“impacto de las variables que inciden en la tasa de la prevalencia de desnutriciÓn...
TRANSCRIPT
FACULTAD DE CIENCIAS EMPRESARIALES
Economía y Negocios Internacionales
“IMPACTO DE LAS VARIABLES QUE INCIDEN EN LA
TASA DE LA PREVALENCIA DE DESNUTRICIÓN PARA PAÍSES EN DESARROLLO DURANTE 1995 –
2014”
Tesis para optar el Título Profesional de Licenciado en
Economía y Negocios Internacionales
LUIS AUGUSTO MAYA VELARDE
Asesor:
Dr. Leopoldo José Taddei Diez
Lima- Perú
2017
“Impacto de las variables que inciden en la tasa de la prevalencia de
desnutrición para países en desarrollo durante 1995 – 2014”
Fecha de Sustentación y Aprobación: Jueves 16 de Noviembre del 2017.
Presidente de Jurado
Mg. González Taranco, Carlos
Jurados:
Mg. Pereyra Ayala, José Luis
Mg. Mougenot, Benoit
Dedicatoria:
“Dedico este pequeño logro de mi vida
primeramente a Dios, seguidamente a mis
padres y a mi hermano por estar siempre a
mi lado, alentadome día a día para nunca
perder el rumbo de mis metas y poder
finalizar lo que un día se empezó como un
reto y hoy se pudo concluir
satisfactoriamente, por todo eso y mucho
más este logro es de ellos y para ellos”.
INDICE DE CONTENIDOS
RESUMEN ...................................................................................................................... 26
ABSTRACT ..................................................................................................................... 27
INTRODUCCIÓN ............................................................................................................ 29
CAPÍTULO I: INTRODUCCIÓN ..................................................................................... 33
1. Problema de investigación .................................................................................. 33
1.1 Planteamiento del problema. ....................................................................... 33
1.1 Justificación de la investigación ................................................................... 34
1.2 Formulación del problema ........................................................................... 35
1.1.1 Problema General: ................................................................................ 35
1.2.1 Problemas específicos: ......................................................................... 35
2. Marco referencial ................................................................................................. 37
2.1 Antecedentes .................................................................................................... 37
2.2 Marco teórico..................................................................................................... 46
3. Objetivos e hipótesis ........................................................................................... 57
3.1 Objetivos....................................................................................................... 57
3.1.2 Objetivo General ................................................................................... 57
3.1.3 Objetivo Específico ............................................................................... 57
3.2 Hipótesis ....................................................................................................... 59
3.2.2 Hipótesis General ................................................................................. 59
3.2.3 Hipótesis Especificas ............................................................................ 60
CAPÍTULO II: METODOLOGÍA ..................................................................................... 62
4 Método ................................................................................................................. 62
4.1.2 Tipo de investigación ............................................................................ 62
4.1.3 Diseño de investigación ........................................................................ 63
4.2 Variables ....................................................................................................... 63
4.2.1 Tipo de variable .................................................................................... 63
4.2.2 Operacionalización de variables........................................................... 65
4.3 Población y muestra ..................................................................................... 69
4.3.2 Población .............................................................................................. 69
4.3.3 Muestra ................................................................................................. 69
4.3.4 Unidad de análisis ................................................................................. 69
4.4 Técnica e instrumento de investigación ...................................................... 70
4.4.2 Técnicas de investigación..................................................................... 70
4.5 Procedimiento de recolección de datos ....................................................... 70
4.6 Plan de análisis ............................................................................................ 71
CAPÍTULO III: RESULTADOS ....................................................................................... 73
5 PRESENTACIÓN DE RESULTADOS ................................................................ 73
5.1 Análisis Gráfico de las Series ...................................................................... 73
5.2 Estadísticas Descriptivas de las series........................................................ 79
5.3 Matriz de correlación de las series .............................................................. 85
5.4 Transformación Logarítmica de las series ................................................... 91
5.5 Verificación de la Estacionariedad de las series ......................................... 92
5.6 Verificación de la Causalidad entre las series ............................................. 94
5.7 Estimación de los Modelos de datos de panel .......................................... 101
5.8 Especificación de los Modelos de datos de panel ..................................... 102
5.9 Modelos de Efectos Fijos y de Efectos Aleatorios para cada subcontinente
analizado ............................................................................................................... 106
5.9.1 Modelos a estimar para el subcontinente de América del Sur .......... 106
5.9.2 Modelos a estimar para el subcontinente de América Central y el
Caribe………. .................................................................................................... 110
5.9.3 Modelos a estimar para el subcontinente de África del Norte y
Occidental .......................................................................................................... 112
5.9.4 Modelos a estimar para el subcontinente de África del Sur, Oriente y
Central…….. ...................................................................................................... 115
5.9.5 Modelos a estimar para el subcontinente de Asia ............................. 118
5.10 Detalle del Análisis Econométrico a realizar con los Modelos de Efectos
Fijos y de Efectos Aleatorios ................................................................................. 120
5.11 Presentación de resultados de los modelos a estimar y de los tests
econométricos a usar para cada subcontinente analizado .................................. 126
5.11.1 Resultados para el subcontinente de América del Sur ...................... 127
5.11.2 Resultados para el subcontinente de América Central y el Caribe ... 150
5.11.3 Resultados para el subcontinente de África del Norte y Occidental.. 165
5.11.4 Resultados para el subcontinente de África del Sur, Oriente y
Central…… ........................................................................................................ 181
5.11.5 Resultados para el subcontinente de Asia ......................................... 197
6 Discusión ........................................................................................................... 218
7 Conclusiones ..................................................................................................... 227
8 Recomendaciones ............................................................................................. 232
REFERENCIAS ............................................................................................................ 235
ANEXOS ....................................................................................................................... 241
6
INDICE DE FIGURAS
Figura 1: Evolución de la Prevalencia de la Desnutrición en América del Sur
Figura 2: Evolución de la Prevalencia de la Desnutrición en América Central
Figura 3: Evolución de la Prevalencia de la Desnutrición en África del Norte y
Occidental
Figura 4: Evolución de la Prevalencia de la Desnutrición en África del Sur,
Oriente y Central
Figura 5: Evolución de la Prevalencia de la Desnutrición en Asia
Figura 6: Data de la Tasa de prevalencia de desnutrición para América del sur
Figura 7: Data de la Tasa de prevalencia de desnutrición para América del
Centro y el caribe
Figura 8: Data de la Tasa de prevalencia de desnutrición para África del Norte
y Occidental
Figura 9: Data de la Tasa de prevalencia de desnutrición para África del Sur,
Oriente y Central
Figura 10: Data de la Tasa de prevalencia de desnutrición para Asia
Figura 11: Data de la Tasa de desempleo para América del sur
Figura 12: Data de la Tasa de desempleo para América del Centro y el caribe
Figura 13: Data de la Tasa de desempleo para África del Norte y Occidental
Figura 14: Data de la Tasa de desempleo para África del Sur, Oriente y Central
Figura 15: Data de la Tasa de desempleo de desnutrición para Asia
Figura 16: Data del gasto en salud per cápita para América del sur
Figura 17: Data del gasto en salud per cápita para América del Centro y el
caribe
Figura 18: Data del gasto en salud per cápita para África del Norte y
Occidental
Figura 19: Data del gasto en salud per cápita para África del Sur, Oriente y
Central
Figura 20: Data del gasto en salud per cápita para Asia
Figura 21: Data del ingreso nacional bruto per cápita para América del sur
Figura 22: Data del ingreso nacional bruto per cápita para América del Centro
y el caribe
Figura 23: Data del ingreso nacional bruto per cápita para África del Norte y
Occidental
7
Figura 24: Data del ingreso nacional bruto per cápita para África del Sur,
Oriente y Central
Figura 25: Data del ingreso nacional bruto per cápita para Asia
Figura 26: Data del número de hijos por mujer para América del sur
Figura 27: Data del número de hijos por mujer para América del Centro y el
caribe
Figura 28: Data del número de hijos por mujer para África del Norte y
Occidental
Figura 29: Data número de hijos por mujer para África del Sur, Oriente y
Central
Figura 30: Data número de hijos por mujer para Asia
Figura 31: Data de la Tasa de acceso de agua de la población para América
del sur
Figura 32: Data de la Tasa de acceso de agua de la población para América
del Centro y el caribe
Figura 33: Data de la Tasa de acceso de agua de la población para África del
Norte y Occidental
Figura 34: Data de la Tasa de acceso de agua de la población para África del
Sur, Oriente y Central
Figura 35: Data de la Tasa de acceso de agua de la población para Asia
Figura 36: Data de la Tasa de mejora de las instalaciones sanitarias para
América del sur
Figura 37: Data de la Tasa de mejora de las instalaciones sanitarias para
América del Centro y el caribe
Figura 38: Data de la Tasa de mejora de las instalaciones sanitarias para
África del Norte y Occidental
Figura 39: Data de la Tasa de mejora de las instalaciones sanitarias para
África del Sur, Oriente y Central
Figura 40: Data de la Tasa de mejora de las instalaciones sanitarias para Asia
Figura 41: Data del Promedio de años de escolaridad para América del sur
Figura 42: Data del Promedio de años de escolaridad para América del Centro
y el caribe
Figura 43: Data del Promedio de años de escolaridad para África del Norte y
Occidental
Figura 44: Data del Promedio de años de escolaridad para África del Sur,
Oriente y Central
8
Figura 45: Data del Promedio de años de escolaridad para Asia
Figura 46: Evolución de la Tasa de Desempleo en América del Sur
Figura 47: Evolución del Gasto en Salud per Cápita en América del Sur
Figura 48: Evolución del Ingreso Nacional Bruto per Cápita en América del Sur
Figura 49: Evolución del Número de Hijos por Mujer en América del Sur
Figura 50: Evolución de la Tasa de Acceso al Agua Potable en América del Sur
Figura 51: Evolución de la Tasa de Mejora de las Instalaciones Sanitarias en
América del Sur
Figura 52: Evolución de los Años Promedio de Escolaridad en América del Sur
Figura 53: Evolución de la Tasa de Desempleo en América Central
Figura 54: Evolución del Gasto en Salud per Cápita en América Central
Figura 55: Evolución del Ingreso Nacional Bruto per Cápita en América Central
Figura 56: Evolución del Número de Hijos por Mujer en América Central
Figura 57: Evolución de la Tasa de Acceso al Agua Potable en América
Central
Figura 58: Evolución de la Tasa de Mejora de las Instalaciones Sanitarias en
América Central
Figura 59: Evolución de los Años Promedio de Escolaridad en América Central
Figura 60: Evolución de la Tasa de Desempleo en África del Norte y Occidental
Figura 61: Evolución del Gasto en Salud per Cápita en África del Norte y
Occidental
Figura 62: Evolución del Ingreso Nacional Bruto per Cápita en África del Norte
y Occidental
Figura 63: Evolución del Número de Hijos por Mujer en África del Norte y
Occidental
Figura 64: Evolución de la Tasa de Acceso al Agua Potable en África del Norte
y Occidental
Figura 65: Evolución de la Tasa de Mejora de las Instalaciones Sanitarias en
África del Norte y Occidental
Figura 66: Evolución de los Años Promedio de Escolaridad en África del Norte
y Occidental
Figura 67: Evolución de la Tasa de Desempleo en África del Sur, Oriente y
Central
Figura 68: Evolución del Gasto en Salud per Cápita en África del Sur, Oriente y
Central
9
Figura 69: Evolución del Ingreso Nacional Bruto per Cápita en África del Sur,
Oriente y Central
Figura 70: Evolución del Número de Hijos por Mujer en África del Sur, Oriente
y Central
Figura 71: Evolución de la Tasa de Acceso al Agua Potable en África del Sur,
Oriente y Central
Figura 72: Evolución de la Tasa de Mejora de las Instalaciones Sanitarias en
África del Sur, Oriente y Central
Figura 73: Evolución de los Años Promedio de Escolaridad en África del Sur,
Oriente y Central
Figura 74: Evolución de la Tasa de Desempleo en Asia
Figura 75: Evolución del Gasto en Salud per Cápita en Asia
Figura 76: Evolución del Ingreso Nacional Bruto per Cápita en Asia
Figura 77: Evolución del Número de Hijos por Mujer en Asia
Figura 78: Evolución de la Tasa de Acceso al Agua Potable en Asia
Figura 79: Evolución de la Tasa de Mejora de las Instalaciones Sanitarias en
Asia
Figura 80: Evolución de los Años Promedio de Escolaridad en Asia
Figura 81: Estadísticas de la Tasa de Prevalencia de la Desnutrición en
América del Sur
Figura 82: Estadísticas de la Tasa de Desempleo en América del Sur
Figura 83: Estadísticas del Gasto en Salud per Cápita en América del Sur
Figura 84: Estadísticas del Ingreso Nacional Bruto per Cápita en América del
Sur
Figura 85: Estadísticas del Número de Hijos por Mujer en América del Sur
Figura 86: Estadísticas de la Tasa de Acceso al Agua Potable en América del
Sur
Figura 87: Estadísticas de la Tasa de Mejoras de las Instalaciones Sanitarias
en América del Sur
Figura 88: Estadísticas de los Años Promedio de Escolaridad en América del
Sur
Figura 89: Estadísticas de la Tasa de Prevalencia de la Desnutrición en
América Central
Figura 90: Estadísticas de la Tasa de Desempleo en América Central
Figura 91: Estadísticas del Gasto en Salud per Cápita en América Central
10
Figura 92: Estadísticas del Ingreso Nacional Bruto per Cápita en América
Central
Figura 93: Estadísticas del Número de Hijos por Mujer en América Central
Figura 94: Estadísticas de la Tasa de Acceso al Agua Potable en América
Central
Figura 95: Estadísticas de la Tasa de Mejoras de las Instalaciones Sanitarias
en América Central
Figura 96: Estadísticas de los Años Promedio de Escolaridad en América
Central
Figura 97: Estadísticas de la Tasa de Prevalencia de la Desnutrición en África
del Norte y Occidental
Figura 98: Estadísticas de la Tasa de Desempleo en África del Norte y
Occidental
Figura 99: Estadísticas del Gasto en Salud per Cápita en África del Norte y
Occidental
Figura 100: Estadísticas del Ingreso Nacional Bruto per Cápita en África del
Norte y Occidental
Figura 101: Estadísticas del Número de Hijos por Mujer en África del Norte y
Occidental
Figura 102: Estadísticas de la Tasa de Acceso al Agua Potable en África del
Norte y Occidental
Figura 103: Estadísticas de la Tasa de Mejoras de las Instalaciones Sanitarias
en África del Norte y Occidental
Figura 104: Estadísticas de los Años Promedio de Escolaridad en África del
Norte y Occidental
Figura 105: Estadísticas de la Tasa de Prevalencia de la Desnutrición en África
del Sur, Oriente y Central
Figura 106: Estadísticas de la Tasa de Desempleo en África del Sur, Oriente y
Central
Figura 107: Estadísticas del Gasto en Salud per Cápita en África del Sur,
Oriente y Central
Figura 108: Estadísticas del Ingreso Nacional Bruto per Cápita en África del
Sur, Oriente y Central
Figura 109: Estadísticas del Número de Hijos por Mujer en África del Sur,
Oriente y Central
11
Figura 110: Estadísticas de la Tasa de Acceso al Agua Potable en África del
Sur, Oriente y Central
Figura 111: Estadísticas de la Tasa de Mejoras de las Instalaciones Sanitarias
en África del Sur, Oriente y Central
Figura 112: Estadísticas de los Años Promedio de Escolaridad en África del
Sur, Oriente y Central
Figura 113: Estadísticas de la Tasa de Prevalencia de la Desnutrición en Asia
Figura 114: Estadísticas de la Tasa de Desempleo en Asia
Figura 115: Estadísticas del Gasto en Salud per Cápita en Asia
Figura 116: Estadísticas del Ingreso Nacional Bruto per Cápita en Asia
Figura 117: Estadísticas del Número de Hijos por Mujer en Asia
Figura 118: Estadísticas de la Tasa de Acceso al Agua Potable en Asia
Figura 119: Estadísticas de la Tasa de Mejoras de las Instalaciones Sanitarias
en Asia
Figura 120: Estadísticas de los Años Promedio de Escolaridad en Asia
Figura 121: FDPN de la Tasa de Prevalencia de la Desnutrición en América del
Sur
Figura 122: FDPN de la Tasa de Desempleo en América del Sur
Figura 123: FDPN del Gasto en Salud per Cápita en América del Sur
Figura 124: FDPN del Ingreso Nacional Bruto per Cápita en América del Sur
Figura 125: FDPN del Número de Hijos por Mujer en América del Sur
Figura 126: FDPN de la Tasa de Acceso al Agua Potable en América del Sur
Figura 127: FDPN de la Tasa de Mejora de las Instalaciones Sanitarias en
América del Sur
Figura 128: FDPN de los Años Promedio de Escolaridad en América del Sur
Figura 129: FDPN de la Tasa de Prevalencia de la Desnutrición en América
Central
Figura 130: FDPN de la Tasa de Desempleo en América Central
Figura 131: FDPN del Gasto en Salud per Cápita en América Central
Figura 132: FDPN del Ingreso Nacional Bruto per Cápita en América Central
Figura 133: FDPN del Número de Hijos por Mujer en América Central
Figura 134: FDPN de la Tasa de Acceso al Agua Potable en América Central
Figura 135: FDPN de la Tasa de Mejora de las Instalaciones Sanitarias en
América Central
Figura 136: FDPN de los Años Promedio de Escolaridad en América Central
12
Figura 137: FDPN de la Tasa de Prevalencia de la Desnutrición en África del
Norte y Occidental
Figura 138: FDPN de la Tasa de Desempleo en África del Norte y Occidental
Figura 139: FDPN del Gasto en Salud per Cápita en África del Norte y
Occidental
Figura 140: FDPN del Ingreso Nacional Bruto per Cápita en África del Norte y
Occidental
Figura 141: FDPN del Número de Hijos por Mujer en África del Norte y
Occidental
Figura 142: FDPN de la Tasa de Acceso al Agua Potable en África del Norte y
Occidental
Figura 143: FDPN de la Tasa de Mejora de las Instalaciones Sanitarias en
África del Norte y Occidental
Figura 144: FDPN de los Años Promedio de Escolaridad en África del Norte y
Occidental
Figura 145: FDPN de la Tasa de Prevalencia de la Desnutrición en África del
Sur, Oriente y Central
Figura 146: FDPN de la Tasa de Desempleo en África del Sur, Oriente y
Central
Figura 147: FDPN del Gasto en Salud per Cápita en África del Sur, Oriente y
Central
Figura 148: FDPN del Ingreso Nacional Bruto per Cápita en África del Sur,
Oriente y Central
Figura 149: FDPN del Número de Hijos por Mujer en África del Sur, Oriente y
Central
Figura 150: FDPN de la Tasa de Acceso al Agua Potable en África del Sur,
Oriente y Central
Figura 151: FDPN de la Tasa de Mejora de las Instalaciones Sanitarias en
África del Sur, Oriente y Central
Figura 152: FDPN de los Años Promedio de Escolaridad en África del Sur,
Oriente y Central
Figura 153: FDPN de la Tasa de Prevalencia de la Desnutrición en Asia
Figura 154: FDPN de la Tasa de Desempleo en Asia
Figura 155: FDPN del Gasto en Salud per Cápita en Asia
Figura 156: FDPN del Ingreso Nacional Bruto per Cápita en Asia
Figura 157: FDPN del Número de Hijos por Mujer en Asia
13
Figura 158: FDPN de la Tasa de Acceso al Agua Potable en Asia
Figura 159: FDPN de la Tasa de Mejora de las Instalaciones Sanitarias en Asia
Figura 160: FDPN de los Años Promedio de Escolaridad en Asia
Figura 161: Diagrama de la espina de pez Ishikawa
Figura 162: Diagrama del árbol de problemas
INDICE DE CUADROS
C
uadro 1: Tabla descriptiva de las variables
C
uadro 2: Tabla descriptiva de la Operacionalización de variables}
Cuadro 3: Tabla resumen del Impacto de las variables que inciden en la tasa
de la prevalencia de desnutrición para países en desarrollo durante 1995 –
2014
C
uadro 4: Estadísticas descriptivas de las variables a usar en el modelo para
América del Sur
C
uadro 5: Estadísticas descriptivas de las variables a usar en el modelo para
América Central
C
uadro 6: Estadísticas descriptivas de las variables a usar en el modelo para
África del Norte y Occidental
C
uadro 7: Estadísticas descriptivas de las variables a usar en el modelo para
África del Sur, Oriente y Central
C
uadro 8: Estadísticas descriptivas de las variables a usar en el modelo para
Asia
C
uadro 9: Principales correlaciones en el modelo de investigación para América
del Sur
14
C
uadro 10: Principales correlaciones en el modelo de investigación para
América Central
C
uadro 11: Principales correlaciones en el modelo de investigación para África
del Norte y Occidental
C
uadro 12: Principales correlaciones en el modelo de investigación para África
del Sur, Oriente y Central
C
uadro 13: Principales correlaciones en el modelo de investigación para Asia
C
uadro 14: Especificación logarítmica de las series que conforman los modelos
a estimar en cada subcontinente analizado
C
uadro 15: Series de tiempo integradas del modelo de investigación propuesto
para cada subcontinente
C
uadro 16: Relaciones de causalidad entre las series del modelo a estimar para
cada subcontinente
C
uadro 17: Resultados del Test de Causalidad de Granger para las relaciones
de causalidad del modelo a estimar en el subcontinente de América del Sur
C
uadro 18: Resultados del Test de Causalidad de Granger para las relaciones
de causalidad del modelo a estimar en el subcontinente de América Central
C
uadro 19: Resultados del Test de Causalidad de Granger para las relaciones
de causalidad del modelo a estimar en el subcontinente de África del Norte y
Occidental
C
uadro 20: Resultados del Test de Causalidad de Granger para las relaciones
de causalidad del modelo a estimar en el subcontinente de África del Sur,
Oriente y Central
C
uadro 21: Resultados del Test de Causalidad de Granger para las relaciones
de causalidad del modelo a estimar en el subcontinente de Asia
15
C
uadro 22: Estimación del Modelo de Efectos Fijos inicial para el subcontinente
de América del Sur
C
uadro 23: Verificación de la normalidad de errores en el modelo de efectos
fijos inicial para el subcontinente de América del Sur
C
uadro 24: Corrección de la no normalidad en el modelo de efectos fijos inicial
para el subcontinente de América del Sur – Detección de las fechas de quiebre
C
uadro 25: Corrección de la no normalidad en el modelo de efectos fijos inicial
para el subcontinente de América del Sur – Verificación de la normalidad de
errores para diferentes fechas de quiebres detectadas
C
uadro 26: Estimación del Modelo de Efectos Fijos corregido (modelo EFM_1D)
para el subcontinente de América del Sur
C
uadro 27: Verificación de la correcta especificación del Modelo EFM_1D
mediante el Test de Variables Redundantes
C
uadro 28: Estimación del nuevo Modelo de Efectos Fijos corregido (modelo
EFM1_1D) para el subcontinente de América del Sur
C
uadro 29: Verificación de la normalidad de errores en el modelo EFM1_1D
para el subcontinente de América del Sur
C
uadro 30: Corrección de la no normalidad en el modelo EFM1_1D para el
subcontinente de América del Sur – Detección de las fechas de quiebre
C
uadro 31: Corrección de la no normalidad en el modelo EFM1_1D para el
subcontinente de América del Sur – Verificación de la normalidad de errores
para diferentes fechas de quiebres detectadas
C
uadro 32: Estimación del nuevo Modelo de Efectos Fijos corregido (modelo
EFM1_3D) para el subcontinente de América del Sur
16
C
uadro 33: Estimación del Modelo de Efectos Aleatorios inicial para el
subcontinente de América del Sur
C
uadro 34: Verificación de la normalidad de errores en el modelo de efectos
aleatorios inicial para el subcontinente de América del Sur
C
uadro 35: Resultados del Test de Hausman para el subcontinente de América
del Sur
C
uadro 36: Verificación de la significancia individual de los efectos fijos
estimados en el modelo EFM1_3D para el subcontinente de América del Sur
C
uadro 37: Estimación del Modelo de Efectos Fijos inicial para el subcontinente
de América Central y el Caribe
C
uadro 38: Verificación de la normalidad de errores en el modelo de efectos
fijos inicial para el subcontinente de América Central y el Caribe
C
uadro 39: Verificación de la correcta especificación del Modelo de Efectos
Fijos inicial mediante el Test de Variables Redundantes
C
uadro 40: Estimación del Modelo de Efectos Fijos corregido (modelo EFM1)
para el subcontinente de América Central y el Caribe
C
uadro 41: Verificación de la normalidad de errores en el modelo EFM1 para el
subcontinente de América Central y el Caribe
C
uadro 42: Estimación del Modelo de Efectos Aleatorios inicial para el
subcontinente de América Central y el Caribe
C
uadro 43: Verificación de la normalidad de errores en el modelo de efectos
aleatorios inicial para el subcontinente de América Central y el Caribe
C
uadro 44: Resultados del Test de Hausman para el subcontinente de América
Central y el Caribe
17
C
uadro 45: Verificación de la significancia grupal de los efectos fijos estimados
en el modelo EFM1 para el subcontinente de América Central y el Caribe
C
uadro 46: Estimación del Modelo de Efectos Fijos inicial para el subcontinente
de África del Norte y Occidental
C
uadro 47: Verificación de la normalidad de errores en el modelo de efectos
fijos inicial para el subcontinente de África del Norte y Occidental
C
uadro 48: Verificación de la correcta especificación del Modelo de Efectos
Fijos inicial mediante el Test de Variables Redundantes
C
uadro 49: Estimación del Modelo de Efectos Fijos corregido (modelo EFM1)
para el subcontinente de África del Norte y Occidental
C
uadro 50: Verificación de la normalidad de errores en el modelo EFM1 para el
subcontinente de África del Norte y Occidental
C
uadro 51: Estimación del Modelo de Efectos Aleatorios inicial para el
subcontinente de África del Norte y Occidental
C
uadro 52: Verificación de la normalidad de errores en el modelo de efectos
aleatorios inicial para el subcontinente de África del Norte y Occidental
C
uadro 53: Resultados del Test de Hausman para el subcontinente de África del
Norte y Occidental
C
uadro 54: Verificación de la significancia grupal de los efectos fijos estimados
en el modelo EFM1 para el subcontinente de África del Norte y Occidental
C
uadro 55: Estimación del Modelo de Efectos Fijos inicial para el subcontinente
de África del Sur, Oriente y Central
C
uadro 56: Verificación de la normalidad de errores en el modelo de efectos
fijos inicial para el subcontinente de África del Sur, Oriente y Central
18
C
uadro 57: Verificación de la correcta especificación del Modelo de Efectos
Fijos inicial mediante el Test de Variables Redundantes
C
uadro 58: Estimación del Modelo de Efectos Fijos corregido (modelo EFM1)
para el subcontinente de África del Sur, Oriente y Central
C
uadro 59: Verificación de la normalidad de errores en el modelo EFM1 para el
subcontinente de África del Sur, Oriente y Central
C
uadro 60: Estimación del Modelo de Efectos Aleatorios inicial para el
subcontinente de África del Sur, Oriente y Central
C
uadro 61: Verificación de la normalidad de errores en el modelo de efectos
aleatorios inicial para el subcontinente de África del Sur, Oriente y Central
C
uadro 62: Resultados del Test de Hausman para el subcontinente de África del
Sur, Oriente y Central
C
uadro 63: Verificación de la significancia grupal de los efectos fijos estimados
en el modelo EFM1 para el subcontinente de África del Sur, Oriente y Central
C
uadro 64: Estimación del Modelo de Efectos Fijos inicial para el subcontinente
de Asia
C
uadro 65: Verificación de la normalidad de errores en el modelo de efectos
fijos inicial para el subcontinente de Asia
C
uadro 66: Verificación de la correcta especificación del Modelo de Efectos
Fijos inicial mediante el Test de Variables Redundantes – Parte 1
C
uadro 67: Verificación de la correcta especificación del Modelo de Efectos
Fijos inicial mediante el Test de Variables Redundantes – Parte 2
C
uadro 68: Verificación de la correcta especificación del Modelo de Efectos
Fijos inicial mediante el Test de Variables Redundantes – Parte 3
19
C
uadro 69: Estimación del Modelo de Efectos Fijos corregido (modelo EFM1)
para el subcontinente de Asia
C
uadro 70: Verificación de la normalidad de errores en el modelo EFM1 para el
subcontinente de Asia
C
uadro 71: Estimación del Modelo de Efectos Aleatorios inicial para el
subcontinente de Asia
C
uadro 72: Verificación de la normalidad de errores en el modelo de efectos
aleatorios inicial para el subcontinente de Asia
C
uadro 73: Resultados del Test de Hausman para el subcontinente de Asia
C
uadro 74: Verificación de la significancia grupal de los efectos fijos estimados
en el modelo EFM1 para el subcontinente de Asia
C
uadro 75: Impactos porcentuales de los verdaderos determinantes de la Tasa
de Prevalencia de la Desnutrición, para cada subcontinente
C
uadro 76: Reducción porcentual neta de la Tasa de Prevalencia de la
Desnutrición (TPD), para cada subcontinente
Cuadro 77: Matriz de consistencia de problemas, objetivos e hipótesis
Cuadro 78: Matriz de Correlación de las series que componen el modelo para
América del Sur
Cuadro 79: Matriz de Correlación de las series que componen el modelo para
América Central
Cuadro 80: Matriz de Correlación de las series que componen el modelo para
África del Norte y Occidental
Cuadro 81: Matriz de Correlación de las series que componen el modelo para
África del Sur, Oriente y Central
Cuadro 82: Matriz de Correlación de las series que componen el modelo para
Asia
Cuadro 82: Elección del rezago óptimo para la relación de causalidad 1
(𝐿𝑈𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del Sur
20
Cuadro 84: Elección del rezago óptimo para la relación de causalidad 2
(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del Sur
Cuadro 85: Elección del rezago óptimo para la relación de causalidad 3
(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del
Sur
Cuadro 86: Elección del rezago óptimo para la relación de causalidad 4
(𝐿𝑁𝐻𝑀𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del
Sur
Cuadro 87: Elección del rezago óptimo para la relación de causalidad 5
(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del
Sur
Cuadro 88: Elección del rezago óptimo para la relación de causalidad 6
(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del
Sur
Cuadro 89: Elección del rezago óptimo para la relación de causalidad 7
(𝐿𝐴𝐸𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del Sur
Cuadro 90: Elección del rezago óptimo para la relación de causalidad 1
(𝐿𝑈𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América Central
Cuadro 91: Elección del rezago óptimo para la relación de causalidad 2
(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América Central
Cuadro 92: Elección del rezago óptimo para la relación de causalidad 3
(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América
Central
Cuadro 93: Elección del rezago óptimo para la relación de causalidad 4
(𝐿𝑁𝐻𝑀𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América
Central
Cuadro 94: Elección del rezago óptimo para la relación de causalidad 5
(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América
Central
Cuadro 95: Elección del rezago óptimo para la relación de causalidad 6
(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América
Central
Cuadro 96: Elección del rezago óptimo para la relación de causalidad 7
(𝐿𝐴𝐸𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América Central
21
Cuadro 97: Elección del rezago óptimo para la relación de causalidad 1
(𝐿𝑈𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Norte y
Occidental
Cuadro 98: Elección del rezago óptimo para la relación de causalidad 2
(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Norte
y Occidental
Cuadro 99: Elección del rezago óptimo para la relación de causalidad 3
(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del
Norte y Occidental
Cuadro 100: Elección del rezago óptimo para la relación de causalidad 4
(𝐿𝑁𝐻𝑀𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del
Norte y Occidental
Cuadro 101: Elección del rezago óptimo para la relación de causalidad 5
(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del
Norte y Occidental
Cuadro 102: Elección del rezago óptimo para la relación de causalidad 6
(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del
Norte y Occidental
Cuadro 103: Elección del rezago óptimo para la relación de causalidad 7
(𝐿𝐴𝐸𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Norte
y Occidental
Cuadro 104: Elección del rezago óptimo para la relación de causalidad 1
(𝐿𝑈𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,
Oriente y Central
Cuadro 105: Elección del rezago óptimo para la relación de causalidad 2
(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,
Oriente y Central
Cuadro 106: Elección del rezago óptimo para la relación de causalidad 3
(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,
Oriente y Central
Cuadro 107: Elección del rezago óptimo para la relación de causalidad 4
(𝐿𝑁𝐻𝑀𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del
Sur, Oriente y Central
Cuadro 108: Elección del rezago óptimo para la relación de causalidad 5
(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,
Oriente y Central
22
Cuadro 109: Elección del rezago óptimo para la relación de causalidad 6
(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,
Oriente y Central
Cuadro 110: Elección del rezago óptimo para la relación de causalidad 7
(𝐿𝐴𝐸𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,
Oriente y Central
Cuadro 111: Elección del rezago óptimo para la relación de causalidad 1
(𝐿𝑈𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia
Cuadro 112: Elección del rezago óptimo para la relación de causalidad 2
(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia
Cuadro 113: Elección del rezago óptimo para la relación de causalidad 3
(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia
Cuadro 114: Elección del rezago óptimo para la relación de causalidad 4
(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia
Cuadro 115: Elección del rezago óptimo para la relación de causalidad 5
(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia
Cuadro 116: Elección del rezago óptimo para la relación de causalidad 6
(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia
Cuadro 117: Elección del rezago óptimo para la relación de causalidad 7
(𝐿𝐴𝐸𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia
Cuadro 118: Output del test para la relación de causalidad 1
(𝐿𝑈𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del Sur
Cuadro 119: Output del test para la relación de causalidad 2
(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del Sur
Cuadro 120: Output del test para la relación de causalidad 3
(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del
Sur
Cuadro 121: Output del test para la relación de causalidad 4
(𝐿𝑁𝐻𝑀𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del
Sur
Cuadro 122: Output del test para la relación de causalidad 5
(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del
Sur
Cuadro 123: Output del test para la relación de causalidad 6
(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del
Sur
23
Cuadro 124: Output del test para la relación de causalidad 7
(𝐿𝐴𝐸𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del Sur
Cuadro 125: Output del test para la relación de causalidad 1
(𝐿𝑈𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América Central
Cuadro 126: Output del test para la relación de causalidad 2
(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América Central
Cuadro 127: Output del test para la relación de causalidad 3
(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América
Central
Cuadro 128: Output del test para la relación de causalidad 4
(𝐿𝑁𝐻𝑀𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América
Central
Cuadro 129: Output del test para la relación de causalidad 5
(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América
Central
Cuadro 130: Output del test para la relación de causalidad 6
(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América
Central
Cuadro 131: Output del test para la relación de causalidad 7
(𝐿𝐴𝐸𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América Central
Cuadro 132: Output del test para la relación de causalidad 1
(𝐿𝑈𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Norte y
Occidental
Cuadro 133: Output del test para la relación de causalidad 2
(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Norte
y Occidental
Cuadro 134: Output del test para la relación de causalidad 3
(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del
Norte y Occidental
Cuadro 135: Output del test para la relación de causalidad 4
(𝐿𝑁𝐻𝑀𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del
Norte y Occidental
Cuadro 136: Output del test para la relación de causalidad 5
(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del
Norte y Occidental
24
Cuadro 137: Output del test para la relación de causalidad 6
(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del
Norte y Occidental
Cuadro 138: Output del test para la relación de causalidad 7
(𝐿𝐴𝐸𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Norte
y Occidental
Cuadro 139: Output del test para la relación de causalidad 1
(𝐿𝑈𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,
Oriente y Central
Cuadro 140: Output del test para la relación de causalidad 2
(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,
Oriente y Central
Cuadro 141: Output del test para la relación de causalidad 3
(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,
Oriente y Central
Cuadro 142: Output del test para la relación de causalidad 4
(𝐿𝑁𝐻𝑀𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del
Sur, Oriente y Central
Cuadro 143: Output del test para la relación de causalidad 5
(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,
Oriente y Central
Cuadro 144: Output del test para la relación de causalidad 6
(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,
Oriente y Central
Cuadro 145: Output del test para la relación de causalidad 7
(𝐿𝐴𝐸𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,
Oriente y Central
Cuadro 146: Output del test para la relación de causalidad 1
(𝐿𝑈𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia
Cuadro 147: Output del test para la relación de causalidad 2
(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia
Cuadro 148: Output del test para la relación de causalidad 3
(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia
Cuadro 149: Output del test para la relación de causalidad 4
(𝐿𝑁𝐻𝑀𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia
25
Cuadro 150: Output del test para la relación de causalidad 5
(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia
Cuadro 151: Output del test para la relación de causalidad 6
(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia
Cuadro 152: Output del test para la relación de causalidad 7
(𝐿𝐴𝐸𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia
Cuadro 153: Output del test de normalidad de Jarque-Bera para el modelo de
efectos fijos totalmente corregido (modelo 𝐸𝐹𝑀1_3𝐷) del subcontinente de
América del Sur
Cuadro 154: Output del test de normalidad de Jarque-Bera para el modelo de
efectos fijos totalmente corregido (modelo 𝐸𝐹𝑀1) del subcontinente de América
Central y el Caribe
Cuadro 155: Output del test de normalidad de Jarque-Bera para el modelo de
efectos fijos totalmente corregido (modelo 𝐸𝐹𝑀1) del subcontinente de África
del Norte y Occidental
Cuadro 156: Output del test de normalidad de Jarque-Bera para el modelo de
efectos fijos totalmente corregido (modelo 𝐸𝐹𝑀1) del subcontinente de África
del Sur, Oriente y Central
Cuadro 157: Output del test de normalidad de Jarque-Bera para el modelo de
efectos fijos totalmente corregido (modelo 𝐸𝐹𝑀1) del subcontinente de Asia
Cuadro 158: Output del test de Hausman para la elección del modelo final del
subcontinente de América del Sur
Cuadro 159: Output del test de Hausman para la elección del modelo final del
subcontinente de América Central y el Caribe
Cuadro 160: Output del test de Hausman para la elección del modelo final del
subcontinente de África del Norte y Occidental
Cuadro 161: Output del test de Hausman para la elección del modelo final del
subcontinente de África del Sur, Oriente y Central
Cuadro 162: Output del test de Hausman para la elección del modelo final del
subcontinente de Asia
Cuadro 163: Output del test de Wald para evaluar la significancia global de los
efectos fijos del modelo EFM1_3D del subcontinente de América del Sur
Cuadro 164: Output del test de Wald para evaluar la significancia global de los
efectos fijos del modelo EFM1 del subcontinente de América Central y el
Caribe
26
Cuadro 165: Output del test de Wald para evaluar la significancia global de los
efectos fijos del modelo EFM1 del subcontinente de África del Norte y
Occidental
Cuadro 166: Output del test de Wald para evaluar la significancia global de los
efectos fijos del modelo EFM1 del subcontinente de África del Sur, Oriente y
Central
Cuadro 167: Output del test de Wald para evaluar la significancia global de los
efectos fijos del modelo EFM1 del subcontinente de Asia
RESUMEN
27
El presente trabajo analizó una amplia recolección de literatura sobre la tasa de
prevalencia de desnutrición que se han escrito a través de los años en donde los
autores han definido la prevalencia de desnutrición y sus posibles causas, intentado
concordar en que variables deberían ser consideradas como las causantes de este
problema latente que perjudica de una manera irreversible, afectando no solo la
integridad como persona sino también a la economía de un país como posteriormente
profundizaremos.
En este trabajo, demostraremos mediante un análisis econométrico de data panel que
variables verdaderamente tienen un impacto para la tasa de prevalencia de
desnutrición para países en desarrollo que estarán divididos en subgrupos bajo el
criterio de su ubicación geográfica.
Identificaremos las variables independientes que son significativas así como los
impactos que estas tienen sobre la variable dependiente que será la tasa de
prevalencia de desnutrición, para poder dar recomendaciones a cada uno de los
países en desarrollo de cada grupo de continentes o subcontinentes de como debería
abordar y/o enfrentar la problemática de prevalencia de desnutrición, asi como
determinar las posibles causas de los resultados obtenidos.
Palabras clave: Prevalencia de desnutrición, países en desarrollo, análisis
econométrico, integridad, irreversible
ABSTRACT
The present research analyzed a wide collection of literature on the prevalence of
malnutrition that have been written over the years in which the authors have defined
the prevalence of malnutrition and its possible causes, trying to agree on which
variables should be considered as the causes of malnutrition. This latent problem that
damages in an irreversible way, affecting not only the integrity as a person but also to
the economy of a country as we will later deepen.
In this paper, we will demonstrate through an econometric data panel analysis that
variables truly have an impact on the prevalence rate of malnutrition for developing
countries that will be divided into subgroups under the criterion of their geographical
location.
We will identify the independent variables that are significant as well as the impacts
that these have on the dependent variable that will be the malnutrition prevalence rate,
in order to give recommendations to each of the developing countries of each group of
continents or subcontinents of how it should address and / or face the problem of
28
prevalence of malnutrition, as well as determine the possible causes of the results
obtained.
Key words: Prevalence of malnutrition, developing countries, econometric analysis,
integrity, irreversible
29
INTRODUCCIÓN
En la actualidad, la mayoría de trabajos de investigación abarcan el análisis de la tasa
de prevalencia de desnutrición desde una perspectiva teórica ya sea desde una
enfoque legal, psicológico, pedagógico mencionando diferentes variables significativas
para el índice de desnutrición sin ponerse a analizar cuál de todas esas variables
influyen, inciden, tienen un mayor impacto y/o son significativas para la tasa de la
prevalencia de desnutrición, y la minoría que si abarca la tasa de prevalencia de
desnutrición lo hace desde un enfoque o en base a un modelo económico y/o
econométrico en donde si analizan que variables tienen mayor impacto y/o son
significativas para la tasa de la prevalencia de desnutrición.
En donde en ambos grupos existen discordancias y/o diferencias sobre que variables
se deberían considerar como variables significativas para la tasa de desnutrición, así
como los años de análisis, la muestra, población y unidad de análisis que se debería
de usar. Por lo que este trabajo se centrará en la minoría de grupos donde se buscará
dar un mayor soporte sobre que variables deberían considerarse para poder explicar
de la mejor manera la prevalencia de desnutrición.
Para ello se estandarizará un modelo económico con las variables más relevantes y/o
significativas de las diferentes economías de países (60) en desarrollo y en transición
para el periodo 1995 - 2014 según la clasificación del WESP1 (World Economic
Situation Prospects), pero en el presente trabajo se nombrará a los países en
desarrollo y en transición como países en desarrollo los cuales serán divididos cinco
continentes o subcontinentes los cuales son América del sur, América del centro y
países del caribe, África del Norte y Occidental, África del Sur, Oriente y Central y
Asia, analizando como es el comportamiento de las variables y cuáles son los
impactos que están tienen sobre la tasa de prevalencia de desnutrición en cada uno
de estos continentes.
Por lo que en este estudio se toma como unidad de análisis a toda aquella persona
que ha sufrido de desnutrición y no ha sido tratada y/o ha sido mal curada sin importa
la edad ya que en este trabajo será indiferente, la recolección de data será de 60
1 El World Economic Situation and Prospects (WESP) es el informe definitivo de las Naciones Unidas sobre el estado de la economía mundial. Es elaborado conjuntamente por el Departamento de Asuntos Económicos y Sociales, la Conferencia de las Naciones Unidas sobre Comercio y Desarrollo y las cinco Comisiones Regionales de las Naciones Unidas. Proporcionando una visión general de los recientes resultados económicos mundiales y de las perspectivas a corto plazo para la economía mundial, así como también proporcionar algunas cuestiones fundamentales de política económica y desarrollo mundiales.
30
observaciones (países en desarrollo), y las variables independientes hacen referencia
a los determinantes sociales y/o económicas que existen en cada uno de estos países.
La data se obtuvo del Banco Mundial y de The United Nations Development
Programme (UNDP). Analizando en el presente trabajo de investigación las siguientes
variables independientes como tasa de desempleo, ingreso nacional bruto per cápita,
el gasto en salud per cápita, número de hijos por mujer, tasa de acceso de agua de la
población, tasa de la mejora de las instalaciones de sanitarias y años promedio de
escolaridad, y la variable dependiente que es la tasa de la prevalencia de desnutrición.
Las principales causas de que la desnutrición siga prevaleciendo en una economía
son las barreras o dificultades que existen para que una persona o una familia como:
la falta de acceso a servicios básicos, la falta de acceso al agua potable, la falta de
creación de puestos de trabajo lo que causa que no todas las personas puedan ser
absorbidas por el mercado laboral, produciendo que estas personas no tengan un
ingreso fijo mensual reduciendo su capacidad adquisitiva de productos de la canasta
básica, así como la capacidad de acceder a servicios del estudio y la de la salud.
Teniendo así el propósito del presente trabajo determinar que variables inciden en la
tasa de prevalencia de desnutrición, analizar la brecha que se produce entre los
continentes respecto a la tasa de prevalencia de desnutrición y por ultimo analizar
también las brechas que se producen entre los contienes de las diferentes variables
respecto a la tasa de la prevalencia de desnutrición, para poder en un futuro erradicar
o tratar de disminuir la tasa de prevalencia de desnutrición en cada uno de los
continentes o subcontinentes analizados, obteniendo de este trabajo de investigación
el valor agregado de la econometría como un soporte adicional para combatir este
problema.
En nuestro trabajo de investigación una de las razones por la que segmentamos
nuestra población en cinco continentes o subcontinentes los cuales son: América del
Sur, América Central y el Caribe, África del Norte y Occidental, África del Sur, Oriente
y Central y Asia, es porque intentamos analizar los grupos de países con una realidad
semejante tanto en sus ingresos, sus gastos (gastos en salud) y/o cultura, por lo que
con esta segmentación tratamos de eliminar los problemas de distribución de gasto en
salud e ingreso per cápita entre países y los problemas de distribución que ocurre
dentro de los países se atribuirá como explicaremos más adelante a las desigualdades
que puede ser asociada a las malas gestiones de los gobiernos teniendo para este
problema resultados imprevisto que también analizaremos luego.
31
Así mismo para el presente trabajo se utilizará un modelo econométrico con data
panel, en donde se trabajará con data no proveniente de una encuesta, sino por el
contrario con data estadística obtenida a través del WORLD BANK y del UNITED
NATIONS DEVELOPMENT PROGRAMME. Para ello se utilizará el Test de Hausman
para determinar cuál es el modelo más adecuado entre el modelo fijo, el modelo
aleatorio y el modelo pooled o agrupado para cada uno de los continentes o
subcontinentes.
Por otro lado, se planteará como parámetro para nuestros objetivos e hipótesis general
y específicos una tasa porcentual referencial para poder compararla con el impacto de
la sumatoria de las variables significativas o determinantes que fueron significativas en
los diferentes subcontinentes y saber realmente que continente obtuvo un mayor
impacto entre todos los continentes y/o subcontinentes cuando nos referimos a
nuestro objetivo e hipótesis general, así como saber el mayor impacto generado
cuando una variables es determinante sobre la Tasa de Prevalencia de Desnutrición
en los diferentes continentes y/o subcontinentes, por este motivo se plantea una tasa
referencial ya que el propósito del presente trabajo es reconocer los impactos de las
variables que son determinantes sobre la Tasa de Prevalencia de Desnutrición y saber
realmente cuales son los puntos débiles y/o falencias en cada continente y/o
continente debe de centrar sus programas y/o políticas para poder reducir la
desnutrición, por ese motivo no tenemos una tasa porcentual que podamos tomar
como modelo que se haya planteado con anterioridad para medir los impactos de las
variables que son determinantes específicamente en los subcontinentes.
Teniendo como resultado de los modelos de data panel estimados para cada uno de
los subcontinentes analizados y definido el modelo final para estos (que en todos los
subcontinentes resultó ser el modelo de efectos fijos totalmente corregido), los
verdaderos determinantes de la tasa de prevalencia de la desnutrición para cada
subcontinente, así como el valor del impacto que estos generan en la tasa de
desnutrición.
Concluyendo para la presente investigación que tres de los determinantes
considerados (la tasa de desempleo, el gasto en salud per cápita y los años promedio
de escolaridad) causan variaciones significativas en la tasa de prevalencia de la
desnutrición de máximo dos subcontinentes, mientras que los cuatro determinantes
restantes de este estudio (el ingreso nacional bruto per cápita, el número de hijos por
mujer, la tasa de acceso al agua potable y la tasa de mejoras en las instalaciones
sanitarias) producen variaciones significativas en la tasa de desnutrición de máximo
32
tres de los subcontinentes bajo análisis, así como demuestran que los impactos más
grandes en la tasa de prevalencia de la desnutrición de cada subcontinente son
causados por la tasa de acceso al agua potable, la tasa de mejoras en las
instalaciones sanitarias y los años promedio de escolaridad.
33
CAPÍTULO I: INTRODUCCIÓN
1. Problema de investigación
1.1 Planteamiento del problema.
El propósito del presente trabajo es contrastar que variables son significativas y saber
qué impacto tienen sobre la tasa de la prevalencia de desnutrición para esto se
plantea cinco modelos diferentes para una población con data panel solamente de 60
países en desarrollo ya que algunos de los países en desarrollo existentes no se
encuentran con una base de data actualizada de las variables utilizadas para los años
planteados y/o no poseen en su base de datos ninguna información sobre las variables
utilizadas en nuestro trabajo de investigación por lo que se han omitido, asimismo
estos 60 paises en desarrollos se han segmentado geográficamente en cinco
escenarios (continentes o subcontinetes) diferentes los cuales son: América del Sur,
América Central y el Caribe, África del Norte y Occidental, África del Sur, Oriente y
Central y Asia, y lo segmentamos de esta manera porque intentamos analizar los
grupos de países con una realidad semejante tanto en sus ingresos, sus gastos
(gastos en salud) y/o cultura, por lo que con esta segmentación tratamos de eliminar
los problemas de distribución de gasto en salud e ingreso per cápita entre países,
problemas que luego se pueden traducirse en problemas en el sector educación y en
el sector laboral; y con un periodo de tiempo (años) amplio que es de 1995 – 2014
para poder tener una idea más amplia sobre el comportamiento (tendencia) de las
variables independientes en el tiempo y poder hacer inferencia en los resultados
obtenidos para poder dar recomendaciones válidas y vigentes para luchar contra la
desnutrición. Para esto en base a estudios previos, se investigó acerca de las posibles
variables que podrían ser las causantes directas o las variables que tiene una
significancia sobre la tasa de prevalencia de desnutrición, de las cuales se
determinaron las siguientes variables: tasa de desempleo, gasto en salud per cápita,
número de hijos por mujer, INB per cápita, tasa de acceso de agua de la población,
tasa de la mejora de las instalaciones de sanitarias y años promedio de escolaridad,
como las variables que pueden explicar la tasa de prevalencia de desnutrición. Para
dar a conocer las posibles causas de este problema se utilizaron pruebas
econométricas que nos indicaran que variables son significativas cuando tratamos de
abordar, enfrentar y/o dar posibles soluciones y recomendaciones a para minimizar la
tasa de prevalencia de desnutrición ya que como sabemos el principal problema de
34
que prevalezca la desnutrición en una economía son las barreras o dificultades que
existen para poder acceder a servicios básicos como el acceso al agua potable, la falta
de creación de puestos de trabajo lo que causa que no todas las personas puedan ser
absorbidas por el mercado laboral produciendo que estas personas no tengan un
ingreso fijo mensual reduciendo su capacidad adquisitiva de productos de una canasta
básica, así como la barrera del estudio y la de salud, que perjudica de una manera
irreversible, afectando no solo la integridad como persona sino también a la economía
de un país.
1.1 Justificación de la investigación
Esta investigación trata de dar una justificación a través del uso de la econometría,
sobre la relación y el impacto que se produce entre la tasa de prevalencia de
desnutrición y las variables independientes que usaremos como: la tasa de
desempleo, el gasto en salud per cápita, el ingreso nacional bruto per cápita, la tasa
de acceso de agua de la población, el número de hijos por mujer, la tasa de la mejora
de las instalaciones de sanitarias y los años promedio de escolaridad. Lo cual dará
más apoyo y credibilidad cuando se intente dar posibles soluciones a este problema,
ya que ahora no solo el problema será respaldado desde el punto de vista conceptual,
sino que ahora también tendrá un respaldo matemático-econométrico, ya que la
prevalencia de desnutrición es uno de los problemas que más impacto tiene sobre la
economía y desarrollo de un país ya que al padecer de esta enfermedad su
rendimiento y aprendizaje en las escuelas de los niños serán bajas por lo que en un
futuro esas niños, no podrán desarrollarse de manera eficiente y eficaz en un estudio
superior si es que logran terminar la escuela produciendo que no pueda encontrar un
trabajo ya que será considerado como mano de obra no calificado obteniendo un
ingreso bajo, produciendo que no tenga los recursos para vivir en una vivienda con los
servicios básicos, no poder contar con la canasta básica, no poder tener un ingreso fijo
dirigido directamente para gastarlo en salud, y en caso de tener una familia las
consecuencias serán peores ya que este círculo ser repetirá con los hijos siendo así
un círculo vicioso que como única consecuencia será que como se mencionó no se
pueda acceder al mercado laboral y repetirse la misma situación con los hijos de los
hijos, por lo que solucionar el problema de la prevalencia de desnutrición beneficiaria
incrementando su productividad como persona aportando así dinamismo económico al
país.
35
1.2 Formulación del problema
1.1.1 Problema General:
P.G. ¿Cuál fue el impacto neto de la sumatoria de las variables (valor absoluto) al
analizar todas las variables que tuvieron un impacto significativo en la reducción neta
de la tasa de prevalencia de desnutrición en los diferentes subcontinentes, durante el
periodo 1995-2014?
1.2.1 Problemas específicos:
1.2.1.1 Problema específico 1:
P.E.1 ¿Cuál fue el impacto de la variable tasa de desempleo sobre la tasa de
prevalencia de desnutrición en los diferentes subcontinentes, durante el periodo 1995-
2014?
1.2.1.2 Problema específico 2:
P.E.2 ¿Cuál fue el impacto de la variable gasto en salud per cápita sobre la tasa de
prevalencia de desnutrición en los diferentes subcontinentes, durante el periodo 1995-
2014?
1.2.1.3 Problema específico 3:
P.E.3 ¿Cuál fue el impacto de la variable ingreso nacional bruto per cápita sobre la
tasa de prevalencia de desnutrición en los diferentes subcontinentes, durante el
periodo 1995-2014?
1.2.1.4 Problema específico 4:
P.E.4 ¿Cuál fue el impacto de la variable número de hijos por mujer sobre la tasa de
prevalencia de desnutrición en los diferentes subcontinentes, durante el periodo 1995-
2014?
36
1.2.1.5 Problema específico 5:
P.E.5 ¿Cuál fue el impacto de la variable tasa de acceso de agua de la población
sobre la tasa de prevalencia de desnutrición en los diferentes subcontinentes, durante
el periodo 1995-2014?
1.2.1.6 Problema específico 6:
P.E.6 ¿Cuál fue el impacto de la variable tasa de las mejoras de las intalaciones
sanitarias sobre la tasa de prevalencia de desnutrición en los diferentes
subcontinentes, durante el periodo 1995-2014?
1.2.1.7 Problema específico 7:
P.E.7 ¿Cuál fue el impacto de la variable años promedio de escolaridad sobre la tasa
de prevalencia de desnutrición en los diferentes subcontinentes, durante el periodo
1995-2014?
37
2. Marco referencial
2.1 Antecedentes
Para entender un poco más sobre la prevalencia de desnutrición citaremos algunas
tesis, opiniones de organismos especializados y revistas las cuales explican tanto el
concepto como aplicaciones estadísticas y econométricas sobre la determinación de la
tasa de prevalencia de desnutrición. Respecto a la conceptualización de la
desnutrición.
En lo que respecta a otras evidencias, el trabajo de Flórez y Nupia (s. f.) hace un
estudio sobre las dimensiones de las inequidades en la desnutrición crónica en
Colombia. Para esto, se utilizó los datos de la encuesta Demigraphic and Health
Surveys de 1995 y del Censo Nacional de Población de 1993, donde se usaron curvas
e índices de concentración, así como modelos econométricos multinivel, para poder
analizar la relación que existe en el estado nutricional de los niños y los factores
socioeconómicos para eso utiliza modelos multivariados de regresión lineal tomando
como muestra a niños entre 6 y 59 meses de edad sobrevivientes la muestra se
obtuvo mediante encuesta, para este estudio se utilizó como indicador de nutrición el
escore-z de altura para la edad. Para lo cual dividió el análisis de determinantes se ha
dividido en dos partes, la primera parte se estimó un modelo jerárquico simple para lo
cual se aplicará técnicas de Mínimos Cuadrados Ordinarios, las variables
independientes para este modelo abarcan: características de la vivienda,
características socioeconómicas del hogar, características y hábitos de la madre,
cuidado del niño(a) y características reproductivas de la madre, y morbilidad previa del
niño. En la segunda parte se consideró variables contextuales dentro del modelo ya
que no todos los factores que afectan el estado de salud son solo características
individuales, sino que también son características del entorno físico, social y cultural
en que ellos viven para lo cual en esta segunda parte se empleará un modelo con
niveles y efectos fijos. Al final, se obtuvo que las inequidades eran la condición
económica del hogar, el nivel educativo de la madre, las condiciones de salud de la
madre, el uso de los servicios de salud en la gestación y el parto, el nivel de paridad y
la frecuencia de alimentación complementar, concluyendo que ambientes donde
existen mayores niveles de pobreza a nivel departamental, mayores tasas de
38
ocupación de las mujeres en el nivel municipal y donde existen mayores inequidades
regionales en educación tienden a tener un peor estado nutricional comparado a
ambientes donde la mujer participa como jefe de hogar a nivel municipal.
Para K. Subbrao y Laura Raney (1993), la educación es un factor muy importante para
la salud de los niños, y más cuando hablamos de la educación femenina ya que nos
explica que esta variable afecta directamente en el aumento de la productividad laboral
y en los salario, por consiguiente produce un aumento en los hogares y una reducción
de la pobreza, pero el principal beneficio social que se produce es una mejora en la
salud ya se de ella misma como la de sus hijos, produciendo un efecto inmediato en el
aumento de la escolaridad infantil y una reducción en la fertilidad.
En Lastra Et Al. (1998) se desarrolla un modelo de data de corte transversal el cuál se
enfoca en los años 1991 y 1996 así mismo utilizo un nivel confianza del 95%, con una
precisión de 3% y un poder estadístico de 80%. Para el año 1991 la prevalencia
teórica de desnutrición esperada fue de 30% y para el año 1996 fue del 46%. La
muestra que se escogió fue para el año 1991 de 935 niños de entre 12 y 60 meses de
edad, y para el año 1996 fue de 1252 niños de entre 0 y 60 meses teniendo así un
universo con niños menores de 5 años, la muestra recolectada fue de áreas urbanas y
rurales, incluyéndose en 1991, 509 localidades (18 urbanas y 491 rurales), y en 1996,
593 localidades (31 urbanas y 562 rurales) de los 17 municipios de Tabasco, México
utilizando un único indicador el cuál fue Peso/ Edad.
Por su parte, en el trabajo de Smith y Haddad (1999) se realizó un estudio de 63
países durante el periodo de 1970 a 1995, utilizando un modelo de regresión
multivariada de efectos fijos, en donde se definió cuatro factores como determinantes
subyacentes: Los ambientes de salud, la educación de las mujeres, el estatus relativo
de las mujeres y la disponibilidad de alimentos per cápita, así como se definió dos
factores como determinantes básicos: Los ingresos nacionales per cápita y la
democracia. Asimismo, en el trabajo se aclaró que por falta de datos no se pudo
analizar el factor de la pobreza, la muestra fue de niños menores de 5 años que
padecen de desnutrición. El criterio que se utilizó para identificar a un niño que padece
bajo peso fue que el peso para la edad del niño sea más de 2 desviaciones estándar
por debajo de la mediana según los estándares del Centro Nacional de Estadísticas de
Salud / Organización Mundial de la Salud. La data se obtuvo de tres fuentes las cuales
fueron World Health Organization's Global Database on Child Growth and Malnutrition
(WHO 1997), United Nations Administrative Committee on Coordination-Subcommittee
on Nutrition (UN ACC/SCN 1992, 1996) y World Development Indicators (World Bank
1997). Los resultados de este análisis fueron que una mejora en la educación de las
39
mujeres tuvo un gran impacto en la reducción de la desnutrición infantil, concluyendo
que los factores en donde se debe centrar mayores esfuerzos son en la disponibilidad
de alimentos por habitante y la educación de las mujeres para poder reducir la
desnutrición infantil.
Por otro lado, Gómez (2003) da una definición más clara señalando que el término
“Desnutrición” significa la pérdida anormal de peso del organismo, desde la pérdida
más leve hasta la pérdida más grave, haciendo hincapié que no importa el nivel de
pérdida de peso que la persona haya tenido, basta solo el hecho que la persona tenga
una pérdida de peso para considerarla como desnutrido o desnutrida
En tanto, Pérez (2004) manifiesta que la prevalencia de desnutrición es mucho menor
en los adultos que en los niños, donde nos explica que el principal factor o parámetro
para saber si una persona presenta o no algún problema de desnutrición es la ingesta
calórica diaria ya que esta ayuda a que una persona conserve una salud óptima, un
buen peso y pueda realizar sus actividades diarias. Él también indica datos
estadísticos de que en México, de los 10 millones de niños menores de 5 años de
edad que existen en el país, 4 millones de estos padecen de algún grado de
desnutrición, haciendo una aclaración que la mayor cantidad de estos niños
desnutridos provienen del medio rural mexicano (INEGI, 2000).
