UNIVERSIDAD AUTÓNOMA DE BAJA
CALIFORNIA SUR.
ASIGNATURA:
ECONOMETRÍA I
LICENCIATURA.
ECONOMÍA.
SEMESTRE Y GRUPO.
V-A
TÍTULO DEL TRABAJO:
ANÁLISIS DE LA RELACIÓN LINEAL ENTRE EL INGRESO PERCÁPITA
(PIBPERCÁPITA) Y LA LINEA DE POBREZA DE DISTINTOS PAÍSES ALREDEDOR
DEL MUNDO.
INTEGRANTES:
ERICK CHAIDEZ YUEN.
SANTIAGO RODRÍGUEZ BASURTO
JESÚS ANTONIO BETANCOURT SANABRIA
FECHA DE ENTREGA:
22 DE NOVIEMBRE DEL 2024
Estimaciones sobre la relación PIB per cápita línea de pobreza.
Una de las cosas más importantes de conocer para poder establecer una relación lineal entre
variables es primero que nada la ecuación lineal que resulta entre los datos, es decir, esa
relación que hay entre dos o más variables y cuál es la función que más se ajusta a la realidad
observada. Sí bien una regresión lineal nos arroja estos resultados predictivos con diversos
supuestos, es importante entender que esta relación trata de ofrecernos un modelo estadístico
en el que se intente dar una función en la que al variar una variable resulte otra. De igual
manera busca darnos una relación lineal de las variables siempre pensando en que existe un
error que nos indica claramente la manera en las variaciones en una variable hacen que la
otra cambie, en términos matemáticos, el cambio en un punto porcentual de una variable hace
que la otra varie. Para realizar esta estimación usamos el software de econometría “r studio”,
primero creamos una base de datos en la cual colocamos diversas variables encontradas a
través de la página “nuestro mundo en datos” teniendo la siguiente tabla.
Tabla 1. Datos directos de la página “nuestro mundo en datos sobre el PIB, per cápita
y la línea de pobreza de distintos países.
País Código Año Línea de GDP per Población Grupo Porcentaje Porcentaje de
pobreza capita, PPP de de población con
nacional (constant ingresos población al menos
armonizada 2017 del sin algún nivel de
international Banco educación educación
$) Mundial básica
Upper
middle
Albania ALB 2012 4.89755969 11228.005 2910003 income 3 97
Upper
middle
Algeria DZA 2011 3.90812403 11113.969 36903375 income 19 81
Lower
middle
Angola AGO 2018 2.22561535 6878.59 31297160 income 38.03331 61.96669
High
Argentina ARG 2017 13.3096908 23597.117 44288898 income 2 98
Upper
middle
Armenia ARM 2017 5.12362941 12509.64 2914967 income 1 99
High
Australia AUS 2014 33.5645551 47193.17 23595599 income 1 99
Low
Azerbaijan AZE 2001 4.87805345 4360.4595 8251776 income 1 99
Lower
middle
Bangladesh BGD 2016 2.5724872 4589.0938 160811935 income 28 72
Upper
middle
Belarus BLR 2017 7.67031123 18356.066 9495792 income 0 100
High
Belgium BEL 2017 30.9058524 50442.27 11376583 income 3 97
Low
Benin BEN 2015 1.77461709 2849.8203 11360681 income 45 55
Lower
middle
Bhutan BTN 2017 3.4945279 11619.064 754343 income 44 56
Lower
middle
Bolivia BOL 2017 10.4606911 8244.934 11344592 income 6 94
Upper
Bosnia and middle
Herzegovina BIH 2011 10.2805204 10933.108 3741800 income 8 92
Upper
middle
Botswana BWA 2009 2.27363833 11729.418 1990671 income 7.352648 92.647354
Upper
middle
Brazil BRA 2013 7.03685544 15751.484 198478291 income 8 92
Upper
middle
Bulgaria BGR 2017 10.8716277 21458.049 7075639 income 1 99
Burkina Low
Faso BFA 2014 2.16202223 1846.6451 18229466 income 69 31
Low
Burundi BDI 2013 2.14324909 824.61053 10439345 income 37 63
Lower
middle
Cameroon CMR 2014 2.90936403 3530.2832 22059894 income 16 84
High
