Guía Examen Isa Salazar FINAL

Vista previa del material en texto

ISA SALAZAR
y 0.41.4.4 0.11 5 0.18 0.19.0 2
y g ay
1,804 0.55 0.18 2.51
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
yo Ba Bu o
Hi al menos 1 O
Fotos 34.08 32.24
32 ay 25
1 3.85
Fran Fea13s Fea izo 3.07
Como Fotos Fab se rechaza Ho
Significancia individual
1 Inasistencia o modelo 3
Ho By O
Hi By o
tabs 0.58 O
0.68
0.85 o.gs
tras tí this 1.984
Como tras toros No se rechaza Ho
2 inasistencia x PPA
Ho Bs O
Hi Bs O
tabs 0.07 O
0 ee
0.636
tras tí a ti 1 ge
como tras toros No se rechaza Ho
Explicaría esta diferencia a raíz de que las 
variables evaluadas de forma individual no son 
estadísticamente significativas pero evaluadas 
de forma conjunta si lo son.
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
ML n Rina ML 141 0.087 1a 267
µg
rechaza Ho detecta
s XI 11 o
como Ml Xk se
nos heterocedasticidad
By inasistencia Bs Inasistencia 4
0 58 1 0.07 1 4 0.3
Ho By 4ps o
Ha By 4ps to
toros BI 4pts
BI 4pts
0.58 4 0.07 1 2.121 2.12
am
VIA 16 VLBI 2 4 con IR BE
16 2 4
tras tí ti 1 ge
se rechaza Ho toss tras el efecto esperado es significativo al 51
Se detecta formalmente heterocedasticidad, por lo tanto la inferencia deja de ser válida, es decir, la prueba t y prueba F ya no 
son válidas, pues la varianza no es constante y los estimadores dejan de ser MELI. 
En presencia de inasistencia, el promedio disminuye en 0,3 décimas. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
sí go g pirraso Sr apertura 83 escolaridad
Su PIB1960 t 8s apertura t So escolaridad
87 PIB1960 apertura Se apertura escolaridad
8g PIB1960 escolaridad error
delas var explicativas y
susproductoscruzadosaca tenemos 9
no heterocedasticidad
ML n Ria 65 0.31 20 15 Como ML a Xp se
im
Iii
una r escapas de captar formas no lineales de heterocedasticidad al incorporar los
cuadrados de las var explicativas y susproductos cruzados
Ho By o
una una
i Í É t E EÉ T
H By o
1.9 7 2 TE I
Iris ti secos I 3.70 o 0986sino p_x noestaenel
intervaloserechazan
se rechaza Ho porque el intervalo no incluye al 0 y
By es significativa al 51
Como se podría implementar? 
Se hace una regresión por MCO •
Se guardan los residuos •
Se hace una regresión auxiliar con los residuos estimados como variable dependiente, incluyendo los cuadrados de las •
variables explicativas y sus productos cruzados 
Se calcula ML. •
La ocurrencia de al menos 1 golpe de estado, disminuye la tasa de crecimiento anual en promedio en 1.90 puntos porcentuales. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Ho B o toros 1.48 o
Ño
4 53
Hi B Lo
traes t 2 39
Como toros a tras se rechaza Ho
intervalorenren.coY ftp.piznqoo Bi apertura pis escolaridad piu golpe insinuar
Fixq rosa c e vos a t
uaY 2
94 A FEI
ii ti seceis
y 0.97so 2
ja SCR
60
1,2265
n e_
73.58
Viajo x ja 5 o e o e I 5
1 x 5
o
5 x 5
6 s
o
0 4966
jo I ti L se les I I a 94 7 2 t.az I
Io 312 5 56 I
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Ho Xa Xa o
Hi al menos 1 to
Scar ser sr n k i 73.58 70.93
70.93
65 6
sersr 7 2
Foss 1.083
Franca 58 a FC2 co 3.15
Como Fotos a Fran No se rechaza Ho los cuadrados No son conjuntas
significativos al 951
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Ho p o
0.1
5 18
Hi p o
t 0.57 o
trab e t t ES t 75 2
Como tras s toros No se rechaza tio y i el emo
dehoy no esta correlacionado con el de mañana pues
no hay evidencia al 51 de significancia que haya
correlao serial
Me T q RI Xq
origina
tragos
Ho p o
nodeosos Hi p o
Corden
ML 55 1 0.01 0 54 rechaza Ho No hay
6 63
como ML Xq No se
cometan serial
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
e var dep desempleo
instrumento desempt i
Ho pa o
0.09
8 2
Hi pa o
t 0.74 o
tras yo ras5s tejas a ti a 66
Como toros tras se rechaza Ho el instrumento es relevante
casero sure s a
CONTRASTE DE HAUSMAN
Buscacomparar las estimaciones de uno y mear paradetermin
siestasdifieren de formasignificativa
a partir de la estima de la formareducida de x
no ti 2 ra Za meti xk tu
x seráexogena si y solo si con lui un o
Es decir x es exogena si n y vi no estar correlacionadas
Como vi es inobservable la prueba se implementa reemplazan
do v por los residuos de Mco de la forma reducidaLuis
Y Bo Bix Bex sí error
Ho g o cexogeneidaas Hi g eo lendog
i si se rechazaHo hay evidencia en contra de la exog a x en contra
de estimar el modelo por no
Ho Si o
a ya
o 861 tras tejas a ti 2.66
Hi g o
toros o 3
toss a trab no se rechaza Ho
La covarianza entre el instrumento y los errores tiene que ser igual a 0 para que sea exógeno. 
Y para que sea relevante, la covarianza entre el instrumento y la variable independiente (X) tiene que ser distinto de 0 
Hay evidencia a favor de la exogeneifad, es decir, se usa MCO. Usar MC2E sería menos eficiente (aunque igualmente válido). 
Se utiliza MCO porque no está correlacionado con el término del error, los estimadores son válidos y consistentes. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
intervalorecamara E 0.37
secpis o.az
thIE.se Bjiii ti secos EEES a ti asino B a noestaenel
intervaloserechazan I 0.37 7 2 0.23 I
como 1 No pertenece al intervalo se I 0.83 0.09
rechaza Ho
casero sure e a
únase So Si2 Jazz sexo Sam xa E
ML e n RI o Xq
La idea consiste en comparar las distintas estimaciones de VI para determinar si estas difieren de forma significativa. 
Si se concluye que son estadísticamente diferentes, entonces algún instrumento no cumple con la condición de exogeneidad. 
 