Otra aplicación para hallar los determinantes de la desnutrición fue el de Ponce (2005),
construyo un modelo para poder explicar la desnutrición crónica y global en el cual
incluía variables que tenían características específicas del niño como la edad y el
sexo, características del hogar y de los miembros que lo conformaban por la
educación de los padres, el nivel de gasto, etc y factores medioambientales como
factores de agua, alcantarillado y tipo de vivienda, la muestra que se utilizo fue niños y
niñas menores de cinco años en el Ecuador en el periodo del año de 1999, el método
utilizado fue el método de mínimos cuadrados en dos etapas con el fin de obtener
estimadores consistentes e insesgados, siendo las variables como el gasto del hogar,
la educación de la madre, la proporción de mujeres jóvenes, adultas y viejas, la
vivienda adecuada, el acceso a agua segura, la edad del niño, la presencia de diarreas
en las últimas dos semanas y los meses de lactancia, variables que disminuían la
prevalencia de desnutrición cuando estas aumentaban, mientras que las variables la
edad del niño, los meses de lactancia, la presencia de diarreas en las últimas dos
semanas, la etnia y región del menor resultaron ser variables significativas pero que
incidían en la prevalencia desnutrición de una manera directa ya que un aumento en
estas variables aumentaban la prevalencia de la desnutrición.
40
Por otro lado, Martínez y Fernandéz (2007), explica que el impacto social que causa la
desnutrición infantil en primer lugar podría causar la muerte del bebe recién nacido en
los primeros días, y si sobrevive y la desnutrición continua el niño está más propenso a
contraer infecciones, lo que produciría una disminución en su apetito prolongando la
desnutrición e inhibiendo su crecimiento, en segundo lugar si la desnutrición persiste
en la etapa escolar el niño tendrá problemas en el aprendizaje ya que la desnutrición
afecta directamente el desarrollo cerebral, si la prevalencia de desnutrición continua
causa como tercer punto en la persona que su inserción laboral se vea perjudicada,
formándose un ciclo en donde se perpetuará la pobreza de generación a generación
repitiéndose este ciclo en sus hijos. Este ciclo afectado directamente económicamente
al país hablando desde la unidad mínima de una persona que afecta su productividad
individual lo cual tendrá consecuencias negativas en su propia economía, hasta tomar
la población que padece de desnutrición en conjunto llegando afectar la productividad
del país afectando directamente de manera negativa la economía al país.
Ravina y Chavéz (2007) trataron de analizar los factores subyacentes de la
desnutrición crónica infantil desde el enfoque de variables relacionadas al nivel salud
como el IRA (infecciones respiratorias agudas) y el EDA (enfermedades diarreicas
agudas) para ver si estos indicadores son significativos al explicar el comportamiento
de la tasa desnutrición crónica infantil en el Perú. En su estudio se tomó una muestra
de niños de mayores de 24 meses y menores a 59 meses que padecen de
desnutrición en Perú, las variables independientes que utilizo para el estudio fue
número de meses de lactancia, diarrea en las últimas dos semanas, tratamiento del
episodio de diarrea, Ira en las últimas dos semanas y tratamiento del episodio de IRA
(infecciones respiratorias agudas) y la variable dependiente que utilizo como indicador
es talla para la edad. El método utilizado fue de análisis estadístico descriptivo como
por ejemplo tablas de frecuencia, análisis gráfico de distribuciones, tablas de doble
entrada, etc y el modelo econométrico propuesto para el trabajo fue un modelo lineal
de efectos fijos con regresores generados para un conglomerado, la data obtenida
para este trabajo se obtuvo de las encuestas en la Encuesta Demográfica y de Salud
Familiar (ENDES) para los periodos 1992, 1996, 2000 y la encuesta continua 2004--
2005 y se complementó con Encuesta Nacional de Hogares (ENAHO), dando como
resultado que la principal causa de la desnutrición crónica se debería a la prevalencia
de diarrea ya que esta afecta de manera negativa a la tasa de desnutrición infantil
crónica (una mayor prevalencia de diarrea genera una mayor tasa de desnutrición
infantil crónica).
41
Por otro lado, Paraje (2008) nos menciona que en su investigación encontró los
siguientes factores los cuales son: Factores medioambientales, socioeconómico
culturales, político institucionales, productivos y biomédicos. Al respecto, el primero se
refiere a fenómenos naturales como inundaciones, sequias, heladas, etc., y/o a
factores “Entrópicos” o producidos por la acción humana como la contam inación
ambiental, lo que termina en problemas de producir u obtener los alimentos que
ingieren las familias. El segundo factor socioeconómico cultural se refiere a la
distribución y asignación de los alimentos que obtienen, mientras que el factor político
institucional se refiere a políticas específicas como políticas sanitarias, educativas o de
infraestructura las cuales están destinadas a reducir la desnutrición, por lo que un mal
planteamiento podría generar lo contario. Los factores productivos se refieren a los
procesos que se hacen para obtener el alimento, su eficiencia y el grado de reducción
de los riesgos medioambientales. Por último, se encuentran los factores biomédicos
los cuales se refieren a los elementos que pueden hacer que una persona pueda
padecer este mal, como por ejemplo el estado nutricional de la madre, el tiempo de
lactancia materna, el sexo, etc. La muestra que se consideró en esta investigación fue
de niños menores a cinco años o menores a 59 meses de vida, de encuestas entre
5000 y 30000 hogares obtenidos de DHS (Demographic and Health Surveys), por ello,
se recopiló en intervalos no regulares (en su mayoría cada 5 años), entre mediados de
los años 1990s y principios de los años 2000s, para una población de siete países de
América Latina y el Caribe, el método utilizado fue el método de mínimos cuadrados
ordinarios para un modelo de regresión lineal para los siete países escogidos. La
conclusión obtenida fue que solo se puede reducir parcialmente la desnutrición crónica
a través de las políticas públicas como las políticas sanitarias en combinación de las
políticas adicionales como las políticas educativas, de vivienda, de ingresos; sin
embargo, la desnutrición crónica infantil se podría reducir de una manera más efectiva
si las autoridades se centran en reducir la desigualdad (la cual tiene una relación muy
estrecha con condicionante socio económicos). Por ello, el “focus” debe estar en la
riqueza de los hogares ya que esta no solo afecta directamente a la desnutrición, sino
que es un importante determinante en su distribución porque mientras más
concentrada está la riqueza, más concentrada está la desnutrición crónica infantil en
los hogares pobres.
Por su parte, en el trabajo de Rodríguez (2010) se realizó un estudio descriptivo,
observacional y prospectivo transversal donde se analizó una muestra de 202 niños de
entre 0 y 6 años adscritos a la Unidad de Medicina Familiar #11 de Vicam, Sonora
(México), utilizando un muestreo aleatorio simple con un nivel de confianza del 95% y
42
un nivel de error de 3%. De este estudio se obtuvo que de toda la población solo el
17.8% padece de desnutrición, de los cuales se divide en 9.9% que sufren de
desnutrición leve, 5.4% que sufren de desnutrición moderada y 2.5% que sufren de
desnutrición severa. Además, de la población infantil que presenta problemas de
desnutrición, las niñas presentan un menor porcentaje de desnutrición en comparación
a los niños. Asimismo, se dio a conocer que la tasa de desnutrición de 17.8% obtenida
en este estudio supera la media nacional expuesta por la Secretaria de Salud según la
Encuesta Nacional de Salud – ENSANUT (2006). Por ello, se concluye que la
desnutrición es un problema latente que continúa afectando a la población infantil, con
un mayor impacto a la población que vive en comunidades rural, y que la prevalencia
de desnutrición en la comunidad rural supera la media estatal para niños menores de 6
años (ENSANUT 2006) que indicó que era del 5.2%.
En otros trabajos como el de Alcázar, Ocampo, Huamán-Espino y Aparco (2011), se
discutió un modelo económico basándose en el modelo de análisis de Martínez y
Férnandez (2006) el cual permite hacer un análisis a futuro y proveer las herramientas
para medir los costos del sector público y privado, para lo cual se incluye tres variables
que a priori se creía que eran las causas de la desnutrición en el Perú en el año 2011.
Estas variables o factores utilizados fueron los costos asociados en salud, educación y
productividad. Los datos para este estudio se obtuvieron de la base de datos de la
Encuesta Demográfica de Salud Familiar, la Encuesta Nacional de Hogares, el Censo
de Población y Vivienda de 2007 y la información presupuestal pública, obteniendo
como resultado que la mayor pérdida provino de los costos asociados a la
productividad y que la desnutrición, en nuestro caso peruano, afecta más a la sierra
que a la selva peruana, dando como conclusión que el impacto que genera la
desnutrición infantil se ve reflejado en el PBI ya que influye de una manera significativa
y es por eso que se debe de continuar invirtiendo en su prevención a través de
medidas o programas que tengan efectividad en su reducción.
Ahora, respecto al establecimiento de los posibles determinantes de la desnutrición, la
literatura es diversa, pero en muchos casos se coincide sobre los factores que la
determinan. Wisbaum (2011) hace una pequeña reseña conceptual alegando que la
principal causa que se da en la desnutrición infantil es la insuficiente ingesta de
alimentos ya sea en cantidad como en calidad (nutrientes y vitaminas), la falta de un
tratamiento adecuado y el padecimiento de enfermedades contagiosas. Sin embargo,
ella aclara que detrás de todas estas causas inmediatas existen otras causas
subyacentes como la inaccesibilidad a ciertos alimentos, la inaccesibilidad de sistemas
de agua y saneamientos insalubres, la inaccesibilidad de atención sanitaria y por
43
último una inadecuada práctica de cuidado y alimentación. Asimismo, ella indica que
en el origen de todo esto se encuentra las causas básicas que incluyen factores
sociales, factores económicos y políticos tales como la pobreza o la desigualdad, con
lo que muchas de las causas de la desnutrición infantil se pueden aplicar o son las
mismas causas de la desnutrición a nivel general.
Respecto a la evidencia peruana sobre la prevalencia de la desnutrición, Beltrán y
Seinfeld (2011) concluyeron que en el Perú existen diferencias muy marcadas entre
los quintiles de ingresos -Los datos que se obtuvieron para este análisis fueron de la
Encuesta Demográfica y de Salud Familiar (ENDES) 2007- las cuales producen
consecuencias muy significativas ya que limitan las capacidades laborales y la
productividad futura del individuo. Asimismo, causan daños en la salud y son un
círculo vicioso perpetuando la pobreza en las generaciones futuras. Para este artículo
se utilizó la estimación por Mínimos Cuadrados Bietápicos y se analizó las causas de
la desnutrición infantil en el Perú a partir de factores de demanda como el estatus de
salud y la educación de los padres, así como de factores de oferta como el acceso a
agua potable y alcantarillado y la cobertura del Programa Integral de Nutrición (PIN).
Los resultados mostraron que el peso del niño al nacer, la tasa de desnutrición distrital,
las raciones de alimentos proporcionadas por el PIN, la edad de la madre y el sexo del
niño fueron las variables más significativas de la desnutrición infantil, y que si se quiere
ser más específico al considerar los dos quintiles inferiores de ingresos, las variables
del material del piso de la vivienda y el acceso al agua potable, al alcantarillado y a
combustible adecuado para cocinar se vuelven variables significativas en la
determinación de la prevalencia de la desnutrición. Al final, el trabajo da
recomendaciones para disminuir la desnutrición en función de los costos, encontrando
el nivel de presupuesto adecuado que permita aumentar las raciones distritales
proporcionadas por el PIN, aumentar el número de puestos de salud y el de
nutricionistas disponibles por distrito.
Según la Encuesta Nacional de Salud y Nutrición (ENSANUT) de México, 2012 escrita
por Juan Ángel Rivera Dommarco, Lucía Cuevas Nasu, Teresita González de Cossío y
Teresa Shamah Levy nos explica que la desnutrición se produce principalmente a
partir de una ingesta inadecuada de alimentos ya sea por la cantidad o la calidad, pero
también se produce a partir de la persistencia de enfermedades contagiosas así como
del inadecuado cuidado del niño, cuidado que dependerá de la alimentación y estado
de salud de la madre. Todas estas causas se dan como consecuencia de una
deficiente disponibilidad de alimentos, de servicios de salud y de educación y de una
infraestructura sanitaria defectuosa conocidas como causas subyacentes y las cuales
44
son resultado de la desigualdad en la repartición de recursos, servicios, riqueza y
oportunidades conocidas como causas básicas.
Otras propuestas de determinantes plantean Anrango y Perugachi (2013) ya que las
principales serían la baja talla materna, el hecho de que no se cura por completo la
nutrición de las personas que lo poseen, las múltiples barreras que existen para poder
acceder al uso de los servicios de salud (en especial de las personas de las
comunidades indígenas y mestizas, así como la población rural). Asimismo, se
concluye que la principal causa de la desnutrición es una deficiente alimentación la
cual puede ser por no poder acceder a los alimentos necesarios o también se puede
dar por que las madres no tienen los conocimientos suficientes para saber qué
alimentos dar a sus hijos.
Otra evidencia internacional es mostrada en el trabajo de Zewdie y Abebaw (2013),
plantea un análisis econométrico con datos de corte transversal de 249 niños menores
de cinco años tomados de los distritos de Kombolacha (Oriente de Hararghe, Etiopía)
en el año 2009. Para analizar la data se utilizaron varios estadísticos descriptivos y
una especificación logarítmica en las variables. Las variables usadas están
relacionadas con la edad, el género, el estado de vacunación, el tamaño del hogar, la
atención prenatal rural, accesibilidad al agua, la prevalencia de la enfermedad y la
accesibilidad a medidas sanitarias. El resultado obtenido fue que la desnutrición infantil
es un serio problema ya que como se esperaba las variables analizadas
econométricamente fueron acorde con las causas de desnutrición que se analizaron
teóricamente. Obteniendo entre las conclusiones del trabajo que las características del
niño y su cuidado, así como las características del hogar son importantes para
desnutrición infantil, por lo que si abordamos la pobreza es muy probable que se
disminuya el índice de la desnutrición infantil. Asimismo, es muy importante que las
nuevas políticas se centren en mejorar el suministro de agua y en las condiciones de
salud ya que en el estudio existió una alta correlación entre la baja cobertura de
saneamiento y la desnutrición infantil, y este resultado fue usado por el gobierno para
invertir en las mejoras de las condiciones de salud y el acceso a agua potable. Por
último, dado el resultado obtenido de una alta correlación entre la baja cobertura de
saneamiento (relacionada con el uso de letrinas y fuentes de agua inseguras) y la
desnutrición infantil, el gobierno intervino en inversiones para mejorar la salud
ambiental y el suministro de agua potable de inmediato. Demostrando en general la
importancia de las características del niño, las prácticas del cuidado del niño, la
condición de la salud ambiental y las características del hogar en la influencia de la
nutrición infantil.
45
Según Beltrán y Seinfeld (2014), un problema latente en el Perú es la desnutrición
infantil, dado que el 30% de niños menores de 5 años padecen este mal. A pesar de
las arduas políticas y programas empleados para reducir la desnutrición, esto no ha
cambiado el panorama en el Perú ya que la prevalencia sigue siendo la misma y peor
aún es muy elevada. Por ello, la solución al problema se debe de abarcar desde antes
del nacimiento del niño. Finalmente, como resultado de su análisis de la literatura y
estudios estadísticos recopilados, los autores dan como resultado un modelo de cinco
variables -basándose en las teorías de Smith y Haddad (2000) y Becker (1965) - que
explicaría la desnutrición crónica: El peso al nacer, la tasa de desnutrición crónica de
niños entre 6 y 9 años del distrito, las raciones per cápita de alimentos provistas en el
distrito por el Programa Integral de Nutrición (PIN), el sexo del niño y la edad de la
madre. La ponderación más alta en este modelo se le da a la importancia de atender
el problema de desnutrición desde antes del nacimiento del niño por la gran
probabilidad de que este problema prevalezca en los niños más pequeños de cada
familia en caso no haya sido atacado desde un principio.
Un enfoque un poco distinto lo dan Kamal e Islam (2014), una investigación para el
estado nutricional de una muestra de niños que son menores de cinco años ya que él
cree que este indicador es uno de los indicadores más importantes que explica la
situación sanitaria del país, para este estudio se profundizo el impacto que causan
algunos factores como factores demográficos, socioeconómicos y factores
relacionados con la salud en el estado nutricional de los niños menores de cinco años
en Bangladesh, los datos recolectados se obtuvieron de la Encuesta Demográfica y de
Salud de Bangladesh 2007 (BDHS 2007). Asimismo se consideró en el estudio que los
principales componentes que tienen un impacto con la desnutrición son la condición
económica de la familia, la educación de los padres, las fuentes de agua potable, el
tipo de inodoro, el intervalo de nacimiento del niño, el orden de nacimiento del niño, la
exposición a los medios de comunicación, la diarrea o las Infecciones Respiratorias
Agudas (IRA) , el estado de la vivienda y lugar de residencia. Para lo cual se realizo un
modelo de respuesta cualitativa probit ordenado, obteniéndose como conclusión que
los indicadores más importantes son el orden de nacimiento en la familia (ya que los
primeros nacimientos tuvieron una menor probabilidad de padecer de desnutrición
comparado con hijos que nacieron mucho después), el nivel educativo de los padres
(el cual tiene una relación significativa con la prevalencia de desnutrición del niño), el
estado del trabajo de ambos padres (la cual también es una variable significativa para
reducir la desnutrición infantil), el acceso al agua potable, las condiciones de
saneamiento (la cual también está muy asociada con la desnutrición), así también
46
como el género del niño, la situación económica de la familia y las comodidades que
se posee en el hogar.
Finalmente, Azaña y Rojo (2015) plantean un estudio para determinar las causas de la
desnutrición crónica para niños menores de 5 años desde la perspectiva de la
articulación que se da entre el Gobierno (en el caso de su investigación, la
municipalidad de Masisea y el centro de salud de Massisea, Ucayali) ya que esto
puede favorecer o limitar la distribución de los recursos a instituciones que velan por la
reducción de la desnutrición crónica infantil (como por ejemplo, los que provienen del
plan de Incentivos Municipales para el funcionamiento del CPVC -Centro de
Promoción y Vigilancia Comunal del Cuidado Integral de la Madre y del Niño), para lo
cual realizo un enfoque metodológico de orden cualitativo utilizando el método de
muestreo no probabilístico por juicio y conveniencia, el universo utilizado en esta
investigación fue de 105 funcionarios de la Municipalidad Distrital de Masisea y 15
personal de salud del Centro de Salud Masisea, la data se obtuvo a través de
entrevistas individuales semi-estructuradas, entrevista Grupal, revisión documental y
revisión documental, las entrevistas se aplicó a los funcionarios y al personal del
gobierno municipal y del centro de salud de Massisea. Finalmente, concluye que existe
un incumplimiento parcial por parte de ambas entidades (gobierno municipal y el
sector salud) y que al analizar ambos entes se descubrió que el nivel de articulación es
bajo afectando realmente la distribución del plan de incentivos, lo que conlleva a que
no se reduzca la desnutrición crónica infantil.
2.2 Marco teórico
Para desarrollar nuestro marco teórico, analizaremos muchos autores que han
intentado definir la teoría económica más eficiente para obtener un modelo en donde
se pueda explicar a través de diferentes variables el comportamiento de la tasa de
prevalencia de desnutrición, pero en base a las definiciones que se recopilo a lo largo
de los años en donde se fueron dando y/o mejorando la definición de la tasa de
prevalencia de desnutrición, ya sea cambiando su enfoque radicalmente o
simplemente expandiendo el concepto que se tenía, pero como nos daremos cuenta
con la evolución de la tasa de prevalencia de desnutrición que explicaremos a
continuación y en base a los antecedentes mencionados anteriormente, no se pudo
definir una teoría económica específicamente sobre la tasa de prevalencia de
47
desnutrición que podamos utilizar en nuestro trabajo, por lo que lo enfocaremos en
base a la teoría económica de la pobreza y el desarrollo.
El primer concepto que nos da indicio sobre la nutrición empieza en la década de 1940
donde nacen las expresiones de “seguridad alimentaria” y “seguridad nutricional”, en el
año 1943-1944 los gobiernos se reunieron en Hot Springs, Virginia (EE. UU.)
pensando en el futuro para poder impulsar la relación que existía entre la alimentación
y la agricultura, en donde llegaron a la conclusión que “la liberación de la miseria”
implicaba un suministro seguro, suficiente y adecuado de alimentos para cada hombre,
mujer y niño, en donde el término “seguro” se refería a la accesibilidad de los
alimentos, el término “suficiente” a la suficiencia cuantitativa del suministro de
alimentos y el término “adecuado” al contenido de nutrientes del suministro de
alimentos.
Siendo su primera preocupación centrarse en Europa que era azotada por la guerra y
padecía de hambre, por lo que la primera acción de la conferencia de Hot Springs fue
abastecerse la de demanda de alimentos como cereales y otros alimentos similares
que serían necesarios para que las personas mantengan el mínimo de energía
alimentaría. Para luego centrarse en aumentar la producción de alimentos que
pudieran proporcionar proteínas y otros nutrientes para mantener una buena salud.
Insistiendo en ese entonces que la principal causa para el hambre y la necesidad se
debía a que existía pobreza.
Para los años 1950s-1960s, se siguieron desarrollándose políticas alimentarias y
agrícolas centrándose en aumentar la productividad, la producción y la
comercialización de los principales productos básicos como el arroz y el trigo,
perdiéndose el objetivo principal de reducir la pobreza mediante la liberación de la
necesidad del hambre.
Para el año 1966 las Naciones Unidas aprobaron el Pacto Internacional de Derechos
Económicos, Sociales y Culturales, con lo cual se obtuvo el derecho a una
alimentación adecuada y a estar protegido contra el hambre y dio obligaciones a los
Estados de crear medidas necesarias “mejorar los métodos de producción,
conservación y distribución de alimentos mediante la plena utilización de los
conocimientos técnicos y científicos, la divulgación de principios sobre nutrición...” y
“...asegurar una distribución equitativa de los alimentos mundiales en relación con las
necesidades” (artículo 11).
48
En la década de 1970, se produjeron malas cosechas en todo el mundo lo que produjo
una reducción en las existencias de todo el mundo de cereales, así como escases en
los mercados, y un aumento de los precios de los alimentos en muchos países. Por lo
que en el año 1974 se realizó una Conferencia Mundial de la Alimentación en Roma
para combatir la crisis, por lo que en esa conferencia se definió seguridad alimentaria
en base en el suministro de alimentos: 5 CFS 2012/39/4 como “Disponibilidad en todo
momento de suficientes suministros mundiales de alimentos básicos para sostener el
aumento constante del consumo de alimentos y compensar las fluctuaciones en la
producción y los precios”.
Después de la Conferencia Mundial de la Alimentación en Roma de 1974, se instauró
el Comité de Seguridad Alimentaria Mundial (CFS) de las Naciones Unidas/FAO y el
Subcomité de Nutrición del Comité Administrativo de Coordinación (SCN-CAC). En
donde el CFS se encargaría de supervisar el aumento de la producción alrededor del
mundo y de estabilizar los mercados del mundo de cereales teniendo como meta que
dichas cantidades serían suficientes para proveer la comida necesaria para que las
personas del planeta se alimentarán, mientras que el SCN-CAC se encargaría de velar
por las actividades y/o programas del sistema de las Naciones Unidas relacionados a
la nutrición en donde se garantizaría que cada persona del planeta tuviera acceso a
una dieta equilibrada proporcionada de nutrientes necesarios para poder llevar una
vida sana y activa.
Haciendo referencia en el estudio de Sen (1981), se amplió el enfoque de seguridad
alimentaria ya que según el estudio no era suficiente solo poseer el suministro de
alimentos para asegurar la seguridad alimentaria a menos que las personas con
menos recursos y vulnerables no tengan barreras para el acceso físico y económicos
de los alimentos.
A comienzos de la década de 1980 en medio de la segunda crisis mundial causada
por malas cosechas de cereales. La FAO (Organización de las Naciones Unidas para
la Alimentación y la Agricultura) incorporó un concepto ampliado sobre la seguridad
alimentaria, que el CFS lo hizo suyo en el año 1983. Dicho concepto se enfocaba en
tres conceptos específicos suficiencia de los suministros de alimentos, estabilidad en
los suministros y mercados de alimentos, y seguridad del acceso a los suministros.
Para el año 1986 el Banco Mundial redactó y publicó un informe con título “La pobreza
y el hambre”, la cual se centraba en la dinámica temporal de la inseguridad
alimentaria. En dicho informe se atribuye al hambre crónica y a la inseguridad
alimentaria como causantes directos de pobreza y falta de ingresos.
49
A principios de la década de 1970 surge el concepto de planificación nutricional
multisectorial, este concepto abordaba el problema de la desnutrición como un
problema de política pública así mismo nos indicaba que tenía una relación muy
estrecha con la planificación económica a nivel nacional ya que era un componente
indispensable para la planificación general del desarrollo. En el informe de 1975 de la
FAO “Food and Nutrition Planning” (Planificación alimentaria y nutricional), se
profundizó el enfoque de planificaciones del desarrollo en donde se concluyó que la
planificación nutricional pasaba a ser un elemento fundamental porque su objetivo
principal era la reducción permanente de la malnutrición mediante la disminución de
los factores que la producían.
En la década de 1980 ya se comenzó a hablar sobre el concepto de carencia de
micronutrientes para explicar la desnutrición y la malnutrición. Para el año 1990, el
Fondo de las Naciones Unidas para la Infancia (UNICEF) público un informe titulado
“Marco conceptual de las causas de la malnutrición”, donde explicaba las diferencias
entre los factores alimentarios y los no alimentarios (cuidados y salud) que eran
significativos para la nutrición infantil. Dos años después, en el año 1992 este marco
fue profundizado por la Conferencia Internacional sobre Nutrición.
La comunidad de nutricionistas y profesionales sanitarios vienen trabajando por que
las personas tengan una mejor comprensión sobre los factores determinantes claves
que conllevan a gozar de buena nutrición, así como que sea considerado como
objetivo principal en la planificación de desarrollo. Por eso se ha creado grupos y/o
movimientos como el Movimiento para el fomento de la nutrición (SUN) formado en el
2010 para combatir la reducción del hambre y de la desnutrición y velar por la
seguridad alimentaria y nutricional de todas las personas.
Sen (1981), en su libro Poverty and Famines An Essay on Entitlement and Deprivation
nos habla sobre las posibles causas sobre el hambre en donde debate la hipótesis de
que la hambruna se debe a la disminución de la posibilidad de alimentos (FAD en sus
siglas en ingles por food-availability decline), diciendo que esto no se debe muchas
veces a las limitaciones del alimento sino del derecho que le quitan a uno de obtener
el alimento, como por ejemplo un aumento de la inflación que no puede ser
contrarrestado por algunos sectores que se quedan con los salarios estancados, una
mala distribución de los alimentos (sectorizada a un grupo de personas por
conveniencia) por parte del estado, un defectuoso sistema transporte del alimento y
por último un escenario menos probable pero posible es el sistema político de una
país.
50
Concluyendo que las hambrunas se pueden prevenir y controlar, cuando se deja
funcionar a los mercados libremente pero siempre controladas por el gobierno de una
manera eficiente, implementando programas directos como los denomina de socorro o
alivio del empleo (alimentos por trabajo o dinero por trabajo), de las cuales dice que es
preferible que el alivio tendrá un mejor beneficio si se paga con alimento y no con
dinero, porque el dinero podría hacer que el precio de los alimentos aumente.
Para Ravallion (1990) en su libro Income effects on undernutrition, explica un enfoque
interesante sobre cómo medir los efectos de la desnutrición bajo restricciones
presupuestarias o algunos parámetros del hogar, para lo cual considera dentro de sus
variables a las calorías consumidas, ingreso, precio y otros parámetros como edad,
tamaño del hogar, sexo, peso, etc. Los dos principales objetivos de su investigación
son estimar una función de ingesta y simular con esta función los efectos de los
cambios en los ingresos de diversas medidas de desnutrición calórica.
Teniendo como resultado que aunque es cierto que existen otras políticas para reducir
la desnutrición por un costo social, él pudo a través de un análisis econométrico
enfocado en la ingesta de calorías obtener datos precisos de cuando una personas
sufre de desnutrición mediante el nivel de requerimiento de nutrientes y que la función
planteada por él podía abarcaba las caracterices de cualquier persona las persona
porque dentro de sus variables existe una variable “X” la cual incluye todas las
variables para controlar la heterogeneidad de las personas u hogares.
Según Deaton (citado por Weil, 2015) en su libro The Great Escape: Health, Wealth,
and the Origins of Inequality intenta demostrar que la mejora en la salud incluyendo la
prevalencia de desnutrición no está relacionada estrechamente con la mejora en los
ingresos, llegando a la conclusión de en salud no es costosa y que esta depende de la
mejora en la calidad de las instituciones de salud y que a lo largo la mejora de la salud
y del ingreso dependerá únicamente del avance en el conocimiento.
Para esto analizó la Curva de Preston, la cual muestra la relación entre la esperanza
de vida y el ingreso real per cápita explicado en el artículo The Changing Relation
between Mortality and Level of Economic Development de Preston (1975), donde
Deaton llego a la conclusión de que es un grave error considerar esta idea, ya que
nos dice que si bien considerar seductora "Que las enfermedades de los países
pobres son en realidad "enfermedades de la pobreza" en el sentido de que
desaparecerán si se reduce la pobreza, las intervenciones directas de salud pueden
ser menos importantes que el crecimiento económico. El crecimiento económico sería
51
"doblemente bendecido"; la gran mejoría de la salud no se debe a la mejora en el
ingreso sino a la mejora en la tecnología de salud.
López (2007), nos explica que la pobreza estructural se genera por las llamadas
“trampas de la pobreza”, la cual se basa en que la pobreza se transfiere de generación
tras generación haciendo que las familias queden atrapadas en círculos viciosos en
donde hace que la situación y las condiciones generadas retroalimenté la pobreza y
empeoré en el tiempo. Mencionamos a López porque su enfoque nos ayuda explicar el
comportamiento de diferentes problemas como trabajo infantil, analfabetismo, capital
de trabajo, entre otros, así como de la prevalencia de desnutrición.
Por su parte Bhagwati (1958a), nos habla de otra postura que es el Immiserizing
Growth que se basa en que un crecimiento económico puede producir un aumento a la
pobreza, ya que una economía abierta que experimenta una expansión en su
capacidad productiva (causada por el crecimiento económico y/o el progreso
tecnológico) puede empeorar si sus términos de intercambio se deterioran
suficientemente, causado porque dentro del sector productivo se produce una mayor
monopolización, así como grandes ineficientes sumado a una regulación baja por
parte del estado en la economía, produciendo que los ingresos no se distribuyan de
una manera correcta hacia las personas.
Otro enfoque que nos explica Marquesán (2015) en su artículo sobre al problema de la
pobreza y el desarrollo, la cual tiene repercusiones directas sobre la prevalencia de
desnutrición se da bajo la teoría económica de trickle-down o goteo hacia abajo, el
cual tuvo sus orígenes en 1904 por George Simmel que aplicó esta teoría al mundo de
la moda. Para que después de setenta años esta teoría se trasladará a la economía
bajo la premisa que los beneficios de las políticas favorables a los más ricos
terminarían goteando hasta las personas más pobres beneficiando de este modo a
todo el mundo.
Asimismo, en su artículo Manfred (citado por Márquesan, 2015) nos habla de
Economía descalza, término que este mismo acuño en donde nos explica que la
mejora de la pobreza no solo se debe medir por indicadores, sino que esta se debe
medir, entender y sobre todo solucionar si es que uno en verdad entiende a la pobreza
en el campo y no en una oficina, teniendo como foco principal entender a las personas
pobres para que en base a esta se den nuevas políticas y no esperar que la riqueza de
distribuya a través del goteo.
52
Por su parte Stiglitz (citado por Durán, 2007) argumento sobre la teoría de trickle-down
que “los beneficios del crecimiento se filtran y llegan incluso a los pobres… no deja de
ser más que un acto de fe” (Stiglitz 2002: 108)
Y el ultimo enfoque sobre la relación entre distribución y pobreza está el crecimiento
Pro-Pobres o también conocido en inglés Pro-poor Growth del cual nos habla Kawani
(2004) (citado por López 2007) explicándonos que en este crecimiento económico las
personas pobres obtienen un mayor beneficio que las personas ricas haciendo que en
este escenario tanto la pobreza como la desigualdad se reduzcan.
Por su lado Overseas Development Institute (ODI) (2010), nos habla en su articulo
Introducing pro-poor growth que la mejor forma para que los pobres puedan obtener
un crecimiento favorable es creando oportunidades en los sectores en donde ellos se
desenvuelve por ejemplo el sector agricultura, así como también se debe impulsar
mediante políticas gubernamentales los bienes y servicios que los pobres demandan y
ofertan, por lo que el estado deberá invertir en los pobres haciendo un gasto público
para la ampliación de oportunidades para vender productos y servicios y para
aumentar los puestos de trabajo (empleo) lo cual generará un círculo vicioso en donde
los mayores beneficiados serán los pobres ya que ellos se beneficiarán del crecimiento
a través del empleo o de los mercados de productos. Pero también nos habla de los
obstáculos o las barreras los cuales impedirían desarrollar el pro-poor growth y estas
son la desigualdad que pudiese existir en el país, las políticas económicas existentes y
por último los factores externos que podrían perjudicar la aplicación del pro-poor
growth como por ejemplo una crisis financiera.
Asimismo, los países miembros de las Naciones Unidas en el año 2000 aceptaron y
fijaron ocho objetivos con el fin de combatir la pobreza llamándolo los Objetivos de
Desarrollo del Milenio – ODM (2015), resultando ser el movimiento en contra de la
pobreza que más éxito ha tenido en la historia. Teniendo como compromiso
fundamental “no escatimar esfuerzos para liberar a nuestros semejantes, hombres,
mujeres y niños de las condiciones abyectas y deshumanizadoras de la pobreza
extrema”.
El último informe emitido por la organización de las naciones unidas sobre los
Objetivos de Desarrollo del Milenio fue en el año 2015, abarca todas las variables
planteadas, las cuales veremos en los siguientes objetivos.
El primer objetivo es el de erradicar la pobreza extrema y el hambre el cual abarca
nuestro problema general planteado en el trabajo de investigación el cual es la
53
prevalencia de desnutrición así como también abarca las variables ingreso nacional
bruto per cápita y la tasa de desempleo, ya que dentro de este objetivo se mejoras en
el ingreso por persona, la preocupación por la lucha contra el desempleo no solo de
hombres sino también de mujeres y jóvenes, y por último lo más importante la
reducción a la mitad de las personas que padecen de hambre para el periodo de 1990
a 2015, indicando que para el periodo 1990 – 1992 las personas desnutrición para
países en desarrollo era 23,3% lo cual se redujo al 12,9% para el periodo 2014–2016.
El segundo objetivo es lograr la enseñanza primaria universal, este objetivo se
relaciona directamente con la variable escogida la cual es los años promedio de
escolaridad, por lo que este objetivo lo que se busca es velar por la educación de
niños preocupándose en la tasa neta de matriculación de enseñanza primaria, la
reducción de inasistencia a las escuelas y la tasa de alfabetización primordialmente en
los países en desarrollo para el periodo de 1990 y 2015.
El quinto objetivo es el de mejorar la salud materna, este objetivo se relaciona con la
variable escogida la cual es gasto en salud per cápita, aunque este objetivo solamente
abarca a salud de la madre en comparación de la variable mencionada que abarca al
gasto en salud en forma general nos da un claro indicio que los Objetivos de
Desarrollo del Milenio (ODM) se preocupa por la salud.
El séptimo objetivo es garantizar la sostenibilidad del medio ambiente, aunque este
objetivo abarca el cuidado del medio ambiente con recursos sostenibles, la reducción
de la pérdida de biodiversidad también abarca la reducción a mitad el número de
personas sin acceso sostenible al agua potable y a servicios básicos de saneamiento
para el periodo de 1990 a 2015, abarcando directamente las dos últimas variables que
utilizaremos en el trabajo de investigación que son la variables acceso a agua potable
y mejora en las instalaciones sanitarias.
Una definición fisiológica es dada por la Organización Mundial de la Salud – OMS,
2016, en donde la desnutrición es el desequilibrio celular que existe entre la energía y
la demanda del cuerpo por los nutrientes que se deben de suministrar para que este
(el cuerpo) pueda realizar funciones como la de crecimiento, así como su propio
mantenimiento.
Así como las Naciones Unidas acordaron los Objetivos de Desarrollo del Milenio –
ODM (2015), también los países miembros acordaron 17 Objetivos de Desarrollo
Sostenible (ODS) con las 169 metas el cual a diferencia del primero tiene un mayor
alcance ya que abordan las principales causas de la pobreza y la necesidad que
54
preocupan al mundo de lograr un desarrollo favorable para todas las personas, de los
cuales solo mencionaremos los objetivos que estén relacionados con la prevalencia de
desnutrición.
El primer objetivo de los ODS es poner fin a la pobreza en todas sus formas en todo el
mundo para poder cumplir con este objetivo se buscará poner en práctica programas y
políticas que tengan como fin reducir y/o eliminar la pobreza.
Nos dice también que pobreza no solo se debe centrar en la falta de ingreso y de
recursos, ya que dentro de sus manifestaciones también se debe tener en cuenta
como pobreza el hambre y la malnutrición, las limitaciones en la educación, así como
las limitaciones de otros servicios básicos, por lo que concluye que para que el
crecimiento económico sea inclusivo se deberá de crear puestos de trabajos
sostenibles y así como de fomentar la igualdad.
El segundo objetivo de los ODS es poner fin al hambre por lo que por lo que se
buscará conseguir la seguridad alimentaria, así como enfocarse en la mejoría de la
nutrición mediante la fomentación de la agricultura, la silvicultura y las piscifactorías
sostenibles para poder garantizar los recursos básicos.
El tercer objetivo de los ODS viene por el lado de la salud, la cual nos dice que con
este objetivo se busca asegurar una vida sana, así como de fomentar el bienestar para
todas las personas sin importar la edad.
El cuarto objetivo de los ODS nos habla por el sector educación, la cual nos dice que
con este objetivo se busca asegurar una educación que sea de buena calidad, así
como inclusiva para toda persona que desea aprender sin importar el momento de la
edad de la persona.
El sexto objetivo de los ODS, el cual nos habla del aseguramiento del servicio de
agua, así como su administración sostenible y el servicio de saneamiento para todas
las personas.
El último objetivo de los ODS, aunque no es una variable concreta en nuestro modelo
econométrico nos sirve para poder explicar algunos aspectos de nuestro trabajo de
investigación es el décimo objetivo el cual plantea la reducción que existe en y entre
los países. Ya que aunque la desigualdad de los ingresos entre los países se ha
reducido, caso contrario sucedió dentro de los mismos países en donde la desigualdad
ha aumentado.
55
Por lo que la ONU ha planteado políticas universales para poder reducir las
desigualdades que existen, las cuales se enfocan en las necesidades de poblaciones
menos favorecidas y excluidas
Este último punto nos interesa ya que nos ayudará a poder explicar porque es
importante reducir las desigualdades entro los países y como afecta esta desigualdad.
Reducir la desigualdad según la Naciones Unidas favorece al crecimiento y a la
reducción de la pobreza y que la mejor manera de acortar la brecha de desigualdad
existente es reduciendo la desigualdad en los ingresos y en la desigualdad de
oportunidades.
En el artículo ¿Por qué América Latina sigue siendo tan desigual? escrito por Justo
(2014) para el BBC, el Banco Mundial y el Centro de Estudios Distributivos, Laborales
y Sociales (CEDLAS) nos dice que el porcentaje de desigualdad más elevada se
encuentra en África Subsahariana con 56,5%, luego América Latina con 52,9% y muy
por debajo un porcentaje menor Asia con 44.7% y Europa del Este y Asia Central con
34,7%
En el artículo “Las Diez Causas De La Desigualdad” escrito por un autor invitado
(2014) para el periódico El País, nos dice que una de las razones por la que existe la
desigualdad en un país es la distribución injusta de la inversión y el gasto público que
es explicado cuando grupos de ciudadanos o entes obtienen un mayores beneficios
por la inversión y gasto público que el resto de ciudadanos, estos beneficios se
pueden traducir en un mayor beneficio al acceso a servicios sociales básicos como
salud, educación, asimismo nos dice que esta distribución se rigen por decisiones
políticas que muchas veces no son justas sino que se toman por criterio de
conveniencia.
Por su lado la United Nations InternationalcChildren´s Emergency Fund (UNICEF)
2016 define la desnutrición como un estado patológico que resulta al tener una dieta
deficiente el cual puede ser debido a uno o varios nutrientes esenciales para nuestro
organismo. También la desnutrición puede resultar por una mala asimilación de los
alimentos que ingerimos. Asimismo, nos da a conocer que la desnutrición se separa
en tres categorías: La desnutrición aguda, desnutrición crónica y desnutrición global.
La primera categoría abarca la relación de la deficiencia del peso sobre la altura y
tiene una asociación con la falta de ingesta de alimentos en lapsos de tiempo cortos
como de escaso alimento o cuando surge alguna enfermedad en donde se origina una
pérdida de peso. La segunda categoría abarca la relación del retardo de la altura sobre
la edad la cual está relacionada a entornos en donde existe pobreza, produciendo
56
consecuencias en el aprendizaje y ocasionando un menor desarrollo económico. Por
último, la tercera categoría abarca la deficiencia de peso para la edad.
Por lo que en este trabajo de investigación al no encontrar alguna teoría económica
sobre la desnutrición como lo expliquemos en un principio usaremos al igual que los
diferentes autores ya mencionados anteriormente variables significativas, para explicar
la tasa de prevalencia de desnutrición en base a la última definición planteada sobre la
prevalencia de desnutrición, para modelar un modelo que nos explique cuáles son las
causas o variables que impactan a la variable tasa de prevalencia de desnutrición. Las
variables que usaremos para nuestro modelo serán tasa de desempleo, gasto en salud
per cápita, número de hijos por mujer, INB per cápita, porcentaje de acceso de agua
de la población, tasa de la mejora de las instalaciones de sanitarias y años promedio
de escolaridad.
Para realizar el estudio de un problema económico es necesario seguir una
metodología que guíe y permita llevar a cabo una investigación efectiva, para el
presente trabajo seguiremos la metodología descrita en Gujarati y Porter. Nuestro
análisis fue realizado bajo el modelo de data panel, el mismo que busca analizar el
comportamiento de la variable dependiente (a la cual la hemos designado como Y)
utilizando los valores tomados de un conjunto de variables independientes
(designadas como X1, X2,…,XK).
Así mismo desarrollaremos por completo la metodología de la econometría, la misma
que incluye lo siguiente:
Planteamiento de la hipótesis
Especificación del modelo matemático de la teoría
Especificación del modelo econométrico de la teoría
La obtención de datos
La estimación de los parámetros del modelo econométrico de la teoría
La prueba de hipótesis
El pronóstico o predicción
La utilización del modelo para fines de control de política y conclusiones.
57
3. Objetivos e hipótesis
3.1 Objetivos.
3.1.2 Objetivo General
O.G Determinar el impacto neto de sumatoria de las variables (valor absoluto)
al analizar todas las variables que tuvieron un impacto significativo en la
reducción neta de la tasa de prevalencia de desnutrición en los diferentes
subcontinentes, durante el periodo 1995–2014.
3.1.3 Objetivo Específico
58
3.1.3.1 Objetivo Especifico 1
O.E.1 Determinar el impacto de la variable tasa de desempleo sobre la tasa de
prevalencia de desnutrición en los diferentes subcontinentes, durante el periodo
1995-2014.
3.1.3.2 Objetivo Especifico 2
O.E.2 Determinar el impacto de la variable gasto en salud per cápita sobre la
tasa de prevalencia de desnutrición en los diferentes subcontinentes, durante el
periodo 1995-2014.
3.1.3.3 Objetivo Especifico 3
O.E.3 Determinar el impacto de la variable ingreso nacional bruto per cápita
sobre la tasa de prevalencia de desnutrición en los diferentes subcontinentes,
durante el periodo 1995-2014.
3.1.3.4 Objetivo Especifico 4
O.E.4 Determinar el impacto de la variable número de hijos por mujer sobre la
tasa de prevalencia de desnutrición en los diferentes subcontinentes, durante el
periodo 1995-2014.
3.1.3.5 Objetivo Especifico 5
O.E.5 Determinar el impacto de la variable tasa de acceso de agua de la
población sobre la tasa de prevalencia de desnutrición en los diferentes
subcontinentes, durante el periodo 1995-2014.
3.1.3.6 Objetivo Especifico 6
O.E.6 Determinar el impacto de la variable tasa de las mejoras de las
instalaciones sanitarias sobre la tasa de prevalencia de desnutrición en los
diferentes subcontinentes, durante el periodo 1995-2014.
59
3.1.3.7 Objetivo Especifico 7
O.E.7 Determinar el impacto de la variable años promedio de escolaridad sobre
la tasa de prevalencia de desnutrición en los diferentes subcontinentes, durante
el periodo 1995-2014.
3.2 Hipótesis
3.2.2 Hipótesis General
H0: El impacto neto de sumatoria de las variables (valor absoluto) al analizar
todas las variables que tuvieron un impacto significativo en la reducción neta de
la tasa de prevalencia de desnutrición en los diferentes subcontinentes, durante
el periodo 1995–2014 fue en promedio igual a 10%.
H1: El impacto neto de sumatoria de las variables (valor absoluto) al analizar
todas las variables que tuvieron un impacto significativo en la reducción neta de
60
la tasa de prevalencia de desnutrición en los diferentes subcontinentes, durante
el periodo 1995–2014 fue en promedio menor a 10%.
3.2.3 Hipótesis Especificas
3.2.3.1 Hipótesis Especifica 1
H0: El mayor impacto (valor absoluto) de la variable tasa de desempleo sobre la
tasa de prevalencia de desnutrición en los diferentes subcontinentes, durante el
periodo 1995-2014 fue igual a 10%.
H1: El mayor impacto (valor absoluto) de la variable tasa de desempleo sobre la
tasa de prevalencia de desnutrición en los diferentes subcontinentes, durante el
periodo 1995-2014 fue menor a 10%
3.2.3.2 Hipótesis Especifica 2
H0: El mayor impacto (valor absoluto) de la variable gasto en salud per cápita
sobre la tasa de prevalencia de desnutrición en los diferentes subcontinentes,
durante el periodo 1995-2014 fue igual a 10%.
H1: El mayor impacto (valor absoluto) de la variable gasto en salud per cápita
sobre la tasa de prevalencia de desnutrición en los diferentes subcontinentes,
durante el periodo 1995-2014 fue menor a 10%.
3.2.3.3 Hipótesis Especifica 3
H0: El mayor impacto (valor absoluto) de la variable ingreso nacional bruto per
cápita sobre la tasa de prevalencia de desnutrición en los diferentes
subcontinentes, durante el periodo 1995-2014 fue igual a 10%.
H1: El mayor impacto (valor absoluto) de la variable ingreso nacional bruto per
cápita sobre la tasa de prevalencia de desnutrición en los diferentes
subcontinentes, durante el periodo 1995-2014 fue menorl a 10%.
61
3.2.3.4 Hipótesis Especifica 4
H0: : El mayor impacto (valor absoluto) de la variable número de hijos por mujer
sobre la tasa de prevalencia de desnutrición en los diferentes subcontinentes,
durante el periodo 1995-2014 fue igual a 10%.
H1: El mayor impacto (valor absoluto) de la variable número de hijos por mujer
sobre la tasa de prevalencia de desnutrición en los diferentes subcontinentes,
durante el periodo 1995-2014 fue menor a 10%.
3.2.3.5 Hipótesis Especifica 5
H0: El mayor impacto (valor absoluto) de la variable tasa de acceso de agua de
la población sobre la tasa de prevalencia de desnutrición en los diferentes
subcontinentes, durante el periodo 1995-2014 fue igual a 10%.
H1: El mayor impacto (valor absoluto) de la variable tasa de acceso de agua de
la población sobre la tasa de prevalencia de desnutrición en los diferentes
subcontinentes, durante el periodo 1995-2014 fue menor a 10%
3.2.3.6 Hipótesis Especifica 6
H0: El mayor impacto (valor absoluto) de la variable tasa de las mejoras de las
instalaciones sanitarias sobre la tasa de prevalencia de desnutrición en los
diferentes subcontinentes, durante el periodo 1995-2014 fue igual a 10%.
H1: El mayor impacto (valor absoluto) de la variable tasa de las mejoras de las
instalaciones sanitarias sobre la tasa de prevalencia de desnutrición en los
diferentes subcontinentes, durante el periodo 1995-2014 fue menor a 10%
62
3.2.3.7 Hipótesis Especifica 7
H0: El mayor impacto (valor absoluto) de la variable años promedio de
escolaridad sobre la tasa de prevalencia de desnutrición en los diferentes
subcontinentes, durante el periodo 1995-2014 fue igual a 10%.
H1: El mayor impacto (valor absoluto) de la variable años promedio de
escolaridad sobre la tasa de prevalencia de desnutrición en los diferentes
subcontinentes, durante el periodo 1995-2014 fue menor a 10%
CAPÍTULO II: METODOLOGÍA
4 Método
4.1Tipo y diseño de investigación
4.1.2 Tipo de investigación
Para el presente trabajo de investigación, por las cualidades y caracterizas de la data
recolectada, será una investigación de tipo cuantitativa, por el principal motivo de
nuestro planteamiento y formulación del problema así como nuestros objetivos e
63
hipótesis, buscan identificar a partir de la data panel (60 países agrupados en
continentes como América del sur, América del centro y países del caribe, África del
Norte y Occidental, África del Sur, Oriente y Central y Asia para el periodo 1995 –
2014) recolectada los principales factores (variables independientes) que tienen un
impacto sobre la tasa de prevalencia de desnutrición.
4.1.3 Diseño de investigación
El diseño que emplearemos en nuestro trabajo de investigación será de tipo “No
experimental”, ya que la investigación no experimental podría definirse como la
investigación que se realiza sin manipular deliberadamente variables. Es decir, se trata
de estudios donde no hacemos variar en forma intencional las variables
independientes para ver su efecto sobre otras variables (Hernández, Fernández y
Baptista), específicamente será una investigación de diseños longitudinales, porque
recolectaremos datos a través del tiempo en puntos o periodos, y dentro de los
diseños longitudinales utilizaremos el diseño longitudinal panel.
4.2 Variables
4.2.1 Tipo de variable
Las variables utilizadas en este trabajo de investigación son (“X1”, “X2”,”X3”, “X4”,
“X5”, “X6” y “X7). Dónde:
* Y: Tasa de prevalencia de desnutrición (% de la población general).
* X1: Tasa de desempleo (% de la población activa total)
* X2: Número de hijos por mujer
64
* X3: Ingreso nacional bruto (INB) per cápita (US$ a precios actuales, método atlas2)
* X4: Gasto en salud per cápita (US$ a precios actuales)
* X5: Tasa de acceso de agua de la población
* X6: Tasa de la mejora de las instalaciones sanitarias
* X7: Años promedio de escolaridad
Es de señalar que, para el presente trabajo, la variable dependiente e independientes
han sido denominadas de la siguiente manera:
* Tpd2 = Tasa de prevalencia de desnutrición
* U = Tasa de desempleo
* Gs = Gasto en salud per cápita
* Inb3 = Ingreso nacional bruto per cápita
* Nhm4 = Número de hijos por mujer
* Aap = Tasa de acceso de agua de la población
* Mis = Tasa de la mejora de las instalaciones sanitarias
* Ae5 = Años promedio de escolaridad
Cuadro 1: Tabla descriptiva de las variables
2La variable dependiente la Tasa de Prevalencia de Desnutrición (TPD) en muchas secciones de nuestro trabajo de
investigación se utilizará “Prevalencia de Desnutricion” como abreviación para referirse a lo mismo 3 Según la Banco MundiaL citado por COMUNIDAD ANDINA SECRETARIA GENERAL (2004) dice que el método o factor de conversión Atlas para cualquier año es el tipo de cambio promedio de un país (o factor alternativo de conversión) para ese año y sus tipos de cambio para los dos años anteriores, ajustados por la diferencia entre la tasa de inflación en el país, y a través del 2000, el del grupo de los 5 países G-5, (Francia, Alemania, Japón, Reino Unido y los Estados Unidos). A partir del 2001 y en adelante, estos países incluyen la Zona Europea, Japón, el Reino Unido, y los Estados Unidos. La tasa de inflación de un país es medida por la variación en el deflactor del PBI. 4 Cabe resaltar que la variable número de hijos por mujer se medirá indiferentemente de la variable años promedio
de escolaridad que incluye a las los años en que la mujer haya estudiado ya que como se verá en los resultados no necesariamente que una de las dos variables sea significante para la tasa de la prevalencia de desnutrición significara que la otra también lo sea, pudiendo entonces el lapso de tiempo de 1995 al 2014 las niñas crecer y tener hijos sin prodocirse una correlacion perfecta entre ambas variables ya que influirá mucho diferentes aspectos como la cultura del grupo de países (continente o subcontientes) se analicen asi como sus políticas no produciéndose necesariamente una causa efecto entre ambas.
5 La variable años promedio de escolaridad se referirá a los años que en promedio la población general ya sean hombres y mujeres del determinado país en análisis estudió a lo largo de su vida en el año referido del análisis, por lo que eso no significa que esa variable se refiera a cuantas personas estudian en ese determinado momento (año).
65
Fuente: Elaboración propia
4.2.2 Operacionalización de variables
Símbolo Variable Especificación Nombre en
regresión
En
dó
gen
a
Y Tasa de prevalencia
de desnutrición
La población ubicada por debajo
del nivel mínimo de consumo
alimenticio de energía (indicador
también conocido como
prevalencia de desnutrición)
muestra el porcentaje de la
población cuya ingesta de
alimentos no alcanza para
satisfacer sus requisitos
alimenticios de energía de
manera continua.
Tpd
Exó
gen
a
X1 Tasa de desempleo Desempleo, total (% de la
población activa total)
U
X2 Gasto en salud per
cápita
Gasto en salud per cápita (US$ a
precios actuales)
Gs
X3 Ingreso nacional
bruto (INB) per cápita
Método Atlas (US$ a precios
actuales)
Inb
X4 Número de hijos por
mujer
Tasa de fertilidad (nacimientos
por cada mujer)
Nhm
X5 Tasa de acceso de
agua de la población
Mejora en el suministro de agua
(% de la población con acceso)
Aap
X6 Tasa de la mejora de
las instalaciones
sanitaria
Mejora de las instalaciones
sanitarias, sector urbano (% de la
población con acceso)
Mis
X7
Años promedio de
escolaridad
Adultos, en años Ae
Variable
Definición nominal
Dimensiones
Indicadores
P D
R E
E S
V N
A D T
L E R
E I
N C
C I
I O
A N
Se considera
desnutrición como un
desequilibrio celular
que existe entre la
energía y la demanda
del cuerpo con los
nutrientes que se
deben de suministrar
para que este (el
cuerpo) pueda
realizar funciones
como la de
crecimiento, así como
su propio
mantenimiento.
Tasa de
desempleo Personas buscando trabajo
Poca oferta laboral comparada a la
mucha o alta demanda laboral
Gasto en salud
per cápita Personas con cultura de
prevención de la salud
Familias con acceso a un seguro
de salud
Ingreso
nacional bruto
per cápita
Por el nivel de consumo de una
persona
La percepción de satisfacción en
una persona
Número de
hijos por mujer
Costumbres culturales
Número de años de edad de la
madre
Tasa de acceso
de agua de la
población
Infraestructura a nivel nacional
por parte del organismo
encargado del abastecimiento de
agua a la población.
Poder adquisitivo de la persona
para contratar el servicio
Tasa de la
mejora de las
instalaciones
sanitarias
Personas con acceso a desagüe
Personas con un mejor servicio
sanitario (desagüe)
66
Cuadro 2: Tabla descriptiva de la Operacionalización de variables
Fuente: Elaboración propia
Años promedio
de escolaridad
Nivel de instrucción
Años de preparación o estudio
escolar
67
Cuadro 3: Tabla resumen del Impacto de las variables que inciden en la tasa de la prevalencia de desnutrición para países en desarrollo durante 1995 - 2014
VARIABLE DIMENSIONES INDICADORES MÉTODO JUSTIFICACIÓN
P D
R E
E S
V N
A D T
L E R
E I
N C
C I
I O
A N
Tasa de desempleo Personas buscando trabajo
Poca oferta laboral
comparada a la mucha o alta
demanda laboral
Nivel de investigación: Básica
Tipo de investigación:
Cuantitativa
Diseño de investigación: Tipo de diseño “No experimental”
específicamente el diseño longitudinal panel
Población: La población elegida para este trabajo son habitantes de 60 países de todo el mundo
en desarrollo segmentada en cinco continentes o subcontientes
.
Muestra: La muestra elegida para este trabajo de
investigación son cinco continentes o subcontinentes divididos en América del
sur, América del centro y países del caribe, África del Norte y Occidental, África del
Sur, Oriente y Central y Asia.
Unidad de análisis: La unidad de análisis elegida para este
trabajo de investigación son toda aquella
Conveniencia: Información sobre las VARIABLES QUE
INCIDEN EN LA TASA DE LA PREVALENCIA DE DESNUTRICIÓN
Relevancia social:
Saber que impacto tiene estas variables sobre la tasa de la prevalencia de desnutrición en
cada uno de los continentes o subcontinentes planteados
Utilidad metodológica: Se tomará el presente trabajo de investigación
para futuro estudios, dando un aporte a los futuros investigadores que deseen abordar y/o
solucionar el problema de la prevalencia de desnutrición.
Valor teórico La determinación de las variables que inciden en la tasa de prevalencia de desnutrición, para
poder en un futuro erradicar o tratar de disminuir la tasa de prevalencia de desnutrición
en cada uno de los continentes o subcontinentes analizados
Articulación: Este trabajo se articula con los diferentes estudios previos teóricos que ha habido,
Gasto en salud per
cápita
Personas con cultura de
prevención de la salud
Familias con acceso a un
seguro de salud
Ingreso nacional bruto
per cápita
Por el nivel de consumo de una persona
La percepción de satisfacción en una persona
Número de hijos por
mujer
Data estadística recolectada
Número de años de edad de la madre
68
Fuente: Elaboración propia
Tasa de acceso de agua de la población
Infraestructura a nivel
nacional por parte del
organismo encargado del
abastecimiento de agua.
Poder adquisitivo de la
persona para contratar el
servicio
persona que padece de desnutrición sin importar el rango de edad.
Instrumento: Test estadístico, test econométricos, pruebas de hipótesis y el programa
econométrico e views_9.
Procesamiento de datos: La información utilizada fue recopilada de la base de datos del World Bank (Banco Mundial) y United Nations Development Programme (Programa de las Naciones
Unidas para el Desarrollo)
dándole un soporte matemático a estas teorías o estudios, ya que como lo mencionamos han
habido estudios netamente teóricos que no cuentan con el apoyo matemático y/o
econométrico o trabajos con planteamientos matemáticos y/o econométricos enfocados desde otra perspectiva muy diferente a la
planteada en este trabajo proporcionando a esta investigación un valor agregado para poder explicar que variables influyen en la
prevalencia de desnutrición
Tasa de la mejora de las instalaciones
sanitarias
Personas con acceso a
desagüe
Personas con un mejor
servicio sanitario
(desagüe)
Años promedio de escolaridad
Nivel de instrucción
Años de preparación o
estudio escolar
69
4.3 Población y muestra
4.3.2 Población
La población es el conjunto de todos los casos que concuerdan con una serie de
especificaciones, podemos decir que la población es la totalidad del fenómeno a
estudiar, en donde la unidad de población posee una característica común la cual
estudia y da origen a los datos. (Hernández, Fernández y Baptista).
La población elegida para este trabajo son habitantes de 60 países de todo el mundo
en desarrollo según la clasificación del WESP6 (World Economic Situation and
Prospects), así mismo dentro de los países en desarrollo incluiremos a los países en
transición excluyendo únicamente a los países desarrollados en el presente trabajo
pero para efectos del trabajo se nombrará a los países en desarrollo y en transición
como países en desarrollo.
4.3.3 Muestra
La muestra es, en esencia, un subgrupo de la población. Digamos que es un
subconjunto de elementos que pertenecen a ese conjunto definido en sus
características al que llamamos población. (Hernández, Fernández y Baptista).
La muestra elegida para este trabajo de investigación son países en desarrollo según
la clasificación del WESP (World Economic Situation and Prospects) los cuales serán
agrupados y/o divididos en cinco continentes o subcontinentes los cuales son América
del sur, América del centro y países del caribe, África del Norte y Occidental, África del
Sur, Oriente y Central y Asia, esta división se realizó porque analizaremos los grupos
de países con una realidad semejante tanto en sus ingresos, sus gastos (gastos en
salud) y/o cultura, por lo que con esta segmentación tratamos de eliminar los
problemas de distribución de gasto en salud e ingreso per cápita entre países,
obteniendo un grupo de países (continentes o subcontinentes) con un grado mayor de
similitud a diferencia de solamente clasificarlos por ser países en desarrollo.
4.3.4 Unidad de análisis
6El criterio de clasificación de los países en desarrollo lo establece el World Economic Situation and
Prospects (WESP) únicamente en base al estado de la economía mundial por lo que esta clasificación no se basará sobre los niveles (tasas) de prevalencia de desnutrición de cada país sino por el contrario como lo hemos explicado anterior se basará en base al estado de la economía de cada país.
70
Nuestra unidad de análisis para este trabajo de investigación son todas las personan
que padecen de desnutrición sin importar el rango de edad.
