Modelos con variables Indicadoras.

Hay situaciones en que la variable dependiente presentan cambios en

su dependencia; por ejemplo debido a variables independientes de
orden cualitativo tales como: sexo, regin, estado civil, formas de
pago, Hasta cierto ao y despus de cierto ao,etc.
En estos casos, es posible realizar la estimacin de un modelo que
considere este factor cualitativo (o una definicin smil de l),
incorporndolo en el modelo como una variable independiente ficticia
o indicadora, compuesta por 1 y 0, que representan la presencia y
ausencia de los niveles de esta variable independiente.

Veamos un ejemplo:
Se cuenta con los datos de montos gastados por algunas personas en
UF, en cierto perodo:
Nombre
JUAN
PEDRO
ESTER
SOLEDAD
MARIA
SAMUEL
GUILLERMO
JUANA
DOLORES
MATIAS
RUBEN
PATRICIA
MONICA
SIMON

Monto en UF
2
4
5
7
12
3
2
8
7
1
4
6
7
3

Se requiere construir un modelo para explicar el monto de gastos en

funcin del gnero de las personas.

El modelo a construir tendr la forma:

y i 0 1 i i

Donde, i es la variable indicadora, ficticia, muda o dummy; que

adoptar los valores 1 cuando el monto de gasto corresponda a un
hombre y ser 0, cuando el gasto sea realizado por una mujer.

La expresin queda:
1 si hom bre
i
0 si mujer

MGraciela Mrquez

Pgina 1

La estimacin del modelo se realiza de la forma

presentndose el resultado al realizar el anlisis con Excel:

habitual,

Resumen
Estadsticas de la regresin
Coeficiente de
correlacin mltiple
0.822689431
Coeficiente de
determinacin R^2
0.676817899
R^2 ajustado
0.649886058
Error tpico
1.759328876
Observaciones
14
ANLISIS DE VARIANZA
Grados de
libertad
Regresin
Residuos
Total

1
12
13

Suma de
cuadrados
77.7857143
37.1428571
114.928571

Intercepcin

Coeficientes
7.428571429

Error tpico
0.66496381

DELTA

-4.714285714

0.94040084

Promedio de los cuadrados

77.7857143
3.0952381

Superior
Estadstico t
Probabilidad Inferior 95%
95%
11.171392 1.0688E-07 5.97973975 8.87740311
-5.01305987

Pronstico MONTO
2.714285714
2.714285714
7.428571429
7.428571429
7.428571429
2.714285714
2.714285714
7.428571429
7.428571429
2.714285714
2.714285714
7.428571429
7.428571429
2.714285714

0.00030262 -6.76324313 -2.6653283

Resultados datos de
probab.

Anlisis de los residuales

Observacin
1
2
3
4
5
6
7
8
9
10
11
12
13
14

Valor crtico
F
de F
25.1307692 0.00030262

Residuos
-0.71428571
1.28571429
-2.42857143
-0.42857143
4.57142857
0.28571429
-0.71428571
0.57142857
-0.42857143
-1.71428571
1.28571429
-1.42857143
-0.42857143
0.28571429

Residuos estndares
-0.42257713
0.76063883
-1.43676223
-0.25354628
2.70449362
0.16903085
-0.42257713
0.3380617
-0.25354628
-1.01418511
0.76063883
-0.84515425
-0.25354628
0.16903085

Percentil
3.57142857
10.7142857
17.8571429
25
32.1428571
39.2857143
46.4285714
53.5714286
60.7142857
67.8571429
75
82.1428571
89.2857143
96.4285714

Se realiza nuevamente el ajuste eliminando el dato fuera de rango,

quedando:

MGraciela Mrquez

Pgina 2

MONTO
1
2
2
3
3
4
4
5
6
7
7
7
8
12

Resumen
Estadsticas de la regresin
Coeficiente de correlacin
mltiple
0.893403262
Coeficiente de
determinacin R^2
0.798169389
R^2 ajustado

