coefficients not systematic

chi2(4) = (b-B)’[(V_b-V_B)^(-1)](b-B)
= 39.08
Prob>chi2 = 0.0000
 Vulnerab ilid ad d el cons umo frente a s hocks idios incrás icos y agregados | 21

Tal como ocurre con todas las pruebas de la clase de Hausman, la comparación se realiza
entre un estimador que es consistente tanto bajo la hipótesis nula como alternativa, y un
estimador eficiente y solo consistente bajo la hipótesis nula. En el contexto de un panel
estático y lineal (como el nuestro), los estimadores que corresponden a la descripción anterior
son el Within (“efectos fijos”) y el de mínimos cuadrados generalizados (“efectos aleatorios”),
respectivamente. En el momento de reportar los resultados de la prueba, el Stata identifica
claramente qué estimación ha sido provista para cada caso. Tal como se muestra en la imagen
anterior, Within corresponde al vector identificado como (b = consistent under Ho and Ha)
y mínimos cuadrados generalizados, a aquel identificado como (B = inconsistent under Ha,
efficient under Ho).

El rechazo de la hipótesis nula en la prueba de Hausman, mostrado en la imagen 2, implica

la existencia de una diferencia sistemática entre los coeficientes estimados con la técnica
Within y con mínimos cuadrados generalizados. Esto aporta evidencia a favor de la existencia
de correlación entre el efecto no observado del i-ésimo hogar y los regresores considerados, lo
que determina que el estimador Within sea el más apropiado por conservar su consistencia.

d. El modelo final y sus resultados

Atendiendo a los resultados reportados hasta ahora, el modelo final fue estimado con la
técnica Within. Los resultados se detallan a continuación4 y se resumen en el cuadro 1 junto
con aquellos asociados a un modelo restringido (también estimado con la técnica Within) en
el que no se distingue según la condición de pobreza del hogar.

4
Cabe mencionar que en una regresión por mínimos cuadrados ordinarios (pool data) los coeficientes asociados a
las variables dicotómicas de pobreza y acceso a programas sociales muestran valores significativamente inferiores a
los aquí reportados. Al respecto, cabe recordar el efecto que tiene sobre la consistencia del estimador la presencia de
correlación entre los regresores (la condición de pobreza) y los errores de medida en la variable gasto (recogidos en
el término de error). Si estos errores de medida se acentúan con la condición de pobreza e implican típicamente una
subestimación del gasto del hogar (resultado particularmente válido en el momento de valorizar las transferencias
del Estado), dicha correlación conllevará una subestimación del impacto de la condición de pobreza y del impacto del
acceso a programas sociales. Esto es, precisamente, lo que se observa en la regresión por mínimos cuadrados ordinarios,
la cual, a diferencia de la estimación por “efectos fijos”, no controla por la presencia de esta correlación.
22 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Imagen 3. Ventana de resultados de la regresión por “efectos fijos”

Fixed-effects (within) regression Number of obs = 12204

Group variable (i): hhid Number of groups = 5156

R-sq: within = 0.1008 Obs per group: min = 1

between = 0.0511 avg = 2.4
overall = 0.0848 max = 4

F(4,7044) = 197.50
corr(u_i, Xb) = -0.1032 Prob > F = 0.0000

------------------------------------------------------------------------------------------------------
dgaspc | Coef. Std. Err. t P>|t| [95% Conf. Interval]
--------------+---------------------------------------------------------------------------------------
dingpcdesv | .1770314 .0077264 22.91 0.000 .1618853 .1921774
pobre_d | .3094205 .0402311 7.69 0.000 .2305553 .3882856
acceso_d | -.0902121 .0553388 -1.63 0.103 -.1986929 .0182686
dingpcprom | .2193103 .0780325 2.81 0.005 .066343 .3722775
_cons | -.0021857 .0386839 -0.06 0.955 -.0780178 .0736464
--------------+---------------------------------------------------------------------------------------
sigma_u | .41460899
sigma_e | .64143443
rho | .29468403 (fraction of variance due to u_i)
----------------------------------------------------------------------------------------------------
F test that all u_i=0: F(5155, 7044) = 0.57 Prob > F = 1.0000

Cuadro 1. Vulnerabilidad según condición de pobreza y acceso a programas sociales

Coeficiente
Variable Modelo diferenciado por
Modelo restringido
condición de pobreza
Ecuación 3.
Ecuación 4.
0,1968** 0,1770**
(∆ln yit — ∆ln yt)
(26,34) (22,91)
-.- 0,3094**
z1it(∆ln yit — ∆ln yt)
(7,69)
-.- -0,0902*
z2it(∆ln yit — ∆ln yt)
(-1,63)
0,2014** 0,2193**
∆ln yt
(2,57) (2,81)
Estadísticos t entre paréntesis.
** Estadísticamente significativo al 5%.
* Estadísticamente significativo al 10%.
Fuente y elaboración: Castro (2008).
 Vulnerab ilid ad d el cons umo frente a s hocks idios incrás icos y agregados | 23

Varios resultados llaman la atención. En primer lugar, el modelo restringido sugiere que
existen escasas posibilidades de suavizar el consumo en el Perú. De acuerdo con lo discutido
en la sección anterior, el efecto de los shocks idiosincrásicos resulta estadísticamente igual que
el de los shocks agregados, lo que sugeriría que los agentes no tienen acceso a ningún tipo de
seguro que les permita proteger su consumo (ni siquiera parcialmente) frente al primer tipo
de shock. Este resultado, sin embargo, enmascara marcadas diferencias entre hogares pobres
y no pobres. En el momento de distinguir según la condición de pobreza del hogar, se valida
que los hogares no pobres sí disponen de mecanismos de aseguramiento parcial.

Por otro lado, y relacionado con la hipótesis específica de este caso, se confirma que los
hogares no pobres son más vulnerables a los shocks idiosincrásicos (el coeficiente l1 resulta
significativo y positivo). Por su parte, el coeficiente asociado al acceso a programas de asistencia
alimentaria (l2) resultó negativo pero incapaz de compensar por la condición de pobreza. Esto
se observa claramente en el siguiente gráfico.

Gráfico 1. Sensibilidad del consumo frente a shocks idiosincrásicos

0,60

0,50

0,40

0,30

0,20

0,10

0,00
Hogar pobre Hogar pobre con acceso Hogar no pobre
a programas sociales

Fuente y elaboración: Castro (2008).

4. Conclusiones

• La evidencia empírica sobre la relación existente entre la evolución del consumo y las
variaciones en el ingreso de las familias, muestra que los hogares pobres exhiben marcadas
24 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

diferencias respecto a los no pobres en lo que se refiere a las posibilidades de suavizar

su consumo frente a shocks idiosincrásicos en sus fuentes de ingreso.

• En un país en el que una porción significativa de la población puede ser caracterizada

como pobre, el resultado anterior revela que parte significativa de las familias peruanas
enfrentan severas restricciones para acceder, a través del mercado, a mecanismos que les
permitan suavizar su consumo frente a distintos estados de la naturaleza. Asimismo, este
resultado confirma que vulnerabilidad y pobreza (si bien no son conceptos equivalentes)
se encuentran estrechamente relacionados, y revela las dificultades que enfrentan los
hogares pobres para escapar de esta condición.

• Frente a esto, la evidencia sugiere que, en el período considerado, las transferencias del
Estado a través de programas de asistencia alimentaria contribuyeron solo marginalmente
a aliviar las diferencias encontradas entre hogares pobres y no pobres.

5. Los comandos utilizados

Sintaxis xtreg

Comando: xtreg
Realiza una regresión con datos longitudinales. En particular, con la opción “be” calcula los
coeficientes estimados para el modelo Between; con la opción “fe” estima los coeficientes
correspondientes al modelo de efectos fijos; y con la opción “re”, calcula los coeficientes asociados
al modelo de efectos aleatorios.

Uso: xtreg Variable dependiente [Variables independientes] [if] [in] [, opciones]

Sintaxis estimates

Comando: estimates
Hace referencia a los resultados de estimación. De ese modo, permite realizar distintas
operaciones como almacenar, cambiar e, incluso, describir resultados.
estimates store: guarda los resultados de la última estimación.
estimates change: define o modifica el título correspondiente a los resultados
almacenados de una estimación o añade información de algunas variables.
estimates restore: muestra los resultados almacenados de una estimación de modo que
los comandos utilizados se apliquen sobre dicha estimación.
estimates replay: replica los resultados almacenados de una estimación.
estimates table: muestra una tabla con los coeficientes y estadísticas para uno o más
resultados de estimación en columnas paralelas.

Uso: estimates opción [Nombre de la estimación] [, título(string) nocopy ]

 Pobreza y logro educativo en Guatemala | 25

3. Pobreza y logro educativo en Guatemala: un modelo con variable

dependiente binomial5

1. Motivación, objetivos e hipótesis

Las políticas sociales no pueden solo limitarse a una transferencia de recursos que incremente,
transitoriamente, el consumo de las familias por encima de determinada línea de pobreza.
La política social debe apuntar, más bien, a transferir los activos que permitan a los hogares
acceder y asegurar mayores niveles de consumo en forma permanente. Dentro del conjunto
de estos activos, la educación destaca como vehículo de movilidad social.

En este sentido, nuestro objetivo es evaluar el rol que tiene el grado de instrucción del
individuo como determinante de su situación de pobreza, trabajando con información de
Guatemala. La hipótesis que buscamos verificar es que, si bien todos los ciclos de instrucción
exhiben un impacto marginal significativo en reducir la probabilidad de ser pobre, este es
mayor en el caso de la educación básica. Ello debido a que en Guatemala el acceso a dicho
nivel de instrucción es aún limitado6, lo que implica que la mano de obra con educación básica
completa perciba una prima de salario significativa en el mercado de trabajo.

5
Basado en Yamada y Castro (2008).
6
Uno de cada cuatro niños entre 6 y 15 años no asiste al colegio, y el 27% de la población en edad de trabajar no
tiene ningún grado de instrucción. Encuesta Nacional de Condiciones de Vida de Guatemala (Encovi) del año 2006.
26 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

2. Metodología

a. ¿Por qué un modelo probabilístico?

Es necesario resaltar que, en nuestro caso, la variable continua que subyace a la definición de
pobreza sí es observable y se refiere al gasto per cápita del hogar al que pertenece el individuo.
Por lo mismo, nuestra elección de la metodología se debe a que buscamos destacar directamente
la pertenencia a determinado grupo (en función de su nivel de pobreza) más que al hecho de
que no sea posible observar la variable (continua) que está detrás de este resultado.

En este sentido, nuestro interés recae en estimar la probabilidad de observar uno de dos
eventos posibles (pobre o no pobre) sobre la base de un conjunto de controles, por lo que el
modelo probabilístico descrito líneas arriba es el más apropiado.

b. Base de datos, variables utilizadas y ecuaciones por estimar

La base de datos empleada corresponde a la Encuesta Nacional de Condiciones de Vida de

Guatemala (Encovi) del año 2006. La muestra corresponde a todos los individuos mayores de
24 años.

Tomando en cuenta los objetivos e hipótesis del trabajo, las variables por incluir son:

Variable dependiente
Nombre Descripción
Caracteriza la condición de pobreza del individuo en la muestra. Toma
Pobre dos valores: (i) 1, si el gasto per cápita de su hogar se encuentra por
debajo de la línea de pobreza; y (ii) 0, de otro modo.

Variables explicativas de interés

Nombre Descripción

Toma dos valores: (i) 1, si el mayor grado y nivel educativo alcanzado por
Pri_inc
el individuo es el de primaria incompleta; y (ii) 0, si no lo es.

Toma dos valores: (i) 1, si el mayor grado y nivel educativo alcanzado por
Pri_com
el individuo es el de primaria completa; y (ii) 0, si no lo es.

Toma dos valores: (i) 1, si el mayor grado y nivel educativo alcanzado por
Sec_inc
el individuo es el de secundaria incompleta; y (ii) 0, si no lo es.
 Pobreza y logro educativo en Guatemala | 27

Toma dos valores: (i) 1, si el mayor grado y nivel educativo alcanzado por
Sec_com
el individuo es el de secundaria completa; y (ii) 0, si no lo es.
Toma dos valores: (i) 1, si el mayor grado y nivel educativo alcanzado por
Sup_inc
el individuo es el de superior incompleta; y (ii) 0, si no lo es.
Toma dos valores: (i) 1, si el mayor grado y nivel educativo alcanzado por
Sup_com
el individuo es el de superior completa; y (ii) 0, si no lo es.

Hasta aquí las variables explicativas de interés del estudio. Lo que sigue son las variables
explicativas de control sugeridas. Se introdujeron controles referidos a: (i) características
específicas del individuo (edad, sexo, etnicidad, estado civil); (ii) características del hogar al que
pertenece (ingreso promedio por hora asociado a la actividad principal del resto de miembros del
hogar); y (iii) características de la localidad donde habita (urbana o rural, ciudad capital).

Todos estos elementos influyen, potencialmente, sobre la capacidad de gasto del hogar al
que pertenece el individuo y, por lo mismo, sobre la probabilidad de que caiga en pobreza. Por
tanto, es necesario tomar en cuenta sus efectos si lo que deseamos es aislar el impacto de la
educación. Así estaremos en mejor posición para cuantificar el efecto que tiene un mayor grado
de instrucción sobre la condición de pobreza de un individuo “promedio”, es decir, dejando
constantes todas las demás características que afectan al fenómeno.

Variables explicativas de control

Clase Nombre Descripción
Características de Edad Edad del individuo
los individuos Edad2 Edad del individuo al cuadrado.
Toma dos valores: (i) 1, si el individuo es casado; y (ii) 0,
Estadciv
si no lo es.
Toma dos valores: (i) 1, si el individuo es mujer; y (ii) 0, si
Sex
es hombre.
Toma dos valores: (i) 1, si el individuo es indígena; y (ii) 0,
Ind
si no lo es.
Características del
Ingreso promedio por hora asociado a la actividad princi­
hogar al que perte- Inghorhog
pal del resto de miembros del hogar.
nece
Características de la Toma dos valores: (i) 1, si la zona en la que habita el
Urb
localidad donde individuo es urbana; y (ii) 0, de otro modo.
habita Toma dos valores: (i) 1, si el individuo en mención habita
Reg
en la ciudad capital y (ii) 0, de otro modo.
28 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Tomando en cuenta lo anterior, nuestro modelo puede resumirse de la siguiente manera:

1 si el individuo (i) es pobre
yi 
0 de otro modo
E ( y i data ) = Pr ( y i =1 )
α1 PRI_INC1 + α2 PRI_COM1 + α3 SEC_INC1 + α4 SEC_COM1 + ...
=F
... α5 SUP_INC1 + α6 SUP_COM1 + x1 ‘β

Donde xi es el vector de controles, incluyendo el intercepto, y F(.) , la FDA de una distribución

logística.

c. Del modelo a las hipótesis

De acuerdo con la hipótesis de trabajo, se espera que la probabilidad de ser pobre se reduzca
conforme el nivel educativo alcanzado se incremente, y que las reducciones marginales más
importantes se presenten cuando se accede a los primeros niveles de instrucción (primaria y
secundaria).

Para validar la primera parte de la hipótesis, es necesario que los efectos impacto de las
variables asociadas al nivel educativo (calculados respecto a un individuo sin instrucción) sean
todos negativos y crecientes en valor absoluto. A continuación, se detalla el cálculo para el
caso de educación secundaria completa (variable x4).

αˆ 1 (0) + αˆ 2 (0) + αˆ 3 (0) + αˆ 4 (1) + ... ˆ 1 (0) + α

α ˆ 2 (0) + α ˆ 3 (0) + αˆ 4...
EI Sec_com = F −F
... + αˆ 5 (0) + αˆ 6 (0) + x’ βˆ ... + αˆ 5 (0) + α ˆ 6 (0) + x’ βˆ

Los valores asignados a las variables asociadas al grado de instrucción responden a la forma
como se han construido las mismas. Estas toman el valor de 1 solo si el grado especificado
es el último cursado por el individuo. Así, un individuo con educación secundaria completa
presenta el valor de uno en la variable SEC_COM y cero en el resto.

La segunda parte de la hipótesis, por su parte, implica que la diferencia entre los efectos
impacto de tener educación superior completa y secundaria completa, es menor en valor
absoluto que la correspondiente a los efectos impacto de alcanzar secundaria completa y
primaria completa, así como al efecto impacto asociado a alcanzar este último nivel (dado
que esta es la variación de la probabilidad de ser pobre de una persona con primaria completa
respecto a una sin educación).
 Pobreza y logro educativo en Guatemala | 29

Como el lector debe haber notado, la forma como se calculan los efectos impacto afectará la
lectura de los resultados. Si se toma como referencia a un individuo con el grado de instrucción
anterior y no a uno sin instrucción (como en el ejemplo líneas arriba), para verificar las dos
partes de la hipótesis de trabajo se necesitaría que estos efectos impacto sean negativos
y que los mayores en valor absoluto sean los asociados a la instrucción básica (primaria y
secundaria). A continuación se muestra el cálculo del efecto impacto que recoge la variación
en la probabilidad de ser pobre producto de culminar estudios secundarios (cambiar el nivel
de instrucción alcanzado de secundaria incompleta a secundaria completa).

αˆ 1(0) + αˆ2(0) + αˆ 3(0) + αˆ 4(1) + ... αˆ 1(0) + α ˆ 2(0) + αˆ 3(1) + αˆ 4(0)+ ...
EI Sec_com = F −F
ˆ
... + αˆ5 (0) + αˆ 6 (0) + x’ β ˆ 6 (0) + x’ βˆ
... + αˆ 5 (0) + α

Cabe señalar que estas formas de cálculo representan caminos alternativos para llegar al
mismo resultado.

3. Proceso de estimación y análisis de resultados

Los comandos y secuencias de programación utilizados en el presente acápite serán

archivados en un DO_FILE, el cual puede abrirse con el siguiente comando:

doedit

a. Estimación de coeficientes y su significancia

Una vez identificadas las variables de interés, se procede a realizar la estimación asumiendo
una distribución logística7. Si bien ello puede hacerse utilizando todas las variables disponibles,
también es posible instruir al Stata para que realice una selección de variables independientes
relevantes, de manera iterativa, para un nivel de significancia determinado por el usuario. Para
ello se utiliza la opción Stepwise descrita al final del presente caso.

7
Cabe recordar que la elección entre un modelo logit y un probit no se basa en una regla específica clara y directa,
y que suele depender de qué tan concentradas estén las observaciones de la muestra que se utiliza en las colas de la
distribución. Véase la referencia teórica en la sección 3.7.
30 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Así, para estimar los coeficientes del modelo logístico para la probabilidad de ser pobre en
Guatemala, en función de los niveles de educación y otras características del individuo, se
utiliza el siguiente comando:

** Modelo Logit
stepwise, pr(0.1):logit pobre pri_inc pri_com sec_inc sec_com
sup_inc sup_com edad edad2 estadciv sex ind ingphorhog urb reg
[pw=factor]

Con ello se tiene lo siguiente:

Imagen 1. Ventana de resultados de un modelo logit

begin with full model

p = 0.3134 >= 0.1000 removing estadciv

Logistic regression Number of obs = 2.21812

Wald chi2(13) = 2331.12
Prob > chi2 = 0.0000
Log pseudolikelihood = -9587.1772 Pseudo R2 = 0.3594

------------------------------------------------------------------------------------------------------
| Robust
pobre | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------------------------------
pri_inc | -.7185172 .0611681 -11.75 0.000 -.8384045 -.5986299
pri_com | -1.343581 .0869458 -15.45 0.000 -1.513992 -1.173171
sec_inc | -2.339251 .1151118 -20.32 0.000 -2.564866 -2.113636
sec_com | -2.925101 .1533996 -19.07 0.000 -3.225758 -2.624443
sup_inc | -3.918991 .312526 -12.54 0.000 -4.531531 -3.306452
sup_com | -5.265856 1.020086 -5.16 0.000 -7.265188 -3.266525
edad | -.0665482 .0111474 -5.97 0.000 -.0883968 -.0446996
edad2 | .0004021 .0001103 3.64 0.000 .0001858 .0006183
reg | -.7824217 .1077276 -7.26 0.000 -.9935639 -.5712795
sex | -.2102352 .0540264 -3.89 0.000 -.3161251 -.1043454
ind | .8559852 .0491648 17.41 0.000 .759624 .9523463
ingphorhog | -.0128335 .0008283 -15.49 0.000 -.0144569 -.0112101
urb | .6385602 .0499686 12.78 0.000 .5406235 .7364968
_cons | 2.848647 .2853505 9.98 0.000 2.289371 3.407924
------------------------------------------------------------------------------------------------------
 Pobreza y logro educativo en Guatemala | 31

El coeficiente asociado al estado civil resultó no ser distinto de cero al 90% de confianza, por
lo que la variable fue removida del modelo; todas las demás mostraron ser significativas para
explicar la condición de pobreza de una persona en Guatemala. De los resultados mostrados,
vale la pena adelantar algunas conclusiones importantes:

• El signo de los coeficientes asociados a todas las variables de educación confirma que
haber cursado cualquier nivel de instrucción reduce la probabilidad de ser pobre respecto
a un individuo sin ninguna instrucción. De acuerdo con lo discutido en el acápite anterior,
no es posible vincular directamente el impacto de cada grado educativo al valor de su
coeficiente asociado. No obstante, si tomamos en cuenta la naturaleza dicotómica de
estos regresores, el hecho de que sus coeficientes sean crecientes en valor absoluto es
evidencia a favor de que cada subsiguiente nivel exhibe un aporte marginal positivo en
la reducción de la probabilidad de ser pobre.

• En lo que respecta a las demás características específicas del individuo, cabe resaltar el
efecto positivo que tiene el hecho de ser indígena. Si tomamos en cuenta que el modelo
está controlado por el nivel educativo del individuo, esto puede resultar evidencia a favor
de la existencia de una discriminación negativa por raza: las poblaciones indígenas de
Guatemala tienden a ser, per se, más pobres que las no indígenas8.

b. Efectos impacto9

Como se mencionó en la referencia teórica, para cuantificar el efecto de las variables discretas
sobre la probabilidad de ser pobre se recurre al cálculo de los efectos impacto. Tal y como se
discutió anteriormente, los efectos impacto de las variables de interés pueden calcularse tomando
como base a un individuo sin educación o a un individuo con el nivel de instrucción anterior. En
caso se elija la primera alternativa, el comando por utilizar es el siguiente:

** Efectos Impacto de las variables de interés

mfx, at(pri_inc=0 pri_com=0 sec_inc=0 sec_com=0 sup_inc=0
sup_com=0)

8
No es nuestra intención profundizar más en el efecto de esta y otras variables incluidas en el modelo. Recuérdese
que el objetivo central de estos casos de estudio es ilustrar la aplicación de las herramientas econométricas revisadas
en las secciones teóricas para la verificación de hipótesis específicas de trabajo.
9
Cabe recordar que, por la naturaleza de su cálculo, conviene analizar los efectos impacto de las variables
independientes discretas.
32 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Con lo que se obtiene el siguiente resultado:

Imagen 2. Efecto impacto de las variables de interés

Marginal effects after logit

y = Pr(pobre) (predict)
= .53677232
------------------------------------------------------------------------------------------------------
variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
-----------+------------------------------------------------------------------------------------------
pri_inc* | -.1758035 .01477 -11.90 0.000 -.20476 -.146847 0
pri_com* | -.304625 .0176 -17.31 0.000 -.339118 -.270132 0
sec_inc* | -.4362917 .01709 -25.53 0.000 -.469789 -.402794 0
sec_com* | -.4782336 .01668 -28.67 0.000 -.510925 -.445542 0
sup_inc* | -.5142757 .01679 -30.63 0.000 -.547179 -.481372 0
sup_com* | -.5308229 .01645 -32.27 0.000 -.563063 -.498583 0
edad | -.0165471 .00277 -5.97 0.000 -.02198 -.011114 43.5095
edad2 | .0001 .00003 3.64 0.000 .000046 .000154 2119.99
reg* | -.1930929 .02576 -7.50 0.000 -.243583 -.142603 .267545
sex* | -.0521424 .0133 -3.92 0.000 -.078208 -.026077 .598513
ind* | .2076049 .0117 17.75 0.000 .184679 .230531 .376949
ingpho~g | -.003191 .00021 -15.49 0.000 -.003595 -.002787 73.5628
urb* | .1572102 .0122 12.88 0.000 .133295 .181125 .46726
------------------------------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1

Nótese que para calcular los efectos impacto de cada una de las variables de interés se ha
fijado el resto de las mismas en cero10. Así, el efecto capturado es el cambio en la probabilidad
de ser pobre cuando se pasa de no tener ninguna educación al nivel educativo que señala
la variable en cuestión. Por ejemplo, la probabilidad de ser pobre en Guatemala si se tiene
como último nivel educativo secundaria completa, es 47,82 puntos porcentuales menor que
la correspondiente a no tener ningún nivel educativo11.

Si graficamos estas probabilidades para cada nivel de instrucción, es posible observar de

manera más clara que no solo todos los niveles contribuyen a reducir la pobreza respecto a
una situación sin ninguna instrucción (todos los coeficientes son negativos) sino que, además,

10
Si bien todas las variables dicotómicas referidas a la educación son fijadas en cero, el comando MFX evalúa el
resto de explicativas en su promedio.
11
Es preciso no confundir la probabilidad reportada en la parte superior de la imagen 2 con la probabilidad de ser
pobre en Guatemala. La probabilidad que aparece en la imagen es, en realidad, la probabilidad de ser pobre dado que no
se cuenta con nivel alguno de educación (recuérdese que se fijaron los valores de las variables de interés en cero).
 Pobreza y logro educativo en Guatemala | 33

todos exhiben un aporte marginal no despreciable (los coeficientes son crecientes en valor
absoluto y, por lo mismo, la función es estrictamente decreciente).

Gráfico 1. Probabilidad de ser pobre en Guatemala y nivel educativo alcanzado

60%

50%

40%

30%

20%

10%

0%

sin_nivel prim_inc prim_com sec_inc sec_com sup_inc sup_com

Para hallar los efectos impacto de las demás variables discretas (exceptuando edad) volvemos
a recurrir al comando MFX, solo que esta vez permitimos que ajuste todas las demás variables
en su promedio. El comando es el siguiente:

**Efecto Impacto de las variables sex, rur, reg e ind

mfx

De donde se obtiene lo siguiente12:

12
El lector notará que los valores reportados en la ventana de resultados asociados a cada nivel educativo no
corresponden a los efectos impacto pues, como se explicó, han sido calculados manteniendo constante el promedio
del resto de las variables dummy asociadas a la educación, en vez de ser fijados en cero.
34 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Imagen 3. Efectos impacto de las variables sex, urb, reg e ind

Marginal effects after logit

y = Pr(pobre) (predict)
= .28346642
--------------------------------------------------------------------------------------------------
variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X

---------+--------------------------------------------------------------------------------------------
pri_inc* | -.1348368 .01125 -11.99 0.000 -.156877 -.112797 .271912
pri_com* | -.210286 .01126 -18.68 0.000 -.232346 -.188226 .12695
sec_inc* | -.2920558 .01153 -25.34 0.000 -.314648 -.269464 .111363
sec_com* | -.2970847 .0108 -27.51 0.000 -.318252 -.275917 .062358
sup_inc* | -.3142403 .01093 -28.75 0.000 -.335661 -.29282 .04856
sup_com* | -.2968562 .01007 -29.48 0.000 -.316591 -.277121 .014343
edad | -.0135168 .00228 -5.92 0.000 -.017993 -.009041 43.5095
edad2 | .0000817 .00002 3.63 0.000 .000038 .000126 2119.99
reg* | -.145471 .0171 -8.51 0.000 -.178977 -.111965 .267545
sex* | -.0430643 .01126 -3.82 0.000 -.065139 -.02099 .598513
ind* | .1800514 .01112 16.19 0.000 .158258 .201845 .376949
ingpho~g | -.0026067 .00014 -18.66 0.000 -.00288 -.002333 73.5628
urb* | .1303562 .01056 12.34 0.000 .109658 .151054 .46726
------------------------------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1

En lo que respecta a la variable Edad, es necesario destacar que esta se encuentra incluida en
el modelo tanto en niveles como al cuadrado. Su efecto impacto, por tanto, está determinado
por la siguiente expresión:

∂ Pr(Pobre = 1)
= f ( x ' βˆ ).( βˆedad + 2 βˆedad 2 Edad)
∂ Edad

Esto implica que el efecto marginal de un año adicional depende directamente del valor que
tome la variable Edad. Para establecer un valor puntual se usará como referencia el promedio
de la variable Edad. Nótese que los elementos necesarios para el cálculo de este efecto impacto
han sido obtenidos anteriormente. A continuación se realiza una revisión de los mismos13.

13
Para el cálculo de la función de densidad marginal se utilizó la equivalencia, F(x’ β)ˆ = F(x’β)
ˆ [1 — F(x’β)],
ˆ válida
exclusivamente para la distribución logística.
 Pobreza y logro educativo en Guatemala | 35

βˆ edad = −0,0665482
βˆ edad 2 = 0,0004021
f ( x ' βˆ ) = F ( x ' βˆ )[1 − F (x ' βˆ)] = 0,2834664*(1-0,2834664) = 0,2031132
Edad = 43,5095

El siguiente cuadro resume los cálculos de los efectos impacto.

Cuadro 1. Efectos impacto para variables discretas

Efecto impacto Diferencial de efectos
Variable
(en puntos porcentuales) impacto
Pri_inc -17,58 -.-
Pri_com -30,46 -30,46
Sec_inc -43,62 -.-
Sec_com -47,82 -17,36
Sup_inc -51,53 -.-
Sup_com -53,08 -5,26
Sex -4,30 -.-
Urb 13,03 -.-
Reg -14,54 -.-
Ind 18,00 -.-
Edad -0,006 -.-

c. Elasticidades

Así como en el caso de los efectos impacto se optó por poner énfasis en las variables
discretas, en el de las elasticidades se hará lo propio con la única explicativa continua del
modelo, el ingreso promedio por hora atribuible al resto de miembros del hogar14. Por lo mismo,
se describirá el cambio porcentual en la probabilidad de ser pobre ante un incremento de 1%
en dicha variable. Para ello, se utiliza el siguiente comando:

14
Nótese, sin embargo, que en el caso de una variable continua como el ingreso sí podría ser de utilidad conocer el
efecto impacto. En nuestro caso, y tal como lo revela la imagen 3, incrementar en 10 unidades monetarias el ingreso
por hora del resto de miembros del hogar genera una reducción de 2,6 puntos porcentuales en la probabilidad de
ser pobre del individuo.
36 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

** Elasticidades
mfx compute, eyex

Con esto se obtienen los siguientes resultados:

Imagen 4. Elasticidad de la variable ingphor

Elasticities after logit

y = Pr(pobre) (predict)
= .28346642
------------------------------------------------------------------------------------------------------
variable | ey/ex Std. Err. z P>|z| [ 95% C.I. ] X
-----------+------------------------------------------------------------------------------------------
pri_inc | -.1399918 .01189 -11.77 0.000 -.163303 -.116681 .271912
pri_com | -.1222176 .00812 -15.04 0.000 -.138139 -.106296 .12695
sec_inc | -.1866609 .0095 -19.65 0.000 -.20528 -.168041 .111363
sec_com | -.1306986 .00713 -18.34 0.000 -.144669 -.116728 .062358
sup_inc | -.136361 .01134 -12.03 0.000 -.15858 -.114142 .04856
sup_com | -.0541193 .0107 -5.06 0.000 -.075088 -.033151 .014343
edad | -2.074706 .3485 -5.95 0.000 -2.75775 -1.39166 43.5095
edad2 | .6107571 .16773 3.64 0.000 .282006 .939508 2119.99
reg | -.1499942 .02152 -6.97 0.000 -.192181 -.107808 .267545
sex | -.0901603 .0231 -3.90 0.000 -.135434 -.044887 .598513
ind | .2311988 .0136 17.00 0.000 .204539 .257858 .376949
ingpho~g | -.676457 .05011 -13.50 0.000 -.774675 -.578239 73.5628
urb | .2137949 .01696 12.60 0.000 .180549 .247041 .46726
------------------------------------------------------------------------------------------------------

De esto se concluye que, en Guatemala, un incremento de 1% en el ingreso promedio por

hora asociado a la actividad principal del resto de miembros del hogar, reduce la probabilidad
de que un individuo caiga en pobreza en 0,67%.

Debido a que las elasticidades se expresan en porcentaje (libre del efecto de las unidades),
estas pueden ser utilizadas para “rankear” las variables de acuerdo con su importancia para
explicar los cambios en la dependiente. Al respecto, y de acuerdo con nuestra hipótesis de
trabajo, vale la pena notar la importancia que tiene el acceso a la educación secundaria como
determinante de la situación de pobreza.

Hay que considerar que la elasticidad también puede ser utilizada para analizar la respuesta
de la dependiente respecto de cambios en las variables discretas, aún cuando la interpretación
 Pobreza y logro educativo en Guatemala | 37

puede ser un tanto distinta. Por ejemplo, la elasticidad asociada a la variable dicotómica Sex
(-0,09) significa que si el porcentaje de mujeres en Guatemala aumentase en 1% (dejando
todo lo demás constante), la probabilidad de ser pobre del guatemalteco promedio se reduciría
en 0,09%.

4. Conclusiones

Los resultados reportados en el cuadro 1 permiten discutir con mayor precisión las
conclusiones preliminares presentadas líneas arriba y validar nuestra hipótesis de trabajo.

• En lo que respecta a la primera parte de la hipótesis, se confirma que todos los efectos
impacto referidos a las variables de educación son negativos y, más importante aún, que
son crecientes en valor absoluto.

• Para contrastar la segunda parte de la hipótesis es necesario evaluar el diferencial de

efectos impacto para grados consecutivos. Tal como se muestra en la segunda columna
del cuadro 1, se confirma que esta diferencia es menor para el caso de educación
superior. Este resultado debería servir para confirmar el importante rol que podría tener
una expansión en la oferta de educación básica pública como mecanismo para igualar
las oportunidades de generación de ingresos en Guatemala.

• Por último, se confirma que la probabilidad de caer en pobreza también se ve afectada por
características inherentes del individuo como la raza, situación que sugiere la existencia
de discriminación en el mercado de trabajo y/o acceso a una oferta educativa de calidad
heterogénea. En particular, para una persona indígena es 18 puntos porcentuales más
probable caer en situación de pobreza.
38 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

5. Los comandos utilizados

Sintaxis logit

Comando: logit
Realiza la estimación de un modelo logit mediante máxima verosimilitud. El valor cero en la variable
dependiente indica un resultado negativo; cualquier valor distinto de cero y vacío se interpreta
como un resultado positivo.

Uso: logit variable dependientes variables independientes [if] [in] [weight] [,opciones]

Sintaxis stepwise

Comando: stepwise
Es un método de estimación iterativo que permite identificar aquellas variables significativas para
un nivel de confianza dado.

Uso: stepwise [, opciones ] : comando

Indicaciones:
El usuario debe indicar el nivel de significancia con el cual trabajar. Así, se tiene básicamente
dos opciones:

pr(#): nivel de significancia para remover una variable del modelo. Términos con un
p-value mayor o igual al descrito dentro del paréntesis son removidos de la estima­
ción.

pe(#): nivel de significancia para adicionar una variable al modelo. Términos con un
p-value menor al descrito dentro del paréntesis son adicionados a la estimación.
 Pobreza y logro educativo en Guatemala | 39

Sintaxis adjust

Comando: adjust
Realiza predicciones para modelos lineales (x’b) , probabilidades (pr) o predicciones exponenciales
(exp).

Uso: adjust [var[= #] ...] [if] [in] [, options]

Indicaciones:
El valor resultante es calculado para cada valor de la variable descrita dentro de by() con valores
específicos de las variables en [var[= #] ...]. Cabe indicar que dichos valores corresponden a la media
en caso [= #] no sea especificado. Aquellas variables que no son incluidas en la opción by() o en
[var[= #] ...], son dejadas a sus valores corrientes, observación por observación.

Un aspecto por tomar en cuenta es que el comando no admite la introducción de pesos. Por lo
mismo, se sugiere precaución con su uso en el manejo de bases de datos de gran magnitud.

Cuenta con distintas opciones. De ellas, las más importantes son las siguientes:

xb: produce predicciones en una estimación lineal. Dependiendo del tipo de estimación los
valores xb pueden no ser las unidades originales de la variable dependiente. Por defecto,
adjust asume esta opción si las otras no son especificadas.

pr: muestra las probabilidades estimadas. No es una opción disponible para todos los tipos
de estimación.

exp: muestra predicciones exponenciales. De acuerdo con el tipo de estimación, las can­
tidades resultantes pueden ser llamadas “ratios de indicencia” o “hazard ratios”.
40 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Sintaxis mfx

Comando: mfx
Calcula numéricamente los efectos marginales y elasticidades (y sus errores estándar) luego de una
estimación.

Uso: mfx [compute] [if] [in] [, options]

Indicaciones:
Los valores con los que se calculan los efectos marginales y elasticidades son determinados en
la opción “at()”. Por default, MFX utiliza los promedios de cada variable independiente.

Cuenta con distintas opciones. De ellas, las más importantes son las siguientes:

predict (predict_option): especifica la función (forma de la variable independiente) para

la cual calcular los efectos marginales o elasticidades. Por defecto, se utiliza la opción
predict de la estimación anterior.

varlist (varlist): especifica las variables para las cuales calcular los efectos marginales o
elasticidades. Por defecto, se calcula todas las variables involucradas en la estimación.

dydx: especifica que serán los efectos marginales los que se calcularán. Esta es la opción
por defecto.

eyex: especifica que serán las elasticidades las que se calcularán. Estas son de la forma:
∂ ln y
.
∂ ln x
dyex: especifica que serán las semielasticidades las que se calcularán. Estas son de la
∂y
forma:
∂ ln x
.
eydx: especifica que serán las semielasticidades las que se calcularán. Estas son de la
∂ ln y
forma:
∂x
at (atlist): especifica los valores sobre los que los efectos marginales o elasticidades serán
estimados. Por default, se estima sobre la base de los promedios de todas las variables
independientes.
.
 Efect ivid ad d el g ast o p úb lico para combatir la des nutrición infantil en el Perú | 41

4. Efectividad del gasto público para combatir la desnutrición infantil en

el Perú: un modelo con variable dependiente multinomial ordenada15

1. Motivación, objetivos e hipótesis

A pesar del crecimiento económico de las últimas décadas y de los avances en la disminución
de la pobreza, principalmente en zonas urbanas, pocos han sido los avances en el tema de la
desnutrición infantil. En el Perú, 29,2% de los niños menores de cinco años sufren de desnutrición
crónica16 y, si se observan las cifras para los departamentos más pobres, dicho porcentaje
sobrepasa el 50%17. Desde el punto de vista social, las consecuencias de la desnutrición infantil
son alarmantes, no solo porque los niños son una parte importante de la población nacional
sino porque la desnutrición limita sus capacidades y productividad futura, lo cual restringe la
posibilidad de generar ingresos, además de ocasionar efectos perversos sobre la salud.

Dadas las consecuencias perniciosas de este problema, el gobierno ha empezado a priorizar

la reducción de la desnutrición crónica infantil en las estrategias de política social. Para ello,
se ha implementado el Programa Integral de Nutrición (PIN), cuyo propósito es contribuir a
la prevención de la desnutrición crónica en niños menores de tres años y mantener un estado
nutricional adecuado de los niños hasta los doce. También se ha realizado intentos por coordinar
programas sociales, como “Juntos” y “Crecer”, los cuales consideran objetivos nutricionales
específicos. Sin embargo, un vistazo a las estadísticas muestra que si bien el gasto social y la

15
Basado en Beltrán y Seinfeld (2009).
16
La desnutrición crónica es un proceso por el cual las reservas orgánicas acumuladas en el cuerpo se agotan
debido a una carencia calórico-proteica. Esto lleva al cuerpo a priorizar su función más importante, sobrevivir, en
detrimento de otras como crecer.
17
Encuesta Demográfica y de Salud Familiar (Endes) 2007.
42 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

inversión para disminuir la desnutrición han ido aumentando en la última década, la situación
no muestra una mejora significativa.