4.4 Técnica e instrumento de investigación
4.4.2 Técnicas de investigación
La función con la cual se trabajó es la siguiente:
Tpd = β1 + β2U + β3Gs + β4Inb + β5Nhm + β6Aap+ β7Mis + β8Ae
Nuestro modelo es múltiple pues contiene más de una ecuación. La función plantea
que la tasa de prevalencia de desnutrición está relacionada linealmente con los demás
parámetros: tasa de desempleo (porcentaje de la población activa total), gasto en
salud per cápita, ingreso nacional bruto per cápita, número de hijos por mujer, tasa de
acceso de agua de la población, tasa de la mejora de las instalaciones de sanitarias y
años promedio de escolaridad
Instrumento
La data utilizada es data panel, para un modelo el cual está divido en cinco
continentes o subcontinentes: América del sur, América del centro y países del caribe,
África del Norte y Occidental, África del Sur, Oriente y Central y Asia, en el cual
considera una población de 60 países en desarrollo con base en el periodo 1995-2014.
Las variables utilizadas son tasa de desempleo (porcentaje de la población activa
total), gasto en salud per cápita, ingreso nacional bruto per cápita, número de hijos por
mujer, tasa de acceso de agua de la población, tasa de la mejora de las instalaciones
de sanitarias y años promedio de escolaridad. A continuación, se detalla el modelo
econométrico considerado para el presente trabajo:
Tpd = β1 + β2U + β3Gs + β4Inb + β5Nhm + β6Aap + β7Mis+ β8Ae+ u
Para este trabajo de investigación se utilizarán test estadístico, test econométricos,
pruebas de hipótesis y el programa econométrico E_views9.
4.5 Procedimiento de recolección de datos
71
OBTENCIÓN DE DATOS
La información utilizada fue recopilada de la base de datos del WORLD BANK (Banco
Mundial) y del UNDP (United Nations Development Programme). Es de señalar que el
Banco Mundial es un organismo especializado de las Naciones Unidas que brinda el
acceso libre a una serie de datos a través de la interfaz Stata. Dentro de la data
brindada por el Banco Mundial, podemos encontrar información de aproximadamente
215 países, de los cuales para el presente trabajo hemos tomado información de 60
países de las variables tasa de desempleo, gasto en salud per cápita, ingreso nacional
bruto per cápita, número de hijos por mujer, tasa de acceso de agua de la población,
tasa de la mejora de las instalaciones de sanitarias y años promedio de escolaridad
como variables independientes y la tasa de prevalencia de desnutrición como variable
dependiente. Así mismo cabe resaltar que para la obtención de la data de la variables
años promedio de escolaridad si bien la data fue obtenida del UNDP (United Nations
Development Programme) la data disponible estaba incompleta para algunos años,
por lo cual se completó la data mediante una tasa de crecimiento ficticia la cual se
obtuvo de la brecha entre la data dos años tomadas como referencia.
4.6 Plan de análisis
En nuestro trabajo de investigación hemos utilizado data panel, para una población de
60 países en desarrollo, divididos en cinco continentes o subcontinentes los cuales
son: América del sur, América del centro y países del caribe, África del Norte y
Occidental, África del Sur, Oriente y Central y Asia, en el cual para el periodo 1995-
2014.
En primer lugar, empezaremos nuestro análisis estimando cada modelo como un
modelo de efectos fijos, ya que la data que utilizaremos no fue extraída aleatoriamente
de una población con distribución conocida, es decir, que la data no proviene de una
encuesta, sino por el contrario proviene de data estadística obtenida a través del world
bank y del United Nations Development Programme.
Luego, para el enriquecimiento del modelo, se estimará cada modelo como si fuese un
modelo de efectos aleatorios (aunque, estrictamente hablando, no se debería hacer
por la razón previamente comentada de que la data no proviene de una encuesta).
72
Después se llevará a cabo el test de hausman, para verificar cuál modelo es el más
adecuado para cada uno de los continentes o subcontinentes, si es el de efectos fijos
o es el de efectos aleatorios.
Si el modelo sale de efectos fijos, este únicamente se estima en eviews_9 en su forma
de mínimos cuadrados con variables dummy, cada dummy representando a cada país
de la submuestra, Se hace el test de significancia de coeficientes para probar que
todas las dummies son estadísticamente diferentes de cero. Si ese es el caso, el
modelo final de ese continente o subcontinente será el modelo de efectos fijos, si no,
será el modelo agrupado o pooled.
Por el contrario, si por el test de hausman se obtiene que el modelo más adecuado es
el de efectos aleatorios se debe realizar el test de significancia de los efectos
aleatorios. Si estos son estadísticamente significativos, el modelo de efectos aleatorios
será el modelo final para ese continente o subcontinente. Si no, se usará el modelo
agrupado o pooled.
Para poder utilizar el test de significancia tanto el modelo de efectos fijos, así como el
modelo de efectos aleatorios se deberá considerar el supuesto de que todas las
variables independientes estadísticamente son significativas de manera individual, y si
alguna variable independiente estadísticamente no es significativa no se considerará
en el análisis posterior.
73
CAPÍTULO III: RESULTADOS
5 PRESENTACIÓN DE RESULTADOS
En este capítulo se muestra el resumen de los resultados obtenidos a partir del
análisis estadístico y econométrico que fueron empleados en los modelos propuestos
para esta investigación. Luego, se presenta la discusión económica de estos
resultados, a partir de la cual se harán las conclusiones de la presente investigación y
las recomendaciones para los policy makers interesados en la reducción progresiva de
la tasa de prevalencia de la desnutrición en los subcontinentes y continentes
considerados. A partir de este capítulo en adelante usaremos América Central para
referirnos a América Central y piases del caribe.
5.1 Análisis Gráfico de las Series
En esta subsección se analizará únicamente la evolución que ha tenido la tasa de
prevalencia de la desnutrición en los países que pertenecen a cada subcontinente /
continente considerado. Las gráficas de la evolución de las demás variables (tasa de
desempleo, gasto en salud per cápita, años promedio de escolaridad, etc.) se
presentan en los anexos de esta investigación. Para empezar, la evolución de la tasa
de prevalencia de desnutrición en América del Sur fue como sigue:
Figura 1: Evolución de la Prevalencia de la Desnutrición en América del Sur
0
5
10
15
20
25
30
35
40
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Argentina Bolivia Brasil
Chile Colombia Ecuador
Guyana Perú Paraguay
Uruguay
TPD
Tasa de Prevalencia de la Desnutrición para América del Sur
Expresado en porcentaje de la población
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Porc
enta
je d
e la
Pob
lació
n
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
74
De la figura anterior se puede observar que entre los países sudamericanos ha
existido una tendencia decreciente en la tasa de prevalencia de la desnutrición durante
el periodo considerado (1995 – 2014). Los casos más notables han sido dos: El de
Bolivia (reducción de 18%, presentando tasas iguales al 35% de la población en el año
1995) y el de Perú (reducción de 15%, presentando tasas cercanas al 28% de la
población en el año 1995). Brasil también tuvo una reducción significativa de la
desnutrición (en solo diez años la redujo de casi 15% a 5%), mientras que Ecuador
tuvo un incremento de la desnutrición entre 1996 y el 2005 (llegando a niveles iguales
al 20% de la población), para luego reducirla en casi 10%. Los demás países han
mantenido sus niveles de prevalencia de la desnutrición constantes en el tiempo
debido básicamente a que sus tasas de desnutrición son relativamente bajas en el
subcontinente (estos son los casos de Argentina, Uruguay, Colombia y Chile, cuyas
tasas se ubican entre el 5% y 10% de la población).
Ahora, la evolución de la tasa de prevalencia de desnutrición en América Central fue
como sigue:
Figura 2: Evolución de la Prevalencia de la Desnutrición en América Central
0
10
20
30
40
50
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Costa Rica Guatemala
Honduras Nicaragua
Panamá El Salvador
República Dominicana Jamaica
Trinidad y Tobago México
TPD
Tasa de Prevalencia de la Desnutrición para América Central
Expresado en porcentaje de la población
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Porc
enta
je d
e la P
obla
ción
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
De la figura anterior se puede observar que entre los países centroamericanos y del
Caribe también ha existido una tendencia decreciente en la tasa de prevalencia de la
75
desnutrición durante el periodo considerado (1995 – 2014). Los casos más notables
han sido tres: El de Nicaragua (reducción de 25%, presentando tasas cercanas al 45%
de la población en el año 1995), el de República Dominicana (reducción de 15%,
presentando tasas cercanas al 30% de la población hasta el año 2001) y el de
Panamá (reducción de 12%, presentando tasas cercanas al 30% de la población hasta
el año 2002). Solo Guatemala tuvo un incremento de la desnutrición entre 1996 y el
2001 (llegando a niveles iguales al 20% de su población), para luego reducirla a casi
15% en los años siguientes. Los demás países han tenido reducciones muy pequeñas
de la desnutrición (salvo el caso de Trinidad y Tobago, el cual redujo su tasa en 8%
para el periodo de estudio) o han mantenido sus niveles de prevalencia de estas
constantes en el tiempo debido nuevamente a sus tasas de desnutrición relativamente
bajas en el subcontinente (estos son los casos de Jamaica, México y Costa Rica cuyas
tasas se ubican entre el 5% y 9% de la población).
Ahora, la evolución de la tasa de prevalencia de desnutrición en África del Norte y
Occidental fue como sigue:
Figura 3: Evolución de la Prevalencia de la Desnutrición en África del Norte y Occidental
4
8
12
16
20
24
28
32
36
40
44
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Benín Costa de Marfil
Argelia Egipto
Ghana Gambia
Marruecos Malí
Mauritania Senegal
Sierra Leona Togo
TPD
Tasa de Prevalencia de la Desnutrición para África del Norte y Occidental
Expresado en porcentaje de la población
Panel de datos para 12 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Por
cent
aje
de la
Pob
laci
ón
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
De la figura anterior se puede observar que entre los países pertenecientes a estas
zonas de África ha existido una clara tendencia decreciente en la tasa de prevalencia
de la desnutrición durante el periodo considerado (1995 – 2014). Los casos más
notables han sido siete: Sierra Leona (reducción de 13%, presentando tasas iguales al
40% de la población hasta el año 2005, con incrementos en la desnutrición entre 1999
76
y 2001), Togo (reducción de 24%, presentando tasas cercanas al 37% de la población
en el año 1995), Senegal (el cual tuvo un incremento en la tasa de desnutrición entre
los años 1998 y 2000, llegando hasta el 32% de la población, para que con el paso de
la década experimente una reducción de 20%), Benín (reducción de 20%, presentando
tasas cercanas al 30% de la población en el año 1995), Ghana (reducción de 19%,
presentando tasas cercanas al 25% de la población en el año 1995), Gambia (el cual
tuvo altibajos durante el periodo 2000 – 2010, alcanzando niveles iguales al 18% de la
población; sin embargo, logró reducir su tasa de desnutrición en 12% en los últimos
cinco años) y Malí (reducción de 14%, presentando tasas cercanas al 20% en el año
1995). Los demás países han tenido reducciones muy pequeñas de la desnutrición
(salvo el caso de Mauritania, el cual redujo su tasa en 8% para el periodo de estudio) o
han mantenido sus niveles de prevalencia de estas constantes en el tiempo debido
nuevamente a sus tasas de desnutrición relativamente bajas en el subcontinente
(estos son los casos de Argelia, Marruecos y Egipto cuyas tasas se ubican entre el 4%
y 8% de la población). Finalmente, el único caso atípico fue el de Costa de Marfil, el
cual experimentó una ligera subida en su tasa de desnutrición para el periodo de
estudio (incremento de 2%), llegando a niveles cercanos al 14% de la población en la
actualidad.
Ahora, la evolución de la tasa de prevalencia de desnutrición en África del Sur, Oriente
y Central fue como sigue:
Figura 4: Evolución de la Prevalencia de la Desnutrición en África del Sur, Oriente y Central
0
10
20
30
40
50
60
70
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Camerún Kenia Lesoto
Mozambique Malaui Ruanda
Suazilandia Tanzania Uganda
Zambia
TPD
Tasa de Prevalencia de la Desnutrición para África del Sur, Oriente y Central
Expresado en porcentaje de la población
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Porc
enta
je d
e la
Pob
lació
n
Fuente: Extraído de la Databank: World Development Ind0icators Health del World Bank elaboración
propia en EViews 9
77
A diferencia de la evolución de la tasa de prevalencia de la desnutrición en los
anteriores subcontinentes, los países pertenecientes a estas regiones de África han
mostrado una reducción menos generalizada en la desnutrición, aunque igual de
significativa. Los países que han logrado reducir más la desnutrición han sido Ruanda
(reducción de 30%, presentando tasas cercanas al 70% de la población antes del año
2000), Mozambique (reducción de 25%, presentando tasas cercanas al 60% de la
población en el año 1995), Camerún (reducción de 18%, presentando tasas cercanas
al 40% de la población en el año 1995) y Malaui (reducción de 20%, presentando
tasas cercanas al 45% de la población en el año 1995). Sin embargo, también hubo
países que han retrocedido en la reducción de la desnutrición, siendo estos los casos
de Zambia (incremento de 15%, presentando tasas de 33% de la población en el año
1995) y Suazilandia (incremento de 6%, presentando tasas de 20% de la población en
el año 1995). Los demás países del subcontinente han tenido reducciones mínimas en
el nivel de desnutrición de sus poblaciones o se han mantenido constantes en el
periodo de estudio. Sin embargo, la razón de esto no es necesariamente que estos
países tengan tasas relativamente bajas en la región ya que la dispersión en el rango
de los niveles de desnutrición promedio es bastante alto (estos son los casos de
Lesoto, Uganda y Tanzania, cuyas tasas promedio son de 10%, 27% y 38%,
respectivamente).
Finalmente, la evolución de la tasa de prevalencia de desnutrición en Asia fue como
sigue:
Figura 5: Evolución de la Prevalencia de la Desnutrición en Asia
0
10
20
30
40
50
60
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Armenia Azerbaiyán Bangladesh
Indonesia India Kazajistán
Kirguistán Camboya Sri Lanka
Mongolia Nepal Tailandia
Tayikistán Vietnam Turquía
TPD
Tasa de Prevalencia de la Desnutrición para Asia
Expresado en porcentaje de la población
Panel de datos para 15 países de este continente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Por
cent
aje
de la
Pob
laci
ón
78
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
De la figura anterior se puede observar que la reducción generalizada en la tasa de
prevalencia de la desnutrición para este continente no es tan clara como en los
subcontinentes anteriormente mostrados; sin embargo, esta es igual de significativa.
Los países asiáticos que han logrado reducir más la desnutrición han sido Mongolia
(reducción de 28%, presentando tasas cercanas al 55% de la población en el año
1995), Camboya (reducción de 17%, presentando tasas cercanas al 35% de la
población hasta el año 1999), Vietnam (reducción de 24%, presentando tasas
cercanas al 40% de la población en el año 1995), Bangladesh (reducción de 18%,
presentando tasas cercanas al 40% de la población en el año 1995), Azerbaiyán
(reducción de 23%, presentando tasas cercanas al 30% de la población hasta el año
2000), Tailandia (reducción de 20%, presentando tasas cercanas al 30% de la
población en el año 1995), Nepal (reducción de 18%, presentando tasas cercanas al
25% de la población en el año 1995) y Armenia (reducción de 17%, presentando tasas
cercanas al 25% de la población hasta el año 2002). Los demás países de este
continente han tenido reducciones menores al 10% (como Indonesia, Sri Lanka y
Kirguistán) o han mantenido constantes sus tasas de desnutrición durante el periodo
de estudio. Sin embargo, como en el caso de los países de África del Sur, Oriente y
Central, existe una dispersión muy grande en el rango de los niveles de desnutrición
promedio de los países con tasas invariantes (estos son los casos de la India y
Kazajistán, cuyas tasas promedio son de 20% y 5%, respectivamente). Finalmente, el
único país con un retroceso en la reducción de la desnutrición en su población fue
Tayikistán, cuya tasa pasó de 30% a 35% de la población durante los últimos 20 años,
alcanzando niveles cercanos al 45% de su población.
De este análisis gráfico se puede inferir lo siguiente: Que la gran mayoría de los
países subdesarrollados o en vías de desarrollo, evaluados en esta investigación, han
presentado una clara tendencia decreciente en sus niveles de desnutrición nacional,
probablemente debido a las mejores políticas empleadas por cada uno de estos
países para luchar contra este problema social y de salud, aunque también se puede
deber a la influencia de diferentes variables macroeconómicas y de desarrollo
socioeconómico como son la tasa de desempleo, el gasto en salud per cápita, el
ingreso nacional bruto per cápita, el número de hijos por mujer, las tasas de acceso al
agua potable y de mejora en las instalaciones sanitarias o los años de escolaridad
promedio, los cuales pueden haber determinado estas variaciones significativas en la
prevalencia de desnutrición en estos subcontinentes. Averiguar el impacto de estas
79
variables en la tasa de prevalencia de desnutrición es el objetivo principal de este
trabajo y se resolverá luego de la estimación de los modelos de investigación
propuestos.
5.2 Estadísticas Descriptivas de las series
En esta subsección se resumen las principales estadísticas descriptivas obtenidas de
las variables endógenas y exógenas que forman parte de los modelos propuestos para
esta investigación, es decir, se presentan los resultados de la media, desviación
estándar, valores máximos y mínimos de las series, así como los resultados del test de
Normalidad de Jarque-Bera aplicado a cada una de las series analizadas. Además, en
los anexos de este trabajo se puede encontrar un mayor detalle de estas estadísticas
descriptivas, así como de las gráficas de la función de densidad de probabilidad
normal (FDPN) de cada una de las series analizadas.
Entonces, se presenta primero el resumen de estadísticas descriptivas de las variables
que intervienen en el modelo de investigación para América del Sur.
Cuadro 4: Estadísticas descriptivas de las variables a usar en el modelo para América del Sur
Serie Media Desviación
Estándar Valor Mínimo Valor Máximo
Estadístico de
Jarque-Bera
12.08 7.82 5.00 36.00 65.94
8.18 3.39 2.60 18.80 19.05
352.48 307.18 33.10 1464.75 74.57
4558.30 3461.54 740.00 16210.00 68.30
2.64 0.59 1.76 4.50 29.63
89.34 7.86 63.60 99.60 17.19
84.07 12.12 46.10 100.00 105.03
7.72 1.11 4.60 9.80 0.55*
* Denota significancia al 5%.
** Denota significancia al 1%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
80
Del cuadro anterior se puede concluir que, en promedio, 12.08% de la población de
América del Sur padece aún problemas de desnutrición, la cifra más baja de los
subcontinentes analizados pero bastante relevante. Otras cifras interesantes de este
cuadro muestran que casi el 90% de la población, en promedio, tiene tanto acceso al
agua como mejoras en sus instalaciones sanitarias, mientras que cada mujer en este
subcontinente tiene en promedio 3 hijos en su familia. Respecto a los años de
escolaridad, un poblador de los países en vías de desarrollo de América del Sur suele
terminar por lo menos 8 años de educación, mientras que si hablamos del desempleo
en este subcontinente, 8.18% de los sudamericanos no pudo conseguir empleo
durante el periodo estudiado (1995 – 2014). En lo referido a los ingresos y gastos de
este subcontinente, cada poblador tiene en promedio un ingreso anual de 4558.30
dólares mientras que suele gastar 352.48 dólares al año para el cuidado de su salud o
de la salud de su familia.
Respecto a la variabilidad en las series consideradas para este modelo, se puede
concluir que tanto el ingreso nacional bruto per cápita como el gasto en salud per
cápita presentan la mayor dispersión de datos, debido principalmente a los diferentes
niveles de ingresos y gastos entre los países de esta región. Finalmente, en lo referido
a la normalidad de las series, únicamente los años de escolaridad tienen una
distribución normal a un nivel de significancia de 0.05.
Ahora, se presenta el resumen de estadísticas descriptivas de las variables que
intervienen en el modelo de investigación para América Central.
Cuadro 5: Estadísticas descriptivas de las variables a usar en el modelo para América Central
81
Del cuadro anterior se puede concluir que, en promedio, 14.92% de la población de
América Central y el Caribe sufre problemas de desnutrición, una cifra por encima de
la de América del Sur. Otros datos interesantes de este cuadro muestran que casi el
90% de la población, en promedio, tiene acceso al agua potable mientras que 82% de
la población centroamericana tiene mejoras en sus instalaciones sanitarias. Al igual
que en América del Sur, las mujeres de este subcontinente tienen en promedio 3 hijos
en su familia. Respecto a los años de escolaridad, un poblador de los países en vías
de desarrollo de América Central y el Caribe suele terminar solo 7 años de educación,
mientras que si hablamos del desempleo en este subcontinente, 7.75% de los
centroamericanos no pudo conseguir empleo durante el periodo estudiado (1995 –
2014). En lo referido a los ingresos y gastos de este subcontinente, cada poblador
tiene en promedio un ingreso anual de 4411.85 dólares mientras que suele gastar
únicamente 290.86 dólares al año para el cuidado de su salud o de la salud de su
familia.
Respecto a la variabilidad en las series consideradas para este modelo, nuevamente
el ingreso nacional bruto per cápita y el gasto en salud per cápita presentan la mayor
dispersión de datos, debido también a los diferentes niveles de ingresos y gastos entre
los países de esta región. Finalmente, en lo referido a la normalidad de las series,
únicamente la tasa de mejora en las instalaciones sanitarias tiene una distribución
normal a un nivel de significancia de 0.05, mientras que los años de escolaridad tienen
una distribución normal a un nivel de significancia de 0.01.
Ahora, se presenta el resumen de estadísticas descriptivas de las variables que
intervienen en el modelo de investigación para África del Norte y Occidental.
Cuadro 6: Estadísticas descriptivas de las variables a usar en el modelo para África del Norte y
Occidental
82
Del cuadro anterior se puede concluir que, en promedio, 14.78% de la población de
África del Norte y Occidental sufre problemas de desnutrición, una cifra incluso
ligeramente menor a la de América Central y el Caribe. Otros datos interesantes de
este cuadro muestran que un poco más del 70% de la población, en promedio, tiene
acceso al agua potable mientras que solo 50% de la población de estas regiones
africanas tiene mejoras en sus instalaciones sanitarias, una cifra bastante baja
respecto al continente americano. A diferencia de las regiones americanas analizadas,
las mujeres de este subcontinente tienen en promedio 5 hijos en su familia. Respecto
a los años de escolaridad, un poblador de los países en vías de desarrollo de África
del Norte y Occidental solo concluye 3 años de educación básica, mientras que si
hablamos del desempleo en este subcontinente, 9.89% de los africanos que viven en
estas regiones no pudieron conseguir empleo durante el periodo estudiado (1995 –
2014). En lo referido a los ingresos y gastos de este subcontinente, cada poblador
tiene en promedio un ingreso anual de 1037.13 dólares mientras que suele gastar
únicamente 55.12 dólares al año para el cuidado de su salud o de la salud de su
familia.
Respecto a la variabilidad en las series consideradas para este modelo, el ingreso
nacional bruto per cápita, el gasto en salud per cápita y la tasa de mejora en las
instalaciones sanitarias presentan la mayor dispersión de datos, debido a la
desigualdad de ingresos, gastos y de calidad de servicios entre algunos de los países
de esta región. Finalmente, en lo referido a la normalidad de las series, ninguna de las
variables analizadas tiene una distribución normal, ni siquiera a un nivel de
significancia de 0.01.
83
Ahora, se presenta el resumen de estadísticas descriptivas de las variables que
intervienen en el modelo de investigación para África del Sur, Oriente y Central.
Cuadro 7: Estadísticas descriptivas de las variables a usar en el modelo para África del Sur, Oriente y
Central
Del cuadro anterior se puede concluir que, en promedio, 30.86% de la población de
África del Sur, Oriente y Central padece serios problemas de desnutrición, la cifra más
alta de todos los subcontinentes analizados y a la vez la más alarmante porque un
tercio de la población de estos países requiere atención inmediata. Otros datos
interesantes de este cuadro muestran que menos del 65% de la población, en
promedio, tiene acceso al agua potable y solo 44% de la población de estas regiones
africanas tiene mejoras en sus instalaciones sanitarias, siendo la mitad de la gente
atendida respecto al continente americano. A diferencia de las regiones americanas
analizadas, las mujeres de este subcontinente tienen en promedio 6 hijos en su familia
(cifra incluso mayor a los países del norte de África). Respecto a los años de
escolaridad, un poblador de los países en vías de desarrollo de África del Sur, Oriente
y Central concluye 5 años de educación básica, mientras que si hablamos del
desempleo en este subcontinente, 12.08% de los africanos que viven en estas
regiones no pudieron conseguir empleo durante el periodo estudiado (1995 – 2014),
siendo la región con mayor número de desempleados en este estudio. En lo referido a
los ingresos y gastos de este subcontinente, cada poblador tiene en promedio un
ingreso anual de 742 dólares mientras que gasta únicamente 46.79 dólares al año
para el cuidado de su salud o de la salud de su familia, siendo nuevamente las cifras
más bajas de los subcontinentes analizados.
Respecto a la variabilidad en las series consideradas para este modelo, aquí también
el ingreso nacional bruto per cápita y el gasto en salud per cápita presentan la mayor
84
dispersión de datos, nuevamente causado por los diferentes niveles de ingresos y
gastos entre los países de esta región. Finalmente, en lo referido a la normalidad de
las series, únicamente la tasa de acceso al agua potable tiene una distribución normal
a un nivel de significancia de 0.05, mientras que la tasa de prevalencia de la
desnutrición y los años de escolaridad tienen una distribución normal a un nivel de
significancia de 0.01.
Finalmente, se presenta el resumen de estadísticas descriptivas de las variables que
intervienen en el modelo de investigación para Asia.
Cuadro 8: Estadísticas descriptivas de las variables a usar en el modelo para Asia
Serie Media Desviación
Estándar Valor Mínimo Valor Máximo
Estadístico de
Jarque-Bera
18.73 10.84 5.00 51.70 17.04
6.94 5.57 0.10 35.90 663.34
94.02 127.64 3.01 627.89 670.64
1856.77 2325.89 160.00 12490.00 680.35
2.55 0.71 1.51 4.72 44.49
64.28 13.82 30.30 100.00 64.28
77.38 17.88 28.00 98.20 28.62
7.53 2.85 2.20 11.40 26.43
* Denota significancia al 5%.
** Denota significancia al 1%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
85
Del cuadro anterior se puede concluir que, en promedio, 18.73% de la población de
Asia sufre problemas de desnutrición, cifra solo superada por los países de África del
Sur, Oriente y Central. Otros datos interesantes de este cuadro muestran que menos
del 65% de la población, en promedio, tiene acceso al agua potable mientras que,
increíblemente, casi el 80% de la población asiática tiene mejoras en sus instalaciones
sanitarias, una cifra similar a la del continente americano. De igual manera, las
mujeres de este subcontinente tienen en promedio solo 3 hijos en su familia. Respecto
a los años de escolaridad, un poblador de los países en vías de desarrollo de Asia
llega a terminar 8 años de educación básica, mientras que si hablamos del desempleo
en este subcontinente, solo 6.94% de la población asiática no pudo conseguir empleo
durante el periodo estudiado (1995 – 2014). En lo referido a los ingresos y gastos de
este subcontinente, cada poblador tiene en promedio un ingreso anual de 1856.77
dólares mientras que suele gastar 94.02 dólares al año para el cuidado de su salud o
de la salud de su familia (cifras que duplican a las de los países africanos analizados
pero todavía por debajo de las del continente americano).
Respecto a la variabilidad en las series consideradas para este modelo, el ingreso
nacional bruto per cápita y el gasto en salud per cápita presentan la mayor dispersión
de datos, debido también a la desigualdad de ingresos y de gastos en la mayoría de
los países de esta región. Finalmente, en lo referido a la normalidad de las series,
ninguna de las variables analizadas tiene una distribución normal, ni siquiera a un nivel
de significancia de 0.01.
5.3 Matriz de correlación de las series
En esta subsección se presenta los resultados de los coeficientes de correlación que
existen entre la tasa de prevalencia de la desnutrición y las variables propuestas como
determinantes de esta, para cada subcontinente analizado.
En primer lugar, los resultados de la correlación entre la tasa de prevalencia de la
desnutrición y sus determinantes en el modelo de América del Sur fueron los
siguientes:
Cuadro 9: Principales correlaciones en el modelo de investigación para América del Sur
Coeficiente de Correlación Valor
86
-0.473982
-0.623320
-0.613614
0.815217
-0.741980
-0.923456
-0.325310
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior, se concluye que la variable independiente que tiene mayor grado
asociación lineal con la tasa de prevalencia de desnutrición de América del Sur es la
tasa de mejora en las instalaciones sanitarias, la cual presenta una correlación
negativa de 92.35% (es decir, incrementos en el número de mejoras sanitarias en la
población reduce el porcentaje de personas que padecen desnutrición). Por otro lado,
la variable que tiene menor grado de asociación lineal con la tasa de prevalencia de
desnutrición de este subcontinente es la de los años de escolaridad, la cual presenta
una correlación negativa de 32.53% (es decir, si la población concluye, en promedio,
más años de educación básica y superior, el porcentaje de personas que sufren de
desnutrición en este subcontinente se reducirá).
Por último, un punto a considerar es que, a diferencia de las otras variables
independientes, la tasa de desempleo presenta un signo erróneo en su correlación con
la tasa de prevalencia de la desnutrición para este subcontinente ya que sugiere que
incrementos en la tasa de desempleo terminan por reducir el porcentaje de personas
que padecen de desnutrición, lo cual no tiene sentido económico. Además, su
correlación negativa con la tasa de desnutrición también es relativamente baja, siendo
igual a 47.40%. Por estas razones, probablemente la tasa de desempleo no debería
ser considerada en la estimación del modelo para este subcontinente analizado.
Ahora, los resultados de la correlación entre la tasa de prevalencia de la desnutrición y
sus determinantes en el modelo de América Central fueron los siguientes:
Cuadro 10: Principales correlaciones en el modelo de investigación para América Central
87
Coeficiente de Correlación Valor
0.189927
-0.480084
-0.465481
0.439687
-0.663786
-0.598356
-0.412771
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior, se concluye que la variable independiente que tiene mayor grado
asociación lineal con la tasa de prevalencia de desnutrición de América Central es la
tasa de acceso al agua potable, la cual presenta una correlación negativa de 66.38%
(es decir, incrementos en el número de familias con acceso al agua potable reduce el
porcentaje de personas que padecen desnutrición). Por otro lado, la variable que tiene
menor grado de asociación lineal con la tasa de prevalencia de desnutrición de este
subcontinente es la tasa de desempleo, la cual presenta una correlación positiva de
18.99% (es decir, si más gente está desempleada en los países de este
subcontinente, el porcentaje de personas que sufren de desnutrición se aumentará).
Por último, a diferencia del caso de América del Sur, la tasa de desempleo presenta un
signo correcto en su correlación con la tasa de prevalencia de la desnutrición para este
subcontinente, lo cual permite una adecuada interpretación económica de los futuros
resultados. Por estas razones, la tasa de desempleo sí debería ser considerada en la
estimación del modelo para este subcontinente analizado.
Ahora, los resultados de la correlación entre la tasa de prevalencia de la desnutrición y
sus determinantes en el modelo de África del Norte y Occidental fueron los siguientes:
Cuadro 11: Principales correlaciones en el modelo de investigación para África del Norte y Occidental
Coeficiente de Correlación Valor
-0.338727
88
-0.448312
-0.558376
0.545013
-0.608363
-0.576785
-0.405318
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior, se concluye que la variable independiente que tiene mayor grado
asociación lineal con la tasa de prevalencia de desnutrición de África del Norte y
Occidental es también la tasa de acceso al agua potable, la cual presenta una
correlación negativa de 60.84% (es decir, incrementos en el número de familias con
acceso al agua potable reduce el porcentaje de personas que padecen desnutrición).
Por otro lado, la variable que tiene menor grado de asociación lineal con la tasa de
prevalencia de desnutrición de este subcontinente es la tasa de desempleo, la cual
presenta una correlación negativa de 33.87% (es decir, si más gente está
desempleada en los países de este subcontinente, el porcentaje de personas que
sufren de desnutrición se reducirá).
Por último, un punto a considerar es que, a diferencia de las otras variables
independientes, la tasa de desempleo presenta un signo erróneo en su correlación con
la tasa de prevalencia de la desnutrición para este subcontinente ya que sugiere que
incrementos en la tasa de desempleo terminan por reducir el porcentaje de personas
que padecen de desnutrición, lo cual no tiene sentido económico. Además, su
correlación negativa con la tasa de desnutrición también es relativamente baja, lo cual
lo hace mucho menos creíble. Por estas razones, probablemente la tasa de
desempleo no debería ser considerada en la estimación del modelo para este
subcontinente analizado. Además, hay que resaltar que para estas regiones de África
las correlaciones de las variables independientes propuestas con la tasa de
prevalencia de la desnutrición son en general muy débiles, ni siquiera superando el
65% de asociación lineal en cada una de ellas.
89
Ahora, los resultados de la correlación entre la tasa de prevalencia de la desnutrición y
sus determinantes en el modelo de África del Sur, Oriente y Central fueron los
siguientes:
Cuadro 12: Principales correlaciones en el modelo de investigación para África del Sur, Oriente y Central
Coeficiente de Correlación Valor
-0.367985
-0.350554
-0.360275
0.519238
-0.469134
0.135316
-0.419614
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior, se concluye que la variable independiente que tiene mayor grado
asociación lineal con la tasa de prevalencia de desnutrición de África del Sur, Oriente y
Central es el número de hijos por mujer, el cual presenta una correlación positiva de
51.92% (es decir, si las mujeres de este subcontinente llegan a concebir más hijos,
aumentará el porcentaje de personas que padecen desnutrición). Por otro lado, la
variable que tiene menor grado de asociación lineal con la tasa de prevalencia de
desnutrición de este subcontinente es la tasa de mejoras en las instalaciones
sanitarias, la cual presenta una correlación positiva de 13.53% (es decir, incrementos
en el número de mejoras sanitarias en la población incrementa también el porcentaje
de personas que padecen desnutrición).
Por último, un punto a considerar es que nuevamente, a diferencia de las otras
variables independientes, la tasa de desempleo presenta un signo erróneo en su
correlación con la tasa de prevalencia de la desnutrición para este subcontinente ya
que sugiere que incrementos en la tasa de desempleo terminan por reducir el
porcentaje de personas que padecen de desnutrición, lo cual no tiene sentido
económico. Además, su correlación negativa con la tasa de desnutrición también es
90
relativamente baja (igual a 36.80%), lo cual lo hace mucho menos creíble. Esto
también se observa en la tasa de mejoras en las instalaciones sanitarias, ya que su
signo es positivo (lo cual tampoco tiene sentido económico).
Por estas razones, probablemente estas dos variables no deberían ser consideradas
en la estimación del modelo para este subcontinente analizado. Además, hay que
resaltar que para estas regiones de África las correlaciones de las variables
independientes propuestas con la tasa de prevalencia de la desnutrición son
nuevamente muy débiles, ni siquiera superando el 50% de asociación lineal en la
mayoría de estas.
Finalmente, los resultados de la correlación entre la tasa de prevalencia de la
desnutrición y sus determinantes en el modelo de Asia fueron los siguientes:
Cuadro 13: Principales correlaciones en el modelo de investigación para Asia
Del cuadro anterior, se concluye que la variable independiente que tiene mayor grado
asociación lineal con la tasa de prevalencia de desnutrición de Asia es, como en el
caso de América Central, la tasa de acceso al agua potable, el cual presenta una
correlación negativa de 71.47% (es decir, incrementos en el número de familias con
acceso al agua potable reduce el porcentaje de personas que padecen desnutrición).
Por otro lado, la variable que tiene menor grado de asociación lineal con la tasa de
prevalencia de desnutrición de este subcontinente es, como en el caso de América del
Sur, la de los años de escolaridad, la cual presenta una correlación negativa de 6.31%
(es decir, si la población concluye, en promedio, más años de educación básica y
superior, el porcentaje de personas que sufren de desnutrición en este subcontinente
se reducirá).
Por último, un punto a considerar es que otra vez, a diferencia de las otras variables
independientes, la tasa de desempleo presenta un signo erróneo en su correlación con
la tasa de prevalencia de la desnutrición para este subcontinente ya que sugiere que
incrementos en la tasa de desempleo terminan por reducir el porcentaje de personas
91
que padecen de desnutrición, lo cual no tiene sentido económico. Además, su
correlación negativa con la tasa de desnutrición también es casi nula (igual a 6.57%),
lo cual sugeriría más bien de que estas variables no están correlacionadas en
absoluto.
Por estas razones, probablemente la tasa de desempleo no debería ser considerada
en la estimación del modelo para este subcontinente analizado. Además, hay que
resaltar que para estas regiones de África las correlaciones de las variables
independientes propuestas con la tasa de prevalencia de la desnutrición son
nuevamente muy débiles, ni siquiera superando el 60% de asociación lineal en la
mayoría de estas.
Luego de haber analizado cada una de las correlaciones que existen entre las
variables independientes y la tasa de prevalencia de la desnutrición, se puede sugerir
que la tasa de desempleo no sería un verdadero determinante de la tasa de
desnutrición ya que presenta un signo incorrecto y, al mismo tiempo, presenta valores
de correlación bastante pequeños en cada subcontinente analizado. Sin embargo, su
signo erróneo no es una condición suficiente para excluirla de los modelos a estimar,
debido a que debe comprobarse su verdadera significancia en los modelos a través de
la evaluación de la causalidad entre las series.
De manera análoga, la tasa de mejoras en las instalaciones sanitarias presentaba un
signo erróneo en su correlación con la tasa de desnutrición para el subcontinente de
África del Sur, Oriente y Central. Sin embargo, se verá su verdadera significancia en el
modelo de investigación luego de evaluada la causalidad entre las series.
5.4 Transformación Logarítmica de las series
La siguiente subsección presenta la nueva especificación de las series que conforman
cada modelo de investigación propuesto para los subcontinentes analizados, luego de
transformar las series en logaritmos. Por ello, la transformación logarítmica
anteriormente mencionada se muestra en el siguiente cuadro, la cual aplica para cada
uno de los subcontinentes del estudio.
Cuadro 14: Especificación logarítmica de las series que conforman los modelos a estimar en cada
subcontinente analizado
Serie Serie Logarítmica
92
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
A partir de aquí se procede con el análisis de verificación de estacionariedad de las
series, un requisito indispensable previo al análisis de causalidad y a la estimación de
los modelos de investigación para cada subcontinente analizado.
5.5 Verificación de la Estacionariedad de las series
En la siguiente subsección se presentan los resultados de la evaluación de la
estacionariedad de las series que conforman los modelos a estimar para cada
subcontinente analizado. El test usado para verificar la estacionariedad fue el de
Dickey-Fuller Aumentado (DFA), el cual a partir de 3 diferentes modelos auxiliares
evalúa la existencia de una raíz unitaria que impide que la serie evaluada cumpla con
los requisitos de la estacionariedad débil (que la media, la varianza y la autocovarianza
de la serie sean todas constantes).
A continuación, se resumen los resultados de la estacionariedad en base al orden de
integración obtenido para cada serie con la aplicación del test DFA.
93
Cuadro 15: Series de tiempo integradas del modelo de investigación propuesto para cada subcontinente
Subcontinentes
América del
Sur
América
Central
África del
Norte y
Occidental
África del Sur,
Oriente y
Central
Asia
Serie Orden de Integración obtenido*
* Se usó el Z-Estadístico de Chi para evaluar la estacionariedad de las series a través del test de Dickey-
Fuller Aumentado.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede concluir que solo una serie (el número de hijos por mujer
para el continente de Asia) es estacionaria en su nivel, mientras que las demás son
estacionarias en primera, segunda, tercera, cuarta y hasta en quinta diferencia. Sin
embargo, existe un problema para corregir la no estacionariedad de las series. Debido
a que solo se han considerado 20 años en el panel de datos, la inferencia a partir de
evaluación de la estacionariedad de las series puede no ser correcta.
Además, lo más grave es que los valores de muchas de las series son exactamente
los mismos a lo largo del tiempo para un cross-section (en este caso, un país). Esto
hace que al corregir la no estacionariedad por la toma de diferencias (que es igual al
valor de la serie en el periodo actual menos el valor de la serie un periodo antes) la
serie nueva tenga como valores observados únicamente ceros (0), creando series
nulas que en estimaciones posteriores darán lugar a parámetros inconsistentes, no
94
significativos en absoluto, con signos erróneos y poco útiles para obtener inferencia de
los datos debido a que los residuales de los modelos estimados no siguen una
distribución normal.
Por dichas razones, y también porque se estimaron los modelos con las series
corregidas con la toma de diferencias, obteniendo dichas estimaciones inconsistentes,
se decidió asumir que las series logarítmicas ya son estacionarias en su nivel, por lo
que se usarán estas para analizar la causalidad de Granger y también para estimar los
modelos propuestos en esta investigación7. Este cambio no alterará los resultados
previstos del estudio ya que únicamente se está prescindiendo del análisis de
estacionariedad y de su corrección, manteniendo el análisis posterior el cual
presentará resultados diferentes (pero en cierto modo, bastante cercanos al caso
ideal) por el uso de las series en su nivel.
Finalmente, se aclara también que es imposible recurrir al análisis de cointegración
entre las series debido a que estas en realidad presentan un diferente orden de
integración (no todas las series son integradas de orden 1, por lo que no se cumple el
requisito fundamental de toda evaluación de la cointegración uniecuacional o
multiecuacional). Por ello, se continúa con la propuesta de estimación de modelos de
datos de panel convencionales (modelo de efectos fijos, modelo de efectos aleatorios
y modelo de datos agrupados).
5.6 Verificación de la Causalidad entre las series
En la siguiente subsección se presenta primero las relaciones de causalidad que se
han identificado entre las variables endógenas (dependientes) y exógenas
(independientes) consideradas para cada modelo de investigación a estimar con los
datos de los subcontinentes analizados. Sin embargo, como todos los subcontinentes
considerados en el estudio incluyen las mismas variables, entonces las relaciones de
causalidad identificadas para cada subcontinente serán las mismas. Por ello, el
siguiente cuadro muestra el tipo de causalidad y la dirección de la misma para dichas
relaciones de causalidad detectadas.
Cuadro 16: Relaciones de causalidad entre las series del modelo a estimar para cada subcontinente
7 El tesista de la presente investigación no considera que los datos obtenidos del Banco Mundial y del Programa de las
Naciones Unidas para el Desarrollo (PNUD) sean erróneos para la estimación de los modelos propuestos de investigación en cada subcontinente analizado. Más bien, estos datos son la aproximación más verídica de las variables escogidas para el estudio, debido al alto costo de extraer datos de las bases públicas de cada país en particular (las cuales, por diferentes motivos podrían estar sesgadas o no, de acuerdo al contexto del mismo país). En ese sentido, el que los datos sean repetitivos a lo largo del tiempo para cada país es un reflejo real de la situación de este y no pueden ser excluidos del análisis de la investigación. Por lo tanto, los resultados obtenidos por la estimación con series no estacionarias y en logaritmos mantiene validez e inferencia.
95
N° Tipo de Dirección de Causalidad Relación de Causalidad
1 Causalidad unidireccional de hacia
2 Causalidad unidireccional de hacia
3 Causalidad unidireccional de hacia
4 Causalidad unidireccional de hacia
5 Causalidad unidireccional de hacia
6 Causalidad unidireccional de hacia
7 Causalidad unidireccional de hacia
Fuente: Elaboración propia
Ahora, en los siguientes cuadros se muestran los resultados del Test de Causalidad de
Granger, el cual es usado en su versión apilada (con coeficientes comunes para los
modelos auxiliares del test, considerando el grupo de países de cada subcontinente
como una unidad de análisis) y no en su versión original (con coeficientes individuales
para los modelos auxiliares del test, considerando cada país del subcontinente
considerado como una unidad de análisis) debido a los pocos grados de libertad que
se tiene con las muestras del estudio (solo 20 años para cada una de ellas).
Cuadro 17: Resultados del Test de Causalidad de Granger para las relaciones de causalidad del modelo
a estimar en el subcontinente de América del Sur
N° Relación de Causalidad Rezago
Óptimo
Estadístico
F Conclusión
1
3 0.727901
La serie (Tasa de Desempleo) no
causa en sentido Granger a la serie
(Tasa de Prevalencia de
Desnutrición).
2
3 3.219354**
La serie (Gasto en Salud per
Cápita) sí causa en sentido Granger a
la serie (Tasa de Prevalencia de
Desnutrición).
96
3
3 3.004719**
La serie (Ingreso Nacional Bruto
per Cápita) sí causa en sentido
Granger a la serie (Tasa de
Prevalencia de Desnutrición).
4
3 2.988239**
La serie (Número de Hijos por
Mujer) sí causa en sentido Granger a
la serie (Tasa de Prevalencia de
Desnutrición).
5
3 1.064987
La serie (Tasa de Acceso al
Agua Potable) no causa en sentido
Granger a la serie (Tasa de
Prevalencia de Desnutrición).
6
3 0.423081
La serie (Tasa de Mejora de las
Instalaciones Sanitarias) no causa en
sentido Granger a la serie (Tasa
de Prevalencia de Desnutrición).
7
3 0.493739
La serie (Años Promedio de
Escolaridad) no causa en sentido
Granger a la serie (Tasa de
Prevalencia de Desnutrición).
Nota: * Significancia al 1%. ** Significancia al 5%. *** Significancia al 10%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Cuadro 18: Resultados del Test de Causalidad de Granger para las relaciones de causalidad del modelo
a estimar en el subcontinente de América Central
N° Relación de Causalidad Rezago
Óptimo
Estadístico
F Conclusión
1
10 0.946819
La serie (Tasa de Desempleo) no
causa en sentido Granger a la serie
(Tasa de Prevalencia de
Desnutrición).
2
10 2.364201**
La serie (Gasto en Salud per
Cápita) sí causa en sentido Granger a
la serie (Tasa de Prevalencia de
97
Desnutrición).
3
10 3.038921*
La serie (Ingreso Nacional Bruto
per Cápita) sí causa en sentido
Granger a la serie (Tasa de
Prevalencia de Desnutrición).
4
10 1.306572
La serie (Número de Hijos por
Mujer) no causa en sentido Granger a
la serie (Tasa de Prevalencia de
Desnutrición).
5
10 1.424493
La serie (Tasa de Acceso al
Agua Potable) no causa en sentido
Granger a la serie (Tasa de
Prevalencia de Desnutrición).
6
10 2.890511*
La serie (Tasa de Mejora de las
Instalaciones Sanitarias) sí causa en
sentido Granger a la serie (Tasa
de Prevalencia de Desnutrición).
7
10 2.510153**
La serie (Años Promedio de
Escolaridad) sí causa en sentido
Granger a la serie (Tasa de
Prevalencia de Desnutrición).
Nota: * Significancia al 1%. ** Significancia al 5%. *** Significancia al 10%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Cuadro 19: Resultados del Test de Causalidad de Granger para las relaciones de causalidad del modelo
a estimar en el subcontinente de África del Norte y Occidental
N° Relación de Causalidad Rezago
Óptimo
Estadístico
F Conclusión
1
3 0.962202
La serie (Tasa de Desempleo) no
causa en sentido Granger a la serie
(Tasa de Prevalencia de
Desnutrición).
2
5 3.772868* La serie (Gasto en Salud per
Cápita) sí causa en sentido Granger a
98
la serie (Tasa de Prevalencia de
Desnutrición).
3
5 2.119974***
La serie (Ingreso Nacional Bruto
per Cápita) sí causa en sentido
Granger a la serie (Tasa de
Prevalencia de Desnutrición).
4
3 0.691294
La serie (Número de Hijos por
Mujer) no causa en sentido Granger a
la serie (Tasa de Prevalencia de
Desnutrición).
5
3 3.138481**
La serie (Tasa de Acceso al
Agua Potable) sí causa en sentido
Granger a la serie (Tasa de
Prevalencia de Desnutrición).
6
3 1.916888
La serie (Tasa de Mejora de las
Instalaciones Sanitarias) no causa en
sentido Granger a la serie (Tasa
de Prevalencia de Desnutrición).
7
3 1.736840
La serie (Años Promedio de
Escolaridad) no causa en sentido
Granger a la serie (Tasa de
Prevalencia de Desnutrición).
Nota: * Significancia al 1%. ** Significancia al 5%. *** Significancia al 10%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Cuadro 20: Resultados del Test de Causalidad de Granger para las relaciones de causalidad del modelo
a estimar en el subcontinente de África del Sur, Oriente y Central
N° Relación de Causalidad Rezago
Óptimo
Estadístico
F Conclusión
1
6 1.118506
La serie (Tasa de Desempleo) no
causa en sentido Granger a la serie
(Tasa de Prevalencia de
Desnutrición).
99
2
6 2.060597***
La serie (Gasto en Salud per
Cápita) sí causa en sentido Granger a
la serie (Tasa de Prevalencia de
Desnutrición).
3
6 0.930134
La serie (Ingreso Nacional Bruto
per Cápita) no causa en sentido
Granger a la serie (Tasa de
Prevalencia de Desnutrición).
4
6 0.282572
La serie (Número de Hijos por
Mujer) no causa en sentido Granger a
la serie (Tasa de Prevalencia de
Desnutrición).
5
8 1.597570
La serie (Tasa de Acceso al
Agua Potable) no causa en sentido
Granger a la serie (Tasa de
Prevalencia de Desnutrición).
6
6 0.751010
La serie (Tasa de Mejora de las
Instalaciones Sanitarias) no causa en
sentido Granger a la serie (Tasa
de Prevalencia de Desnutrición).
7
6 0.659502
La serie (Años Promedio de
Escolaridad) no causa en sentido
Granger a la serie (Tasa de
Prevalencia de Desnutrición).
Nota: * Significancia al 1%. ** Significancia al 5%. *** Significancia al 10%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Cuadro 21: Resultados del Test de Causalidad de Granger para las relaciones de causalidad del modelo
a estimar en el subcontinente de Asia
N° Relación de Causalidad Rezago
Óptimo
Estadístico
F Conclusión
1
4 0.842745
La serie (Tasa de Desempleo) no
causa en sentido Granger a la serie
(Tasa de Prevalencia de
100
Desnutrición).
2
4 1.000567
La serie (Gasto en Salud per
Cápita) no causa en sentido Granger a
la serie (Tasa de Prevalencia de
Desnutrición).
3
4 0.727852
La serie (Ingreso Nacional Bruto
per Cápita) no causa en sentido
Granger a la serie (Tasa de
Prevalencia de Desnutrición).
4
5 4.581636*
La serie (Número de Hijos por
Mujer) sí causa en sentido Granger a
la serie (Tasa de Prevalencia de
Desnutrición).
5
4 0.930535
La serie (Tasa de Acceso al
Agua Potable) no causa en sentido
Granger a la serie (Tasa de
Prevalencia de Desnutrición).
6
5 2.246846***
La serie (Tasa de Mejora de las
Instalaciones Sanitarias) sí causa en
sentido Granger a la serie (Tasa
de Prevalencia de Desnutrición).
7
4 0.892847
La serie (Años Promedio de
Escolaridad) no causa en sentido
Granger a la serie (Tasa de
Prevalencia de Desnutrición).
Nota: * Significancia al 1%. ** Significancia al 5%. *** Significancia al 10%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
De los últimos cinco cuadros se obtienen conclusiones bastante interesantes sobre la
causalidad entre las variables consideradas para el estudio. Primero, la tasa de
desempleo es la única de las variables exógenas que presenta una relación de
independencia con la tasa de prevalencia de desnutrición ya que no tiene una
causalidad estadísticamente significativa para ninguno de los subcontinentes
considerados. Esto, sumado al resultado obtenido en el análisis de las matrices de
101
correlación de los subcontinentes del estudio (donde la tasa de desempleo presentaba
una correlación negativa con la tasa de prevalencia de la desnutrición) sugiere que, en
estricto, no se considere a esta variable exógena para la estimación de los posteriores
modelos de investigación en cada subcontinente. Sin embargo, se obviará esta
deficiencia y se mantendrá a la tasa de desempleo para fines de la estimación inicial
de los modelos (no asegurando su permanencia en la especificación final de los
modelos para subcontinente).
Respecto a los resultados obtenidos con las demás variables exógenas, dos variables
tuvieron una causalidad unidireccional hacia la tasa de prevalencia de la desnutrición
que fue estadísticamente significativa como máximo en un subcontinente (la tasa de
acceso al agua potable y los años promedio de escolaridad), dos variables cumplieron
ello como máximo en dos subcontinentes (el número de hijos por mujer y la tasa de
mejora de las instalaciones sanitarias), una variable lo cumplió como máximo en tres
subcontinentes (el ingreso nacional bruto per cápita) y una variable lo cumplió en
máximo 4 de los 5 subcontinentes analizados (el gasto en salud per cápita). Por ello,
se podría sugerir que en la posterior estimación de los modelos de investigación para
cada subcontinente estas dos últimas variables serían importantes determinantes de
las variaciones de la tasa de prevalencia de la desnutrición.
Habiendo realizado la verificación de la causalidad de las series consideradas para
este estudio, se procede con la estimación de los modelos de data panel que han sido
propuestos para esta investigación, los que permitirán el análisis de las brechas en la
reducción de la desnutrición entre los subcontinentes considerados.
5.7 Estimación de los Modelos de datos de panel
En la siguiente subsección se explica primero el procedimiento que se llevará a cabo
para la estimación y posterior análisis econométrico que se realizará con los modelos
de datos de panel propuestos para cada uno de los subcontinentes considerados en
esta investigación. De ahí, se procede con la propia estimación de dichos modelos
102
propuestos de investigación, en base a la especificación econométrica de los mismos,
la cual también se detallará.
Finalmente se presentan los resultados de los principales tests econométricos usados
para analizar dichos modelos, obteniendo el modelo final de data panel para cada
subcontinente. Estos modelos finales obtenidos serán considerados como los modelos
de determinación de la tasa de prevalencia de la desnutrición para cada subcontinente
estudiado, lo que permitirá, en base a las variables independientes que hayan sido
significativas para tasa de prevalencia de la desnutrición, obtener el valor de las
brechas de reducción y/o aumento de la desnutrición entre los subcontinentes para el
periodo de investigación escogido.
5.8 Especificación de los Modelos de datos de panel
Primeramente, se debe partir de una definición estándar de un modelo de datos de
panel para así modelar la relación que se plantea en la presente investigación entre la
variable dependiente (la tasa de prevalencia de la desnutrición) y sus variables
independientes o “determinantes” (la tasa de desempleo, el gasto en salud per cápita,
el ingreso nacional bruto per cápita, el número de hijos por mujer, la tasa de acceso al
agua, la tasa de mejoras en las instalaciones sanitarias y los años promedio de
escolaridad). En ese sentido, la especificación lineal es la de mayor uso en los
modelos de data panel y es de la siguiente manera:
Donde todas las variables dependientes e independientes consideradas (sin contar la
tendencia lineal ni las variables independientes no observadas ) están expresadas
en logaritmos (a partir de los resultados previamente obtenidos en el análisis de
estacionariedad de las series y en la verificación de causalidad entre las mismas).
Además, es la tasa de prevalencia de la desnutrición del subcontinente
analizado, es la tasa de desempleo, es el nivel de gasto en salud per cápita,
103
es el nivel de ingreso nacional bruto per cápita, es el número de hijos
(o número de nacimientos) por mujer, es la tasa de acceso al agua potable,
es la tasa de mejoras en las instalaciones sanitarias y son los años
promedios de escolaridad; siendo todas estas variables explicativas también del
subcontinente analizado.
Con respecto a (con que va de 1 a ), estas son las variables explicativas no
observadas (causantes del problema llamado “heterogeneidad no observada” propio
de este tipo de modelos), las cuales determinarán si el modelo de data panal a estimar
para el subcontinente analizado requiere una estimación bajo efectos fijos o bajo
efectos aleatorios. Sobre la tendencia lineal (o tendencia temporal) , esta suele ser
introducida para permitir un cambio del intercepto a través del tiempo. Sin embargo,
en el presente trabajo se asume que el intercepto es constante a través de los años de
las submuestras de investigación consideradas, por lo que se prescindirá de la
tendencia temporal (en lo que resta del capítulo) como variable explicativa de la tasa
de prevalencia de la desnutrición. Finalmente, es el término de perturbación
estocástica, el que se asume que es un ruido blanco y sigue una distribución normal a
través de los países que conforman el subcontinente analizado.
Ahora, los parámetros del modelo estándar de data panel anterior (con )
son los coeficientes de impacto parcial de la tasa de prevalencia de la desnutrición. Es
decir, cada uno de estos reflejará el aumento o disminución porcentual anual en la
tasa de prevalencia de desnutrición del subcontinente analizado ante el aumento de
1% en el determinante específico del cual es el parámetro asociado, manteniendo
constantes los impactos generados por los otros determinantes del modelo (i.e., sin
que intervengan los incrementos o reducciones generados por los – betas que no
son ), mientras que es el intercepto del modelo pero también puede ser
interpretado como la tasa promedio de prevalencia de desnutrición del subcontinente
bajo análisis.
Sobre los signos esperados para cada uno de dichos coeficientes beta, estos tendrán
el siguiente comportamiento:
104
Lo que nos dice que se espera un nivel de tasa promedio de prevalencia de
desnutrición positiva del subcontinente analizado. Ahora los otros coeficientes
mostrarán el siguiente patrón de signo:
Lo que nos dice que -según lo expresado en la ecuación (3)- ante el aumento de 1%
en la tasa de desempleo de subcontinente analizado, la tasa de prevalencia de la
desnutrición de dicha región aumentará en la cantidad de %, manteniendo los
impactos de los otros determinantes de la tasa de desnutrición como constantes. En
cambio, para la especificación de los coeficientes de la ecuación (4) la interpretación
es opuesta: La tasa de prevalencia de desnutrición del subcontinente se reducirá en el
porcentaje de su respectivo coeficiente asociado, ceteris paribus, ante el incremento
de 1% en el nivel promedio del Gasto en Salud per cápita, el aumento de 1% en el
nivel promedio del Ingreso Nacional Bruto per cápita, el incremento de 1% en la
proporción de la población del subcontinente con acceso a agua, el aumento de 1% en
la proporción del sector urbano de la población del subcontinente con acceso a
instalaciones sanitarias y el incremento de 1% en el promedio de años de escolaridad,
respectivamente.
Por último, según lo expresado en la ecuación (5), el incremento de 1% en el promedio
de nacimientos por mujer del subcontinente analizado incrementará en % la tasa de
prevalencia de la desnutrición de dicho subcontinente, manteniendo constantes los
impactos de los demás determinantes de tasa de prevalencia de la desnutrición de la
región.
Ahora, los parámetros (con ) son los coeficientes de impacto parcial
asociados a las variables explicativas no observadas del modelo de data panel. Estos
parámetros no pueden ser estimados individualmente (dado que ni siquiera
conocemos a las variables explicativas no observadas), por lo que la expresión
será expresada (de aquí en adelante) de la siguiente manera:
105
Donde será llamado el “efecto no observado” y representa el impacto conjunto de
dichas variables en la tasa de prevalencia de la desnutrición del subcontinente
analizado. Cabe resaltar que un supuesto implícito de la expresión anterior es que la
heterogeneidad no observada del modelo de data panel del subcontinente bajo estudio
es no cambiante y, por consiguiente, las variables no necesitan un subíndice de
tiempo “t”. Otra interpretación de es que refiere al efecto no observado específico de
todo país que conforma la muestra del subcontinente analizado. Finalmente, se asume
que no está correlacionado con ninguna de las variables independientes
observadas (es decir, los determinantes de la tasa de prevalencia de la desnutrición)
para así evitar que el modelo esté sujeto a un sesgo de variable omitida.
Entonces, en la especificación del modelo de data panel propuesto para cada
subcontinente bajo análisis la principal tarea es encontrar la manera de como traer
explícitamente dicho efecto no observado al modelo. Existen dos modelos clásicos de
data panel que resuelven este problema: El Modelo de Efectos Fijos (el cual será
usado bajo el enfoque del modelo de efectos fijos MCO con variables dummy) y el
Modelo de Efectos Aleatorios. La elección de cuál de los dos modelos usar se basa
principalmente en el cumplimiento del supuesto: Que las observaciones de las
submuestras consideradas pueden ser descritas como siendo extraídas
aleatoriamente de una población dada.
Si el supuesto anterior se cumple con las submuestras de investigación de este
estudio, entonces se requeriría explícitamente que las especificaciones econométricas
de los modelos de data panel propuestos se estimen como modelos de efectos
aleatorios. Si no cumpliera este supuesto, solo se debería estimar dichas
especificaciones econométricas como modelos de efectos fijos con variables dummy.
Analizando un poco las muestras, se puede observar que el supuesto anterior
claramente no se cumple: Como la unidad de análisis son países en los datos de panel
recogidos para las submuestras de investigación, estos países, por estar sesgados
únicamente a países en vías de desarrollo, no pueden ser considerados a representar
una muestra aleatoria de las 200 naciones soberanas que hay en el mundo. Por lo
tanto, el presente trabajo se debería enfocar únicamente en las estimaciones bajo
modelos de efectos fijos.
106
Sin embargo, otro supuesto (más bien, una precondición) es el verificar que el efecto
no observado esté distribuido independientemente de las variables explicativas
observadas (los determinantes de la tasa de prevalencia de la desnutrición) para cada
subcontinente analizado. La verificación de este supuesto se explicará más adelante.