Canada CAN 2017 32.1956202 48317.176 36808500 income 1 99
Lower
middle
Cape Verde CPV 2015 5.08558041 6691.9316 512405 income 11 89
Central Low
African income
Republic CAF 2008 2.16414053 1038.3353 4558988 31 69
Low
Chad TCD 2011 2.66203245 1682.6577 12755003 income 63 37
High
Chile CHL 2017 7.14896649 24546.912 18558865 income 2 98
Upper
middle
China CHN 2016 3.06823855 13399.138 1404052626 income 7 93
Upper
middle
Colombia COL 2017 5.81149493 14334.915 48131076 income 6 94
Low
Comoros COM 2004 4.17606232 2881.5667 580711 income 30.000002 70
Lower
middle
Congo COG 2011 2.45115369 4996.9194 4609728 income 9 91
Upper
middle
Costa Rica CRI 2017 8.61785039 20168.22 4913177 income 3 97
Lower
middle
Cote d'Ivoire CIV 2015 2.58391232 4423.8267 25246346 income 40 60
High
Croatia HRV 2017 13.7896213 27267.51 4079198 income 1 99
High
Cyprus CYP 2017 23.6159881 38288.27 1254273 income 1 99
High
Czechia CZE 2017 19.1734405 38824.887 10541343 income 0 100
Democratic Low
Republic of income
Congo COD 2012 1.89885382 900.979 73254623 15.000001 85
High
Denmark DNK 2017 32.2491504 55356.68 5765168 income 0 100
Lower
middle
Djibouti DJI 2017 2.33445534 4451.684 1054842 income 48.152496 51.847504
Upper
Dominican middle
Republic DOM 2017 6.85487042 16524.533 10666846 income 1 99
Lower
middle
East Timor TLS 2014 3.59414414 3204.749 1181913 income 27.000002 73
Upper
middle
Ecuador ECU 2017 5.94043291 11679.431 16759517 income 6 94
Lower
middle
Egypt EGY 2017 4.15709178 10995.006 103696057 income 27.000002 73
Lower
middle
El Salvador SLV 2017 5.96796587 8617.922 6213537 income 14 86
High
Estonia EST 2017 21.4208004 33821.934 1317432 income 0 100
Lower
middle
Eswatini SWZ 2016 3.72097828 8113.2397 1149516 income 8 92
Low
Ethiopia ETH 2015 2.03678159 1750.6727 103867140 income 43 57
Upper
middle
Fiji FJI 2013 6.41975755 10830.61 916358 income 0.570487 99.42951
High
Finland FIN 2017 30.8464813 47570.133 5508399 income 0 100
High
France FRA 2017 27.3921558 44577.066 65284775 income 2 98
Upper
middle
Gabon GAB 2017 7.16003492 14478.13 2156902 income 7 93
Low
Gambia GMB 2015 3.86893285 1905.823 2224532 income 35 65
Lower
middle
Georgia GEO 2017 3.79560539 13589.707 3792861 income 0 100
High
Germany DEU 2016 29.7701258 51879.67 82760100 income 1 99
Lower
middle
Ghana GHA 2016 2.04246296 4662.011 29356735 income 33 67
High
Greece GRC 2017 12.1943655 28604.861 10753532 income 2 98
Lower
middle
Guatemala GTM 2014 7.3799555 7939.3745 15681725 income 21 79
Low
Guinea GIN 2012 3.40071993 1976.9581 10921581 income 66 34
Guinea- Low
Bissau GNB 2010 2.27701159 1697.4956 1566350 income 51 49
Low
Haiti HTI 2012 3.67031759 3027.4502 10069769 income 24 76
Lower
middle
Honduras HND 2017 6.66013225 5447.6987 9588143 income 13 87
High
Hungary HUN 2017 11.1324176 29496.164 9785606 income 0 100
High
Iceland ISL 2017 31.0408321 55638.492 343536 income 0 100
Lower
middle
India IND 2011 2.16780093 4374.2324 1261224952 income 34 66
Lower
middle
Indonesia IDN 2017 2.41274661 10941.921 267346655 income 7 93
Upper
middle
Iraq IRQ 2012 6.25879938 9251.982 33654841 income 17 83
High
Ireland IRL 2017 26.4538194 78168.97 4810258 income 0 100
High
Israel ISR 2016 17.0317709 38570.87 8210005 income 2 98
High
Italy ITA 2017 22.8542237 41581.12 60390317 income 1 99
Lower
middle
Jamaica JAM 2004 5.1218334 10110.535 2672226 income 1 99
Upper
middle
Jordan JOR 2010 7.92362353 11866.881 7297045 income 11 89
Upper
middle
