1 Clases Estadística (1 (23)

Vista previa del material en texto

A los radicales en estas elecciones, la fidelidad de los votos radicales se ve que logra mantener un poco 
más del 55% de los votos que Alfonsín había ganado en el ’83, hay menos estabilidad en el voto. Y en el 95 
disminuye la fidelidad, del 100% de los votos que tuvo el radicalismo sólo un 42% mantiene en el 95. Los 
votos que no se mantienen fieles en el ‘95 33.5% se fueron al FREPASO. El radicalismo es reemplazado por 
el FREPASO como principal opositor. 
Hay una tabla bivariada hay que saber interpretar que quieren decir los números, si muestran correlación 
los números. Para que no haya correlación todos los porcentajes deberían ser iguales. En esta tabla hay 
clarísima correlación. 
Clase 31/10. 
INTERPRETACION DE ESTADISTICAS BIVARIADAS EN ESTE ARTICULO: 
La tabla matriz de fidelidad partidaria en elecciones presidenciales. Universo: mayores de 23 años. 
Combina dos tablas simplificadas: una donde la vd representa la elección de 1989, y la vi representa la 
elección de 1983 (es decir, la elección anterior). La otra tabla que tendríamos sería la vi em función de la 
elección anterior que ahora seria 1989, mientras que en la vd tenemos la elección de 1995. Estas tablas 
describen en función del 100 de los electores de un partido en la elección anterior (vi) cuantos 
mantuvieron en la elección presente (vd). 
En la tabla relación 83-89 hay correlación. Para que no existiese correlación en esta tabla, si nos revelaran 
los marginales de las filas, deberíamos obtener porcentajes iguales en este sentido. 
Al poner juntas las tablas puedo comparar fidelidad partidaria. Por ejemplo: para 1995 la fidelidad 
partidaria disminuye para ambos partidos. 
El FREPASO en el 95 le saco votos al PJ, a la UCR, de la derecha y la izquierda. Para poder ver de dónde saco 
más votos en función de esta tabla habría q saber los porcentajes de los votos de los partidos en las 
elecciones del 89. 
Los gráficos son una forma de mostrar correlación entre dos variables. este es el caso del gráfico tres sobre 
intención de voto por Menem en el 89 y en el 95 según índice de posesiones materiales. En el cual se 
observa una correlación negativa entre el índice de posesiones materiales y la intención de voto por el PJ: 
es decir, cuanto más bajo el índice de posesiones materiales más porcentaje de intención de voto por el 
peronismo. El grafico tambien muestra que Menem aumentó su porcentaje por el cual ganó en el 95 sobre 
todo de la clase alta es decir de las personas con un mayor índice de posesiones materiales. La correlación 
es negativa tanto en el 89 como en el 95, siendo en el 95 más débil. 
En el gráfico siete sobre la intención del voto por Menem en el 89 y en el 95 según privatismo-estatismo 
vemos que la cosa se da vuelta respecto de cada elección: es decir, en la elección del 95 los privatistas los 
que votan más a Menem. Mientras que en el 89 a menor privatismo mayor voto por Menem. La 
correlación del 89 al 95 se da vuelta. Si bien se hace más chica la correlación, la misma se da vuelta. Acá lo 
que pasó es que Menem cambio la política económica, la hizo más privatista. Entonces es lógico este 
cambio de tendencia. El votante menemista o el votante peronista a raíz de las reformas de sus líderes 
partidarios los siguen, forman sus opiniones en base a líderes en los que ellos confían sobre que dicen y 
hacen. Puede haber votantes que cambien su voto porque cambio la política, pero tambien puede que 
haya votantes que se muevan en función de su partido. 
Primera intuición del tema regresión: tema importante que nos ocupa hasta el final de la materia. 
Nos metemos en estadística multivariada. El primer paso para estudiar esta cuestión es estudiar la idea de 
regresión. La regresión simple, bivariada -su forma más sencilla- es un análisis de correlación para dos 
variables intervalares. Consiste en graficar en un diagrama de dispersión o scatter plot las dos variables y 
ajustar una recta -la recta del mejor ajuste- que mejor pasa por todos los puntos. Si la recta tiene 
pendiente positiva hay correlación positiva entre las dos variables, lo mismo si la recta tiene pendiente 
negativa hay correlación negativa entre las dos variables. si la recta es constante entonces no hay 
correlación. 
Clase 2/11. 
5.4. Regresión simple (Mie 24/10 y Vie 26/10). Objetivos y usos. Método de mínimos cuadrados. Cálculo e 
interpretación de la constante, la pendiente, el error estándar y R2. Explicación en sentido estadístico y 
sustantivo. Supuestos: linealidad, homoscedeasticidad, ausencia de autocorrelación y colinealidad. Tratamiento 
de outliers y observaciones influyentes. Variable dependiente dicotómica: modelos logísticos. 
Introducción a regresiones simples: variables intervalares, que me permite posicionar a las unidades de 
análisis de forma más precisa. Lo que se hace es determinar donde exactamente están en los continuos de 
las variables. Donde se ven tendencias, por ej: a medida que baja el nivel socioeconómico aumenta la 
posición por el PJ. La recta que pasa más cerca que pasa por esos puntos, la que tiene una tendencia 
menor, eso se va a llamar más técnicamente recta de mejor ajuste. Para hacer eso usamos la lista mínimos 
cuadrados ordinarios (OLS en inglés). Esta recta minimiza las distancias entre los puntos, sería algo así 
como la sumatoria de los cuadrados de todos estos segmentos. 
Cuando nos enfrentamos a una correlación tenemos que tener en cuenta si hay ceteris paribus entre las 
unidades de análisis o no. Si tenemos correlaciones controladas tenemos más base empírica para decir que 
hay causalidad y por eso regresión es tan importante porque nos permite controlar por otras variables. 
El análisis de regresión va a consistir en encontrar la recta de mejor ajusta, una recta que pasa bastante 
cerca por todos los puntos y hay que ver la pendiente. 
El análisis de regresión va a darme la recta de mejor ajuste. La ecuación de una recta es y = m.x + c. siendo 
la ordenada al origen la c -donde la recta corta al eje y (VD) en el cero del eje x (VI)- y m la pendiente. en la 
notación estadística la ecuación de la recta para estimaciones muestrales se configura como y = a + b.x, 
siendo a la ordenada al origen y la b será la pendiente. Mientras que para parámetros la recta será y = α + 
βx. 
Comandos stata: twoway para dos variables, scatter para gráficos de dispersión. La recta de regresión 
comando lfit. Comando regresión se abrevia como reg (con la vd siempre primero, todas las que vayan 
después son las vi). 
La constante de la constante y de la pendiente se llaman en jerga estadística coeficientes. El coeficiente de 
la pendiente el de la VI, mientras que el coeficiente de la constante es de la VD. 
Cuando tenemos una muestra hay errores estándar, y stata nos lo calcula igual que los intervalos del 95%. 
La predicción de los modelos estadísticos nos dice acerca de las constantes, es decir de las ordenadas al 
origen, nos dice que pasaría -una expectativa, con una unidad de análisis promedio- si la vi fuera cero, es 
decir, frente a la ausencia de vi que pasaría con la vd. La ordenada al origen o la constante es el valor 
esperado de la variable dependiente cuando la independiente (crecimiento económico) es cero. 
La pendiente es cuantas unidades se espera que aumente o disminuya la variable dependiente por cada 
aumento en una unidad en la variable independiente. Lo que básicamente hago es una simulación. 
Interpretar regresiones siempre en función de las unidades, es fundamental, porque la variación depende 
de la unidad. Cada vez que queramos interpretar regresiones tenemos que ver en que escalas se miden las 
variables dependientes e independientes. Ej: se esperaría q por cada aumento del 1% de crecimiento 
económico más que el oficialismo saque 4,2% de los votos. Para proyectar en función de esto no olvidar 
reemplazar en la recta: y=33+4.2.x