Con lo que al final con la especificación de los modelos para cada continente o
subcontinente planteado anteriormente se trata de obtener resultados palpables para
cada una de las variables analizadas, así como el comportamiento (incremento o
reducción) de la tasa de prevalencia de desnutrición para cada continente o
subcontinente, para luego poder compararlas entre si (entre continentes o
subcontinentes), y obtener el impacto neto de sumatoria de las variables (valor
absoluto) al analizar todas las variables que tuvieron un impacto significativo en la
reducción neta de la tasa de prevalencia de desnutrición en los diferentes
subcontinentes, durante el periodo 1995–2014, así como el impacto de la variable
significativa sobre la tasa de prevalencia de desnutrición en los diferentes
subcontinentes, durante el periodo 1995-2014.
5.9 Modelos de Efectos Fijos y de Efectos Aleatorios para cada
subcontinente analizado
Como se dijo anteriormente, estos dos tipos de modelos de data panel permiten hacer
explícito el efecto no observado que surge en modelos con este tipo de datos. Por ello,
el presente trabajo de investigación estimará con dichos modelos la especificación
econométrica anteriormente hecha para cada subcontinente bajo análisis.
5.9.1 Modelos a estimar para el subcontinente de América del Sur
Este subcontinente está comprendido por los países de Argentina, Bolivia, Brasil,
Chile, Colombia, Ecuador, Guyana, Perú, Paraguay y Uruguay. Con un total de 10
países, los modelos que se estimarán para este subcontinente serán los siguientes:
107
5.9.1.1 Modelo de Efectos Fijos MCO con variables dummy
Donde las variables explicativas , , , , , y
son los determinantes propuestos de la tasa de prevalencia de la desnutrición para
este subcontinente. Los parámetros para son los coeficientes de impacto
parcial de estos determinantes (cuyo comportamiento ya fue explicado en párrafos
anteriores).
Para hacer explícito el efecto no observado (la heterogeneidad no observada) de
los datos en el modelo, el enfoque de efectos fijos con variables ficticias incluye una
variable dummy que representa a cada cross section de la muestra (para esta
investigación en particular, refiere a cada país de la muestra del subcontinente
analizado). Así, es la variable dummy que representa al país de Argentina,
teniendo valor igual a 1 únicamente en las observaciones que corresponden a dicho
país (desde el año 1995 al 2014) y teniendo valor igual a 0 en las demás
observaciones.
De manera análoga se pueden explicar las otras variables dummy creadas para los
países de Bolivia ( ), Brasil ( ), Chile ( ), Colombia ( ), Ecuador ( ),
Guyana ( ), Paraguay ( ) y Uruguay ( ). Como se puede observar, es
probable caer en el conocido problema de “La trampa de las variables dummy” en el
cual, incluir todas las variables dummy que representan a los países del subcontinente
analizado (sin establecer alguna de ellas como el “país referencial” sobre el cual se
compara el valor de los parámetros estimados para las dummies), puede causar un
problema inmediato de multicolinealidad perfecta y, en consecuencia, la no estimación
de los parámetros del modelo. Por ello, se utiliza como país referencial al país de Perú
en este subcontinente, el cual está representado en el intercepto , y este parámetro
vendría a ser la tasa promedio de prevalencia de la desnutrición que tuvo este país
durante el periodo 1995-2014 mientras que los parámetros asociados a las variables
dummy (los para ) representan el incremento (si es positivo) o
108
reducción (si es negativo) porcentual promedio que ha tenido el país respectivo en
su tasa de prevalencia de la desnutrición con respecto a la tasa de desnutrición
peruana, para el periodo considerado (1995-2014).
La elección del país peruano como categoría referencial para las variables dummy
incorporadas en el modelo de efectos fijos no fue precisamente porque este país
tuviese una tasa de prevalencia de la desnutrición menor al promedio de este
subcontinente, sino más bien por cuestiones propias del presente trabajo de
investigación, con lo que se permite una comparación de los niveles de desnutrición de
los países vecinos con los niveles de la realidad peruana, permitiendo un análisis más
concreto sobre como ha evolucionado nuestro país a nivel relativo durante los últimos
20 años.
En lo que respecta a , este es el término de perturbación estocástica del modelo, el
cual asume que es ruido blanco y sigue una distribución normal a lo largo de cada
cross section (cada país de la muestra). Por último, es valioso recalcar el significado
del modelo de efectos fijos. Como el efecto no observado ahora es considerado a
través de los coeficientes de las variables dummy (coeficientes específicos de cada
país del subcontinente analizado), entonces cada término (siendo la variable
dummy de un país) representará un efecto fijo del país en la tasa de prevalencia de
la desnutrición (la variable dependiente de los modelos a estimar). La única desventaja
con este enfoque es que por la gran cantidad de variables dummy a estimar en el
modelo, se agota una gran parte de los grados de libertad, haciendo al modelo
ciertamente ineficiente por las variables explicativas ficticias adicionales.
5.9.1.2 Modelo de Efectos Aleatorios
Donde:
109
En este modelo el efecto no observado ha sido añadido al término de perturbación
estocástica original del modelo para formar una nueva perturbación estocástica ,
la cual también se asume que es ruido blanco y se distribuye normalmente a lo largo
de todos los cross sections (i.e., los países del subcontinente analizado). Sin embargo,
como se dijo en párrafos anteriores, se requieren dos precondiciones para la
estimación de este modelo.
La primera condición es que sea posible que cada una de las variables explicativas no
observadas sean tratadas como siendo extraídas aleatoriamente de una
distribución dada. Como también se explicó, esto no se cumple con los datos de la
muestra de este subcontinente analizado. No obstante, la estimación del modelo se
realizará a pesar de dicho inconveniente para enriquecer el posterior análisis.
La segunda condición es que estas variables no observadas estén distribuidas
independientemente de todas las variables explicativas observadas del modelo (a
saber, los determinantes propuestos para la tasa de prevalencia de la desnutrición). Si
esto no se cumpliera, (y, en consecuencia, ) estarán correlacionadas con dichos
determinantes y la estimación del modelo por el enfoque de efectos aleatorios estará
sesgada y será inconsistente, haciendo imposible su análisis. Con ello, se tendría que
realizar la estimación del modelo a través del enfoque de efectos fijos. La verificación
de esta condición se realiza a través del test de Hausman, el cual se explicará más
adelante.
Por último si las dos condiciones son satisfechas, la única complicación restante es
que estará sujeta a una forma especial de autocorrelación y requerirá una técnica
de estimación que tome en cuenta esto. Dicha técnica de estimación son los mínimos
cuadrados generalizados viables (FGLS, por sus siglas en inglés) y esta se asume
implícita al momento de estimar el modelo bajo el enfoque de efectos aleatorios en el
software de EViews 9.
En lo que respecta a las variables explicativas , , , , ,
y , estos son nuevamente los determinantes propuestos de la tasa de
prevalencia de la desnutrición para este subcontinente. Y los parámetros para
son los coeficientes de impacto parcial de estos determinantes (cuyo
comportamiento ya fue explicado en párrafos anteriores), mientras que es el
intercepto del modelo pero también puede ser interpretado como la tasa promedio de
prevalencia de desnutrición del subcontinente bajo análisis.
110
5.9.2 Modelos a estimar para el subcontinente de América
Central y el Caribe
Este subcontinente está comprendido por los países de Costa Rica, Guatemala,
Honduras, Nicaragua, Panamá, El Salvador, República Dominicana, Jamaica, Trinidad
y Tobago, y México. Con un total de 10 países, los modelos que se estimarán para
este subcontinente serán los siguientes:
5.9.2.1 Modelo de Efectos Fijos MCO con variables dummy
Donde las variables explicativas , , , , , y
son los determinantes propuestos de la tasa de prevalencia de la desnutrición para
este subcontinente. Los parámetros para son los coeficientes de impacto
parcial de estos determinantes (cuyo comportamiento ya fue explicado en párrafos
anteriores).
Para hacer explícito el efecto no observado (la heterogeneidad no observada) de
los datos en el modelo, el enfoque de efectos fijos con variables ficticias incluye una
variable dummy que representa a cada cross section de la muestra (para esta
investigación en particular, refiere a cada país de la muestra del subcontinente
analizado). Así, es la variable dummy que representa al país de Costa Rica,
teniendo valor igual a 1 únicamente en las observaciones que corresponden a dicho
país (desde el año 1995 al 2014) y teniendo valor igual a 0 en las demás
observaciones.
De manera análoga se pueden explicar las otras variables dummy creadas para los
países de Guatemala ( ), Honduras ( ), Nicaragua ( ), Panamá ( ), El
111
Salvador ( ), República Dominicana ( ), Jamaica ( ) y Trinidad y Tobago
( ). Como se puede observar, es probable caer en el conocido problema de “La
trampa de las variables dummy” en el cual, incluir todas las variables dummy que
representan a los países del subcontinente analizado (sin establecer alguna de ellas
como el “país referencial” sobre el cual se compara el valor de los parámetros
estimados para las dummies), puede causar un problema inmediato de
multicolinealidad perfecta y, en consecuencia, la no estimación de los parámetros del
modelo. Por ello, se utiliza como país referencial al país de México en este
subcontinente, el cual está representado en el intercepto , y este parámetro vendría
a ser la tasa promedio de prevalencia de la desnutrición que tuvo este país durante el
periodo 1995-2014 mientras que los parámetros asociados a las variables dummy (los
para ) representan el incremento (si es positivo) o reducción (si es
negativo) porcentual promedio que ha tenido el país respectivo en su tasa de
prevalencia de la desnutrición con respecto a la tasa de desnutrición mexicana, para el
periodo considerado (1995-2014).
La elección del país mexicano como categoría referencial para las variables dummy
incorporadas en el modelo de efectos fijos fue precisamente porque este país tuvo la
tasa de prevalencia de la desnutrición más baja de este subcontinente para el periodo
1995-2014, por lo que se considera un buen benchmark para saber si sus países
vecinos han logrado reducir significativamente el nivel de desnutrición en sus
respectivos pueblos, así como para comprobar si están cerca del nivel de desnutrición
alcanzado por México durante los últimos 20 años.
En lo que respecta a , este es el término de perturbación estocástica del modelo, el
cual asume que es ruido blanco y sigue una distribución normal a lo largo de cada
cross section (cada país de la muestra). Por último, es valioso recalcar el significado
del modelo de efectos fijos. Como el efecto no observado ahora es considerado a
través de los coeficientes de las variables dummy (coeficientes específicos de cada
país del subcontinente analizado), entonces cada término (siendo la variable
dummy de un país) representará un efecto fijo del país en la tasa de prevalencia de
la desnutrición (la variable dependiente de los modelos a estimar). La única desventaja
con este enfoque es que por la gran cantidad de variables dummy a estimar en el
modelo, se agota una gran parte de los grados de libertad, haciendo al modelo
ciertamente ineficiente por las variables explicativas ficticias adicionales.
112
5.9.2.2 Modelo de Efectos Aleatorios
Donde:
En este modelo el efecto no observado ha sido añadido al término de perturbación
estocástica original del modelo para formar una nueva perturbación estocástica ,
la cual también se asume que es ruido blanco y se distribuye normalmente a lo largo
de todos los cross sections (i.e., los países del subcontinente analizado). Los detalles
sobre el concepto del modelo bajo el enfoque de efectos aleatorios, así como las
condiciones que se deben cumplir para su estimación son exactamente los mismos
que se explicaron en el numeral 5.8.1.2.
En lo que respecta a las variables explicativas , , , , ,
y , estos son nuevamente los determinantes propuestos de la tasa de
prevalencia de la desnutrición para este subcontinente. Y los parámetros para
son los coeficientes de impacto parcial de estos determinantes (cuyo
comportamiento ya fue explicado en párrafos anteriores), mientras que es el
intercepto del modelo pero también puede ser interpretado como la tasa promedio de
prevalencia de desnutrición del subcontinente bajo análisis.
5.9.3 Modelos a estimar para el subcontinente de África del Norte
y Occidental
Este subcontinente está comprendido por los países de Benín, Costa de Marfil,
Argelia, Egipto, Ghana, Gambia, Marruecos, Malí, Mauritania, Senegal, Sierra Leona y
Togo. Con un total de 12 países, los modelos que se estimarán para este
subcontinente serán los siguientes:
113
5.9.3.1 Modelo de Efectos Fijos MCO con variables dummy
Donde las variables explicativas , , , , , y
son los determinantes propuestos de la tasa de prevalencia de la desnutrición para
este subcontinente. Los parámetros para son los coeficientes de impacto
parcial de estos determinantes (cuyo comportamiento ya fue explicado en párrafos
anteriores).
Para hacer explícito el efecto no observado (la heterogeneidad no observada) de
los datos en el modelo, el enfoque de efectos fijos con variables ficticias incluye una
variable dummy que representa a cada cross section de la muestra (para esta
investigación en particular, refiere a cada país de la muestra del subcontinente
analizado). Así, es la variable dummy que representa al país de Benín, teniendo
valor igual a 1 únicamente en las observaciones que corresponden a dicho país
(desde el año 1995 al 2014) y teniendo valor igual a 0 en las demás observaciones.
De manera análoga se pueden explicar las otras variables dummy creadas para los
países de Costa de Marfil ( ), Argelia ( ), Ghana ( ), Gambia ( ),
Marruecos ( ), Malí ( ), Mauritania ( ), Senegal ( ), Sierra Leona
( ) y Togo ( ). Como se puede observar, es probable caer en el conocido
problema de “La trampa de las variables dummy” en el cual, incluir todas las variables
dummy que representan a los países del subcontinente analizado (sin establecer
alguna de ellas como el “país referencial” sobre el cual se compara el valor de los
parámetros estimados para las dummies), puede causar un problema inmediato de
multicolinealidad perfecta y, en consecuencia, la no estimación de los parámetros del
modelo. Por ello, se utiliza como país referencial al país de Egipto en este
subcontinente, el cual está representado en el intercepto , y este parámetro vendría
a ser la tasa promedio de prevalencia de la desnutrición que tuvo este país durante el
periodo 1995-2014 mientras que los parámetros asociados a las variables dummy (los
para ) representan el incremento (si es positivo) o reducción (si
114
es negativo) porcentual promedio que ha tenido el país respectivo en su tasa de
prevalencia de la desnutrición con respecto a la tasa de desnutrición egipcia, para el
periodo considerado (1995-2014).
La elección del país egipcio como categoría referencial para las variables dummy
incorporadas en el modelo de efectos fijos fue precisamente porque este país tuvo la
tasa de prevalencia de la desnutrición más baja de este subcontinente para el periodo
1995-2014, por lo que se considera un buen benchmark para saber si sus países
vecinos han logrado reducir significativamente el nivel de desnutrición en sus
respectivos pueblos, así como para comprobar si están cerca del nivel de desnutrición
alcanzado por Egipto durante los últimos 20 años.
En lo que respecta a , este es el término de perturbación estocástica del modelo, el
cual asume que es ruido blanco y sigue una distribución normal a lo largo de cada
cross section (cada país de la muestra). Por último, es valioso recalcar el significado
del modelo de efectos fijos. Como el efecto no observado ahora es considerado a
través de los coeficientes de las variables dummy (coeficientes específicos de cada
país del subcontinente analizado), entonces cada término (siendo la variable
dummy de un país) representará un efecto fijo del país en la tasa de prevalencia de
la desnutrición (la variable dependiente de los modelos a estimar). La única desventaja
con este enfoque es que por la gran cantidad de variables dummy a estimar en el
modelo, se agota una gran parte de los grados de libertad, haciendo al modelo
ciertamente ineficiente por las variables explicativas ficticias adicionales.
5.9.3.2 Modelo de Efectos Aleatorios
Donde:
115
En este modelo el efecto no observado ha sido añadido al término de perturbación
estocástica original del modelo para formar una nueva perturbación estocástica ,
la cual también se asume que es ruido blanco y se distribuye normalmente a lo largo
de todos los cross sections (i.e., los países del subcontinente analizado). Los detalles
sobre el concepto del modelo bajo el enfoque de efectos aleatorios, así como las
condiciones que se deben cumplir para su estimación son exactamente los mismos
que se explicaron en el numeral 5.8.1.2.
En lo que respecta a las variables explicativas , , , , ,
y , estos son nuevamente los determinantes propuestos de la tasa de
prevalencia de la desnutrición para este subcontinente. Y los parámetros para
son los coeficientes de impacto parcial de estos determinantes (cuyo
comportamiento ya fue explicado en párrafos anteriores), mientras que es el
intercepto del modelo pero también puede ser interpretado como la tasa promedio de
prevalencia de desnutrición del subcontinente bajo análisis.
5.9.4 Modelos a estimar para el subcontinente de África del Sur,
Oriente y Central
Este subcontinente está comprendido por los países de Camerún, Kenia, Lesoto,
Mozambique, Malaui, Ruanda, Suazilandia, Tanzania, Uganda y Zambia. Con un total
de 10 países, los modelos que se estimarán para este subcontinente serán los
siguientes:
5.9.4.1 Modelo de Efectos Fijos MCO con variables dummy
Donde las variables explicativas , , , , , y
son los determinantes propuestos de la tasa de prevalencia de la desnutrición para
este subcontinente. Los parámetros para son los coeficientes de impacto
116
parcial de estos determinantes (cuyo comportamiento ya fue explicado en párrafos
anteriores).
Para hacer explícito el efecto no observado (la heterogeneidad no observada) de
los datos en el modelo, el enfoque de efectos fijos con variables ficticias incluye una
variable dummy que representa a cada cross section de la muestra (para esta
investigación en particular, refiere a cada país de la muestra del subcontinente
analizado). Así, es la variable dummy que representa al país de Camerún,
teniendo valor igual a 1 únicamente en las observaciones que corresponden a dicho
país (desde el año 1995 al 2014) y teniendo valor igual a 0 en las demás
observaciones.
De manera análoga se pueden explicar las otras variables dummy creadas para los
países de Kenia ( ), Mozambique ( ), Malaui ( ), Ruanda ( ),
Suazilandia ( ), Tanzania ( ), Uganda ( ) y Zambia ( ). Como se puede
observar, es probable caer en el conocido problema de “La trampa de las variables
dummy” en el cual, incluir todas las variables dummy que representan a los países del
subcontinente analizado (sin establecer alguna de ellas como el “país referencial”
sobre el cual se compara el valor de los parámetros estimados para las dummies),
puede causar un problema inmediato de multicolinealidad perfecta y, en consecuencia,
la no estimación de los parámetros del modelo. Por ello, se utiliza como país
referencial al país de Lesoto en este subcontinente, el cual está representado en el
intercepto , y este parámetro vendría a ser la tasa promedio de prevalencia de la
desnutrición que tuvo este país durante el periodo 1995-2014 mientras que los
parámetros asociados a las variables dummy (los para ) representan el
incremento (si es positivo) o reducción (si es negativo) porcentual promedio que
ha tenido el país respectivo en su tasa de prevalencia de la desnutrición con respecto
a la tasa de desnutrición lesotense, para el periodo considerado (1995-2014).
La elección del país lesotense como categoría referencial para las variables dummy
incorporadas en el modelo de efectos fijos fue precisamente porque este país tuvo la
tasa de prevalencia de la desnutrición más baja de este subcontinente para el periodo
1995-2014, por lo que se considera un buen benchmark para saber si sus países
vecinos han logrado reducir significativamente el nivel de desnutrición en sus
respectivos pueblos, así como para comprobar si están cerca del nivel de desnutrición
alcanzado por Lesoto durante los últimos 20 años.
117
En lo que respecta a , este es el término de perturbación estocástica del modelo, el
cual asume que es ruido blanco y sigue una distribución normal a lo largo de cada
cross section (cada país de la muestra). Por último, es valioso recalcar el significado
del modelo de efectos fijos. Como el efecto no observado ahora es considerado a
través de los coeficientes de las variables dummy (coeficientes específicos de cada
país del subcontinente analizado), entonces cada término (siendo la variable
dummy de un país) representará un efecto fijo del país en la tasa de prevalencia de
la desnutrición (la variable dependiente de los modelos a estimar). La única desventaja
con este enfoque es que por la gran cantidad de variables dummy a estimar en el
modelo, se agota una gran parte de los grados de libertad, haciendo al modelo
ciertamente ineficiente por las variables explicativas ficticias adicionales.
5.9.4.2 Modelo de Efectos Aleatorios
Donde:
En este modelo el efecto no observado ha sido añadido al término de perturbación
estocástica original del modelo para formar una nueva perturbación estocástica ,
la cual también se asume que es ruido blanco y se distribuye normalmente a lo largo
de todos los cross sections (i.e., los países del subcontinente analizado). Los detalles
sobre el concepto del modelo bajo el enfoque de efectos aleatorios, así como las
condiciones que se deben cumplir para su estimación son exactamente los mismos
que se explicaron en el numeral 5.8.1.2.
En lo que respecta a las variables explicativas , , , , ,
y , estos son nuevamente los determinantes propuestos de la tasa de
prevalencia de la desnutrición para este subcontinente. Y los parámetros para
son los coeficientes de impacto parcial de estos determinantes (cuyo
118
comportamiento ya fue explicado en párrafos anteriores), mientras que es el
intercepto del modelo pero también puede ser interpretado como la tasa promedio de
prevalencia de desnutrición del subcontinente bajo análisis.
5.9.5 Modelos a estimar para el subcontinente de Asia
Este subcontinente está comprendido por los países de Armenia, Azerbaiyán,
Bangladesh, Indonesia, India, Kazajistán, Kirguistán, Camboya, Sri Lanka, Mongolia,
Nepal, Tailandia, Tayikistán, Vietnam y Turquía. Con un total de 15 países, los
modelos que se estimarán para este subcontinente serán los siguientes:
5.9.5.1 Modelo de Efectos Fijos MCO con variables dummy
Donde las variables explicativas , , , , , y
son los determinantes propuestos de la tasa de prevalencia de la desnutrición para
este subcontinente. Los parámetros para son los coeficientes de impacto
parcial de estos determinantes (cuyo comportamiento ya fue explicado en párrafos
anteriores).
Para hacer explícito el efecto no observado (la heterogeneidad no observada) de
los datos en el modelo, el enfoque de efectos fijos con variables ficticias incluye una
variable dummy que representa a cada cross section de la muestra (para esta
investigación en particular, refiere a cada país de la muestra del subcontinente
analizado). Así, es la variable dummy que representa al país de Armenia,
teniendo valor igual a 1 únicamente en las observaciones que corresponden a dicho
país (desde el año 1995 al 2014) y teniendo valor igual a 0 en las demás
observaciones.
119
De manera análoga se pueden explicar las otras variables dummy creadas para los
países de Azerbaiyán ( ), Bangladesh ( ), Indonesia ( ), India ( ),
Kazajistán ( ), Kirguistán ( ), Camboya ( ), Sri Lanka ( ), Mongolia
( ), Nepal ( ), Tailandia ( ), Tayikistán ( ) y Vietnam ( ). Como se
puede observar, es probable caer en el conocido problema de “La trampa de las
variables dummy” en el cual, incluir todas las variables dummy que representan a los
países del subcontinente analizado (sin establecer alguna de ellas como el “país
referencial” sobre el cual se compara el valor de los parámetros estimados para las
dummies), puede causar un problema inmediato de multicolinealidad perfecta y, en
consecuencia, la no estimación de los parámetros del modelo. Por ello, se utiliza como
país referencial al país de Turquía en este subcontinente, el cual está representado en
el intercepto , y este parámetro vendría a ser la tasa promedio de prevalencia de la
desnutrición que tuvo este país durante el periodo 1995-2014 mientras que los
parámetros asociados a las variables dummy (los para ) representan
el incremento (si es positivo) o reducción (si es negativo) porcentual promedio
que ha tenido el país respectivo en su tasa de prevalencia de la desnutrición con
respecto a la tasa de desnutrición turca, para el periodo considerado (1995-2014).
La elección del país turco como categoría referencial para las variables dummy
incorporadas en el modelo de efectos fijos fue precisamente porque este país tuvo la
tasa de prevalencia de la desnutrición más baja de este subcontinente para el periodo
1995-2014, por lo que se considera un buen benchmark para saber si sus países
vecinos han logrado reducir significativamente el nivel de desnutrición en sus
respectivos pueblos, así como para comprobar si están cerca del nivel de desnutrición
alcanzado por Turquía durante los últimos 20 años.
En lo que respecta a , este es el término de perturbación estocástica del modelo, el
cual asume que es ruido blanco y sigue una distribución normal a lo largo de cada
cross section (cada país de la muestra). Por último, es valioso recalcar el significado
del modelo de efectos fijos. Como el efecto no observado ahora es considerado a
través de los coeficientes de las variables dummy (coeficientes específicos de cada
país del subcontinente analizado), entonces cada término (siendo la variable
dummy de un país) representará un efecto fijo del país en la tasa de prevalencia de
la desnutrición (la variable dependiente de los modelos a estimar). La única desventaja
con este enfoque es que por la gran cantidad de variables dummy a estimar en el
modelo, se agota una gran parte de los grados de libertad, haciendo al modelo
ciertamente ineficiente por las variables explicativas ficticias adicionales.
120
5.9.5.2 Modelo de Efectos Aleatorios
Donde:
En este modelo el efecto no observado ha sido añadido al término de perturbación
estocástica original del modelo para formar una nueva perturbación estocástica ,
la cual también se asume que es ruido blanco y se distribuye normalmente a lo largo
de todos los cross sections (i.e., los países del subcontinente analizado). Los detalles
sobre el concepto del modelo bajo el enfoque de efectos aleatorios, así como las
condiciones que se deben cumplir para su estimación son exactamente los mismos
que se explicaron en el numeral 5.8.1.2.
En lo que respecta a las variables explicativas , , , , ,
y , estos son nuevamente los determinantes propuestos de la tasa de
prevalencia de la desnutrición para este subcontinente. Y los parámetros para
son los coeficientes de impacto parcial de estos determinantes (cuyo
comportamiento ya fue explicado en párrafos anteriores), mientras que es el
intercepto del modelo pero también puede ser interpretado como la tasa promedio de
prevalencia de desnutrición del subcontinente bajo análisis.
5.10 Detalle del Análisis Econométrico a realizar con los Modelos de
Efectos Fijos y de Efectos Aleatorios
Luego de la descripción de los modelos que se estimarán para cada subcontinente
considerado en el estudio, es preciso explicar cada uno de los tests econométricos
121
que se utilizarán para verificar la significancia de dichos modelos y/o corregir la
violación de supuestos del modelo clásico de regresión lineal normal (MCRLN, de aquí
en adelante) que se generen en ellos.
Debido a que el tipo de datos usados son del tipo panel, la gran mayoría de los
supuestos de cumplimiento obligatorio del MCRLN no son analizables bajo una técnica
de estimación econométrica clásica como lo es el MCO. Es más, muchos requieren
técnicas de estimación más complejas, las cuales no fueron consideradas en la
presente investigación. Es así que la violación de supuestos clave del MCRLN como la
autocorrelación (de grado 1 o mayor), la heteroscedasticidad y la multicolinealidad no
pueden ser verificables en el presente trabajo, por lo que se asume que estos no se
presentan en ninguno de los modelos estimados y, por lo tanto, no genera problemas
de ineficiencia ni de inconsistencia en los parámetros estimados.
Por otro lado, un supuesto que sí es verificable en el presente análisis es la
normalidad de los errores (i.e., si las series de errores y siguen una distribución
normal con media cero y varianza constante). Esto es debido a que es necesario que
los modelos a estimar (tanto el de efectos fijos como el de efectos aleatorios) tengan
errores con distribución normal (o aproximada a la distribución normal) para así
garantizar un nivel de inferencia adecuado en la interpretación de los parámetros
estimados y en los tests econométricos adicionales que se aplicarán a los modelos de
data panel considerados. Por ello, el requisito de normalidad es obligatorio como paso
previo a posterior análisis econométrico de dichos modelos, siendo el test de
normalidad de Jarque-Bera el único usado en este trabajo de investigación para
realizar dicho cometido.
Otro supuesto que también es necesario verificar en los modelos estimados (luego del
supuesto de normalidad, claro está), es el supuesto de que “El modelo estimado tiene
una correcta especificación”. Este se verifica de manera parcial ya que no se utiliza
tests como el de error de la especificación en la ecuación de regresión (RESET, por
sus siglas en inglés) Ramsey para saber si la especificación lineal del modelo
estimado es realmente la correcta. Únicamente se usa el test de variables redundantes
en el modelo de efectos fijos con normalidad verificada para saber si las variables no
significativas de manera individual (si las hubiese) son o no realmente necesarias en el
modelo. Esto último permitirá definir cuáles son los verdaderos determinantes de la
tasa de prevalencia de la desnutrición para cada subcontinente analizado y esos
determinantes (que sean verdaderamente significativos) serán las variables a usar en
la estimación del modelo de efectos aleatorios para el subcontinente en cuestión.
122
Entonces, lo anterior implica que el modelo de efectos fijos se estimará previamente al
modelo de efectos aleatorios. Así, luego de estimado el primer modelo, solo se
verificará en dicho modelo dos supuestos del MCRLN: La normalidad de los errores (a
través del test de Jarque-Bera) y la correcta especificación del modelo (a través del
test de variables redundantes). Luego de obtener el “Modelo Final de Efectos Fijos”, se
procede a estimar el modelo de efectos aleatorios entre la tasa de prevalencia de la
desnutrición y los determinantes verdaderamente significativos (de acuerdo a los
resultados obtenidos en el test de variables redundantes). Para el modelo de efectos
aleatorios únicamente se verifica un supuesto del MCRLN: La normalidad de los
errores (a través del test de Jarque-Bera) debido a que en este modelo se realizará el
test de Hausman para concluir cuál de los dos modelos (si el de efectos fijos o el de
efectos aleatorios) es el modelo más adecuado para el subcontinente analizado.
Un punto importante a tratar es que no solo se verificará el cumplimiento de los
supuestos del MCRLN anteriormente discutidos, sino que estos también se corregirán
en el caso que exista alguna violación de estos supuestos en los modelos estimados.
Por ejemplo, si se diera la violación al supuesto de normalidad de los errores (es decir,
que la serie de errores no siga una distribución normal de acuerdo a los resultados
del test de Jarque-Bera), se procederá a corregir la no normalidad de los errores a
través del uso de variables dummy. Específicamente, estas variables dummy son
creadas a partir de la detección de fechas de quiebre (es decir, año(s) donde la serie
de los residuales presenta valores atípicos, generalmente valores muy grandes en
relación a los valores de los residuales de otros años) y seguirán este comportamiento
(a manera de ejemplo):
Esto quiere decir que, si un valor muy grande de la serie de residuales ocurriese en
la observación correspondiente al país de Bolivia (país número 2 en el subcontinente
de América del Sur, de acuerdo al orden establecido para los datos, el cual se puede
identificar en la gráfica de la tasa de prevalencia de la desnutrición al leer la leyenda
de los países de izquierda a derecha desde el inicio hasta el final) en el año 2007, no
importando si este valor del residual fuese positivo o negativo (ya que se evalúa su
incidencia en valor absoluto), y valor atípico del residual causase que la distribución de
no se aproxime a una normal, entonces se procede a corregir este valor atípico al
incluir la variable dummy anterior en la estimación del modelo de efectos fijos
123
propuesto como una variable adicional, cuya interpretación de su parámetro no tiene
importancia alguna debido a que solo se usa dicha variable ficticia para corregir la no
normalidad del modelo.
El proceso anterior de corrección de la no normalidad del modelo de efectos fijos se
realizará las veces que fuese necesario (i.e., incluyendo el número de variables
dummy de fechas de quiebre que se requiriesen) para obtener la normalidad deseada
en la serie de residuales . En el caso que el modelo presente normalidad en la serie
de residuales sin realizar inclusión alguna de las variables ficticias de fechas de
quiebre, también se puede incluir estas si se pretende incrementar la significancia
individual de los parámetros asociados a los determinantes de la tasa de prevalencia
de la desnutrición, siempre que la inclusión de dichas dummies incremente la
significancia de la normalidad del modelo. Lo anterior no es recomendable porque
puede llevar a una significancia forzosa del modelo con la inclusión de una gran
cantidad de variables dummy de FQ, lo que agota aún más los grados de libertad del
modelo y reduce también su poder explicativo (si es que este ya era bastante alto sin
la inclusión de las variables ficticias). En todo caso, el presente trabajo priorizará la
parsimonia en los modelos de efectos fijos siempre que ya se haya obtenido la
normalidad de los mismos, salvo casos muy particulares que sean necesarios para el
posterior análisis.
Para el caso del modelo de efectos aleatorios, no es posible realizar una corrección de
la no normalidad del modelo (si ocurriese) con el uso de variables dummy de fechas
de quiebre debido al problema que el modelo de efectos aleatorios solo puede ser
estimado en el software EViews 9 con un número de variables explicativas (incluyendo
la constante) no mayor al número de cross sections (i.e., el número de países)
incluidos en la muestra. Como en la mayoría de las muestras de los subcontinentes
analizados el número de países no excede el total de 15, la posibilidad de corregir la
no normalidad del modelo de efectos aleatorios parece un camino inviable. Por ello, la
única solución para corregir la no normalidad es volver al modelo de efectos fijos y
realizar el test de efectos fijos redundantes (el cual no es igual al test de variables
redundantes), con lo que se verificará si existe alguna variable que cause efectos fijos
innecesarios en el modelo y, por lo tanto, deba excluirse del mismo. Con ello, el
modelo de efectos aleatorios volverá a ser estimado (en base a los determinantes
significativos restantes) y se volverá a testear la normalidad del modelo de efectos
aleatorios. Aunque existe el riesgo de que ninguno de los determinantes sea realmente
significativo para el modelo de efectos aleatorios (y, en consecuencia, no se encuentre
ningún real determinante de la tasa de prevalencia de la desnutrición en el
124
subcontinente analizado), este no es el caso en el presente trabajo, como se verá en
las siguientes subsecciones.
Para el caso del test de variables redundantes, la única corrección posible (si los
resultados del test arrojan que las variables consideradas como redundantes
efectivamente lo son) es el sacar las variables redundantes del modelo de efectos fijos
y volver a estimar el modelo sin estas variables. Para el caso del test de efectos fijos
redundantes el procedimiento de corrección es análogo, por lo que se estimará
nuevamente el modelo de efectos fijos sin las variables que causen los efectos fijos
redundantes. Así, luego de aplicadas estas correcciones se obtendrá la versión final
del modelo de efectos fijos para el subcontinente analizado.
Ahora, la parte principal del análisis econométrico con modelos de data panel recae en
saber cuál de los dos enfoques para estimar el modelo de data panel (si el enfoque de
efectos fijos o el enfoque de efectos aleatorios) es el más adecuado para la relación
planteada en la investigación (entre la tasa de prevalencia de desnutrición y sus
posibles determinantes, para cada subcontinente analizado). Esto refiere más bien a
cuál es la forma más adecuada de hacer explícito el efecto no observado en el
modelo propuesto de investigación: Si a través de variables dummy que reflejen el
incremento o disminución de la tasa de prevalencia de la desnutrición en cada país
que conforma el subcontinente, respecto a un país referencial, o si es mejor incluir
dicho efecto no observado en el error del modelo econométrico a estimar.
Hablando técnicamente, la decisión sobre cuál modelo de data panel usar (si el de
efectos fijos o el de efectos aleatorios) es, en pocas palabras, verificar la segunda
condición para el uso de un modelo de efectos aleatorios: Si las variables explicativas
no observadas (que conforman el efecto no observado ) estén distribuidas
independientemente de todas las variables explicativas observadas (i.e., los
determinantes propuestos de la tasa de prevalencia de la desnutrición). Para verificar
si esta condición se cumple se realiza el test de Hausman (también llamado test de
Durbin-Wu-Hausman) al modelo de efectos aleatorios con la normalidad de los errores
verificada. La hipótesis nula ( ) del test es que el efecto no observado está
distribuido independientemente de las variables explicativas observadas (los
determinantes de la tasa de prevalencia de la desnutrición). Si fuese correcta, tanto
el modelo de efectos fijos como el modelo de efectos aleatorios son ambos
consistentes para la relación de investigación planteada; sin embargo, el modelo de
efectos fijos sería ineficiente porque en su forma de estimación con variables dummy
(para cada país de la muestra del subcontinente analizado) involucra estimar un
125
innecesario conjunto de coeficientes de variables ficticias. Por lo tanto, el no rechazar
la hipótesis nula del test de Hausman permitiría concluir que el modelo más adecuado
para la relación de investigación en el subcontinente bajo análisis es el modelo de
efectos aleatorios.
En cambio, si fuese rechazada, se concluiría que existe una correlación
significativa entre el efecto no observado y los determinantes de la tasa de
prevalencia de la desnutrición (es decir, , lo que implica que
en el modelo de efectos aleatorios del subcontinente analizado), por
lo que el modelo de efectos fijos es el único que puede estimar parámetros
consistentes (pero ineficientes) de los determinantes de la tasa de prevalencia de la
desnutrición y, por ello, este último modelo sería el más adecuado para la relación de
investigación propuesta entre las variables.
Aunque es poco probable que los resultados del test de Hausman indiquen que el
modelo de efectos aleatorios es el más adecuado para alguno de los subcontinentes
bajo estudio (debido a que los datos de panel no fueron extraídos aleatoriamente de
una población con distribución dada), la posibilidad de que lo anterior ocurra es de
todas maneras posible. Sin embargo, en la mayoría de los casos, se espera que el
modelo más adecuado para cada subcontinente en consideración sea el modelo de
efectos fijos.
Ahora, si los resultados del test de Hausman indican que el modelo más adecuado
para el subcontinente bajo análisis es el de efectos aleatorios, entonces ahí termina el
análisis econométrico, no se realizará ningún test adicional al modelo y se considera
este como el “Modelo Final” para el subcontinente analizado, por lo que se puede
proceder con la discusión de sus resultados.
Por otro lado, si los resultados del test de Hausman indican que el modelo más
adecuado para el subcontinente analizado es el de efectos fijos, entonces se debe
realizar un test econométrico adicional: Se usará el test de coeficientes restringidos de
Wald (que a fin de cuentas es el test “F” restringido) para verificar que cada uno de los
parámetros asociados a las variables dummy que representan cada país del
subcontinente (incluyendo el intercepto) son de manera conjunta estadísticamente
diferentes de cero (es decir, su poder explicativo conjunto es significativo). Si es que el
modelo de efectos fijos presentara muchas variables dummy de fechas de quiebre
(introducidas por motivos de corregir la no normalidad del modelo), es probable que no
se pueda realizar el test de verificación de la significancia del poder explicativo
126
conjunto de las variables dummy que representan a los países del subcontinente. En
ese caso, se optará por verificar individualmente la significancia del parámetro
asociado a cada una de estas dummies, con el uso del test de Wald. Si es que el
poder explicativo conjunto de estas dummies es significativo o cada una de estas
variables es significativa individualmente (dependiendo de la manera que se esté
evaluando ello), entonces se concluirá que dicho modelo de efectos fijos debe ser
considerado como el “Modelo Final” para el subcontinente bajo análisis, por lo que se
podrá proceder con la discusión de sus resultados.
Finalmente, si es que el poder explicativo conjunto de estas dummies no fuera
significativo o que la mayoría de estas variables no fuese significativa individualmente
(dependiendo nuevamente de la manera en que se esté evaluando ello), entonces el
modelo de efectos fijos no puede ser considerado como el “Modelo Final” para el
subcontinente bajo análisis y, en consecuencia, se debe estimar la relación de
investigación (entre la tasa de prevalencia de la desnutrición y los verdaderos
determinantes de esta) bajo un modelo de datos de panel agrupado (pooled, por su
connotación en inglés) el cual no considera ni efectos fijos ni efectos aleatorios ya que
asume que el modelo de investigación propuesta carece del problema de
heterogeneidad observada (i.e., ) y la tasa de prevalencia de la desnutrición del
subcontinente analizado únicamente es explicada por sus verdaderos determinantes
(variables explicativas observadas estadísticamente significativas). Cabe recalcar que
luego de la estimación del modelo agrupado se debe verificar y corregir (si fuese
necesario) la normalidad del modelo. Realizado esto, el modelo agrupado sería
considerado como el “Modelo Final” para el subcontinente bajo análisis, procediendo
con la discusión de sus resultados.
Habiendo realizado una detallada explicación de como será el procedimiento de todo
el análisis econométrico con los modelos de data panel para cada subcontinente
considerado en el presente trabajo de investigación, se procede con la presentación
de los resultados de los modelos de data panel a estimar para cada subcontinente, así
como los resultados de los tests econométricos previamente comentados.
5.11 Presentación de resultados de los modelos a estimar y de los tests
econométricos a usar para cada subcontinente analizado
127
La presente subsección muestra en tablas de resumen cada uno de los resultados de
todo el procedimiento de estimación e ingeniería econométrica a realizar (ver
subsección anterior) con los modelos de efectos fijos y de efectos aleatorios para cada
subcontinente considerado en el estudio.
5.11.1 Resultados para el subcontinente de América del Sur
Primeramente, los resultados del modelo de efectos fijos MCO con variables dummy
para este subcontinente se aprecian en el siguiente cuadro.
Cuadro 22: Estimación del Modelo de Efectos Fijos inicial para el subcontinente de América del Sur
Del cuadro anterior se puede observar que el modelo de efectos fijos inicial para este
subcontinente presenta un ajuste muy alto (a saber, 94.69% de las variaciones
porcentuales promedio de la tasa de prevalencia de la desnutrición de América del
128
Sur, en el periodo 1995-2014, fueron explicadas por los determinantes considerados
en el presente trabajo). Y esto también es reflejado en el alto valor del estadístico F, el
cual es significativo a un nivel de 1%. Lo mismo no se puede decir por completo de la
significancia individual de los determinantes propuestos para la tasa de prevalencia de
la desnutrición en este subcontinente ya que solo 4 de los 7 determinantes propuestos
(el número de hijos por mujer, la tasa de acceso al agua potable, la tasa de mejoras en
las instalaciones sanitarias y los años promedio de escolaridad) fueron significativos al
5% inclusive. Por lo tanto, se podría inferir que la tasa de desempleo, el gasto en salud
per cápita y el ingreso nacional bruto per cápita no serían verdaderos determinantes
de la tasa de prevalencia de la desnutrición en este subcontinente.
Sobre la interpretación de los determinantes de la tasa de prevalencia de la
desnutrición que sí fueron significativos individualmente, dos de ellos presentan signos
erróneos (el número de hijos por mujer y la tasa de acceso al agua potable). Esto
quiere decir que el incremento de 1% en el promedio de nacimientos por mujer de
América del Sur redujo en 0.99% la tasa de prevalencia de la desnutrición de dicho
subcontinente entre los años 1995 y 2014 (manteniendo constantes los impactos de
los demás determinantes), lo cual no tiene sentido económico. Por otro lado, el
incremento de 1% en la proporción de la población sudamericana con acceso al agua
potable incrementó en 1.96% el porcentaje de personas que padecen desnutrición
durante el periodo considerado de la muestra (ceteris paribus), lo cual tampoco tiene
sentido económico. Sin embargo, no es apropiado realizar un mayor análisis al
respecto, debido a que este modelo no se le ha verificado el cumplimiento de los
supuestos del modelo clásico de regresión lineal y, en consecuencia, no es el modelo
final para el subcontinente bajo análisis.
Los otros dos determinantes significativos para la tasa de prevalencia de la
desnutrición en América del Sur tuvieron los signos correctos de acuerdo a la
especificación del modelo hecho en subsecciones anteriores. Esto quiere decir que,
ante el aumento de 1% en la proporción del sector urbano de la población
sudamericana con acceso a instalaciones sanitarias hubo una reducción de 4.19% en
la tasa de prevalencia de la desnutrición de dicho subcontinente entre los años 1995 y
2014 (ceteris paribus), lo cual refleja que las mejoras en el sistema sanitario o de
higiene influyen mucho en la reducción de la población con problemas severos o leves
de desnutrición. Por otro lado, ante el incremento de 1% en el promedio de años de
escolaridad en Sudamérica la tasa de prevalencia de la desnutrición de la región se
redujo en 2.66% durante el periodo de años considerado (manteniendo los impactos
de los demás determinantes como constantes), lo cual muestra también el gran
129
impacto del desarrollo educativo en disminuir el número de personas que padecen de
desnutrición en el subcontinente.
Finalmente, el anterior modelo de efectos fijos presenta un valor del estadístico de
Durbin-Watson igual a 0.4358, lo cual (sin hacer muchos cálculos) indicaría la
existencia de autocorrelación positiva de primer orden en el modelo. Como ya se dijo
anteriormente, debido a la complejidad de las técnicas de estimación econométricas
para corregir los problemas de autocorrelación en los modelos con data panel, se
obvia el presente resultado y se asume que el modelo de efectos fijos para América
del Sur no presenta problemas de autocorrelación.
Ahora, en lo que respecta a los efectos fijos introducidos en el modelo a través de las
variables dummy que representan a cada país de este subcontinente, se puede
concluir que durante el periodo 1995-2014 la tasa promedio de prevalencia de la
desnutrición peruana fue de 18.66%, por encima del promedio de la región durante el
mismo periodo (12.08%). Ante esto, se puede observar que todos los otros países
sudamericanos lograron reducir su tasa de prevalencia de la desnutrición nacional
respecto al valor de la tasa peruana; sin embargo, solo 6 de estas 9 reducciones
fueron significativas (la de Argentina, Bolivia, Brasil, Chile, Colombia y Uruguay),
siendo todas estas significativas al 1%.
De dichas reducciones significativas, la de Brasil fue la mayor ya que redujo su tasa
promedio de prevalencia de la desnutrición en 1.79% respecto a la tasa peruana para
el periodo 1995-2014, seguidos por Colombia y Bolivia que las redujeron en 1.05% y
1.04%, respectivamente. Por otro lado, el país que menos redujo su tasa de
prevalencia de la desnutrición respecto al nivel de la tasa peruana fue Paraguay que
solo pudo reducirla en 0.07% durante dicho periodo de 20 años. Estos resultados son
bastante interesantes ya que reflejan que el Perú puede ser el país sudamericano que
menos ha avanzado en la reducción relativa de la desnutrición a pesar de que menos
del 20% de su población padece este problema.
El siguiente paso en el análisis econométrico del modelo de efectos fijos para este
subcontinente es la verificación del supuesto del MCRLN referido a la normalidad de la
serie de errores . Por ello, la verificación en su contraparte muestral (la serie de los
residuales ) se realizó a través del test de Normalidad de Jarque-Bera, cuyos
resultados se presentan en el siguiente cuadro.
130
Cuadro 23: Verificación de la normalidad de errores en el modelo de efectos fijos inicial para el
subcontinente de América del Sur
Residuales Valor del Conclusión
11.0329
La serie de los residuales no sigue una distribución normal
con media igual a cero y varianza constante. Es decir, no
es ruido blanco ni tampoco se distribuye normalmente a lo
largo de todos los países del subcontinente.
Nota: * Denota significancia al 5%. ** Denota significancia al 1%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que la hipótesis nula del test (la serie de los
residuales sigue una distribución normal con media cero y varianza constante) es
rechazada a todos los niveles de significancia propuestos, por lo que se concluye que
los residuales del modelo de efectos fijos no siguen una distribución normal y, en
consecuencia, los errores del modelo (su contraparte poblacional) tampoco siguen una
distribución normal. Esto conlleva a que es imposible obtener una inferencia
estadística verídica de las estimaciones del modelo de efectos fijos anterior, por lo que
se debe proceder con la corrección de la no normalidad del modelo.
Ahora, como se dijo anteriormente en la explicación del análisis econométrico a
realizar con los modelos de data panel, la corrección de la no normalidad se lleva a
cabo a través del uso de variables dummy en las observaciones específicas donde
existe un valor atípico de la serie de residuales. La creación de dichas variables
dummy requieren primero la detección de las fechas de quiebre en la gráfica de los
residuales. En ese sentido, este proceso (detectar la fecha de quiebre, crear la
variable dummy para el quiebre, incluirla en el modelo de efectos fijos y volver a
estimarlo con dicha inclusión, y verificar la normalidad del modelo con el test de
Jarque-Bera para comprobar que la no normalidad fue corregida) se realiza de manera
iterativa hasta lograr la confirmación de la normalidad de los errores en el modelo vía
los resultados del test. Por ello, se presenta en el siguiente cuadro todas las fechas de
quiebre detectadas hasta obtener la normalidad en el modelo de efectos fijos de este
subcontinente.
131
Cuadro 24: Corrección de la no normalidad en el modelo de efectos fijos inicial para el subcontinente de
América del Sur – Detección de las fechas de quiebre
Fecha de Quiebre (FQ) detectada Variable dummy creada
FQ 1: País – Perú, Año – 2014. DP8A14
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Entonces, la verificación de la normalidad de los errores en el modelo derivado del
modelo de efectos fijos inicial para este subcontinente (incluyendo la variable dummy
creada a partir de la fecha de quiebre detectada) se presenta en el siguiente cuadro.
Cuadro 25: Corrección de la no normalidad en el modelo de efectos fijos inicial para el subcontinente de
América del Sur – Verificación de la normalidad de errores para diferentes fechas de quiebres detectadas
Modelo
Variables
dummy
añadidas
Contribución de la
dummy al del
Modelo Inicial
Conclusión
EFM_1D DP8A14 7.6553** 0.004015
La serie de los residuales
sí sigue una distribución
normal con media igual a cero y
varianza constante.
Nota: * Denota significancia al 5%. ** Denota significancia al 1%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que la hipótesis nula del test (la serie de los
residuales sigue una distribución normal con media cero y varianza constante) no
es rechazada al nivel de significancia de 0.01, por lo que se concluye que los
residuales del modelo de efectos fijos corregido (con una variable dummy de quiebre)
sí siguen una distribución normal y, en consecuencia, los errores del modelo (su
contraparte poblacional) también siguen una distribución normal. Esto conlleva a que
ahora es posible obtener una inferencia estadística verídica de los parámetros
estimados con el modelo de efectos fijos corregido, el cual ahora será denotado como
.
132
Entonces, el siguiente paso es estimar este nuevo modelo corregido , cuyos
resultados se aprecian en el siguiente cuadro.
Cuadro 26: Estimación del Modelo de Efectos Fijos corregido (modelo EFM_1D) para el subcontinente de
América del Sur
133
Del cuadro anterior se puede observar que el modelo de efectos fijos corregido para
este subcontinente presenta también un ajuste bastante alto (a saber, ahora 95.10%
de las variaciones porcentuales promedio de la tasa de prevalencia de la desnutrición
de América del Sur, en el periodo 1995-2014, fueron explicadas por los siete
determinantes anteriormente considerados). También se mantiene un muy alto valor
del estadístico F, el cual sigue siendo significativo a un nivel de 1%. Sin embargo,
nuevamente no todos los determinantes propuestos fueron significativos de manera
individual ya que solo 4 de los 7 determinantes (el ingreso nacional bruto per cápita, la
tasa de acceso al agua potable, la tasa de mejoras en las instalaciones sanitarias y los
años promedio de escolaridad) fueron significativos al 5% inclusive. Por lo tanto, existe
una probabilidad bastante alta que la tasa de desempleo, el gasto en salud per cápita
y el número de hijos por mujer sean variables redundantes para el presente modelo
estimado (considerando que la no normalidad del modelo ha sido corregida).
Sobre la interpretación de los determinantes de la tasa de prevalencia de la
desnutrición que sí fueron significativos individualmente, dos de ellos presentan signos
erróneos (el ingreso nacional bruto per cápita y la tasa de acceso al agua potable).
Esto quiere decir que el incremento de 1% en el promedio de ingreso nacional bruto
que genera cada habitante de América del Sur aumentó en 0.16% la tasa de
prevalencia de la desnutrición de dicho subcontinente entre los años 1995 y 2014
(manteniendo constantes los impactos de los demás determinantes), lo cual no tiene
sentido económico. Por otro lado, el incremento de 1% en la proporción de la
población sudamericana con acceso al agua potable incrementó en 1.88% el
porcentaje de personas que padecen desnutrición durante el periodo considerado de
la muestra (ceteris paribus), lo cual tampoco tiene sentido económico y sugiere que el
anterior impacto de la tasa de acceso al agua potable en la tasa de prevalencia de la
desnutrición (el cual era igual a un incremento de 1.96%) estaba sobrevaluado
respecto al nuevo valor del parámetro, causado por la falta de normalidad en el
modelo inicial.
Los otros dos determinantes significativos para la tasa de prevalencia de la
desnutrición en este subcontinente tuvieron los signos correctos de acuerdo a la
especificación del modelo hecho en subsecciones anteriores. Esto quiere decir que,
ante el aumento de 1% en la proporción del sector urbano de la población
sudamericana con acceso a instalaciones sanitarias hubo ahora una reducción de
134
3.84% en la tasa de prevalencia de la desnutrición de dicho subcontinente entre los
años 1995 y 2014 (ceteris paribus), lo cual sugiere que el impacto también estaba
sobrevaluado por la no normalidad del modelo inicial. Por otro lado, ante el incremento
de 1% en el promedio de años de escolaridad en Sudamérica la tasa de prevalencia
de la desnutrición de la región se redujo ahora en 2.59% durante el periodo de años
considerado (manteniendo los impactos de los demás determinantes como
constantes), lo cual también sugiere el valor de este impacto en el modelo inicial
estaba sobrevaluado por la violación del supuesto de normalidad en dicho modelo de
efectos fijos.
Sobre la autocorrelación del modelo, este presenta un valor del estadístico de Durbin-
Watson igual a 0.4015, lo cual (sin hacer muchos cálculos) nuevamente indicaría la
existencia de autocorrelación positiva de primer orden en el modelo. Como ya se dijo
anteriormente, se obvia el presente resultado y se asume que el modelo de efectos
fijos para América del Sur no presenta problemas de autocorrelación.
Ahora, en lo que respecta a los efectos fijos introducidos en el modelo, se puede
concluir que durante el periodo 1995-2014 la tasa promedio de prevalencia de la
desnutrición peruana ahora fue de 17.01%, sugiriendo también su valor en el modelo
inicial estaba sobrevaluado (ya que era mayor). Sin embargo, esta tasa sigue estando
por encima del promedio de la región durante el mismo periodo (12.08%). Por otro
lado, se puede mantiene el hallazgo anterior de que todos los otros países
sudamericanos lograron reducir su tasa de prevalencia de la desnutrición nacional
respecto al valor de la tasa peruana pero ahora solo 7 de estas 9 reducciones fueron
significativas al 5% inclusive (la de Argentina, Bolivia, Brasil, Chile, Colombia, Ecuador
y Uruguay). De dichas reducciones significativas, la mayor sigue siendo la de Brasil ya
que mantuvo la reducción de su tasa promedio de prevalencia de la desnutrición en
1.79% respecto a la tasa peruana para el periodo 1995-2014 (es decir, este parámetro
no estaba subvaluado ni sobrevaluado), seguidos por Colombia, Uruguay y Bolivia que
ahora las redujeron en 1.08% (parámetro estaba subvaluado ya que el valor obtenido
en el modelo inicial era menor), 1.01% (parámetro estaba subvaluado ya que el valor
obtenido en el modelo inicial era menor) y 0.96% (parámetro estaba sobrevaluado ya
que el valor obtenido en el modelo inicial era mayor), respectivamente.
Finalmente, el país que menos redujo su tasa de prevalencia de la desnutrición
respecto al nivel de la tasa peruana sigue siendo Paraguay que solo pudo reducirla en
0.14% (parámetro estaba subvaluado ya que el valor obtenido en el modelo inicial era
menor) durante dicho periodo de 20 años. Estos resultados nuevamente demuestran
que el Perú no ha avanzado en la reducción relativa de la desnutrición a pesar de que
135
solo 17% de su población padece este problema. Habiendo hecho este análisis del
modelo corregido , se puede proceder a evaluar la redundancia de los
determinantes propuestos para la tasa de prevalencia de la desnutrición en este
subcontinente.
Por ello, en el siguiente cuadro se presenta el resumen de resultados del test de
variables redundantes en el modelo de efectos fijos corregido (el modelo )
para todos aquellos determinantes de la tasa de prevalencia de la desnutrición que no
hayan podido ser significativos individualmente al 5% (que como ya vimos, estos
fueron la tasa de desempleo, el gasto en salud per cápita y el número de hijos por
mujer), de manera que se podrá definir si estos son verdaderos determinantes de la
tasa de prevalencia de la desnutrición o, en caso contrario, deban ser excluidos del
modelo de efectos fijos corregido.
136
Del cuadro anterior se puede observar que los tres determinantes considerados como
variables redundantes del modelo de efectos fijos corregido – La tasa de
desempleo, el gasto en salud per cápita y el número de hijos por mujer –
efectivamente son redundantes para el modelo porque no presentan un aporte
individual ni conjunto en poder explicativo que sea estadísticamente significativo, por lo
que estas tres variables deben ser excluidas del modelo y no pueden ser
considerados como verdaderos determinantes de la tasa de prevalencia de la
desnutrición para este subcontinente.
Un apunte interesante es que al sacar estas tres variables del modelo corregido, se
obtiene un nuevo modelo de efectos fijos corregido (el cual se denotará como
por ser el modelo con la primera corrección de determinantes de la tasa de
prevalencia de la desnutrición) y este nuevo modelo presenta el menor valor del
criterio de información de Schwarz (el valor más negativo), reflejando que
efectivamente el modelo de investigación estimado para este subcontinente tiene una
mejor especificación al excluir estas tres variables redundantes. Por lo tanto, el nuevo
modelo corregido es el modelo mejor especificado de acuerdo al Test de
Variables Redundantes.
Ahora, el siguiente paso es estimar este nuevo modelo corregido , cuyos
resultados se aprecian en el siguiente cuadro.
Cuadro 28: Estimación del nuevo Modelo de Efectos Fijos corregido (modelo EFM1_1D) para el
subcontinente de América del Sur
137
Del cuadro anterior se puede observar las estimaciones obtenidas del nuevo modelo
de efectos fijos corregido para este subcontinente ( , el cual excluyó a los tres
determinantes redundantes y mantuvo a la variable dummy de quiebre
debido a que esta variable corregía el problema de la no normalidad en la versión
anterior de este modelo). La nueva estimación presenta también un ajuste bastante
alto (a saber, 94.89% de las variaciones porcentuales promedio de la tasa de
prevalencia de la desnutrición de América del Sur, en el periodo 1995-2014, fueron
explicadas por los cuatro determinantes que ahora se tomaron en cuenta) que incluso
es mayor al ajuste del modelo inicial pero un poco menor al anterior modelo corregido.
Además, se mantiene un alto valor del estadístico F, el cual sigue siendo significativo a
un nivel de 1%.
Para este nuevo modelo corregido, la significancia individual de los cuatro
determinantes considerados (el número de hijos por mujer, la tasa de acceso al agua
potable, la tasa de mejoras en las instalaciones sanitarias y los años promedio de
escolaridad) se logró al 5%. Por lo tanto, existe una alta probabilidad que estas
variables sean los verdaderos determinantes de la tasa de prevalencia de la
desnutrición para este subcontinente.
Sobre la interpretación de estos determinantes significativos, dos de ellos volvieron a
presentar signos erróneos (el ingreso nacional bruto y la tasa de acceso al agua
potable). Esto quiere decir que el incremento de 1% en el promedio de ingreso
nacional bruto que genera cada habitante de América del Sur aumentó ahora en
0.07% la tasa de prevalencia de la desnutrición de dicho subcontinente entre los años
1995 y 2014 (manteniendo constantes los impactos de los demás determinantes), lo
cual no tiene sentido económico y refleja un parámetro que estaba sobrevaluado ya
que presentaba un valor estimado mayor en el modelo corregido previo ( ). Por
otro lado, el incremento de 1% en la proporción de la población sudamericana con
acceso al agua potable incrementó ahora en 1.84% el porcentaje de personas que
padecen desnutrición durante el periodo considerado de la muestra (ceteris paribus),
lo cual tampoco tiene sentido económico y sugiere que el anterior impacto de la tasa
de acceso al agua potable en la tasa de prevalencia de la desnutrición (el cual era
igual a un incremento de 1.88%) también estaba sobrevaluado, causado por la
inclusión de las variables redundantes.
138
Los otros dos determinantes significativos para la tasa de prevalencia de la
desnutrición en este subcontinente tuvieron los signos correctos de acuerdo a la
especificación del modelo hecho en subsecciones anteriores. Esto quiere decir que,
ante el aumento de 1% en la proporción del sector urbano de la población
sudamericana con acceso a instalaciones sanitarias hubo ahora una reducción de
2.97% en la tasa de prevalencia de la desnutrición de dicho subcontinente entre los
años 1995 y 2014 (ceteris paribus), lo cual sugiere que el impacto seguía estando
sobrevaluado pero ahora por la presencia de los determinantes redundantes en el
modelo corregido anterior. Por otro lado, ante el incremento de 1% en el promedio de
años de escolaridad en Sudamérica la tasa de prevalencia de la desnutrición de la
región se redujo ahora en 2.02% durante el periodo de años considerado
(manteniendo los impactos de los demás determinantes como constantes), lo cual
también sugiere que este impacto seguía siendo sobrevaluado por el problema de
inadecuada especificación ya comentado.
Sobre la autocorrelación del modelo, este presenta un valor del estadístico de Durbin-
Watson igual a 0.3995, lo cual (sin hacer muchos cálculos) nuevamente indicaría la
existencia de autocorrelación positiva de primer orden en el modelo. Como ya se dijo
anteriormente, se obvia el presente resultado y se asume que el modelo de efectos
fijos para América del Sur no presenta problemas de autocorrelación.
