MODELOS
DE DATOS PANEL PARA PRONÓSTICO DE LA DESNUTRICIÓN INFANTIL EN CINCO REGIONES
DEL NORTE PERUANO, PERIODO 2010 – 2018
DATA PANEL MODELS FOR THE PROGNOSIS OF CHILD
MALNUTRITION IN FIVE REGIONS OF NORTH PERUVIAN, PERIOD 2010 – 2018
Betsy
Pamela Arrunátegui Huamán1
Fecha de recepción: 10 febrero de 2021
Fecha de aprobación: 30 abril de 2021
Fecha de publicación: 22 junio de 2021
Resumen
El
objetivo de esta investigación fue evaluar el modelo de datos panel que
pronostica mejor la desnutrición infantil en cinco regiones del Norte Peruano
en el periodo 2010-2018, siendo esta de tipo longitudinal y espacial debido a
que se obtuvieron datos de la misma población en distintos años y regiones, con
la finalidad de examinar sus variaciones en el tiempo; la muestra estuvo
compuesta por las observaciones anuales de la desnutrición crónica infantil,
incidencia de la pobreza total y analfabetismo de la población femenina de 15
años a más para los años 2010 – 2018 en las regiones de Lambayeque, Cajamarca,
Piura, Tumbes y La Libertad. Las bases de datos fueron extraídas de la web de
estadísticas sociales del Instituto Nacional de Estadística e Informática –
INEI y analizadas en el programa Stata 14; con el fin de reducir los problemas
de heterocedasticidad se transformaron las variables a logaritmo natural,
logrando evaluar los modelos de datos agrupados, de efectos fijos y de efectos
aleatorios, en donde para seleccionar el mejor modelo se hizo uso de la prueba
del Multiplicador de Lagrange para Efectos Aleatorios, así como la Hausman;
encontrando que el modelo de datos panel que pronostica mejor la desnutrición
infantil es el de efectos aleatorios de sección cruzada tanto para región como para
tiempo, con la corrección de Errores Estándar Corregidos para Panel – PCSE, por
problemas de autocorrelación contemporánea.
Palabras
clave:
Desnutrición infantil, Datos panel, Efectos aleatorios, Autocorrelación
contemporánea, Heterocedasticidad.
Abstract
The objective of this research was to evaluate the
panel data model that better predicts child malnutrition in five regions of
Northern Peru in the period 2010-2018, being longitudinal and spatial because
data were obtained from the same population in different years and regions, in
order to examine their variations over time; The sample was composed of the
annual observations of chronic child malnutrition, incidence of total poverty
and illiteracy of the female population aged 15 and over for the years 2010 -
2018 in the regions of Lambayeque, Cajamarca, Piura, Tumbes and La Libertad .
The databases were extracted from the social statistics website of the National
Institute of Statistics and Informatics - INEI and analyzed in the Stata 14 program;
In order to reduce the problems of heteroscedasticity, the variables were
transformed to a natural logarithm, managing to evaluate the pooled data
models, fixed effects and random effects, where to select the best model, the
Lagrange multiplier test was used. for Random Effects, as well as the Hausman;
finding that the panel data model that best predicts child malnutrition is the
one with random effects of cross section for both region and time, with the
correction for Panel Corrected Standard Errors - PCSE, due to contemporary
autocorrelation problems.
Keywords: Child malnutrition, Panel data, Random effects, Contemporary
autocorrelation, Heteroskedasticity.
