Beruflich Dokumente
Kultur Dokumente
Finalmente, y más importante las probabilidades que nos indicarán si tienen medias iguales o no,
para ello tenemos a la hipótesis nula que nos indica que la diferencia de las medias es igual a
cero; es decir, que las medias son iguales, así mismo, a la hipótesis alterna que nos señala que la
diferencia de las medias es distinta de cero, también nos muestra otras hipótesis alternas como
cuando la diferencia es menor a cero y cuando es mayor a cero.
Entonces, fijándonos en la probabilidad de la hipótesis alterna Pr (T >/t/= /t/)=0.6090, nos
damos cuenta de que es insignificante, por tanto rechazamos la hipótesis alterna y aceptamos la
hipótesis nula; es decir, que ambas medias son iguales
a) reg ha_nchs D
Tenemos la regresión de la variable de resultado, talla para la edad (ha_nchs) con la variable de
tratamiento (D), en ella nos muestra al lado izquierdo superior, a la tabla ANOVA (análisis de la
variación), al lado derecho, el ajuste del modelo, y en la parte inferior, la estimación de los
parámetros. En la tabla ANOVA nos indica la fuente en que se descompone la varianza total, una
por parte de las variables de control y el otro por el término de error, también nos muestra la
suma de cuadrado de cada fuente (SS), los grados de libertad (df) y la desviación media (MS),
que se obtiene dividiendo la suma de los cuadrados con los grados de libertad.
Luego tenemos a las medidas de ajuste del modelo, que nos indica el número de observaciones
(4000), el estadístico F de Fisher que muestra los grados de libertad del ANOVA asociado con la
división de las desviaciones estándar entre el modelo y el residual (1, 3998), también nos muestra
al valor “p” asociado al estadístico F (Prob > F), que sirve para testear la hipótesis nula de que
todos los parámetros del modelo (coeficientes) son iguales a cero, así mismo al R cuadrado (R-
squared), que mide la bondad de ajuste del modelo, varía entre 0 y 1, donde 0 es la ausencia de
ajuste y 1 el ajuste perfecto de la recta estimada, se calcula con la división de SS modelo/SS total,
entonces inferimos que el valor aumenta a medida que se incluyen más variables en el modelo, en
nuestro caso es de 0.0085, que estaría indicando que la variable “D”, explica casi nada a nuestra
variable de resultado, también tenemos al R cuadrado ajustado (Adj R squared), que es el
estimador de ajuste que penaliza la inclusión de nuevos regresores; es decir, no aumenta
necesariamente e incluso podría disminuir, se obtiene dividiendo la desviación media del modelo
con la desviación media total (MS modelo/MS total), en nuestro ejemplo es de 0.0083,
necesitamos más regresores para ver la evolución, por último tenemos a la raíz del Error
Cuadrático Medio (Root MSE), que representa la desviación estándar del término de error y se
obtiene como la raíz cuadrada de la desviación media residual (√2 MSresidual ¿.
Si Canasta mejora la nutrición de manera más eficiente en los altos que en los bajos, por sus
predisposiciones genéticas, es deseable calcular los efectos diferenciales del programa entre las
dos razas. Para esto se introduce una interacción entre el indicador de tratamiento, Di y el
indicador de raza baja.
Si asumimos que el programa no ha sido asignado de manera aleatoria, sino que la participación
es voluntaria; entonces, el estimador de MCO es un estimador sesgado del impacto del programa.
Definimos entonces un vector global X de características observables de los individuos para
ganar eficiencia en la estimación al incluir las variables explicativas adicionales, que incluyen: el
número de personas que viven en el hogar, una variable binaria: 1 si el género es hombre, 0 de lo
contrario, el orden de nacimiento del niño, otra variable binaria, 1 si la raza es baja, 0 en otros
casos, otra variable binaria, 1 si el jefe del hogar está empleado, 0 caso contrario, educación del
jefe del hogar y los ingresos mensuales del jefe del hogar.
En este caso el estimador de MCO indica que el programa está asociado con un aumento en la
estatura según la edad de acerca de 0,25 desviaciones estándar y el efecto es estadísticamente
significativo al 1 % de confianza
11. outreg2
a) reg ha_nchs D $X
Como ya hemos obtenido estos resultados en el número 5 y que consta en introducir más
variables de controles para tener una estimación menos sesgada, diremos lo mismo; es decir, que
si asumimos que el programa no ha sido asignado de manera aleatoria, sino que la participación
es voluntaria; entonces, el estimador de MCO es un estimador sesgado del impacto del programa.
Definimos entonces un vector global X de características observables de los individuos para
ganar eficiencia en la estimación al incluir las variables explicativas adicionales, que incluyen: el
número de personas que viven en el hogar, una variable binaria: 1 si el género es hombre, 0 de lo
contrario, el orden de nacimiento del niño, otra variable binaria, 1 si la raza es baja, 0 en otros
casos, otra variable binaria, 1 si el jefe del hogar está empleado, 0 caso contrario, educación del
jefe del hogar y los ingresos mensuales del jefe del hogar.
En este caso el estimador de MCO indica que el programa está asociado con un aumento en la
estatura según la edad de acerca de 0,25 desviaciones estándar y el efecto es estadísticamente
significativo al 1 % de confianza
De
igual forma este resultado ya lo hemos obtenido en el ejercicio número 4 inciso c) por tanto
daremos la misma explicación; es decir, si Canasta mejora la nutrición de manera más eficiente
en los altos que en los bajos, por sus predisposiciones genéticas, es deseable calcular los efectos
diferenciales del programa entre las dos razas. Para esto se introduce una interacción entre el
indicador de tratamiento, Di y el indicador de raza baja.