En lo que respecta a los efectos fijos introducidos en el modelo, se puede concluir que
durante el periodo 1995-2014 la tasa promedio de prevalencia de la desnutrición
peruana ahora fue de 11.41%, sugiriendo que esta tasa seguía estando sobrevaluada
en el anterior modelo corregido. Sin embargo, ahora esta tasa se encuentra por debajo
del promedio de la región durante el mismo periodo (12.08%). Nuevamente, se repite
el hallazgo de que todos los otros países sudamericanos lograron reducir su tasa de
prevalencia de la desnutrición nacional respecto al valor de la tasa peruana y estas
reducciones se lograron de manera significativa (al 1% inclusive) en todos los países
del subcontinente. De dichas reducciones significativas, la mayor sigue siendo la de
Brasil ya que ahora tuvo una reducción de su tasa promedio de prevalencia de la
desnutrición igual a 1.55% respecto a la tasa peruana para el periodo 1995-2014
(parámetro estaba sobrevaluado ya que el valor obtenido en el modelo corregido
anterior era mayor), seguidos por Uruguay, Colombia y Argentina que ahora redujeron
sus tasas de desnutrición en 1.09% (parámetro estaba subvaluado ya que el valor
obtenido en el modelo corregido anterior era menor), 0.94% (parámetro estaba
sobrevaluado ya que el valor anteriormente obtenido era mayor) y 0.85% (parámetro
139
estaba subvaluado ya que su valor anteriormente obtenido era menor),
respectivamente.
Finalmente, el país que menos redujo su tasa de prevalencia de la desnutrición
respecto al nivel de la tasa peruana ahora fue Ecuador, el cual solo pudo reducirla en
0.20% (parámetro estaba subvaluado ya que su valor anteriormente estimado era
menor) durante dicho periodo de 20 años. Estos resultados siguen demostrando el
hecho que el Perú no avanzó lo suficiente en reducir de manera relativa su nivel de
desnutrición, a pesar de que solo 11% de su población padece este problema.
Ahora, nuevamente se debe proceder con la verificación de la normalidad de la serie
de errores del nuevo modelo corregido ( ), la cual será denotada como .
Por ello, la verificación en su contraparte muestral (la serie de los residuales ) se
realizó a través del test de Normalidad de Jarque-Bera, cuyos resultados se presentan
en el siguiente cuadro:
Cuadro 29: Verificación de la normalidad de errores en el modelo EFM1_1D para el subcontinente de
América del Sur
Residuales Valor del Conclusión
10.1423
La serie de los residuales no sigue una distribución
normal con media igual a cero y varianza constante. Es decir,
no es ruido blanco ni tampoco se distribuye
normalmente a lo largo de todos los países del subcontinente.
Nota: * Denota significancia al 5%. ** Denota significancia al 1%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que la hipótesis nula del test (la serie de los
residuales sigue una distribución normal con media cero y varianza constante) es
rechazada a todos los niveles de significancia propuestos, por lo que se concluye que
los residuales del nuevo modelo de efectos fijos corregido ( ) no siguen una
distribución normal y, en consecuencia, los errores del modelo (su contraparte
poblacional) tampoco siguen una distribución normal. Esto conlleva a que es imposible
obtener una inferencia estadística verídica de las estimaciones de dicho modelo, por lo
que se debe proceder con la corrección de la no normalidad de este.
140
Ahora, como se hizo anteriormente con la corrección de la no normalidad del modelo
de efectos fijos inicial, se presenta en el siguiente cuadro todas las fechas de quiebre
detectadas hasta obtener la normalidad en el modelo .
Cuadro 30: Corrección de la no normalidad en el modelo EFM1_1D para el subcontinente de América del
Sur – Detección de las fechas de quiebre
Fecha de Quiebre (FQ) detectada Variable dummy creada
FQ 2: País – Perú, Año – 2013. DP8A13
FQ 3: País – Perú, Año – 2012. DP8A12
Fuente: Elaboración propia
Entonces, la verificación de la normalidad de los errores en los modelos derivados de
este modelo pero con diferente número de variables dummy añadidas
(añadiendo las dummies según el orden visto en el cuadro anterior) se presenta a
continuación.
Cuadro 31: Corrección de la no normalidad en el modelo EFM1_1D para el subcontinente de América del
Sur – Verificación de la normalidad de errores para diferentes fechas de quiebres detectadas
Modelo
Variables
dummy
añadidas
Contribución de la
dummy al del
Modelo Inicial
Conclusión
EFM1_2D DP8A14, DP8A13 5.8871* 0.003808
La serie de los residuales
sí sigue una distribución
normal con media igual a cero y
varianza constante.
EFM1_3D DP8A14,
DP8A13, DP8A12 3.0836* 0.003146
La serie de los residuales
sí sigue una distribución
normal con media igual a cero y
varianza constante.
141
Nota: * Denota significancia al 5%. ** Denota significancia al 1%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que ambos modelos no rechazan la hipótesis
nula del test (la serie de los residuales sigue una distribución normal con media
cero y varianza constante) al nivel de significancia de 0.05, por lo que se concluye que
los residuales de ambos modelos propuestos como modelos de efectos fijos con no
normalidad corregida ( y ) sí siguen una distribución normal y, en
consecuencia, los errores de ambos también seguirán una distribución normal.
Sin embargo, como se verá más adelante, el modelo de efectos fijos (el cual
usa dos variables dummy adicionales a la ya incluida para corregir la no normalidad
del modelo ) permite obtener una mayor significancia individual en los cuatro
determinantes de la tasa de prevalencia de la desnutrición para este subcontinente.
Por lo tanto, a razón de este beneficio adicional se elige como el modelo con la no
normalidad corregida al modelo , el cual permite de nuevo una inferencia
estadística verídica de los parámetros estimados con el modelo de efectos fijos que se
está analizando.
Entonces, el siguiente paso es estimar este nuevo modelo corregido , cuyos
resultados se aprecian en el siguiente cuadro.
Cuadro 32: Estimación del nuevo Modelo de Efectos Fijos corregido (modelo EFM1_3D) para el
subcontinente de América del Sur
142
Del cuadro anterior se puede observar las estimaciones obtenidas del nuevo modelo
de efectos fijos corregido para este subcontinente ( , el cual incluyó dos
variables ficticias adicionales a la ya existente en el modelo para corregir el problema
de no normalidad). La nueva estimación presenta también un ajuste bastante alto (a
saber, 95.58% de las variaciones porcentuales promedio de la tasa de prevalencia de
la desnutrición de América del Sur, en el periodo 1995-2014, fueron explicadas por los
cuatro determinantes considerados) y este es el ajuste más alto en relación a las
anteriores versiones vistas de este modelo. Además, se mantiene un alto valor del
estadístico F, el cual sigue siendo significativo a un nivel de 1%.
Nuevamente se mantuvo la significancia individual de los cuatro determinantes
considerados (el número de hijos por mujer, la tasa de acceso al agua potable, la tasa
de mejoras en las instalaciones sanitarias y los años promedio de escolaridad),
logrando ahora una significancia al 1%. Por lo tanto, es casi seguro que estas
variables sean los verdaderos determinantes de la tasa de prevalencia de la
desnutrición para este subcontinente.
Sobre la interpretación de estos determinantes significativos, nuevamente el ingreso
nacional bruto y la tasa de acceso al agua potable presentan signos erróneos. Esto
quiere decir que el incremento de 1% en el promedio de ingreso nacional bruto que
genera cada habitante de América del Sur aumentó ahora en 0.09% la tasa de
prevalencia de la desnutrición de dicho subcontinente entre los años 1995 y 2014
(ceteris paribus), lo cual no tiene sentido económico y refleja ahora un parámetro que
estaba subvaluado ya que presentaba un valor estimado menor en el modelo
corregido previo ( ). Por otro lado, el incremento de 1% en la proporción de la
población sudamericana con acceso al agua potable incrementó ahora en 1.71% el
porcentaje de personas que padecen desnutrición durante el periodo considerado de
la muestra (ceteris paribus), lo cual tampoco tiene sentido económico y sugiere que el
anterior impacto de la tasa de acceso al agua potable (el cual era igual a un
143
incremento de 1.84% en el modelo ) seguía estando sobrevaluado, causado
por el problema de no normalidad de los errores en dicho modelo previo. Aunque estas
interpretaciones son poco plausibles, en la siguiente sección de este capítulo
(“Discusión”) se dará posibles explicaciones a estos valores obtenidos.
Los otros dos determinantes significativos tuvieron los signos correctos de acuerdo a
la especificación del modelo que se hizo anteriormente. Esto quiere decir que, ante el
aumento de 1% en la proporción del sector urbano de la población sudamericana con
acceso a instalaciones sanitarias hubo ahora una reducción de 2.77% en la tasa de
prevalencia de la desnutrición de dicho subcontinente entre los años 1995 y 2014
(ceteris paribus), lo cual sugiere que el impacto seguía estando sobrevaluado por la no
normalidad detectada en el modelo . Por otro lado, ante el incremento de 1%
en el promedio de años de escolaridad en Sudamérica la tasa de prevalencia de la
desnutrición de la región se redujo nuevamente en 2.02% durante el periodo de años
considerado (ceteris paribus), lo cual sugiere que este impacto no estaba subvaluado
ni sobrevaluado por el problema de no normalidad del modelo anterior.
Sobre la autocorrelación del modelo, este presenta un valor del estadístico de Durbin-
Watson igual a 0.4228, lo cual (sin hacer muchos cálculos) nuevamente indicaría la
existencia de autocorrelación positiva de primer orden en el modelo. Como ya se dijo
tantas veces, se obvia el presente resultado y se asume que el modelo de efectos fijos
para América del Sur no presenta problemas de autocorrelación.
En lo que respecta a los efectos fijos introducidos en el modelo, se puede concluir que
durante el periodo 1995-2014 la tasa promedio de prevalencia de la desnutrición
peruana ahora fue de 11.01%, sugiriendo que esta tasa seguía estando ligeramente
sobrevaluada en el anterior modelo corregido. Además, esta tasa se mantuvo por
debajo del promedio de la región durante el mismo periodo (12.08%). También se ha
repetido el hecho de que todos los otros países sudamericanos lograron reducir su
tasa de prevalencia de la desnutrición nacional respecto al valor de la tasa peruana y
estas reducciones se mantuvieron significativas (al 1% inclusive) en todos los países.
De dichas reducciones significativas, la mayor sigue siendo la de Brasil ya que ahora
tuvo una reducción de su tasa promedio de prevalencia de la desnutrición igual a
1.61% respecto a la tasa peruana para el periodo 1995-2014 (parámetro ahora estaba
subvaluado ya que el valor obtenido en el modelo era menor), seguidos
nuevamente por Uruguay, Colombia y Argentina que ahora redujeron sus tasas de
desnutrición en 1.18% (parámetro seguía estando subvaluado ya que el valor obtenido
en el modelo era menor), 1.00% (parámetro ahora estaba subvaluado ya
144
que el valor anteriormente obtenido era menor) y 0.94% (parámetro seguía estando
subvaluado ya que su valor anteriormente obtenido era menor), respectivamente.
Finalmente, el país que menos redujo su tasa de prevalencia de la desnutrición
respecto al nivel de la tasa peruana sigue siendo Ecuador, el cual solo pudo reducirla
en 0.26% (parámetro seguía estando subvaluado ya que su valor anteriormente
estimado era menor) durante dicho periodo de 20 años.
Ahora, dado que se han obtenido los verdaderos determinantes de la tasa de
prevalencia de la desnutrición para este subcontinente bajo el modelo de efectos fijos
(ver modelo ), se procede a considerar únicamente los cuatro determinantes
que fueron significativos en dicho modelo (tanto de manera individual como global)
para estimar el modelo de efectos aleatorios de este subcontinente, cuyos resultados
fueron los siguientes:
Cuadro 33: Estimación del Modelo de Efectos Aleatorios inicial para el subcontinente de América del Sur
Variable Coeficientes estimados ( , )
13.60*
-0.02
0.46
-2.48*
-1.08*
Medidas de Diagnóstico, Estadísticos Valor
0.5531
60.3279*
0.2160
Nota: * Denota significancia al 1%. ** Denota significancia al 5%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
145
Del cuadro anterior se puede observar que el modelo de efectos aleatorios inicial para
este subcontinente presenta un ajuste bajo (a saber, 55.31% de las variaciones
porcentuales promedio de la tasa de prevalencia de la desnutrición de América del
Sur, en el periodo 1995-2014, fueron explicadas por los cuatro determinantes
considerados). Por otro lado, el valor del estadístico F no es tan alto como en el
obtenido en el modelo de efectos fijos pero aun así este es significativo a un nivel de
1%.
Respecto a la significancia individual de estos determinantes de la tasa de prevalencia
de la desnutrición para este subcontinente, solo 2 de los 4 determinantes propuestos
(la tasa de mejoras en las instalaciones sanitarias y los años promedio de escolaridad)
fueron significativos al 1% inclusive. Por lo tanto, se podría inferir que el ingreso
nacional bruto per cápita y la tasa de acceso al agua potable no serían verdaderos
determinantes de la tasa de prevalencia de la desnutrición en este subcontinente. Sin
embargo, como se verá más adelante, la confirmación de esta sospecha se resolverá
con el resultado del test de Hausman que permitirá saber qué tipo de modelo (si el de
efectos fijos o el de efectos aleatorios) es el que debe ser considerado como modelo
final de este subcontinente analizado.
Sobre la interpretación de los determinantes de la tasa de prevalencia de la
desnutrición que sí fueron significativos individualmente, ambos presentan los signos
esperados de acuerdo a la especificación del modelo hecho en subsecciones
anteriores. Esto quiere decir que, ante el aumento de 1% en la proporción del sector
urbano de la población sudamericana con acceso a instalaciones sanitarias hubo una
reducción de 2.48% en la tasa de prevalencia de la desnutrición de dicho
subcontinente entre los años 1995 y 2014 (ceteris paribus), lo cual refleja un impacto
menor de las mejoras de los sistemas de higiene en la reducción de la población con
problemas severos o leves de desnutrición que el que se consiguió con el modelo de
efectos fijos. Por otro lado, ante el incremento de 1% en el promedio de años de
escolaridad en Sudamérica la tasa de prevalencia de la desnutrición de la región se
redujo en 1.08% durante el periodo de años considerado (manteniendo los impactos
de los demás determinantes como constantes), lo cual muestra nuevamente un menor
impacto del desarrollo educativo en disminuir el número de personas que padecen de
desnutrición en el subcontinente con respecto a la reducción obtenida en el modelo de
efectos fijos.
Sobre la interpretación del intercepto (el cual también es significativo de manera
individual al 1%), este refleja que, en promedio, 13.60% de la población total de
América del Sur ha padecido problemas leves o severos de desnutrición entre los años
146
1995 y 2014. Finalmente, este modelo de efectos aleatorios inicial presenta un valor
del estadístico de Durbin-Watson igual a 0.2160, lo cual (sin hacer muchos cálculos)
indicaría la existencia de autocorrelación positiva de primer orden en el modelo. Como
ya se dijo en el análisis del modelo de efectos fijos, se obvia el presente resultado y se
asume que el modelo de efectos aleatorios para América del Sur tampoco presenta
problemas de autocorrelación.
Habiendo realizado el análisis de la estimación del modelo de efectos aleatorios inicial,
se procede con la verificación del supuesto del MCRLN referido a la normalidad de la
serie de errores . Por ello, la verificación en su contraparte muestral (la serie de los
residuales ) se realizó a través del test de Normalidad de Jarque-Bera, cuyos
resultados se presentan en el siguiente cuadro.
Cuadro 34: Verificación de la normalidad de errores en el modelo de efectos aleatorios inicial para el
subcontinente de América del Sur
Residuales Valor del Conclusión
0.7209*
La serie de los residuales sí sigue una distribución normal
con media igual a cero y varianza constante. Es decir, sí es
ruido blanco y también se distribuye normalmente a lo largo
de todos los países del subcontinente.
Nota: * Denota significancia al 5%. ** Denota significancia al 1%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que la hipótesis nula del test (la serie de los
residuales sigue una distribución normal con media cero y varianza constante) no es
rechazada en ninguno de los niveles de significancia propuestos, por lo que se
concluye que los residuales del modelo de efectos aleatorios sí siguen una distribución
normal y, en consecuencia, los errores del modelo (su contraparte poblacional)
también siguen una distribución normal. Esto conlleva a que es posible obtener una
inferencia estadística verídica de las estimaciones del modelo de efectos aleatorios
anterior, por lo que se puede proceder con el análisis del test de Hausman a este
modelo.
Como se dijo en el párrafo anterior, habiendo confirmado que se cumple el supuesto
de normalidad de los errores en el modelo de efectos aleatorios inicial, se puede
147
aplicar el test de Hausman a este modelo para así verificar si el efecto no observado
no está correlacionado con los cuatro determinantes considerados en el modelo
(con lo que el modelo de efectos aleatorios inicial sería confirmado como el modelo
más adecuado para la relación de investigación propuesta en este subcontinente) o,
caso contrario, que la correlación entre estas variables observadas y no observadas
sea estadísticamente diferente de cero (con lo que el modelo de efectos fijos
totalmente corregido, , sería confirmado como el modelo más adecuado para
la relación de investigación planteada).
Entonces, los resultados del test de Hausman son los siguientes:
Cuadro 35: Resultados del Test de Hausman para el subcontinente de América del Sur
Hipótesis nula
Estadístico
Chi-cuadrado
( )
Conclusión
Los cuatro determinantes de la tasa de
prevalencia de la desnutrición para este
subcontinente ( , , y ) no
están correlacionados con el efecto no
observado . Es decir, el modelo de
efectos aleatorios inicial es más adecuado
que el modelo de efectos fijos
para la estimación de los determinantes de
la tasa de prevalencia de la desnutrición en
este subcontinente.
82.5908*
Se rechaza la hipótesis nula. Por lo tanto,
al menos uno de los cuatro
determinantes considerados para la tasa
de prevalencia de la desnutrición en este
subcontinente ( , , o )
están correlacionados con el efecto no
observado . Por ello, el modelo de
efectos fijos es el más
adecuado para estimar estos
determinantes.
Nota: * Denota significancia al 1%. ** Denota significancia al 5%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede concluir que el modelo de efectos fijos totalmente
corregido (el modelo ) es efectivamente el más adecuado para estimar la
relación de investigación planteada en este trabajo y, por ello, este modelo ha
estimado los verdaderos determinantes de la tasa de prevalencia de la desnutrición
para el subcontinente de América del Sur. Sin embargo, un paso final para confirmar
por completo el enunciado anterior es el verificar si cada uno de los efectos fijos del
148
modelo (es decir, si la tasa promedio de prevalencia de desnutrición del
Perú y si las reducciones del nivel de desnutrición de los otros países sudamericanos
respecto al nivel de la tasa de desnutrición peruana efectivamente fueron
estadísticamente diferentes de cero –de manera grupal– para el periodo 1995-2014).
Esto quiere decir que se va a verificar si el poder explicativo conjunto de estos efectos
fijos es efectivamente significativo o no.
Esta verificación se realiza a través del test de coeficientes restringidos de Wald,
donde se verificará las siguientes restricciones: Si el parámetro y si los
parámetros para todo . En caso estos parámetros fuesen
estadísticamente iguales a cero, el modelo no será el más adecuado para
analizar el modelo de determinantes de la tasa de prevalencia de la desnutrición en
este subcontinente y se deberá estimar dicha relación de investigación bajo el modelo
agrupado o “pooled”.
Cabe indicar que si el software EViews 9 no permite (por razones técnicas, como en el
caso de este trabajo) realizar el test para verificar la significancia grupal de los efectos
fijos estimados, una alternativa es verificar la significancia individual de cada efecto
fijo, teniendo como objetivo que todos los efectos fijos sean estadísticamente
significativos de manera individual en el modelo de efectos fijos totalmente corregido
(en este caso, en el modelo ).
Entonces, los resultados de la verificación de la significancia individual de los efectos
fijos estimados en el modelo se presentan en el siguiente cuadro.
Cuadro 36: Verificación de la significancia individual de los efectos fijos estimados en el modelo
EFM1_3D para el subcontinente de América del Sur
Restricción al
Parámetro del Efecto
Fijo
Estadístico
F Conclusión
(intercepto): 74.98*
El efecto fijo atribuido al país de Perú es estadísticamente
diferente de cero. Por lo tanto, la tasa promedio de
prevalencia de desnutrición peruana sí aporta poder
explicativo en el modelo .
: 177.83*
El efecto fijo atribuido al país de Argentina es
estadísticamente diferente de cero. Por lo tanto, la reducción
de la tasa promedio de prevalencia de desnutrición argentina
respecto al valor de la tasa de desnutrición peruana sí aporta
149
poder explicativo en el modelo .
: 15.63*
El efecto fijo atribuido al país de Bolivia es estadísticamente
diferente de cero. Por lo tanto, la reducción de la tasa
promedio de prevalencia de desnutrición boliviana respecto al
valor de la tasa de desnutrición peruana sí aporta poder
explicativo en el modelo .
: 215.13*
El efecto fijo atribuido al país de Brasil es estadísticamente
diferente de cero. Por lo tanto, la reducción de la tasa
promedio de prevalencia de desnutrición brasilera respecto al
valor de la tasa de desnutrición peruana sí aporta poder
explicativo en el modelo .
: 92.70*
El efecto fijo atribuido al país de Chile es estadísticamente
diferente de cero. Por lo tanto, la reducción de la tasa
promedio de prevalencia de desnutrición chilena respecto al
valor de la tasa de desnutrición peruana sí aporta poder
explicativo en el modelo .
: 161.53*
El efecto fijo atribuido al país de Colombia es
estadísticamente diferente de cero. Por lo tanto, la reducción
de la tasa promedio de prevalencia de desnutrición
colombiana respecto al valor de la tasa de desnutrición
peruana sí aporta poder explicativo en el modelo .
: 18.40*
El efecto fijo atribuido al país de Ecuador es estadísticamente
diferente de cero. Por lo tanto, la reducción de la tasa
promedio de prevalencia de desnutrición ecuatoriana respecto
al valor de la tasa de desnutrición peruana sí aporta poder
explicativo en el modelo .
: 29.76*
El efecto fijo atribuido al país de Guyana es estadísticamente
diferente de cero. Por lo tanto, la reducción de la tasa
promedio de prevalencia de desnutrición guyanesa respecto
al valor de la tasa de desnutrición peruana sí aporta poder
explicativo en el modelo .
: 17.42*
El efecto fijo atribuido al país de Paraguay es
estadísticamente diferente de cero. Por lo tanto, la reducción
de la tasa promedio de prevalencia de desnutrición paraguaya
respecto al valor de la tasa de desnutrición peruana sí aporta
poder explicativo en el modelo .
: 183.25*
El efecto fijo atribuido al país de Uruguay es estadísticamente
diferente de cero. Por lo tanto, la reducción de la tasa
promedio de prevalencia de desnutrición uruguaya respecto al
150
valor de la tasa de desnutrición peruana sí aporta poder
explicativo en el modelo .
Nota: * Denota significancia al 1%. ** Denota significancia al 5%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede comprobar que todos los efectos fijos estimados en el
modelo son efectivamente significativos y generan un verdadero aporte en
poder explicativo al modelo. Por lo tanto, esto sí confirma que el modelo de efectos
fijos es el “Modelo Final” que permite estimar la relación de investigación
propuesta en el presente trabajo para el subcontinente de América del Sur. En
consecuencia, los cuatro determinantes significativos encontrados en este modelo (el
ingreso nacional bruto per cápita, la tasa de acceso al agua potable, la tasa de
mejoras en las instalaciones sanitarias y los años promedio de escolaridad) serán
considerados como los verdaderos determinantes de la tasa de prevalencia de la
desnutrición para este subcontinente.
5.11.2 Resultados para el subcontinente de América Central y el
Caribe
Primeramente, los resultados del modelo de efectos fijos MCO con variables dummy
para este subcontinente se aprecian en el siguiente cuadro.
Cuadro 37: Estimación del Modelo de Efectos Fijos inicial para el subcontinente de América Central y el
Caribe
151
Del cuadro anterior se puede observar que el modelo de efectos fijos inicial para este
subcontinente presenta un ajuste muy alto (a saber, 96.31% de las variaciones
porcentuales promedio de la tasa de prevalencia de la desnutrición de América Central
y el Caribe, en el periodo 1995-2014, fueron explicadas por los determinantes
considerados en el presente trabajo). Y esto también es reflejado en el muy alto valor
del estadístico F, el cual es significativo a un nivel de 1%. Sin embargo, no hubo
significancia individual de todos los determinantes propuestos para la tasa de
prevalencia de la desnutrición en este subcontinente ya que solo 5 de los 7
determinantes propuestos (la tasa de desempleo, el ingreso nacional bruto per cápita,
el número de hijos por mujer, la tasa de acceso al agua potable y la tasa de mejoras
en las instalaciones sanitarias) fueron significativos al 5% inclusive. Por lo tanto, se
podría inferir que el gasto en salud per cápita y los años promedio de escolaridad no
serían verdaderos determinantes de la tasa de prevalencia de la desnutrición en este
subcontinente.
Sobre la interpretación de los determinantes de la tasa de prevalencia de la
desnutrición que sí fueron significativos individualmente, dos de ellos presentan signos
erróneos (el número de hijos por mujer y la tasa de acceso al agua potable). Esto
quiere decir que el incremento de 1% en el promedio de nacimientos por mujer de
América Central y el Caribe redujo en 0.53% la tasa de prevalencia de la desnutrición
de dicho subcontinente entre los años 1995 y 2014 (manteniendo constantes los
impactos de los demás determinantes), lo cual no tiene sentido económico. Por otro
lado, el incremento de 1% en la proporción de la población centroamericana y caribeña
152
con acceso al agua potable incrementó en 3.31% el porcentaje de personas que
padecen desnutrición durante el periodo considerado de la muestra (ceteris paribus),
lo cual tampoco tiene sentido económico. Sin embargo, no es apropiado realizar un
mayor análisis al respecto, debido a que este modelo no se le ha verificado el
cumplimiento de los supuestos del modelo clásico de regresión lineal y, en
consecuencia, no es el modelo final para el subcontinente bajo análisis.
Los otros tres determinantes significativos para la tasa de prevalencia de la
desnutrición en América Central y el Caribe tuvieron los signos correctos de acuerdo a
la especificación del modelo hecho en subsecciones anteriores. Esto quiere decir que,
ante el aumento de 1% en la tasa de desempleo promedio de América Central y el
Caribe hubo un incremento de 0.10% en el porcentaje de su población que padeció
problemas leves o severos de desnutrición en el periodo 1995-2014 (ceteris paribus).
En ese sentido, a pesar que la tasa de desempleo podría considerarse como un
verdadero determinante de la tasa de prevalencia de la desnutrición para este
subcontinente, su impacto fue bastante pequeño. Por ello, este determinante puede no
haber sido crucial en las grandes variaciones de la tasa de prevalencia de la
desnutrición centroamericana y caribeña.
Por otro lado, el incremento de 1% en el promedio de ingreso nacional bruto que
genera cada habitante de América Central y el Caribe redujo en 0.37% la tasa de
prevalencia de la desnutrición de dicho subcontinente entre los años 1995 y 2014
(manteniendo constantes los impactos de los demás determinantes). Como en el caso
de la tasa de desempleo, este impacto también es bastante pequeño, por lo que este
determinante (incluso siendo estadísticamente significativo) puede no haber sido un
factor muy importante a la hora de explicar las grandes variaciones de la tasa de
prevalencia de la desnutrición centroamericana y caribeña.
Y la interpretación del último determinante significativo con signo de estimación
correcto es de la siguiente manera: Ante el aumento de 1% en la proporción del sector
urbano de la población centroamericana – caribeña con acceso a instalaciones
sanitarias, la tasa de prevalencia de la desnutrición de dicho subcontinente se redujo
7.38% entre los años 1995 y 2014 (ceteris paribus), lo cual refleja que las mejoras en
el sistema sanitario o de higiene influyeron muchísimo en reducir el número de
pacientes con problemas de desnutrición (leves y severos) en este subcontinente.
En lo que respecta a la presencia de autocorrelación en el modelo de efectos fijos
inicial, este modelo presenta un valor del estadístico de Durbin-Watson igual a 0.2279,
lo cual (sin hacer muchos cálculos) indicaría la existencia de autocorrelación positiva
153
de primer orden en el modelo. Como ya se dijo anteriormente, se obvia el presente
resultado y se asume que el modelo de efectos fijos para América Central y el Caribe
no presenta problemas de autocorrelación.
Ahora, en lo que respecta a los efectos fijos introducidos en el modelo a través de las
variables dummy que representan a cada país de este subcontinente, se puede
concluir que durante el periodo 1995-2014 la tasa promedio de prevalencia de la
desnutrición mexicana fue de 22.89%, muy por encima del promedio de la región
durante el mismo periodo (14.92%). Ante esto, se puede observar que solo uno de los
demás países del subcontinente (Jamaica) logró reducir su tasa de prevalencia de la
desnutrición nacional respecto al valor de la tasa mexicana, mientras que los ocho
países restantes sufrieron incrementos en su tasa de desnutrición. Y respecto a la
significancia de estas 9 variaciones relativas, solo 7 de estas (la de Costa Rica,
Guatemala, Honduras, Panamá, República Dominicana, Jamaica, y Trinidad y Tobago)
fueron significativas al 5%.
Sobre los países que sufrieron incrementos significativos en su tasa de prevalencia de
la desnutrición respecto al nivel de la tasa mexicana, la de República Dominicana fue
la mayor ya que su tasa promedio de desnutrición se incrementó en 1.36% para el
periodo 1995-2014, seguidos por Trinidad y Tobago, y Panamá, cuyas tasas se
incrementaron en 1.12% y 0.83%, respectivamente. Por otro lado, el único país que
redujo su tasa de prevalencia de la desnutrición respecto al nivel de la tasa mexicana
fue Jamaica, el cual la redujo en 0.43% durante dicho periodo de 20 años. Estos
resultados reflejan un hecho muy interesante: México ha sido el país centroamericano
que se ha mantenido en la vanguardia del subcontinente al mantener su tasa de
prevalencia de la desnutrición por debajo de las tasas de los demás países de la
región (los cuales han sufrido en su mayoría incrementos en el porcentaje de sus
pobladores que padecen problemas de desnutrición) entre los años 1995 y 2014.
El siguiente paso en el análisis econométrico del modelo de efectos fijos para este
subcontinente es la verificación del supuesto del MCRLN referido a la normalidad de la
serie de errores . Por ello, la verificación en su contraparte muestral (la serie de los
residuales ) se realizó a través del test de Normalidad de Jarque-Bera, cuyos
resultados se presentan en el siguiente cuadro.
Cuadro 38: Verificación de la normalidad de errores en el modelo de efectos fijos inicial para el
subcontinente de América Central y el Caribe
Residuales Valor del Conclusión
154
2.3247*
La serie de los residuales sí sigue una distribución normal
con media igual a cero y varianza constante. Es decir, sí es
ruido blanco y también se distribuye normalmente a lo largo
de todos los países del subcontinente.
Nota: * Denota significancia al 5%. ** Denota significancia al 1%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que la hipótesis nula del test (la serie de los
residuales sigue una distribución normal con media cero y varianza constante) no es
rechazada a ninguno de los niveles de significancia propuestos, por lo que se concluye
que los residuales del modelo de efectos fijos inicial sí siguen una distribución normal
y, en consecuencia, los errores del modelo (su contraparte poblacional) también
siguen una distribución normal. Esto conlleva a que sí es posible obtener una
inferencia estadística verídica de las estimaciones del modelo de efectos fijos anterior,
por lo que se debe proceder con la evaluación de la existencia de variables
redundantes en el modelo.
Por ello, en el siguiente cuadro se presenta el resumen de resultados del test de
variables redundantes en el modelo de efectos fijos inicial para todos aquellos
determinantes de la tasa de prevalencia de la desnutrición que no hayan podido ser
significativos individualmente al 5% (que como ya vimos en la estimación de dicho
modelo, estos fueron el gasto en salud per cápita y los años promedio de escolaridad),
de manera que se podrá definir si estos son verdaderos determinantes de la tasa de
prevalencia de la desnutrición o, en caso contrario, deban ser excluidos del modelo de
efectos fijos inicial.
Cuadro 39: Verificación de la correcta especificación del Modelo de Efectos Fijos inicial mediante el Test
de Variables Redundantes
N°
Variable(s)
redundante(s)
para el modelo
Estadístico
F
Valor del SIC**
del modelo
auxiliar del test
Conclusión
1 0.877992 -1.114282
Los Años Promedio de Escolaridad son una
variable redundante y su aporte en poder
explicativo al modelo inicial no es significativo.
2 1.836617 -1.109082
El Gasto en Salud per Cápita es una variable
155
redundante y su aporte en poder explicativo al
modelo inicial no es significativo.
3
1.933527 -1.124648
Los Años Promedio de Escolaridad y el Gasto
en Salud per Cápita son variables
redundantes y su aporte conjunto en poder
explicativo al modelo inicial no es significativo.
Nota: * Denota significancia al 5%. ** Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que los dos determinantes considerados como
variables redundantes del modelo de efectos fijos inicial – Los años promedio de
escolaridad y el gasto en salud per cápita – efectivamente son redundantes para el
modelo porque no presentan un aporte individual ni conjunto en poder explicativo que
sea estadísticamente significativo, por lo que estas dos variables deben ser excluidas
del modelo inicial y no pueden ser considerados como verdaderos determinantes de la
tasa de prevalencia de la desnutrición para este subcontinente.
Un apunte interesante es que al sacar estas dos variables del modelo inicial, se
obtiene un nuevo modelo de efectos fijos corregido (el cual se denotará como
por ser el modelo con la primera corrección de determinantes de la tasa de prevalencia
de la desnutrición) y este nuevo modelo presenta el menor valor del criterio de
información de Schwarz (el valor más negativo), reflejando que efectivamente el
modelo de investigación estimado para este subcontinente tiene una mejor
especificación al excluir estas dos variables redundantes. Por lo tanto, el modelo
corregido es el modelo mejor especificado de acuerdo al Test de Variables
Redundantes.
Ahora, el siguiente paso es estimar este modelo corregido , cuyos resultados se
aprecian en el siguiente cuadro.
Cuadro 40: Estimación del Modelo de Efectos Fijos corregido (modelo EFM1) para el subcontinente de
América Central y el Caribe
156
Del cuadro anterior se puede observar que el modelo de efectos fijos corregido ( )
presenta también un ajuste muy alto (a saber, 96.24% de las variaciones porcentuales
promedio de la tasa de prevalencia de la desnutrición de América Central y el Caribe,
en el periodo 1995-2014, fueron explicadas por los cinco determinantes considerados).
Y esto también es reflejado en el muy alto valor del estadístico F, el cual sigue siendo
significativo a un nivel de 1%.
Para este modelo corregido , los cinco determinantes fueron significativos
individualmente al 5%. Por lo tanto, se podría inferir que efectivamente estos serían los
verdaderos determinantes de la tasa de prevalencia de la desnutrición para este
subcontinente.
Sobre la interpretación de estos determinantes, los estimados de los impactos del
número de hijos por mujer y de la tasa de acceso al agua potable nuevamente
presentan signos erróneos. Esto quiere decir que el incremento de 1% en el promedio
de nacimientos por mujer de América Central y el Caribe redujo en 0.48% la tasa de
prevalencia de la desnutrición de dicho subcontinente entre los años 1995 y 2014
(ceteris paribus), lo cual no tiene sentido económico y refleja que el parámetro de este
determinante estaba sobrevaluado, ya que presentaba un valor mayor en el modelo de
efectos fijos inicial. Por otro lado, el incremento de 1% en la proporción de la población
centroamericana y caribeña con acceso al agua potable incrementó en 3.24% el
porcentaje de personas que padecen desnutrición durante el periodo considerado de
157
la muestra (ceteris paribus), lo cual tampoco tiene sentido económico y también refleja
un parámetro sobrevaluado (ya que presentaba un valor mayor en el modelo de
efectos fijos inicial). Aunque estas interpretaciones son poco plausibles, en la siguiente
sección de este capítulo (“Discusión”) se dará posibles explicaciones a estos valores
obtenidos.
Los otros tres determinantes significativos para la tasa de prevalencia de la
desnutrición en América Central y el Caribe tuvieron los signos correctos de acuerdo a
la especificación del modelo hecho en subsecciones anteriores. Esto quiere decir que,
ante el aumento de 1% en la tasa de desempleo promedio de América Central y el
Caribe hubo un incremento de 0.10% en el porcentaje de su población que padeció
problemas leves o severos de desnutrición en el periodo 1995-2014 (ceteris paribus),
lo cual demuestra que dicho parámetro no estaba subvaluado ni sobrevaluado
respecto a su valor en el modelo de efectos fijos inicial. Nuevamente, por presentar un
impacto tan pequeño este determinante puede no haber sido crucial en las grandes
variaciones de la tasa de prevalencia de desnutrición centroamericana y caribeña.
Por otro lado, el incremento de 1% en el promedio de ingreso nacional bruto que
genera cada habitante de América Central y el Caribe redujo en 0.29% la tasa de
prevalencia de la desnutrición de dicho subcontinente entre los años 1995 y 2014
(ceteris paribus), lo cual refleja que este parámetro estaba sobrevaluado ya que
presentaba un valor mayor en el modelo inicial. Y nuevamente, como en el caso de la
tasa de desempleo, este pequeño impacto demostraría que el ingreso nacional bruto
per cápita puede no haber sido un factor muy importante a la hora de explicar las
grandes variaciones de la tasa de prevalencia de la desnutrición centroamericana y
caribeña.
Finalmente, la interpretación del último determinante significativo con signo de
estimación correcto es de la siguiente manera: Ante el aumento de 1% en la
proporción del sector urbano de la población centroamericana – caribeña con acceso a
instalaciones sanitarias, la tasa de prevalencia de la desnutrición de dicho
subcontinente se redujo 7.29% entre los años 1995 y 2014 (ceteris paribus), lo cual
refleja que el parámetro estaba ligeramente sobrevaluado (por presentar un mayor
valor en el modelo inicial) y demuestra que la tasa de mejoras en el sistema sanitario
generó el mayor impacto en la reducción del número de pacientes con problemas de
desnutrición (leves y severos) en este subcontinente.
En lo que respecta a la presencia de autocorrelación en el modelo de efectos fijos
corregido ( ), este modelo presenta un valor del estadístico de Durbin-Watson
158
igual a 0.2120, lo cual (sin hacer muchos cálculos) indicaría la existencia de
autocorrelación positiva de primer orden en el modelo. Como ya se dijo anteriormente,
se obvia el presente resultado y se asume que el modelo de efectos fijos para América
Central y el Caribe no presenta problemas de autocorrelación.
Ahora, en lo que respecta a los efectos fijos introducidos en este modelo , se
puede concluir que durante el periodo 1995-2014 la tasa promedio de prevalencia de
la desnutrición mexicana fue de 22.29%, manteniéndose muy por encima del promedio
de la región durante el mismo periodo (14.92%) pero reflejando que el parámetro
estaba ligeramente sobrevaluado (ya que presentaba un valor mayor en el modelo
inicial). Nuevamente, solo uno de los demás países del subcontinente (Jamaica) logró
reducir su tasa de prevalencia de la desnutrición nacional respecto al valor de la tasa
mexicana, mientras que los ocho países restantes sufrieron incrementos en su tasa de
desnutrición. Y respecto a la significancia de estas 9 variaciones relativas, de nuevo
solo 7 de estas (la de Costa Rica, Guatemala, Honduras, Panamá, República
Dominicana, Jamaica, y Trinidad y Tobago) fueron significativas pero esta vez al 1%.
Sobre los países que sufrieron incrementos significativos en su tasa de prevalencia de
la desnutrición respecto al nivel de la tasa mexicana, nuevamente la de República
Dominicana fue la mayor ya que su tasa promedio de desnutrición se incrementó en
1.34% para el periodo 1995-2014 (reflejando que el parámetro estaba sobrevaluado ya
que presentaba un valor mayor en el modelo inicial), seguidos otra vez por Trinidad y
Tobago, y Panamá, cuyas tasas se incrementaron en 1.08% (reflejando que el
parámetro estaba sobrevaluado ya que presentaba un valor mayor en la estimación
anterior) y 0.83% (reflejando que el parámetro no estaba subvaluado ni sobrevaluado
ya que mantuvo su valor de la estimación anterior), respectivamente.
Por otro lado, el único país que redujo su tasa de prevalencia de la desnutrición
respecto al nivel de la tasa mexicana fue Jamaica, el cual ahora la redujo en 0.48%
durante dicho periodo de 20 años (reflejando que el parámetro estaba subvaluado, ya
que presentaba un menor valor en la estimación del modelo inicial). Estos resultados
confirman que México fue el país que se ha mantenido en la vanguardia del
subcontinente al mantener su tasa de prevalencia de la desnutrición por debajo de las
tasas de los demás países de la región entre los años 1995 y 2014, mientras que la
mayoría de los otros países centroamericanos y caribeños sufrieron incrementos
considerables en el porcentaje de su población con problemas de desnutrición.
Ahora, se procede con la verificación de la normalidad de la serie de errores de este
modelo corregido ( ), la cual será denotada como . Por ello, la verificación en
159
su contraparte muestral (la serie de los residuales ) realizada con el test de
Normalidad de Jarque-Bera presenta los siguientes resultados:
Cuadro 41: Verificación de la normalidad de errores en el modelo EFM1 para el subcontinente de
América Central y el Caribe
Residuales Valor del Conclusión
2.8598*
La serie de los residuales sí sigue una distribución normal
con media igual a cero y varianza constante. Es decir, sí
es ruido blanco y también se distribuye normalmente a lo
largo de todos los países del subcontinente.
Nota: * Denota significancia al 5%. ** Denota significancia al 1%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que la hipótesis nula del test (la serie de los
residuales sigue una distribución normal con media cero y varianza constante) no es
rechazada a ninguno de los niveles de significancia propuestos, por lo que se concluye
que los residuales del modelo de efectos fijos corregido ( ) sí siguen una
distribución normal y, en consecuencia, los errores del modelo (su contraparte
poblacional) también siguen una distribución normal. Lo anterior confirma el hecho de
que sí es posible obtener una inferencia estadística verídica de las estimaciones de
dicho modelo, por lo que se debe considerar este como el modelo de efectos fijos
totalmente corregido para proceder con la estimación del modelo de efectos aleatorios
de este subcontinente bajo análisis.
Habiendo obtenido los verdaderos determinantes de la tasa de prevalencia de la
desnutrición para este subcontinente bajo el modelo de efectos fijos (ver modelo
), se procede a considerar únicamente los cinco determinantes que fueron
significativos en dicho modelo (tanto de manera individual como global) para estimar el
modelo de efectos aleatorios de este subcontinente, cuyos resultados fueron los
siguientes:
Cuadro 42: Estimación del Modelo de Efectos Aleatorios inicial para el subcontinente de América Central
y el Caribe
160
Del cuadro anterior se puede observar que el modelo de efectos aleatorios inicial para
este subcontinente presenta un ajuste ligeramente bajo (a saber, 67.52% de las
variaciones porcentuales promedio de la tasa de prevalencia de la desnutrición de
América Central y el Caribe, en el periodo 1995-2014, fueron explicadas por los cinco
determinantes considerados). Por otro lado, el valor del estadístico F no es tan alto
como en el obtenido en el modelo de efectos fijos pero aun así este es significativo a
un nivel de 1%.
Respecto a la significancia individual de estos determinantes de la tasa de prevalencia
de la desnutrición para este subcontinente, todos fueron significativos al 5%. Por lo
tanto, se podría inferir que los cinco determinantes considerados efectivamente son los
verdaderos determinantes de la tasa de prevalencia de la desnutrición en este
subcontinente. Sin embargo, como se verá más adelante, la confirmación de esta
sospecha se resolverá con el resultado del test de Hausman que permitirá saber qué
tipo de modelo (si el de efectos fijos o el de efectos aleatorios) es el que debe ser
considerado como modelo final de este subcontinente analizado.
161
Sobre la interpretación de estos determinantes, el número de hijos por mujer y la tasa
de acceso al agua potable no presentaron en sus parámetros los signos esperados de
acuerdo a la especificación del modelo hecho en subsecciones anteriores. Esto quiere
decir que el incremento de 1% en el promedio de nacimientos por mujer de América
Central y el Caribe redujo en 0.46% la tasa de prevalencia de la desnutrición de dicho
subcontinente entre los años 1995 y 2014 (manteniendo constantes los impactos de
los demás determinantes), lo cual no tiene sentido económico. Por otro lado, el
incremento de 1% en la proporción de la población centroamericana y caribeña con
acceso al agua potable incrementó en 3.04% el porcentaje de personas que padecen
desnutrición durante el periodo considerado de la muestra (ceteris paribus), lo cual
tampoco tiene sentido económico. Sin embargo, como en el caso del modelo de
efectos fijos inicial, no es apropiado realizar un mayor análisis al respecto, debido a
que este modelo no se le ha verificado el cumplimiento de los supuestos del modelo
clásico de regresión lineal y, en consecuencia, su inferencia estadística puede no ser
verídica.
Respecto a los otros tres determinantes, los cuales presentaron en sus estimados los
signos correctos de acuerdo a la especificación previamente hecha, su interpretación
será la siguiente: Ante el aumento de 1% en la tasa de desempleo promedio de
América Central y el Caribe se generó un incremento de 0.10% en el porcentaje de su
población que padeció problemas leves o severos de desnutrición en el periodo 1995-
2014 (ceteris paribus). Como en la estimación del modelo de efectos fijos, el pequeño
impacto de la tasa de desempleo refleja que este determinante puede no haber sido
crucial en las grandes variaciones de la tasa de prevalencia de desnutrición
centroamericana y caribeña.
Por otro lado, el incremento de 1% en el promedio de ingreso nacional bruto que
genera cada habitante de América Central y el Caribe generó una reducción de 0.29%
en la tasa de prevalencia de la desnutrición de dicho subcontinente entre los años
1995 y 2014 (ceteris paribus). Nuevamente, como este impacto también es bastante
pequeño, uno podría pensar que este determinante (a pesar de ser estadísticamente
significativo) puede no haber sido un factor muy importante a la hora de explicar las
grandes variaciones de la tasa de prevalencia de la desnutrición centroamericana y
caribeña.
Por último, ante el aumento de 1% en la proporción del sector urbano de la población
centroamericana – caribeña con acceso a instalaciones sanitarias se generó una
reducción de 6.97% en la tasa de prevalencia de la desnutrición de dicho
subcontinente entre los años 1995 y 2014 (ceteris paribus), lo cual refleja un impacto
162
mucho mayor de las mejoras de los sistemas de higiene en la reducción de la
población con problemas severos o leves de desnutrición que el que se consiguió con
el modelo de efectos fijos.
Sobre la interpretación del intercepto (el cual también es significativo de manera
individual al 1%), este refleja que, en promedio, 22.17% de la población total de
América Central y el Caribe ha padecido problemas leves o severos de desnutrición
entre los años 1995 y 2014. Finalmente, este modelo de efectos aleatorios inicial
presenta un valor del estadístico de Durbin-Watson igual a 0.2014, lo cual (sin hacer
muchos cálculos) indicaría la existencia de autocorrelación positiva de primer orden en
el modelo. Como ya se dijo en el análisis del modelo de efectos fijos, se obvia el
presente resultado y se asume que el modelo de efectos aleatorios para América
Central y el Caribe tampoco presenta problemas de autocorrelación.
Habiendo realizado el análisis de la estimación del modelo de efectos aleatorios inicial,
se procede con la verificación del supuesto del MCRLN referido a la normalidad de la
serie de errores . Por ello, la verificación en su contraparte muestral (la serie de los
residuales ) se realizó a través del test de Normalidad de Jarque-Bera, cuyos
resultados se presentan en el siguiente cuadro.
Cuadro 43: Verificación de la normalidad de errores en el modelo de efectos aleatorios inicial para el
subcontinente de América Central y el Caribe
Residuales Valor del Conclusión
3.4323*
La serie de los residuales sí sigue una distribución normal
con media igual a cero y varianza constante. Es decir, sí es
ruido blanco y también se distribuye normalmente a lo largo
de todos los países del subcontinente.
Nota: * Denota significancia al 5%. ** Denota significancia al 1%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
163
Del cuadro anterior se puede observar que la hipótesis nula del test (la serie de los
residuales sigue una distribución normal con media cero y varianza constante) no es
rechazada en ninguno de los niveles de significancia propuestos, por lo que se
concluye que los residuales del modelo de efectos aleatorios sí siguen una distribución
normal y, en consecuencia, los errores del modelo (su contraparte poblacional)
también siguen una distribución normal. Esto conlleva a que sea posible obtener una
inferencia estadística verídica de las estimaciones del modelo de efectos aleatorios
anterior, por lo que se puede proceder con el análisis del test de Hausman a este
modelo.
Como se dijo en el párrafo anterior, habiendo confirmado que se cumple el supuesto
de normalidad de los errores en el modelo de efectos aleatorios inicial, se puede
aplicar el test de Hausman a este modelo para así verificar si el efecto no observado
no está correlacionado con los cinco determinantes considerados en el modelo (con
lo que el modelo de efectos aleatorios inicial sería confirmado como el modelo más
adecuado para la relación de investigación propuesta en este subcontinente) o, caso
contrario, que la correlación entre estas variables observadas y no observadas sea
estadísticamente diferente de cero (con lo que el modelo de efectos fijos totalmente
corregido, , sería confirmado como el modelo más adecuado para la relación de
investigación planteada).
Entonces, los resultados del test de Hausman son los siguientes:
Cuadro 44: Resultados del Test de Hausman para el subcontinente de América Central y el Caribe
Hipótesis nula
Estadístico
Chi-cuadrado
( )
Conclusión
Los cinco determinantes de la tasa de
prevalencia de la desnutrición para este
subcontinente ( , , , y
) no están correlacionados con el
efecto no observado . Es decir, el modelo
de efectos aleatorios inicial es más
16.1766*
Se rechaza la hipótesis nula. Por lo tanto,
al menos uno de los cinco determinantes
considerados para la tasa de prevalencia
de la desnutrición en este subcontinente
( , , , o ) están
correlacionados con el efecto no
164
adecuado que el modelo de efectos fijos
para la estimación de los
determinantes de la tasa de prevalencia de
la desnutrición en este subcontinente.
observado . Por ello, el modelo de
efectos fijos es el más adecuado
para estimar estos determinantes.
Nota: * Denota significancia al 1%. ** Denota significancia al 5%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede concluir que el modelo de efectos fijos totalmente
corregido (el modelo ) es efectivamente el más adecuado para estimar la
relación de investigación planteada en este trabajo y, por ello, este modelo ha
estimado los verdaderos determinantes de la tasa de prevalencia de la desnutrición
para el subcontinente de América Central y el Caribe. Sin embargo, un paso final para
confirmar por completo el enunciado anterior es el verificar si cada uno de los efectos
fijos del modelo (es decir, si la tasa promedio de prevalencia de desnutrición de
México y si los incrementos o reducciones del nivel de desnutrición de los otros países
centroamericanos y caribeños respecto al nivel de la tasa de desnutrición mexicana
efectivamente fueron estadísticamente diferentes de cero –de manera grupal– para el
periodo 1995-2014). Esto quiere decir que se va a verificar si el poder explicativo
conjunto de estos efectos fijos es efectivamente significativo o no.
Esta verificación se realiza a través del test de coeficientes restringidos de Wald,
donde se verificará las siguientes restricciones: Si el parámetro y si los
parámetros para todo . En caso estos parámetros fuesen
estadísticamente iguales a cero, el modelo no será el más adecuado para
analizar el modelo de determinantes de la tasa de prevalencia de la desnutrición en
este subcontinente y se deberá estimar dicha relación de investigación bajo el modelo
agrupado o “pooled”.
Cabe indicar que si el software EViews 9 no permite (por razones técnicas) realizar el
test para verificar la significancia grupal de los efectos fijos estimados, una alternativa
es verificar la significancia individual de cada efecto fijo, teniendo como objetivo que
todos los efectos fijos sean estadísticamente significativos de manera individual en el
modelo de efectos fijos totalmente corregido (modelo ). En el caso particular de
este subcontinente, sí se pudo realizar el test de Wald para verificar la significancia
grupal de los efectos fijos estimados en dicho modelo.
165
Entonces, los resultados de la verificación de la significancia grupal de los efectos fijos
estimados en el modelo se presentan en el siguiente cuadro.
Cuadro 45: Verificación de la significancia grupal de los efectos fijos estimados en el modelo EFM1 para
el subcontinente de América Central y el Caribe
Restricción al
Parámetro del Efecto
Fijo
Estadístico
F Conclusión
(intercepto):
:
:
:
:
:
:
:
:
:
272.22*
Los efectos fijos atribuidos a los países de México, Costa
Rica, Guatemala, Honduras, Nicaragua, Panamá, El Salvador,
República Dominicana, Jamaica y Trinidad y Tobago son
estadísticamente diferentes de cero de manera conjunta.
Por lo tanto, la tasa promedio de prevalencia de desnutrición
mexicana y las variaciones relativas de las tasas de los
demás países centroamericanos – caribeños respecto al valor
de la tasa de desnutrición mexicana sí aportaron poder
explicativo (de manera conjunta) al modelo .
Nota: * Denota significancia al 1%. ** Denota significancia al 5%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede comprobar que los efectos fijos estimados en el modelo
son efectivamente significativos de manera conjunta y generan un verdadero
aporte en poder explicativo al modelo. Por lo tanto, esto sí confirma que el modelo de
efectos fijos es el “Modelo Final” que permite estimar la relación de
investigación propuesta en el presente trabajo para el subcontinente de América
Central y el Caribe. En consecuencia, los cinco determinantes significativos
encontrados en este modelo (la tasa de desempleo, el ingreso nacional bruto per
cápita, el número de hijos por mujer, la tasa de acceso al agua potable y la tasa de
mejoras en las instalaciones sanitarias) serán considerados como los verdaderos
determinantes de la tasa de prevalencia de la desnutrición para este subcontinente.
5.11.3 Resultados para el subcontinente de África del Norte y
Occidental
166
Primeramente, los resultados del modelo de efectos fijos MCO con variables dummy
para este subcontinente se aprecian en el siguiente cuadro.
Cuadro 46: Estimación del Modelo de Efectos Fijos inicial para el subcontinente de África del Norte y
Occidental
Del cuadro anterior se puede observar que el modelo de efectos fijos inicial para este
subcontinente presenta un ajuste muy alto (a saber, 93.45% de las variaciones
porcentuales promedio de la tasa de prevalencia de la desnutrición de África del Norte
y Occidental, en el periodo 1995-2014, fueron explicadas por los determinantes
considerados en el presente trabajo). Y esto también es reflejado en el muy alto valor
del estadístico F, el cual es significativo a un nivel de 1%. Sin embargo, no hubo
significancia individual de todos los determinantes propuestos para la tasa de
prevalencia de la desnutrición en este subcontinente ya que solo 3 de los 7
167
determinantes propuestos (el gasto en salud per cápita, la tasa de acceso al agua
potable y la tasa de mejoras en las instalaciones sanitarias) fueron significativos al 1%
inclusive. Por lo tanto, se podría inferir que la tasa de desempleo, el ingreso nacional
bruto per cápita, el número de hijos por mujer y los años promedio de escolaridad no
serían verdaderos determinantes de la tasa de prevalencia de la desnutrición en este
subcontinente.
Sobre la interpretación de los determinantes de la tasa de prevalencia de la
desnutrición que sí fueron significativos individualmente, ninguno de ellos presenta
signos erróneos de acuerdo a la especificación del modelo hecho en subsecciones
anteriores. Esto quiere decir que, ante el aumento de 1% en el promedio de gasto que
realizan los gobiernos de los países de África del Norte y Occidental para el cuidado
de la salud de sus habitantes, se generó una reducción de 0.38% en el porcentaje de
su población que padeció problemas leves o severos de desnutrición en el periodo
1995-2014 (ceteris paribus). En ese sentido, a pesar que el gasto en salud per cápita
podría considerarse como un verdadero determinante de la tasa de prevalencia de la
desnutrición para este subcontinente, su impacto fue bastante pequeño. Por ello, este
determinante puede no haber sido crucial en las grandes variaciones de la tasa de
prevalencia de la desnutrición en esta región africana.
Por otro lado, el incremento de 1% en la proporción de la población con acceso al
agua potable en esta región africana redujo en 1.76% su tasa de prevalencia de la
desnutrición entre los años 1995 y 2014 (manteniendo constantes los impactos de los
demás determinantes). Esto demuestra el gran impacto que genera el mayor acceso al
agua potable en estas naciones africanas ya que fue el determinante que tuvo más
impacto en la reducción de la tasa de prevalencia de la desnutrición en este
subcontinente, para el periodo de años considerado.
Y la interpretación del último determinante significativo es de la siguiente manera: Ante
el aumento de 1% en la proporción del sector urbano de la población de esta región
africana con acceso a instalaciones sanitarias, la tasa de prevalencia de la
desnutrición de dicho subcontinente se redujo 0.68% entre los años 1995 y 2014
(ceteris paribus). Como en el caso del gasto en salud per cápita, esto también refleja
que las mejoras en el sistema sanitario o de higiene tuvieron un pequeño impacto en la
reducción del número de pacientes con problemas de desnutrición (leves y severos),
por lo que este determinante tampoco podría haber sido crucial en las grandes
variaciones de la tasa de prevalencia de la desnutrición en esta región africana. Sin
embargo, no es apropiado realizar un mayor análisis al respecto, debido a que este
modelo no se le ha verificado el cumplimiento de los supuestos del modelo clásico de
168
regresión lineal y, en consecuencia, no es el modelo final para el subcontinente bajo
análisis.
En lo que respecta a la presencia de autocorrelación en el modelo de efectos fijos
inicial, este modelo presenta un valor del estadístico de Durbin-Watson igual a 0.1785,
lo cual (sin hacer muchos cálculos) indicaría la existencia de autocorrelación positiva
de primer orden en el modelo. Como ya se dijo anteriormente, se obvia el presente
resultado y se asume que el modelo de efectos fijos para África del Norte y Occidental
no presenta problemas de autocorrelación.
Ahora, en lo que respecta a los efectos fijos introducidos en el modelo a través de las
variables dummy que representan a cada país de este subcontinente, se puede
concluir que durante el periodo 1995-2014 la tasa promedio de prevalencia de la
desnutrición egipcia fue de 13.36%, por debajo del promedio de la región durante el
mismo periodo (14.78%). Ante esto, se puede observar que seis de los demás países
de la región (Benín, Ghana, Marruecos, Malí, Mauritania y Togo) lograron reducir su
tasa de prevalencia de la desnutrición nacional respecto al valor de la tasa egipcia,
mientras que los cinco países restantes sufrieron incrementos en su tasa de
desnutrición. Y respecto a la significancia de estas 11 variaciones relativas, solo 7 de
estas (la de Ghana, Gambia, Marruecos, Malí, Mauritania, Senegal y Togo) fueron
significativas al 5%.
Sobre los países que sufrieron incrementos significativos en su tasa de prevalencia de
la desnutrición respecto al nivel de la tasa egipcia, la de Senegal fue la mayor ya que
su tasa promedio de desnutrición se incrementó en 0.66% para el periodo 1995-2014,
seguido por Gambia cuya tasa se incrementó en 0.38%. Por otro lado, sobre los
países que lograron reducciones significativas en su tasa de prevalencia de la
desnutrición respecto al nivel de la tasa egipcia, la de Mauritania fue la mayor ya que
su tasa promedio de desnutrición se redujo en 1.27% para el periodo 1995-2014,
seguida por Ghana y Malí, cuyas tasas se redujeron en 0.91% y 0.88%,
respectivamente. Esto refleja que este subcontinente presenta dos realidades muy
distintas: Algunos países africanos están avanzando en su lucha contra la erradicación
de la desnutrición (leve y severa) en sus pueblos, mientras que otros han retrocedido
en esta batalla y han sufrido pequeños (pero significativos) incrementos en los niveles
de desnutrición de sus pobladores.
El siguiente paso en el análisis econométrico del modelo de efectos fijos para este
subcontinente es la verificación del supuesto del MCRLN referido a la normalidad de la
serie de errores . Por ello, la verificación en su contraparte muestral (la serie de los
169
residuales ) se realizó a través del test de Normalidad de Jarque-Bera, cuyos
resultados se presentan en el siguiente cuadro
Cuadro 47: Verificación de la normalidad de errores en el modelo de efectos fijos inicial para el
subcontinente de África del Norte y Occidental
Residuales Valor del Conclusión
7.9918**
La serie de los residuales sí sigue una distribución normal
con media igual a cero y varianza constante. Es decir, sí es
ruido blanco y también se distribuye normalmente a lo largo
de todos los países del subcontinente.
Nota: * Denota significancia al 5%. ** Denota significancia al 1%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que la hipótesis nula del test (la serie de los
residuales sigue una distribución normal con media cero y varianza constante) no es
rechazada al nivel de significancia de 0.01, por lo que se concluye que los residuales
del modelo de efectos fijos inicial sí siguen una distribución normal y, en consecuencia,
los errores del modelo (su contraparte poblacional) también siguen una distribución
normal. Esto conlleva a que sí es posible obtener una inferencia estadística verídica de
las estimaciones del modelo de efectos fijos anterior, por lo que se debe proceder con
la evaluación de la existencia de variables redundantes en el modelo.
Por ello, en el siguiente cuadro se presenta el resumen de resultados del test de
variables redundantes en el modelo de efectos fijos inicial para todos aquellos
determinantes de la tasa de prevalencia de la desnutrición que no hayan podido ser
significativos individualmente al 5% (que como ya vimos en la estimación de dicho
modelo, estos fueron la tasa de desempleo, el ingreso nacional bruto per cápita, el
número de hijos por mujer y los años promedio de escolaridad), de manera que se
podrá definir si estos son verdaderos determinantes de la tasa de prevalencia de la
desnutrición o, en caso contrario, deban ser excluidos del modelo de efectos fijos
inicial.