Kazakhstan KAZ 2017 4.58607829 24862.967 18651930 income 0 100
Lower
middle
Kenya KEN 2015 2.41477783 4163.925 47088527 income 9 91
Lower
middle
Kiribati KIR 2006 2.7275619 1971.433 100028 income 7.065165 92.93484
Lower
middle
Kosovo OWID_KOS 2017 6.35094076 10436.169 1768125 income
Lower
middle
Kyrgyzstan KGZ 2017 4.0761234 5046.6914 6220146 income 0 100
Lower
middle
Laos LAO 2018 2.84549679 7546.3345 7128045 income 12.826289 87.17371
High
Latvia LVA 2017 15.222508 28673.562 1942599 income 0 100
Upper
middle
Lebanon LBN 2011 18.7367417 19193.92 5096018 income 8 92
Lower
middle
Lesotho LSO 2017 3.2179149 2571.074 2157116 income 8 92
Low
Liberia LBR 2016 3.13471454 1525.458 4755607 income 69 31
High
Lithuania LTU 2017 16.5533718 33761.87 2829318 income 0 100
High
Luxembourg LUX 2017 36.3337978 114985.84 596505 income 5 95
Low
Madagascar MDG 2012 1.64330928 1497.0095 23462444 income 22 78
Low
Malawi MWI 2016 1.68493651 1437.0421 17557739 income 21 79
Upper
middle
Malaysia MYS 2015 8.0026028 24151.256 31232796 income 6 94
Upper
middle
Maldives MDV 2016 7.7537613 18674.303 443316 income 12 88
Low
Mali MLI 2009 1.95249824 1980.0592 15435537 income 77 23
High
Malta MLT 2017 26.1341307 43493.727 467902 income 1 99
Lower
middle
Mauritania MRT 2014 3.94863576 5020.135 3848513 income 54.990112 45.009888
Upper
middle
Mauritius MUS 2017 6.2414559 22143.826 1290652 income 5 95
Upper
middle
Mexico MEX 2018 8.95967908 20789.361 124573714 income 4.7998514 95.20015
Lower
Micronesia middle
(country) FSM 2013 3.65989823 3382.0125 108133 income 6.1796594 93.82034
Lower
middle
Moldova MDA 2017 5.91205645 11464.019 3193500 income 0.129026 99.87097
Lower
middle
Mongolia MNG 2018 5.8689063 12052.294 3167714 income 2.3137426 97.68626
Upper
middle
Montenegro MNE 2016 8.44014765 18798.021 624247 income 2 98
Lower
middle
Morocco MAR 2013 2.91261337 7362.2026 33787573 income 44 56
Low
Mozambique MOZ 2014 1.49464787 1228.0466 25788474 income 58 42
Lower
middle
Myanmar MMR 2017 3.96313611 4670.0806 51894938 income 7 93
Upper
middle
Namibia NAM 2015 2.31805978 10813.227 2374305 income 8 92
Low
Nepal NPL 2010 2.92635431 2682.6987 27341955 income 43 57
High
Netherlands NLD 2017 31.098127 55088.633 17315375 income 3 97
Lower
middle
Nicaragua NIC 2014 5.27354773 5385.5073 6066491 income 17 83
Low
Niger NER 2014 1.87122271 1119.0948 19215917 income 72 28
Lower
middle
Nigeria NGA 2018 2.51813817 5089.778 204938753 income 31.807938 68.19206
Upper
North middle
Macedonia MKD 2017 6.66788577 15706.54 1940877 income 3 97
High
Norway NOR 2017 37.795949 64589.555 5276806 income 0 100
Lower
middle
Pakistan PAK 2015 2.98853144 4507.8755 217290885 income 47 53
Lower
middle
Palestine PSE 2016 8.11220911 6438.9336 4632743 income 7 93
Upper
middle
Panama PAN 2016 9.6991736 30481.771 4029085 income 5 95
Lower
Papua New middle
Guinea PNG 2009 2.16267241 3072.682 7406442 income 12.342179 87.65782
Upper
middle
Paraguay PRY 2017 7.82039542 13604.175 6338656 income 4 96
Upper
middle
Peru PER 2017 5.17825836 12442.746 31324638 income 5 95
Lower
middle
Philippines PHL 2018 3.01363881 8365.732 109465284 income 1.5757173 98.424286
High
Poland POL 2017 10.0242378 29958.121 38254964 income 1 99
High
Portugal PRT 2017 15.4081881 33044.715 10330836 income 4 96
Upper
middle
Romania ROU 2017 8.7279909 26943.463 19689406 income 2 98
Upper
middle
Russia RUS 2017 9.0362345 25926.443 146186800 income 0 100
Low