Frente a esto, el gobierno ha decido implementar de manera piloto el Programa Articulado

Nutricional (PAN), empezando en los departamentos de Huánuco y Apurímac, con el objetivo
de lograr el accionar coordinado de las unidades ejecutoras que ven los temas nutricionales;
todo ello en el entendido de que el problema de la desnutrición es de carácter multisectorial
y, por lo mismo, requiere de soluciones de igual dimensión.

Teniendo en cuenta todo lo dicho previamente, el presente ejercicio busca cumplir con dos
objetivos específicos. Primero, establecer si el PIN posee un impacto significativo sobre los
niveles de desnutrición de niños y niñas menores de cinco años en el Perú; la hipótesis es que
este programa disminuye los niveles de desnutrición. El segundo objetivo es identificar si el
hecho de estar afiliado a un seguro de salud posee un impacto significativo sobre el nivel de
desnutrición del niño; también se intenta establecer si este efecto es distinto en el caso de
estar afiliado, específicamente, al Seguro Integral de Salud (SIS). Al respecto, la hipótesis es
que el encontrarse afiliado a un seguro de salud afecta negativamente el nivel de desnutrición
del niño, y que el impacto es superior si el seguro en cuestión es el SIS.

El marco teórico utilizado para construir el modelo sigue a Smith y Haddad (2000), según los
cuales se puede establecer que existen dos determinantes inmediatos del estado nutricional del
niño: su dieta y su salud. Estos a su vez tienen como determinantes subyacentes la seguridad del
hogar (calidad del ambiente en el que se desarrolla el niño), la atención a la salud, la preparación
de la persona responsable del niño y las condiciones de salud de la comunidad.

2. Técnica de estimación

a. ¿Por qué un logit ordenado?

Para cumplir con los objetivos propuestos es necesario identificar qué factores explican que un
niño presente algún nivel de desnutrición. En ese sentido, la variable dependiente corresponde
a un indicador obtenido a partir de la comparación de la relación de “talla para la edad” (que
mide los retrasos en el crecimiento del niño) con el estándar internacional18. La variable cuenta

18
La comparación se hace con un indicador internacional producido por la Organización Mundial de la Salud
(OMS): “The WHO Child Growth Standards: Methods and Development: Length/Height-for-Age, Weight-for-Age,
Weight-for-Length, Weight-for-Height and Body Mass Index-for-Age”. Se ha comprobado que durante los primeros
años de vida, a pesar de factores genéticos, todos los niños deben crecer por lo menos a una determinada altura; el
último estándar fue publicado el 2006.
 Efect ivid ad d el g ast o p úb lico para combatir la des nutrición infantil en el Perú | 43

con tres valores claramente definidos: (i) 0, si el niño no sufre de desnutrición crónica; (ii) 1,
si sufre de desnutrición crónica moderada; y (iii) 2, si presenta desnutrición crónica severa.
Con lo anterior, queda claro que la variable dependiente guarda un ordenamiento específico:
mientras mayor sea su valor, peor el estado nutricional del niño19.

b. Variables utilizadas y ecuaciones por estimar

Tomando en cuenta los objetivos e hipótesis del trabajo, las variables de interés son:

Variable dependiente
Nombre Descripción
Caracteriza la condición de malnutrición del niño del hogar. Toma tres
valores: (i) 0, si el niño no sufre de desnutrición crónica; (ii) 1, si sufre
Desnutrición
de desnutrición crónica moderada; y (iii) 2, si presenta desnutrición
crónica severa.

Variables explicativas de interés

Nombre Descripción
Toma dos valores: (i) 1, si el niño se encuentra afiliado a un seguro
Nosis
distinto al SIS; y (ii) 0, si no lo está.
Probabilidad de que el niño se encuentre afiliado al SIS. Variable instru­
Sis
mentalizada.
Número de raciones de alimentos per cápita del distrito donde habita el
Pin
niño. Variable instrumentalizada.

Nótese que la afiliación al SIS y la ayuda proporcionada por el PIN han tenido que ser
instrumentalizadas debido a que presentan problemas de endogeneidad. Dado que se trata de
un seguro de salud público, prácticamente gratuito, la afiliación del niño al SIS es más probable
si se trata de un niño vulnerable en términos de su salud, y de su desarrollo y crecimiento,
eventos que ocurren con mayor frecuencia cuando el niño sufre de desnutrición. Por otro
lado, y con respecto al PIN, es probable que el gobierno destine una mayor ayuda social a los
lugares donde el problema de desnutrición es más fuerte.

19
Se ha preferido descartar un modelo secuencial debido a que no es necesario tener un nivel moderado de
desnutrición antes de alcanzar uno severo.
44 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Además de las variables explicativas propuestas, que son las de interés central en el estudio,
se incluye un conjunto de otras tantas que se puede clasificar en cuatro tipos. Primero, las
variables relacionadas con la atención que recibe la salud del niño. Entre ellas, figura una
variable dicotómica que indica si el niño es menor de seis meses, ya que durante el primer
medio año de vida los niños son alimentados exclusivamente con leche materna y reciben la
máxima atención por parte de los padres. Este efecto continúa, aunque en menor medida, los
siguientes seis meses, por lo que se agrega otra variable dicotómica que refleje dicho rango
de edad. También figuran las variables que detallan el sexo, el peso al nacer, la presencia de
enfermedades recientes y la variedad de alimentos de la dieta del niño. Esta última variable
se ha instrumentalizado debido a que presenta una relación bidireccional con la desnutrición:
la alimentación que recibe el niño explica su estado nutricional, pero este último también
determina el contenido de su ingesta alimenticia.

Segundo, las variables relacionadas con la seguridad del hogar, como el índice de riqueza
de la familia, la altitud de la vivienda y el número de hijos desnutridos del hogar, también
influyen en la probabilidad de ser desnutrido. Hogares que cuentan con otro hijo menor de
cinco años que sufre de desnutrición, seguramente tendrán malas prácticas alimenticias que se
traducirán en una mayor probabilidad de desnutrición del menor. Tercero, la preparación de la
madre influye en el grado de desnutrición del niño por lo que se incluye el grado de educación
de la misma, su edad y el acceso a información que ella posee; también se incluye la variable
número total de hijos, ya que una mayor cantidad de hijos se asocia a una mala planificación
familiar. Cuarto, se consideran, finalmente, las variables relacionadas con la comunidad, entre
las cuales figura la tasa de desnutrición infantil del distrito, que aproxima el estado de salud
del entorno del niño: en un distrito donde se observa mayor cantidad de menores desnutridos,
la probabilidad de que el niño también lo sea es mayor.

Una descripción de todas las variables explicativas mencionadas se observa en el siguiente

cuadro.
 Efect ivid ad d el g ast o p úb lico para combatir la des nutrición infantil en el Perú | 45

Variables explicativas
Tipo de variables Nombre de la variable Descripción
La variable toma dos valores: (i) 1, si el niño es menor
Edad_Menor6
de 6 meses; y (ii) 0, si no lo es.
La variable toma dos valores: (i) 1, si el niño tiene entre
Edad6_12
6 y 12 meses de edad; y (ii) 0, de otro modo.
La variable toma dos valores: (i) 0 si es niño; y (ii) 1, si
Sexo
es niña
La variable toma dos valores: (i) 1, si el niño se encuen­
Nosis tra afiliado a un seguro distinto al SIS; y (ii) 0, si no lo
Relacionadas está.
con el niño Probabilidad de que el niño se encuentre afiliado al
Sis
SIS. Variable instrumentalizada.
Pesonacer El peso del niño al nacer, en gramos.
La variable toma dos valores: (i) 1, si el niño sufrió de
Enfermo diarrea o fiebre en las últimas dos semanas; y (ii) 0, si
no lo hizo.
La variable toma valores entre 0 y 14. Valor predicho
Variedad para el número de variedades de alimentos de la dieta
del niño. Variable instrumentalizada.
Indi_Riqueza Índice de riqueza del hogar
Metros sobre el nivel del mar donde se encuentra ubi­
Altitud
Seguridad del cada la vivienda.
hogar La variable toma dos valores: (i) 1, si el hogar tiene
Hmno_Desnutrido otro hijo menor de 5 años que sufra de desnutrición
crónica; (ii) 0, de otro modo.
Grado de educación de la madre. Toma cuatro valores:
(i) 0, si no tiene educación; (ii) 1, si estudió primaria;
Educamadre
(iii) 2, si estudió secundaria; y (iv) 3, si tiene educación
superior.
Edadmadre Edad de la madre
Relacionadas
con la Tothijos Número total de hijos de la madre
preparación de Frecuencia con que escucha la radio. Toma cuatro
la madre valores: (i) 0, si no escucha la radio; (ii) 1, si lo hace
Freq_Radio menos de una vez por semana; (iii) 2, si lo hace por lo
menos una vez por semana; y (iv) 3, si lo hace casi
todos los días.
Número de raciones de alimentos per cápita del distri­
Relacionadas Pin
to donde habita el niño. Variable instrumentalizada.
con la
comunidad Tasa de desnutrición crónica distrital en niños entre 6
Distrito_Tasa
y 9 años.
46 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Como se recuerda de la discusión inicial del presente capítulo, las variables multinomiales
ordenadas son aquellas que indican diversas alternativas que guardan entre sí un ordenamiento
específico. En ese sentido, para el caso en análisis, nuestra variable dependiente se define
como:

 0 si no presenta desnutrición crónica


Desnutrición i = 1 si sufre de desnutrición crónica moderada
2 si sufre de desnutrición crónica severa


Como el lector notará, el ordenamiento supone que valores más elevados de la variable
Desnutricióni corresponden a un mayor nivel de malnutrición. Dicho nivel jugará el rol de índice
de performance (I*), el que estará relacionado con el conjunto de explicativas propuesto, de
la siguiente manera:

Ii* = xi’ b + ei (1.)

Cabe recordar que se establecen puntos de corte (a) entre los cuales se encuentran los
diversos niveles de malnutrición del niño. Formalmente:

0 si I*< α1

Desnutricióni =  1 si α1 ≤ I* ≤ α 2
 2 si I*> α
 2

A partir de estas definiciones se puede especificar las probabilidades asociadas a estar en

una determinada categoría, es decir:

Pr (yi = 0) = Pr (Ii* < α1) = Pr (xi' β + εi < α1)

= Pr (εi < α1 — xi' β)
= F (α1 — xi' β)

Pr (yi = 1) = Pr (Ii* < α2) - Pr (Ii* < α1) (2.)

= F (α2 — xi' β) — F (α1 — xi' β)

Pr (yi = 2) = Pr (Ii* > α2) = Pr (εi' > α2— xi' β)

= 1 — F (α2 — xi' β)
 Efect ivid ad d el g ast o p úb lico para combatir la des nutrición infantil en el Perú | 47

c. Del modelo a las hipótesis

Para verificar que el PIN tiene un efecto significativo sobre el estado de desnutrición del niño,
se debe comprobar que el coeficiente estimado de la variable correspondiente es negativo y
significativo, pues, como se señaló en la referencia teórica, el signo del coeficiente señala la
dirección del impacto de la variable en relación con el fenómeno de estudio, en este caso la
desnutrición. En particular, se recordará que un coeficiente negativo implica que la variable en
cuestión reduce la probabilidad de estar en la categoría más alta (desnutrición crónica severa)
e incrementa la probabilidad de estar en la más baja (sin desnutrición crónica).

De modo similar, para comprobar el efecto negativo de la afiliación a un seguro de salud

sobre la desnutrición infantil se necesita que los coeficientes de las variables Sis y Nosis sean
negativos y significativos. Por su parte, comprobar que el estar afiliado al Sis reduce el estado
de desnutrición en mayor medida que el encontrarse afiliado a otro seguro implica verificar
que el efecto impacto o la elasticidad de la variable Sis es mayor en valor absoluto que el de
la variable Nosis.

d. La data

Se utilizó información contenida en la Encuesta Nacional Demográfica y de Salud (Endes)

2007, que entrevistó a un total de 19.090 mujeres y 20.440 hogares, y que incluye entre sus
variables el peso y la talla de niños, así como variables sociales y demográficas de los padres.
Asimismo, para la construcción de algunas variables no contenidas en la mencionada fuente
se utilizó la información provista por el Programa Integral de Nutrición (PIN), Foncodes y el
Ministerio de Salud.

3. Procedimiento de estimación y análisis de resultados

a. Estimación de coeficientes y su significancia

Con las variables explicativas especificadas previamente se procede a realizar la estimación,

asumiendo una distribución logística. En ese sentido, en nuestro ejemplo, se realiza lo siguiente
en la ventana de comandos o en un archivo do–file.
48 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

** Modelo Logit Ordenado

ologit desnutricion edad_menor6 edad6_12 sexo nosis sis
pesonacer enfermo variedad educamadre edadmadre tothijos
freq_radio indi_riqueza altitud hmno_desnutrido pin
distrito_tasa

El resultado se observa a continuación:

Imagen 1. Ventana de resultados de un modelo logit ordenado

Ordered logistic regression Number of obs = 3796

LR chi2(17) = 1118.96
Prob > chi2 = 0.0000
Log likelihood = -2284.7206 Pseudo R2 = 0.1967

--------------------------------------------------------------------------------------------------
desnutricion | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+-----------------------------------------------------------------------------------
edad_menor6 | -1.75035 .1866795 -9.38 0.000 -2.116235 -1.384465
edad6_12 | -1.185821 .1608869 -7.37 0.000 -1.501154 -.8704889
sexo | -.4224873 .0823374 -5.13 0.000 -.5838657 -.2611089
nosis | -.5272834 .1653205 -3.19 0.001 -.8513056 -.2032613
sis | -.9528815 .7176116 -1.33 0.184 -2.359374 .4536113
pesonacer | -.0008984 .0000767 -11.72 0.000 -.0010487 -.0007481
enfermo | .1686096 .0824269 2.05 0.041 .0070559 .3301634
variedad | -.1109401 .0460244 -2.41 0.016 -.2011462 -.020734
educamadre | -.1722343 .0709054 -2.43 0.015 -.3112062 -.0332623
edadmadre | -.0244884 .0090345 -2.71 0.007 -.0421956 -.0067811
tothijos | .167603 .0295426 5.67 0.000 .1097005 .2255055
freq_radio | -.0602442 .0401178 -1.50 0.133 -.1388736 .0183853
indi_riqueza | -5.98e-06 1.64e-06 -3.64 0.000 -9.20e-06 -2.76e-06
altitud | .0001707 .0000331 5.16 0.000 .0001059 .0002356
hmno_desnu~o | .7139349 .1045387 6.83 0.000 .5090429 .9188269
pin | -.0189165 .0065531 -2.89 0.004 -.0317603 -.0060726
distrito_t~a | 3.924089 1.013854 3.87 0.000 1.936971 5.911207
-------------+-----------------------------------------------------------------------------------
/cut1 | -4.031967 .608504 -5.224613 -2.839321
/cut2 | -1.967385 .60502 -3.153203 -.7815678
--------------------------------------------------------------------------------------------------
 Efect ivid ad d el g ast o p úb lico para combatir la des nutrición infantil en el Perú | 49

Se puede apreciar que los coeficientes de todas las variables incluidas en el modelo son
estadísticamente significativos al trabajar con un nivel de confianza de 80%. Tal como se
explicó en la referencia teórica, el signo asociado a cada coeficiente indicará la dirección del
impacto de la variable en cuestión sobre la probabilidad de estar en la categoría más alta. En
este caso, dicha categoría corresponde a la desnutrición crónica severa. El impacto sobre la
probabilidad de estar en la categoría más baja (no desnutrido) posee la dirección contraria,
mientras que el impacto sobre la categoría intermedia (desnutrido crónico moderado) no se
puede establecer a priori sino en el momento de analizar los efectos impacto. Cabe recordar
que en el presente caso de estudio la variable Desnutrición cuenta con tres categorías y, por
lo tanto, existen dos puntos de corte (a) que se reportan en la parte inferior de la imagen 1.

Los resultados demuestran que el impacto del PIN y de la afiliación al seguro de salud (SIS
u otro) sobre el estado de desnutrición del individuo son significativos y negativos. Por otro
lado, para verificar que el efecto de afiliarse al SIS es superior al de afiliarse a otro seguro,
procedemos a analizar los efectos impacto que tienen las variables sobre la probabilidad de
encontrarse en cada una de las categorías.

b. Efectos impacto20

En el presente caso existen distintas variables discretas cuyos efectos impacto resulta
interesante analizar. A diferencia del caso binomial, en este ejemplo la variable dependiente
toma tres distintos valores: 0, 1 y 2. Por lo mismo, el cálculo de los efectos impacto y
elasticidades requerirá la especificación de la categoría sobre la que se intenta calcular dichos
valores. Para esto, utilizaremos el siguiente algoritmo:

** Efectos Impacto
forvalues i=0/2 {
mfx compute, predict(outcome(`i’))
}

Con ello se obtienen los siguientes resultados:

20
Como se mencionó en el caso aplicado de la sección 3, es oportuno calcular los efectos impacto para el caso
de las variables independientes discretas. Para el caso de las variables continuas, es preferible calcular y analizar las
elasticidades.
50 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Imagen 2. Efecto impacto en la primera categoría: no desnutrido

Marginal effects after ologit

y = Pr(desnutricion==0) (predict, outcome(0))
= .78893654
--------------------------------------------------------------------------------------------------
variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
--------------+----------------------------------------------------------------------------------
edad_m~6* | .1933959 .01291 14.98 0.000 .16809 .218702 .117756
edad6_12* | .1489685 .01464 10.18 0.000 .12028 .177657 .114594
sexo | .0703508 .01369 5.14 0.000 .043528 .097173 1.49315
nosis* | .0788488 .02176 3.62 0.000 .036198 .1215 .160169
sis | .1586697 .11953 1.33 0.184 -.07561 .392949 .553218
pesona~r | .0001496 .00001 11.74 0.000 .000125 .000175 3199.8
enfermo* | -.0280618 .01369 -2.05 0.040 -.054902 -.001222 .505269
variedad | .0184733 .00766 2.41 0.016 .003456 .03349 6.03597
educam~e | .0286797 .0118 2.43 0.015 .005545 .051814 1.77555
edadma~e | .0040777 .0015 2.71 0.007 .001133 .007023 29.1939
tothijos | -.0279085 .00494 -5.65 0.000 -.037582 -.018235 3.01897
freq_r~o | .0100316 .00668 1.50 0.133 -.003063 .023127 2.2558
indi_r~a | 9.96e-07 .00000 3.66 0.000 4.6e-07 1.5e-06 14103.1
altitud | -.0000284 .00001 -5.17 0.000 -.000039 -.000018 1641.95
hmno_d~o* | -.1355832 .02224 -6.10 0.000 -.179166 -.092 .146997
pin | .0031499 .00109 2.90 0.004 .001018 .005282 47.5036
distri~a | -.6534223 .16842 -3.88 0.000 -.983517 -.323328 .239875
--------------------------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1
 Efect ivid ad d el g ast o p úb lico para combatir la des nutrición infantil en el Perú | 51

Imagen 3. Efecto impacto en la segunda categoría: desnutrido crónico moderado

Marginal effects after ologit

y = Pr(desnutricion==1) (predict, outcome(1))
= .17823592
----------------------------------------------------------------------------------------
variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
--------------+----------------------------------------------------------------------------------
edad_m~6* | -.1605488 .0112 -14.34 0.000 -.18249 -.138599 .117756
edad6_12* | -.1232805 .01251 -9.85 0.000 -.147805 -.098756 .114594
sexo | -.0569368 .01116 -5.10 0.000 -.078807 -.035066 1.49315
nosis* | -.0645644 .01805 -3.58 0.000 -.099936 -.029192 .160169
sis | -.1284158 .09681 -1.33 0.185 -.318161 .061329 .553218
pesona~r | -.0001211 .00001 -11.31 0.000 -.000142 -.0001 3199.8
enfermo* | .0227077 .01109 2.05 0.041 .000972 .044443 .505269
variedad | -.0149509 .00621 -2.41 0.016 -.027126 -.002776 6.03597
educam~e | -.0232113 .00957 -2.43 0.015 -.041963 -.00446 1.77555
edadma~e | -.0033002 .00122 -2.71 0.007 -.005689 -.000911 29.1939
tothijos | .0225871 .00403 5.60 0.000 .014687 .030488 3.01897
freq_r~o | -.0081189 .00541 -1.50 0.134 -.018725 .002488 2.2558
indi_r~a | -8.06e-07 .00000 -3.64 0.000 -1.2e-06 -3.7e-07 14103.1
altitud | .000023 .00000 5.13 0.000 .000014 .000032 1641.95
hmno_d~o* | .1064984 .01709 6.23 0.000 .073 .139997 .146997
pin | -.0025493 .00088 -2.89 0.004 -.004279 -.00082 47.5036
distri~a | .5288329 .13686 3.86 0.000 .260597 .797069 .239875
--------------------------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1
52 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Imagen 4. Efecto impacto en la tercera categoría: desnutrido crónico severo

Marginal effects after ologit

y = Pr(desnutricion==2) (predict, outcome(2))
= .03282754
--------------------------------------------------------------------------------------------------
variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
---------------+---------------------------------------------------------------------------------
edad_m~6* | -.0328471 .00291 -11.30 0.000 -.038544 -.02715 .117756
edad6_12* | -.025688 .00282 -9.12 0.000 -.031207 -.020169 .114594
sexo | -.0134139 .00271 -4.95 0.000 -.018723 -.008105 1.49315
nosis* | -.0142844 .00386 -3.70 0.000 -.021842 -.006727 .160169
sis | -.0302539 .02283 -1.33 0.185 -.075004 .014496 .553218
pesona~r | -.0000285 .00000 -9.90 0.000 -.000034 -.000023 3199.8
enfermo* | .005354 .00263 2.03 0.042 .000192 .010516 .505269
variedad | -.0035223 .00147 -2.39 0.017 -.006409 -.000635 6.03597
educam~e | -.0054684 .00227 -2.41 0.016 -.009921 -.001016 1.77555
edadma~e | -.0007775 .00029 -2.69 0.007 -.001345 -.00021 29.1939
tothijos | .0053214 .00098 5.41 0.000 .003393 .00725 3.01897
freq_r~o | -.0019127 .00128 -1.50 0.134 -.004416 .000591 2.2558
indi_r~a | -1.90e-07 .00000 -3.59 0.000 -2.9e-07 -8.6e-08 14103.1
altitud | 5.42e-06 .00000 4.97 0.000 3.3e-06 7.6e-06 1641.95
hmno_d~o* | .0290848 .00557 5.22 0.000 .018172 .039998 .146997
pin | -.0006006 .00021 -2.86 0.004 -.001012 -.000189 47.5036
distri~a | .1245894 .03284 3.79 0.000 .060219 .18896 .239875
------------------------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1

Como se observa en la parte superior de la primera imagen, el niño promedio menor de cinco
años posee una probabilidad de 78,9% de no ser desnutrido crónico en el Perú. Sin embargo,
existe también una probabilidad de 17,8% y 3,3% de que sea desnutrido crónico moderado y
desnutrido crónico severo, respectivamente.