Cuadro 48: Verificación de la correcta especificación del Modelo de Efectos Fijos inicial mediante el Test
de Variables Redundantes
170
N°
Variable(s)
redundante(s)
para el modelo
Estadístico
F
Valor del SIC**
del modelo
auxiliar del test
Conclusión
1 2.667907 -0.372863
La Tasa de Desempleo es una variable
redundante y su aporte en poder explicativo al
modelo inicial no es significativo.
2 1.910594 -0.376254
El Ingreso Nacional Bruto per Cápita es una
variable redundante y su aporte en poder
explicativo al modelo inicial no es significativo.
3 1.395528 -0.378568
El Número de Hijos por Mujer es una variable
redundante y su aporte en poder explicativo al
modelo inicial no es significativo.
4 1.925887 -0.376186
Los Años Promedio de Escolaridad son una
variable redundante y su aporte en poder
explicativo al modelo inicial no es significativo.
5
2.244980 -0.387585
La Tasa de Desempleo y el Ingreso Nacional
Bruto per Cápita son variables redundantes y
su aporte conjunto en poder explicativo al
modelo inicial no es significativo.
6
2.261789 -0.387436
La Tasa de Desempleo y el Número de Hijos
por Mujer son variables redundantes y su
aporte conjunto en poder explicativo al modelo
inicial no es significativo.
7
2.613551 -0.384322
La Tasa de Desempleo y los Años Promedio
de Escolaridad son variables redundantes y su
aporte conjunto en poder explicativo al modelo
inicial no es significativo.
8
1.653830 -0.392842
El Ingreso Nacional Bruto per Cápita y el
Número de Hijos por Mujer son variables
redundantes y su aporte conjunto en poder
explicativo al modelo inicial no es significativo.
9
1.717637 -0.392274
El Ingreso Nacional Bruto per Cápita y los
Años Promedio de Escolaridad son variables
redundantes y su aporte conjunto en poder
explicativo al modelo inicial no es significativo.
10
2.347320 -0.386678
El Número de Hijos por Mujer y los Años
Promedio de Escolaridad son variables
redundantes y su aporte conjunto en poder
171
explicativo al modelo inicial no es significativo.
11
2.113178 -0.402252
La Tasa de Desempleo, el Ingreso Nacional
Bruto per Cápita y el Número de Hijos por
Mujer son variables redundantes y su aporte
conjunto en poder explicativo al modelo inicial
no es significativo.
12
2.021045 -0.403469
El Ingreso Nacional Bruto per Cápita, el
Número de Hijos por Mujer y los Años
Promedio de Escolaridad son variables
redundantes y su aporte conjunto en poder
explicativo al modelo inicial no es significativo.
13
2.020696 -0.390348
La Tasa de Desempleo, el Número de Hijos
por Mujer y los Años Promedio de Escolaridad
son variables redundantes y su aporte
conjunto en poder explicativo al modelo inicial
no es significativo.
14
2.195588 -0.401165
La Tasa de Desempleo, el Ingreso Nacional
Bruto per Cápita y los Años Promedio de
Escolaridad son variables redundantes y su
aporte conjunto en poder explicativo al modelo
inicial no es significativo.
15
2.060255 -0.408072
La Tasa de Desempleo, el Ingreso Nacional
Bruto per Cápita, el Número de Hijos por Mujer
y los Años Promedio de Escolaridad son
variables redundantes y su aporte conjunto en
poder explicativo al modelo inicial no es
significativo.
Nota: * Denota significancia al 5%. ** Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que los cuatro determinantes considerados
como variables redundantes del modelo de efectos fijos inicial – La tasa de
desempleo, el ingreso nacional bruto per cápita, el número de hijos por mujer y los
años promedio de escolaridad – efectivamente son redundantes para el modelo
porque no presentan un aporte individual ni conjunto en poder explicativo que sea
estadísticamente significativo, por lo que estas cuatro variables deben ser excluidas
172
del modelo inicial y no pueden ser considerados como verdaderos determinantes de la
tasa de prevalencia de la desnutrición para este subcontinente.
Un apunte interesante es que al sacar estas cuatro variables del modelo inicial, se
obtiene un nuevo modelo de efectos fijos corregido (el cual se denotará como
por ser el modelo con la primera corrección de determinantes de la tasa de prevalencia
de la desnutrición) y este nuevo modelo presenta el menor valor del criterio de
información de Schwarz (el valor más negativo), reflejando que efectivamente el
modelo de investigación estimado para este subcontinente tiene una mejor
especificación al excluir estas cuatro variables redundantes. Por lo tanto, el modelo
corregido es el modelo mejor especificado de acuerdo al Test de Variables
Redundantes.
Ahora, el siguiente paso es estimar este modelo corregido , cuyos resultados se
aprecian en el siguiente cuadro.
Cuadro 49: Estimación del Modelo de Efectos Fijos corregido (modelo EFM1) para el subcontinente de
África del Norte y Occidental
173
Del cuadro anterior se puede observar que el modelo de efectos fijos corregido ( )
presenta también un ajuste muy alto (a saber, 93.15% de las variaciones porcentuales
promedio de la tasa de prevalencia de la desnutrición de África del Norte y Occidental,
en el periodo 1995-2014, fueron explicadas por los tres determinantes considerados).
Y esto también es reflejado en el muy alto valor del estadístico F, el cual sigue siendo
significativo a un nivel de 1%.
Para este modelo corregido , los tres determinantes fueron significativos
individualmente al 1%. Por lo tanto, se podría inferir que efectivamente estos serían los
verdaderos determinantes de la tasa de prevalencia de la desnutrición para este
subcontinente.
Sobre la interpretación de estos determinantes, ninguno de ellos presenta signos
erróneos de acuerdo a la especificación del modelo hecho en subsecciones anteriores.
Esto quiere decir que, ante el aumento de 1% en el promedio de gasto que realizan los
gobiernos de los países de África del Norte y Occidental para el cuidado de la salud de
sus habitantes se generó ahora una reducción de 0.29% en el porcentaje de su
población que padeció problemas leves o severos de desnutrición en el periodo 1995-
2014 (ceteris paribus), lo cual refleja que este parámetro estaba sobrevaluado ya que
presentaba un valor mayor en el modelo inicial. Nuevamente, a pesar de la
significancia del gasto en salud per cápita, su impacto fue bastante pequeño. Por ello,
este determinante puede no haber sido crucial en las grandes variaciones de la tasa
de prevalencia de la desnutrición en esta región africana.
Por otro lado, el incremento de 1% en la proporción de la población con acceso al
agua potable en esta región africana redujo ahora en 1.42% su tasa de prevalencia de
la desnutrición entre los años 1995 y 2014 (ceteris paribus), lo cual refleja que este
parámetro también estaba sobrevaluado ya que presentaba un valor mayor en el
modelo inicial. Aun así, se reitera el gran impacto que genera el mayor acceso al agua
potable en estas naciones africanas ya que sigue siendo el determinante que tuvo más
impacto en la reducción de la tasa de prevalencia de la desnutrición en este
subcontinente, para el periodo de años considerado.
Y la interpretación del último determinante es de la siguiente manera: Ante el aumento
de 1% en la proporción del sector urbano de la población de esta región africana con
acceso a instalaciones sanitarias, la tasa de prevalencia de la desnutrición de dicho
subcontinente se redujo esta vez en 0.57% entre los años 1995 y 2014 (ceteris
paribus), lo cual también refleja que este parámetro estaba sobrevaluado ya que
presentaba un valor mayor en el modelo inicial. Como en el caso del gasto en salud
174
per cápita, se repite el pequeño impacto de las mejoras en el sistema sanitario o de
higiene en la reducción del nivel de desnutrición de la población, por lo que este
determinante tampoco sería crucial en las grandes variaciones de la tasa de
prevalencia de la desnutrición en esta región africana.
En lo que respecta a la presencia de autocorrelación en el modelo de efectos fijos
corregido ( ), este modelo presenta un valor del estadístico de Durbin-Watson
igual a 0.2791, lo cual (sin hacer muchos cálculos) indicaría la existencia de
autocorrelación positiva de primer orden en el modelo. Como ya se dijo anteriormente,
se obvia el presente resultado y se asume que el modelo de efectos fijos para África
del Norte y Occidental no presenta problemas de autocorrelación.
Ahora, en lo que respecta a los efectos fijos introducidos en este modelo , se
puede concluir que durante el periodo 1995-2014 la tasa promedio de prevalencia de
la desnutrición egipcia fue de 11.95%, manteniéndose por debajo del promedio de la
región durante el mismo periodo (14.78%) pero reflejando que el parámetro estaba
sobrevaluado (ya que presentaba un valor mayor en el modelo inicial). A diferencia de
los resultados obtenidos en el modelo inicial, se puede observar que ahora ocho de los
demás países de la región (Benín, Costa de Marfil, Ghana, Marruecos, Malí,
Mauritania, Sierra Leona y Togo) lograron reducir su tasa de prevalencia de la
desnutrición nacional respecto al valor de la tasa egipcia, mientras que los tres países
restantes sufrieron incrementos en su tasa de desnutrición. Y respecto a la
significancia de estas 11 variaciones relativas, esta vez solo 6 de estas (la de Argelia,
Ghana, Marruecos, Malí, Mauritania y Senegal) fueron significativas al 5%.
Sobre los países que sufrieron incrementos significativos en su tasa de prevalencia de
la desnutrición respecto al nivel de la tasa egipcia, la de Senegal siguió siendo la
mayor ya que su tasa promedio de desnutrición se incrementó en 0.48% para el
periodo 1995-2014 (reflejando que el parámetro estaba sobrevaluado ya que
presentaba un valor mayor en el modelo inicial), seguido por Argelia cuya tasa se
incrementó en 0.24%. Por otro lado, sobre los países que lograron reducciones
significativas en su tasa de prevalencia de la desnutrición respecto al nivel de la tasa
egipcia, esta vez la de Malí fue la mayor ya que su tasa promedio de desnutrición se
redujo en 1.08% para el periodo 1995-2014 (reflejando que el parámetro estaba
subvaluado ya que presentaba un valor menor en el modelo inicial), seguida por
Mauritania y Ghana, cuyas tasas se redujeron en 1.05% (reflejando que el parámetro
estaba sobrevaluado ya que presentaba un valor mayor en la estimación anterior) y
0.78% (reflejando que el parámetro estaba sobrevaluado ya que presentaba un valor
175
mayor en la estimación anterior), respectivamente. A pesar que los resultados
nuevamente reflejan que este subcontinente presenta dos realidades muy distintas
(algunos países africanos han avanzado en su lucha contra la erradicación de la
desnutrición mientras que otros han sufrido pequeños incrementos en sus tasas), la
tendencia se ha inclinado hacia una mayor cantidad de países que han logrado reducir
sus niveles de desnutrición en sus pueblos.
Ahora, se procede con la verificación de la normalidad de la serie de errores de este
modelo corregido ( ), la cual será denotada como . Por ello, la verificación en
su contraparte muestral (la serie de los residuales ) realizada con el test de
Normalidad de Jarque-Bera presenta los siguientes resultados:
Cuadro 50: Verificación de la normalidad de errores en el modelo EFM1 para el subcontinente de África
del Norte y Occidental
Residuales Valor del Conclusión
9.0403**
La serie de los residuales sí sigue una distribución normal
con media igual a cero y varianza constante. Es decir, sí
es ruido blanco y también se distribuye normalmente a lo
largo de todos los países del subcontinente.
Nota: * Denota significancia al 5%. ** Denota significancia al 1%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que la hipótesis nula del test (la serie de los
residuales sigue una distribución normal con media cero y varianza constante) no es
rechazada al nivel de significancia de 0.01, por lo que se concluye que los residuales
del modelo de efectos fijos corregido ( ) sí siguen una distribución normal y, en
consecuencia, los errores del modelo (su contraparte poblacional) también siguen una
distribución normal. Lo anterior confirma el hecho de que sí es posible obtener una
inferencia estadística verídica de las estimaciones de dicho modelo, por lo que se
debe considerar este como el modelo de efectos fijos totalmente corregido para
proceder con la estimación del modelo de efectos aleatorios de este subcontinente
bajo análisis.
Habiendo obtenido los verdaderos determinantes de la tasa de prevalencia de la
desnutrición para este subcontinente bajo el modelo de efectos fijos (ver modelo
176
), se procede a considerar únicamente los tres determinantes que fueron
significativos en dicho modelo (tanto de manera individual como global) para estimar el
modelo de efectos aleatorios de este subcontinente, cuyos resultados fueron los
siguientes:
Cuadro 51: Estimación del Modelo de Efectos Aleatorios inicial para el subcontinente de África del Norte
y Occidental
Variable Coeficientes estimados ( , )
11.29*
-0.29*
-1.44*
-0.43*
Medidas de Diagnóstico, Estadísticos Valor
0.7103
192.9139*
0.2824
Nota: * Denota significancia al 1%. ** Denota significancia al 5%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que el modelo de efectos aleatorios inicial para
este subcontinente presenta un ajuste alto (a saber, 71.03% de las variaciones
porcentuales promedio de la tasa de prevalencia de la desnutrición de África del Norte
y Occidental, en el periodo 1995-2014, fueron explicadas por los tres determinantes
considerados). Por otro lado, el valor del estadístico F es casi tan alto como en el
obtenido en el modelo de efectos fijos y también es significativo al 1%.
Respecto a la significancia individual de estos determinantes de la tasa de prevalencia
de la desnutrición para este subcontinente, todos fueron significativos al 1%. Por lo
tanto, se podría inferir que los tres determinantes considerados efectivamente son los
verdaderos determinantes de la tasa de prevalencia de la desnutrición en este
177
subcontinente. Sin embargo, como se verá más adelante, la confirmación de esta
sospecha se resolverá con el resultado del test de Hausman que permitirá saber qué
tipo de modelo (si el de efectos fijos o el de efectos aleatorios) es el que debe ser
considerado como modelo final de este subcontinente analizado.
Sobre la interpretación de estos determinantes, todos presentaron los signos correctos
de acuerdo a la especificación del modelo hecho en subsecciones anteriores. Esto
quiere decir que, ante el aumento de 1% en el promedio de gasto que realizan los
gobiernos de los países de África del Norte y Occidental para el cuidado de la salud de
sus habitantes se generó una reducción de 0.29% en el porcentaje de su población
que padeció problemas leves o severos de desnutrición en el periodo 1995-2014
(ceteris paribus). Como en el caso de la estimación del modelo de efectos fijos, este
determinante presenta un impacto bastante pequeño. Por ello, el gasto en salud per
cápita puede no haber sido crucial en las grandes variaciones de la tasa de
prevalencia de la desnutrición en esta región africana.
Por otro lado, el incremento de 1% en la proporción de la población con acceso al
agua potable en esta región africana redujo en 1.44% su tasa de prevalencia de la
desnutrición entre los años 1995 y 2014 (manteniendo constantes los impactos de los
demás determinantes). Como en el caso de la estimación del modelo de efectos fijos,
esto también demuestra el gran impacto que genera el mayor acceso al agua potable
en estas naciones africanas ya este determinante tuvo el mayor impacto en reducción
de la tasa de prevalencia de la desnutrición para este subcontinente, durante los años
en cuestión.
Y la interpretación del último determinante es de la siguiente manera: Ante el aumento
de 1% en la proporción del sector urbano de la población de esta región africana con
acceso a instalaciones sanitarias, la tasa de prevalencia de la desnutrición de dicho
subcontinente se redujo 0.43% entre los años 1995 y 2014 (ceteris paribus). Como en
el caso de la estimación del modelo de efectos fijos, este determinante también tuvo
un impacto pequeño en la reducción de los niveles de desnutrición en este
subcontinente, por lo que la tasa de mejoras en las instalaciones sanitarias tampoco
habría sido crucial en las grandes variaciones que tuvo la tasa de prevalencia de la
desnutrición en esta región africana. Sin embargo, nuevamente no es apropiado
realizar un mayor análisis al respecto, debido a que este modelo no se le ha verificado
el cumplimiento de los supuestos del modelo clásico de regresión lineal y, en
consecuencia, no es el modelo final para el subcontinente bajo análisis.
178
Sobre la interpretación del intercepto (el cual también es significativo de manera
individual al 1%), este refleja que, en promedio, 11.29% de la población total de África
del Norte y Occidental ha padecido problemas leves o severos de desnutrición entre
los años 1995 y 2014. Finalmente, este modelo de efectos aleatorios inicial presenta
un valor del estadístico de Durbin-Watson igual a 0.2824, lo cual (sin hacer muchos
cálculos) indicaría la existencia de autocorrelación positiva de primer orden en el
modelo. Como ya se dijo en el análisis del modelo de efectos fijos, se obvia el
presente resultado y se asume que el modelo de efectos aleatorios para África del
Norte y Occidental tampoco presenta problemas de autocorrelación.
Habiendo realizado el análisis de la estimación del modelo de efectos aleatorios inicial,
se procede con la verificación del supuesto del MCRLN referido a la normalidad de la
serie de errores . Por ello, la verificación en su contraparte muestral (la serie de los
residuales ) se realizó a través del test de Normalidad de Jarque-Bera, cuyos
resultados se presentan en el siguiente cuadro.
Cuadro 52: Verificación de la normalidad de errores en el modelo de efectos aleatorios inicial para el
subcontinente de África del Norte y Occidental
Residuales Valor del Conclusión
8.6920**
La serie de los residuales sí sigue una distribución normal
con media igual a cero y varianza constante. Es decir, sí es
ruido blanco y también se distribuye normalmente a lo largo
de todos los países del subcontinente.
Nota: * Denota significancia al 5%. ** Denota significancia al 1%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que la hipótesis nula del test (la serie de los
residuales sigue una distribución normal con media cero y varianza constante) no es
rechazada al nivel de significancia de 0.01, por lo que se concluye que los residuales
del modelo de efectos aleatorios sí siguen una distribución normal y, en consecuencia,
los errores del modelo (su contraparte poblacional) también siguen una distribución
normal. Esto conlleva a que sea posible obtener una inferencia estadística verídica de
las estimaciones del modelo de efectos aleatorios anterior, por lo que se puede
proceder con el análisis del test de Hausman a este modelo.
179
Como se dijo en el párrafo anterior, habiendo confirmado que se cumple el supuesto
de normalidad de los errores en el modelo de efectos aleatorios inicial, se puede
aplicar el test de Hausman a este modelo para así verificar si el efecto no observado
no está correlacionado con los tres determinantes considerados en el modelo (con
lo que el modelo de efectos aleatorios inicial sería confirmado como el modelo más
adecuado para la relación de investigación propuesta en este subcontinente) o, caso
contrario, que la correlación entre estas variables observadas y no observadas sea
estadísticamente diferente de cero (con lo que el modelo de efectos fijos totalmente
corregido, , sería confirmado como el modelo más adecuado para la relación de
investigación planteada).
Entonces, los resultados del test de Hausman son los siguientes:
Cuadro 53: Resultados del Test de Hausman para el subcontinente de África del Norte y Occidental
Hipótesis nula
Estadístico
Chi-cuadrado
( )
Conclusión
Los tres determinantes de la tasa de
prevalencia de la desnutrición para este
subcontinente ( , y ) no están
correlacionados con el efecto no observado
. Es decir, el modelo de efectos aleatorios
inicial es más adecuado que el modelo de
efectos fijos para la estimación de los
determinantes de la tasa de prevalencia de
la desnutrición en este subcontinente.
24.2952*
Se rechaza la hipótesis nula. Por lo tanto,
al menos uno de los tres determinantes
considerados para la tasa de prevalencia
de la desnutrición en este subcontinente
( , o ) están
correlacionados con el efecto no
observado . Por ello, el modelo de
efectos fijos es el más adecuado
para estimar estos determinantes.
Nota: * Denota significancia al 1%. ** Denota significancia al 5%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede concluir que el modelo de efectos fijos totalmente
corregido (el modelo ) es efectivamente el más adecuado para estimar la
relación de investigación planteada en este trabajo y, por ello, este modelo ha
estimado los verdaderos determinantes de la tasa de prevalencia de la desnutrición
para el subcontinente de África del Norte y Occidental. Sin embargo, un paso final para
confirmar por completo el enunciado anterior es el verificar si cada uno de los efectos
180
fijos del modelo (es decir, si la tasa promedio de prevalencia de desnutrición de
Egipto y si los incrementos o reducciones del nivel de desnutrición de los otros países
africanos respecto al nivel de la tasa de desnutrición egipcia efectivamente fueron
estadísticamente diferentes de cero –de manera grupal– para el periodo 1995-2014).
Esto quiere decir que se va a verificar si el poder explicativo conjunto de estos efectos
fijos es efectivamente significativo o no.
Esta verificación se realiza a través del test de coeficientes restringidos de Wald,
donde se verificará las siguientes restricciones: Si el parámetro y si los
parámetros para todo . En caso estos parámetros fuesen
estadísticamente iguales a cero, el modelo no será el más adecuado para
analizar el modelo de determinantes de la tasa de prevalencia de la desnutrición en
este subcontinente y se deberá estimar dicha relación de investigación bajo el modelo
agrupado o “pooled”.
Cabe indicar que si el software EViews 9 no permite (por razones técnicas) realizar el
test para verificar la significancia grupal de los efectos fijos estimados, una alternativa
es verificar la significancia individual de cada efecto fijo, teniendo como objetivo que
todos los efectos fijos sean estadísticamente significativos de manera individual en el
modelo de efectos fijos totalmente corregido (modelo ). En el caso particular de
este subcontinente, sí se pudo realizar el test de Wald para verificar la significancia
grupal de los efectos fijos estimados en dicho modelo.
Entonces, los resultados de la verificación de la significancia grupal de los efectos fijos
estimados en el modelo se presentan en el siguiente cuadro.
Cuadro 54: Verificación de la significancia grupal de los efectos fijos estimados en el modelo EFM1 para
el subcontinente de África del Norte y Occidental
181
Del cuadro anterior se puede comprobar que los efectos fijos estimados en el modelo
son efectivamente significativos de manera conjunta y generan un verdadero
aporte en poder explicativo al modelo. Por lo tanto, esto sí confirma que el modelo de
efectos fijos es el “Modelo Final” que permite estimar la relación de
investigación propuesta en el presente trabajo para el subcontinente de África del
Norte y Occidental. En consecuencia, los tres determinantes significativos encontrados
en este modelo (el gasto en salud per cápita, la tasa de acceso al agua potable y la
tasa de mejoras en las instalaciones sanitarias) serán considerados como los
verdaderos determinantes de la tasa de prevalencia de la desnutrición para este
subcontinente.
5.11.4 Resultados para el subcontinente de África del Sur, Oriente
y Central
Primeramente, los resultados del modelo de efectos fijos MCO con variables dummy
para este subcontinente se aprecian en el siguiente cuadro.
Cuadro 55: Estimación del Modelo de Efectos Fijos inicial para el subcontinente de África del Sur, Oriente
y Central
182
Del cuadro anterior se puede observar que el modelo de efectos fijos inicial para este
subcontinente presenta un ajuste bastante alto (a saber, 89.23% de las variaciones
porcentuales promedio de la tasa de prevalencia de la desnutrición de África del Sur,
Oriente y Central, en el periodo 1995-2014, fueron explicadas por los determinantes
considerados en el presente trabajo). Y esto también es reflejado en el alto valor del
estadístico F, el cual es significativo al 1%. Sin embargo, no hubo significancia
individual de todos los determinantes propuestos para la tasa de prevalencia de la
desnutrición en este subcontinente ya que solo 4 de los 7 determinantes propuestos
(la tasa de desempleo, el gasto en salud per cápita, el número de hijos por mujer y los
años promedio de escolaridad) fueron significativos al 5% inclusive. Por lo tanto, se
podría inferir que el ingreso nacional bruto per cápita, la tasa de acceso al agua
potable y la tasa de mejoras en las instalaciones sanitarias no serían verdaderos
determinantes de la tasa de prevalencia de la desnutrición en este subcontinente.
Sobre la interpretación de los determinantes de la tasa de prevalencia de la
desnutrición que sí fueron significativos individualmente, solo uno de ellos (el gasto en
salud per cápita) presenta en su estimado un signo erróneo de acuerdo a la
especificación del modelo hecho en subsecciones anteriores. Esto quiere decir que,
ante el aumento de 1% en el promedio de gasto que realizan los gobiernos de los
países de África del Sur, Oriente y Central para el cuidado de la salud de sus
183
habitantes, se generó un aumento de 0.13% en el porcentaje de su población que
padeció problemas leves o severos de desnutrición en el periodo 1995-2014 (ceteris
paribus), lo cual no tiene sentido económico. Sin embargo, no es apropiado realizar un
mayor análisis al respecto, debido a que este modelo no se le ha verificado el
cumplimiento de los supuestos del modelo clásico de regresión lineal y, en
consecuencia, no es el modelo final para el subcontinente bajo análisis.
Los otros tres determinantes significativos para la tasa de prevalencia de la
desnutrición en África del Sur, Oriente y Central tuvieron los signos correctos de
acuerdo a la especificación del modelo hecho en subsecciones anteriores. Esto quiere
decir que, ante el aumento de 1% en la tasa de desempleo promedio de esta región
africana, hubo un incremento de 0.48% en el porcentaje de su población que padeció
problemas leves o severos de desnutrición en el periodo 1995-2014 (ceteris paribus).
Sin embargo, a pesar que la tasa de desempleo podría considerarse como un
verdadero determinante de la tasa de prevalencia de la desnutrición para este
subcontinente, su impacto fue bastante pequeño. Por ello, este determinante no habría
sido crucial en las grandes variaciones de la tasa de prevalencia de la desnutrición de
esta región de África.
Por otro lado, el aumento de 1% en el promedio de nacimientos por mujer de los
países de África del Sur, Oriente y Central incrementó en 0.84% la tasa de prevalencia
de la desnutrición de dicho subcontinente entre los años 1995 y 2014 (manteniendo
constantes los impactos de los demás determinantes). Esto permite inferir un hecho
singular: A medida que estas naciones africanas incrementan el tamaño promedio de
sus familias, el riesgo de un aumento generalizado del nivel de desnutrición se hace
más latente. Y aunque el valor del impacto no ha sido tan grande, se considera que
este determinante sí podría haber sido crucial en las grandes variaciones de la tasa de
prevalencia de la desnutrición para este subcontinente.
Y la interpretación del último determinante significativo es de la siguiente manera: Ante
el incremento de 1% en el promedio de años de escolaridad de esta región africana, la
tasa de prevalencia de la desnutrición de la región se redujo en 1.14% durante el
periodo de años considerado (ceteris paribus), lo cual demuestra que en este
subcontinente hubo gran impacto del desarrollo educativo a la hora de disminuir el
número de personas que padecen de desnutrición.
En lo que respecta a la presencia de autocorrelación en el modelo de efectos fijos
inicial, este modelo presenta un valor del estadístico de Durbin-Watson igual a 0.2988,
lo cual (sin hacer muchos cálculos) indicaría la existencia de autocorrelación positiva
184
de primer orden en el modelo. Como ya se dijo anteriormente, se obvia el presente
resultado y se asume que el modelo de efectos fijos para África del Sur, Oriente y
Central no presenta problemas de autocorrelación.
Ahora, en lo que respecta a los efectos fijos introducidos en el modelo a través de las
variables dummy que representan a cada país de este subcontinente, se puede
concluir que durante el periodo 1995-2014 la tasa promedio de prevalencia de la
desnutrición lesotense fue de -0.45%, lo cual no tiene sentido económico alguno ya
que, en el mejor de los casos, este país africano hubiera tenido una tasa de
desnutrición igual a cero. Además, la tasa promedio de desnutrición lesotense no fue
significativa, lo cual refuerza el hecho de que el anterior estimado no puede ser
interpretable. Sin embargo, por el momento se ignorará este resultado y se asumirá
que la tasa promedio de prevalencia de la desnutrición del país de Lesoto fue igual a
cero, muy por debajo del promedio de la región durante el periodo 1995-2014
(30.86%).
Ante esto, se puede observar que todos los demás países de la región sufrieron
incrementos en su tasa de desnutrición. Y más importante aún, todas estas
variaciones relativas (la de Camerún, Kenia, Mozambique, Malaui, Ruanda,
Suazilandia, Tanzania, Uganda y Zambia) fueron significativas al 5% (casi todas
siendo significativas incluso al 1%).
Sobre estos países que sufrieron incrementos significativos en su tasa de prevalencia
de la desnutrición respecto al nivel de la tasa lesotense, la de Ruanda fue la mayor ya
que su tasa promedio de desnutrición se incrementó en 2.27% para el periodo 1995-
2014, seguidos por Tanzania, Kenia, Zambia y Uganda, cuyas tasas se incrementaron
en 1.95%, 1.43%, 1.42% y 1.33%. Estos resultados reflejan un hecho muy interesante:
La mayoría de los países de esta región africana han sufrido incrementos bastante
considerables (por encima del 1%) en el porcentaje de sus pobladores que padecen
problemas de desnutrición (leves o severos) entre los años 1995 y 2014, por lo que se
puede inferir que los gobiernos de los países de África del Sur, Oriente y Central no
han podido avanzar en su lucha contra la erradicación total de la desnutrición.
El siguiente paso en el análisis econométrico del modelo de efectos fijos para este
subcontinente es la verificación del supuesto del MCRLN referido a la normalidad de la
serie de errores . Por ello, la verificación en su contraparte muestral (la serie de los
residuales ) se realizó a través del test de Normalidad de Jarque-Bera, cuyos
resultados se presentan en el siguiente cuadro.
185
Cuadro 56: Verificación de la normalidad de errores en el modelo de efectos fijos inicial para el
subcontinente de África del Sur, Oriente y Central
Residuales Valor del Conclusión
7.1675**
La serie de los residuales sí sigue una distribución normal
con media igual a cero y varianza constante. Es decir, sí es
ruido blanco y también se distribuye normalmente a lo largo
de todos los países del subcontinente.
Nota: * Denota significancia al 5%. ** Denota significancia al 1%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que la hipótesis nula del test (la serie de los
residuales sigue una distribución normal con media cero y varianza constante) no es
rechazada al nivel de significancia de 0.01, por lo que se concluye que los residuales
del modelo de efectos fijos inicial sí siguen una distribución normal y, en consecuencia,
los errores del modelo (su contraparte poblacional) también siguen una distribución
normal. Esto conlleva a que sí es posible obtener una inferencia estadística verídica de
las estimaciones del modelo de efectos fijos anterior, por lo que se debe proceder con
la evaluación de la existencia de variables redundantes en el modelo.
Por ello, en el siguiente cuadro se presenta el resumen de resultados del test de
variables redundantes en el modelo de efectos fijos inicial para todos aquellos
determinantes de la tasa de prevalencia de la desnutrición que no hayan podido ser
significativos individualmente al 5% (que como ya vimos en la estimación de dicho
modelo, estos fueron el ingreso nacional bruto per cápita, la tasa de acceso al agua
potable y la tasa de mejoras en las instalaciones sanitarias), de manera que se podrá
definir si estos son verdaderos determinantes de la tasa de prevalencia de la
desnutrición o, en caso contrario, deban ser excluidos del modelo de efectos fijos
inicial.
Cuadro 57: Verificación de la correcta especificación del Modelo de Efectos Fijos inicial mediante el Test
de Variables Redundantes
N°
Variable(s)
redundante(s)
para el modelo
Estadístico
F
Valor del SIC**
del modelo
auxiliar del test
Conclusión
186
1 0.276648 -0.608094
El Ingreso Nacional Bruto per Cápita es una
variable redundante y su aporte en poder
explicativo al modelo inicial no es significativo.
2 0.192404 0.608554
La Tasa de Acceso al Agua Potable es una
variable redundante y su aporte en poder
explicativo al modelo inicial no es significativo.
3 3.216751 -0.592180
La Tasa de Mejoras en las Instalaciones
Sanitarias es una variable redundante y su
aporte en poder explicativo al modelo inicial
no es significativo.
4
0.290021 -0.632932
El Ingreso Nacional Bruto per Cápita y la Tasa
de Acceso al Agua Potable son variables
redundantes y su aporte conjunto en poder
explicativo al modelo inicial no es significativo.
5
1.865960 -0.615908
El Ingreso Nacional Bruto per Cápita y la Tasa
de Mejoras en las Instalaciones Sanitarias son
variables redundantes y su aporte conjunto en
poder explicativo al modelo inicial no es
significativo.
6
1.608436 -0.618670
La Tasa de Acceso al Agua Potable y la Tasa
de Mejoras en las Instalaciones Sanitarias no
son variables redundantes y su aporte
conjunto en poder explicativo al modelo inicial
sí es significativo.
7
1.248415 -0.642329
El Ingreso Nacional Bruto per Cápita, la Tasa
de Acceso al Agua Potable y la Tasa de
Mejoras en las Instalaciones Sanitarias son
variables redundantes y su aporte conjunto en
poder explicativo al modelo inicial no es
significativo.
Nota: * Denota significancia al 5%. ** Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que los tres determinantes considerados como
variables redundantes del modelo de efectos fijos inicial – El ingreso nacional bruto per
cápita, la tasa de acceso al agua potable y la tasa de mejoras en las instalaciones
sanitarias – efectivamente son redundantes para el modelo porque no presentan un
187
aporte individual ni conjunto en poder explicativo que sea estadísticamente
significativo, por lo que estas tres variables deben ser excluidas del modelo inicial y no
pueden ser considerados como verdaderos determinantes de la tasa de prevalencia de
la desnutrición para este subcontinente.
Un apunte interesante es que al sacar estas tres variables del modelo inicial, se
obtiene un nuevo modelo de efectos fijos corregido (el cual se denotará como
por ser el modelo con la primera corrección de determinantes de la tasa de prevalencia
de la desnutrición) y este nuevo modelo presenta el menor valor del criterio de
información de Schwarz (el valor más negativo), reflejando que efectivamente el
modelo de investigación estimado para este subcontinente tiene una mejor
especificación al excluir estas tres variables redundantes. Por lo tanto, el modelo
corregido es el modelo mejor especificado de acuerdo al Test de Variables
Redundantes.
Ahora, el siguiente paso es estimar este modelo corregido , cuyos resultados se
aprecian en el siguiente cuadro.
Cuadro 58: Estimación del Modelo de Efectos Fijos corregido (modelo EFM1) para el subcontinente de
África del Sur, Oriente y Central
Variable Coeficientes estimados ( , )
0.78
0.42*
0.20*
0.99*
-1.09*
0.95*
1.27*
0.22**
0.67*
2.19*
188
0.63*
1.62*
1.05*
1.40*
Medidas de Diagnóstico, Estadísticos Valor
0.8901
115.8993*
-0.8732
-0.6423
0.5805
Nota: * Denota significancia al 1%. ** Denota significancia al 5%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que el modelo de efectos fijos corregido ( )
presenta también un ajuste bastante alto (a saber, 89.01% de las variaciones
porcentuales promedio de la tasa de prevalencia de la desnutrición de África del Sur,
Oriente y Central, en el periodo 1995-2014, fueron explicadas por los cuatro
determinantes considerados). Y esto también es reflejado en el alto valor del
estadístico F, el cual es mayor al que se obtuvo en la estimación del modelo inicial y
sigue siendo significativo al 1%.
Para este modelo corregido , los cuatro determinantes fueron significativos
individualmente al 1%. Por lo tanto, se podría inferir que efectivamente estos serían los
verdaderos determinantes de la tasa de prevalencia de la desnutrición para este
subcontinente.
Sobre la interpretación de estos determinantes, solo uno de ellos (nuevamente, el
gasto en salud per cápita) presenta en su estimado un signo erróneo de acuerdo a la
especificación del modelo hecho anteriormente. Esto quiere decir que, ante el aumento
de 1% en el promedio de gasto que realizan los gobiernos de los países de África del
189
Sur, Oriente y Central para el cuidado de la salud de sus habitantes, se generó un
aumento de 0.20% en el porcentaje de su población que padeció problemas leves o
severos de desnutrición en el periodo 1995-2014 (ceteris paribus), lo cual no tiene
sentido económico y refleja que el parámetro estaba subvaluado ya que presentaba un
menor valor en el modelo inicial. Aunque esta interpretación es poco plausible, en la
siguiente sección de este capítulo (“Discusión”) se dará posibles explicaciones a este
valor obtenido.
Los otros tres determinantes para la tasa de prevalencia de la desnutrición en África
del Sur, Oriente y Central volvieron a tener los signos correctos de acuerdo a la
especificación del modelo hecho anteriormente. Esto quiere decir que, ante el aumento
de 1% en la tasa de desempleo promedio de esta región africana, hubo un incremento
de 0.43% en el porcentaje de su población que padeció problemas leves o severos de
desnutrición en el periodo 1995-2014 (ceteris paribus), reflejando que el parámetro
estaba sobrevaluado ya que presentaba un mayor valor en el modelo inicial.
Nuevamente, al tener un impacto bastante pequeño, se infiere que este determinante
no habría sido crucial en las grandes variaciones de la tasa de prevalencia de la
desnutrición de esta región de África.
Por otro lado, el aumento de 1% en el promedio de nacimientos por mujer de los
países de África del Sur, Oriente y Central incrementó ahora en 0.99% la tasa de
prevalencia de la desnutrición de dicho subcontinente entre los años 1995 y 2014
(ceteris paribus), lo cual refleja que este parámetro estaba subvaluado ya que
presentaba un menor valor en la estimación del modelo inicial. Lo anterior permite
reiterar el hecho singular descubierto en el modelo inicial: El incremento del tamaño
promedio de las familias en estas naciones africanas provoca un aumento
generalizado del nivel de desnutrición en este subcontinente. Y como el valor del
impacto ahora es más grande (respecto a lo obtenido en el modelo inicial), se deduce
que este determinante sí habría sido crucial en las grandes variaciones de la tasa de
prevalencia de la desnutrición en esta región.
Y la interpretación del último determinante es como sigue: Ante el incremento de 1%
en el promedio de años de escolaridad de esta región africana, la tasa de prevalencia
de la desnutrición de la región se redujo en 1.09% durante el periodo de años
considerado (ceteris paribus), lo cual refleja que este parámetro también estaba
sobrevaluado ya que presentaba un mayor valor en la estimación del modelo inicial.
Además, este resultado reitera que el desarrollo educativo fue el determinante con
mayor impacto en la disminución del número de personas que padecen de
desnutrición en las naciones africanas de este subcontinente.
190
En lo que respecta a la presencia de autocorrelación en el modelo de efectos fijos
corregido ( , este modelo presenta un valor del estadístico de Durbin-Watson
igual a 0.5805, lo cual (sin hacer muchos cálculos) indicaría la existencia de
autocorrelación positiva de primer orden en el modelo. Como ya se dijo anteriormente,
se obvia el presente resultado y se asume que el modelo de efectos fijos para África
del Sur, Oriente y Central no presenta problemas de autocorrelación.
Ahora, en lo que respecta a los efectos fijos introducidos en este modelo , se
puede concluir que durante el periodo 1995-2014 la tasa promedio de prevalencia de
la desnutrición lesotense fue ahora igual a 0.79%, con lo que ahora su estimado sí
tiene sentido económico (por ser un valor positivo) pero es poco creíble (ya que está
muy cerca al 0%, lo que indicaría que no existe población que padezca desnutrición
severa o leve en este país africano). Además, la tasa promedio de desnutrición
lesotense nuevamente no fue significativa, lo que dificulta otra vez la interpretación de
su estimado. Sin embargo, por el momento se asumirá que el valor obtenido para la
tasa promedio de desnutrición del país de Lesoto fue efectivamente el correcto, con lo
que la tasa de este país se sigue manteniendo muy por debajo del promedio de la
región durante el periodo 1995-2014 (30.86%).
Por otro lado, se puede observar que nuevamente todos los demás países de la región
sufrieron incrementos en su tasa de desnutrición. Y además, todas estas variaciones
relativas (la de Camerún, Kenia, Mozambique, Malaui, Ruanda, Suazilandia, Tanzania,
Uganda y Zambia) fueron significativas al 5% (casi todas siendo significativas incluso
al 1%).
Sobre estos países que sufrieron incrementos significativos en su tasa de desnutrición
respecto al nivel de la tasa lesotense, la de Ruanda sigue siendo la mayor ya que su
tasa promedio de desnutrición se incrementó en 2.19% para el periodo 1995-2014
(reflejando que el parámetro estaba sobrevaluado ya que presentaba un valor mayor
en el modelo inicial), seguidos por Tanzania, Zambia, Kenia y Uganda, cuyas tasas se
incrementaron en 1.62%, 1.40%, 1.27% y 1.04% (reflejando que estos cuatro
parámetros estaban sobrevaluados ya que presentaban un valor mayor en la
estimación del modelo inicial). Finalmente, estos resultados nuevamente demuestran
que la mayoría de los países de esta región han sufrido incrementos considerables
(por encima del 1%) en el porcentaje de sus pobladores con problemas de
desnutrición (leves o severos) entre los años 1995 y 2014, por lo que se reitera el
hecho anteriormente destacado: Los gobiernos de estos países africanos no han
logrado avanzar en su lucha contra la erradicación total de la desnutrición y, más bien,
191
requieren un cambio de políticas que detengan el incremento de la tasa de prevalencia
de la desnutrición en sus pueblos.
Ahora, se procede con la verificación de la normalidad de la serie de errores de este
modelo corregido ( ), la cual será denotada como . Por ello, la verificación en
su contraparte muestral (la serie de los residuales ) realizada con el test de
Normalidad de Jarque-Bera presenta los siguientes resultados:
Cuadro 59: Verificación de la normalidad de errores en el modelo EFM1 para el subcontinente de África
del Sur, Oriente y Central
Residuales Valor del Conclusión
6.2484**
La serie de los residuales sí sigue una distribución normal
con media igual a cero y varianza constante. Es decir, sí
es ruido blanco y también se distribuye normalmente a lo
largo de todos los países del subcontinente.
Nota: * Denota significancia al 5%. ** Denota significancia al 1%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que la hipótesis nula del test (la serie de los
residuales sigue una distribución normal con media cero y varianza constante) no es
rechazada al nivel de significancia de 0.01, por lo que se concluye que los residuales
del modelo de efectos fijos corregido ( ) sí siguen una distribución normal y, en
consecuencia, los errores del modelo (su contraparte poblacional) también siguen una
distribución normal. Lo anterior confirma el hecho de que sí es posible obtener una
inferencia estadística verídica de las estimaciones de dicho modelo, por lo que se
debe considerar este como el modelo de efectos fijos totalmente corregido para
proceder con la estimación del modelo de efectos aleatorios de este subcontinente
bajo análisis.
Habiendo obtenido los verdaderos determinantes de la tasa de prevalencia de la
desnutrición para este subcontinente bajo el modelo de efectos fijos (ver modelo
), se procede a considerar únicamente los cuatro determinantes que fueron
significativos en dicho modelo (tanto de manera individual como global) para estimar el
modelo de efectos aleatorios de este subcontinente, cuyos resultados fueron los
siguientes:
192
Cuadro 60: Estimación del Modelo de Efectos Aleatorios inicial para el subcontinente de África del Sur,
Oriente y Central
Variable Coeficientes estimados ( , )
1.90*
0.28*
0.18*
1.06*
-1.01*
Medidas de Diagnóstico, Estadísticos Valor
0.4969
48.1430*
0.4517
Nota: * Denota significancia al 1%. ** Denota significancia al 5%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que el modelo de efectos aleatorios inicial para
este subcontinente presenta un ajuste bastante bajo (a saber, 48.14% de las
variaciones porcentuales promedio de la tasa de prevalencia de la desnutrición de
África del Sur, Oriente y Central, en el periodo 1995-2014, fueron explicadas por los
cuatro determinantes considerados). Por otro lado, el valor del estadístico F no es tan
alto como en el obtenido en el modelo de efectos fijos; sin embargo, sí es significativo
al 1%.
Respecto a la significancia individual de estos determinantes de la tasa de prevalencia
de la desnutrición para este subcontinente, todos fueron significativos al 1%. Por lo
tanto, se podría inferir que los cuatro determinantes considerados efectivamente son
los verdaderos determinantes de la tasa de prevalencia de la desnutrición en esta
región africana. Sin embargo, como se verá más adelante, la confirmación de esta
sospecha se resolverá con el resultado del test de Hausman que permitirá saber qué
193
tipo de modelo (si el de efectos fijos o el de efectos aleatorios) es el que debe ser
considerado como modelo final de este subcontinente analizado.
Sobre la interpretación de estos determinantes, solo uno de ellos (el gasto en salud
per cápita) presenta en su estimado un signo erróneo de acuerdo a la especificación
del modelo hecho anteriormente. Esto quiere decir que, ante el aumento de 1% en el
promedio de gasto que realizan los gobiernos de los países de África del Sur, Oriente
y Central para el cuidado de la salud de sus habitantes, se generó un aumento de
0.18% en el porcentaje de su población con problemas leves o severos de desnutrición
en el periodo 1995-2014 (ceteris paribus), lo cual no tiene sentido económico. Sin
embargo, como en el análisis del modelo de efectos fijos, todavía no es apropiado
realizar un análisis más detallado al respecto, debido a que este modelo no se le ha
verificado el cumplimiento de los supuestos del modelo clásico de regresión lineal y,
en consecuencia, no es el modelo final para el subcontinente bajo análisis.
Los otros tres determinantes sí tuvieron los signos correctos de acuerdo a la
especificación del modelo hecho con anterioridad. Esto quiere decir que, ante el
aumento de 1% en la tasa de desempleo promedio de esta región africana, hubo un
incremento de 0.28% en el porcentaje de su población con problemas leves o severos
de desnutrición en el periodo 1995-2014 (ceteris paribus). Como en el caso de la
estimación del modelo de efectos fijos, este determinante presenta un impacto muy
pequeño, lo cual haría suponer que el impacto de la tasa de desempleo no habría sido
crucial en las grandes variaciones de la tasa de prevalencia de la desnutrición de esta
región de África.
Por otro lado, el aumento de 1% en el promedio de nacimientos por mujer de los
países de África del Sur, Oriente y Central incrementó en 1.06% la tasa de prevalencia
de la desnutrición de dicho subcontinente entre los años 1995 y 2014 (manteniendo
constantes los impactos de los demás determinantes). Esto demuestra que el impacto
de familias más numerosas en estas naciones africanas fue mayor bajo el modelo de
efectos aleatorios que bajo el modelo de efectos fijos. Y además, este impacto fue el
mayor de todos los determinantes considerados en el modelo, por lo que se infiere que
el número de hijos por mujer sí habría sido crucial en las grandes variaciones de la
tasa de prevalencia de la desnutrición para este subcontinente, durante el periodo de
años de estudio.
Finalmente, la interpretación del último determinante es de la siguiente manera: Ante
el incremento de 1% en el promedio de años de escolaridad de esta región africana, la
tasa de prevalencia de la desnutrición de la región se redujo en 1.01% durante el
194
periodo de años considerado (ceteris paribus). Nuevamente, el resultado anterior
reitera la relevancia del desarrollo educativo para la disminución del número de
personas con problemas de desnutrición, como también se dedujo de los resultados
del modelo de efectos fijos.
Sobre la interpretación del intercepto (el cual también es significativo de manera
individual al 1%), este refleja que, en promedio, 1.90% de la población total de África
del Sur, Oriente y Central ha padecido problemas leves o severos de desnutrición
entre los años 1995 y 2014, lo cual no es un resultado totalmente plausible.
Finalmente, este modelo de efectos aleatorios inicial presenta un valor del estadístico
de Durbin-Watson igual a 0.4517, lo cual (sin hacer muchos cálculos) indicaría la
existencia de autocorrelación positiva de primer orden en el modelo. Sin embargo,
como ya se mencionó en el análisis del modelo de efectos fijos, se obvia el presente
resultado y se asume que el modelo de efectos aleatorios para África del Sur, Oriente
y Central tampoco presenta problemas de autocorrelación.
Habiendo realizado el análisis de la estimación del modelo de efectos aleatorios inicial,
se procede con la verificación del supuesto del MCRLN referido a la normalidad de la
serie de errores . Por ello, la verificación en su contraparte muestral (la serie de los
residuales ) se realizó a través del test de Normalidad de Jarque-Bera, cuyos
resultados se presentan en el siguiente cuadro:
Cuadro 61: Verificación de la normalidad de errores en el modelo de efectos aleatorios inicial para el
subcontinente de África del Sur, Oriente y Central
Residuales Valor del Conclusión
8.2450**
La serie de los residuales sí sigue una distribución normal
con media igual a cero y varianza constante. Es decir, sí es
ruido blanco y también se distribuye normalmente a lo largo
de todos los países del subcontinente.
Nota: * Denota significancia al 5%. ** Denota significancia al 1%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
195
Del cuadro anterior se puede observar que la hipótesis nula del test (la serie de los
residuales sigue una distribución normal con media cero y varianza constante) no es
rechazada al nivel de significancia de 0.01, por lo que se concluye que los residuales
del modelo de efectos aleatorios sí siguen una distribución normal y, en consecuencia,
los errores del modelo (su contraparte poblacional) también siguen una distribución
normal. Esto conlleva a que sea posible obtener una inferencia estadística verídica de
las estimaciones del modelo de efectos aleatorios anterior, por lo que se puede
proceder con el análisis del test de Hausman a este modelo.
Como se dijo en el párrafo anterior, habiendo confirmado que se cumple el supuesto
de normalidad de los errores en el modelo de efectos aleatorios inicial, se puede
aplicar el test de Hausman a este modelo para así verificar si el efecto no observado
no está correlacionado con los cuatro determinantes considerados en el modelo
(con lo que el modelo de efectos aleatorios inicial sería confirmado como el modelo
más adecuado para la relación de investigación propuesta en este subcontinente) o,
caso contrario, que la correlación entre estas variables observadas y no observadas
sea estadísticamente diferente de cero (con lo que el modelo de efectos fijos
totalmente corregido, , sería confirmado como el modelo más adecuado para la
relación de investigación planteada).
Entonces, los resultados del test de Hausman son los siguientes:
Cuadro 62: Resultados del Test de Hausman para el subcontinente de África del Sur, Oriente y Central
Hipótesis nula
Estadístico
Chi-cuadrado
( )
Conclusión
Los cuatro determinantes de la tasa de
prevalencia de la desnutrición para este
subcontinente ( , , y ) no
están correlacionados con el efecto no
observado . Es decir, el modelo de
efectos aleatorios inicial es más adecuado
que el modelo de efectos fijos para la
14.3914*
Se rechaza la hipótesis nula. Por lo tanto,
al menos uno de los cuatro
determinantes considerados para la tasa
de prevalencia de la desnutrición en este
subcontinente ( , , o )
están correlacionados con el efecto no
observado . Por ello, el modelo de
196
estimación de los determinantes de la tasa
de prevalencia de la desnutrición en este
subcontinente.
efectos fijos es el más adecuado
para estimar estos determinantes.
Nota: * Denota significancia al 1%. ** Denota significancia al 5%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede concluir que el modelo de efectos fijos totalmente
corregido (el modelo ) es efectivamente el más adecuado para estimar la
relación de investigación planteada en este trabajo y, por ello, este modelo ha
estimado los verdaderos determinantes de la tasa de prevalencia de la desnutrición
para el subcontinente de África del Sur, Oriente y Central. Sin embargo, un paso final
para confirmar por completo el enunciado anterior es el verificar si cada uno de los
efectos fijos del modelo (es decir, si la tasa promedio de prevalencia de
desnutrición de Lesoto y si los incrementos del nivel de desnutrición de los otros
países africanos respecto al nivel de la tasa de desnutrición lesotense efectivamente
fueron estadísticamente diferentes de cero –de manera grupal– para el periodo 1995-
2014). Esto quiere decir que se va a verificar si el poder explicativo conjunto de estos
efectos fijos es efectivamente significativo o no.
Esta verificación se realiza a través del test de coeficientes restringidos de Wald,
donde se verificará las siguientes restricciones: Si el parámetro y si los
parámetros para todo . En caso estos parámetros fuesen
estadísticamente iguales a cero, el modelo no será el más adecuado para
analizar el modelo de determinantes de la tasa de prevalencia de la desnutrición en
este subcontinente y se deberá estimar dicha relación de investigación bajo el modelo
agrupado o “pooled”.
Cabe indicar que si el software EViews 9 no permite (por razones técnicas) realizar el
test para verificar la significancia grupal de los efectos fijos estimados, una alternativa
es verificar la significancia individual de cada efecto fijo, teniendo como objetivo que
todos los efectos fijos sean estadísticamente significativos de manera individual en el
modelo de efectos fijos totalmente corregido (modelo ). En el caso particular de
este subcontinente, sí se pudo realizar el test de Wald para verificar la significancia
grupal de los efectos fijos estimados en dicho modelo.
197
Entonces, los resultados de la verificación de la significancia grupal de los efectos fijos
estimados en el modelo se presentan en el siguiente cuadro.
Cuadro 63: Verificación de la significancia grupal de los efectos fijos estimados en el modelo EFM1 para
el subcontinente de África del Sur, Oriente y Central
Restricción al
Parámetro del Efecto
Fijo
Estadístico
F Conclusión
(intercepto):
:
:
:
:
:
:
:
:
:
87.93*
Los efectos fijos atribuidos a los países de Lesoto, Camerún,
Kenia, Mozambique, Malaui, Ruanda, Suazilandia, Tanzania,
Uganda y Zambia son estadísticamente diferentes de cero de
manera conjunta.
Por lo tanto, la tasa promedio de prevalencia de desnutrición
lesotense y las variaciones relativas de las tasas de los
demás países de esta región africana respecto al valor de la
tasa de desnutrición lesotense sí aportaron poder explicativo
(de manera conjunta) al modelo .
Nota: * Denota significancia al 1%. ** Denota significancia al 5%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede comprobar que los efectos fijos estimados en el modelo
son efectivamente significativos de manera conjunta y generan un verdadero
aporte en poder explicativo al modelo. Por lo tanto, esto sí confirma que el modelo de
efectos fijos es el “Modelo Final” que permite estimar la relación de
investigación propuesta en el presente trabajo para el subcontinente de África del Sur,
Oriente y Central. En consecuencia, los cuatro determinantes significativos
encontrados en este modelo (la tasa de desempleo, el gasto en salud per cápita, el
número de hijos por mujer y los años promedio de escolaridad) serán considerados
como los verdaderos determinantes de la tasa de prevalencia de la desnutrición para
este subcontinente
5.11.5 Resultados para el subcontinente de Asia
198
Primeramente, los resultados del modelo de efectos fijos MCO con variables dummy
para este subcontinente se aprecian en el siguiente cuadro.
Cuadro 64: Estimación del Modelo de Efectos Fijos inicial para el subcontinente de Asia
Del cuadro anterior se puede observar que el modelo de efectos fijos inicial para este
subcontinente presenta un ajuste bastante alto (a saber, 89.91% de las variaciones
porcentuales promedio de la tasa de prevalencia de la desnutrición de Asia, en el
periodo 1995-2014, fueron explicadas por los determinantes considerados en el
presente trabajo). Y esto también es reflejado en el alto valor del estadístico F, el cual
es significativo al 1%. Sin embargo, la significancia individual de los determinantes
199
propuestos para la tasa de prevalencia de la desnutrición en este subcontinente fue
bastante pobre ya que solo 3 de los 7 determinantes propuestos (el ingreso nacional
bruto per cápita, el número de hijos por mujer y la tasa de mejoras en las instalaciones
sanitarias) fueron significativos al 5% inclusive. Por lo tanto, se podría inferir que la
tasa de desempleo, el gasto en salud per cápita, la tasa de acceso al agua potable y
los años promedio de escolaridad no serían verdaderos determinantes de la tasa de
prevalencia de la desnutrición en este subcontinente.
Sobre la interpretación de los determinantes de la tasa de prevalencia de la
desnutrición que sí fueron significativos individualmente, ninguno de ellos presenta en
su estimado un signo erróneo de acuerdo a la especificación del modelo hecho en
subsecciones anteriores. Esto quiere decir que, ante el incremento de 1% en el
promedio de ingreso nacional bruto que genera cada habitante de Asia, se generó una
reducción de 0.43% en la tasa de prevalencia de la desnutrición de dicho
subcontinente entre los años 1995 y 2014 (ceteris paribus). A pesar que este
determinante ha tenido un impacto significativo en la reducción de la tasa de
prevalencia de la desnutrición asiática, su impacto ha sido pequeño. Por ello, el
impacto del ingreso nacional bruto per cápita podría no haber sido crucial en las
grandes variaciones de la tasa de desnutrición de este subcontinente.
Por otro lado, el aumento de 1% en el promedio de nacimientos por mujer de los
países de Asia incrementó en 0.59% la tasa de prevalencia de la desnutrición de dicho
subcontinente entre los años 1995 y 2014 (manteniendo constantes los impactos de
los demás determinantes). Como en el caso del ingreso nacional bruto per cápita, este
determinante también presenta un impacto con valor pequeño. Por lo tanto, el impacto
generado por el número de hijos por mujer tampoco habría sido crucial en las grandes
variaciones de la tasa de prevalencia de la desnutrición para este subcontinente.
Y la interpretación del último determinante significativo es de la siguiente manera: Ante
el aumento de 1% en la proporción del sector urbano de la población asiática con
acceso a instalaciones sanitarias, la tasa de prevalencia de la desnutrición de dicho
subcontinente se redujo 0.91% entre los años 1995 y 2014 (ceteris paribus). El
resultado anterior demuestra que la tasa de mejoras en el sistema sanitario generó la
mayor reducción del número de pacientes con problemas de desnutrición (leves y
severos) en este subcontinente. Sin embargo, su impacto sigue siendo bastante
pequeño (menor al 1%) y, por ende, también podría ser el caso que este determinante
tampoco haya sido crucial en las grandes variaciones de la tasa de desnutrición
asiática. En todo caso, todavía no es apropiado realizar un mayor análisis al respecto,
debido a que este modelo no se le ha verificado el cumplimiento de los supuestos del
200
modelo clásico de regresión lineal y, en consecuencia, no es el modelo final para el
subcontinente bajo análisis.
En lo que respecta a la presencia de autocorrelación en el modelo de efectos fijos
inicial, este modelo presenta un valor del estadístico de Durbin-Watson igual a 0.1172,
lo cual (sin hacer muchos cálculos) indicaría la existencia de autocorrelación positiva
de primer orden en el modelo. Como ya se dijo anteriormente, se obvia el presente
resultado y se asume que el modelo de efectos fijos para Asia no presenta problemas
de autocorrelación.
Ahora, en lo que respecta a los efectos fijos introducidos en el modelo a través de las
variables dummy que representan a cada país de este subcontinente, se puede
concluir que durante el periodo 1995-2014 la tasa promedio de prevalencia de la
desnutrición turca fue de 4.99%, muy por debajo del promedio de la región durante el
periodo 1995-2014 (18.73%). Ante esto, se puede observar que cuatro de los demás
países de la región (India, Kazajistán, Kirguistán y Nepal) lograron reducir su tasa de
prevalencia de la desnutrición nacional respecto al valor de la tasa turca, mientras que
los diez países restantes sufrieron incrementos en su tasa de desnutrición. Y respecto
a la significancia de estas 14 variaciones relativas, solo 8 de estas (la de Armenia,
Kazajistán, Sri Lanka, Mongolia, Nepal, Tailandia, Tayikistán y Vietnam) fueron
significativas al 5%.
Sobre los países que sufrieron incrementos significativos en su tasa de prevalencia de
la desnutrición respecto al nivel de la tasa turca, la de Mongolia fue la mayor ya que su
tasa promedio de desnutrición se incrementó en 1.16% para el periodo 1995-2014,
seguida por Sri Lanka, Tailandia y Tayikistán, cuyas tasas se incrementaron en 1.09%,
0.87% y 0.81%. Por otro lado, sobre los países que lograron reducciones significativas
en su tasa de prevalencia de la desnutrición respecto al nivel de la tasa turca, la de
Nepal fue la mayor ya que su tasa promedio de desnutrición se redujo en 0.64% para
el periodo 1995-2014, seguida por Kazajistán, cuya tasa se redujo en 0.28%. Esto
refleja que, de la misma forma que ocurrió en África del Norte y Occidental, este
subcontinente también presenta dos realidades muy distintas: Algunos países
asiáticos están avanzando en su lucha contra la erradicación de la desnutrición (leve y
severa) en sus pueblos, mientras que otros han retrocedido en esta batalla y han
sufrido considerables incrementos en los niveles de desnutrición de sus pobladores.
El siguiente paso en el análisis econométrico del modelo de efectos fijos para este
subcontinente es la verificación del supuesto del MCRLN referido a la normalidad de la
serie de errores . Por ello, la verificación en su contraparte muestral (la serie de los
201
residuales ) se realizó a través del test de Normalidad de Jarque-Bera, cuyos
resultados se presentan en el siguiente cuadro.
Cuadro 65: Verificación de la normalidad de errores en el modelo de efectos fijos inicial para el
subcontinente de Asia
Residuales Valor del Conclusión
2.2621*
La serie de los residuales sí sigue una distribución normal
con media igual a cero y varianza constante. Es decir, sí es
ruido blanco y también se distribuye normalmente a lo largo
de todos los países del subcontinente.
Nota: * Denota significancia al 5%. ** Denota significancia al 1%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que la hipótesis nula del test (la serie de los
residuales sigue una distribución normal con media cero y varianza constante) no es
rechazada para ninguno de los niveles de significancia propuestos, por lo que se
concluye que los residuales del modelo de efectos fijos inicial sí siguen una
distribución normal y, en consecuencia, los errores del modelo (su contraparte
poblacional) también siguen una distribución normal. Esto conlleva a que sí es posible
obtener una inferencia estadística verídica de las estimaciones del modelo de efectos
fijos anterior, por lo que se debe proceder con la evaluación de la existencia de
variables redundantes en el modelo.