CONTRASTE DE SARGAN: 
Se estima el modelo original por MC2E y se obtienen los residuos. •
Luego se estima la regresión de los residuos de MC2E sobre todos los instrumentos y todas las variables exógenas incluidas: •
 
 
Bajo la hipótesis nula de que todos los instrumentos son exógenos, se verifica que: •
 
 
 donde q es el número de instrumentos “extra” o de restricciones de sobreidentificación 
Si rechazo H0, al menos 1 era endógeno. •
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
cease an sure is
ña p ni_ Et
Ho p o
µ p o
si rechazo hayevidencia a favor
de la presencia de cometa serial Arin
como q e s F E
mesadesignificanciasina.comibera
156 e eF In K i 0.022
K
F 3.46 s t 1 86
tras ti a ti 1 984
tras toros no se rechaza Ho no hay correa
serial
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
CLASE 21 sure 22
am GT q RI as lq Ho p pr o
noriginalEEEE
Ln 157 2 0.03 4.65
y
Como LML Xq No
se rechazaHo
Xq x 5.99 no hay correas
serias de orden a
gastope p gastope pa gastona et
Ho p pa pa 0 Hi al menos 1 de o
0 529F _ti h h i a gag
155 3 e
r 3
Foss 56.53 Feas Fisese a Fezesos 2.68
Como Foss Fran se rechaza Ho por lo tanto son significativos conjuntas al
5 de significancia si hay evidencia de que el gasto en publicidad afecta
al volumen de ventas
gasto a p 2.65 gastot l Ba 2.38 gastot a pas 3
Lo que se está intentando hacer es evaluar la correlación serial de orden 2, por lo que se incluyen 2 
rezagos de gastop y se evalúa su significancia conjunta. 
 