Rwanda RWA 2016 1.72957806 1908.552 11919183 income 24 76
Upper
middle
Saint Lucia LCA 2016 6.75779659 14810.646 175652 income 2 98
Lower
middle
Samoa WSM 2013 4.7328323 5659.9497 198282 income 0 100
Lower
Sao Tome middle
and Principe STP 2017 4.55419913 3373.2642 206986 income 9 91
Lower
middle
Senegal SEN 2011 2.35623057 2790.8975 12958902 income 57 43
Upper
middle
Serbia SRB 2017 7.27856806 16611.13 7073508 income 1 99
High
Seychelles SYC 2018 12.9294002 28080.635 115053 income 2.0182855 97.98171
Low
Sierra Leone SLE 2018 3.24470452 1610.3232 7554566 income 38.358246 61.641754
High
Slovakia SVK 2018 13.1899253 31313.82 5443230 income 0.36393574 99.63606
High
Slovenia SVN 2017 22.7405132 36507.555 2062410 income 0 100
Lower
Solomon middle
Islands SLB 2012 1.61295315 2526.1907 573622 income 12.580675 87.41933
Upper
middle
South Africa ZAF 2014 5.60895051 13993.2705 55594838 income 5 95
High
South Korea KOR 2016 25.0944185 39814.66 51297837 income 3 97
Low
South Sudan SSD 2016 2.7517644 10830109 income 66.314064 33.685936
High
Spain ESP 2017 22.0963427 39550.188 46868594 income 1 99
Lower
middle
Sri Lanka LKA 2016 2.66127044 12770.843 21910764 income 11.366522 88.63348
Lower
middle
Sudan SDN 2009 3.58033006 4707.346 34569115 income 62 38
High
Sweden SWE 2017 30.7269959 51947.953 10057864 income 0 100
High
Switzerland CHE 2017 36.2791799 68193.51 8453628 income 0 100
Lower
middle
Syria SYR 2003 5.17182763 17889297 income 17 83
Lower
middle
Tajikistan TJK 2015 4.00935961 2959.9707 8643839 income 2 98
Low
Tanzania TZA 2017 1.62313041 2457.5693 55652888 income 15.000001 85
Upper
middle
Thailand THA 2017 5.72410405 17008.04 71160184 income 4 96
Low
Togo TGO 2015 2.16893538 1910 7663199 income 21.678698 78.321304
Lower
middle
Tonga TON 2009 5.00832757 4973.9136 107219 income 1 99
Lower
middle
Tunisia TUN 2015 6.46142072 10750.237 11402270 income 19 81
Upper
middle
Turkey TUR 2017 7.63160335 28193.174 83083668 income 7 93
Lower
middle
Tuvalu TUV 2010 4.15582002 3334.6648 10635 income
Low
Uganda UGA 2016 1.48813535 2137.2073 38799153 income 17 83
Lower
middle
Ukraine UKR 2017 4.80623221 11860.561 45436036 income 0 100
United High
Kingdom GBR 2017 25.767644 46048.2 66354474 income 1 99
United High
States USA 2017 34.7869496 59907.754 332204656 income 1 99
High
Uruguay URY 2017 8.29498242 23384.74 3388444 income 1 99
Low
Uzbekistan UZB 2003 0.90506698 3229.848 25711261 income 0.5677456 99.43225
Lower
middle
Vanuatu VUT 2010 2.04322545 2972.3687 238257 income 17 83
Upper
middle
Venezuela VEN 2006 6.06973862 27224691 income 5 95
Lower
middle
Vietnam VNM 2018 4.02071255 9636.014 96237319 income 3.918146 96.081856
Lower
middle
Yemen YEM 2014 3.36479689 30226310 income 60.67097 39.32903
Lower
middle
Zambia ZMB 2015 1.77935197 3365.3792 16399090 income 6 94
Low
Zimbabwe ZWE 2017 2.01421756 2331.7808 14812484 income 4 96
Fuente: Elaboración propia, a través de la información de “Nuestro mundo en datos (2023),
a través del enlace: [Link]
capita. Consultado (Octubre 2024)”
Nos dimos a la tarea de primero filtrar a los países de acuerdo a aquellos que tenían una línea
de pobreza indicada, recordemos que la línea de pobreza es la que nos indica la cantidad de
dólares diarios que debería tener un habitante para cubrir sus necesidades básicas de vivienda,
alimentos y vestimenta, en este caso la página nos indica que se realiza con precios constantes
