Modelo estadístico: Obstáculos.

Modelos estadísticos

¿Qué importancia tienen los modelos estadísticos?

A lo largo de nuestra vida académica o laboral hemos tenido que desarrollar diversos trabajos y proyectos. Ya sea en calidad de estudiantes o como profesionistas el trabajo de investigación esta presente en nuestras vidas. Y con lo anterior mencionado nos enfrentamos a diversos problemas en nuestra investigación que van desde la planeación hasta las conclusiones. Y en un modelo estadístico no es la excepción.

El tema que nos ocupa esta ocasión esta orientado a esos obstáculos que debemos de librar antes de decir que nuestro modelo estadístico es significativo. Cuestiones que pueden surgir antes, durante o al concluir nuestro modelo.

1. Selección de variables de estudio.

Es imposible tener un modelo que sea perfecto desde un inicio cuando desde antes de comenzar nos enfrentamos a la dificultad de la selección de variables para nuestro estudio. No solo nos referimos a las variable explicativas que ya representan un problema ver si realmente tienen un impacto en el proyecto, sino a la misma variable.
Una mala determinación de variables puede hacer más factible el surgimiento de multicolinealidad, un elemento que veremos más adelante.

2. Obtención de datos.

Si bien esta cuestión no corresponde directamente al modelo o a la planeación del mismo suele ser uno de los principales obstáculos que se le presentan al investigador. Esto puede variar según los datos que se pretenda recopilar y de la entidad que este encargada de emitirlos.

Algunas de las dificultades se presentan a continuación:

  • El dato para un periodo especifico no se encuentra de igual manera que al resto.
  • El dato para un periodo especifico es distinto según la fuente de obtención.
  • La fuente presentan periodos donde no existe dato alguno.
  • La fuente no presenta referencias y carece de veracidad.
  • No hay datos disponibles por la entidad encargada de emitir dicha información.

3. Coeficiente de regresión no significativo.

Una de las cuestiones que a menudo suele enfrentar un investigador es que el coeficiente de regresión sea sumamente bajo, tanto que no sea capaz de considerarse significativo y que peor aun, ni recortando periodos este coeficiente pueda crecer.

Esto además de representar una dificultad puede ser una señal para cambiar las variables explicativas o en caso de no poder hacerlo dejar el modelo por ser inviable.

4. Los errores no se ajustan al modelo.

Ejemplo grafico de dispersión

Ya que hemos visto que nuestro modelo tiene un coeficiente de regresión alto, nuestro siguiente problema puede radicar en que el modelo presente errores que no se ajusten al modelo.

Las situaciones más usuales que ocurren en un modelo son las siguientes:

  • Multicolinealidad:
    Este es un problema que se presenta frecuentemente al realizar un modelo con múltiples variables explicativas y se suele dar cuando entre las mismas variables X se explican unas con otras. Esto se puede notar al comparar el coeficiente de regresión entre ellos y ver que son altos.
  • Heterocedasticidad:
    Al verificar que las variables de nuestros datos no se explican mutuamente debemos ver que presenten homocedasticidad y que a lo largo de las observaciones el error condicional no sea constante. En pocas palabras, que para un valor en X el valor en Y sea cambiante. Esto suele verse frecuentemente en series de datos transversales.
  • Autocorrelación:
    Uno de los obstáculos más comunes en un modelo estadístico de economía y finanzas suele ser la autocorrelación, que no es más que el que los datos predecesores de una variable en una serie temporal expliquen el resultado en el siguiente dato. Esto a menudo sucede en los precios de las acciones, donde el precio de un día anterior afecta directamente al del día siguiente.

5. Ecuación con signos incongruentes.

Lo ultimo por realizar en nuestro modelo es en base a las variables obtenidas y su constante o beta determinar nuestra ecuación. No obstante debemos estar seguro que el comportamiento de nuestras variables es congruente con la teoría.

A que nos referimos con esto, ¿Es congruente que si el precio de un bien disminuye el producto disminuyan sus ventas? ¿Tiene sentido que si la inversión en un país aumenta el PIB del mismo decrezca? o más aplicado a la movilidad y el transporte ¿Es lógico que la cantidad de viajes decrezca a medida que el poder adquisitivo de los hogares crece?
La respuesta a todas esas preguntas sería no, es ilógico cualquiera de los anteriores supuestos, a esto nos referimos con signos incongruentes.

Conclusiones.

En resumen, podemos decir que para afirmar que un modelo estadístico es estadísticamente significativo y congruente debemos pasar por muchas etapas previas y librar los distintos obstáculos que se presentaran ya sea por motivos estadísticos, teóricos o de investigación. En adición a ello debemos ser capaces de determinar que acciones tomar en caso de toparnos con alguna de las dificultades presentadas, pero eso lo veremos en otra ocasión.

Pero ahora turno para nuestros lectores ¿Qué te pareció el articulo? ¿Coincides con los puntos mencionados? o por el contrario ¿Consideras que alguno esta demás? ¿Falto alguno por mencionar? ¿Cual?

¡Déjanos tus comentarios!

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *