Anlisis de Datos en Economa Prof: Salvador Carrasco Arroyo

TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION

(MODELIZACION)



PROCEDIMIENTOS ESTADISTICOS
CONSTRUCCION DE MODELOS


DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS

Cada procedimiento es aplicable a un tipo particular de datos en una
situacin determinada. No importa tanto conocer los detalles del funcionamiento
de cada tcnica (ordenadores) como entender en trminos generales qu hace y
por qu. En estos caracteres se basa la eleccin del procedimiento. Algunos de
los procedimientos ms usuales son:

- Posicin de una muestra: Dada una muestra univariante,
planteamos estimar la media poblacional. Podemos calcular una
estimacin puntual o, mejor, un intervalo. Podemos construir un
contraste de significacin para la hiptesis de que la media
poblacional sea igual a un valor predeterminado.
- Posicin en dos muestras: Dadas dos muestras independientes,
cul es la diferencia que existe entre las medias poblacionales? es
significativa la diferencia?
- Problemas de regresin: Dadas las observaciones de una variable
respuesta, Y, y de un conjunto de variables impulso (X's), se trata de
encontrar una curva que permita predecir Y a partir de las X's.
- Anlisis de series temporales: Predecir una serie temporal en
funcin de su propia historia o/y de los valores presentes y pasados
de otras variables relacionadas.
- ANOVA(Anlisis de la varianza): Dadas las observaciones de una
variable respuesta, su variabilidad total se descompone en un
conjunto de "efectos" atribuibles a las variables impulso y a sus
combinaciones (interacciones).
- Tcnicas multivariantes de reduccin de datos, de agrupacin, de
discriminacin. Tcnicas para datos categricos.

Es importante decidir si se utiliza un enfoque paramtrico, que implica
modelizacin y, por tanto,- abundantes hiptesis sobre las caractersticas de las
Anlisis de Datos en Economa Prof: Salvador Carrasco Arroyo
distribuciones de probabilidad utilizadas, o un enfoque no paramtrico que se
caracteriza por hacer tan pocas asunciones como sea posible).

ELECCION DEL PROCEDIMIENTO ADECUADO

Elegir el procedimiento adecuado resulta difcil, en especial para el analista
poco experimentado. Asumimos que ha sido realizado un IDA y que las
conclusiones todava no estn claras.

- Qu estamos buscando? (objetivos)
- Cules son los resultados mas importantes del IDA?
- Hay informacin adicional?
- Hemos resuelto problemas similares? Alguien lo ha
hecho?
- Hemos visto problemas similares en los libros?
- Puede reformularse el problema de manera que sea ms
sencillo?

Algunos comentarios generales:

1. Hay que estar preparado para aplicar ms de un mtodo de anlisis
al mismo conjunto de datos
2. No es adecuado utilizar un mtodo determinado slo porque estemos
familiarizados con el
3. Hay que estar preparado para mirar el problema desde distintas
perspectivas ("pensamiento lateral")
4. Hay que estar dispuesto a realizar modificaciones ad hoc de las
tcnicas de anlisis para recoger las caractersticas propias del
problema a estudio
5. No es posible conocer al detalle todas las tcnicas, pero hay que
saber donde buscarlas
6. En igua!dad de condiciones (!) preferimos los mtodos sencillos a los
complicados, pero no debemos ser simplistas.

Hasta los estadsticos ms experimentados eligen en ocasiones un
mtodo de anlisis inapropiado. Incluso cuando se elige el mtodo apropiado,
este puede ser aplicado de manera incorrecta. En caso de duda, conviene
utilizar varios mtodos y estudiar los conclusiones con cuidado.

2.- LA MODELIZACION

Anlisis de Datos en Economa Prof: Salvador Carrasco Arroyo
Un modelo es una representacin simplificada de la realidad que
recoge los aspectos fundamentales de la misma que tiene inters para los
objetivos del investigador o analista.

Su eleccin adecuada depende de los objetivos que el investigador se
proponga es decir:
De las respuestas que pretenda contestar tras el
planteamiento del mismo
Un modelo no debe ignorar ninguna de las variables cuya
influencia sea importante
Debe ser fcil de interpretar.

Y=g ( X )

g. es una funcin exacta (sentido matemtico) Qu forma tiene esta funcin?
Si pensamos en relaciones empricas los valores concretos que valla tomando Y
y X determinaran la forma de g. (muestra ---- Distribucin Estadstica).

COMO CONJUGAR LAS RELACIONES MATEMATICAS CON LAS DISTRIBUCIONES
ESTADISTICAS QUE SON LOS VALORES DE LAS VARIABLES OBSERVADAS?

Aunque el IDA es importante, y puede ser suficiente en ocasiones,
normalmente es considerado como un prerrequisito para un anlisis basado en
modelos probabilsticos que requiere procedimientos inferenciales. Incluye la
estimacin de parmetros del modelo y el contraste de hiptesis.
La inferencia se basa en modelos probabilsticos. Es necesario comprender
las ventajas y limitaciones de este enfoque.
Todos los modelos son errneos, pero algunos son tiles.
Se trata de obtener la mayor cantidad de informacin eligiendo un modelo que
describa los aspectos relevantes del fenmeno bajo estudio.






