Modelos generalizados aplicados a la economía en lenguaje R

GARIBALDI LA; ODDI FJ; ARISTIMUÑO FJ; BEHNISCH AN

El Autor

Lugar: Bariloche; Año: 2016 p. 197

978-987-42-3009-6

Los profesionales de las ciencias económicas y ambientales deben resolver problemas a partir de la colección y el análisis de datos. En general, estos datos son tomados de una muestra procedente de relevamientos o experimentos, es decir que la información con la que trabajan es parcial. Por lo tanto, estos deben contar con herramientas que los ayuden a tomar la mejor decisión ante preguntas que tienenrespuestas inciertas. La estadística aporta las herramientas necesarias para colectar los datos adecuadamente, a la vez que permite resumir, presentar y extrapolar la información contenida en la muestra. Luego, posibilita cuantificar la incertidumbre asociada a nuestras respuestas o, dicho de otra manera, la probabilidad de equivocarnos en la decisión tomada. Por lo tanto, al utilizar la estadística, las conclusiones estaránsustentadas por un sólido marco de análisis.Con el objetivo de brindar a estudiantes y profesionales las técnicas estadísticas necesarias para un adecuado análisis de datos, el Dr. Lucas A. Garibaldi ha diseñado el curso de postgrado "Modelos generalizados aplicados a la Economía en el lenguaje R", el cual también forma parte de la currícula de grado de la Licenciatura en Economía de la Universidad Nacional de Rio Negro (como Estadística II). El mismo cubre los temas de un segundo curso de grado en Estadística ampliando sus contenidos a muchas de las herramientas utilizadas actualmente para la resolución de problemas económicos y ambientales, pero de las que la oferta académica es reducida. Creemos que ello, junto con el enfoque de taller del curso, flexibiliza el aprendizaje del estudiante ayudándolo a lograr independencia para resolver los problemas a los cuales se enfrentará durante su actividad profesional.A lo largo de los capítulos (suponemos que el lector está familiarizado con los conceptos básicos de estadística y probabilidad) ponemos a disposición ejercicios prácticos para adquirir los conocimientos básicos sobre cómo colectar datos (diseño de estudios), modelarlos y analizarlos utilizando el programa R. Recomendamos seguir los capítulos frente a una computadora analizando las sentencias y los datos reales que seencuentran disponibles en el siguiente enlace https://www.mediafire.com/folder/zlgobjqlknybx/Modelos_generalizados_aplicados_a_la_Economía_en_lenguaje_R_(2016) . Los ejercicios son presentados con la intención de proporcionar al estudiante un marco similar al que un profesional se enfrentaría comúnmente en su ámbito de trabajo. Esto es, con un marco conceptual del que deriva un problema relacionado, y para el cual el alumno es guiado hacia su resolución (analizar cómo ha sido la recolección de los datos, explorarlos, plantear modelosinteresantes, determinar si el modelo planteado es adecuado, plantear modelos alternativos, realizar las inferencias y predicciones) y arribar a una conclusión. Un aspecto relevante es que los ejercicios están basados en datos reales (datos publicados en sitios web o cedidos por colegas).Limitándonos al estudio de modelos con una sola variable de respuesta(dependiente), la obra se organiza en ocho Unidades. Las primeras siete abarcan el modelado de datos con distribución normal. En la Unidad I se estudia el modelo de regresión lineal entre dos variables cuantitativas (Regresión Lineal Simple) y se introducen los conceptos de Criterio de Mínimos Cuadrados Ordinarios para la estimación de parámetros, bondad de ajuste y validez de los modelos a partir de sus supuestos. Las Unidades II y III tratan con variables independientes categóricas, elAnálisis de la Varianza (ANOVA) y los test a posteriori (comparaciones múltiples). En particular, se aborda el Diseño Completamente Aleatorizado (DCA), y se introduce el modelado con más de una variable independiente, todas categóricas en este caso, a partir del Diseño en Bloques Completamente Aleatorizados (DBCA) y el DiseñoMultifactorial. La Unidad IV trata con más de una variable independiente, pero en este caso cuantitativas (Regresión Lineal Múltiple) e introduce un aspecto fundamental del modelado estadístico: la multicolinearidad. Para ello, en esta unidad se estudian lassumas de cuadrados parciales (ANOVA Tipo III) y secuenciales (ANOVA Tipo I). En las Unidad V se formaliza el concepto de Modelo Lineal General y se plantean problemas que tratan con variables independientes cuantitativas y categóricas de maneraconjunta. Se introducen además el concepto de Verosimilitud y los distintos Criterios de Información (AIC, BIC etc.) como medidas de bondad de ajuste, y el Criterio de Máxima Verosimilitud como método de estimación de parámetros. Al llegar a la Unidad VI, se incorpora el modelado de la varianza flexibilizando la homocedasticidad, uno delos supuestos del modelo lineal. Por su lado, la Unidad VII cubre conceptos detrás del modelado de relaciones no lineales. Finalmente, en la Unidad VIII se flexibiliza el supuesto de normalidad para modelar datos no normales. Este es el campo de los Modelos Lineales Generalizados que permiten tratar con distribuciones de la familiaexponencial: Binomial, Poisson, Normal y Gamma, y también se abarca la distribución Binomial Negativa. En forma general, a través de la obra presentamos el marco de inferencia frecuentista y abordamos la evaluación de relaciones de verosimilitud e inferencias multimodelo. Los capítulos no desarrollan los conceptos teóricos. Para ello,sugerimos la lectura de diversos libros de textos que abordan los conceptos presentes en esta obra de manera exhaustiva (Pinheiro y Bates 2000; Webster, 2000; Anderson et al., 2008; Gelman y Hill 2007; Fox y Weisberg, 2010, 2011; entre otros).Esta obra es fruto de varios años llevando adelante este curso en la Universidad Nacional de Río Negro. Esperemos que la misma les resulte útil y de ayuda para el abordaje de sus propios análisis.