0.779821152

Error tpico

1.077113346

Observaciones

13

ANLISIS DE VARIANZA
Grados de
libertad

Suma de
cuadrados

Regresin

50.46886447

Residuos

11

12.76190476

Total

12

63.23076923

Coeficientes
Intercepcin
DELTA

Error tpico

6.666666667

0.439729682

-3.952380952

0.599250545

Promedio de los
cuadrados

Valor crtico de
F

50.46886447 43.50114811

3.88725E-05

1.16017316

Estadstico t

Probabilidad

Inferior 95%

15.16082934 1.01858E-08
-6.595540016

3.88725E-05

Superior 95%

5.698828162

7.634505171

-5.271322509

-2.633439395

Resultados de datos de
probabilidad

Anlisis de los residuales

Pronstico
MONTO

Observacin

1 2.714285714
2 2.714285714

Residuos
0.714285714

3 6.666666667

1.285714286
1.666666667

4 6.666666667

0.333333333

5 2.714285714
6 2.714285714

0.285714286
0.714285714

7 6.666666667

1.333333333

8 6.666666667

0.333333333
1.714285714

9 2.714285714

Residuos
estndares

Percentil

MONTO

-0.692635645

3.846153846

1.246744161

11.53846154

-1.616149838

19.23076923

0.323229968

26.92307692

0.277054258

34.61538462

-0.692635645

42.30769231

1.29291987

50

0.323229968

57.69230769

-1.662325548

65.38461538

1.246744161

73.07692308

11 6.666666667

1.285714286
0.666666667

-0.646459935

80.76923077

12 6.666666667

0.333333333

0.323229968

88.46153846

13 2.714285714

0.285714286

0.277054258

96.15384615

10 2.714285714

A partir de esta estimacin, se obtiene el modelo que representa el monto

de gastos de hombres y mujeres:
El modelo general es: y i 6.6667 3.9524 i
O bien, lo podemos expresar como:

con

R 2 78%

y i 6.6667 3.9524 1 2.7143 cuando es Hombre

y i 6.6667 3.9524 0 6.6667 cuando es Mujer

MGraciela Mrquez

Pgina 3

En este modelo, se determina el cambio que se produce en el gasto que

realizan los hombres respecto al que realizan las mujeres y su significacin
estadstica.

Ejemplo 2:
Se estimar un modelo que permita predecir el tiempo de reparacin en
horas de sistemas de filtracin de agua, en funcin de los meses
transcurridos desde el ltimo servicio y el tipo de reparacin (mecnica o
elctrica).
Para esto se cuenta con la siguiente informacin:
Meses desde el
ltimo servicio
2
6
8
3
2
7
9
8
4
6

Tipo de
reparacin
Elctrica
Mecnica
Elctrica
Mecnica
Elctrica
Elctrica
Mecnica
Mecnica
Elctrica
Elctrica

Tiempo de
reparacin (hrs)
2.9
3.0
4.8
1.8
2.9
4.9
4.2
4.8
4.4
4.5

El modelo postulado es:

y i 0 1 x 1i 2 i i
Donde:
Y = es el tiempo de reparacin en horas
X = son los meses transcurridos desde el ltimo servicio
Delta= representa el tipo de reparacin (1= elctrico; 0= mecnico).
Al realizar la estimacin del modelo queda:

con

y i 0.93 0.38 x1i 1.26 i

R 2 aj 81.9%

Esto es:
E(y/mecnica)= 0.93 + 0.388x
E(y/elctrica)= (0.93+1.26) + 0.388x = 2.19 +0.388x
Meses desde el ltimo servicio Curva de regresin ajustada
6

Tiempo de reparacin (hrs)

Elctrica
E(y)=2.19+0.388x

Mecnica
E(y)=0.93+0.388x

0
0

10

Meses
desde el ltimPronstico
o servicioTiempo de reparacin (hrs)
Tiempo de reparacin
(hrs)

MGraciela Mrquez

Pgina 4