Por ello, en los siguientes tres cuadros se presenta el resumen de resultados del test
de variables redundantes en el modelo de efectos fijos inicial para todos aquellos
determinantes de la tasa de prevalencia de la desnutrición que no hayan podido ser
significativos individualmente al 5% (que como ya vimos en la estimación de dicho
modelo, estos fueron la tasa de desempleo, el gasto en salud per cápita, la tasa de
acceso al agua potable, la tasa de mejoras en las instalaciones sanitarias y los años
promedio de escolaridad).
Cabe mencionar que dentro del grupo de posibles variables redundantes se incluyó a
la tasa de mejoras en las instalaciones sanitarias debido a que el p-valor de su
parámetro estimado está muy cerca al nivel de 0.05 (es igual a 0.499). Entonces, al
existir la posibilidad de que esta variable no sea realmente significativa de manera
202
individual, es mejor considerarla como una candidata a variable redundante ya que así
se podrá definir si esta variable (junto a los otras anteriormente mencionadas) son
verdaderos determinantes de la tasa de prevalencia de la desnutrición o, en caso
contrario, deban ser excluidos del modelo de efectos fijos inicial.
Cuadro 66: Verificación de la correcta especificación del Modelo de Efectos Fijos inicial mediante el Test
de Variables Redundantes – Parte 1
N°
Variable(s)
redundante(s)
para el
modelo
Estadístico
F
Valor del SIC**
del modelo
auxiliar del test
Conclusión
1 0.146466 0.153322
El Gasto en Salud per Cápita es una
variable redundante y su aporte en poder
explicativo al modelo inicial no es
significativo.
2 0.164320 0.153386
La Tasa de Desempleo es una variable
redundante y su aporte en poder
explicativo al modelo inicial no es
significativo.
3 0.573552 0.154856
Los Años Promedio de Escolaridad son
una variable redundante y su aporte en
poder explicativo al modelo inicial no es
significativo.
4 2.451149 0.161574
La Tasa de Acceso al Agua Potable es
una variable redundante y su aporte en
poder explicativo al modelo inicial no es
significativo.
5 3.853589* 0.171082
La Tasa de Mejoras en las Instalaciones
Sanitarias no es una variable redundante
y su aporte en poder explicativo al
modelo inicial sí es significativo.
203
6
0.145970 0.134832
El Gasto en Salud per Cápita y la Tasa de
Desempleo son variables redundantes y
su aporte conjunto en poder explicativo al
modelo inicial no es significativo.
7
0.461709 0.137099
El Gasto en Salud per Cápita y los Años
Promedio de Escolaridad son variables
redundantes y su aporte conjunto en
poder explicativo al modelo inicial no es
significativo.
8
1.659977 0.145654
El Gasto en Salud per Cápita y la Tasa de
Acceso al Agua Potable son variables
redundantes y su aporte conjunto en
poder explicativo al modelo inicial no es
significativo.
9
1.265309 0.157003
El Gasto en Salud per Cápita y la Tasa de
Mejoras en las Instalaciones Sanitarias
son variables redundantes y su aporte
conjunto en poder explicativo al modelo
inicial no es significativo.
10
0.334407 0.136186
La Tasa de Desempleo y los Años
Promedio de Escolaridad son variables
redundantes y su aporte conjunto en
poder explicativo al modelo inicial no es
significativo.
11
1.354939 0.143483
La Tasa de Desempleo y la Tasa de
Acceso al Agua Potable son variables
redundantes y su aporte conjunto en
poder explicativo al modelo inicial no es
significativo.
Nota: * Denota significancia al 5%. ** Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
204
Cuadro 67: Verificación de la correcta especificación del Modelo de Efectos Fijos inicial mediante el Test
de Variables Redundantes – Parte 2
N°
Variable(s)
redundante(s)
para el
modelo
Estadístico
F
Valor del SIC**
del modelo
auxiliar del
test
Conclusión
12
2.578876 0.152166
La Tasa de Desempleo y la Tasa de
Mejoras en las Instalaciones Sanitarias
son variables redundantes y su aporte
conjunto en poder explicativo al modelo
inicial no es significativo.
13
1.523574 0.144684
Los Años Promedio de Escolaridad y la
Tasa de Acceso al Agua Potable son
variables redundantes y su aporte
conjunto en poder explicativo al modelo
inicial no es significativo.
14
2.661974 0.152753
Los Años Promedio de Escolaridad y la
Tasa de Mejoras en las Instalaciones
Sanitarias son variables redundantes y su
aporte conjunto en poder explicativo al
modelo inicial no es significativo.
15
2.734774 0.153266
La Tasa de Acceso al Agua Potable y la
Tasa de Mejoras en las Instalaciones
Sanitarias son variables redundantes y su
aporte conjunto en poder explicativo al
modelo inicial no es significativo.
16
0.328605 0.118310
El Gasto en Salud per Cápita, la Tasa de
Desempleo y los Años Promedio de
Escolaridad son variables redundantes y
su aporte conjunto en poder explicativo al
modelo inicial no es significativo.
205
17
1.481427 0.130630
El Gasto en Salud per Cápita, los Años
Promedio de Escolaridad y la Tasa de
Acceso al Agua Potable son variables
redundantes y su aporte conjunto en
poder explicativo al modelo inicial no es
significativo.
18
2.251747 0.138779
El Gasto en Salud per Cápita, la Tasa de
Acceso al Agua Potable y la Tasa de
Mejoras en las Instalaciones Sanitarias
son variables redundantes y su aporte
conjunto en poder explicativo al modelo
inicial no es significativo.
19
2.219619 0.138440
El Gasto en Salud per Cápita, la Tasa de
Desempleo y la Tasa de Mejoras en las
Instalaciones Sanitarias son variables
redundantes y su aporte conjunto en
poder explicativo al modelo inicial no es
significativo.
20
1.179026 0.127413
El Gasto en Salud per Cápita, la Tasa de
Desempleo y la Tasa de Acceso al Agua
Potable son variables redundantes y su
aporte conjunto en poder explicativo al
modelo inicial no es significativo.
21
2.347609 0.139788
El Gasto en Salud per Cápita, los Años
Promedio de Escolaridad y la Tasa de
Mejoras en las Instalaciones Sanitarias
son variables redundantes y su aporte
conjunto en poder explicativo al modelo
inicial no es significativo.
Nota: * Denota significancia al 5%. ** Criterio de Información de Schwarz (SIC, por sus siglas en
inglés).
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia
en EViews 9
206
Cuadro 68: Verificación de la correcta especificación del Modelo de Efectos Fijos inicial mediante el Test
de Variables Redundantes – Parte 3
N°
Variable(s)
redundante(s)
para el modelo
Estadístico
F
Valor del
SIC** del
modelo
auxiliar del
test
Conclusión
22
1.072059 0.126273
La Tasa de Desempleo, los Años Promedio de
Escolaridad y la Tasa de Acceso al Agua
Potable son variables redundantes y su aporte
conjunto en poder explicativo al modelo inicial
no es significativo.
23
1.789368 0.133896
La Tasa de Desempleo, los Años Promedio de
Escolaridad y la Tasa de Mejoras en las
Instalaciones Sanitarias son variables
redundantes y su aporte conjunto en poder
explicativo al modelo inicial no es significativo.
24
1.919557 0.135273
La Tasa de Desempleo, la Tasa de Acceso al
Agua Potable y la Tasa de Mejoras en las
Instalaciones Sanitarias son variables
redundantes y su aporte conjunto en poder
explicativo al modelo inicial no es significativo.
25
1.855734 0.134598
Los Años Promedio de Escolaridad, la Tasa
de Acceso al Agua Potable y la Tasa de
Mejoras en las Instalaciones Sanitarias son
variables redundantes y su aporte conjunto en
poder explicativo al modelo inicial no es
significativo.
26
1.135335 0.111961
El Gasto en Salud per Cápita, la Tasa de
Desempleo, los Años Promedio de
Escolaridad y la Tasa de Acceso al Agua
Potable son variables redundantes y su aporte
conjunto en poder explicativo al modelo inicial
no es significativo.
27
1.462191 0.116578
La Tasa de Desempleo, los Años Promedio de
Escolaridad, la Tasa de Acceso al Agua
Potable y la Tasa de Mejoras en las
Instalaciones Sanitarias son variables
redundantes y su aporte conjunto en poder
explicativo al modelo inicial no es significativo.
207
28
1.782791 0.121086
El Gasto en Salud per Cápita, los Años
Promedio de Escolaridad, la Tasa de Acceso
al Agua Potable y la Tasa de Mejoras en las
Instalaciones Sanitarias son variables
redundantes y su aporte conjunto en poder
explicativo al modelo inicial no es significativo.
29
1.808311 0.121444
El Gasto en Salud per Cápita, la Tasa de
Desempleo, la Tasa de Acceso al Agua
Potable y la Tasa de Mejoras en las
Instalaciones Sanitarias son variables
redundantes y su aporte conjunto en poder
explicativo al modelo inicial no es significativo.
30
1.814232 0.121527
El Gasto en Salud per Cápita, la Tasa de
Desempleo, los Años Promedio de
Escolaridad y la Tasa de Mejoras en las
Instalaciones Sanitarias son variables
redundantes y su aporte conjunto en poder
explicativo al modelo inicial no es significativo.
31
1.523482 0.103777
El Gasto en Salud per Cápita, la Tasa de
Desempleo, los Años Promedio de
Escolaridad, la Tasa de Acceso al Agua
Potable y la Tasa de Mejoras en las
Instalaciones Sanitarias son variables
redundantes y su aporte conjunto en poder
explicativo al modelo inicial no es significativo.
Nota: * Denota significancia al 5%. ** Criterio de Información de Schwarz (SIC, por sus siglas en
inglés).
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
De los cuadros anteriores se puede observar que los cinco determinantes
considerados como variables redundantes del modelo de efectos fijos inicial – El gasto
en salud per cápita, la tasa de desempleo, los años promedio de escolaridad, la tasa
de acceso al agua potable y la tasa de mejoras en las instalaciones sanitarias –
efectivamente son redundantes para el modelo porque no presentan un aporte
individual ni conjunto en poder explicativo que sea estadísticamente significativo, por lo
que estas cinco variables deben ser excluidas del modelo inicial y no pueden ser
considerados como verdaderos determinantes de la tasa de prevalencia de la
desnutrición para este subcontinente.
208
Un apunte interesante es que al sacar estas cinco variables del modelo inicial, se
obtiene un nuevo modelo de efectos fijos corregido (el cual se denotará como
por ser el modelo con la primera corrección de determinantes de la tasa de prevalencia
de la desnutrición) y este nuevo modelo presenta el menor valor del criterio de
información de Schwarz (el valor más negativo), reflejando que efectivamente el
modelo de investigación estimado para este subcontinente tiene una mejor
especificación al excluir estas cinco variables redundantes. Por lo tanto, el modelo
corregido es el modelo mejor especificado de acuerdo al Test de Variables
Redundantes.
Ahora, el siguiente paso es estimar este modelo corregido , cuyos resultados se
aprecian en el siguiente cuadro.
Cuadro 69: Estimación del Modelo de Efectos Fijos corregido (modelo EFM1) para el subcontinente de
Asia
209
Del cuadro anterior se puede observar que el modelo de efectos fijos corregido ( )
presenta también un ajuste bastante alto (a saber, 89.63% de las variaciones
porcentuales promedio de la tasa de prevalencia de la desnutrición de Asia, en el
periodo 1995-2014, fueron explicadas por los dos determinantes considerados). Y esto
también es reflejado en el alto valor del estadístico F, el cual es mayor al que se
obtuvo en la estimación del modelo inicial y sigue siendo significativo al 1%.
Para este modelo corregido , los dos determinantes fueron significativos
individualmente al 1%. Por lo tanto, se podría inferir que efectivamente estos serían los
verdaderos determinantes de la tasa de prevalencia de la desnutrición para este
subcontinente.
Sobre la interpretación de estos determinantes, nuevamente ninguno de ellos presenta
en su estimado un signo erróneo de acuerdo a la especificación del modelo hecho
anteriormente. Esto quiere decir que, ante el incremento de 1% en el promedio de
ingreso nacional bruto que genera cada habitante de Asia, se generó una reducción de
0.36% en la tasa de prevalencia de la desnutrición de dicho subcontinente entre los
años 1995 y 2014 (ceteris paribus), lo cual refleja que el parámetro estaba
sobrevaluado ya que presentaba un mayor valor en el modelo inicial. Como en el caso
del modelo de efectos fijos inicial, este determinante presenta un impacto bastante
pequeño, por lo que esto nuevamente hace pensar que el ingreso nacional bruto per
cápita no habría tenido un impacto crucial en las grandes variaciones de la tasa de
desnutrición de este subcontinente.
Por otro lado, el aumento de 1% en el promedio de nacimientos por mujer de los
países de Asia incrementó ahora en 0.63% la tasa de prevalencia de la desnutrición de
dicho subcontinente entre los años 1995 y 2014 (ceteris paribus), lo cual refleja que
este parámetro estaba subvaluado ya que presentaba un menor valor en la estimación
del modelo inicial. De manera similar a lo ocurrido con el ingreso nacional bruto per
cápita, y a pesar que este determinante ha incrementado el valor de su impacto, este
aún es pequeño. Por dicha razón, el impacto generado por el número de hijos por
mujer tampoco habría sido crucial en las grandes variaciones de la tasa de prevalencia
de la desnutrición para este subcontinente. Sin embargo, como ya se mencionó en el
análisis del modelo de efectos fijos inicial, todavía no es apropiado realizar un mayor
análisis al respecto, debido a que este modelo no se le ha verificado el cumplimiento
de los supuestos del modelo clásico de regresión lineal y, en consecuencia, no es el
modelo final para el subcontinente bajo análisis.
210
En lo que respecta a la presencia de autocorrelación en el modelo de efectos fijos
corregido ( , este modelo presenta un valor del estadístico de Durbin-Watson
igual a 0.1097, lo cual (sin hacer muchos cálculos) indicaría la existencia de
autocorrelación positiva de primer orden en el modelo. Como ya se dijo anteriormente,
se obvia el presente resultado y se asume que el modelo de efectos fijos para Asia no
presenta problemas de autocorrelación.
Ahora, en lo que respecta a los efectos fijos introducidos en este modelo , se
puede concluir que durante el periodo 1995-2014 la tasa promedio de prevalencia de
la desnutrición turca fue ahora igual a 4.21%, manteniéndose muy por debajo del
promedio de la región durante el periodo 1995-2014 (18.73%) pero reflejando que el
parámetro estaba sobrevaluado (ya que presentaba un valor mayor en el modelo
inicial). A diferencia de los resultados obtenidos en el modelo inicial, se puede
observar que ahora tres de los demás países de la región (Kazajistán, Kirguistán y
Nepal) lograron reducir su tasa de prevalencia de la desnutrición nacional respecto al
valor de la tasa turca, mientras que los once países restantes sufrieron incrementos en
su tasa de desnutrición. Y respecto a la significancia de estas 14 variaciones relativas,
la gran mayoría de estas (excepto por la de Nepal) fueron significativas al 5%.
Sobre los países que sufrieron incrementos significativos en su tasa de prevalencia de
la desnutrición respecto al nivel de la tasa turca, la de Mongolia sigue siendo la mayor
ya que su tasa promedio de desnutrición se incrementó ahora en 1.27% para el
periodo 1995-2014 (reflejando que el parámetro estaba subvaluado ya que presentaba
un valor menor en el modelo inicial), seguida por Sri Lanka y Tailandia, cuyas tasas se
incrementaron ahora en 1.24% y 1.02% (reflejando que estos dos parámetros estaban
subvaluados ya que presentaban un valor menor en la estimación del modelo inicial).
Por otro lado, sobre los países que lograron reducciones significativas en su tasa de
prevalencia de la desnutrición respecto al nivel de la tasa turca, esta vez la de
Kirguistán fue la mayor ya que su tasa promedio de desnutrición se redujo en 0.21%
para el periodo 1995-2014, seguida por Kazajistán, cuya tasa se redujo en 0.18%
(reflejando que estos dos parámetros estaban sobrevaluados ya que presentaban un
valor mayor en la estimación del modelo inicial). A pesar que los resultados
nuevamente reflejan que este subcontinente presenta dos realidades muy distintas
(algunos países asiáticos han avanzado en su lucha contra la erradicación de la
desnutrición mientras que otros han sufrido pequeños o considerables incrementos en
sus tasas), la tendencia se ha inclinado hacia una mayor cantidad de países con
incrementos en los niveles de desnutrición de sus poblaciones.
211
Ahora, se procede con la verificación de la normalidad de la serie de errores de este
modelo corregido ( ), la cual será denotada como . Por ello, la verificación en
su contraparte muestral (la serie de los residuales ) realizada con el test de
Normalidad de Jarque-Bera presenta los siguientes resultados:
Cuadro 70: Verificación de la normalidad de errores en el modelo EFM1 para el subcontinente de Asia
Residuales Valor del Conclusión
2.3958*
La serie de los residuales sí sigue una distribución normal
con media igual a cero y varianza constante. Es decir, sí
es ruido blanco y también se distribuye normalmente a lo
largo de todos los países del subcontinente.
Nota: * Denota significancia al 5%. ** Denota significancia al 1%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que la hipótesis nula del test (la serie de los
residuales sigue una distribución normal con media cero y varianza constante) no es
rechazada para ninguno de los niveles de significancia propuestos, por lo que se
concluye que los residuales del modelo de efectos fijos corregido ( ) sí siguen
una distribución normal y, en consecuencia, los errores del modelo (su contraparte
poblacional) también siguen una distribución normal. Lo anterior confirma el hecho de
que sí es posible obtener una inferencia estadística verídica de las estimaciones de
dicho modelo, por lo que se debe considerar este como el modelo de efectos fijos
totalmente corregido para proceder con la estimación del modelo de efectos aleatorios
de este subcontinente bajo análisis.
Habiendo obtenido los verdaderos determinantes de la tasa de prevalencia de la
desnutrición para este subcontinente bajo el modelo de efectos fijos (ver modelo
), se procede a considerar únicamente los dos determinantes que fueron
significativos en dicho modelo (tanto de manera individual como global) para estimar el
modelo de efectos aleatorios de este subcontinente, cuyos resultados fueron los
siguientes:
212
Cuadro 71: Estimación del Modelo de Efectos Aleatorios inicial para el subcontinente de Asia
Variable Coeficientes estimados ( , )
4.71*
-0.36*
0.61*
Medidas de Diagnóstico, Estadísticos Valor
0.5868
210.8791*
0.1041
Nota: * Denota significancia al 1%. ** Denota significancia al 5%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que el modelo de efectos aleatorios inicial para
este subcontinente presenta un ajuste bajo (a saber, 58.68% de las variaciones
porcentuales promedio de la tasa de prevalencia de la desnutrición de Asia, en el
periodo 1995-2014, fueron explicadas por los dos determinantes considerados). Por
otro lado, el valor del estadístico F es mucho más alto que en el obtenido en el modelo
de efectos fijos y lógicamente también es significativo al 1%.
Respecto a la significancia individual de estos determinantes de la tasa de prevalencia
de la desnutrición para este subcontinente, todos fueron significativos al 1%. Por lo
tanto, se podría inferir que los dos determinantes considerados efectivamente son los
verdaderos determinantes de la tasa de prevalencia de la desnutrición para el
subcontinente asiático. Sin embargo, como se verá más adelante, la confirmación de
esta sospecha se resolverá con el resultado del test de Hausman que permitirá saber
qué tipo de modelo (si el de efectos fijos o el de efectos aleatorios) es el que debe ser
considerado como modelo final de este subcontinente analizado.
213
Sobre la interpretación de estos determinantes, ninguno de ellos presenta en su
estimado un signo erróneo de acuerdo a la especificación del modelo hecho
anteriormente. Esto quiere decir que, ante el incremento de 1% en el promedio de
ingreso nacional bruto que genera cada habitante de Asia, se generó una reducción de
0.36% en la tasa de prevalencia de la desnutrición de dicho subcontinente entre los
años 1995 y 2014 (ceteris paribus). Como dato curioso está el hecho que este
porcentaje de reducción en la tasa de prevalencia de la desnutrición (vía el ingreso
nacional bruto per cápita) es el mismo al obtenido en el modelo de efectos fijos
totalmente corregido (modelo ). Sin embargo, también se mantiene el hecho de
que este impacto sigue siendo pequeño. Por ello, nuevamente se reitera la sospecha
de que el impacto del ingreso nacional bruto per cápita no habría sido crucial en las
grandes variaciones de la tasa de desnutrición de este subcontinente.
Por otro lado, el aumento de 1% en el promedio de nacimientos por mujer de los
países de Asia incrementó en 0.61% la tasa de prevalencia de la desnutrición de dicho
subcontinente entre los años 1995 y 2014 (ceteris paribus). De manera similar, el valor
de este impacto es apenas menor al obtenido en la estimación del modelo (el
cual fue igual a 0.63%). Sin embargo, como también se recalca en el caso del
determinante anterior, este sigue presentando un impacto con valor pequeño. Por lo
tanto, se reitera aquí también la sospecha de que el impacto generado por el número
de hijos por mujer tampoco habría sido crucial en las grandes variaciones de la tasa de
prevalencia de la desnutrición para este subcontinente.
Finalmente, aunque se ha hecho la interpretación de los coeficientes de los dos
determinantes considerados en el modelo de efectos aleatorios inicial, todavía no es
apropiado realizar un análisis más detallado al respecto, debido a que este modelo no
se le ha verificado el cumplimiento de los supuestos del modelo clásico de regresión
lineal y, en consecuencia, no es el modelo final para el subcontinente bajo análisis.
Ahora, la interpretación del intercepto (el cual también es significativo de manera
individual al 1%) refleja que, en promedio, 4.21% de la población total de Asia ha
padecido problemas leves o severos de desnutrición entre los años 1995 y 2014, lo
cual es un resultado parcialmente verosímil. Finalmente, este modelo de efectos
aleatorios inicial presenta un valor del estadístico de Durbin-Watson igual a 0.1097, lo
cual (sin hacer muchos cálculos) indicaría la existencia de autocorrelación positiva de
primer orden en el modelo. Sin embargo, como ya se mencionó en el análisis del
modelo de efectos fijos, se obvia el presente resultado y se asume que el modelo de
efectos aleatorios para Asia tampoco presenta problemas de autocorrelación.
214
Habiendo realizado el análisis de la estimación del modelo de efectos aleatorios inicial,
se procede con la verificación del supuesto del MCRLN referido a la normalidad de la
serie de errores . Por ello, la verificación en su contraparte muestral (la serie de los
residuales ) se realizó a través del test de Normalidad de Jarque-Bera, cuyos
resultados se presentan en el siguiente cuadro.
Cuadro 72: Verificación de la normalidad de errores en el modelo de efectos aleatorios inicial para el
subcontinente de Asia
Residuales Valor del Conclusión
8.5153**
La serie de los residuales sí sigue una distribución normal
con media igual a cero y varianza constante. Es decir, sí es
ruido blanco y también se distribuye normalmente a lo largo
de todos los países del subcontinente.
Nota: * Denota significancia al 5%. ** Denota significancia al 1%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede observar que la hipótesis nula del test (la serie de los
residuales sigue una distribución normal con media cero y varianza constante) no es
rechazada al nivel de significancia de 0.01, por lo que se concluye que los residuales
del modelo de efectos aleatorios sí siguen una distribución normal y, en consecuencia,
los errores del modelo (su contraparte poblacional) también siguen una distribución
normal. Esto conlleva a que sea posible obtener una inferencia estadística verídica de
las estimaciones del modelo de efectos aleatorios anterior, por lo que se puede
proceder con el análisis del test de Hausman a este modelo.
Como se dijo en el párrafo anterior, habiendo confirmado que se cumple el supuesto
de normalidad de los errores en el modelo de efectos aleatorios inicial, se puede
aplicar el test de Hausman a este modelo para así verificar si el efecto no observado
no está correlacionado con los dos determinantes considerados en el modelo (con
lo que el modelo de efectos aleatorios inicial sería confirmado como el modelo más
adecuado para la relación de investigación propuesta en este subcontinente) o, caso
contrario, que la correlación entre estas variables observadas y no observadas sea
estadísticamente diferente de cero (con lo que el modelo de efectos fijos totalmente
215
corregido, , sería confirmado como el modelo más adecuado para la relación de
investigación planteada).
Entonces, los resultados del test de Hausman son los siguientes:
Cuadro 73: Resultados del Test de Hausman para el subcontinente de Asia
Hipótesis nula
Estadístico
Chi-cuadrado
( )
Conclusión
Los dos determinantes de la tasa de
prevalencia de la desnutrición para este
subcontinente ( y ) no están
correlacionados con el efecto no observado
. Es decir, el modelo de efectos aleatorios
inicial es más adecuado que el modelo de
efectos fijos para la estimación de los
determinantes de la tasa de prevalencia de
la desnutrición en este subcontinente.
8.1479**
Se rechaza la hipótesis nula. Por lo tanto,
al menos uno de los dos determinantes
considerados para la tasa de prevalencia
de la desnutrición en este subcontinente
( o ) están correlacionados
con el efecto no observado . Por ello,
el modelo de efectos fijos es el
más adecuado para estimar estos
determinantes.
Nota: * Denota significancia al 1%. ** Denota significancia al 5%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede concluir que el modelo de efectos fijos totalmente
corregido (el modelo ) es efectivamente el más adecuado para estimar la
relación de investigación planteada en este trabajo y, por ello, este modelo ha
estimado los verdaderos determinantes de la tasa de prevalencia de la desnutrición
para el subcontinente de Asia. Sin embargo, un paso final para confirmar por completo
el enunciado anterior es el verificar si cada uno de los efectos fijos del modelo
(es decir, si la tasa promedio de prevalencia de desnutrición de Turquía y si los
incrementos o reducciones del nivel de desnutrición de los otros países asiáticos
respecto al nivel de la tasa de desnutrición turca efectivamente fueron
estadísticamente diferentes de cero –de manera grupal– para el periodo 1995-2014).
Esto quiere decir que se va a verificar si el poder explicativo conjunto de estos efectos
fijos es efectivamente significativo o no.
216
Esta verificación se realiza a través del test de coeficientes restringidos de Wald,
donde se verificará las siguientes restricciones: Si el parámetro y si los
parámetros para todo . En caso estos parámetros fuesen
estadísticamente iguales a cero, el modelo no será el más adecuado para
analizar el modelo de determinantes de la tasa de prevalencia de la desnutrición en
este subcontinente y se deberá estimar dicha relación de investigación bajo el modelo
agrupado o “pooled”.
Cabe indicar que si el software EViews 9 no permite (por razones técnicas) realizar el
test para verificar la significancia grupal de los efectos fijos estimados, una alternativa
es verificar la significancia individual de cada efecto fijo, teniendo como objetivo que
todos los efectos fijos sean estadísticamente significativos de manera individual en el
modelo de efectos fijos totalmente corregido (modelo ). En el caso particular de
este subcontinente, sí se pudo realizar el test de Wald para verificar la significancia
grupal de los efectos fijos estimados en dicho modelo.
Entonces, los resultados de la verificación de la significancia grupal de los efectos fijos
estimados en el modelo se presentan en el siguiente cuadro.
Cuadro 74: Verificación de la significancia grupal de los efectos fijos estimados en el modelo EFM1 para
el subcontinente de Asia
Restricción al
Parámetro del Efecto
Fijo
Estadístico
F Conclusión
(intercepto):
:
:
:
:
:
:
:
:
:
:
:
:
:
81.50*
Los efectos fijos atribuidos a los países de Turquía, Armenia,
Azerbaiyán, Bangladesh, Indonesia, India, Kazajistán,
Kirguistán, Camboya, Sri Lanka, Mongolia, Nepal, Tailandia,
Tayikistán y Vietnam son estadísticamente diferentes de cero
de manera conjunta.
Por lo tanto, la tasa promedio de prevalencia de desnutrición
turca y las variaciones relativas de las tasas de los demás
países asiáticos respecto al valor de la tasa de desnutrición
turca sí aportaron poder explicativo (de manera conjunta) al
modelo .
217
:
Nota: * Denota significancia al 1%. ** Denota significancia al 5%.
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede comprobar que los efectos fijos estimados en el modelo
son efectivamente significativos de manera conjunta y generan un verdadero
aporte en poder explicativo al modelo. Por lo tanto, esto sí confirma que el modelo de
efectos fijos es el “Modelo Final” que permite estimar la relación de
investigación propuesta en el presente trabajo para el subcontinente de Asia. En
consecuencia, los dos determinantes significativos encontrados en este modelo (el
ingreso nacional bruto per cápita y el número de hijos por mujer) serán considerados
como los verdaderos determinantes de la tasa de prevalencia de la desnutrición para
este subcontinente.
218
6 Discusión
Habiendo presentado los resultados de los modelos de data panel estimados para
cada uno de los subcontinentes analizados y definido el modelo final para estos (que
en todos los subcontinentes resultó ser el modelo de efectos fijos totalmente
corregido), se ha obtenido los verdaderos determinantes de la tasa de prevalencia de
la desnutrición para cada subcontinente, así como el valor del impacto que estos
generan en la tasa de desnutrición. Por ello, se resume los valores de estos impactos
en el siguiente cuadro.
Cuadro 75: Impactos porcentuales de los verdaderos determinantes de la Tasa de Prevalencia de la
Desnutrición, para cada subcontinente
América del Sur
(AS)
- - 0.09* - 1.71* -2.77 -2.02
América Central y el
Caribe
(AC)
0.10 - -0.29 -0.48* 3.24* -7.29 -
África del Norte y
Occidental
(AFNO)
- -0.29 - - -1.42 -0.57 -
África del Sur, 0.42 0.20* - 0.99 - - -1.09
219
Oriente y Central
(AFSOC)
Asia
(ASIA)
- - -0.36 0.63 - - -
Nota: * Denota que el impacto presenta un signo contrario al establecido en la especificación del modelo
de efectos fijos para el subcontinente bajo análisis (ver subsecciones 5.10).
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior podemos observar que para el continente América del Sur las
variables que resultaron tener un impacto significativo en la tasa de prevalencia de
desnutrición y además obtuvo el signo esperado fue la variable mejora de las
instalaciones sanitarias y la variable años de escolaridad, como habíamos mencionado
en nuestra literatura muchos autores así como instituciones mencionaron que la
mejora de instalaciones es una variable que debería considerarse para poder entender
la prevalencia de desnutrición así lo afirma Ponce (2005); Wisbaum (2011); Paraje
(2008); Beltrán y Seinfeld (2011); Zewdie y Abebaw (2013) y Kamal e Islam (2014)
llegando a la conclusión todos ellos a que un buen sistema de alcantarillado
(instalaciones sanitarias) disminuiría la tasa de prevalencia de desnutrición; y también
esta conclusión es apoyada por instituciones como el Instituto Nacional de Salud
Pública y la Secretaría de Salud de México a través de su informe en ENSANUT -
Encuesta Nacional de Salud y Nutrición (2006) y la ONU - Organización de las
Naciones Unidas (2016) a través de sus dos informes: Objetivos de Desarrollo del
Milenio – ODM (2015) y Objetivos de Desarrollo Sostenible – ODS (2015). Por otro
lado, la variable años de escolaridad también tiene su respaldo de autores como
Flórez y Nupia (s.f.); Paraje (2008), K. Subbarao y Laura Raney (1993); Smith y
Haddad (1999); Martínez y Férnandez (2007) y Kamal e Islam (2014) que afirman que
los años de escolaridad si tiene repercusiones a la tasa de prevalencia de
desnutrición; y también esta conclusión es apoyada por instituciones como el Instituto
Nacional de Salud Pública y la Secretaría de Salud de México a través de su informe
en ENSANUT - Encuesta Nacional de Salud y Nutrición (2006) y la ONU -
Organización de las Naciones Unidas (2016) a través de sus dos informes: Objetivos
de Desarrollo del Milenio – ODM (2015) y Objetivos de Desarrollo Sostenible – ODS
(2015).
220
Para el continente América Central y el Caribe las variables que resultaron tener un
impacto significativo en la tasa de prevalencia de desnutrición y además obtuvo el
signo esperado fue la variable tasa de desempleo, la variable ingreso nacional bruto
per cápita y la variable mejora de las instalaciones sanitarias, como habíamos
mencionado en nuestra literatura varios autores mencionaron que la tasa de
desempleo es una variable que debería considerarse para poder entender la
prevalencia de desnutrición así lo afirma Martínez y Férnandez (2007); Alcázar,
Ocampo, Huáman-Espino y Aparco (2011) y Kamal e Islam (2014) que la tasa de
desempleo si tiene repercusiones negativas en la tasa de prevalencia de desnutrición.
Por su lado la segunda variable que obtuvimos que era significativa para la tasa de
prevalencia de desnutrición en este continente es el ingreso nacional bruto per cápita y
así lo afirman algunos autores e instituciones que mencionamos anteriormente como
Ponce (2005); Paraje (2008); Kamal e Islam (2014); Sen (1981) y Ravallion (1990)
llegando a la conclusión todos ellos a que un aumento en el ingreso disminuiría la tasa
de prevalencia de desnutrición; y también esta conclusión es apoyada por instituciones
como el Banco Mundial (1986) a través de su informe con título “La pobreza y el
hambre” y la ONU - Organización de las Naciones Unidas (2016) a través de su
informe en Objetivos de Desarrollo Sostenible – ODS (2015). Por último, la variable
mejora en las instalaciones sanitarias también tiene su respaldo de autores como
Ponce (2005); Wisbaum (2011); Paraje (2008); Beltrán y Seinfeld (2011); Zewdie y
Abebaw (2013) y Kamal e Islam (2014) llegando a la conclusión todos ellos a que un
buen sistema de alcantarillado (instalaciones sanitarias) disminuiría la tasa de
prevalencia de desnutrición; y también esta conclusión es apoyada por instituciones
como el Instituto Nacional de Salud Pública y la Secretaría de Salud de México a
través de su informe en ENSANUT - Encuesta Nacional de Salud y Nutrición (2006) y
la ONU - Organización de las Naciones Unidas (2016) a través de sus dos informes:
Objetivos de Desarrollo del Milenio (ODM) y Objetivos de Desarrollo Sostenible – ODS
(2015)
Para el continente África del Norte y Occidental las variables que resultaron tener un
impacto significativo en la tasa de prevalencia de desnutrición y además obtuvo el
signo esperado fue la variable gasto en salud per cápita, la variable acceso de agua
potable y la variable mejora de las instalaciones sanitarias, como habíamos
mencionado en nuestra literatura varios autores e instituciones mencionaron que el
gasto de salud per cápita es una variable que debería considerarse para poder
entender la prevalencia de desnutrición así lo afirma Flórez y Nupia (s.f.); Ravina y
Chávez (2007) y Deatron (2013) que el gasto en salud per cápita si tiene
repercusiones en la tasa de prevalencia de desnutrición, y también esta conclusión es
221
apoyada por la ONU Organización de las Naciones Unidas (2016) a través de sus dos
informes: Objetivos de Desarrollo del Milenio – ODM (2015) y Objetivos de Desarrollo
Sostenible - ODS (2015). Por su lado la segunda variable que obtuvimos que era
significativa para la tasa de prevalencia de desnutrición en este continente es el
acceso a agua potable y así lo afirman algunos autores e instituciones que
mencionamos anteriormente como Ponce (2005); Wisbaum (2011); Paraje (2008);
Beltrán y Seinfelld (2011); Zewdie y Abebaw (2013) y Kamal e Islam (2014) llegando a
la conclusión todos ellos a que un buen sistema de alcantarillado (instalaciones
sanitarias) disminuiría la tasa de prevalencia de desnutrición; y también esta
conclusión es apoyada por instituciones como el Instituto Nacional de Salud Pública y
la Secretaría de Salud de México a través de su informe en ENSANUT - Encuesta
Nacional de Salud y Nutrición (2006) y la ONU -Organización de las Naciones Unidas
(2016) a través de sus dos informes: Objetivos de Desarrollo del Milenio – ODM (2015)
y Objetivos de Desarrollo Sostenible – ODS (2015). Por último, la variable mejora en
las instalaciones sanitarias también tiene su respaldo de autores como Ponce (2005);
Wisbaum (2011); Paraje (2008); Beltrán y Seinfeld (2011); Zewdie y Abebaw (2013) y
Kamal e Islam (2014) llegando a la conclusión todos ellos a que un buen sistema de
alcantarillado (instalaciones sanitarias) disminuiría la tasa de prevalencia de
desnutrición; y también esta conclusión es apoyada por instituciones como el Instituto
Nacional de Salud Pública y la Secretaría de Salud de México a través de su informe
en ENSANUT - Encuesta Nacional de Salud y Nutrición (2006) y la ONU -
Organización de las Naciones Unidas (2016) a través de sus dos informes: Objetivos
de Desarrollo del Milenio – ODM (2015) y Objetivos de Desarrollo Sostenible – ODS
(2015).
Para el continente África del Sur, Oriente y Central las variables que resultaron tener
un impacto significativo en la tasa de prevalencia de desnutrición y además obtuvo el
signo esperado fue la variable tasa de desempleo, la variable número de hijos por
mujer y la variable años de escolaridad, como habíamos mencionado en nuestra
literatura varios autores mencionaron que la tasa de desempleo es una variable que
debería considerarse para poder entender la prevalencia de desnutrición así lo afirma
Martínez y Férnandez (2007); Alcázar, Ocampo, Huáman-Espino y Aparco (2011) y
Kamal e Islam (2014) que la tasa de desempleo si tiene repercusiones negativas en la
tasa de prevalencia de desnutrición. Por su lado la segunda variable que obtuvimos
que era significativa para la tasa de prevalencia de desnutrición en este continente es
el número de hijos por mujer y así lo afirman algunos autores que mencionamos
anteriormente como Kamal e Islam (2014); Flórez y Nupia (s.f.) y K. Subbarao y Laura
Raney (1993), en donde todos concluyeron que la variable número de hijos por mujer
222
si tiene repercusiones negativas en la tasa de prevalencia de desnutrición cuando esta
aumenta). Por último, la variable años de escolaridad también tiene su respaldo de
autores como Flórez y Nupia (s.f.); Paraje (2008); K. Subbarrao y Laura Raney (1993);
Smith y Haddad (1999); Martínez y Férnandez (2007) y Kamal e Islam (2014) que
afirman que los años de escolaridad si tiene repercusiones a la tasa de prevalencia de
desnutrición; y también esta conclusión es apoyada por instituciones como el Instituto
Nacional de Salud Pública y la Secretaría de Salud de México a través de su informe
en ENSANUT - Encuesta Nacional de Salud y Nutrición (2006) y la ONU -
Organización de las Naciones Unidas (2016) a través de sus dos informes: Objetivos
de Desarrollo del Milenio – ODM (2015) y Objetivos de Desarrollo Sostenible – ODS
(2015).
Para el continente Asia las variables que resultaron tener un impacto significativo en la
tasa de prevalencia de desnutrición y además obtuvo el signo esperado fue la variable
ingreso nacional bruto per cápita y la variable número de hijos por mujer, como
habíamos mencionado en nuestra literatura muchos autores así como instituciones
mencionaron que el ingreso nacional bruto es una variable que debería considerarse
para poder entender la prevalencia de desnutrición así lo afirma Ponce (2005); Paraje
(2008); Kamal e Islam (2014); Sen (1981) y Ravallion (1990) llegando a la conclusión
todos ellos a que un aumento en el ingreso disminuiría la tasa de prevalencia de
desnutrición; y también esta conclusión es apoyada por instituciones como el Banco
Mundial (1986) a través de su informe con título “La pobreza y el hambre” y la ONU -
Organización de las Naciones Unidas (2016) a través de su informe en Objetivos de
Desarrollo Sostenible – ODS (2015). Por otro lado, la variable número de hijos por
mujer también tiene su respaldo de autores como Kamal e Islam (2014); Flórez y
Nupia (s.f.) y K. Subbarao y Laura Raney (1993), en donde todos concluyeron que la
variable número de hijos por mujer si tiene repercusiones negativas en la tasa de
prevalencia de desnutrición cuando esta aumenta.
Las variables que obtuvieron un impacto contrario al análisis (signo erróneo) no fueron
mencionados dentro del análisis de cada continente, ya que este efecto no coincide
con las conclusiones que llegaron los autores e instituciones que mencionamos en
nuestra literatura, más bien este efecto se relaciona con problemas de una mala
distribución o gestión entre estado (instituciones) y población; por esa razón Bhagwati
(1958) nos habla sobre la mala gestión del gobierno que hace que ingresos no se
distribuyan de una manera correcta hacia las personas creando desigualdades que no
solo se puede traducir en la adquisición monetaria sino también en la adquisición de
servicios como escolaridad, acceso de agua potable y saneamiento, por su lado
223
Marquesán (2015) repasa la teoría económica de goteo hacia abajo nos dice que esta
teoría es contraproducente porque el ingreso no llega a los más pobres y se pierde en
el mando de la cadena que se puede deber por una mala gestión y por último Azaña y
Rojo (2015) en su trabajo de investigación concluyo que una mala gestión entre
gobierno municipal y el sector salud afecta realmente la distribución del plan de
incentivos, lo que conlleva a que no se reduzca la desnutrición, Por todas estas
razones se obtiene un resultado adverso en los continentes analizados, las cuales
seguiremos desarrollando más adelante.
Asimismo del cuadro anterior también se pueden inferir hechos bastante interesantes.
Primero, los resultados de la presente investigación demuestran que tres de los
determinantes considerados (la tasa de desempleo, el gasto en salud per cápita y los
años promedio de escolaridad) causan variaciones significativas en la tasa de
prevalencia de la desnutrición de máximo dos subcontinentes, mientras que los cuatro
determinantes restantes de este estudio (el ingreso nacional bruto per cápita, el
número de hijos por mujer, la tasa de acceso al agua potable y la tasa de mejoras en
las instalaciones sanitarias) producen variaciones significativas en la tasa de
desnutrición de máximo tres de los subcontinentes bajo análisis. Esto quiere decir que
estos últimos cuatro determinantes tienen un impacto mucho más generalizado en las
variaciones de la tasa de prevalencia de la desnutrición de los países en desarrollo.
Segundo, los resultados también demuestran que los impactos más grandes en la tasa
de prevalencia de la desnutrición de cada subcontinente son causados por la tasa de
acceso al agua potable, la tasa de mejoras en las instalaciones sanitarias y los años
promedio de escolaridad ya que estos superan, en la mayoría de los casos, el valor de
1% (donde incluso la tasa de mejoras en las instalaciones sanitarias llegó a reducir en
más de 7% el valor de la tasa de desnutrición centroamericana – caribeña). En
cambio, determinantes como la tasa de desempleo, el gasto en salud per cápita, el
ingreso nacional bruto per cápita y el número de hijos por mujer no superan el valor de
1%, por lo que esto confirma lo anteriormente mencionado en la presentación de
resultados de los modelos estimados para cada subcontinente: Que a pesar de ser
determinantes con impactos significativos en la tasa de prevalencia de la desnutrición,
estas cuatro variables presentan impactos demasiado pequeños y, por ello, realmente
no fueron los determinantes cruciales en las grandes variaciones de la tasa de
desnutrición en el periodo de años considerado, algo que sí lograron los tres
determinantes con impactos mayores al 1%.
Tercero, es fácil notar que cinco de los valores de impacto producidos por los
verdaderos determinantes de la tasa de prevalencia de la desnutrición han presentado
224
un signo erróneo en relación al signo esperado y establecido en la especificación
inicial de los modelos de data panel para cada subcontinente. Al respecto, se decidió
realizar una interpretación más detallada de estos ya que a pesar del signo erróneo en
sus impactos, la razón de los mismos puede ser en todo caso viable, de acuerdo al
contexto propio del subcontinente bajo análisis.
Por ejemplo, el incremento de 0.20% en la tasa de prevalencia de la desnutrición de
África del Sur, Oriente y Central que es causado por el incremento de 1% en el gasto
en salud por habitante (asignado por algún gobierno de los países que conforman este
subcontinente) puede ser debido a una mala canalización de los recursos. En general,
la mayoría de estos países africanos han sido históricamente gobernados por
dictadores o por partidos con tintes autoritarios, lo cual centraliza no solo el poder sino
también los recursos. Entonces, el hecho que dichos gobiernos incrementen en algún
porcentaje su gasto en salud (y, en consecuencia, incrementando también el gasto en
salud per cápita, asumiendo que la población del país no ha crecido de manera
proporcional), no significa que dichos recursos monetarios sean invertidos
apropiadamente en contratar más nutricionistas o doctores, así como en comprar
mayores suministros y equipos médicos que permitan mejorar el tratamiento actual de
la desnutrición. Más bien, muy probablemente estos recursos sean desviados de su
objetivo real y usados para algún otro fin, por lo que el avance de los casos de
desnutrición en la población de esta región africana no es controlado y termina
incrementando el número de pacientes con problemas de desnutrición (leves o
severos).
De manera similar se haría una interpretación al signo erróneo del impacto del ingreso
nacional bruto per cápita en la tasa de prevalencia de la desnutrición sudamericana.
Sin embargo, aquí el agente canalizador de recursos para invertirlos en un mayor
cuidado de la nutrición de los pobladores no sería el gobierno sino la misma población
sudamericana. Es decir, por más que la población de América del Sur tenga más
dinero en sus bolsillos no significa que ellos estarán realmente dispuestos a invertirlos
en tratamientos de nutrición o en una alimentación mucho más balanceada ya que
esta región de América tiene dos grandes obstáculos para lograr esto: Un sistema de
salud bastante deficiente (que impide en muchos casos obtener atención
especializada a problemas severos de desnutrición) y una cultura bastante sesgada a
la mala alimentación, lo que puede generar deficiencias en la nutrición de las personas
y, al final, transformarse en casos graves de desnutrición.
Por otro lado, una interpretación de los incrementos bastante considerables de las
tasas de desnutrición sudamericana y centroamericana – caribeña a causa de un
225
mayor porcentaje de la población con acceso al agua potable es viable si se considera
el hecho de que la mayoría de los países que conforman estos subcontinentes tienen
muy poca concientización en el cuidado del agua, mientras que paralelamente han
experimentado una ampliación del servicio del agua potable en sus poblados (donde la
gran mayoría de la clase media cuenta con este servicio de manera regular). Esto, a
fin de cuentas, nuevamente se reduce a una mala asignación de los recursos (en este
caso, el agua) ya que es destinada a sectores de la población que la malgastan y, al
mismo tiempo, reducen las provisiones de las poblaciones que sí padecen problemas
de desnutrición. En consecuencia, la asignación no adecuada de este recurso hídrico
incrementa los casos de desnutrición en los pueblos de estos subcontinentes y no ha
habido una solución clara al respecto.
Por último, el hecho de que el incremento porcentual del promedio de nacimientos por
mujer haya reducido la tasa de desnutrición en Centroamérica y el Caribe puede ser
debido a una lógica contraria al caso de la tasa de acceso al agua potable. Muy
probablemente, que la mayoría de las familias de este subcontinente incremente la
cantidad de sus miembros en el corto y mediano plazo (digamos, entre 1 y 3 años),
genera también un efecto positivo que concientiza a la población sobre el
racionamiento adecuado de recurso o, en todo caso, de un cuidado de la salud mucho
más estricto que busque evitar que los pobladores padezcan futuros problemas de
desnutrición.
Ahora, se procede con el análisis del objetivo principal y los objetivos específicos de
esta investigación, los cuales consisten en determinar cuál fue la brecha promedio de
la reducción neta de la tasa de prevalencia de la desnutrición (causada por el efecto
conjunto de todos los determinantes con impactos significativos) entre los cinco
subcontinentes analizados, así como determinar la brecha promedio de la reducción o
incremento de la tasa de prevalencia de la desnutrición (causada por cada
determinante) entre los subcontinentes bajo estudio.
En primer lugar, se buscará cumplir con lo establecido en el objetivo principal.
Entonces, en el siguiente cuadro se presenta la reducción porcentual neta de la tasa
de prevalencia de la desnutrición para cada uno de los subcontinentes analizados.
Esta “reducción neta” viene a ser la suma neta de todos los impactos significativos que
afectaron a la tasa de desnutrición del subcontinente. En ese sentido, se obtendrá el
impacto total causado por el efecto conjunto de todos los determinantes significativos
de la tasa de desnutrición para cada uno de los subcontinentes bajo análisis.
Entonces, las reducciones porcentuales netas obtenidas son las siguientes:
226
Cuadro 76: Reducción porcentual neta de la Tasa de Prevalencia de la Desnutrición (TPD), para cada
subcontinente
Subcontinente Suma neta de impactos significativos
Reducción /
Incremento porcentual
neta de
América del Sur (AS) -2.99
América Central y el
Caribe (AC) -4.72
África del Norte y
Occidental (AFNO) -2.28
África del Sur, Oriente y
Central (AFSOC) 0.52
Asia (ASIA) 0.27
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Del cuadro anterior se puede concluir que la mayor reducción neta porcentual de la
tasa de prevalencia de la desnutrición se logró en el subcontinente de América
Central, el cual redujo su tasa de desnutrición en 4.72% entre los años 1995 y 2014.
Los otros subcontinentes que lograron reducir su tasa de prevalencia de la
desnutrición fueron América del Sur, y África del Norte y Occidental, cuyas
reducciones fueron de 2.99% y 2.28%, respectivamente. Sin embargo, los dos
subcontinentes restantes (África del Sur, Oriente y Central, así como Asia) sufrieron
incrementos porcentuales netos en su tasa de desnutrición, reflejando que no pudieron
avanzar en su lucha contra la erradicación de los problemas de desnutrición en sus
pueblos y, en cambio, padecieron un aumento en el porcentaje de sus poblaciones con
problemas leves o severos de desnutrición.
Los últimos dos resultados del cuadro anterior no reflejan datos erróneos, más bien,
advierten que los gobiernos de los países de dichos subcontinentes requieren un
cambio de políticas más estricto y eficiente para lograr reducciones netas en sus tasas
de desnutrición.
227
Por lo tanto, el impacto neto de sumatoria de las variables (valor absoluto) al analizar
todas las variables que tuvieron un impacto significativo en la reducción neta de la tasa
de prevalencia de desnutrición en los diferentes subcontinentes, durante el periodo
1995–2014 ya que el valor máximo obtenido en el subcontinente América Central y el
caribe en valor absoluto fue de 4.72% siendo menor que el 10% planteado por lo que
rechaza la hipótesis general nula, también se rechaza la hipótesis nula de cada una de
las siete hipótesis específicas del presente proyecto y se concluye que, existe
evidencia suficiente de que las brechas de reducción porcentual de la tasa de
desnutrición (entre subcontinentes), causadas por cada uno de los determinantes
considerados en este trabajo, fueron en promedio menores a 10%, dependiendo de la
hipótesis específica evaluada.
7 Conclusiones
A partir de los principales resultados obtenidos en las estimaciones de los modelos de
data panel propuestos en esta investigación, así como a partir de los hechos
discutidos en la sección anterior, se plantean las siguientes conclusiones del trabajo,
las cuales serán expuestas en las próximas líneas:
1. Primeramente con este trabajo de investigación hemos podido identificar que
variables causan un impacto positivo o negativo sobre la tasa de prevalencia de
desnutrición en los diferentes escenarios (segmentación en continentes o
subcontinentes como : América del Sur, América Central y el Caribe, África del
Norte y Occidental, África del Sur, Oriente y Central y Asia) en el lapso de tiempo
establecido (1995-2014) mediante un análisis econométrico obteniendo resultados
cuantitativos cuya significancia estadística y econométrica permite identicar la
variable y/o variables tienen impacto sobre la tasa de prevalencia de desnutrición.
228
2. Se ratifica que las variables escogidas y planteadas en cada uno de los modelos
económicos-econométricos desarrollados a través de una recopilación de toda la
literatura presentada en los antecedentes y marco teórico de varios trabajos a lo
largo de los años son correctas y ha sido justificado a través de los resultados
obtenidos ya que todas las variables presentadas han tenido un impacto positivo o
negativo en al menos en uno de los continentes o subcontinentes (América del
Sur, América Central y el Caribe, África del Norte y Occidental, África del Sur,
Oriente y Central y Asia) planteados en el trabajo de investigación.
3. Por otro lado se demuestra que los impactos de las variables sobre la tasa de la
prevalencia de desnutrición no son iguales para los diferentes continentes y/o
subcontinentes planteados obteniendo que la suma de los impactos de todas las
variables que fueron significativas en América del Sur fue -2.99% sobre la Tasa de
Prevalencia de Desnutrición, por su lado América Central y el Caribe obtuvo -
4.72%, África del Norte y Occidental obtuvo -2.28%, África del Sur, Oriente y
Central obtuvo 0.52% y Asia obtuvo 0.27%, demostrando que la segmentación
realizada fue la correcta, asimismo se recuerda que este resultado es la sumatoria
de todos los impactos de todas las variables que fueron significativas sobre la tasa
de prevalencia de desnutrición en el continente y/o subcontinente analizado y que
los resultados obtenidos son explicados por la realidad cultural y/o político de
cada continente y/o subcontinente obteniendo así los impactos diferentes en valor
y en signo.
4. Asimismo como pudimos observar en la discusión gracias al enfoque de nuestro
trabajo de investigación podemos ver a detalle las falencias y/o puntos débiles de
cada subcontinente o continente analizado identificando que variables son
significativas sobre la tasa de prevalencia de desnutrición diferenciando nuestro
trabajo de investigación sobre los demás primeramente por la segmentación de la
data, segundo por traducir la literatura cualitativa en un modelo económico
cuantitativo y por tercero como resultado de la primera y segunda diferencia se
puede obtener las verdaderas variables que tienen impacto sobre la tasa de la
prevalencia de desnutrición lo que nos ayudará posteriormente para poder dar
recomendaciones para subsanar la prevalencia de desnutrición completamente o
parcialmente.
5. Los resultados de la presente investigación demuestran que tres de los
determinantes considerados (la tasa de desempleo, el gasto en salud per cápita y
los años promedio de escolaridad) causan variaciones significativas en la tasa de
prevalencia de la desnutrición de máximo dos subcontinentes, mientras que los
cuatro determinantes restantes de este estudio (el ingreso nacional bruto per
229
cápita, el número de hijos por mujer, la tasa de acceso al agua potable y la tasa
de mejoras en las instalaciones sanitarias) producen variaciones significativas en
la tasa de desnutrición de máximo tres de los subcontinentes bajo análisis, esto
quiere decir que estos últimos cuatro determinantes tienen un impacto mucho más
generalizado en las variaciones de la tasa de prevalencia de la desnutrición de los
países en desarrollo.
6. Se determinó que la sumatoria de mayor impacto de las variables cuando las
variables son determinantes (causan un impacto significativo) sobre la Tasa de
Prevalencia de Desnutrición para el periodo 1995-2014 fue de -4.72% se obtuvo
en el subcontinente América Central y el Caribe el cual es explicado como el
aumento y/o reducción del conjunto de variables que fueron significativas en este
continente en 1% hay una reducción en la Tasa de Prevalencia en -4.72%,
mientras que la sumatoria de menor impacto cuando las variables son
determinantes (causan un impacto significativo) sobre la Tasa de Prevalencia de
Desnutrición para el periodo 1995-2014 fue de 0.27% se obtuvo en el continente
Asia el cual es explicado que cuando existe un aumento y/o reducción del
conjunto de variables que fueron significativas en este continente en 1% hay un
aumento en la Tasa de Prevalencia en 0.27%.
7. Se determinó que la variable Tasa de Desempleo obtuvo su mayor impacto (valor
absoluto) sobre la Tasa de Prevalencia para el periodo 1995-2014 en el
subcontinente África del sur, Oriente y Central (AFSOC) con un impacto de 0.42%.
cual es explicado que al aumento de la variable Tasa de Desempleo en 1% hay un
incremento en la Tasa de Prevalencia de Desnutrición en 0.42%.
8. Se determinó que la variable Gasto en Salud per cápita obtuvo su mayor impacto
(valor absoluto) sobre la Tasa de Prevalencia para el periodo 1995-2014 en el
subcontinente África del Norte y Occidente (AFNO) con un impacto de -0.29%.
cual es explicado que al aumento de la variable Gasto en Salud per cápita en 1%
hay una reducción en la Tasa de Prevalencia de Desnutrición en 0.29%.
9. Se determinó que la variable Ingreso Nacional Bruto per cápita obtuvo su mayor
impacto (valor absoluto) sobre la Tasa de Prevalencia para el periodo 1995-2014
en el subcontinente Asia con un impacto de -0.36%. cual es explicado que al
aumento de la variable Ingreso Nacional Bruto per cápita en 1% hay una
reducción en la Tasa de Prevalencia de Desnutrición en 0.36%.
10. Se determinó que la variable Número de Hijos por Mujer obtuvo su mayor impacto
(valor absoluto) sobre la Tasa de Prevalencia para el periodo 1995-2014 en el
subcontinente África del sur, Oriente y Central (AFSOC) con un impacto de 0.99%.
230
cual es explicado que al aumento de la variable Número de Hijos por Mujer en 1%
hay un incremento en la Tasa de Prevalencia de Desnutrición en 0.99%.
11. Se determinó que la variable Tasa de Acceso de Agua de la Población obtuvo su
mayor impacto (valor absoluto) sobre la Tasa de Prevalencia para el periodo
1995-2014 en el subcontinente América Central y el Caribe (AC) con un impacto
de 3.24%. cual es explicado que al aumento de la variable Tasa de Acceso de
Agua de la Población en 1% hay un incremento en la Tasa de Prevalencia de
Desnutrición en 3.24%, que aunque es un impacto inesperado por el signo
obtenido la interpretación es viable porque si se considera el hecho de que la
mayoría de los países que conforman este subcontinente tiene poca
concientización en el cuidado del agua así como los países cuenta con una mala
infraestructura para la asignación de este recurso hace que un aumento en esta
variable no signifique una reducción en la Tasa de la Prevalencia de Desnutrición,
dentro de esta explicación también se puede mencionar que resultado inesperado
también se puede producir por la variable calidad del agua (esta variable puede
verse afectada en los países de America del sur por ejemplo por la alta actividad
minera) suministrada, variable que no ha sido analizada en el presente trabajo la
cual puede ser materia de futuras investigaciones.
12. Se determinó que la variable Tasa de la Mejora de las Instalaciones Sanitarias
obtuvo su mayor impacto (valor absoluto) sobre la Tasa de Prevalencia para el
periodo 1995-2014 en el subcontinente América Central y el Caribe (AC) con un
impacto de -7.29%. cual es explicado que al aumento de la variable Tasa de la
Mejora de las Instalaciones Sanitarias de en 1% hay una reducción en la Tasa de
Prevalencia de Desnutrición en -7.29%.
13. Se determinó que la variable Años promedio de Escolaridad obtuvo su mayor
impacto (valor absoluto) sobre la Tasa de Prevalencia para el periodo 1995-2014
en el subcontinente América del Sur (AS) con un impacto de -2.02%. cual es
explicado que al aumento de la variable Años promedio de Escolaridad de en 1%
hay una reducción en la Tasa de Prevalencia de Desnutrición en -2.02%
14. Que al rechazar la hipótesis nula de la hipótesis general del presente trabajo (así
como también se rechazaron las de las siete hipótesis específicas), queda
demostrado que el impacto promedio neto de las variables en conjunto sobre la
Tasa de Prevalencia de Desnutrición en los diferentes continentes y/o
subcontinentes, y los mayores impactos en valor absoluto (se escogio el valor
absoluto porque se desea saber el valor del impacto independientemente del
signo porque tanto en el signo positivo que significa un incremento en la tasa de la
prevalencia de desnutrición o en el signo negativo que significa una reducción en
231
la tasa de prevalencia de desnutrición produce un impacto y ese impacto es el que
nos interesó analizar) de cada una de las variables sobre la Tasa de Prevalencia
de Desnutrición en los diferentes continentes y/o subcontinentes fueron todas
menores al valor de 10%. Entonces, se puede concluir que existe un nivel
bastante homogéneo en las en los impactos sobre de la tasa de prevalencia de la
desnutrición entre los países de los cinco subcontinentes considerados. Es decir,
a pesar que ciertos determinantes de la tasa de desnutrición (como la tasa de
acceso al agua potable, o la tasa de mejoras en las instalaciones sanitarias)
generaron grandes reducciones del nivel de desnutrición en algunos de los
subcontinentes analizados, estas variaciones terminaron siendo relativamente
pequeñas al comparar el avance entre subcontinentes, por lo que de alguna
manera todos los países en desarrollo que hacen parte de la muestra han logrado
casi el mismo nivel de erradicación de la desnutrición en sus poblaciones, durante
los años 1995 al 2014.
15. Respecto a los modelos estimados para cada subcontinente, se concluye que
además de los impactos que pudiesen causar los verdaderos determinantes en la
tasa de prevalencia de la desnutrición, también hay que sumarle el efecto no
observado que caracteriza el contexto de cada país y lo incluye como factores en
las variaciones de la tasa. En ese sentido, todos los subcontinentes arrojaron
como especificación al modelo de efectos fijos, a través del cual se pudo
comprobar los avances en la reducción (o, en todo caso, lamentables
incrementos) de la tasa de desnutrición respecto a la tasa de un país referencia
del subcontinente. Centrándonos en el subcontinente donde se ubica el Perú
(América del Sur), se concluye que nuestro país actualmente tiene una de las
tasas de desnutrición más altas de la región y no ha podido avanzar en la
erradicación de este problema, a diferencia de los demás países del
subcontinente que sí lograron reducir sus tasas (al menos en 1%) en el periodo de
1995-2014. En todo caso, los avances de la mayoría de los países en vías de
desarrollo considerados han sido insuficientes, por lo que se requieren medidas o
métodos totalmente distintos para afrontar este lamentable panorama.