del 2017, sin embargo, tengamos en cuenta que la línea de pobreza debe medirse de acuerdo
a los precios que existan en cada año. También agregamos el valor del PIB per cápita, que se
define como la cantidad de producto interno bruto que le toca a cada poblador de un país, al
suponer una distribución equitativa del ingreso, otro dato agregado es el numero de habitante
solo como referencia del tamaño de los países, como variables categórica de medición ordinal
agregamos el criterio del banco mundial en el que nos indica si el país es de ingreso medio,
ingreso bajo o ingreso alto, de acuerdo a la producción percápita y como referencia también
hay datos como las personas que al menos tienen un nivel de educación básica o aquellas que
no tienen ningún tipo de estudio; solo como referencia para poder dar una explicación sobre
la línea de pobreza y el nivel educativo, claro tomando en cuenta que la línea de pobreza en
general no nos indica los pobladores que están en el rango de pobreza, sino que nos dice que
criterio aplica el país para decir que alguien es pobre, lo cual si tiene que ver con el ingreso
per cápita, ya que al haber un mayor ingreso per cápita, evidentemente habrá distintas altura
de la línea de pobreza del país. De igual manera el banco mundial nos ofrece una forma de
categorizar organizando a los países justamente por los tamaños de sus producciones o
“outputs”.
La regresión lineal.
Para encontrar la relación estimada de estos países utilizamos el método de los mínimos
cuadrados ordinarios, es decir, reduciendo a lo mínimo las variaciones de la regresión y el
dato real de la línea de pobreza, establecimos una función que nos permita predecir de
acuerdo al tamaño del PIB per cápita cómo la línea de pobreza se mueve. Para ello recurrimos
al software “r studio” y creamos el siguiente código:
library(readxl)
d <- read_xlsx("C:/Users/perfe/Documents/UABCS/Clases/Econometria_LicEco/Tarea
[Link]")
summary(d)
m1 <- lm(LPNA ~ PIBPC, data = d)
print(m1)
summary(m1)
library(yarrr)
pirateplot(formula= LPNA ~ PIBPC, data = d, main = 'Linea de Pobreza Nacional en relacion
al GDP per Capita')
plot(LPNA ~ PIBPC, data = d, main = 'Linea de Pobreza Nacional en relacion al GDP per
Capita')
LPNALOg <- log(d$LPNA)
PIBLOg <- log(d$PIBPC)
LOG <- ("LPNALOg,PIBLOg")
summary(LPNALOg)
m2 <- lm(LPNALOg ~ PIBLOg)
summary(m2)
plot(LPNALOg ~ PIBLOg, data = d, main = "Linea de Pobreza Nacional en relacion al GDP
per Capita", xlab = "GDP per capita", ylab = 'Linea de pobreza nacional')
abline(m2, col='blue')
Si no somos especialistas en r, daremos una pequeña explicación de lo que hacen las líneas
de código, primero exportamos la tabla de datos de Excel mediante el comando “Readxls”
esto con el objetivo de que el programa pueda agregar como objetos los datos que existen en
el libro de la hoja de cálculo. Posteriormente le damos a “r” la instrucción de que utilice las
variables que buscamos incluir en la regresión que son el PIB percápita y la línea de pobreza
nacional, nombrándolas como PNA y PIB. Después con el comando “lm” donde le pedimos
al programa que nos genere nuestra regresión lineal que en términos generales quedaría algo
̂ =𝛽
así 𝑃𝑁𝐴 ̂1 + 𝛽
̂2 𝑃𝐼𝐵 + 𝑢̂. Por último con el comando plot, nos realiza la regresión lineal
como tan, logrando que el software nos arrojara la siguiente gráfica.
Gráfica 1. Regresión lineal simple de la línea de pobreza de distintos países y el pib
percápita.