 
Se usa la alternativa, calculando el multiplicador de la grande del estadístico y se evalúa la 
significancia a partir de este. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
multiplicar x 6 No x 6.000
i ventas 19 82 3.6.000 18 019 82
ü ventas 19.82 2.38 6.000 14.299 82
a ventas 19.82 2.65 2.000 2 38.2.000 3.2.000 16.079,82
Ho p pa pa a 6 5
H p pa pa 56.5
1 53t ÉI 5 2.65 2.38 3 6.5VE 0.621318686
t 2.46
x VIÓ ja Es VIAS VIA VIAS a pi pi 215 E
al C Bi Es
0.38603691
tras ti ti 2 364
tobs tras se rechaza Ho y hay evidencia suficiente para respaldar la
info del empleado
El modelo 1 tiene mayor impacto 
esperado.
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Ho p o
toros o 3248307
0.0362006
8 95
tras EEEE ti S 1 gg
Vemos que ceteris paribus un aumento en el precio del cobre genera una disminución del tipo de cambio. 
Como el t observado es mayoral t tabulado, se rechaza H0, 
por lo que B1 es estadísticamente significativo al 5%
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
casera
se resuelve
y Me 250 0.12276281 30.69
Xp XE 5.99
Regresión o los residuos al cuadrado 
Es una versión especial de la prueba de white que conserva tanto el espíritu original de la prueba, como los grados de libertad —> es como 
una prueba de white ajustada. 
Como ML > Chi-Cuadrado, se rechaza H0 por lo tanto se captura heterocedasticidad 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
si go Si money ga output 83 money gu output
gs money output error
Ho fi gr 53 54 85 O MI 76 0.12 9 12
Hi al menos de 0 Y
No se rechar
Ho no se
Xp x's 11.07 capturahetero
casi cedasticidad
loserrores so
homovedasticos
Ceteris paribus, un aumento de 1% en la tasa de crecimiento de la oferta monetaria, aumenta en 1.03% la tasa de inflación 
Ceteris paribus, un aumento de 1% en la tasa de crecimiento del PIB, disminuye en 1.66% la tasa de inflación. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Puedoutilizar los instrumentos Z y 2a para hacer laestimas Estos deben cumplir
con las siguientes condiciones
Relevantes Zi x o
Exógenos cari m o
si se cumple entonces los instrumentos son válidos y estimaremos por V1 Maze
Evaluamos relevancia
Ho pa o
toros o.ee
0.03
6
tras EEES e EEES 2.639 1 6 1 7 2.639
Y Bo Bi money Ba output Si
Ho g O
ime
Se rechaza H0 por lo tanto el instrumento es relevante al 1%
Se usa el contraste de Hausman que busca comparar MCO y MC2E para determinar si esta difieren significativamente. Para esto se hace la 
siguiente regresión 
 