Tal como fue explicado en la referencia teórica, los efectos impacto de cada explicativa,
para las tres categorías consideradas en este ejemplo, deben sumar cero. Con esto en mente,
resulta interesante analizar el efecto impacto de la principal variable de interés: la ayuda
 Efect ivid ad d el g ast o p úb lico para combatir la des nutrición infantil en el Perú | 53

proporcionada por el PIN. Al respecto, los resultados muestran que por cada ración per cápita
que se incrementa en el distrito donde habita el niño, la probabilidad de que este sea desnutrido
crónico severo se reduce en 0,06 puntos porcentuales (es decir, 6 puntos porcentuales por cada
100 raciones adicionales), mientras la correspondiente a que sea desnutrido disminuye en 0,20
puntos porcentuales. Esto indica que el PIN es una herramienta más efectiva para combatir
la desnutrición crónica moderada que la desnutrición crónica severa.

Respecto a la afiliación a un seguro de salud, se observa que cuando el niño se encuentra

afiliado a uno, la probabilidad de sufrir desnutrición crónica moderada y desnutrición crónica
severa se reduce en 6,45 y 1,42 puntos porcentuales, respectivamente. El efecto de la afiliación
al SIS es aun mayor, con reducciones de 12,84 y 3,02, en cada caso21.

Sobre el resto de variables explicativas, vale la pena resaltar lo siguiente:

1. En lo correspondiente a las variables asociadas al niño, se tiene que si el niño es menor

de 6 meses, la probabilidad de no ser desnutrido crónico aumenta en 19,3 puntos
porcentuales, debido seguramente a que se encuentra alimentado con leche materna.
El razonamiento es similar para los niños entre 6 y 12 meses de edad, aunque el efecto
positivo sobre la nutrición es menor, probablemente porque se introducen en su dieta
otros alimentos que no siempre son los más recomendables. Asimismo, las niñas tienen
7,0 puntos porcentuales más de probabilidad de no ser desnutridas, frente a los mayores
requerimientos de sus pares varones. Nótese que tanto el ser mujer como el ser menor
a 6 meses diminuyen la probabilidad de ser desnutrido crónico moderado más de lo que
reducen la correspondiente a ser desnutrido crónico severo.

2. De las variables referidas a la seguridad del hogar, vale la pena destacar que si en este existe
un niño menor de cinco años que sufre de desnutrición crónica, la probabilidad de que el
segundo niño la padezca en forma severa se incrementa en 2,90 puntos porcentuales.

3. Entre las variables relacionadas con la preparación de la madre se observa que por cada nivel
educativo adicional alcanzado por esta, la probabilidad de que el niño sufra desnutrición
crónica severa se reduce en 0,54 puntos porcentuales, mientras la correspondiente a ser
desnutrido crónico moderado disminuye en 2,32 puntos porcentuales.

4. Finalmente, por cada punto porcentual que se incremente la tasa de desnutrición del
distrito, las probabilidades de que el niño sufra de desnutrición crónica moderada

21
Con una confianza de 80%.
54 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

y desnutrición crónica severa se incrementan en 0,53 y 0,12 puntos porcentuales,

respectivamente.

4. Conclusiones

Se comprueba que un niño menor de cinco años tiene una probabilidad no despreciable de
sufrir desnutrición crónica moderada (17,82%) o severa (3,28%) en el Perú.

• Se ha encontrado evidencia empírica que respalda la hipótesis de que el PIN impacta

negativamente sobre el grado de desnutrición infantil (una vez que se soluciona el
problema de endogeneidad). Esto indica que este programa logra reducir la probabilidad
de sufrir de desnutrición. Su efectividad es menor, sin embargo, en el control de la
desnutrición crónica severa.

• Se encontró evidencia a favor de que la afiliación del niño a un seguro de salud tiene
un impacto negativo sobre la probabilidad de ser desnutrido crónico moderado y severo.
Además, se halló que el impacto de estar afiliado al SIS sobre el estado de desnutrición
del niño es mayor que el que tiene el afiliarse a cualquier otro seguro.

• Por último, se ha encontrado evidencia empírica que verifica que las características del
niño, la preparación de la madre, la seguridad del hogar y el nivel de salubridad de la
comunidad tienen influencia sobre el estado nutricional del niño.

5. Los comandos utilizados

Sintaxis ologit
Comando: ologit
Realiza la estimación logística del tipo ordenado.
Uso: ologit variable dependiente [Variables independientes] [if] [in] [peso] [, opciones]
Indicaciones:
Los valores que toma la variable dependiente son irrelevantes. Sin embargo, se asume que se
trata de una categoría mayor en la medida en que dicho valor sea más alto.

Para las versiones estándar de Stata, se puede admitir hasta 50 categorías.

Las principales opciones con las que cuenta son las mismas que para el caso binomial.
 ¿Qué hacen los jóvenes al concluir la secundaria? | 55

5. ¿Qué hacen los jóvenes al concluir la secundaria?: un modelo con

variable dependiente multinomial no ordenada22

1. Motivación, objetivos e hipótesis

Son dos las características particulares y, a la vez, contradictorias del sistema educativo
peruano. Por un lado, las altas tasas de cobertura en la educación básica (94,3% de las
personas en edad escolar asisten al colegio) y, del otro, los bajos logros en el aprendizaje, que
se evidencian tanto en evaluaciones nacionales como en aquellas que permiten la comparación
con resultados de otros países (PISA23 y Llece24). Como consecuencia, se ha demostrado que
el acceso a educación básica no representa un vehículo de escape de la pobreza como sí lo
constituye la educación superior (Yamada y Castro 2007).

Frente a esto, cabe esperar que la transición hacia los estudios superiores debería sea
la alternativa por seguir para aquellos adolescentes que finalizan estudios secundarios.
Sin embargo, la tasa de matrícula en educación superior de estos últimos se encuentra
en alrededor de 35% en los últimos años. Al respecto, es preciso considerar dos puntos
importantes: la heterogeneidad de la educación superior y la necesidad de generar ingresos

22
Basado en Mendo y Lisboa (2009).
23
Esta prueba se aplica a alumnos de 15 años en el marco del Programa Internacional de Evaluación de Estudiantes
(PISA, por sus siglas en inglés) y evalúa el desempeño académico por medio de tres aristas: comprensión lectora,
matemáticas y alfabetización científica. El Perú participó solo en la prueba realizada el 2001 y ocupó el último lugar
entre los 41 países participantes.
24
El Llece es la red de los Sistemas Nacionales de Medición y Evaluación de la Calidad Educativa de los países
de América Latina. Esta ha realizado dos evaluaciones internacionales para alumnos de primaria, cuyos resultados
ubican al Perú por debajo del promedio en los campos evaluados: matemáticas, comprensión lectora, escritura y
ciencias naturales.
56 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

(trabajar en vez de continuar estudiando) que tienen muchos jóvenes desde sus primeros
años de adolescencia.

El enfoque tradicional para identificar los determinantes de la asignación de tiempo que

los jóvenes realizan al culminar la secundaria divide el universo en dos opciones: trabajar o
estudiar. Esta simplificación de la realidad puede conducir a resultados poco satisfactorios e
incompletos, dada la mencionada heterogeneidad de la educación superior y el hecho de que
22,4% de jóvenes menores a 23 años, con educación básica completa, no trabajan ni siguen
estudios superiores.

El objetivo del presente ejercicio es identificar los determinantes de que un joven (menor a
23 años) que ha finalizado la educación básica no se encuentre realizando estudios superiores
ni haya ingresado al mercado laboral. El interés en este grupo específico se relaciona con la
hipótesis de que una de las principales causas de esta aparente inactividad es la necesidad de
acumular capital humano para cerrar la brecha existente entre la educación básica y la que
exige la educación superior (estos jóvenes estarían estudiando en algún tipo de institución o
grupo de preparación para hacer frente adecuadamente a la educación superior25).

2. Metodología

a. ¿Por qué un logit multinomial no ordenado?

La elección de un modelo multinomial no ordenado responde a la imposibilidad de ordenar

o jerarquizar las distintas actividades que conforman el abanico de posibilidades a las que un
joven puede dedicarse. De esta manera, se considera que un joven con estudios secundarios
completos se encuentra desarrollando una de las siguientes cuatro actividades26: (i) educación
superior universitaria, (ii) educación superior no universitaria, (iii) trabajo y (iv) otros.

Es tentador asignar un orden a las categorías mencionadas de acuerdo con criterios propios,
sin embargo, cualquier ordenamiento no sería más que un ranking de preferencias de la persona
que lo elabore. No es posible establecer objetivamente si trabajar como mensajero es mejor

25
Entre los hechos estilizados a la luz de los cuales se construyó la hipótesis figuran que 60,4% de los jóvenes
en la situación mencionada reportan tener problemas económicos o encontrarse en una academia preuniversitaria;
83,9% afirman no estar en búsqueda de trabajo; y que 60,7% de los jóvenes de dicho grupo tienen menos de 20 años,
mientras la proporción correspondiente para el resto asciende a 41,9%.
26
Se asume que se trata de categorías mutuamente excluyentes y exhaustivas.
 ¿Qué hacen los jóvenes al concluir la secundaria? | 57

que estudiar administración o gastronomía. Además, la sola presencia de la categoría “otros”

hace cuestionable la posibilidad de establecer un orden.

Con esto, es claro que la variable dependiente (actividad) puede adoptar un conjunto limitado
de valores discretos que no pueden ser jerarquizados, por lo que se estarán modelando las
probabilidades de realizar una determinada actividad. En consecuencia, la técnica de estimación
adecuada es un modelo multinomial no ordenado. Al respecto, si bien no existe a priori ninguna
razón para descartar la distribución logística o normal para los errores, se trabajará con la
primera para simplificar la exposición e interpretación de los resultados.

¿Por qué no agrupar los datos en dos categorías: la de interés (“otros”) y el resto, si lo que
se busca es hallar los determinantes de encontrarse en la primera? La razón es simple: los
factores que llevan a un joven a moverse de la categoría “otros” hacia una categoría distinta
pueden tener efectos diferenciados según cuál sea esta última. Por lo tanto, de no considerarse
por separado las opciones planteadas se distorsionarían los resultados.

b. Variables utilizadas, ecuaciones por estimar y base de datos

La hipótesis planteada implica que los mismos factores que llevan a un joven con educación
básica completa a seguir estudios superiores universitarios, en lugar de trabajar o cursar
educación superior no universitaria, deben influir positivamente sobre la probabilidad de que
este se encuentre en la categoría “otros” respecto a las últimas dos alternativas mencionadas27.
Entre tales factores destacan la recompensa salarial que el individuo espera obtener si logra un
título universitario y la importancia que la familia le brinda a la educación. El logro educativo
asociado al nivel de instrucción básico, por su parte, debe impactar positivamente sobre la
probabilidad de encontrarse en la categoría de educación universitaria respecto a “otros”, en
la medida en que la brecha de conocimientos y aptitudes es menor. Estas tres variables son
no observables, por lo que tuvieron que ser aproximadas.

En el caso de la prima de salario, se realizaron estimaciones del salario por hora que cada
individuo recibiría con educación secundaria completa y con un título universitario, para luego
calcular la diferencia. Como proxy de la importancia que la familia brinda a la educación
se utilizaron los años de educación del jefe del hogar (padres más educados valoran más la
educación de sus hijos).

27
Esto en la medida en que la hipótesis implica que la categoría “otros” es una etapa de preparación transitoria
para garantizar el paso a la educación superior universitaria.
58 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Lamentablemente, la base de datos no cuenta con una variable adecuada para medir el logro
educativo, por lo que se utilizó la información sobre gestión (pública o privada) del colegio al
que asistió el individuo, tomando en cuenta los resultados de las pruebas de rendimiento, que
confirman que el segundo tipo es de mejor calidad y, como tal, hace posible que los alumnos
alcancen un mayor nivel de dicho logro.

Las variables involucradas en el modelo pueden resumirse en la siguiente tabla.

Variable dependiente

Nombre Descripción
Actividad que se encuentra desarrollando el individuo. Toma cuatro valores:
(i) 1, si el individuo cursa educación superior universitaria; (ii) 2, si cursa
Actividad
educación superior no universitaria; (iii) 3, si se encuentra trabajando; y (iv)
0, de otro modo.

Variables explicativas de interés

Nombre Descripción
Diferencia del logaritmo natural del salario esperado con educación superior
Prima_uni
universitaria y el correspondiente solo con educación secundaria.
Jefe_educ Años de educación del jefe del hogar.
Toma dos valores: (i) 1, si el individuo asistió a educación básica en una
Tipo_colegio
institución privada; y (ii) 0, si lo hizo en una institución pública.

Hasta aquí las principales variables del estudio. A continuación se presentan las demás
variables explicativas incluidas en el modelo. Entre ellas tenemos: (i) características específicas
del individuo (edad, sexo, si es jefe de hogar); (ii) características del hogar al que pertenece
(pobreza, porcentaje de personas dependientes en el hogar); y (iii) características de la localidad
donde habita (urbana o rural). Estos elementos influyen sobre la decisión de asignación del
tiempo del joven. Por tanto, es necesario tomar en cuenta sus efectos si lo que deseamos es
aislar el impacto de las variables explicativas de interés.
 ¿Qué hacen los jóvenes al concluir la secundaria? | 59

Variables explicativas de control

Clase Nombre Descripción
Edad Edad del individuo.
Edad2 Edad del individuo al cuadrado.
Características del Toma dos valores: (i) 1, si el individuo en mención
individuo Jefe
es jefe de hogar; y (ii) 0, si no lo es.
Toma dos valores: (i) 1, si el individuo en mención
Mujer
es mujer; y (ii) 0, si es hombre.
Caracteriza la condición de pobreza del individuo
en la muestra. Toma dos valores: (i) 1, si el gasto
Pobre
Características del hogar per cápita de su hogar se encuentra por debajo
al que pertenece de la línea de pobreza; y (ii) 0, de otro modo.
Porcentaje de personas dependientes (menores de
Porc_dep
6 y mayores de 65 años) del hogar.
Características de la Toma dos valores: (i) 1, si la zona en la que habi­
Rural
localidad donde habita ta el individuo es rural; y (ii) 0, de otro modo.

Como el lector recordará, la estimación de modelos no ordenados requiere de la elección

de una categoría base, respecto a la cual se realizarán las estimaciones de los ratios de
probabilidades y, por tanto, respecto a la cual se realizarán las interpretaciones de los
coeficientes estimados. Dado que en el presente caso se busca evaluar los factores que
determinan el traslado de las diferentes categorías hacia la denominada “otros” y viceversa,
es adecuado tomar esta última como la base.

Considerando lo anterior y la referencia teórica presentada a lo largo del capítulo, el modelo

puede resumirse como:
1 si el individuo i asiste a educación superior universitaria
2 si el individuo i asiste a educación superior no universitaria
yi
3 si el individuo i trabaja
0 de otro modo

xi ' β j
Pr (yi = j|data) = e
3 xi ' β j
1+ ∑ e
j =1
60 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Pr (y i = j ) xi ' β j K
=e = exp βj1 PRIMA_UNIi + βj2 JEFE_EDUCi + βj3TIPO_COLEGIOi + ∑ βjnxni
Pr (y i = 0) n =4

Donde xi representa el vector de valores para las variables explicativas para el individuo i;
y bj, el vector de coeficientes de la alternativa j. La estimación del modelo implica el cálculo
de tres ecuaciones, una para cada categoría distinta a la base.

La base de datos utilizada es la Encuesta Nacional de Hogares, de Condiciones de Vida y

Pobreza del año 200828. La muestra incluye a todos los individuos menores de 23 años que han
culminado la educación secundaria. El tamaño de la misma asciende a 7.221 observaciones.

c. Del modelo a las hipótesis

Los efectos que constituyen evidencia a favor de la hipótesis planteada ya fueron descritos en
el momento de discutir las variables explicativas de interés. Como se recordará, una mayor prima
salarial esperada por obtener un título universitario, y un mayor grado de instrucción del jefe del
hogar, aumentan la probabilidad de encontrarse en la categoría “otros” respecto a trabajar y a
seguir estudios superiores no universitarios; el haber asistido a un colegio de gestión privada, por
su parte, aumenta la probabilidad de encontrarse en la categoría “superior universitaria” respecto
de “otros”. El propósito de la presente sección es traducir estas afirmaciones en resultados de
nuestro modelo (por ejemplo, signos y/o magnitudes de coeficientes o efectos impacto).

Como el lector seguramente ha notado, se está buscando comprobar impactos sobre las
probabilidades relativas (ratios de probabilidad) y no sobre las probabilidades absolutas. Si a
esto se agrega que los ratios de probabilidad necesarios involucran a la categoría base, se tiene
que los resultados esperados se desprenden directamente de los signos de los coeficientes de
las distintas ecuaciones.

Así, para verificar la primera hipótesis se necesita que los coeficientes de la variable Prima_uni
de las ecuaciones asociadas a las categorías “trabajar” y “educación superior no universitaria”
sean negativos. De manera similar, la segunda hipótesis equivale a que los coeficientes de
la variable Jefe_educ en las ecuaciones asociadas a “trabajar” y “seguir estudios superiores
no universitarios” sean negativos. Por último, para constatar la tercera hipótesis se necesita
que el coeficiente de la variable Tipo_colegio en la ecuación asociada a educación superior
universitaria sea positivo.