Gráfica 1. Elaboración personal. A través de los datos de “Nuestro mundo en datos (2023), a
través del enlace: [Link]
capita. Consultado (Octubre 2024)”
Gráficamente podemos observar que se cumple la propia definición del método de los
mínimos cuadrados ordinarios, recordemos que se busca con este método buscar una manera
en la que exista la recta que mejor explique la realidad de lo que sucede con los datos, esto
logrando la distancia mínima entre esos datos y la propia recta de regresión, obsérvese que
se cumple este criterio además de que es cuadrado al existir esta misma distancia tanto en la
parte superior como en la parte inferior de la recta y los datos.
Si observamos el código introducido en r, nos daremos cuenta que también incluimos el
comando “summary” esto es con el objetivo de que el programa nos de los resultados que
encuentra y establecer nuestro modelo matemático. Al ordenar al programa nos arroja lo
siguiente:
Call:
lm(formula = LPNALOg ~ PIBLOg )
Residuals:
Min 1Q Median 3Q Max
-1.20240 -0.20660 0.06233 0.24847 0.95565
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -2.54747 0.76138 -3.346 0.00104 **
PIBLOg 0.52690 0.07141 7.378 1.09e-11 *
---
Signif. codes: 0 ‘*’ 0.001 ‘*’ 0.01 ‘’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.3584 on 147 degrees of freedom
(4 observations deleted due to missingness)
Multiple R-squared: 0.8485, Adjusted R-squared: 0.8444
F-statistic: 205.8 on 4 and 147 DF, p-value: < 2.2e-16
Bueno con esta información lo que nos dice el programa es tanto el intercepto como la
pendiente tomando en cuenta que β1 es el intercepto y que β2 es la pendiente nos queda algo
̂ = −2.54747 + 0.52690𝑃𝐼𝐵 esto ¿qué nos dice?, empecemos por orden el -
así 𝑃𝑁𝐴
2.54747 es el intercepto, es decir, el valor que toma la línea de pobreza nacional cuando no
existe PIB per cápita en el país a analizar, sugiriendo que al no haber PIB per cápita pues no
hay producción en el país por lo que el habitante no puede cubrir con sus necesidades de
vivienda, vestimenta y alimentación ni aunque fuera acreedor de 2.5 dólares diaria. Como tal
para este caso el intercepto no parece ser muy importante, ya que es básicamente imposible
pensar en un país que no tenga como tal producción por lo que el país es el que terminaría
debiendo al habitante algo que repartir, evidentemente al no haber producción el habitante
no recibiría nada y por ende no podría satisfacer de ninguna manera sus necesidades. Por otro
lado tenemos el otro estimador 0.52690 que refiere a la pendiente, lo más importante de este
ejercicio ya que nos relaciona directamente las variables que queremos relacionar, en este
caso ese resultado nos dice lo siguiente, por cada cambio porcentual en el PIB per cápita la
línea de pobreza se mueve en 0.52690, es decir, que entre país y país cuando el PIB per cápita
varia en 1% entonces la línea de pobreza aumentará en 0.52 dólares para los habitantes de
países con economías de mayor tamaño, en otras palabras, si el reparto del ingreso hace que
al habitante le toque más parte de la producción entonces requerirá que su ingreso supere una
línea de pobreza que sea 0.52 dólares mayor que un habitante de otro país que en término
porcentuales tenga un ingreso per cápita menor al tuyo.
Otro dato que nos ofrece “r studio” es el dato del coeficiente de determinación el cual nos
indica cuanto del resultado de la variable respuesta nos explica la variable regresora, en este
caso específico la 𝑟 2 = 0.8485 lo cual en palabras simples nos dice que el PIB per cápita
logra explicar 84.85% de la variación de la línea de pobreza. Otro dato es la r2 ajustada, es
decir, el coeficiente de determinación siempre nos dice este dato tomando el cuenta el error,
pero no toma en cuenta variables como el tamaño de la muestra o el numero de estimadores
que se toman en la regresión, por esto la r2 ajustada nos indica lo siguiente según “r”.
2
𝑟𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑎 = 0.8444 lo cual en términos simples nos dice que de acuerdo a la cantidad de
estimadores que tenemos y el tamaño de la muestra el PIB per cápita explica 84.44% de la
línea de pobreza de cada país.
La razón de los logaritmos.