 
Y luego evaluamos 
 
Si se rechaza H0, se detecta endógeno idea y por lo tanto MCO no es válido. 
No se puede hacer la regresión porque no nos entregan el valor del error estimado de la regresión de la primera etapa de MCO en dos etapas. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
ama
i Se estima el modelo original por Maze y se
obtienen los residuos
2 Se estima la regresión de los residuos de MC
LE Sobre todos los instrumentos y todas
las var exog incluidas
incae go Si PIB inicial ga Nv e ga Esc gu Pop Ss money
go output t E
3 Ho g gr ga ga o H al menos 1 de o
4 Estadistica Ml n Rti Ten de instrumentos que sobran
Me 76.0.03 2.20
Xa 5 99
No se rechaza Ho es decir no hay instrumentos endógenos
Que los instrumentos sean exógenos es necesario para que los instrumentos sean válidos, y las estimaciones consistentes. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Ho S ga go gu o
F 0.014
1 o.org
O
Y 4
1 3.53
se rechaza Ho
Fran F 4,995 Fly esos 2.45
Ho Bs O
H pos 70 s premio
0.004
61.75
t t IF It a z
tabs 0.247
Se rechaza H0, por lo tanto se detecta heterocedasticidad, y por ende, las pruebas no serán validas y MCO 
tampoco. 
Se rechaza H0, es decir, hay un premio por cercanía a centros de empleo. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
TEST DE CHOW modelorestringido 4Scar
Sara Escrg modelo sin restringir 5 6sin ni
F scrr scrsr.cn ackti de m ni f 42.010 41.703
41.703
11000 eco
serer G e reti deintercer e los
F Rsr Kar F e 24
le Rrss
n serala e Kei sumatoria Fran Fco 9oz Fiaros 2.18
No se rechaza H0, por lo tanto no hay diferencias de pendientes. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
CLASE 17
Para evaluar la relevancia de cada instrumento
1 PRIMERAETAPA regreso de la variable endógena con el instrumento
tiiiiiiiiiiiiii
ya no HIT t ña 2 va
Instrumento es relevante si Milf O
Ho Milf o vs Hi ni g to
t Él
self
t j
se si
o si t s t Etano se RECHAZA Ho
Instrumento sería relevante con significancia al
Cui vel O contrasteDE Haussmann
Clm v3 o
Cuando encontramos endogeneidad hemos probado que MCO deja de ser válido, pues es sesgado e inconsistente, por lo tanto el estimador 
MCO de B1 si la sospecha es válida, NO es insesgados y consistente. 
Se necesitan al menos 2 variables instrumentales que sean relevantes y exógenas para poder obtener estimadores consistentes de B2 y B3. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
CLASE no
PROPONEHACERCONTRASTE DE Haussmann o buena propuesta
Ya Io I 2 Ir 2a vi
y's go si 2 ja 23 V3
Ahorausamos las estimaciones como regresares en la enax
Y Bo Bi r paja país pu Va Bs v3 ú
Lo más eficiente es, como ya supuestamente encontramos dos instrumentos relevantes y exógenos, el mejor instrumento a emplear, con una 
sola variable endógena, sería una combinación lineal de ambos, y luego encontramos los estimadores mediante un proceso de MC2E. 
Si es que no tomamos los dos instrumentos, se perdería eficiencia. 
 
 
 
 
 
 
acasero
Dado el siguiente MRL conflictos po B edad xit.pt mi
donde edad se mide con amor tal que edad ti edad i ei
Asi bajoerrores clasicos en variables Ecu cuando El eis o ei.ms 0
la correlato entre edad y ei implica que creí edad s o
no es sesgado e inconsistente
El error de medición en una variable explicativa nos lleva a subestimar en valor absoluto el efecto de dicha variable. (Sesgo de atenuación) 
(CLASE 13)
Virtudes: si los errores de medición son independientes, usar esta nueva variable, instrumento, servirá para corregir el sesgo en el coeficiente. 
Problema: si estan correlacionados los errores , la nueva variable no es válida como instrumento y no se resuelve el problema del sesgo. 
el error de medición está en la variable independiente. •
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
La afirmación es incierta, en el caso de que el error de medición esté relacionado sistemáticamente (correlacionado) con una o más variables 
explicativas se genera un sesgo e inconsistencia en MCO. 
En este caso, la afirmación de la socióloga tendría sentido, porque los estimadores efectivamente no servirían. Pero, si esto no es asi, o no hay 
correlación, no hay problemas, pero si hay mayor varianza, por lo tanto menos precisión. 
En este caso la variable edad sería endógena porque estaría correlacionada con el término del error. Esto genera que MCO deje de ser válido, y 
la inferencia también. MCO es sesgado e inconsistente. 
Si se estimara el modelo por VI se necesitaría una variable Z, que se exógena y relevante, para solucionar el problema de endogeneidad d la 
variable edad, lo que genera un cambio en el B1 estimado. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
solo si el instrumento esrelevantenodebil esposibleesti
B Corta 4 cover B x tu B cover x corta mi p
mar B
corta x cover x cover x
ta muyDIFICIL s merindoESTAcarrera
CONTRASTE DE HAUSSMANN
EEEEE Eine
Luego se implementa la prueba reemplazando
a v por los residuos no de la formareducidavi
Y po S Xi ri
Ho S O lexo
H S 0 endo
Z tiene que ser relevante y exógeno. 
 
 
 
 
 
 
 
 
 
 
 
 
CLASE 16
variable endógena o correlaciona con eltermino del error
lainferenciadejade ser válida o no es sesgado e inconsistente
riesgo soberano Bo pi regla fiscal tu
Tasa Deenseuramiento
casera
corcaredibilidad regla fiscal o
corlaredibilidad u o
Regla fiscal podría ser endógena porque en el término del error se pueden encontrar las variables / condiciones macroeconómicas del país 
que afectan la tasa de endeudamiento pero también correlacionan con la regla fiscal. 
Una buena variable instrumental debe ser exógena y relevante, debe estar correlacionada con la regla fiscal pero no con la tasa de 
endeudamiento. Al agregar la variable instrumental al modelo y estimar por VI, los coeficientes pasan a ser válidos y ya no hay problema de 
endogeneidad. 
Considero que si tiene sentido la sugerencia, usaría la variable credibilidad como variable instrumental para regla fiscal. Creo que si es una 
regla válida porque: 
Relevante 1.
Exógena2.
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
CLASE a
Le diría a mi amigo que no me parece una buena VI porque podrían haber problemas de correlación serial entre la tasa de endeudamiento 
del periodo anterior u la del periodoactual. Esto a su vez también podría generar un problema de simultaneidad. 
 
 
 
 
 
 
 
 
LAYUDANTIA 7 CLASE 14
egg
Elyi Ti e n l EHi ti o a att Etflashubiesenentregado entregaronsino
murieranentregado
enero unasobrestimo
creemosqueestopuedesermayor alotropuestoquepuedentener prosdeaprobarporotrasrazones
Principal problema: habría un sesgo de selección ya que el grupo que entrega la tarea no es 
igual al grupo que no la entrega. Por lo tanto, esto no serviría para determinar causalidad. Se 
podría resolver a través de la aleatorizacion. 
 
Como esto afecta al estimador MCO: afectaría al estimador MCO porque lo sobrestimaria, ya 
que explicaría el rendimiento en el examen basándose en la entrega o no de tareas siendo qué 
hay otras variables que pueden influir a que sea más probable que entregue las tareas como la 
habilidad innata, el desempeño en cursos anteriores o el esfuerzo, las cuales no están siendo 
tomadas en cuenta. 
Alivia los problemas? : si los alivia, incluye una variable que antes mencionamos que generaba la sobrestimación, pero solo está solucionando 
parte del problema, ya que s e siguen omitiendo muchas variables relevantes que pueden explicar un mejor desempeño en el examen que no 
necesariamente sea por haber realizado las tareas. 
 
Como esto afecta al estimador MCO del parámetro de interés? : no se soluciona la estimación del parámetro, pero si disminuye. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Alivia los problemas ? : NO, seguimos omitiendo variables relevantes, las personas que eligen si entregarlas al inicio o al final son las mismas 
con las mismas variables que mencionábamos antes afectando al rendimiento en el examen. El sesgo de selección persiste. 
 
No cambia el parámetro MCO de interés, el sesgo de selección sigue presente y no fue aliviado. 
Aunque es cierto que la variable que mide la decisión de tener un programo o no es una variable endógena, también se debe considerar que 
la aleatorizacion en la selección de quienes hacen o no las tareas durante el semestre podría corregir el sesgo de selección. Así los grupos 
serán “los mismos”, por ende podríamos decir que la variable TC ahora si puede medir el impacto causal. 
Estamos corrigiendo el sesgo de selección que nos molestaba. 
Elegiría M4 ya que la aleatorizacion elimina el sesgo de selección permitiéndome medir el efecto causal. 
 
 
 
 
 
 
 
Tiene Sentido? : si tiene sentido, ya que si el alumno es subvencionado para almorzar, es decir, tenga peor situación socioeconómica, esto 
genere que no pueda tener mayor gasto en profes de inglés. Estamos entonces diciendo que la variable pct_prg_alm correlaciona con 
log_gasto, por lo tanto es una variable relevante, y que no correlaciona con el término del error, por lo tanto es una variable exógena. Por lo 
tanto es útil usar pct_prg_alm porque cuenta con las características que la convierten en un instrumento válido. 
Tiene sentido usarla en la medida en que la evaluación para la entrega de la subvención sea rigurosa y efectiva, pues si se analiza bien la 
situación de a quienes se le entrega se esta midiendo finalmente el nivel de probreza a través de ella. De todas maneras, igual tiene un sesgo 
ya que al ser una oportunidad para obtener un beneficio económico, es común que la gente mienta en este tipo de encuestas o se entreguen 
antecedentes falsos, por lo que estaría medida con cierto error. 
 
 
 
 
 
 
 
 
 
CLASE 17
Porque como mencionábamos anteriormente, pct_prg_alm al estar correlacionada con log_gasto, anteriormente parte de log_gasto se 
estaba explicando por el efecto de la otra variable. Ahora al separarla podemos ver el verdadero efecto de log_gasto sobre la prueba de 
inglés, sin el sesgo que se tenia por la endogeneidad. 
Log_gasto disminuye porque estaba sobrestimando el efecto del gasto por estudiante en el endimiento en la prueba de inglés al no controlar 
por el nivel de pobreza, medio a través de las subvenciones. 
Un aumento de 1% en el porcentaje de alumnos que reciben la subvención genera una disminución de 0.3045853% en el porcentaje de 
alumnos que aprueban la prueba. 
Porque mayor parte de la aprobación es explicada cuando se incluye la variable probreza 
en el análisis. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Los datos de panel difieren de los datos transversales agrupados a lo largo del tiempo, porque se basan en observaciones sobre los mismos 
temas en diferentes momentos, mientras que estos últimos observan diferentes temas en diferentes períodos de tiempo. 
 
Diferencia en diferencias es un método econométrico y de evaluación de impacto cuasiexperimental que consiste en medir el efecto que tiene 
una intervención sobre un grupo de tratamiento respecto a un grupo de comparación que no tiene la intervención a través del tiempo. 
 
El método DD requiere datos panel o longitudinales, es decir, datos para las mismas unidades de análisis en diferentes puntos en el tiempo. 
DD permite establecer causalidad para conocer si un programa o una intervención causa o no una mejora en la población atendida, es decir, si 
los programas analizados funcionan o no. 
 
En conclusión, no podemos utilizar primeras diferencias cuando tenemos cortes transversales pues no contamos con las mismas unidades de 
análisis en diferentes puntos de tiempo, son distintas. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
ya a g Pt B Di l Pt Di tuit
Pe a Pe o s periodo antes del tratamiento 1985
µg
Pt 1 periodo después del tratamiento 1990
Di Di o
Di
unidad no tratada
unidad fuetratada a FLORIDA
arrestes a g Pe p Di i pe f
Parámetro que mide el impacto de la ley en la probabilidad de ser detenido con algún recipiente alcoholico abierto. 
Ayuda a mejorar la precisión, y ademas permite controlar por diferencias potenciales entre los grupos que puedan haber cambiado entre 
periodos. 
Historial de arrestos •
Procedencia del arrestado (estado de origen) •
Tenia o no posa vaso el auto •
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
muchademostrar
 
 
 
 
 
 
 
 
mismapersona eramos
desempeño en el examenfinales Bo Bi califas Ba porcentajes pa clasemallaes
Bu promacumas califa exam admi nos
p
maresdeltiempo
que no sea endogena
Los efectos fijos no pueden correlacionar con las variables explicativas. 
Supuesto: efecto fijo no correlaciona con la asistencia ni con ninguna otra variable explicativa 
 
Hay que pensar qué hay en el efecto fijo. Etnia, raza, genero, nivel socioeconómico, son ejemplo que se nos ocurren. 
Bajo esta lógica habría que pensar que variables de nuestro modelo podrían correlacionar con estos efectos fijos. El nivel socioeconómico 
podría correlacionar con las calificaciones de admisión y por lo tanto esta variable no podría incluirse en el modelo. 
Supuesto: que la asistencia no correlaciona con el término del error. Es decir, que no haya características inobservables en el término del error, 
que afectan a la nota del examen y no son capturados por la asistencia a clase (como las horas de estudio o la habilidad innata) 
En otras palabras, que no haya sesgo de selección entró los que asisten a clases y los que no. (Que la asistencia sea lo único que los 
diferencie).