28
Se utilizaron los módulos correspondientes a características de la vivienda y del hogar, características de los
miembros del hogar, educación, empleo, gastos del hogar y salud.
 ¿Qué hacen los jóvenes al concluir la secundaria? | 61

3. Proceso de estimación y análisis de resultados

En el presente caso, es necesario realizar un paso previo antes de estimar el modelo

multinomial: estimar la prima de salarios que el individuo en cuestión recibiría si tuviese
educación superior universitaria completa. Esto se realizó mediante un modelo heckit a la
Mincer, el cual realiza la corrección pertinente por poseer una muestra no aleatoria29.

Luego de generar todas las variables necesarias y restringir la muestra al grupo de interés,
se realiza la estimación del modelo multinomial logístico mediante el comando30:

** Modelo Logit Multinomial No Ordenado

mlogit actividad p_uni jefe_educ tipo_col edad edad2 rural
pobre porc_dep jefe, baseoutcome(0)

Con ello se obtiene lo siguiente:

29
Esta metodología se discutirá al detalle en el siguiente capítulo del presente libro.
30
Se presentan solo las variables explicativas que resultaron significativas.
62 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Imagen 1. Ventana de resultados del modelo multinomial no ordenado logístico

Multinomial logistic regression Number of obs = 7221

LR chi2(27) = 1803.40
Prob > chi2 = 0.0000
Log likelihood = -8415.6029 Pseudo R2 = 0.0968
--------------------------------------------------------------------------------------------------
actividad | Coef. Std. Err. z P>|z| [95% Conf. Interval]
--------------------------------------------------------------------------------------------------
Sup_Univ |
p_univ | -2.879563 .4550769 -6.33 0.000 -3.771498 -1.987629
jefe_educ | .089431 .009722 9.20 0.000 .0703762 .1084858
tipo_colegio | .5827997 .0879107 6.63 0.000 .4104978 .7551016
edad | 2.622092 .3746793 7.00 0.000 1.887734 3.35645
edad2 | -.0612204 .0094919 -6.45 0.000 -.0798241 -.0426167
rural | 1.803001 .3347321 5.39 0.000 1.146938 2.459064
pobre | -.6778389 .1119964 -6.05 0.000 -.8973478 -.4583299
porc_dep | -.9182394 .1984451 -4.63 0.000 -1.307185 -.5292942
jefe | -.1679922 .232102 -0.72 0.469 -.6229037 .2869193
_cons | -18.28861 4.02662 -4.54 0.000 -26.18064 -10.39658
--------------------------------------------------------------------------------------------------
Sup_No_Univ |
p_univ | -2.4793 .5066177 -4.89 0.000 -3.472252 -1.486347
jefe_educ | -.0429234 .0102756 -4.18 0.000 -.0630633 -.0227835
tipo_colegio | 1.022016 .0973075 10.50 0.000 .8312972 1.212736
edad | 3.142557 .4311996 7.29 0.000 2.297421 3.987692
edad2 | -.0773092 .0109668 -7.05 0.000 -.0988037 -.0558147
rural | 2.045451 .3674182 5.57 0.000 1.325324 2.765577
pobre | -.3216666 .1094283 -2.94 0.003 -.5361421 -.107191
porc_dep | -.5424118 .2069884 -2.62 0.009 -.9481016 -.1367219
jefe | .2847349 .2585458 1.10 0.271 -.2220056 .7914754
_cons | -23.11126 4.590129 -5.03 0.000 -32.10774 -14.11477
--------------------------------------------------------------------------------------------------
Trabaja |
p_univ | -5.55316 .3911176 -14.20 0.000 -6.319737 -4.786584
jefe_educ | -.0421961 .0079831 -5.29 0.000 -.0578426 -.0265495
tipo_colegio | -.2836257 .0881716 -3.22 0.001 -.4564389 -.1108125
edad | .9281307 .3038605 3.05 0.002 .332575 1.523686
edad2 | -.0200531 .0077499 -2.59 0.010 -.0352426 -.0048636
rural | 4.459654 .2841253 15.70 0.000 3.902778 5.016529
pobre | .1283739 .0778622 1.65 0.099 -.0242331 .2809809
porc_dep | .0010122 .1326227 0.01 0.994 -.2589235 .2609478
jefe | .5773069 .1967234 2.93 0.003 .1917362 .9628777
_cons | 10.10098 3.273115 3.09 0.002 3.685796 16.51617
--------------------------------------------------------------------------------------------------
(actividad==Otra is the base outcome)
 ¿Qué hacen los jóvenes al concluir la secundaria? | 63

a. Pruebas de hipótesis

Antes de discutir los resultados, se realizarán las pruebas de hipótesis que permitan
corroborar: (i) la significancia de las variables incluidas en el modelo; (ii) la imposibilidad de
fusionar dos categorías en una sola; y (iii) la aceptación del supuesto de independencia de
alternativas irrelevantes (IIA, por sus siglas en ingles).

i. Pruebas de significancia individual

En un modelo multinomial no ordenado, la significancia individual de las variables debe

evaluarse considerando de manera conjunta el aporte explicativo de la misma en cada una
de las ecuaciones. Así, la hipótesis de que una determinada variable no afecta la dependiente
se verifica si los coeficientes asociados a la misma son cero, simultáneamente, en cada una
de las ecuaciones.

Se utilizarán dos pruebas asintóticas para contrastar la hipótesis mencionada: Wald y el

ratio de verosimilitud. La primera verifica si los estimadores del modelo sin restringir cumplen
con la restricción de nulidad de los coeficientes, mientras la segunda verifica si imponer dicha
restricción genera una pérdida de ajuste no significativa. En ambos casos, lo mencionado
corresponde a la hipótesis nula de no significancia de la variable.

Los comandos para la estimación de las pruebas de significancia individual de las variables
son los siguientes:

*** Pruebas de Significancia Individual

** Test Wald
mlogtest, wald set(edad edad2)
** Test RV
mlogtest, lr set(edad edad2)

Con ello se obtienen los siguientes resultados:

64 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Imagen 2. Ventana de resultados de las pruebas de significancia individual

**** Wald tests for independent variables

Ho: All coefficients associated with given variable(s) are 0.

activi~d | chi2 df P>chi2

---------------------------------------------------------
p_univ | 214.912 3 0.000
jefe_educ | 250.047 3 0.000
tipo_colegio | 261.651 3 0.000
edad | 78.788 3 0.000
edad2 | 72.125 3 0.000
rural | 272.453 3 0.000
pobre | 74.104 3 0.000
porc_dep | 30.286 3 0.000
jefe | 21.507 3 0.000
---------------------------------------------------------
set_1: | 215.558 6 0.000
edad |
edad2 |
---------------------------------------------------------

**** Likelihood-ratio tests for independent variables

Ho: All coefficients associated with given variable(s) are 0.

activi~d | chi2 df P>chi2

---------------------------------------------------------
p_univ | 226.528 3 0.000
jefe_educ | 270.936 3 0.000
tipo_colegio | 262.260 3 0.000
edad | 81.710 3 0.000
edad2 | 74.819 3 0.000
rural | 289.009 3 0.000
pobre | 79.455 3 0.000
porc_dep | 35.430 3 0.000
jefe | 22.487 3 0.000
---------------------------------------------------------
set_1: | 221.288 6 0.000
edad |
edad2 |
---------------------------------------
 ¿Qué hacen los jóvenes al concluir la secundaria? | 65

Los resultados indican que la hipótesis de no significancia para cada una de las variables
se rechaza al 1% de significancia. Cabe mencionar que la opción SET permite evaluar si los
coeficientes de cada ecuación para más de una variable son cero simultáneamente, por lo
que se utilizó para verificar la significancia de la variable edad que aparece en niveles y en
forma cuadrática en el modelo.

ii. Pruebas para combinar categorías

Si ninguna de las variables del modelo planteado influye sobre el ratio de probabilidades
de dos categorías, entonces se dice que las categorías son “no distinguibles” en función de
las variables explicativas del modelo. Esto abre la posibilidad de obtener estimadores más
eficientes fusionando las alternativas en cuestión en una sola.

La hipótesis de no distinción entre dos categorías se verifica si todos los coeficientes

(exceptuando el intercepto) de las ecuaciones asociadas a dichas categorías son estadísticamente
iguales. Dado que en la estimación se normalizan todos los coeficientes asociados a la categoría
base a cero, en el caso de que una de las categorías involucradas en la prueba sea esta última,
verificar la hipótesis equivale a comprobar si todos los coeficientes de la ecuación asociada a
la otra categoría son no significativos.

Al igual que en el caso anterior, la comprobación de esta hipótesis se puede realizar mediante
la prueba de Wald o ratio de verosimilitud. Los comandos para realizar estas pruebas son los
siguientes.

*** Pruebas para combinar categorías

** Test Wald
mlogtest, combine
** Test RV
mlogtest, lrcomb

Con lo que se obtiene los siguientes resultados:

66 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Imagen 3. Ventana de resultados de las pruebas para combinar categorías

**** Wald tests for combining outcome categories

Ho: All coefficients except intercepts associated with given pair
of outcomes are 0 (i.e., categories can be collapsed).

Categories tested | chi2 df P>chi2

--------------------------------------------------------------
Sup_Univ-Sup_No_U | 274.961 9 0.000
Sup_Univ- Trabaja | 886.075 9 0.000
Sup_Univ- Otra | 482.919 9 0.000
Sup_No_U- Trabaja | 414.377 9 0.000
Sup_No_U- Otra | 245.523 9 0.000
Trabaja- Otra | 507.359 9 0.000
--------------------------------------------------------------

**** LR tests for combining outcome categories

Ho: All coefficients except intercepts associated with given pair

of outcomes are 0 (i.e., categories can be collapsed).

Categories tested | chi2 df P>chi2

------------------+-------------------------------------------
Sup_Univ-Sup_No_U | 292.016 9 0.000
Sup_Univ- Trabaja | 1142.809 9 0.000
Sup_Univ- Otra | 557.941 9 0.000
Sup_No_U- Trabaja | 440.907 9 0.000
Sup_No_U- Otra | 268.063 9 0.000
Trabaja- Otra | 583.294 9 0.000
--------------------------------------------------------------

Como se ve, la hipótesis de no distinción se rechaza para cada par de categorías, por lo que
no es posible fusionar las alternativas presentadas.

iii. Prueba de independencia de alternativas irrelevantes

De acuerdo con la propiedad de IIA discutida en la referencia teórica, la aplicación del

modelo multinomial no ordenado logístico supone que el ratio de probabilidades entre
 ¿Qué hacen los jóvenes al concluir la secundaria? | 67

dos alternativas no depende de las demás categorías. En este sentido se dice que estas son
“irrelevantes”. Por tanto, remover alguna o aumentar una nueva no debería tener efectos sobre
el ratio de probabilidades mencionado. Con esto claro, la lógica de la prueba por utilizar (el
test de Hausman) resulta bastante intuitiva: verifica si la diferencia entre los estimadores
obtenidos utilizando todas las categorías y omitiendo una es significativa. De serlo, se tiene
evidencia en contra de la IIA. El cálculo de la prueba mencionada se realiza mediante el
siguiente comando.

** Test de Hausman
mlogtest, hausman

Con lo que se obtiene lo siguiente:

Imagen 4. Ventana de resultados de la prueba de Hausman-McFadden para IIA

**** Hausman tests of IIA assumption

Ho: Odds(Outcome-J vs Outcome-K) are independent of other alternatives.

Omitted | chi2 df P>chi2 evidence

---------+---------------------------------------------------------
Sup_Univ | 0.586 18 1.000 for Ho
Sup_No_U | 2.560 18 1.000 for Ho
Trabaja | -37.068 18 1.000 for Ho
--------------------------------------------------------------------

Los resultados de la prueba indican que cada una de las categorías es irrelevante para el
cálculo de los ratios de probabilidades que no la involucran. El signo negativo del estadístico
asociado a la categoría Trabaja llama la atención. Al respecto, Long and Freese (2006) señalan
que esto es común en este tipo de pruebas y que constituye evidencia a favor de que el supuesto
de IIA no ha sido violado. Verificada la idoneidad del modelo planteado, se procede a discutir
los resultados del mismo.
68 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

b. Efectos impacto y elasticidades

Al igual que en el caso de los modelos probabilísticos binomiales, en los modelos

multinomiales es posible calcular los efectos impacto y elasticidades que poseen las variables
sobre la probabilidad de encontrarse en determinada categoría. En el caso de los efectos
impacto, el cálculo se realiza con el siguiente algoritmo.

** Efectos Impacto
forvalues i=0/3 {
mfx compute, predict (p outcome(`i’)) dydx
}

Con ello se obtienen los siguientes resultados:

Imagen 5. Efecto impacto: otros

Marginal effects after mlogit

y = Pr(actividad==0) (predict, p outcome(0))
= .21974394
--------------------------------------------------------------------------------------------------
variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
--------------------------------------------------------------------------------------------------
p_univ | .7483343 .06109 12.25 0.000 .628609 .86806 3.69089
jefe_e~c | .001845 .00126 1.47 0.142 -.000617 .004307 9.13627
tipo_c~o* | -.0388497 .01183 -3.28 0.001 -.062037 -.015663 .232378
edad | -.2964029 .0478 -6.20 0.000 -.390085 -.202721 19.719
edad2 | .0068792 .00122 5.63 0.000 .004485 .009273 392.879
rural* | -.3667895 .01816 -20.20 0.000 -.402376 -.331203 .245811
pobre* | .0202152 .01303 1.55 0.121 -.00533 .04576 .238194
porc_dep | .0542165 .02183 2.48 0.013 .011428 .097005 .135777
jefe* | -.0596025 .02598 -2.29 0.022 -.110518 -.008687 .038499
----------------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1

si es + es en cuanto se incrementa la probabilidad

si es - es en cuanto disminuye la probabilidad
 ¿Qué hacen los jóvenes al concluir la secundaria? | 69

Imagen 6. Efecto impacto: educación superior universitaria

Marginal effects after mlogit si aumenta una unidad,

y = Pr(actividad==1) (predict, p outcome(1)) la prob 0.187109
= .187109
variaría en dy/dx
--------------------------------------------------------------------------------------------------
variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
--------------------------------------------------------------------------------------------------
p_univ | .0984044 .05438 1.81 0.070 -.008188 .204997 3.69089
jefe_e~c | .0183043 .0012 15.20 0.000 .015943 .020665 9.13627
tipo_c~o* | .080447 .01193 6.74 0.000 .05706 .103834 .232378
edad | .2382339 .04849 4.91 0.000 .143201 .333267 19.719
edad2 | -.0055973 .00122 -4.59 0.000 -.007989 -.003206 392.879
rural* | -.1591429 .0203 -7.84 0.000 -.198932 -.119354 .245811
pobre* | -.0948101 .01142 -8.30 0.000 -.117192 -.072428 .238194
porc_dep | -.1256463 .02675 -4.70 0.000 -.178081 -.073211 .135777
jefe* | -.0726058 .01794 -4.05 0.000 -.107774 -.037438 .038499
--------------------------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1

Imagen 7. Efecto impacto: educación superior no universitaria

Marginal effects after mlogit

y = Pr(actividad==2) (predict, p outcome(2))
= .13896192 probabilidad promedio
--------------------------------------------------------------------------------------------------
variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
--------------------------------------------------------------------------------------------------
p_univ | .1287043 .04954 2.60 0.009 .031599 .22581 3.69089
jefe_e~c | -.004798 .00102 -4.69 0.000 -.006804 -.002792 9.13627
tipo_c~o* | .1455051 .01294 11.25 0.000 .120152 .170858 .232378
edad | .2492561 .04491 5.55 0.000 .161243 .337269 19.719
edad2 | -.0063927 .00114 -5.62 0.000 -.008622 -.004164 392.879
rural* | -.1018475 .01895 -5.37 0.000 -.138994 -.064701 .245811
pobre* | -.0300525 .01006 -2.99 0.003 -.049773 -.010332 .238194
porc_dep | -.0410891 .02206 -1.86 0.063 -.084323 .002145 .135777
jefe* | -.0038143 .02391 -0.16 0.873 -.050678 .043049 .038499
--------------------------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1
70 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Imagen 8. Efecto impacto: trabaja

Marginal effects after mlogit si aumenta una unidad,

y = Pr(actividad==3) (predict, p outcome(3)) la prob 0.45418514
= .45418514 variaría en dy/dx
--------------------------------------------------------------------------------------------------
variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
--------------------------------------------------------------------------------------------------
p_univ | -.975443 .07312 -13.34 0.000 -1.11875 -.83214 3.69089
jefe_e~c | -.0153514 .00156 -9.86 0.000 -.018402 -.012301 9.13627
tipo_c~o* | -.1871024 .01489 -12.57 0.000 -.216284 -.157921 .232378
edad | -.1910871 .0626 -3.05 0.002 -.313771 -.068403 19.719
edad2 | .0051108 .00158 3.23 0.001 .002007 .008215 392.879
rural* | .6277798 .02661 23.60 0.000 .575634 .679926 .245811
pobre* | .1046475 .01549 6.75 0.000 .074282 .135013 .238194
porc_dep | .1125189 .029 3.88 0.000 .055685 .169353 .135777
jefe* | .1360226 .03341 4.07 0.000 .070544 .201501 .038499
--------------------------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1

Los resultados indican que la probabilidad que tiene un joven peruano promedio, que ha
culminado la educación básica, de no estar en educación superior ni trabajando asciende a
21,97%, porcentaje no despreciable que confirma la relevancia de analizar los determinantes de
encontrarse en esta situación. Por su lado, las probabilidades de que dicho joven se encuentre
en educación superior universitaria, no universitaria y trabajando son iguales a 18,71%, 13,90%
y 45,42%, respectivamente.

Centrándonos en los efectos impacto de las variables de interés, se puede resaltar lo

siguiente:

• Un año adicional de educación del jefe de hogar no posee un efecto significativo sobre
la probabilidad de encontrarse en la categoría “otros”. Asimismo, por cada año de
educación adicional del jefe del hogar la probabilidad de que el joven promedio asista a
la universidad aumenta en 1,83 puntos porcentuales, mientras que las correspondientes
a seguir educación superior no universitaria y trabajar disminuyen en 0,48 y 1,54 puntos
porcentuales, respectivamente.
 ¿Qué hacen los jóvenes al concluir la secundaria? | 71

• El asistir a un centro de educación básica de gestión privada disminuye la probabilidad

de estar en la categoría “otros” en 3,88 puntos porcentuales. Asimismo, incrementa la
probabilidad de asistir a educación superior universitaria en 8,04 puntos porcentuales y la
correspondiente a educación superior no universitaria, en 14,55 puntos porcentuales.

En el caso de las elasticidades, se utiliza el siguiente algoritmo31.