Uno de los problemas que notamos durante la realización de nuestra regresión lineal, es que
teníamos una distancia enorme entre la línea de pobreza y el PIB percápita, esto debido a que
el PIB per cápita está medido en miles de dólares y la línea de pobreza en dólares unitarios,
lo que hacia complicado ajustar las escalas de la gráfica, en este mismo sentido pues se
requirió cambiar a logaritmos, ya que de esta manera se pueden ayudar a reducir la influencia
de valores extremos (outliers) en tus datos. Al tomar el logaritmo, los valores muy grandes
se "comprimen", lo que hace que los outliers tengan menos influencia sobre el modelo de
regresión.
La categorización de acuerdo al tamaño del país.
Como antes mencioné en la tabla 1 existe una columna que nos dice el tamaño del país de
acuerdo al banco mundial y su clasificación en de ingreso medio, ingreso bajo o ingreso alto,
aunque parezca poco importante para la regresión, al incluir esta variable se logra que la
regresión explique cada vez más ya que esta clasificación ordinal que da el banco central
depende directamente del PIB (Así mide la riqueza el banco mundial), por lo cual al incluirla
̂2 ya que
nos da una mejor aproximación a la afirmación que se comprueba del estimador de 𝛽
logra acomodar por categorías los países generando tres ecuaciones, a continuación le
presento los resultados derivados de incluir esta nueva variable llamada GIBM
Call:
lm(formula = LPNALOg ~ PIBLOg + d$GIBM)
Residuals:
Min 1Q Median 3Q Max
-1.20240 -0.20660 0.06233 0.24847 0.95565
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -2.54747 0.76138 -3.346 0.00104 **
PIBLOg 0.52690 0.07141 7.378 1.09e-11 *
d$GIBMLow income -0.60729 0.23972 -2.533 0.01235 *
d$GIBMLower middle income -0.72513 0.16146 -4.491 1.42e-05 *
d$GIBMUpper middle income -0.67413 0.10751 -6.271 3.79e-09 *
---
Signif. codes: 0 ‘*’ 0.001 ‘*’ 0.01 ‘’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.3584 on 147 degrees of freedom
(4 observations deleted due to missingness)
Multiple R-squared: 0.8485, Adjusted R-squared: 0.8444
F-statistic: 205.8 on 4 and 147 DF, p-value: < 2.2e-16
̂ = −2.54747 + 0.52690𝑃𝐼𝐵 −
Entonces para países de ingreso alto tenemos 𝐿𝑃𝑁𝐴
0.72513𝐺𝐼𝐵𝑀 los cual nos dice además de lo que ya sabíamos que si todo lo demás
permanece constante los países que se encuentran en un nivel de ingreso medio alto tienen
una línea de pobreza de -0.72513 mas baja.
̂ = −2.54747 + 0.52690𝑃𝐼𝐵 −
Entonces para países de ingreso medio tenemos 𝐿𝑃𝑁𝐴
0.67413𝐺𝐼𝐵𝑀 los cual nos dice además de lo que ya sabíamos que si todo lo demás
permanece constante los países que se encuentran en un nivel de ingreso medio tienen una
línea de pobreza de -0.67413 más baja.
̂ = −2.54747 + 0.52690𝑃𝐼𝐵 −
Entonces para países de ingreso alto tenemos 𝐿𝑃𝑁𝐴
0.60729𝐺𝐼𝐵𝑀 los cual nos dice además de lo que ya sabíamos que si todo lo demás
permanece constante los países que se encuentran en un nivel de ingreso medio alto tienen
una línea de pobreza de -0.60729 mas baja.
Intervalos de confianza para los valores poblacionales.
En este punto vamos a encontrar los intervalos de confianza que nos resultan para los valores
̂ =
de los estimadores poblacionales, para el caso de la regresión lineal simple 𝐿𝑃𝑁𝐴
̂2 ) = 0.07141 estableceremos un nivel de
−2.54747 + 0.52690𝑃𝐼𝐵 se tiene un 𝑒𝑒(𝛽
confianza del 95%, por lo cual nuestro z=1.96, con todo esto tenemos un intervalo de
confianza de la siguiente manera.
0.52690 − (1.96 ∗ 0.07141), 0.52690 + (1.96 ∗ 0.07141)
0.52690 − 0.1399636,0.52690 + 0.1399636
[0.3869364,0.6686]
Este intervalo se interpreta de la siguiente manera, con un 95% de confianza el por cada
cambio en un punto porcentual del PIB per cápita la línea de pobreza aumenta entre
0.3869364 y 0.6686 la línea de pobreza.