Objetivos de la modernizacin:

Representar de manera compacta uno o varios conjuntos de
observaciones. Por "compacto" entendemos que el modelo debe
Anlisis de Datos en Economa Prof: Salvador Carrasco Arroyo
ser tan simple como sea posible (y con tan pocos parmetros como
sea posible).
Comparar distintos conjuntos de observaciones (pases,
periodos)
Confirmar o refutar una relacin tericaestablecida a priori
Describir las propiedades de la componente aleatoria. Esto
permite hacer inferencias (de la muestra-resduo a la poblacin) y
garantizar la precisin de las estimaciones y la confianza en las
conclusiones.
Hacer predicciones de la evolucin futura de las variables
Hacer simulacin (cmo afectan al comportamiento del output los
cambios en la forma-sistema o en la estructura-parmetros del
modelo)

La "bondad de ajuste a un conjunto predeterminado de datos puede ser
incrementada siempre haciendo el modelo mas y mas complejo, pero en
general al reducir el sesgo se incrementa la varianza del error. Hay que buscar
el equilibrio.

Evidentemente, el modelo debe proporcionar una descripcin adecuada de
los datos y, entonces, ser posible utilizarlo para inferir o predecir.
Generalmente, el modelo contiene parmetros que deben ser estimados a partir
de los datos.


CONSTRUCCION DE MODELOS

La modelizacin o construccin de modelos consta, en general, de tres tipos
de actividades:
Formular el modelo (especificacin)
Estimacin de los parmetros (ajuste)
Evaluacin (validacin)
Son etapas sucesivas, aunque una investigacin requiere, por lo general,
varios ciclos de formulacin-estimacin-evaluacin antes de que el resultado sea
satisfactorio. Una vez se alcanza un modelo satisfactorio, ste puede ser utilizado
para describir, explicar, predecir o establecer comparaciones.



ESPECIFICACION

Anlisis de Datos en Economa Prof: Salvador Carrasco Arroyo
Formular un modelo "apropiado" es una cuestin clave para el anlisis, En
general, se trata de expresar mediante ecuaciones las relaciones entre un
conjunto de fenmenos o conceptos (categoras mentales). Pero las ecuaciones
contienen variables (categoras observables) que debern responder lo ms
fielmente posible a los conceptos tericos.

No existe una estrategia generalmente aceptada para la formulacin de modelos.
No obstante, los principios generales podran ser:

Documentacin: Hay que leer mucho y consultar a los
expertos en la materia. El contexto de cada problema es
crucial y no es serio tratar de modelizar una situacin que no
se haya racionalizado previamente.
Incorporar teora: Tomar en cuenta la teora disponible nos
sugerir que variables hay que incluir y qu tipo de relaciones
pueden existir entre ellas. Atencin a las restricciones (de
signo, de signo de la variacin...)
Realizar un anlisis inicial completo del conjunto de
observaciones.
Incorporar informacin de otros modelos y conjuntos de
datos similares
Contrastar el modelo formulado con la teoray con los
datos. Tambin si es coherente con cualquier conocimiento
cualitativo que se posea sobre el sistema bajo estudio
Tener presente que el modelo es provisional, aproximado y
tentativo. Cuando haya nuevos dats, habra de ser revisado.
La experiencia y la inspiracin son fundamentales, ya que el
proceso implica numerosas decisiones subjetivas.

Junto a estos principios generales, hay que tener claro en todo momento
- qu es conocido con (casi) certeza (vbles. observadas)
- qu hemos supuesto sobre una base razonable (relaciones)
- qu hemos asumido por conveniencia matemtica (linealidad, p.ej.)
- qu no est claro o es desconocido (parmetros, p.ej)

La formulacin de un modelo siempre requiere asumir supuestos P.ej.
errores independientes distribuidos normalmente

Una manera til de comprender la modelizacin es:

DATOS =AJUSTE +RESIDUOS
Anlisis de Datos en Economa Prof: Salvador Carrasco Arroyo

o bien

DATOS =SEAL +RUIDO


El ajuste o seal es la parte sistemtica, en la que se centra el inters,
mientras que el residuo o ruido es la parte aleatoria.

La parte aleatoria incluye tanto los errores de medicin como la
variabilidad aleatoria natural que afecta a las unidades muestrales que se miden.
Por lo general, se especifica en trminos de su distribucin de probabilidad.

El anlisis estadstico puede ser entendido como extraer informacin de
la seal en presencia de ruido.


ESTIMACION

Consiste en ajustar utilizando los datos disponibles para estimar los
parmetros que intervienen en el modelo.

EVALUACION

Una vez el modelo ha sido estimado es necesario contrastar las hiptesis
que subyacen en su formulacin con el objeto de modificar el modelo en caso de
que no se mantengan las asunciones. Hay que responder a preguntas tales
como

- Es satisfactoria la parte sistemtica del modelo?. En caso
contrario, es necesario alterar la forma del modelo?
transformar variables? incluir otras vbles? eliminar
alguna?
- Es satisfactoria la componente aleatoria? Cul es la
distribucin de los errores? (en general se supone dist.
normal con media cero? Es su varianza aproximadamente
constante? (tb. supuesto habitual)
- Depende significativamente la bondad del ajuste de unas
pocas observaciones influyentes?
- Hay alguna caracterstica relevante de los datos que no haya
sido recogida?
Anlisis de Datos en Economa Prof: Salvador Carrasco Arroyo
- Hay otros modelos alternativos que puedan ser
considerados?

La evaluacin de modelos tambin se le llama anlisis de residuos porque la
mayora de los procedimientos estn relacionados con los residuos del ajuste.

Hay muchos mtodos para examinar los residuos, dependiendo de la clase o
tipo de modelo considerado. En general, los residuos deben ser pequeos,
con varianza pequea y totalmente aleatorios (sin esquema reconocible, ya
que de lo contrario ese esquema debera de formar parte de la componente
sistemtica).

Prestamos especial atencin a los residuos "grandes", que pueden surgir
debido a: observaciones errneas o atpicas, a la inadecuacin del modelo o a la
inadecuacin del procedimiento de anlisis.