1 Maestra en
Ciencias con mención en Docencia Universitaria e Investigación, Dirección de
Ciencias, Universidad Tecnológica del Perú, Chiclayo-Perú, c17297@utp.edu.pe, https://orcid.org/0000-0001-6240-2804
1. Introducción
Se puede
afirmar que la desnutrición infantil es considerada como una problemática que
se incrementa de forma silenciosa, puesto que está comprobado que su
padecimiento trae consigo efectos dañinos hacia las personas, y, que esto
incluso se manifiesta durante todo el desarrollo de la persona, la bibliografía
nos señala que una de las primeras señales es el peso por debajo de lo normal,
al igual que se da con la estatura; sin embargo, son sólo algunas de las
evidencias más resaltantes de este problema; ya que la mortalidad infantil se
origina, directa o indirectamente, por un pobre estado nutricional.1,10,11
Según el INEI
2, en el Perú en los últimos cinco años se afirma que la
desnutrición crónica en menores de 5 años ha decaído un 5,2%, asimismo, se
manifestó que el mayor índice de desnutrición se alcanzó en la población infantil
menor de tres años de edad (13,6%), así como en los niños con madres sin
educación o con estudios de primaria (27,6%). Revelando que las cifras más
altas para la desnutrición en infantes de cinco años de edad se reportaron en
Huancavelica (31,2%), Apurímac (20,9%), Cajamarca (26,6%), Pasco (22,8%),
Ayacucho (20%) y Loreto (23,8%).
Hoy en día
existen investigaciones que buscan dar solución a este tipo de problemáticas
haciendo uso de las ciencias exactas, tal es el caso de la investigación que
hace uso de los modelos lineales generalizados para pronosticar la anemia
infantil a través de factores asociados, cuyo autor manifiesta que esta técnica
puede ser empleada para presagiar convenientemente tanto la severidad de la
anemia infantil como la prevalencia.3
Martínez,
Saavedra y Morones4,13 en su investigación de datos panel para el
capital social, aquí los autores consideraron analizar para los países de la
Organización para la Cooperación y el Desarrollo Económicos - OCDE de qué
manera el capital social sería considerado un factor del emprendimiento, para
ellos se utilizó los datos de la GEM (Monitor Global Entrepreneurship) además
de la WVS (World Values
Survey) ambas bases de datos abiertos, para estudiar las variables
relacionadas al emprendimiento los datos fueron extraídos de la GEM, mientras
que para el estudio de la pertenencia a un grupo social, confianza y capital
social, se hizo uso de la segunda base de datos – WVS. Los autores estimaron un
modelo de datos considerando efectos aleatorios, la misma que fue determinada
mediante la prueba de Hausman. Las resultas llevaron a que se concluya que las
variables del capital social intervienen positivamente en el desarrollo del
emprendimiento, logrando incrementar su posibilidad de éxito, no sólo en el
inicio sino a nivel longitudinal (largo plazo).
En el estudio
de Carbajal, Carrillo y De Jesús5 que proponen un modelo de datos
panel hacia la dinámica productiva del sector automotriz, se analizó la
correspondencia entre el sector automotriz en los sujetos federales de la
frontera norte de México (Baja California, Sonora, Chihuahua, Coahuila, Nuevo
León y Tamaulipas) y la dinámica de crecimiento de la producción de la
manufactura. Se contribuyó con certeza positiva en relación a cómo la dinámica
de desarrollo de la industria automotriz ha promovido el progreso de la
industria en la región. Se realizó una estimación con un modelo con datos de
panel para la fabricación de la industria en las entidades de la frontera
norte, en donde para cada una de las propuestas de las ecuaciones se desarrolló
mediante los modelos de efectos aleatorios y de efectos fijos, aplicando las
pruebas de Breusch y Pagan para lograr seleccionar entre la consistencia de los
modelos de datos agrupados y de efectos aleatorios, así mismo para determinar
si el modelo de efectos fijos o aleatorios era el más adecuados se utilizó la
prueba de Hausman , la misma que reveló una mejor estimación con el de efectos
fijos. Los autores señalan que se presentaron problemas de heteroscedasticidad
y de autocorrelación, así mismo indicaron que para dar solución a estos
problemas
utilizaron los PCSE o Panel
Corrected Standard Errors - Errores Estándar Corregidos para Panel ya que son
más exactos que los FGLS o Feasible Generalizad Least Squares - Mínimos
Cuadrados Generalizados Factibles. Como resultados resaltantes se encontró que
para el sector automotriz interviene en el crecimiento manufacturero en el
norte del país, revelando grandes beneficios, en variables como el empleo,
producción, calificación de mano de obra, entre otros.
Es por lo antes mencionado que se
planteó el problema: ¿Qué modelo de datos panel pronostica mejor la
desnutrición infantil en cinco regiones del Norte Peruano en el periodo
2010-2018?, en base a esta problemática se formuló por hipótesis: El modelo de
datos panel a efectos fijos pronostica mejor la desnutrición infantil en cinco
regiones del Norte Peruano en el periodo 2010-2018.
Presentando como objetivo general
Evaluar el modelo de datos panel que pronostica mejor la desnutrición infantil
en cinco regiones del Norte Peruano en el periodo 2010-2018,
Por lo antes mencionado se
justifica la necesidad de utilizar este tipo de técnicas estadísticas que
ayuden a predecir mediante un modelo teórico el comportamiento de las variables
antes mencionadas con el fin de tomar una decisión en base a un sustento
teórico-científico, en donde además se obtendrán cifras exactas que permitan
establecer políticas de salud en beneficio de la población en riesgo. Se
resalta además que los efectos de esta investigación son de suma importancia
porque permitirá a los dirigentes de estado tomar decisiones a gran escala, que
permitirán construir alianzas con organizaciones de los sectores públicos y
privados, quienes aportarán a la búsqueda de soluciones logrando la mejora en
la sociedad.
2. Materiales y métodos
Considerando que se
analizará la desnutrición infantil en cinco regiones, para 8 años, bajo el
modelo de data panel el diseño es de tipo longitudinal y espacial, ya se
obtuvieron datos de la misma población en distintos años y regiones, con la
finalidad de examinar sus variaciones en el tiempo.
La población estuvo
conformada por las observaciones anuales de la desnutrición infantil,
incidencia de la pobreza total y analfabetismo de la población femenina de 15 y
más años de edad en el Perú; y la muestra estuvo compuesta por las
observaciones anuales de las variables antes mencionadas en las regiones de
Lambayeque, Cajamarca, Piura, Tumbes y La Libertad para los años 2010 – 2018.
Considerando que la
investigación hizo uso de datos secundarios, la técnica que se desarrolló fue
el análisis de base de datos oficiales obtenida de la web de estadísticas
sociales del Instituto Nacional de Estadística e Informática – INEI.
Haciendo uso del programa
econométrico Stata 14, se transformaron las variables procedió a transformar
las variables a logaritmo natural12 para reducir los problemas de
heterocedasticidad y llevar los datos a una escala lineal, posterior a ello se
evaluaron los siguientes modelos: Modelo de datos agrupados, Modelo de efectos
fijos y Modelo de efectos aleatorios.
Las técnicas empleadas para
seleccionar el mejor modelo fue el cumplimiento de las hipótesis básicas,
autocorrelación contemporánea, autocorrelación, heterocedasticidad y Prueba de
Hausman para seleccionar el mejor modelo, ya que se evaluó la correlación entre
los efectos individuales y las regresoras, con el fin de determinar si el
modelo de efectos fijos o aleatorios sería el indicado. Se solucionó el
problema de autocorrelación contemporánea haciendo uso de los Panel Corrected
Standard Errors ó PCSE (Errores Estándar Corregidos para Panel).
3. Resultados
Tabla 1. Evolución de la incidencia
de la pobreza total, tasa de analfabetismo de la población femenina de 15 a más
años de edad y desnutrición infantil en el norte peruano en el periodo
2010-2018
|
Región |
2010 |
2011 |
2012 |
2013 |
2014 |
2015 |
2016 |
2017 |
2018 |
|
|
Pobreza (%) |
||||||||
|
Tumbes |
20.1 |
11.84 |
14.02 |
13.11 |
12.13 |
11.2 |
10.8 |
13.34 |
12.55 |
|
Piura |
42.5 |
40.11 |
38.88 |
37.58 |
29.54 |
29.9 |
34.22 |
24.64 |
23.1 |
|
Lambayeque |
35.3 |
28.51 |
26.44 |
21.49 |
21.2 |
18.81 |
16.01 |
13.34 |
12.55 |
|
La Libertad |
32.6 |
28.51 |
26.44 |
30.61 |
29.54 |
29.9 |
22.67 |
24.64 |
23.1 |
|
Cajamarca |
49.1 |
54.92 |
53.32 |
50.54 |
50.28 |
48.19 |
47.36 |
47.54 |
41.85 |
|
Analfabetismo (%) |
|||||||||
|
Tumbes |
5.3 |
4.6 |
4.5 |
3.9 |
4.2 |
3.4 |
3.5 |
3.2 |
3.3 |
|
Piura |
13.3 |
10.8 |
9.7 |
10.4 |
10.6 |
10.7 |
10.4 |
10.5 |
10.4 |
|
Lambayeque |
11.9 |
10.2 |
9.2 |
9.1 |
8.6 |
8.2 |
9.4 |
7.9 |
7.6 |
|
La Libertad |
11.7 |
10.8 |
10.3 |
8.8 |
9.1 |
9 |
7.3 |
9.3 |
8.1 |
|
Cajamarca |
23.2 |
20.8 |
18.2 |
21 |
19.7 |
19.1 |
21 |
17.9 |
17.2 |
|
Desnutrición infantil crónica (%) |
|||||||||
|
Tumbes |
12.8 |
11 |
8.5 |
9.1 |
8.3 |
9.1 |
7.4 |
8.2 |
8.1 |
|
Piura |
22.9 |
20.9 |
20.8 |
24.9 |
21.7 |
20.3 |
15.3 |
15.9 |
13.1 |
|
Lambayeque |
17.8 |
16.2 |
13.3 |
14.2 |
14.3 |
14.1 |
11.8 |
10.5 |
9.3 |
|
La Libertad |
26.1 |
23.2 |
23.5 |
22.1 |
19.9 |
15.9 |
12.2 |
15.6 |
14.8 |
|
Cajamarca |
40.5 |
37.6 |
36.1 |
35.6 |
32.2 |
23.9 |
26 |
26.6 |
27.4 |
Fuente: Instituto Nacional de Estadística e
Informática – INEI
Cajamarca se ubica en primer lugar debido a su mayor
porcentaje de pobreza, seguido de Piura, La Libertad, Lambayeque y Tumbes.
Registrando para Cajamarca el año 2011 y 2016 el mayor y menor porcentaje
respectivamente, así mismo Piura registró el mayor y menor porcentaje de
pobreza total para los años 2010 y 2017, al igual que la Libertad y Lambayeque,
mientras que en Tumbes el mayor porcentaje de pobreza se presentó en el año
2010 y el menor en el año 2016. Para el año 2018 el porcentaje de pobreza
disminuyó en todas las regiones estudiadas.
En relación al analfabetismo en mujeres de 15 a más
años de edad, continúa en primer lugar con una mayor tasa la región de
Cajamarca, mientras que Tumbes presenta la menor tasa de analfabetismo en
mujeres. Encontrando para Cajamarca el año 2010 y 2017 la mayor y menor tasa
respectivamente, al igual que las regiones de Lambayeque y Tumbes, mientras que
La Libertad registró la mayor y menor tasa para los años 2011 y 2015, a
diferencia de la región de Piura que tuvo una mayor tasa de analfabetismo en
mujeres en el año 2010 y la menor en el año 2012. En el año 2018, sólo para la
región de Tumbes, incrementó este porcentaje de 3.2% a 3.3%.
Para la variable
dependiente – Desnutrición infantil, la región con menor tasa es Tumbes,
registrando un 12.8% para el año 2010 y un 7.4% para el año 2016. Lambayeque
presentó un mayor porcentaje de desnutrición infantil para el año 2010 (17.8%),
mientras que el menor porcentaje se dio en el año 2017 (10.5%). Seguidamente
encontramos a La Libertad, en donde para el año 2010 presentó un 26.1% de
desnutrición, disminuyendo a 12.2% para el año 2016. Para Piura el mayor
porcentaje de desnutrición se encontró en el año 2010 (22.9%) y el menor en el
año 2016 (15.3%), finalmente con los porcentajes más altos se encuentra
Cajamarca con un 40.5% de desnutrición para el año 2015 , reduciendo a 26% para
el año 2016. Sólo la región Cajamarca para el año 2018 incremento de 26.6% a
27.4%.
Tabla 2. Modelo de datos panel que
pronostica mejor la desnutrición infantil en cinco regiones del Norte Peruano en
el periodo 2010-2018.
|
|
Modelo de datos panel |
|
||||
|
|
MCO agrupados |
|
Efectos fijos |
|
Efectos aleatorios |
|
|
Incidencia
de la pobreza |
0.5398203 |
0.461336 |
|
0.5398203 |
||
|
Tasa
de analfabetismo |
0.3535067 |
0.6306148 |
|
0.3535067 |
||
|
0.2767282 |
|
-0.0860082 |
|
0.2767282 |
||
|
R-squared |
0.9020 |
0.8915 |
|
0.9020 |
||
|
F-statistic |
28.46 |
|
|
|||
|
Sigma_u |
0.06149364 |
|
0.16019034 |
|
0.06149364 |
|
|
Sigma_e |
0.1360752 |
|
0.1360752 |
|
0.1360752 |
|
|
rho |
0.16958831 |
|
0.5808613 |
|
0.16958831 |
|
La tabla 2
muestra los coeficientes del modelo de datos agrupados con coeficientes de 0.5398203, 0.5398203 y 0.2767282 para
la Incidencia de la pobreza, Tasa de analfabetismo y la constante
respectivamente; así mismo se evidencia el modelo de efectos fijos, siendo el
coeficiente de 0.461336 para la incidencia de la
pobreza, 0.6306148 para la tasa de
analfabetismo en mujeres de 15 a más años de edad y de -0.0860082 para la
constante; se puede apreciar que los coeficientes del modelo de efectos
aleatorios son iguales al del modelo de datos agrupados, se sustenta dicho
acontecimiento debido a que la varianza de %20Art%2002_archivos/image002.gif){kind=small}
es igual a cero, es decir%20Art%2002_archivos/image004.gif){kind=small}
,
por lo que no existe diferencia relevante entre los modelos, la misma que es
contrastada por la prueba del Multiplicador de Lagrange para Efectos Aleatorios
(p >5%). El modelo de datos agrupados reveló un R2 = 0.9020 al
igual que el de efectos aleatorios, el modelo de efectos fijo evidencia un R2
= 0.8915 .
Tabla 3. Prueba de Hausman para
determinar qué modelo pronostica mejor la desnutrición infantil en cinco
regiones del Norte Peruano en el periodo 2010-2018.
|
---- Coefficients ---- |
|||||
|
| (b) (B) (b-B) sqrt(diag(V_b-V_B)) |
|||||
|
| fe re Difference S.E. |
|||||
|
lnPobreza
| .461336 .5398203 -.0784843 .0455079 |
|||||
|
lnAnalfabe~o
| .6306148 .3535067 .2771081 .1660729 |
|||||
|
b = consistent under
Ho and Ha; obtained from xtreg |
|||||
|
B = inconsistent under
Ha, efficient under Ho; obtained from xtreg |
|||||
|
Test: Ho:
difference in coefficients not systematic |
|||||
|
chi2(2) =
(b-B)'[(V_b-V_B)^(-1)](b-B) |
|||||
|
=
3.89 |
|||||
|
Prob>chi2 = 0.1429 |
|||||
Formulación
de hipótesis
Ho: estimadores consistentes (considerar efectos
aleatorios)
H1: estimadores inconsistentes (considerar efectos
fijos)
Considerando
un p > 5% (p = 0.1429), se concluye que el modelo de efectos aleatorios es
el que pronostica
mejor la desnutrición infantil en cinco regiones del Norte Peruano en el
periodo 2010-2018.
Tabla 4. Modelo de efectos
aleatorios corregido a través de Errores Estándar Corregidos para Panel – PCSE,
por problemas de autocorrelación contemporánea
|
Modelo de efectos aleatorios |
||||
|
|
Coeficientes |
Significancia |
|
|
|
Incidencia
de la pobreza |
0.6163622 |
|
0.000 |
|
|
Tasa
de analfabetismo |
0.2683425 |
|
0.002 |
|
|
Constante |
0.2176073 |
|
0.219 |
|
|
R-squared |
0.9034 |
|
||
|
Wald
Chi2(2) |
459.1 |
|
||
Habiendo detectado problemas de
autocorrelación contemporánea, este se corrigió a través Errores Estándar
Corregidos para Panel – PCSE, determinando que el modelo de efectos aleatorios
en región y tiempo pronostica mejor la desnutrición infantil en cinco regiones
del Norte Peruano en el periodo 2010-2018.
4. Discusión
Al comparar nuestros resultados con los de Aldana7
en el que realiza un modelo de datos panel para la Relación entre las TIC´s y
el Crecimiento Económico en el periodo 2000 – 2016, si bien esta no es una
investigación enfocada en salud, fue de utilidad estudiar la forma de
tratamiento de los datos, ya que empleó un modelo de datos panel, para los
datos de este autor el que más se adecuó fue un modelo con efectos , así mismo
existe similitud en la dimensión temporal, ya que Aldana trabaja con un periodo
comprendido entre el 2000 y el 2016, sin embargo la diferencia se encuentra en
la dimensión
espacial, ya que este
estudio trabaja con cinco regiones, mientras que el autor trabajó con 14 países
de América latina y el Caribe. Es importante señalar que ambas investigaciones
realizaron ensayos estadísticos que acepten o nieguen la veracidad del modelo
con el fin de determinar la significancia de cada variable independiente.
Aldana señala que el modelo que mejor pronostica el impacto tecnológico es el
modelos de datos panel de efectos fijos , así mismo hizo uso de la prueba de
Hausman para corroborar la elección del modelo, entre sus resultados más
significantes encontró que las variables uso de internet, suscripción de banda
ancha fija , ingreso de telefonía móvil presentan un gran efecto en relación al
crecimiento económico.
Para el estudio de Romo8, titulado: Modelo
de datos de panel para el análisis del efecto de variables macroeconómicas en
los procedimientos concursales de Empresas españolas, cuyo objetivo principal
fue analizar el efecto de variables macroeconómicas en la variación del número
de procedimientos concursales en diez comunidades autónomas de España,
proponiendo un modelo de riesgo en función de la zona geográfica. El autor
propuso trabajar con una dimensión espacial de 10 comunidades autónomas y un
periodo del 2004 al 2015, con estas características aplicó un modelo de datos
panel, encontrando que su modelo presentó un coeficiente de determinación
explicado por el 53.8%, para el estudio que nosotros propusimos, encontramos un
coeficiente de determinación de 0.9034 (90.34%). Romo en su investigación
estimó un modelo de data panel de efectos fijos al igual que Santillini6,14
haciendo uso de desviaciones típicas robustas debido a problemas de
autocorrelación y heterocedasticidad, cabe mencionar que en nuestra
investigación sólo se presentaron problemas de autocorrelación contemporánea,
la misma que fue solucionada mediante los
Errores Estándar Corregidos para Panel – PCSE.
Según menciona Rodríguez, Freire y Pais9
que desarrolla un modelo de datos panel con las variables gasto público
sanitario y educativo para el bienestar de los países de la Organización para
la Cooperación y el Desarrollo Económicos – OCDE , para esta investigación
señalaron que el objeto principal fue analizar la efectividad que se presenta
en el sistema de gasto público en el sector educativo y el gasto nacional
sanitario en el estado de bienestar de la población, que será medido a través
del indicador IDH en países que según las estadísticas presentan un mayor
ingreso, para lograr la evaluación de las políticas de disminución en su
presupuesto de educación y sanidad en el desarrollo de bienestar. Para este análisis se hizo uso de la
información de 34 países que forman parte de la OCDE, el mismo que abarcó los
años de 1980 al 2013, sin embargo, para el análisis se redujeron los años de
1980 al 2011, ello debido a que en los últimos años se presentó ausencia de
datos. La investigación fue desarrollada bajo la técnica de datos de panel, la
cual empleó estimadores necesarios para que puedan cumplir con los requisitos
de un modelo econométrico de data panel. En la investigación de estos autores
se presentaron problemas de autocorrelación, heterocedasticidad y
autocorrelación contemporánea al momento de estimar su modelo, mientras que en
nuestro estudio sólo presentamos problemas de autocorrelación contemporánea, al
igual que en las investigaciones anteriores optaron por la robustez del modelo
para dar solución a estos inconvenientes.
Nos indica Martínez, Saavedra y Morones4,15
en su estudio, donde plasma un modelo de datos panel para el emprendimiento en
los países de la OCDE, aquí los autores analizaron el capital social como
factor de emprendimiento en los países
de la OCDE, aquí trabajaron un
modelo de panel
con efectos aleatorios según se determinó con la prueba
de Hausman, esta estimación resultó de igual manera a la investigación que
venimos presentando, ya que mediante la prueba de Hausman también se seleccionó
por un modelo de efectos aleatorios, entre sus resultados mostraron que las variables de capital social
impactaron efectivamente en la actividad de emprendimiento, evidenciado a
través de la
significancia de sus
variables, tal como se mostró en nuestra investigación, teniendo como única
diferencia es que el estudio que desarrollamos es el área de la salud, mientras
que Martínez, Saavedra y Morones se enfocaron en el sector empresarial.
Según refiere Carbajal, Carrillo y De Jesús5
que proponen un modelo de datos panel hacia la dinámica productiva del sector
automotriz, donde se analizó la correspondencia entre el sector automotriz en
los sujetos federales de la frontera norte de México (Baja California, Sonora,
Chihuahua, Coahuila, Nuevo León y Tamaulipas) y la dinámica de crecimiento de
la producción de la manufactura. Se contribuyó con certeza positiva en relación
a cómo la dinámica de desarrollo de la industria automotriz ha promovido el
progreso de la industria en la región. Se realizó una estimación con un modelo
con datos de panel para la fabricación de la industria en las entidades de la
frontera norte, en donde para cada una de las propuestas de las ecuaciones se
desarrolló mediante los modelos de efectos aleatorios y de efectos fijos,
aplicando las pruebas de Breusch y Pagan para lograr seleccionar entre la
consistencia de los modelos de datos agrupados y de efectos aleatorios, así
mismo para determinar si el modelo de efectos fijos o aleatorios era el más
adecuados se utilizó la prueba de Hausman , la misma que reveló una mejor
estimación con el de efectos fijos. En esta investigación los autores señalan
que se presentaron problemas de heteroscedasticidad y de autocorrelación, así
mismo indicaron que para dar solución a estos problemas utilizaron los PCSE o
Panel Corrected Standard Errors - Errores Estándar Corregidos para Panel ya que
son más exactos que los FGLS o Feasible Generalizad Least Squares - Mínimos
Cuadrados Generalizados Factibles. En nuestra investigación también se presentó
problemas pero sólo de autocorrelación contemporánea y al igual que estos
autores se le dió solución mediante los PCSE.
5. Conclusiones
Al analizar
la evolución de la incidencia de la pobreza total, tasa de analfabetismo de la
población femenina de 15 a más años y la desnutrición infantil en el norte
peruano en el norte peruano en el periodo 2010-2018, se encontró que Cajamarca
registra los porcentajes más altos en todas las variables para todos los años,
mientras que Tumbes presenta los porcentajes más bajos.
Haciendo uso
de la prueba de Hausman se determinó que el modelo de efectos aleatorios
pronostica mejor la desnutrición infantil en cinco regiones del Norte Peruano
en el periodo 2010-2018. (p > 5%, donde p = 0.1429).
Se llega a la
conclusión que el modelo de datos panel que pronostica
mejor la desnutrición infantil en cinco regiones del Norte Peruano en el
periodo 2010-2018, es el de efectos aleatorios de sección cruzada tanto para
región como para tiempo, con la corrección de Errores Estándar Corregidos para
Panel – PCSE, por problemas de autocorrelación contemporánea, siendo la
siguiente:
%20Art%2002_archivos/image006.gif){kind=small}
Para observaciones de la Región i y
el año t.
6. Referencias
1. Banco Mundial. [Internet]. Nutrición infantil: la inversión más
rentable del mundo. [Citado en
Noviembre del 2020]. Disponible en: http://www.bancomundial.org/es/news/feature/2016/05/
03/nutricion-infantil-la-inversion-mas-rentable-del-mundo-america-latina
2. Instituto Nacional de Estadística e
Informática-INEI. [Internet]. INEI:
desnutrición infantil disminuyó 5,2% en los últimos 5 años en el Perú. [Citado en Diciembre del 2020].
Disponible en: https://andina.pe/agencia/noticia-inei-desnutricion-infantil-disminuyo-52-los-ultimos-5-anos-el-peru-711991.aspx
3. Minchón C., Minchón D., Minchón M.
y Vizconde T. Modelos lineales generalizados para pronóstico de la anemia
infantil mediante factores asociados. UCV-Scientia, 2015; 7 (2), 128 – 134.
Disponible en: https://dialnet.unirioja.es/servlet/articulo?codigo=6181511
4. Martínez G., Saavedra R. y Morones
A. Capital Social como factor de emprendimiento en los países de la OCDE:
implementación de un modelo con datos de panel. Revista de métodos cuantitativos para la economía y la empresa,
2019; (30), 312 – 326. Disponible en: https://doi.org /10.46661/revmetodoscuanteconemp
resa.3512
5. Carbajal Y., Carrillo B. y De Jesús
L. Dinámica productiva del sector automotriz y la manufactura en la frontera
norte de México: Un análisis con datos de panel, 1980-2014. Frontera Norte,
2018; 30 (59), 29 - 56. Disponible en: https://doi.org/10.17428/rfn.v30i59.511
6. Santilli E. El riesgo país en
Sudamérica y México. Un estudio con datos de panel. Análisis económico, 2021;
36(91), 181-210. Disponible en: http://www.scielo.org.mx/scielo.php?script=sci _arttext&pid=S2448-66552021000100181&lang=es
7. Aldana D. Relación entre las TIC´s y el Crecimiento Económico: un análisis con
datos panel para América latina y el Caribe 2000 – 2016. [Trabajo de
investigación]. Colombia: Universidad católica de Colombia; 2018
8.
Romo
B. Modelo de datos de panel para el
análisis del efecto de variables macroeconómicas en los procedimientos
concursales de empresas españolas. [Investigación de Posgrado]. España:
Universidad Pontificia Comillas ICAI-ICADE; 2016
9.
Rodríguez
M., Freire M. y Pais C. El efecto del gasto público sanitario y educativo en la
determinación del bienestar de los países de la OCDE: un modelo con datos de
panel. Cuadernos de Economía,
2017; 41, 104-118. Disponible en:
https://doi.org/10.1016/j.cesjef.2017.05.001
10. Organización mundial de la salud.
[Internet]. El hambre en el mundo
sigue aumentando, advierte un nuevo informe de la ONU. [Citado en Enero
del 2021]. Disponible en: https://www.who.int/es/news-room/detail/11-09-2018-global-hunger-continues-to-rise---new-un-report-says
11. Resumen Latinoamericano.
[Internet]. Colombia: Desnutrición infantil supera los 500 mil casos. [Citado
en Febrero del 2021]. Disponible en: http://www.resumenlatinoamericano.org
/2019/03/07/colombia-desnutricion-infantil-supera-los-500-mil-casos/
12. Carracedo P. Metodología espacio-temporal con datos de
panel. Estudio de la mortalidad Europea, [Investigación de Posgrado]. España: Universidad Politécnica de
Valencia; 2017
13. Castillo S. y Calsin G. Factores
socioeconómicos que determinan la desnutrición crónica infantil en niños
menores de cinco años en el Perú – 2014. Semestre económico, 2017; 6 (1).
Disponible en: https://doi.org/10.26867/se.2017.1.61
14. Mat B., Saltuk M., Bahadir M.,
Cumhur A., Agah M. Fatores que afetam o preço do leite cru na Turquia usando
análise de dados em painel. Ciência Rural, 2021; 51(11). Disponible en: https://doi.org/10.1590/0103-8478cr20200937
15. Cardoso L., Bittencourt M., Porsse A. Demanda por
combustíveis leves no Brasil: uma abordagem usando modelos espaciais de dados
em painel. Nova Economia, 2020; 30(1). Disponible en: https://doi.org/10.1590/0103-6351/4327