** Elasticidades
forvalues i=0/3 {mfx compute, predict (p outcome(`i’)) eydx
}

Con esto se obtienen los siguientes resultados:

Imagen 9 . Elasticidad: otros

Elasticities after mlogit

y = Pr(actividad==0) (predict, p outcome(0))
= .21974394
--------------------------------------------------------------------------------------------------
variable | ey/dx Std. Err. z P>|z| [ 95% C.I. ] X
-------------------------------------------------------------------------------------------------
p_univ | 3.405483 .28934 11.77 0.000 2.83839 3.97258 3.69089
jefe_e~c | .0083962 .00572 1.47 0.142 -.002805 .019598 9.13627
tipo_c~o | -.1222499 .06013 -2.03 0.042 -.240107 -.004393 .232378
edad | -1.348856 .2182 -6.18 0.000 -1.77652 -.921187 19.719
edad2 | .0313057 .00557 5.62 0.000 .020386 .042226 392.879
rural | -2.647106 .21097 -12.55 0.000 -3.0606 -2.23361 .245811
pobre | .1132237 .05803 1.95 0.051 -.000516 .226963 .238194
porc_dep | .2467257 .09948 2.48 0.013 .051745 .441707 .135777
jefe | -.2703387 .14758 -1.83 0.067 -.55959 .018912 .038499
--------------------------------------------------------------------------------------------------

31
El cálculo de la elasticidad se realiza utilizando la opción eYdX del comando MFX debido a que la variable
continua de interés incluida en el modelo, la prima salarial obtenida por realizar estudios universitarios, se encuentra
expresada en logaritmos. Si se desea calcular las elasticidades de variables continuas incluidas en niveles o de las
variables discretas para elaborar un ranking, se deberá utilizar la opción eYeX. Para mayor detalle sobre el comando
MFX, véase la sección de comandos utilizados del estudio de caso 2.
72 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Imagen 10. Elasticidad: educación superior universitaria

Elasticities after mlogit

y = Pr(actividad==1) (predict, p outcome(1))
= .187109
--------------------------------------------------------------------------------------------------
variable | ey/dx Std. Err. z P>|z| [ 95% C.I. ] X
--------------------------------------------------------------------------------------------------
p_univ | .5259201 .2909 1.81 0.071 -.044237 1.09608 3.69089
jefe_e~c | .0978272 .00676 14.47 0.000 .084577 .111078 9.13627
tipo_c~o | .4605498 .056 8.22 0.000 .350788 .570312 .232378
edad | 1.273236 .26149 4.87 0.000 .760717 1.78576 19.719
edad2 | -.0299146 .00657 -4.55 0.000 -.0428 -.017029 392.879
rural | -.8441048 .21597 -3.91 0.000 -1.26739 -.420819 .245811
pobre | -.5646152 .0801 -7.05 0.000 -.721618 -.407612 .238194
porc_dep | -.6715137 .14421 -4.66 0.000 -.954154 -.388873 .135777
jefe | -.4383309 .13876 -3.16 0.002 -.710291 -.16637 .038499
--------------------------------------------------------------------------------------------------

Imagen 11. Elasticidad: educación superior no universitaria

Elasticities after mlogit

y = Pr(actividad==2) (predict, p outcome(2))
= .13896192
--------------------------------------------------------------------------------------------------
variable | ey/dx Std. Err. z P>|z| [ 95% C.I. ] X
--------------------------------------------------------------------------------------------------
p_univ | .9261838 .35769 2.59 0.010 .225119 1.62725 3.69089
jefe_e~c | -.0345272 .00745 -4.63 0.000 -.049128 -.019926 9.13627
tipo_c~o | .8997666 .06897 13.05 0.000 .764597 1.03494 .232378
edad | 1.793701 .32875 5.46 0.000 1.14937 2.43804 19.719
edad2 | -.0460035 .00833 -5.52 0.000 -.062327 -.02968 392.879
rural | -.6016551 .25924 -2.32 0.020 -1.10975 -.093556 .245811
pobre | -.2084429 .08121 -2.57 0.010 -.367617 -.049269 .238194
porc_dep | -.295686 .1591 -1.86 0.063 -.607513 .016141 .135777
jefe | .0143962 .17598 0.08 0.935 -.330511 .359303 .038499
--------------------------------------------------------------------------------------------------
 ¿Qué hacen los jóvenes al concluir la secundaria? | 73

Imagen 12. Elasticidad: trabaja

Elasticities after mlogit

y = Pr(actividad==3) (predict, p outcome(3))
= .45418514
--------------------------------------------------------------------------------------------------
variable | ey/dx Std. Err. z P>|z| [ 95% C.I. ] X
---------+---------------------------------------------------------------------------------------
p_univ | -2.147677 .16373 -13.12 0.000 -2.46858 -1.82677 3.69089
jefe_e~c | -.0337999 .00347 -9.74 0.000 -.040601 -.026999 9.13627
tipo_c~o | -.4058756 .03792 -10.70 0.000 -.480204 -.331548 .232378
edad | -.4207252 .13779 -3.05 0.002 -.690796 -.150655 19.719
edad2 | .0112526 .00349 3.23 0.001 .00442 .018085 392.879
rural | 1.812548 .11976 15.14 0.000 1.57783 2.04727 .245811
pobre | .2415975 .03455 6.99 0.000 .173877 .309318 .238194
porc_dep | .2477379 .06388 3.88 0.000 .122545 .372931 .135777
jefe | .3069683 .07445 4.12 0.000 .161055 .452882 .038499
--------------------------------------------------------------------------------------------------

Sobre la variable prima de salarios se puede concluir que un incremento de 1% del ratio
entre los salarios que el individuo espera recibir con educación superior universitaria y el
correspondiente al que obtendría solo con educación secundaria, ocasiona que la probabilidad
de estar en la categoría “otros” aumente en 3,40%.

Nótese que a la hora de interpretar los resultados podría pensarse que existe una
inconsistencia entre los efectos impacto y las elasticidades, y los correspondientes coeficientes
de las ecuaciones estimadas, inconsistencias que en realidad no son tales. Por ejemplo, en
el caso de la variable “prima de salarios”, si bien su coeficiente en la ecuación de educación
superior es negativo, tanto el efecto impacto como la elasticidad sobre la probabilidad de
estar en dicho nivel educativo son positivas. Ello es así porque mientras que el coeficiente
presenta el efecto de dicha prima sobre la probabilidad de estar en la educación superior
respecto a la de estar en la categoría base, el efecto impacto y la elasticidad correspondiente
expresan los cambios que esta variable produce solamente sobre la primera probabilidad (estar
en la universidad). Aun cuando un aumento de la prima mejora la probabilidad de estar en
educación superior, también lo hace sobre la probabilidad de estar en la categoría “otros” (y
por eso las elasticidades y efectos impacto de tal variable son positivos para ambas categorías).
En particular, tiene un efecto positivo mayor sobre la segunda (“otros”), por lo que su efecto
relativo sobre la educación superior es negativo (el coeficiente estimado).
74 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Antes de pasar al análisis de los efectos sobre los ratios de probabilidades, se considera útil
discutir los efectos impacto de las variables asociadas a las características del hogar y de la
localidad donde habita el joven.

• El pertenecer a un hogar en condición de pobreza aumenta la probabilidad de estar

trabajando en 10,46 puntos porcentuales y disminuye las de acceder a una educación superior
universitaria y no universitaria en 9,48 y 3,00 puntos porcentuales, respectivamente.

• El habitar en una zona rural disminuye la probabilidad de encontrarse en la categoría

“otros” en 36,7 puntos porcentuales. Asimismo, disminuye las probabilidades de asistir a
educación superior universitaria y no universitaria en 15,91 y 10,18 puntos porcentuales,
respectivamente.

Observemos también en este caso que el efecto impacto de habitar en una zona rural
sobre la probabilidad de asistir a educación superior es negativo, mientras que el coeficiente
de dicha variable en la ecuación asociada a la categoría mencionada es positivo. Como ya
mencionamos previamente, esto responde a que el efecto impacto recoge la variación en la
probabilidad absoluta y el coeficiente del modelo se encuentra asociado al cambio en el ratio
de probabilidades respecto de la categoría base. Por lo mismo, el hecho de habitar en una zona
rural debe reducir la probabilidad de estar en la categoría “otros” en mayor magnitud que la
reducción que produce en la probabilidad de asistir a la educación superior.

En general, el efecto impacto sobre la probabilidad es un promedio ponderado de los

cambios que la variable ocasiona en los ratios de probabilidades, donde los ponderadores
son las probabilidades de estar en cada categoría; todo esto multiplicado por la probabilidad
de encontrarse en la categoría analizada. Así, el efecto impacto de la variable (k) sobre la
probabilidad de encontrarse en la categoría (j) se puede expresar como:
J
δj,k = Pj ΣP
n=0
n
(βj,k - βn,k) = Pj (βj,k - ΣP β
n=0
n n,k
)

c. Ratios de probabilidad

Con esto menti, revisemos a continuación el efecto que se produce sobre los ratios de
probabilidades ante cambios en las principales variables explicativas .

Como se explicó en la sección teórica 4.4.1, el impacto (en términos porcentuales) de una
variable (k) sobre el ratio de probabilidades de la alternativa j respecto a la n se puede aproximar
como (bj,k – bn,k) para cambios porcentuales pequeños. En particular, es cierto que:
 ¿Qué hacen los jóvenes al concluir la secundaria? | 75

Pr (y i = j ) ∂ln (Pr yi = j )/ Pr (yi = n) )

ln
Pr (yi = n)
( )
x '( β − β )
(
= ln e i j n = xi ' β j − βn ;) ∂xik
(
= β j ,k − βn ,k )

Al volver sobre la ventana de resultados principal del modelo se puede apreciar que la
significancia y signo de los coeficientes de las variables explicativas se encuentran acorde con
lo indicado previamente para la validación de la hipótesis planteada.

El coeficiente asociado a la prima de salario por obtener un grado universitario es negativo

en las ecuaciones de educación superior no universitaria y trabajo, lo cual evidencia que ante
un aumento en la prima por estudiar en la universidad, el joven preferirá “trasladarse” a la
categoría “otros” antes que trabajar o invertir su tiempo en la instrucción no universitaria.
Esto es evidencia a favor de que la categoría “otros” implica alguna actividad que mejora las
oportunidades de insertarse con éxito en la educación superior universitaria. En particular, un
incremento de 1% de la “prima de salarios” hace 2,47% menos probable asistir a educación
superior no universitaria respecto a estar en la categoría “otros”, y 5,55% menos probable
trabajar respecto a la categoría base32.

Podría llamar la atención el coeficiente negativo de la prima de salarios sobre la probabilidad

de asistir a educación superior respecto a encontrarse en la categoría “otros”. Al respecto, cabe
recordar lo que ya se mencionó previamente. Primero, se debe tener en cuenta que el efecto
impacto de dicha prima sobre la probabilidad de asistir a educación superior universitaria es
positivo (véase la imagen 6). Segundo, este resultado no es evidencia en contra de la hipótesis
planteada, sino que nos indica, más bien, que al hacerse más atractiva la educación superior más
jóvenes se matriculan en ella, pero muchos también se preparan previamente con el objetivo
de asegurar su paso exitoso por tal nivel educativo (es decir, el efecto impacto positivo sobre
la categoría “otros” es mayor que el de la categoría “educación superior universitaria”, razón
por la cual el coeficiente respectivo es negativo).

Los coeficientes asociados a los años de educación del jefe del hogar muestran que entre
mayor importancia se proporcione a la educación en el hogar, menores serán las probabilidades
de que el joven se encuentre trabajando o en un instituto superior no universitario respecto
a la de estar la categoría base. Cada año de educación del jefe de hogar hace 4,22% menos
probable trabajar respecto a la categoría base y 4,29% menos probable asistir a educación
superior no universitaria respecto a estar en la categoría “otros”33.

32
Esto responde a que se está trabajando con el logaritmo del ratio de probabilidades y el logaritmo de la prima
de salario. Por lo mismo, la derivada parcial de la primera respecto de la segunda corresponde a una elasticidad, y
esta derivada es capturada directamente por el coeficiente estimado.
33
Esta aproximación responde a que ln(1 + x) ≈ x para valores de x pequeños (cambios porcentuales pequeños).
76 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

El haber asistido a educación básica en un centro privado, por su parte, hace 58,27% más
probable asistir a educación superior respecto a estar en la categoría “otros”. Esto llevaría
a concluir que la buena educación escolar recibida haría más fácil y directo el paso a la
educación superior.

4. Conclusiones

• En primer lugar, se ha comprobado que existe una probabilidad no despreciable (21,97%)

de que un joven menor de 23 años que ha finalizado la educación básica no se encuentre
realizando estudios superiores ni haya ingresado al mercado laboral.

• En segundo lugar, se ha encontrado evidencia empírica que respalda la hipótesis de

que estos jóvenes se encuentran acumulando capital humano para cerrar la brecha de
conocimientos y aptitudes que existe entre la educación básica y los necesarios para
acceder a la educación superior universitaria. Esta evidencia la constituyen los factores
que determinan el desplazamiento de la categoría “otros” hacia las otras y viceversa.

• En particular, se ha mostrado que la prima de salario de un individuo con educación superior

respecto a uno solo con secundaria completa afecta negativamente la probabilidad de
estar en educación superior no universitaria o trabajando respecto a encontrarse en la
categoría denominada “otros”. Es decir, los agentes consideran la prima mencionada como
un beneficio de estar en dicha categoría, lo cual puede conducir a interpretar esta fase
como una etapa previa de preparación a la educación superior universitaria.

• Finalmente, el haber asistido a un colegio de gestión privada afecta positivamente la

probabilidad de asistir a una educación superior universitaria respecto a encontrarse en
la categoría “otros”. Esto indica que una mejor formación básica reduce la necesidad de
acumular más capital humano antes de seguir estudios superiores universitarios.
 ¿Qué hacen los jóvenes al concluir la secundaria? | 77

5. Los comandos utilizados

Sintaxis mlogit
Comando: mlogit
Realiza la estimación por maxima verosimilitud de los coeficientes del modelo logit
multinomial.
Uso: mlogit variable dependiente [Variables independientes] [if] [in] [peso] [, opciones]

Opciones principales:
noconstant ; suprime la constante como regresor en la estimación
baseoutcome(#); fija la categoría base
 D eterminantes del pes o al nacer | 79

6. Determinantes del peso al nacer: un modelo con sesgo de selección34

1. Motivación, objetivos e hipótesis

El peso de un recién nacido es determinante en su posterior crecimiento y desarrollo. Que dicho

peso se encuentre por debajo de lo normal reduce significativamente la probabilidad de supervivencia
en sus primeros años de vida. Asimismo, trae como consecuencia que, los que sobrevivan, sean
más propensos a sufrir alteraciones del sistema inmunológico y enfermedades crónicas. De manera
particular, se conoce que un peso inferior a 2.500 g trae como consecuencia un riesgo de mortalidad
catorce veces mayor al normal durante el primer año de vida, por lo que debajo de dicho límite
se considera que el niño tuvo bajo peso al nacer. Finalmente, en el largo plazo, es probable que
los niños con este problema presenten un coeficiente intelectual más bajo y obtengan menores
calificaciones en pruebas de inteligencia, memoria, aprendizaje y capacidades motrices.

En la medida en que buena parte de los casos de bajo peso al nacer ocurren en países en vías
de desarrollo, cabe esperar que esta variable dependa de factores socioeconómicos y aquellos
vinculados con las prácticas de salud de la madre gestante. En el Perú, el número de casos
de recién nacidos con bajo peso es elevado, especialmente en las zonas más pobres del país.
Es por ello que el conocimiento de los factores que lo determinan será útil para orientar las
políticas de salud que prevengan su ocurrencia y sus principales consecuencias.

Al respecto, la hipótesis que se intenta probar en el presente caso es que, luego de controlar
por las características biológicas de la madre, las prácticas de salud durante el embarazo
cumplen un papel importante como determinantes del peso que tiene el bebé al nacer. En
particular, los controles prenatales deben contribuir a que el recién nacido reporte un peso

34
Basado en Pozo y Zhang (2008).
80 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

adecuado en la medida en que permiten detectar y resolver a tiempo complicaciones que

pueden comprometer la salud del niño. Además, constituyen un espacio efectivo para transmitir
información a la madre acerca del tipo de prácticas de salud y nutricionales que favorecen
el desarrollo del niño.

2. Metodología

1. ¿Por qué existe sesgo de selección?

En este caso en particular, el peso al nacer de un recién nacido puede provenir de una
muestra no aleatoria en la medida en que las observaciones no disponibles (los no pesados)
correspondan a niños provenientes de familias que no tienen acceso a un establecimiento de
salud formal. Como el acceso a este tipo de establecimientos está típicamente correlacionado
con los factores socioeconómicos que inciden sobre la salud de la madre y el niño, cabe esperar
que los niños que no fueron pesados, o de los cuales no se registró el peso, sean también
quienes observen una mayor probabilidad de tener un bajo peso al nacer.

Ante esto, es sumamente importante reconocer e incorporar en la estimación de la ecuación

principal el hecho de que las observaciones provienen de una distribución con una media distinta
de la que mostraría una muestra aleatoria. Esto para garantizar la estimación consistente de
los parámetros.

Es así que, como parte del desarrollo de este caso, se especificarán y estimarán dos ecuaciones:
(i) una que corresponde a la ecuación de interés que busca analizar los determinantes del
peso al nacer; y (ii) otra que es la ecuación de selección, que busca corregir el problema de
sesgo descrito anteriormente.

Como se recordará de la referencia teórica, el sesgo será relevante en la medida en que el

hecho de que el niño sea pesado y el peso que este registra se vean afectados por algún no
observable común (presente tanto en el error de la ecuación de selección como en el error de
la ecuación principal). Basados en la discusión anterior, esperamos que la correlación entre
ambos errores sea positiva.

2. Variables utilizadas, ecuaciones por estimar y base de datos

Las variables por utilizar tanto para la ecuación de interés como para la de selección se
describen en los cuadros siguientes.
 D eterminantes del pes o al nacer | 81

Variables dependientes

Nombre Descripción
Peso Caracteriza el peso registrado del bebé en el momento de su naci­
(ecuación de interés) miento. Es una variable continua expresada en gramos36.
Pesado
Toma el valor 1 si se registró el peso del niño; y 0, de otro modo.
(ecuación de selección)

35

En lo que respecta a las variables explicativas, nuestro principal interés recae sobre la variable
controles. De hecho, esperamos que el acceso a un número adecuado de controles prenatales36
exhiba un efecto positivo tanto sobre el peso al nacer (por las razones expuestas en el acápite
anterior) como sobre la probabilidad de que el niño sea pesado en el momento de nacer. Respecto
a esto último, se espera que las consultas prenatales incrementen la confianza y valoración
de la madre respecto a los servicios de salud formales y que esto aumente la probabilidad de
que su niño(a) reciba una atención completa en el momento del parto.

Junto con la variable explicativa de interés, se evaluará la relevancia de un conjunto amplio de

controles. Estos pueden ser agrupados en: (i) características biológicas de la madre y el niño; (ii) estado
de salud de la madre y acceso a servicios básicos (entre los que se encuentra la variable controles);
(iii) características socioeconómicas de la madre y su hogar; y (iv) características demográficas
del hogar. El cuadro siguiente detalla las variables en cada grupo e indica si la variable en
cuestión será considerada para la ecuación de selección, la ecuación principal, o ambas, y cuál
es el efecto esperado de la misma.

35
Pese a tener valores mínimos posibles (nadie puede pesar menos de cero), esta variable no muestra un problema
de censura alrededor de dicho valor, ya que ningún individuo de la muestra presenta un peso al nacer cercano al
valor límite.
36
Si bien el número óptimo de controles depende de las características del embarazo, bajo circunstanciales normales
se espera que este fluctúe entre 6 y 8.
82 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Variables explicativas Efecto esperado

Ecuación de Ecuación de
Clase Nombre Descripción
selección interés

Toma el valor de 1 si la madre tiene 18 o

Mayor Positivo Positivo
más años de edad; y 0, de otro modo.

Recoge el peso de la madre expresado en

PesoM -.- Positivo
kilogramos.
-.-
Biológicas PesoM2 Peso de la madre al cuadrado. Positivo

Toma el valor de 1 si es un niño; y 0, si

Sexo -.- Indefinido
es niña.

Toma el valor de 1 si nacieron dos o más

Gemelo -.- Negativo
bebés; y 0, si solo nació un bebé.