16. Finalmente, se concluye que los modelos económicos propuestos para estimar los
impactos y las variaciones de la tasa de prevalencia de la desnutrición en cada
subcontinente fueron satisfactorios. Y aunque en ninguna de las regiones los siete
determinantes fueron significativos de manera conjunta, en cada subcontinente se
encontraron los determinantes más precisos para reflejar el contexto actual de los
países y el como se está luchando por solucionar este problema de salud
generalizado.
232
8 Recomendaciones
Con respecto a las sugerencias que se pueden dar a partir de los resultados obtenidos
en el presente trabajo, es clara la urgencia de un cambio de enfoque en la lucha contra
la desnutrición global (considerando que la mayoría de los países, si no son todos, la
sufren en cierta escala).
1. Una primera recomendación sería enfocar la lucha contra la desnutrición en
base a los determinantes con mayor impacto en cada subcontinente analizado.
Por ejemplo, América del Sur y Centroamérica (junto con el Caribe) podrían
destinar muchos más recursos (públicos y privados) a la mejora del sistema
sanitario y de higiene de cada país ya que en estos contienentes la variable
que mayor impacto obtuvo fue la Tasa de la Mejora de las Instalaciones
Sanitarias con cuyo valor de impacto sobre la Tasa de Prevalencia de
Desnutrición fue de -2.77%. Esto implicaría rediseñar los sistemas de agua y
alcantarillado, eliminar las conexiones clandestinas que reduzcan el
233
abastecimiento del servicio sanitario en las poblaciones con problemas de
desnutrición y ampliar la cobertura de estos servicios a las zonas más
alejadas. Todo ello, en definitiva, tendría un mayor impacto en la reducción del
porcentaje de pacientes con desnutrición leve o severa (al menos en este
subcontinente).
2. De manera similar, África del Norte y Occidental podría incrementar más
recursos al servicio de provisión y acceso al agua potable ya que en este
contienente la variable que mayor impacto obtuvo fue la Tasa de Acceso de
Agua de la Población con cuyo valor de impacto sobre la Tasa de Prevalencia
de Desnutrición fue de -1.42% así garantizarían que la mayoría de sus
poblados pueda hacer uso del recurso que tanto necesitan.
3. Asimismo África del Sur, Oriente y Central podría canalizar más recursos al
sector de educación ya que en este contienente la variable que mayor impacto
obtuvo fue la Años Promedio de Escolaridad con cuyo valor de impacto sobre
la Tasa de Prevalencia de Desnutrición fue de -1.09%, de manera que en los
colegios, universidades e institutos superiores tenga una mejor infraestructura
y sobre todo la persona con bajos recursos pueda acceder a una educación
gratuita y de calidad para que un futuro pueda romper las famosas “trampas
de la pobreza”, la que se basa en que la pobreza se transfiere de generación
tras generación haciendo que las familias queden atrapadas en círculos
viciosos en donde hace que la situación y las condiciones generadas
retroalimenté la pobreza y empeoré en el tiempo, por otro lado también se
propone y/o recomienda que dentro de los colegios, universidades e institutos
superiores se concientice sobre el cuidado de la alimentación y la nutrición de
las personas, no importando su edad, género, religión, etc. Sin embargo, al
mismo tiempo que se sugiere una mayor canalización de recursos, también se
recomienda una reestructuración gubernamental (vía el Congreso de cada uno
de estos países en desarrollo) para impedir que el dinero a invertir en cuidado,
atención y prevención de la desnutrición no sea destinado a otros fines y
termine en actos corruptos.
4. Respecto al continente de Asia en donde se obtuvo que un aumento en el
número de hijos por mujer tiene un impacto negativo sobre la prevalencia de
desnutrición que fue de 0.63%, se debe planificar programas de
concientización para la población en cualquier etapa de la vida de la persona
ya sea desde en el colegio, la universidad, institutos superiores, etc en donde
se explique que un aumento en los hijos por mujer es muy perjudicial para la
economía del país que se ve traducida en la desnutrición, así como también se
234
puede producir un crecimiento poblaci mayor cuasando que el abastecimiento
de servicios publicos basicos para esa poblacion que permita garantizar su
calidad de vida sea baja o prácticamente nula para sectores rurales por lo que
se puede recomendar políticas dirigidas a la población y a su descentralización
para que el impacto de esta variable sobre la tasa de prevalencia de
desnutrición pueda reducirse.
5. Una última recomendación va hacia el tema de la evaluación de los factores
que incrementan el nivel de desnutrición de un país (en el caso de este
trabajo, estos son la tasa de desempleo y el número de hijos por nacer). Los
gobiernos de cada subcontinente bajo estudio deberían también asignar
esfuerzos a mantener la estabilidad laboral de la población, de manera que no
se den periodos de grandes incrementos de personas desempleadas que en
cuestión de semanas (o incluso días) pueden resultar en incrementos
considerables del nivel de desnutrición en la población. De igual manera, se
debe hacer un seguimiento constante a la tasa de natalidad, realizando
campañas y/o programas de concientización reproductiva en los países con
familias más numerosas para que se reduzca el promedio de nacimientos por
año en el mediano o hasta largo plazo y esta planificación de campañas y/o
programas para la población deberían ser más específicos por sectores
(urbano y rural) para tener mejores resultados en la reducción de la tasa de
prevalencia de desnutrición.
Con todas las recomendaciones anteriores, la erradicación total de la desnutrición no
se logrará. Depende en gran parte de las personas mismas para que siempre
busquen mantener una alimentación balanceada, un cuadro de nutrición adecuado y
una atención inmediata en caso surjan síntomas de desnutrición severa o leve. Sin
embargo, las sugerencias permitirán aliviar el problema y, en conjunto con futuras
investigaciones que puedan tomar en cuenta la evolución de la tasa de prevalencia de
la desnutrición en los últimos años, se podrán diseñar mejores soluciones para el
alcanzar el objetivo final: Que estas tasas se reduzcan a cifras mínimas y la atención
al problema de desnutrición sea verdaderamente eficiente.
235
REFERENCIAS
Alcázar,L., Ocampo, D., Huamán-Espino, L., Aparco, J. (2011). “Impacto Económico
de la Desnutrición Crónica, Aguda y Global en el Perú. Revista Perú Med: Salud
Pública, pp. Sin conocer. Recuperado de:
http://www.scielosp.org/pdf/rpmesp/v30n4/a05v30n4.pdf
Anónimo (2014). “Las diez causas de la desigualdad”, Diario el País, 3 NOV 2014.
Recuperado de: https://elpais.com/elpais/2014/11/03/3500_millones/1414994400_
141499.html
Anrango, S., y Perugachi, B. (2013). “Prevalencia de desnutrición y propuesta de
administración de papillas y mezclas nutritivas para niños/as menores de cinco
años en cuatro centros infantiles del buen vivir de la parroquia San Pablo del Lago,
periodo 2013”. Universidad Técnica del Norte de Ecuador: Facultad de Ciencias de
la Salud, pp. 1 – 118. Recuperado de:
236
http://repositorio.utn.edu.ec/bitstream/123456789/2700/1/06%20NUT%20135%20T
ESIS.pdf
Azaña y Rojo (2015). “Factores que favorecen o limitan la implementación del Plan de
Incentivos Municipales para la reducción de la Desnutrición Crónica Infantil en el
Distrito de Masisea de Ucayali. Bases para propuesta de estrategias”. Pontificia
Universidad Católica del Perú. Recuperado de:
http://tesis.pucp.edu.pe/repositorio/bitstream/handle/123456789/5934/AZANA_PAT
RICIA_ROJO_MIRIAM_FACTORES_INCENTIVOS.pdf?sequence=1
Banco Mundial (The World Bank), Recuperado de: http://data.worldbank.org/indicator
Beltrán, A., y Seinfeld, J. (2011). “Identificando estrategias efectivas para combatir la
desnutrición infantil en el Perú”. Centro de Investigación de la Universidad de la
Universidad del Pacífico: Revista de la CIUP. Volumen XXXVIII, N° 69 (Segundo
semestre), pp. 7 – 54. Recuperado de:
https://dialnet.unirioja.es/servlet/articulo?codigo=3834800
Beltrán, A. y Seinfeld, J. (2014). “Desnutrición Crónica Infantil en el Perú: Un problema
persistente”. Centro de Investigación de la Universidad del Pacífico: Documentos de
Trabajo. PP. 1 – 54. Recuperado de:
http://srvnetappseg.up.edu.pe/siswebciup/Files/DD0914%20-
%20Beltran_Seinfeld.pdf
Bhagwati (1958). “Immiserizing Growth: A Geometrical Note”, Review of Economic
Studies, 25(3), June, pp. 201-205.
Comité de Seguridad Alimentaria Mundial (2012), CFS 2012/39/4, Recuperado de:
http://www.fao.org/docrep/meeting/026/MD776s.pdf
Comunidad Andina Secretaria General (2004). “Método Atlas Del Banco Mundial”.
Documentos de trabajo, Quinta reunión de expertos gubernamentales en cuentas
nacionales trimestrales 20-22 de octubre de 2004, Quito – Ecuador.
Deaton, A. (2013). “The great escape: health, wealth, and the origins of inequality”.
Princeton University Press
D. Gujarati, D. Porter. (2009). “Econometría (5ta Edición)” México: McGraw – Hill /
Interamericana Editores, S.A. de C.V.
Dinopoulos (2005). “Immiserizing Growth in Expanding Economies”. University of
Florida. August 5-6, 2005. Recuperado de:
237
http://www.columbia.edu/~ap2231/jbconference/Papers/Dinopoulos_Bhagwati%20C
onference.pdf
Durán (2007). “La pobreza y su relación con el desarrollo social, el crecimiento
económico y el empleo: Nuevas hipótesis teóricas e implicaciones prácticas”.
Recuperado de: http://www.banrep.gov.co/sites/default/files/eventos/archivos/Teorias-
Pobeza_0.pdf
Flórez, C., y Nupia, O. (s.f.). “Desnutrición Infantil en Colombia: Inequidades y
Determinantes”. Organización Panamericana de la Salud: Biblioteca virtual de
desarrollo sostenible y salud ambiental. PP. 1 – 34. Recuperado de:
http://www.bvsde.ops-oms.org/texcom/nutricion/D2001.pdf
Gómez. F. (2003). “Desnutrición”. Salud Pública de México, Vol. 45, Suplemento 4.
Recuperado de: http://www.scielosp.org/pdf/spm/v45s4/a14v45s4.pdf
Haddad , L., y Smith, L. (1999). “Explaining child malnutrition in Developing Countries:
A Cross-Country Analysis”. International Food Policy Research Institute: Food
Consumption and Nutrition Division, Discussion paper No. 60, pp. 1 – 107.
Recovered from:
http://ageconsearch.umn.edu/bitstream/94515/2/explaining%20child%20malnutrition
%20in%20developing%20countries.pdf
Hernández, R., y Fernandéz C., Baptista M (2010). “Metodología de la Investigación
(5a Edición)”. México: Mc Graw Hill Education.
Justo (2014). “¿Por qué América Latina sigue siendo tan desigual?”, BBC MUNDO, 20
junio 2014. Recuperado de
http://www.bbc.com/mundo/noticias/2014/06/140617_latinoamerica_desigualdad_a
m
Kamal, M., y Islam, N. (2014). “Econometric Analysis of Malnutrition Severity Among
Under Five Children in Bangladesh”. Dhaka University Journal of Science, Volume
62 (January), pp. 1 – 6. Recovered from:
http://www.banglajol.info/index.php/DUJS/article/view/21951/15056
Subbarao, K., y Raney, L (1993) “Social Gains from Female Education: A Cross-
National Study”. World Bank Discussion Papers, pp. 1-8. Recuperado de:
http://documents.worldbank.org/curated/en/621151468741002292/pdf/multi-
page.pdf
238
Lastra, L., Roldán, S., Hernández, E., Hernández, A. y Lechuga, F. (1998).
“Prevalencia de desnutrición en menores de cinco años de Tabasco”. Salud Pública
de México, Volumen 40, No. 5 (septiembre-octubre), pp. 408 – 414. Recuperado de:
http://www.scielosp.org/pdf/spm/v40n5/Y0400504.pdf
López (2007). “La pobreza y la desigualdad en Colombia”. La Red Juntos Contra la
pobreza extrema”. Mayo de 2007.
Marquesán (2015). “Teoría económica del trickle-down, o goteo hacia abajo”. Periódico
nueva Tribuna. Recuperado de: http://www.nuevatribuna.es/opinion/candido-
marquesan-millan/teoria-economica-trickle-down-goteo-
abajo/20150809174138118936.html
Martínez, R. y Fernandez, A. (2007). “Impacto social y económico de la desnutrición
infantil en Centroamérica y República Dominicana de lado Comisión Económica
para América Latina y el Caribe” Documento de proyecto, Comisión Económica
para América Latina y el Caribe (CEPAL), pp 23 – 25. Recuperado de:
https://www.mef.gob.pe/contenidos/pol_econ/documentos/Costo_del_Hambre_Impa
cto_Economico_y_socia_%20de_desnutricion_infantil.pdf
Organización de las Naciones Unidas (2015). “Objetivo de Desarrollo del Milenio
informe de 2015”. Recuperado de:
http://www.un.org/es/millenniumgoals/pdf/2015/mdg-report-2015_spanish.pdf
Organización de las Naciones Unidas (2015). “Objetivo de Desarrollo Sostenible”.
Recuperado de:http://www.un.org/sustainabledevelopment/es/objetivos-de-
desarrollo-sostenible/
Organización Mundial de la Salud – OMS (2016) Recuperado de :
http://www.who.int/mediacentre/factsheets/malnutrition/es/
Overseas Development Institute - ODI (2010). “Introducing pro-poor growth”.
Recuperado de: http://www.oecd.org/dac/povertyreduction/47466424.pdf
Paraje, G. (2008). “Evolución de la desnutrición crónica infantil y su distribución
socioeconómica en siete países de América Latina y el Caribe”. Naciones Unidas –
CEPAL: Series de documentos de trabajo. PP. 1 – 66. Recuperado de:
http://repositorio.cepal.org/bitstream/handle/11362/6145/S0800165_es.pdf;jsessioni
d=2B255A0D11D0CEEE187E17EB59043739?sequence=1
239
Pérez, R. (2004). “Prevalencia y factores asociados a desnutrición en niños menores
de cinco años de las etnias Tenek y Nahuatl en San Luis Potosí 2004”. Universdad
Veracruzana: Facultad de Xalapa, pp. 1 – 92. Recuperado:
http://cdigital.uv.mx/bitstream/123456789/36274/1/perezhernandez.pdf
Ponce, S. (2005). “Determinantes económicos y sociales de la desnutrición crónica y
global en los niños y niñas menores de cinco años en el Ecuador durante el año
1999”. Pontificia Universidad Católica del Ecuador: Tesis. PP. sin conocer.
Recuperado de (Abstract):
http://www.puce.edu.ec/economia/docs/disertaciones/2005/2005_ponce_galarza_su
sana_patricia.pdf
Preston, S. (1975). “The Changing Relation between Mortality and Level of Economic
Development”. Revista Popilation Studies.
Programas de las Naciones Unidas para Desarrollo - The United Nations Development
Programme (UNDP), Recuperado de: http://hdr.undp.org/es/data
Ravallion, M. (1990). “Income effects on undernutrition. Economic Development and
Cultural Change, 38(3), 489–515”. Recuperado de:
http://content.ebscohost.com/ContentServer.asp?T=P&P=AN&K=6282446&S=R&D
=bth&EbscoContent=dGJyMNHX8kSep7M4yOvqOLCmr0%2Bep7FSsq64Ta6WxW
XS&ContentCustomer=dGJyMPGnsEywrrRMuePfgeyx43zx
Ravina, R., y Chávez, J. (2007). “Análisis de los factores subyacentes asociados a la
desnutrición crónica infantil en el Perú”. INEI – Centro de Investigación y Desarrollo
(CIDE): Documento de trabajo, pp. 1 – 44. Recuperado de:
https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib0891/
Libro.pdf
Rivera, J.A., Cuevas, L., González de Cossío, T. y Shamah, T. (2012). “Encuesta
Nacional de Salud y Nutrición de México”. PP. 2. Recuperado de:
http://ensanut.insp.mx/doctos/analiticos/Desnutricion.pdf
Rodríguez, J. (2010). “Prevalencia de desnutrición en niños de 0 a 6 años de edad
adscritos a la Unidad de Medicina Familiar 11 de Vicam Sonora”. Instituto Mexicano
del Seguro Social y Universidad Autónoma de Nayarit: Unidad de Medicina Familiar
240
No. 11, Waxapa 3 (Julio – Diciembre), pp. 7 – 14. Recuperado de:
http://www.medigraphic.com/pdfs/waxapa/wax-2010/wax103c.pdf
Sen, A. (1981). “Poverty and famines: an essay on entitlement and deprivation”. Oxford
university press. Recuperado de: http://staging.ilo.org/public/libdoc/ilo/1981/81
B09_608_engl.pdf
Stiglitz, J. (2002). “El malestar en la globalización”. Santillana ediciones. México
Torreblanca, P., Rojo, M. (2015). “Factores que favorecen o limitan la implementación
del Plan de Incentivos Municipales para la reducción de la Desnutrición Crónica
Infantil en el Distrito de Masisea de Ucayali. Bases para propuesta de estrategias”.
Pontificia Universidad Católica del Perú: Escuela de Posgrado, pp. 1 – 180.
Recuperado de:
http://tesis.pucp.edu.pe/repositorio/bitstream/handle/123456789/5934/AZANA_PAT
RICIA_ROJO_MIRIAM_FACTORES_INCENTIVOS.pdf?sequence=1
UNICEF (2016). “Glosario de Términos sobre Desnutrición”. PP. 1. Recuperado de:
http://www.unicef.org/lac/glosario_malnutricion.pdf
Weil, D. (2015). “A Review of Angus Deaton’s The Great Escape: Health, Wealth, and
the Origins of Inequality”. Journal of Economic Literature. Mar2015, Vol. 53 Issue 1,
p102-114. 13p. Recuperado de:
http://eds.b.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&sid=c3015656-e2e3-
4bc1-958f-7a9cb7f13c67%40sessionmgr101
Wisbaum, W. (2011). “Causas, consecuencias y estrategias para su prevención y
tratamiento”. UNICEF: Documentos de Trabajo (noviembre), pp. 1 – 33.
Recuperado de: https://www.unicef.es/sites/www.unicef.es/files/
Dossierdesnutricion.pdf
World Economic Situation and Prospects 2014 (WESP), United Nations publication
Sales No. E.14.II.C.2, Recuperado de: http://unctad.org/en/PublicationsLibrary/w
esp2014_en.pdf
Zewdie, T., y Abebaw, D. (2013). “Determinants of Child Malnutrition: Empirical
Evidence from Kombolcha District of Eastern Hararghe Zone, Ethiopia”. Quarterly
Journal of International Agriculture, Volumen 52 N° 4, pp. 357 – 372. Recovered
from: http://ageconsearch.umn.edu/bitstream/173657/2/4_Zewdie.pdf
241
ANEXOS
Cuadro 77: Matriz de consistencia de problemas, objetivos e hipótesis
PROBLEMA GENERAL
OBJETIVO GENERAL HIPÓTESIS GENERAL
P.G. ¿Cuál fue el
impacto neto de la
sumatoria de las
variables (valor
absoluto) al analizar
todas las variables que
tuvieron un impacto
significativo en la
reducción neta de la
tasa de prevalencia de
desnutrición en los
diferentes
subcontinentes,
durante el periodo
1995-2014?
O.G Determinar el
impacto neto de la
sumatoria de las
variables (valor
absoluto) al analizar
todas las variables que
tuvieron un impacto
significativo en la
reducción neta de la
tasa de prevalencia de
desnutrición en los
diferentes
subcontinentes,
durante el periodo
1995–2014.
H0: El impacto neto de sumatoria de las variables
(valor absoluto) al analizar todas las variables que
tuvieron un impacto significativo en la reducción
neta de la tasa de prevalencia de desnutrición en
los diferentes subcontinentes, durante el periodo
1995–2014 fue en promedio igual a 10%.
H1: El impacto neto de sumatoria de las variables
(valor absoluto) al analizar todas las variables que
tuvieron un impacto significativo en la reducción
neta de la tasa de prevalencia de desnutrición en
los diferentes subcontinentes, durante el periodo
1995–2014 fue en promedio menor a 10%.
242
PROBLEMAS
ESPECÍFICOS
OBJETIVOS
ESPECÍFICOS HIPÓTESIS ESPECÍFICAS
P.E.1 ¿Cuál fue el
impacto de la variable
tasa de desempleo
sobre la tasa de
prevalencia de
desnutrición en los
diferentes
subcontinentes,
durante el periodo
1995-2014?
O.E.1 Determinar el
impacto de la variable
tasa de desempleo
sobre la tasa de
prevalencia de
desnutrición en los
diferentes
subcontinentes,
durante el periodo
1995-2014..
H0: El mayor impacto (valor absoluto) de la
variable tasa de desempleo sobre la tasa de
prevalencia de desnutrición en los diferentes
subcontinentes, durante el periodo 1995-2014 fue
igual a 10%.
H1: El mayor impacto (valor absoluto) de la
variable tasa de desempleo sobre la tasa de
prevalencia de desnutrición en los diferentes
subcontinentes, durante el periodo 1995-2014 fue
menor a 10%
P.E.2 ¿Cuál fue el
impacto de la variable
gasto en salud per
cápita sobre la tasa de
prevalencia de
desnutrición en los
diferentes
subcontinentes,
durante el periodo
1995-2014?
O.E.2 Determinar el
impacto de la variable
gasto en salud per
cápita sobre la tasa de
prevalencia de
desnutrición en los
diferentes
subcontinentes,
durante el periodo
1995-2014.
H0: El mayor impacto (valor absoluto) de la
variable gasto en salud per cápita sobre la tasa de
prevalencia de desnutrición en los diferentes
subcontinentes, durante el periodo 1995-2014 fue
igual a 10%.
H1: El mayor impacto (valor absoluto) de la
variable gasto en salud per cápita sobre la tasa de
prevalencia de desnutrición en los diferentes
subcontinentes, durante el periodo 1995-2014 fue
menor a 10%.
P.E.3 ¿Cuál fue el
impacto de la variable
ingreso nacional bruto
per cápita sobre la tasa
de prevalencia de
desnutrición en los
diferentes
subcontinentes,
durante el periodo
1995-2014?
O.E.3 Determinar el
impacto de la variable
ingreso nacional bruto
per cápita sobre la tasa
de prevalencia de
desnutrición en los
diferentes
subcontinentes,
durante el periodo
1995-2014.
H0: El mayor impacto (valor absoluto) de la
variable ingreso nacional bruto per cápita sobre la
tasa de prevalencia de desnutrición en los
diferentes subcontinentes, durante el periodo
1995-2014 fue igual a 10%.
H1: El mayor impacto (valor absoluto) de la
variable ingreso nacional bruto per cápita sobre la
tasa de prevalencia de desnutrición en los
diferentes subcontinentes, durante el periodo
1995-2014 fue menor a 10%.
243
P.E.4 ¿Cuál fue el
impacto de la variable
número de hijos por
mujer sobre la tasa de
prevalencia de
desnutrición en los
diferentes
subcontinentes,
durante el periodo
1995-2014?
O.E.4 Determinar el
impacto de la variable
número de hijos por
mujer sobre la tasa de
prevalencia de
desnutrición en los
diferentes
subcontinentes,
durante el periodo
1995-2014.
H0:: El mayor impacto (valor absoluto) de la
variable número de hijos por mujer sobre la tasa
de prevalencia de desnutrición en los diferentes
subcontinentes, durante el periodo 1995-2014 fue
igual a 10%.
H1: El mayor impacto (valor absoluto) de la
variable número de hijos por mujer sobre la tasa
de prevalencia de desnutrición en los diferentes
subcontinentes, durante el periodo 1995-2014 fue
menor a 10%.
P.E.5 ¿Cuál fue el
impacto de la variable
tasa de acceso de
agua de la población
sobre la tasa de
prevalencia de
desnutrición en los
diferentes
subcontinentes,
durante el periodo
1995-2014?
O.E.5 Determinar el
impacto de la variable
tasa de acceso de
agua de la población
sobre la tasa de
prevalencia de
desnutrición en los
diferentes
subcontinentes,
durante el periodo
1995-2014.
H0: El mayor impacto (valor absoluto) de la
variable tasa de acceso de agua de la población
sobre la tasa de prevalencia de desnutrición en
los diferentes subcontinentes, durante el periodo
1995-2014 fue igual a 10%.
H1: El mayor impacto (valor absoluto) de la
variable tasa de acceso de agua de la población
sobre la tasa de prevalencia de desnutrición en
los diferentes subcontinentes, durante el periodo
1995-2014 fue menor a 10%
P.E.6 ¿Cuál fue el
impacto de la variable
tasa de las mejoras de
las instalaciones
sanitarias sobre la tasa
de prevalencia de
desnutrición en los
diferentes
subcontinentes,
durante el periodo
1995-2014?
O.E.6 Determinar el
impacto de la variable
tasa de las mejoras de
las instalaciones
sanitarias sobre la tasa
de prevalencia de
desnutrición en los
diferentes
subcontinentes,
durante el periodo
1995-2014.
H0: El mayor impacto (valor absoluto) de la
variable tasa de las mejoras de las instalaciones
sanitarias sobre la tasa de prevalencia de
desnutrición en los diferentes subcontinentes,
durante el periodo 1995-2014 fue igual a 10%.
H1: El mayor impacto (valor absoluto) de la
variable tasa de las mejoras de las instalaciones
sanitarias sobre la tasa de prevalencia de
desnutrición en los diferentes subcontinentes,
durante el periodo 1995-2014 fue menor a 10%
244
P.E.7 ¿Cuál fue el
impacto de la variable
años promedio de
escolaridad sobre la
tasa de prevalencia de
desnutrición en los
diferentes
subcontinentes,
durante el periodo
1995-2014?
O.E.7 Determinar el
impacto de la variable
años promedio de
escolaridad sobre la
tasa de prevalencia de
desnutrición en los
diferentes
subcontinentes,
durante el periodo
1995-2014.
H0: El mayor impacto (valor absoluto) de la
variable años promedio de escolaridad sobre la
tasa de prevalencia de desnutrición en los
diferentes subcontinentes, durante el periodo
1995-2014 fue igual a 10%.
H1: El mayor impacto (valor absoluto) de la
variable años promedio de escolaridad sobre la
tasa de prevalencia de desnutrición en los
diferentes subcontinentes, durante el periodo
1995-2014 fue menor a 10%
Fuente: Elaboración propia
Tasa de prevalencia de desnutrición
Figura 6: Data de la Tasa de prevalencia de desnutrición para América del sur
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia
245
Figura 7: Data de la Tasa de prevalencia de desnutrición para América del Centro y el caribe
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia
Figura 8: Data de la Tasa de prevalencia de desnutrición para África del Norte y Occidental
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia
246
Figura 9: Data de la Tasa de prevalencia de desnutrición para África del Sur, Oriente y Central
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia
Figura 10: Data de la Tasa de prevalencia de desnutrición para Asia
247
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia
Tasa de desempleo
Figura 11: Data de la Tasa de desempleo para América del sur
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia
Figura 12: Data de la Tasa de desempleo para América del Centro y el caribe
248
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia
Figura 13: Data de la Tasa de desempleo para África del Norte y Occidental
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia
Figura 14: Data de la Tasa de desempleo para África del Sur, Oriente y Central
249
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia
Figura 15: Data de la Tasa de desempleo de desnutrición para Asia
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia
Gasto en salud per cápita
250
Figura 16: Data del gasto en salud per cápita para América del sur
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia
Figura 17: Data del gasto en salud per cápita para América del Centro y el caribe
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia
251
Figura 18: Data del gasto en salud per cápita para África del Norte y Occidental
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia
Figura 19: Data del gasto en salud per cápita para África del Sur, Oriente y Central
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia
252
Figura 20: Data del gasto en salud per cápita para Asia
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia
Ingreso Nacional Bruto per Cápita
Figura 21: Data del ingreso nacional bruto per cápita para América del sur
253
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia
Figura 22: Data del ingreso nacional bruto per cápita para América del Centro y el caribe
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia
Figura 23: Data del ingreso nacional bruto per cápita para África del Norte y Occidental
254
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia
Figura 24: Data del ingreso nacional bruto per cápita para África del Sur, Oriente y Central
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia
255
Figura 25: Data del ingreso nacional bruto per cápita para Asia
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia
Número de hijos por mujer
Figura 26: Data del número de hijos por mujer para América del sur
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia
256
Figura 27: Data del número de hijos por mujer para América del Centro y el caribe
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia
Figura 28: Data del número de hijos por mujer para África del Norte y Occidental
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia
257
Figura 29: Data número de hijos por mujer para África del Sur, Oriente y Central
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia
Figura 30: Data número de hijos por mujer para Asia
258
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia
Tasa de acceso de agua de la población
Figura 31: Data de la Tasa de acceso de agua de la población para América del sur
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia
259
Figura 32: Data de la Tasa de acceso de agua de la población para América del Centro y el caribe
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia
Figura 33: Data de la Tasa de acceso de agua de la población para África del Norte y Occidental
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia
260
Figura 34: Data de la Tasa de acceso de agua de la población para África del Sur, Oriente y Central
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia
Figura 35: Data de la Tasa de acceso de agua de la población para Asia
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia
261
Tasa de mejora de las instalaciones sanitarias
Figura 36: Data de la Tasa de mejora de las instalaciones sanitarias para América del sur
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia
Figura 37: Data de la Tasa de mejora de las instalaciones sanitarias para América del Centro y el caribe
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia
262
Figura 38: Data de la Tasa de mejora de las instalaciones sanitarias para África del Norte y Occidental
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia
Figura 39: Data de la Tasa de mejora de las instalaciones sanitarias para África del Sur, Oriente y Central
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia
263
Figura 40: Data de la Tasa de mejora de las instalaciones sanitarias para Asia
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia
Promedio de años de escolaridad
Figura 41: Data del Promedio de años de escolaridad para América del sur
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia
264
Figura 42: Data del Promedio de años de escolaridad para América del Centro y el caribe
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia
Figura 43: Data del Promedio de años de escolaridad para África del Norte y Occidental
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia
265
Figura 44: Data del Promedio de años de escolaridad para África del Sur, Oriente y Central
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia
Figura 45: Data del Promedio de años de escolaridad para Asia
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia
266
Gráficas de las Series
Gráficas de las series que componen el modelo para América del Sur
Figura 46: Evolución de la Tasa de Desempleo en América del Sur
0
4
8
12
16
20
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Argentina Bolivia Brasil
Chile Colombia Ecuador
Guyana Perú Paraguay
Uruguay
U
Tasa de Desempleo para América del Sur
Expresado en porcentaje de la población económicamente activa total
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Porc
enta
je d
e la P
EA
Tota
l
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
267
Figura 47: Evolución del Gasto en Salud per Cápita en América del Sur
0
200
400
600
800
1,000
1,200
1,400
1,600
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Argentina Bolivia Brasil
Chile Colombia Ecuador
Guyana Perú Paraguay
Uruguay
GS
Gasto en Salud per Cápita para América del Sur
Expresado en dólares americanos, a precios corrientes
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Dóla
res a
mericanos
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
268
Figura 48: Evolución del Ingreso Nacional Bruto per Cápita en América del Sur
0
4,000
8,000
12,000
16,000
20,000
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Argentina Bolivia Brasil
Chile Colombia Ecuador
Guyana Perú Paraguay
Uruguay
INB
Ingreso Nacional Bruto per Cápita para América del Sur
Expresado en dólares americanos, a precios corrientes
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Dóla
res
am
erica
nos
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
269
Figura 49: Evolución del Número de Hijos por Mujer en América del Sur
1.5
2.0
2.5
3.0
3.5
4.0
4.5
5.0
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Argentina Bolivia Brasil
Chile Colombia Ecuador
Guyana Perú Paraguay
Uruguay
NHM
Número de Hijos por Mujer para América del Sur
En cantidad de hijos, considerando hasta 3 decimales
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Cantidad d
e H
ijos
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
270
Figura 50: Evolución de la Tasa de Acceso al Agua Potable en América del Sur
60
65
70
75
80
85
90
95
100
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Argentina Bolivia Brasil
Chile Colombia Ecuador
Guyana Perú Paraguay
Uruguay
AAP
Tasa de Acceso al Agua para América del Sur
Expresado en porcentaje de la población con acceso
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Porc
enta
je d
e la P
obla
ción c
on A
cceso
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia en EViews 9
271
Figura 51: Evolución de la Tasa de Mejora de las Instalaciones Sanitarias en América del Sur
40
50
60
70
80
90
100
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Argentina Bolivia Brasil
Chile Colombia Ecuador
Guyana Perú Paraguay
Uruguay
MIS
Tasa de Mejora de las Instalaciones Sanitarias para América del Sur
Expresado en porcentaje del sector urbano de la población
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Porc
enta
je d
el S
ect
or
Urb
ano
de la P
obla
ción
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
272
Figura 52: Evolución de los Años Promedio de Escolaridad en América del Sur
4
5
6
7
8
9
10
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Argentina Bolivia Brasil
Chile Colombia Ecuador
Guyana Perú Paraguay
Uruguay
AE
Años Promedio de Escolaridad para América del Sur
Expresado en años, considerando hasta el primer decimal
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Programa de las Naciones Unidas para el Desarrollo - PNUD
Años
de E
scola
ridad
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
273
Gráficas de las series que componen el modelo para América Central
Figura 53: Evolución de la Tasa de Desempleo en América Central
0
4
8
12
16
20
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Costa Rica Guatemala
Honduras Nicaragua
Panamá El Salvador
República Dominicana Jamaica
Trinidad y Tobago México
Porc
enta
je d
e la P
EA
Tota
l
U
Tasa de Desempleo para América Central
Expresado en porcentaje de la población económicamente activa total
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
274
Figura 54: Evolución del Gasto en Salud per Cápita en América Central
0
200
400
600
800
1,000
1,200
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Costa Rica Guatemala
Honduras Nicaragua
Panamá El Salvador
República Dominicana Jamaica
Trinidad y Tobago México
GS
Gasto en Salud per Cápita para América Central
Expresado en dólares americanos, a precios corrientes
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Dóla
res
am
erica
nos
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
275
Figura 55: Evolución del Ingreso Nacional Bruto per Cápita en América Central
0
4,000
8,000
12,000
16,000
20,000
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Costa Rica Guatemala
Honduras Nicaragua
Panamá El Salvador
República Dominicana Jamaica
Trinidad y Tobago México
INB
Ingreso Nacional Bruto per Cápita para América Central
Expresado en dólares americanos, a precios corrientes
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Dóla
res
am
erica
nos
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
276
Figura 56: Evolución del Número de Hijos por Mujer en América Central
1.5
2.0
2.5
3.0
3.5
4.0
4.5
5.0
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Costa Rica Guatemala
Honduras Nicaragua
Panamá El Salvador
República Dominicana Jamaica
Trinidad y Tobago México
NHM
Número de Hijos por Mujer para América Central
En cantidad de hijos, considerando hasta 3 decimales
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Cantidad d
e H
ijos
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
277
Figura 57: Evolución de la Tasa de Acceso al Agua Potable en América Central
75
80
85
90
95
100
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Costa Rica Guatemala
Honduras Nicaragua
Panamá El Salvador
República Dominicana Jamaica
Trinidad y Tobago México
AAP
Tasa de Acceso al Agua para América Central
Expresado en porcentaje de la población con acceso
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Porc
enta
je d
e la P
obla
ción c
on A
cceso
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia en EViews 9
278
Figura 58: Evolución de la Tasa de Mejora de las Instalaciones Sanitarias en América Central
60
64
68
72
76
80
84
88
92
96
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Costa Rica Guatemala
Honduras Nicaragua
Panamá El Salvador
República Dominicana Jamaica
Trinidad y Tobago México
MIS
Tasa de Mejora de las Instalaciones Sanitarias para América Central
Expresado en porcentaje del sector urbano de la población
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Porc
enta
je d
el S
ect
or
Urb
ano
de la P
obla
ción
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
279
Figura 59: Evolución de los Años Promedio de Escolaridad en América Central
3
4
5
6
7
8
9
10
11
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Costa Rica Guatemala
Honduras Nicaragua
Panamá El Salvador
República Dominicana Jamaica
Trinidad y Tobago México
AE
Años Promedio de Escolaridad para América Central
Expresado en años, considerando hasta el primer decimal
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Programa de las Naciones Unidas para el Desarrollo - PNUD
Años
de E
scola
ridad
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
280
Gráficas de las series que componen el modelo para África del Norte y
Occidental
Figura 60: Evolución de la Tasa de Desempleo en África del Norte y Occidental
0
5
10
15
20
25
30
35
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Benín Costa de Marfil
Argelia Egipto
Ghana Gambia
Marruecos Malí
Mauritania Senegal
Sierra Leona Togo
Porc
enta
je d
e la P
EA
Tota
l
U
Tasa de Desempleo para África del Norte y Occidental
Expresado en porcentaje de la población económicamente activa total
Panel de datos para 12 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
281
Figura 61: Evolución del Gasto en Salud per Cápita en África del Norte y Occidental
0
50
100
150
200
250
300
350
400
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Benín Costa de Marfil
Argelia Egipto
Ghana Gambia
Marruecos Malí
Mauritania Senegal
Sierra Leona Togo
GS
Gasto en Salud per Cápita para África del Norte y Occidental
Expresado en dólares americanos, a precios corrientes
Panel de datos para 12 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Dóla
res
am
erica
nos
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
282
Figura 62: Evolución del Ingreso Nacional Bruto per Cápita en África del Norte y Occidental
0
1,000
2,000
3,000
4,000
5,000
6,000
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Benín Costa de Marfil
Argelia Egipto
Ghana Gambia
Marruecos Malí
Mauritania Senegal
Sierra Leona Togo
INB
Ingreso Nacional Bruto per Cápita para África del Norte y Occidental
Expresado en dólares americanos, a precios corrientes
Panel de datos para 12 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Dóla
res
am
erica
nos
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
283
Figura 63: Evolución del Número de Hijos por Mujer en África del Norte y Occidental
2
3
4
5
6
7
8
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Benín Costa de Marfil
Argelia Egipto
Ghana Gambia
Marruecos Malí
Mauritania Senegal
Sierra Leona Togo
NHM
Número de Hijos por Mujer para África del Norte y Occidental
En cantidad de hijos, considerando hasta 3 decimales
Panel de datos para 12 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Cantidad d
e H
ijos
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
284
Figura 64: Evolución de la Tasa de Acceso al Agua Potable en África del Norte y Occidental
30
40
50
60
70
80
90
100
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Benín Costa de Marfil
Argelia Egipto
Ghana Gambia
Marruecos Malí
Mauritania Senegal
Sierra Leona Togo
AAP
Tasa de Acceso al Agua para África del Norte y Occidental
Expresado en porcentaje de la población con acceso
Panel de datos para 12 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Porc
enta
je d
e la P
obla
ción c
on A
cceso
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia en EViews 9
285
Figura 65: Evolución de la Tasa de Mejora de las Instalaciones Sanitarias en África del Norte y Occidental
10
20
30
40
50
60
70
80
90
100
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Benín Costa de Marfil
Argelia Egipto
Ghana Gambia
Marruecos Malí
Mauritania Senegal
Sierra Leona Togo
MIS
Tasa de Mejora de las Instalaciones Sanitarias para África del Norte y Occidental
Expresado en porcentaje del sector urbano de la población
Panel de datos para 12 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Porc
enta
je d
el S
ect
or
Urb
ano
de la P
obla
ción
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
286
Figura 66: Evolución de los Años Promedio de Escolaridad en África del Norte y Occidental
0
1
2
3
4
5
6
7
8
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Benín Costa de Marfil
Argelia Egipto
Ghana Gambia
Marruecos Malí
Mauritania Senegal
Sierra Leona Togo
AE
Años Promedio de Escolaridad para África del Norte y Occidental
Expresado en años, considerando hasta el primer decimal
Panel de datos para 12 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Programa de las Naciones Unidas para el Desarrollo - PNUD
Años
de E
scola
ridad
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
287
Gráficas de las series que componen el modelo para África del Sur, Oriente y
Central
Figura 67: Evolución de la Tasa de Desempleo en África del Sur, Oriente y Central
0
10
20
30
40
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Camerún Kenia Lesoto
Mozambique Malaui Ruanda
Suazilandia Tanzania Uganda
Zambia
Porc
enta
je d
e la P
EA
Tota
l
U
Tasa de Desempleo para África del Sur, Oriente y Central
Expresado en porcentaje de la población económicamente activa total
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
288
Figura 68: Evolución del Gasto en Salud per Cápita en África del Sur, Oriente y Central
0
40
80
120
160
200
240
280
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Camerún Kenia Lesoto
Mozambique Malaui Ruanda
Suazilandia Tanzania Uganda
Zambia
GS
Gasto en Salud per Cápita para África del Sur, Oriente y Central
Expresado en dólares americanos, a precios corrientes
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Dóla
res
am
erica
nos
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
289
Figura 69: Evolución del Ingreso Nacional Bruto per Cápita en África del Sur, Oriente y Central
0
500
1,000
1,500
2,000
2,500
3,000
3,500
4,000
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Camerún Kenia Lesoto
Mozambique Malaui Ruanda
Suazilandia Tanzania Uganda
Zambia
INB
Ingreso Nacional Bruto per Cápita para África del Sur, Oriente y Central
Expresado en dólares americanos, a precios corrientes
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Dóla
res
am
ericanos
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
290
Figura 70: Evolución del Número de Hijos por Mujer en África del Sur, Oriente y Central
3
4
5
6
7
8
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Camerún Kenia Lesoto
Mozambique Malaui Ruanda
Suazilandia Tanzania Uganda
Zambia
NHM
Número de Hijos por Mujer para África del Sur, Oriente y Central
En cantidad de hijos, considerando hasta 3 decimales
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Cantidad d
e H
ijos
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
291
Figura 71: Evolución de la Tasa de Acceso al Agua Potable en África del Sur, Oriente y Central
30
40
50
60
70
80
90
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Camerún Kenia Lesoto
Mozambique Malaui Ruanda
Suazilandia Tanzania Uganda
Zambia
AAP
Tasa de Acceso al Agua para África del Sur, Oriente y Central
Expresado en porcentaje de la población con acceso
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Porc
enta
je d
e la P
obla
ción c
on A
cceso
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia en EViews 9
292
Figura 72: Evolución de la Tasa de Mejora de las Instalaciones Sanitarias en África del Sur, Oriente y
Central
10
20
30
40
50
60
70
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Camerún Kenia Lesoto
Mozambique Malaui Ruanda
Suazilandia Tanzania Uganda
Zambia
MIS
Tasa de Mejora de las Instalaciones Sanitarias para África del Sur, Oriente y Central
Expresado en porcentaje del sector urbano de la población
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Porc
enta
je d
el S
ect
or
Urb
ano
de la P
obla
ción
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
293
Figura 73: Evolución de los Años Promedio de Escolaridad en África del Sur, Oriente y Central
1
2
3
4
5
6
7
8
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Camerún Kenia Lesoto
Mozambique Malaui Ruanda
Suazilandia Tanzania Uganda
Zambia
AE
Años Promedio de Escolaridad para África del Sur, Oriente y Central
Expresado en años, considerando hasta el primer decimal
Panel de datos para 10 países de este subcontinente
Periodicidad anual, de 1995 al 2014
Fuente: Programa de las Naciones Unidas para el Desarrollo - PNUD
Años d
e E
scola
ridad
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
294
Gráficas de las series que componen el modelo para Asia
Figura 74: Evolución de la Tasa de Desempleo en Asia
0
5
10
15
20
25
30
35
40
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Armenia Azerbaiyán Bangladesh
Indonesia India Kazajistán
Kirguistán Camboya Sri Lanka
Mongolia Nepal Tailandia
Tayikistán Vietnam Turquía
Porc
enta
je d
e la P
EA
Tota
l
U
Tasa de Desempleo para Asia
Expresado en porcentaje de la población económicamente activa total
Panel de datos para 15 países de este continente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
295
Figura 75: Evolución del Gasto en Salud per Cápita en Asia
0
100
200
300
400
500
600
700
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Armenia Azerbaiyán Bangladesh
Indonesia India Kazajistán
Kirguistán Camboya Sri Lanka
Mongolia Nepal Tailandia
Tayikistán Vietnam Turquía
GS
Gasto en Salud per Cápita para Asia
Expresado en dólares americanos, a precios corrientes
Panel de datos para 15 países de este continente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Dóla
res
am
erica
nos
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
296
Figura 76: Evolución del Ingreso Nacional Bruto per Cápita en Asia
0
2,000
4,000
6,000
8,000
10,000
12,000
14,000
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Armenia Azerbaiyán Bangladesh
Indonesia India Kazajistán
Kirguistán Camboya Sri Lanka
Mongolia Nepal Tailandia
Tayikistán Vietnam Turquía
INB
Ingreso Nacional Bruto per Cápita para Asia
Expresado en dólares americanos, a precios corrientes
Panel de datos para 15 países de este continente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Dóla
res
am
erica
nos
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
297
Figura 77: Evolución del Número de Hijos por Mujer en Asia
1.2
1.6
2.0
2.4
2.8
3.2
3.6
4.0
4.4
4.8
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Armenia Azerbaiyán Bangladesh
Indonesia India Kazajistán
Kirguistán Camboya Sri Lanka
Mongolia Nepal Tailandia
Tayikistán Vietnam Turquía
NHM
Número de Hijos por Mujer para Asia
En cantidad de hijos, considerando hasta 3 decimales
Panel de datos para 15 países de este continente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Cantidad d
e H
ijos
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
298
Figura 78: Evolución de la Tasa de Acceso al Agua Potable en Asia
20
30
40
50
60
70
80
90
100
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Armenia Azerbaiyán Bangladesh
Indonesia India Kazajistán
Kirguistán Camboya Sri Lanka
Mongolia Nepal Tailandia
Tayikistán Vietnam Turquía
AAP
Tasa de Acceso al Agua para Asia
Expresado en porcentaje de la población con acceso
Panel de datos para 15 países de este continente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Porc
enta
je d
e la P
obla
ción c
on A
cceso
299
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia en EViews 9
Figura 79: Evolución de la Tasa de Mejora de las Instalaciones Sanitarias en Asia
20
30
40
50
60
70
80
90
100
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Armenia Azerbaiyán Bangladesh
Indonesia India Kazajistán
Kirguistán Camboya Sri Lanka
Mongolia Nepal Tailandia
Tayikistán Vietnam Turquía
MIS
Tasa de Mejora de las Instalaciones Sanitarias para Asia
Expresado en porcentaje del sector urbano de la población
Panel de datos para 15 países de este continente
Periodicidad anual, de 1995 al 2014
Fuente: Banco Mundial
Porc
enta
je d
el S
ect
or
Urb
ano
de la P
obla
ción
300
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
Figura 80: Evolución de los Años Promedio de Escolaridad en Asia
2
4
6
8
10
12
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Armenia Azerbaiyán Bangladesh
Indonesia India Kazajistán
Kirguistán Camboya Sri Lanka
Mongolia Nepal Tailandia
Tayikistán Vietnam Turquía
AE
Años Promedio de Escolaridad para Asia
Expresado en años, considerando hasta el primer decimal
Panel de datos para 15 países de este continente
Periodicidad anual, de 1995 al 2014
Fuente: Programa de las Naciones Unidas para el Desarrollo - PNUD
Años
de E
scola
ridad
301
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
Estadísticas Descriptivas de las Series
Estadísticas Descriptivas de las series que componen el modelo para América
del Sur
Figura 81: Estadísticas de la Tasa de Prevalencia de la Desnutrición en América del Sur
0
10
20
30
40
50
60
70
80
6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36
Serie: TPDMuestra 1995 2014Observaciones 200
Media 12.08200Mediana 10.60000V. Máximo 36.00000V. Mínimo 5.000000Desv. Est. 7.818190Asimetría 1.293281Kurtosis 4.105492
Jarque-Bera 65.93678P-valor del JB 0.000000
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 82: Estadísticas de la Tasa de Desempleo en América del Sur
302
0
4
8
12
16
20
4 6 8 10 12 14 16 18
Serie: UMuestra 1995 2014Observaciones 200
Media 8.183000Mediana 7.600000V. Máximo 18.80000V. Mínimo 2.600000Desv. Est. 3.388795Asimetría 0.747943Kurtosis 3.218695
Jarque-Bera 19.04584P-valor del JB 0.000073
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
Figura 83: Estadísticas del Gasto en Salud per Cápita en América del Sur
0
4
8
12
16
20
24
28
32
36
0 200 400 600 800 1000 1200 1400
Serie: GSMuestra 1995 2014Observaciones 200
Media 352.4798Mediana 241.1371V. Máximo 1464.748V. Mínimo 33.09683Desv. Est. 307.1821Asimetría 1.326043Kurtosis 4.383957
Jarque-Bera 74.57416P-valor del JB 0.000000
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 84: Estadísticas del Ingreso Nacional Bruto per Cápita en América del Sur
303
0
4
8
12
16
20
24
2000 4000 6000 8000 10000 12000 14000 16000
Serie: INBMuestra 1995 2014Observaciones 200
Media 4558.300Mediana 3640.000V. Máximo 16210.00V. Mínimo 740.0000Desv. Est. 3461.542Asimetría 1.290096Kurtosis 4.240532
Jarque-Bera 68.30263P-valor del JB 0.000000
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
Figura 85: Estadísticas del Número de Hijos por Mujer en América del Sur
0
4
8
12
16
20
1.8 2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8 4.0 4.2 4.4 4.6
Serie: NHMMuestra 1995 2014Observaciones 200
Media 2.637520Mediana 2.559500V. Máximo 4.503000V. Mínimo 1.761000Desv. Est. 0.588553Asimetría 0.893494Kurtosis 3.601958
Jarque-Bera 29.63063P-valor del JB 0.000000
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 86: Estadísticas de la Tasa de Acceso al Agua Potable en América del Sur
304
0
4
8
12
16
20
65 70 75 80 85 90 95 100
Serie: AAPMuestra 1995 2014Observaciones 200
Media 89.33600Mediana 90.75000V. Máximo 99.60000V. Mínimo 63.60000Desv. Est. 7.858568Asimetría -0.714493Kurtosis 2.856518
Jarque-Bera 17.18823P-valor del JB 0.000185
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia en EViews 9
Figura 87: Estadísticas de la Tasa de Mejoras de las Instalaciones Sanitarias en América del Sur
0
5
10
15
20
25
30
35
50 60 70 80 90 100
Serie: MISMuestra 1995 2014Observaciones 200
Media 84.06750Mediana 85.65000V. Máximo 100.0000V. Mínimo 46.10000Desv. Est. 12.12388Asimetría -1.482299Kurtosis 4.953070
Jarque-Bera 105.0276P-valor del JB 0.000000
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
Figura 88: Estadísticas de los Años Promedio de Escolaridad en América del Sur
305
0
5
10
15
20
25
30
5 6 7 8 9 10
Serie: AEMuestra 1995 2014Observaciones 200
Media 7.720993Mediana 7.667201V. Máximo 9.800000V. Mínimo 4.600000Desv. Est. 1.106378Asimetría -0.099916Kurtosis 2.839672
Jarque-Bera 0.546985P-valor del JB 0.760718
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
Estadísticas Descriptivas de las series que componen el modelo para América
Central
Figura 89: Estadísticas de la Tasa de Prevalencia de la Desnutrición en América Central
0
10
20
30
40
50
5 10 15 20 25 30 35 40 45
Serie: TPDMuestra 1995 2014Observaciones 200
Media 14.91600Mediana 13.80000V. Máximo 45.10000V. Mínimo 5.000000Desv. Est. 8.495955Asimetría 0.984091Kurtosis 3.833376
Jarque-Bera 38.06881P-valor del JB 0.000000
306
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 90: Estadísticas de la Tasa de Desempleo en América Central
0
2
4
6
8
10
12
14
16
2 4 6 8 10 12 14 16 18
Serie: UMuestra 1995 2014Observaciones 200
Media 7.752500Mediana 6.200000V. Máximo 18.40000V. Mínimo 1.300000Desv. Est. 4.480588Asimetría 0.752184Kurtosis 2.233355
Jarque-Bera 23.75726P-valor del JB 0.000007
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews .
Figura 91: Estadísticas del Gasto en Salud per Cápita en América Central
0
5
10
15
20
25
30
35
40
0 100 200 300 400 500 600 700 800 900 1000 1100
Serie: GSMuestra 1995 2014Observaciones 200
Media 290.8569Mediana 215.1404V. Máximo 1136.306V. Mínimo 35.37161Desv. Est. 239.4435Asimetría 1.623556Kurtosis 5.013035
Jarque-Bera 121.6337P-valor del JB 0.000000
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
307
Figura 92: Estadísticas del Ingreso Nacional Bruto per Cápita en América Central
0
4
8
12
16
20
24
2000 4000 6000 8000 10000 12000 14000 16000 18000
Serie: INBMuestra 1995 2014Observaciones 200
Media 4411.850Mediana 3455.000V. Máximo 18380.00V. Mínimo 620.0000Desv. Est. 3529.988Asimetría 1.789104Kurtosis 6.395609
Jarque-Bera 202.7811P-valor del JB 0.000000
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
Figura 93: Estadísticas del Número de Hijos por Mujer en América Central
0
4
8
12
16
20
24
2.0 2.5 3.0 3.5 4.0 4.5 5.0
Serie: NHMMuestra 1995 2014Observaciones 200
Media 2.711900Mediana 2.578000V. Máximo 4.939000V. Mínimo 1.744000Desv. Est. 0.703917Asimetría 1.078109Kurtosis 3.993846
Jarque-Bera 46.97501P-valor del JB 0.000000
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
308
Figura 94: Estadísticas de la Tasa de Acceso al Agua Potable en América Central
0
5
10
15
20
25
30
35
76 78 80 82 84 86 88 90 92 94 96 98
Serie: AAPMuestra 1995 2014Observaciones 200
Media 88.97700Mediana 89.60000V. Máximo 97.70000V. Mínimo 75.80000Desv. Est. 5.454303Asimetría -0.509560Kurtosis 2.324961
Jarque-Bera 12.45237P-valor del JB 0.001977
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia en EViews 9
Figura 95: Estadísticas de la Tasa de Mejoras de las Instalaciones Sanitarias en América Central
0
5
10
15
20
25
30
64 66 68 70 72 74 76 78 80 82 84 86 88 90 92 94 96
Serie: MISMuestra 1995 2014Observaciones 200
Media 81.80400Mediana 80.80000V. Máximo 95.20000V. Mínimo 63.60000Desv. Est. 7.233110Asimetría 0.103158Kurtosis 2.640232
Jarque-Bera 1.433322P-valor del JB 0.488380
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
309
Figura 96: Estadísticas de los Años Promedio de Escolaridad en América Central
0
2
4
6
8
10
12
14
4 5 6 7 8 9 10 11
Serie: AEMuestra 1995 2014Observaciones 200
Media 6.989526Mediana 7.088744V. Máximo 10.90000V. Mínimo 3.500000Desv. Est. 1.955689Asimetría -0.012607Kurtosis 2.012310
Jarque-Bera 8.134728P-valor del JB 0.017122
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
Estadísticas Descriptivas de las series que componen el modelo para África del
Norte y Occidental
Figura 97: Estadísticas de la Tasa de Prevalencia de la Desnutrición en África del Norte y Occidental
310
0
10
20
30
40
50
60
6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42
Serie: TPDMuestra 1995 2014Observaciones 240
Media 14.77500Mediana 12.65000V. Máximo 41.00000V. Mínimo 5.000000Desv. Est. 9.437309Asimetría 0.978186Kurtosis 3.064266
Jarque-Bera 38.31522P-valor del JB 0.000000
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 98: Estadísticas de la Tasa de Desempleo en África del Norte y Occidental
0
10
20
30
40
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32
Serie: UMuestra 1995 2014Observaciones 240
Media 9.886667Mediana 8.100000V. Máximo 32.50000V. Mínimo 0.700000Desv. Est. 8.324184Asimetría 1.669773Kurtosis 4.931899
Jarque-Bera 148.8480P-valor del JB 0.000000
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
Figura 99: Estadísticas del Gasto en Salud per Cápita en África del Norte y Occidental
311
0
10
20
30
40
50
60
40 80 120 160 200 240 280 320 360
Serie: GSMuestra 1995 2014Observaciones 240
Media 55.12156Mediana 38.66345V. Máximo 361.7292V. Mínimo 11.39667Desv. Est. 54.54545Asimetría 2.993709Kurtosis 13.92922
Jarque-Bera 1552.971P-valor del JB 0.000000
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 100: Estadísticas del Ingreso Nacional Bruto per Cápita en África del Norte y Occidental
0
10
20
30
40
50
60
70
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500
Serie: INBMuestra 1995 2014Observaciones 240
Media 1037.125Mediana 710.0000V. Máximo 5520.000V. Mínimo 160.0000Desv. Est. 962.9451Asimetría 2.330567Kurtosis 9.120936
Jarque-Bera 591.9203P-valor del JB 0.000000
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
Figura 101: Estadísticas del Número de Hijos por Mujer en África del Norte y Occidental
312
0
4
8
12
16
20
24
28
32
2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0
Serie: NHMMuestra 1995 2014Observaciones 240
Media 4.863421Mediana 5.175500V. Máximo 7.058000V. Mínimo 2.404000Desv. Est. 1.300923Asimetría -0.534502Kurtosis 2.161306
Jarque-Bera 18.46178P-valor del JB 0.000098
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 102: Estadísticas de la Tasa de Acceso al Agua Potable en África del Norte y Occidental
0
4
8
12
16
20
24
40 50 60 70 80 90 100
Serie: AAPMuestra 1995 2014Observaciones 240
Media 71.49917Mediana 74.90000V. Máximo 99.20000V. Mínimo 35.70000Desv. Est. 16.04217Asimetría -0.303492Kurtosis 2.153224
Jarque-Bera 10.85459P-valor del JB 0.004395
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia en EViews 9
313
Figura 103: Estadísticas de la Tasa de Mejoras de las Instalaciones Sanitarias en África del Norte y
Occidental
0
5
10
15
20
25
30
20 30 40 50 60 70 80 90
Serie: MISMuestra 1995 2014Observaciones 240
Media 49.57375Mediana 36.30000V. Máximo 96.80000V. Mínimo 14.30000Desv. Est. 27.07400Asimetría 0.486926Kurtosis 1.741919
Jarque-Bera 25.31155P-valor del JB 0.000003
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
Figura 104: Estadísticas de los Años Promedio de Escolaridad en África del Norte y Occidental
0
4
8
12
16
20
24
1 2 3 4 5 6 7
Serie: AEMuestra 1995 2014Observaciones 240
Media 3.732614Mediana 3.300000V. Máximo 7.600000V. Mínimo 0.900000Desv. Est. 1.650988Asimetría 0.694686Kurtosis 2.559020
Jarque-Bera 21.24816P-valor del JB 0.000024
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
314
Estadísticas Descriptivas de las series que componen el modelo para África del
Sur, Oriente y Central
Figura 105: Estadísticas de la Tasa de Prevalencia de la Desnutrición en África del Sur, Oriente y Central
0
4
8
12
16
20
24
10 15 20 25 30 35 40 45 50 55 60 65
Serie: TPDMuestra 1995 2014Observaciones 200
Media 30.86000Mediana 29.95000V. Máximo 66.40000V. Mínimo 10.20000Desv. Est. 12.43026Asimetría 0.485331Kurtosis 3.028326
Jarque-Bera 7.858237P-valor del JB 0.019661
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 106: Estadísticas de la Tasa de Desempleo en África del Sur, Oriente y Central
0
4
8
12
16
20
24
28
32
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40
Serie: UMuestra 1995 2014Observaciones 200
Media 12.08050Mediana 8.600000V. Máximo 39.30000V. Mínimo 0.600000Desv. Est. 9.854431Asimetría 0.742247Kurtosis 2.478404
Jarque-Bera 20.63153P-valor del JB 0.000033
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
315
Figura 107: Estadísticas del Gasto en Salud per Cápita en África del Sur, Oriente y Central
0
10
20
30
40
50
0 20 40 60 80 100 120 140 160 180 200 220 240 260 280
Serie: GSMuestra 1995 2014Observaciones 200
Media 46.79144Mediana 32.22259V. Máximo 272.6272V. Mínimo 6.766605Desv. Est. 49.60925Asimetría 2.821327Kurtosis 11.60897
Jarque-Bera 882.9490P-valor del JB 0.000000
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 108: Estadísticas del Ingreso Nacional Bruto per Cápita en África del Sur, Oriente y Central
0
4
8
12
16
20
24
28
32
36
400 800 1200 1600 2000 2400 2800 3200 3600
Serie: INBMuestra 1995 2014Observaciones 200
Media 742.0000Mediana 515.0000V. Máximo 3680.000V. Mínimo 140.0000Desv. Est. 660.1606Asimetría 2.174788Kurtosis 8.246075
Jarque-Bera 387.0009P-valor del JB 0.000000
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
316
Figura 109: Estadísticas del Número de Hijos por Mujer en África del Sur, Oriente y Central
0
2
4
6
8
10
12
14
16
3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0
Serie: NHMMuestra 1995 2014Observaciones 200
Media 5.264370Mediana 5.500000V. