Professional Documents
Culture Documents
Codigos
Codigos
install.packages("foreign")
library(foreign)
# Tomado de la UNIVERSIDAD DE PRINCETON:
Panel <- read.dta("http://dss.princeton.edu/training/Panel101.dta")
View(Panel)
x11()
coplot(y ~ year|country, type="l", data=Panel) # he graficado la variable endogena en funcion
de
# a?o y por individuo, y la data que uso es nombre panel
# sirve para estudiar la heterogeneidad grafica de cada individuo(cada pais)
# el coplot me permite graficar muchos individuos a trav?s del tiempo
#el grafico de arriba solo me dice que tengo 7 individuos
# por lo tanto existe heterogeneidad entre individuos por que no tienen una misma tendencia
# entre los paises
# Lines
# le digo q en y me grafique el a?o por individuo
x11()
coplot(y ~ year|country, type="b", data=Panel) # Points and lines
# Bars at top indicates corresponding graph (i.e. countries)
# from left to right starting on the bottom row
install.packages("car")
library(car)
x11()
scatterplot(y~year|country, boxplots=FALSE, smooth=TRUE, reg.line=FALSE, data=Panel)
library(haven)
Trim_Nov_Dic_Ene18 <- read_sav("C:/Users/PC03/Downloads/593-Modulo76/Trim Nov-Dic-
Ene18.sav")
View(Trim_Nov_Dic_Ene18)
# Heterogeneidad:
install.packages("gplots")
library(gplots)
plotmeans(y ~ country, main="Heterogeneidad por Departamentos", data=Panel)
x11()
plotmeans(y ~ year, main="Heterogeneidad por Años", data=Panel) #se muestra un analisis de
todos
# los paises agrupados por a?o en el anterior era a?os por cada pais
# ejemplo en 1990 se observa menor importacion en conjunto de todos los paises
#detach("package:gplots") para borrar
#?Qu? pasar?a si no consideramos la Heterogeneidad?
#Ejercicio: Corra un modelo considerando una constante igual para todos los
#individuos (i=A,B,C,D,E,F,G) y comparelo con un modelo donde se
#tiene una constante para cada individuo (i=A,B,C,D,E,F,G) y comente lo que
#pasa con sus variables en ambos modelos.
#Ayuda, primero corra un modelo simple, donde no se considere el panel, es
#decir corra una regresi?n (pooled, agrupado, todos los datos en "y" son sin considerar
#la indivualidad). Luego corra un modelo con una dummy para cada
#individuo (i=A,B,C,D,E,F,G), use el comando factor del R.
# Vemos que x1 mejora, porque con EFECTOS FIJOS hemos modelado la HETEROGENEIDAD.
# GRAFICAMOS POR PAISES:
ypreEF=mod1EFIJOSDummy$fitted.values
x11()
scatterplot(ypreEF~Panel$x1|Panel$country, boxplots=FALSE,smooth=FALSE, xlab="x1",
ylab="y Prede")
aleatorio<- plm(y~x1,data=Panel,index=c("country","year"),model="random")
summary(aleatorio)
library(nnet)
set.seed(123)
str(datos_transportes)
summary(modelo_transportes)
INTERPRETACIÓN
```
Call:
data = datos_transportes)
Coefficients:
Std. Errors:
AIC: 451.9684
```
INTERPRETACIÓN
- "Bicicleta":
- "Coche":
- Los coeficientes para "Coche" siguen un patrón similar, pero representan cómo cambian las
odds de elegir "Coche" en lugar de "Autobús".
Las interpretaciones detalladas de los coeficientes implican evaluar cómo cada variable
independiente afecta las probabilidades de elegir "Bicicleta" o "Coche" en comparación con
"Autobús" en función de los valores de esas variables. Los coeficientes positivos o negativos
indican si la probabilidad de elegir una categoría aumenta o disminuye en relación con la
categoría de referencia ("Autobús"). Los valores de los errores estándar proporcionan
información sobre la precisión de estas estimaciones.
install.packages("VGAM")
library(VGAM)
set.seed(123)
INTERPRETACIÓN
En resumen, los coeficientes indican cómo las variables Edad e Ingresos influyen
en la probabilidad de pertenecer a niveles educativos superiores en comparació n
con el nivel de referencia (Bachillerato). Los coeficientes positivos en Edad
sugieren que un aumento en la Edad tiende a aumentar las probabilidades de
niveles educativos superiores. Los coeficientes positivos en Ingresos indican un
efecto similar, pero mucho más pequeño, de los ingresos en el nivel de
educación.