Toma cuatro valores: 1, si la madre sufre

Anemia de anemia severa; 2, si es moderada; 3, -.- Positivo
si es leve; y 4, si no sufre anemia.
Toma el valor de 1 si la madre se realizó
Controles 6 controles prenatales o más; y 0, de otro Positivo Positivo
modo.
Toma el valor de 1 si la madre fumó
Fuma -.- Negativo
durante el embarazo; y 0, de otro modo.
Toma el valor de 1 si la madre cuenta
Seguro con algún seguro de salud; y 0, de otro Positivo Positivo
modo.
Toma cuatro valores de acuerdo con lo
siguiente: 1, si el parto fue en la casa
donde vive la madre; 2, si fue en el lugar
Parto Positivo -.-
Salud y donde trabaja alguna comadrona; 3, si se
servicios realizó en la posta de salud; y 4, si se
básicos realizó en algún hospital o clínica.
Toma el valor de 1 si el hogar de la
Agua madre cuenta con acceso a agua pota­ Positivo Positivo
ble; y 0, de otro modo.
Toma el valor 1 si el hogar de la madre
Elect tiene acceso a electricidad; y 0, de otro Positivo Positivo
modo.
 D eterminantes del pes o al nacer | 83

Variables explicativas Efecto esperado

Ecuación de Ecuación de
Clase Nombre Descripción
selección interés
Toma cinco valores empezando por el
Riqueza nivel más pobre (valor de 1) hasta el más Positivo Positivo
rico (valor de 5).
Toma cuatro valores de acuerdo con lo
siguiente: 0, si la madre no tiene educación
Socio-
o primaria incompleta; 1, si cuenta con
económicas EduM Positivo Positivo
primaria completa o secundaria incomple­
ta; 2, si cuenta con secundaria completa; y
3, si cuenta con educación superior.
Toma el valor 1 si la madre cuenta con
Dni Positivo -.-
DNI; y 0, de otro modo
Toma cinco valores: 1, si el hogar de la
madre se ubica en Lima; 2, si se ubica en
Región el resto de la costa; 3, si se ubica en la Negativo Negativo
sierra; 4, si se ubica en la selva alta; y 5,
si se ubica en la selva baja.
Toma el valor de 1 si el hogar de la madre se
Urbano Positivo Positivo
Demográficas ubica en la zona urbana; y 0, de otro modo.
Toma cuatro valores de acuerdo con lo
siguiente: 1, si el hogar se encuentra
entre 0 y 1.500 m.s.n.m.; 2, si dicha altu­
Altura Negativo Negativo
ra es de 1.501 a 2.500 m.s.n.m.; 3, si es
de 2.501 a 3.500 m.s.n.m.; y 4, si la altu­
ra es de 3.501 a 4.800 m.s.n.m.

a. Ecuación de selección

Tal como se desprende de la referencia teórica, para el presente caso será necesario, en
primer lugar, la especificación de una ecuación que caracterice la probabilidad de que un recién
nacido sea pesado, y que dicho peso sea adecuadamente registrado. Para esto, partiremos de
la existencia de una variable continua latente que puede, sin perder generalidad, representa
el beneficio neto que para la madre y quien recibe al niño durante el parto tiene el hecho de
registrar su peso (tomando en cuenta también las posibles restricciones que influyen sobre
la posibilidad de realizar este registro). Esta variable depende del conjunto de determinantes
planteado para la ecuación de selección, entre los que se encuentra aquel que identifica si la
madre accedió a un número adecuado de controles prenatales (controles). Formalmente:
84 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

zi* = g1controlesi + wi’g + ei (1.)

Lo que finalmente se observa es si el peso del niño fue registrado o no, lo que ocurre cuando
zi* es positivo. Esto configura la variable dependiente binaria definida previamente para la
ecuación de selección.

1 si registra peso al nacer (z * ≥ 0)


Pesado i = 
i

0
 de otro modo (z * < 0)i

Lo anterior supone que estimaremos la probabilidad de que un recién nacido sea pesado y ese
peso se registre, dadas ciertas características propias de la madre y el hogar al que pertenece.
De manera particular, se tiene:

E [Pesadoi |controlesi, wi]= Pr (Pesadoi = 1) = Pr (zi* ≥ 0)

= Pr (γ1controlesi + wi‘ γ + εi ≥ 0) (2.)
= Pr (εi ≤ γ1controlesi + wi‘ γ)
= F (γ1 controlesi + wi‘ γ)
b. Ecuación de peso al nacer

Una vez especificada la ecuación de selección, es necesario definir la ecuación que permita
caracterizar el peso de los recién nacidos. Para esto, suponemos que dicho peso es una variable
continua que puede ser representada de la siguiente manera:

yi* = b1controlesi + xi’ b + ui (3.)

Donde el vector xi contiene las variables de control propuestas para la ecuación de interés
en la tabla anterior. La variable dependiente, sin embargo, es solo observable si el niño es
pesado y su peso registrado. De esta forma, la variable dependiente disponible en la muestra
viene dada por:
 y * si zi* > 0
yi =  i
 N .D. si zi *≤ 0

Si recordamos la expresión desarrollada en la referencia teórica para la media condicional

de una variable con truncamiento (hacia abajo) incidental, la media por estimar para el peso
al nacer puede ser expresada como:

E [yi|zi* > 0; controlesi, xi, wi] = b1controlesi + xi’ b + ruεsuλ(az) (4.)

 D eterminantes del pes o al nacer | 85

Donde rue se refiere al coeficiente de correlación entre el error de la ecuación de selección y

el de la ecuación para el peso al nacer, y su es la desviación estándar del error de la ecuación
de selección. La inversa del ratio de Mills [l(az)], por su parte, puede expresarse como:

f (γ 1controles i + wi ' γ ) σ ε 

λ (α z ) =
F (γ1 controles i + wi ' γ ) σ ε 

−γ 1controles i − w i ' γ
Dado que: α z =
σε
c. La data

La información provino de distintos módulos de la Encuesta Demográfica y de Salud Familiar

(Endes Continua) 2004-2007. Dado que se requería información sobre el peso de la madre, el
cual se recoge cada dos años, se trabajó solo con los años 2005 y 2007. Con esto, se procedió
a unir la información de los módulos más relevantes para el presente estudio. Para asegurar
que las características reflejadas en las encuestas, tanto en el ámbito del hogar como en el
ámbito individual, correspondan al período en el que la madre se encontraba embarazada, se
consideró trabajar con aquellos niños que en el momento de la encuesta reportaron tener un
año de edad como máximo. De esta manera, se obtuvo un total de 1.972 observaciones.

3. Del modelo a la hipótesis

Tal como se desprende de la discusión anterior, nuestras hipótesis comprenden dos elementos
claramente definidos y contrastables a partir de los resultados de las estimaciones. En primer
lugar, partimos de la premisa de que existe sesgo de selección en la medida en que la muestra
de niños cuyo peso es registrado no es aleatoria. En particular, creemos que existe un conjunto
de atributos no observables que impactan positivamente tanto sobre el hecho de que el niño
sea pesado como sobre su peso, y esto lleva a que el grupo de los niños pesados registre un
peso promedio superior al de la población general.

En términos de las expresiones desarrolladas en el acápite anterior, la existencia de sesgo

de selección debe manifestarse a través de la significancia estadística del coeficiente que
acompaña al ratio de Mills en la ecuación de interés. Este coeficiente viene dado por la
multiplicación de los parámetros rue y su. Por otro lado, y en la medida en que el truncamiento
es “hacia abajo” y su es siempre positivo, el hecho de que la media del grupo de niños cuyo
peso es registrado sea mayor a la de la población general depende de que el parámetro rue
sea positivo.
86 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

El segundo elemento de nuestra hipótesis tiene que ver con el efecto positivo que se espera
que tenga el acceso a un número adecuado de controles prenatales tanto sobre la probabilidad
de que el peso del niño sea registrado en el momento de su nacimiento, como sobre el peso que
este finalmente reporta. En términos de las expresiones desarrolladas en el acápite anterior,
lo anterior implica que tanto g1 como b1 sean positivos.

Al respecto, cabe precisar la diferencia que existe entre b1 y el efecto marginal de la variable
controles sobre el peso al nacer dentro de la muestra de los niños cuyo peso es registrado (la
muestra no truncada). Esta diferencia surge debido a que la variable en cuestión afecta tanto
a la ecuación de selección como a la ecuación de interés.

Tal como se desprende de la ecuación (3.), el parámetro b1 se refiere al efecto impacto de

controles sobre el peso al nacer de un(a) niño(a) cualquiera de la población. Formalmente:
E [yi*|xi, controlesi = 1] –E [yi*|xi, controlesi = 0] = b1. En la medida en que controles afecte
también de manera positiva la probabilidad de que el niño sea pesado (g1 > 0), b1 comprenderá
dos efectos: uno atribuible al hecho de que es más probable que el niño pertenezca a un grupo
con un peso promedio distinto al de la población, y otro atribuible al impacto de controles sobre
el peso dentro del grupo de niños cuyo peso es registrado. Si es cierto que la media de este
grupo es mayor a la de la población general (rue > 0), la primera parte del efecto será positiva
por lo que habrá que “corregir a la baja” al parámetro b1 para conocer el efecto marginal de
controles sobre la media del grupo cuyo peso es registrado. Formalmente:

E [yi|zi* > 0; xi, wi, controlesi = 1] - E [yi|zi* > 0; xi, wi, controlesi = 0] (6.)
f [(γi + wi’ γ)/ σε] f [(wi’ γ)/ σε]
= β1 + ρuεσu
F [γi + wi’ γ)/ σε] F [wi’ γ)/ σε]

Para verificar el signo del término entre corchetes, nos permitimos una aproximación suponiendo
que controles es una variable continua, y evaluamos la derivada parcial del ratio
- γ1 controlesi - wi’γ
de Mills respecto a esta variable. Para esto, recordemos que αz = σε
f [ (γ1controles i + wi’γ) /σε]
y λ (αz) = .
F [ (γ1controles i + wi’γ) /σε]

Así, tenemos:
∂λ (-αz) ∂λ (-αz) ∂λ (-αz)
=
∂controlesi ∂(-αz) ∂controles
γ1
= αzλ (-αz) - λ (-αz)2
σε
γ1
=- λ (αz)2 - αz λ (αz)
σε
 D eterminantes del pes o al nacer | 87

∂λ (-αz) ∂λ (-αz) ∂λ (-αz)

=
∂controlesi ∂(-αz) ∂controles
γ1
= αzλ (-αz) - λ (-αz)2 (7.)
σε
γ1
=- λ (αz)2 - αz λ (αz)
σε

El término entre corchetes es siempre positivo al igual que σε, por lo que el signo del efecto
de controles sobre el ratio de Mills depende del signo de γ1. La dirección del término de
“corrección” dado en (6.), por tanto, dependerá de la interacción entre los signos de γ1 y rue.
Es fácil confirmar que si se verifican nuestras hipótesis (rue > 0; γ1 > 0), la “corrección” es a la
baja tal como se adelantó líneas arriba.

3. Procedimiento de estimación y análisis de resultados

Como se mencionó anteriormente, nuestra premisa es que la posibilidad de haber sido

pesado al nacer afecta, de manera sistemática, la estimación del peso de los recién nacidos, lo
que produce el problema conocido “como sesgo de selección”. Para corregirlo es conveniente
utilizar el procedimiento de Heckman, en el que la ecuación de selección da cuenta del hecho
de que los individuos incorporados en la estimación de la ecuación de interés fueron elegidos
a partir de un proceso de selección específico.

Para ello, se utilizará el método de máxima verosimilitud, realizando simultáneamente la

estimación de la ecuación de selección y de interés. Antes de proceder con esta estimación,
sin embargo, es conveniente explorar la significancia de las variables propuestas para la
ecuación de selección.

a. Ecuación de selección: identificando las variables relevantes

El primer paso consiste en estimar, a través de un probit, la probabilidad de ser pesado en

función de las variables propuestas. Para ello se procede a estimar los parámetros involucrados
en la ecuación (2.) de la forma:

** Modelo Probit
probit pesado controles parto agua elect dni
88 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Imagen 1. Ventana de resultados para la ecuación de selección

Iteration 0: log likelihood = -768.83611

Iteration 1: log likelihood = -496.88712
Iteration 2: log likelihood = -480.08258
Iteration 3: log likelihood = -479.3095
Iteration 4: log likelihood = -479.30665

Probit regression Number of obs = 1861

LR chi2(5) = 579.06
Prob > chi2 = 0.0000
Log likelihood = -479.30665 Pseudo R2 = 0.3766

--------------------------------------------------------------------------------------------------
pesado | Coef. Std. Err. z P>|z| [95% Conf. Interval]
--------------------------------------------------------------------------------------------------
controles | .2470028 .0943586 2.62 0.009 .0620634 .4319423
parto | .5752172 .0354392 16.23 0.000 .5057577 .6446767
agua | .2643223 .0973939 2.71 0.007 .0734338 .4552109
elect | .3698232 .0994634 3.72 0.000 .1748787 .5647678
dni | .2872845 .1114526 2.58 0.010 .0688413 .5057276
_cons | -1.092505 .1263391 -8.65 0.000 -1.340125 -.8448847
--------------------------------------------------------------------------------------------------

Este resultado permite identificar cinco variables que cumplen un papel determinante
para explicar la probabilidad de ser pesado. De manera particular, destacan las variables
relacionadas con la situación socioeconómica de la madre y su acceso a servicios básicos (como
agua, electricidad e identidad). El tipo de establecimiento donde ocurre el parto también es
importante en la medida en que en las instituciones formales es más probable que se sigan
todos los procedimientos de control del menor, entre los que se encuentra el registro del peso.
Por último, y atendiendo a la significancia y signo asociados al coeficiente de controles, ya se
cuenta con evidencia a favor de una de nuestras hipótesis.

b. La ecuación de interés

A continuación se estima el modelo de los principales determinantes del peso al nacer

tomando en cuenta la potencial correlación de los errores de las ecuaciones de selección y de
interés. Para esto, se utiliza el siguiente comando:
 D eterminantes del pes o al nacer | 89

** Modelo Inicial
heckman peso mayor pesom pesom2 sexo gemelo anemia controles
fuma seguro agua elect riqueza edum region urbano altura ,
select(pesado= controles parto agua elect dni) two

Con lo que se obtienen los siguientes resultados:

Imagen 2. Ventana de resultados del procedimiento de Heckman

Heckman selection model -- two-step estimates Number of obs = 1696

(regression model with sample selection) Censored obs = 269
Uncensored obs = 1427

Wald chi2(19) = 196.06

Prob > chi2 = 0.0000
--------------------------------------------------------------------------------------------------
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
--------------------------------------------------------------------------------------------------
peso |
mayor | 140.2652 64.37824 2.18 0.029 14.0862 266.4443
pesom | 43.52116 9.152772 4.75 0.000 25.58205 61.46026
pesom2 | -.2717791 .0714608 -3.80 0.000 -.4118398 -.1317185
sexo | 106.6592 25.69753 4.15 0.000 56.293 157.0255
gemelo | -667.9527 134.6524 -4.96 0.000 -931.8666 -404.0389
anemia | -6.078323 21.92866 -0.28 0.782 -49.05771 36.90106
controles | 96.81973 32.35715 2.99 0.003 33.40088 160.2386
fuma | -325.9544 118.7572 -2.74 0.006 -558.7142 -93.19457
seguro | -2.571899 28.84465 -0.09 0.929 -59.10638 53.96258
agua | -13.65541 33.34741 -0.41 0.682 -79.01512 51.70431
elect | -12.62056 38.9535 -0.32 0.746 -88.96801 63.72688
riqueza | 4.159656 18.96919 0.22 0.826 -33.01927 41.33859
edum | 37.13766 21.22892 1.75 0.080 -4.470272 78.74558
region | 15.90428 12.10238 1.31 0.189 -7.815953 39.62452
urbano | -1.892405 35.97478 -0.05 0.958 -72.40168 68.61687
altura | -43.66695 12.82701 -3.40 0.001 -68.80742 -18.52647
_cons | 1242.082 318.9564 3.89 0.000 616.9387 1867.225
--------------------------------------------------------------------------------------------------
90 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

--------------------------------------------------------------------------------------------------
pesado |
controles | .2225492 .0978471 2.27 0.023 .0307724 .414326
parto | .5968046 .0364521 16.37 0.000 .5253599 .6682494
agua | .3123141 .1008316 3.10 0.002 .1146878 .5099404
elect | .3480635 .1033332 3.37 0.001 .1455341 .5505928
dni | .2635067 .1150851 2.29 0.022 .037944 .4890694
_cons | -1.201925 .1303653 -9.22 0.000 -1.457436 -.946414
--------------------------------------------------------------------------------------------------
mills |
lambda | 60.06117 59.64176 1.01 0.314 -56.83454 176.9569
--------------------------------------------------------------------------------------------------
rho | 0.12457
sigma | 482.16338
lambda | 60.061166 59.64176
--------------------------------------------------------------------------------------------------

Luego de discriminar las variables poco significativas para la ecuación de interés, nuestro
modelo final es como sigue:
 D eterminantes del pes o al nacer | 91

Imagen 3. Ventana de resultados para el modelo final

Heckman selection model -- two-step estimates Number of obs = 1861

(regression model with sample selection) Censored obs = 269
Uncensored obs = 1592

Wald chi2(10) = 181.70

Prob > chi2 = 0.0000
--------------------------------------------------------------------------------------------------
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
--------------------------------------------------------------------------------------------------
peso |
mayor | 127.2418 64.07566 1.99 0.047 1.65586 252.8278
pesom | 38.72463 9.016216 4.29 0.000 21.05317 56.39609
pesom2 | -.2359943 .0708895 -3.33 0.001 -.3749351 -.0970535
sexo | 103.3446 24.81054 4.17 0.000 54.71685 151.9724
gemelo | -756.2669 128.2537 -5.90 0.000 -1007.639 -504.8943
controles | 114.549 31.16058 3.68 0.000 53.47536 175.6226
fuma | -318.4798 120.97 -2.63 0.008 -555.5766 -81.38304
edum | 34.39855 17.11542 2.01 0.044 .8529326 67.94416
altura | -46.50576 11.1195 -4.18 0.000 -68.29958 -24.71194
_cons | 1430.802 298.9163 4.79 0.000 844.9366 2016.667
--------------------------------------------------------------------------------------------------
pesado |
controles | .2470028 .0943586 2.62 0.009 .0620634 .4319423
agua | .2643223 .0973939 2.71 0.007 .0734338 .4552109
dni | .2872845 .1114526 2.58 0.010 .0688413 .5057276
elect | .3698232 .0994634 3.72 0.000 .1748787 .5647678
parto | .5752172 .0354392 16.23 0.000 .5057577 .6446767
_cons | -1.092505 .1263391 -8.65 0.000 -1.340125 -.8448847
--------------------------------------------------------------------------------------------------
mills |
lambda | 94.98886 55.51864 1.71 0.087 -13.82567 203.8034
--------------------------------------------------------------------------------------------------
rho | 0.19189
sigma | 495.02731
lambda | 94.988861 55.51864
--------------------------------------------------------------------------------------------------
92 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Es importante definir tres divisiones en la pantalla de resultados. Empezando por la tercera

desde abajo, se observa en ella al coeficiente y estadísticos asociados a la inversa del ratio de
Mills (lambda). Un primer elemento por considerar es la significancia estadística de esta variable
(al 10% con un p-value de 0,087), lo que confirma la existencia del problema de selección.
Aunado a esto, el signo positivo asociado al coeficiente que acompaña a la inversa del ratio
de Mills es ya evidencia a favor de que la correlación entre los errores de las ecuaciones de
selección e interés es positiva y que, por lo mismo, el peso promedio de los niños pesados es
mayor que el promedio de la población. Para confirmar esto, el lector puede revisar el último
panel, donde se descompone el coeficiente de lambda (94,98) en rho (rue = 0,191) y sigma
(su495,02)37.

Con toda la evidencia analizada hasta ahora, se verifica la primera parte de nuestra
hipótesis. Para validar el segundo elemento, es necesario verificar la significancia y signo de
los coeficientes de la variable controles en las ecuaciones de selección e interés. Los resultados
para la primera ecuación se reportan en el panel intermedio, donde se verifica que todas las
variables identificadas (entre las que se encuentra controles) favorecen la probabilidad de
que el niño sea pesado al nacer. El primer panel, por último, reporta los resultados para la
ecuación de interés, donde también se confirma la significancia y signo positivo asociados a
la variable controles.

Tal como fue explicado en el acápite anterior, el coeficiente de la variable controles en la

ecuación de interés recoge el impacto de esta variable sobre el peso al nacer de cualquier
niño de la población. Por lo mismo, y para un(a) niño(a) tomado(a) al azar de la población, el
hecho de que su madre haya tenido acceso a un número adecuado de controles prenatales
incrementa su peso al nacer en 114 gramos.

Ahora bien, el hecho de que la variable controles esté presente también en la ecuación
de selección conlleva que este resultado difiera del efecto marginal sobre el peso promedio
dentro de la muestra de los niños cuyo peso es registrado. Tal como fue explicado en el acápite
anterior, se espera que este efecto sea menor. Para conocer este resultado es necesario ejecutar
el comando MFX tal como se muestra a continuación.

** Efectos Impacto
mfx, predict(ycon)

37
Recuérdese que el coeficiente que acompaña a la inversa del ratio de Mills viene dado por el producto de rue y
su. El lector puede verificar esto multiplicando los estimados reportados.
 D eterminantes del pes o al nacer | 93

Imagen 4. Ventana de resultados para los efectos impacto

Marginal effects after heckman

y = E(peso|Zg>0) (predict, ycon)
= 3201.058
--------------------------------------------------------------------------------------------------
variable | dy/dx X
--------------------------------------------------------------------------------------------------
mayor | 127.2418 1.95755
pesom | 38.72463 57.0134
pesom2 | -.2359943 3350.29
sexo* | 103.3446 .492746
gemelo* | -756.2669 .008598
controles* | 109.0633 .732402
fuma* | -318.4798 .01021
edum | 34.39855 1.72166
altura | -46.50576 1.99409
agua* | -5.733939 .639441
dni* | -6.690607 .845244
elect* | -8.255224 .663622
parto | -11.92842 3.11016
--------------------------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1

Vale la pena resaltar hasta tres elementos de los resultados reportados en la imagen anterior.
En primer lugar, dentro del conjunto de regresores involucrados en la ecuación de interés, el único
que registra un efecto marginal distinto del coeficiente reportado en la imagen 3 es controles. El
lector podrá inferir fácilmente que esto se debe a que este es el único regresor presente en ambas
ecuaciones y, por lo mismo, es el único para el que el efecto marginal en la población difiere del
efecto marginal para la muestra no truncada. En segundo lugar, y tal como esperábamos, el efecto
marginal de controles en la muestra no truncada es menor que aquel asociado a toda la población:
para un niño cuyo peso ha sido registrado, el hecho de que su madre haya tenido acceso a un
número adecuado de controles prenatales incrementa su peso al nacer en 109 gramos.

Un último elemento que llama la atención es el efecto impacto negativo asociado a las
variables que solo están presentes en la ecuación de selección. En particular, y lejos de significar
que estas variables impactan de manera negativa sobre el peso al nacer, este ajuste negativo es
94 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

necesario para “acomodar” el hecho de que estas variables afecten positivamente la probabilidad
de ser pesado pero no tengan efecto sobre el peso (tal como lo refleja el hecho de que no estén
presentes en la modelación de la media de esta variable para toda la población)38.

Vale la pena, por último, comparar los resultados obtenidos con los de una estimación que
ignora la no aleatoriedad de la muestra empleada. Para esto, se plantea una regresión por
MCO con los mismos regresores utilizados para la ecuación de interés.

** Regresión por MICO

reg peso mayor pesom pesom2 sexo gemelo controles fuma edum
altura

Imagen 5. Ventana de resultados de una regresión por MICO

Source | SS df MS Number of obs = 1603

--------------------------------------------------- F( 9, 1593) = 19.58
Model | 43179263.2 9 4797695.91 Prob > F = 0.0000
Residual | 390337571 1593 245033.001 R-squared = 0.0996
-------------..------------------------------------- Adj R-squared = 0.0945
Total | 433516834 1602 270609.759 Root MSE = 495.01
--------------------------------------------------------------------------------------------------
peso | Coef. Std. Err. t P>|t| [95% Conf. Interval]
--------------------------------------------------------------------------------------------------
mayor | 134.0586 64.14746 2.09 0.037 8.236277 259.8809
pesom | 37.86073 9.021392 4.20 0.000 20.16568 55.55578
pesom2 | -.2306892 .0709583 -3.25 0.001 -.3698706 -.0915079
sexo | 100.9269 24.8082 4.07 0.000 52.26672 149.587
gemelo | -761.2049 128.519 -5.92 0.000 -1013.289 -509.1206
controles | 100.2835 29.99808 3.34 0.001 41.4436 159.1233
fuma | -324.5681 121.2018 -2.68 0.007 -562.3 -86.83631
edum | 25.53458 16.49728 1.55 0.122 -6.824079 57.89323
altura | -43.76862 10.95208 -4.00 0.000 -65.25063 -22.28661
_cons | 1488.019 298.1643 4.99 0.000 903.1832 2072.854
--------------------------------------------------------------------------------------------------

38
Para comprender mejor esto, se puede ensayar la siguiente explicación tomando la variable parto como ejemplo:
el hecho de que el parto haya ocurrido en un centro médico no tiene efecto sobre el peso del niño; si bien esto afecta
positivamente la probabilidad de que el niño sea pesado y pertenezca a un grupo con un peso promedio mayor, esto
se ve exactamente compensado por el efecto que tiene la variable en cuestión sobre la media de este grupo.
 D eterminantes del pes o al nacer | 95

Si comparamos estos resultados con los mostrados en la imagen 3, notaremos que la

significancia y signos de todas las variables (excepto aquella referida a la educación de la
madre) se mantienen. Existen, no obstante, algunas diferencias en las magnitudes estimadas.
El efecto impacto de la variable controles sobre el peso al nacer de acuerdo con MCO, por
ejemplo, es de solo 100 gramos, mientras que la estimación consistente de este parámetro
arroja un valor de 114 gramos.

Una aproximación intuitiva para las diferencias encontradas entre las estimaciones por MCO
y por el método de Heckman puede ensayarse a partir de la correlación positiva que existe
entre los errores de las ecuaciones de selección y de peso al nacer. Si esta correlación no se
incorpora en la estimación y no se reconoce que la muestra con la que se estima el modelo
incluye a aquellos niños que tienen mayor probabilidad de pesar más, el efecto de esta mayor
media se trasladará, erróneamente, a los coeficientes estimados. La corrección por sesgo de
selección “absorbe” esta mayor media a través de la inversa del ratio de Mills, y esto permite
estimar de manera consistente los parámetros de interés39.

4. Conclusiones

n Existe sesgo de selección en la muestra de niños que son pesados al nacer y cuyo peso
es registrado. En particular, se verifica que el peso promedio de los niños cuyo peso es
registrado es superior al promedio de la población general, dada la existencia de correlación
positiva entre el error de la ecuación que modela la media del peso al nacer y el error de
la ecuación que explica el hecho de que niño sea pesado.

n El acceso a un número adecuado de controles prenatales por parte de la madre gestante

afecta positivamente tanto la probabilidad de que el niño sea pesado como el peso
reportado. Tomando en cuenta ambos efectos, el hecho de que la madre haya tenido
acceso a un número adecuado de controles prenatales incrementa en 114 gramos el peso
del niño al nacer. Si condicionamos la muestra a aquellos niños cuyo peso fue registrado
en el momento del parto, este efecto se reduce a 109 gramos.

39
En una estimación por MCO, la dirección del potencial sesgo de un coeficiente depende, en gran medida, de la
correlación entre el regresor asociado y el término de error. Una regresión que ignora el sesgo de selección es, a fin
de cuentas, una regresión que adolece de un problema de variable omitida: se ha omitido la inversa del ratio de Mills
y su efecto es capturado por el error. Cabe esperar, por tanto, que la dirección del sesgo en el ejemplo en cuestión
dependa de la correlación entre el regresor y la inversa del ratio de Mills. La variable controles, por ejemplo, exhibe
una correlación negativa con la inversa del ratio de Mills y se verifica que MICO arroja una estimación subvaluada
de su coeficiente.
96 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

n Una regresión por MCO que ignora el hecho de estar trabajando con una muestra no
aleatoria arroja estimados no consistentes: el efecto impacto de los controles prenatales
sobre el peso al nacer es subestimado y se concluiría, erróneamente, que este asciende
a solo 100 gramos.

5. Los comandos utilizados

Sintaxis heckman
Comando: heckman
Realiza una regresión lineal.

Uso: heckman Variable dependiente [Variables independientes], select(Variable depen­

diente_ecuación de selección = Variables independientes_ecuación de selección) [twos­
tep]

Indicaciones:
select(Variable dependiente_ecuación de selección = Variables independientes_ecuación
de selección)

Es un atributo determinante para el funcionamiento del comando. Al realizar la corrección

de Heckman, se estiman dos ecuaciones por separado. En primer lugar, una ecuación de
selección y, luego, una ecuación de rendimiento. La primera intenta recoger la probabilidad
de que la muestra tenga el atributo particular que debe tener para ser parte de las obser­
vaciones de interés. La segunda busca estimar el fenómeno por explicar, considerando la
no aleatoriedad de la muestra inicial.

[twostep]= [ dos etapas ]

Hace explícito el hecho de que se realizará la estimación en dos etapas de Heckman, cuyos
estimados de los parámetros estimados son eficientes.
 Bibliografía | 97

Bibliografía

BELTRÁN, Arlette y Janice SEINFIELD

2009 Identifying Successful Strategies for Fighting Child Malnutrition in Peru.

BRAUN, Miguel y Luciano DI GRESIA

2003 “Towards Effective Social Insurance in Latin America: The Importance of Counterciclical
Fiscal Policy”. Preparado para el seminario Dealing with Risk: Implementing Employment
Policies Under Fiscal Constrains. Inter-American Development Bank.

CASTRO, Juan F.
2008 “Política fiscal y gasto social en el Perú: ¿cuánto se ha avanzado y qué más se puede
hacer para reducir la vulnerabilidad de los hogares?”. En: Apuntes, 62, primer semestre
del 2008. Centro de Investigación de la Universidad del Pacífico.

CRAGG, John y Russel UHLER

1970 “The Demand for Automobiles”. En: Canadian Journal of Economics, 3, pp. 386-406.

DEATON, Angus
2009 Randomization in the Tropics, and the Search for the Elusive Keys to Economic
Development. National Bureau of Economic Research.
2000 The Analysis of Household Surveys: A Microeconometric Approach to Development
Policy. The World Bank, The Hopkins University Press.

GOURIEROUX, Christian
2000 Econometrics of Qualitative Dependent Variables. Cambridge, Reino Unido: Cambridge
University Press.
98 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

GREENE, William H.
2003 Econometric Analysis. 5ª ed. New York University. Prentice Hall.

GUJARATI, Damodar N.
2007 Econometría. 4a ed. McGraw-Hill.

HECKMAN, James J.
1979 “Sample Selection Bias as a Specification Error”. En: Econometrica, 47, pp. 153–61.

JOHNSTON, Jack y John DINARDO

1997 Econometric Methods. 4a ed. McGraw-Hill.

LONG, J. Scott y Jeremy FREESE

2006 Regression Models for Categorical Dependent Variables Using Stata. 2a ed. Stata
Press.

LUSTIG, Nora
1999 Crises and Poor: Socially Responsible Macroeconomics. Sustainable Development
Technical Paper Series POV-108. Inter-American Development Bank.

McFADDEN, Daniel L.
1973 “Conditional Logit Analysis of Qualitative Choice Analysis”. En: ZAREMBKA, P. (Ed.)
Frontiers in Econometrics. Nueva York: Academic Press, pp. 105-42.

MENDO, Fernando y Claudia LISBOA

2009 Acumulando capital para acumular capital: el caso de los jóvenes en el Perú. Documento
inédito. Universidad del Pacífico.

NOVALES, Alfonso
1997 Estadística y Econometría. Madrid: McGraw-Hill.

POZO, Silvana y Hongrui ZHANG

2008 Los determinantes del peso al nacer. Documento inédito. Universidad del Pacífico.

RAVALLION, Martin y Shubham CHAUDHURI

1997 “Risk Insurance in Village India: Comment”. En: Econometrica, 65, pp. 171-84.
 Bibliografía | 99

SMITH Lisa y Lawrence HADDAD

2000 Explaining Child Malnutrition in Developing Countries: A Cross-Country Analysis.
International Food Policy Research Institute.

TOBIN, James
1956 “Estimation of Relationships for Limited Dependent Variables”. En: Econometrica, 26,
pp. 24-36.

YAMADA, Gustavo y Juan Francisco CASTRO

2008 Gasto público y desarrollo social en Guatemala: diagnóstico y propuesta de medidas.
Documento inédito. Universidad del Pacífico.
2007 Public Education Investments and Inequality Reduction in Peru. Publicado en la web
Focal Point, de la Canadian Foundation for the Americas.

WILKS, Samuel S.
1962 Mathematical Statistics. Nueva York: Wiley [2a ed. corregida, 1963].

WOOLDRIDGE, Jeffrey
2002 Econometric Analysis of Cross Section and Panel Data. MIT Press.
 Anexo: Conociendo el entorno de ST ATA | 101

Anexo. Conociendo el entorno de Stata

Stata es un programa que permite manejar una base de datos de gran tamaño a una velocidad
y con una practicidad considerables.

1. Entorno de Stata
Imagen 1 . La ventana principal del programa Stata

Ventana
de Review Zona de
resultados

Ventana de
variables Zona de
comandos

• Zona de resultados: típicamente situada en la parte superior derecha, presenta el output

de los comandos que se ejecutan.

• Zona de comandos: es el espacio en el que se escriben los comandos.

• Ventana de Review: típicamente situada en la parte superior izquierda, guarda los

comandos ejecutados, los cuales pueden ser “reenviados” a la zona de comandos haciendo
clic sobre ellos o utilizando Pg up y Pg dn.
102 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

• Ventana de variables: típicamente situada en la parte inferior izquierda, muestra el listado

de variables de la base de datos. Al hacer doble clic sobre alguna de ellas, aparece listada
en la zona de comandos.

Windowing preferences
Stata puede presentar las cuatro zonas en un orden distinto al descrito. Si bien se puede
modificar la presentación a gusto del usuario, es posible definir por defecto el orden y
presentación que a usted más le acomode utilizando la opción Save Windowing Preferences
de la opción Prefs de la barra de menú.

2. Datos generales

Tipos de archivo

En Stata existen cinco tipos de archivos independientes:

• *.DTA: guarda solo información. Solo datos estadísticos, variables y observaciones.

• *.DO: archivo de comandos.

• *.ADO: archivo que guarda tareas más específicas y ya está integrado al programa. Permite
integrar de forma permanente un comando como parte de la lista de comandos internos
del Stata.

• *.GPH: es un archivo gráfico.

• *.SMCL: en este archivo se guardan todos los resultados que se obtienen con Stata (archivo
log).
 Anexo: Conociendo el entorno de ST ATA | 103

Barra de herramientas

Empieza un nuevo archivo log. Puede abrir, cerrar o suspender uno ya

existente.

Muestra una ventana de Stata Viewer que esté oculta. Esta ventana
permite al usuario realizar búsquedas dentro de la ayuda del programa.

Muestra la ventana de Stata Results.

Muestra el último gráfico creado.

Abre o muestra un archivo de programación denominado Do File. Este

permite almacenar una lista de comandos y ejecutarla.

Abre o muestra la ventana de Stata Editor. Esta ventana permite al

usuario realizar manualmente cambios en la base de datos.

Abre o muestra la ventana de Stata Browser. Esta permite al usuario

visualizar la base de datos con la que se está trabajando.

Permite continuar con la ejecución de un comando que ha sido deteni­

da.

Detiene la ejecución de un comando.

104 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

3. Empezando a trabajar

Preparando la base de datos

Cuando la memoria es un problema

Para empezar a trabajar en Stata, definir la memoria destinada al trabajo con una base de
datos es el primer paso.

 set memory: cuando se abre Stata, por defecto asigna un espacio de 1,00 MB,
pero ello puede no ser suficiente por lo que puede reconfigurarla utilizando este
comando.
Ej. Set memory 50m (lo cual supone una memoria de 51.200kb)
Set memory 50m, permanently (en caso desee configurar la memoria perma­
nentemente)

 compress: permite reducir la cantidad de memoria destinada a una base de datos.

Esto lo hace cambiando la configuración de las variables hacia características
más en correspondencia con su uso.

 query memory: cuando no recuerde la capacidad de memoria que se tiene para

trabajar con la base de datos, este comando la detalla.

Por defecto, el número máximo de variables por ser usadas en una estimación es de 800 y
se puede controlar con:

set matsize # [permanently]

La capacidad máxima de variables en una base de datos, por defecto, es 5.000, pero se puede
incrementar hasta 32.766.

set maxvar # [permanently]

 Anexo: Conociendo el entorno de ST ATA | 105

Llamado de variables y comandos

Una regla casi general en Stata es que se puede escribir los comandos y variables en forma
abreviada, escribiendo usualmente las primeras tres letras. Esto con excepción del caso en
el que dos variables o comandos empiecen de la misma forma.

Cargando los datos

El manejo de datos es tal vez la parte más importante del trabajo en Stata. De ahí la
relevancia de saber cómo usar y guardar la información por tratar. Ello, sin embargo, supone
que el investigador cuenta con una base de datos en formato Stata o, lo que es lo mismo,
con extensión .dta. Dado que es común que este no sea el caso, es importante conocer cómo
importar información proveniente de distintos formatos.

Al respecto, hay dos maneras para trabajar con una base de datos de extensión distinta a
la de Stata: (i) introduciendo uno a uno los datos a través del Stata Editor; y (ii) utilizando el
Statransfer, el cual se describe a continuación.

El Statransfer es un programa que permite guardar archivos en diversos formatos. Por lo

mismo, hace sencilla la transferencia de datos entre programas estadísticos, bases de datos
y hojas de cálculo.

El modo de utilización es bastante sencillo y supone los siguientes pasos.

• Hacer clic en el ícono característico del programa:

• Tras ello, aparecerá una ventana con cuatro listas desplegables:

1. Input File Type: es el formato original en el que se encuentran los datos.

2. File Specification: es la ruta y nombre del archivo de datos que se importará.
3. Output File Type: es el formato nuevo en el que se guardará el archivo.
4. File Specification: es la ruta y nombre del archivo que se creará.
106 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

Para cambiar el formato de un archivo, se debe especificar el programa y ruta de origen que
le corresponden en las celdas “Input File Type” y “File Specification”. Así, por ejemplo, para el
caso en que se requiere pasar información en formato SPSS al Stata, se tendría lo siguiente:

Imagen 2. La ventana de diálogo del programa Statransfer

• Luego se debe especificar en la celda “Output File Type” el formato en el que se desea que
esté disponible la base de datos. En este caso, la opción por escoger es Stata. Finalmente,
en la última celda (File Specification) se indica la dirección en la que deseamos esté
disponible el archivo. En nuestro ejemplo, se tendría:
 Anexo: Conociendo el entorno de ST ATA | 107

Imagen 3. La ventana de diálogo del programa Statransfer

• Luego de completar los campos con la información descrita, se hace clic en “Transfer” y
el programa iniciará la importación de datos.

• Finalmente, se presiona “Reset” en caso se busque realizar más importaciones de

información. De lo contrario, se hace clic sobre la opción “Exit” de la ventana.

Definiendo el directorio
Dado que Stata es un programa de manejo de bases de datos, es probable que el investi­
gador consulte varias de ellas. Si bien ello puede realizarse con la herramienta “abrir”,
puede también hacerse utilizando comandos. Ello, sin embargo, supone definir previamen­
te la dirección en donde se encuentran las bases por utilizar. Para ello, se utiliza el siguien­
te comando:

cd “dirección”
108 | Modelos de datos de panel y variables dependientes limitadas: teoría & práctica

4. Comandos

En Stata la sintaxis es muy específica y responde al siguiente orden.

[by lista de variables] comando [lista de variables] [=expresión]

[if expresión] [in rango] [ponderadores][using nombre del archivo]
[, opciones]

• Lista de variables: contiene la lista de una o más variables a las que el comando se
aplicará. Si no aparece, se asume que el comando se ejecuta para todas las variables. Se
permite el uso de comodines, ejemplo: dum* o dum?

• by lista de variables: hace que Stata repita un comando para un subconjunto de los datos
compuesto por las variables de la lista.

• if expresión: restringe la ejecución de un comando para aquellos casos en los que la

expresión es verdadera. Se puede evaluar varias condiciones simultáneamente.

• in rango: restringe la ejecución de un comando a aquel conjunto de observaciones

incluidas en el rango especificado.

• =expresión: especifica el valor por ser asignado a la variable o la expresión algebraica

que será empleada. Suele ser combinada con comandos “generate” y “replace”.

• ponderadores: indica el ponderador de cada observación, cuando se emplean muestreos

probabilísticos.

• opciones: cada comando de Stata, según el procedimiento que realice, tiene asociado
una serie de opciones que son específicas a su funcionamiento. Si se numeran varias,
puede ser en cualquier orden y separadas por comas.

Ejemplos:

by departamento: summarize ingreso gasto if edad>=14 [fw=peso],

detail
tabulate educación sexo in 1/1000, col nofreq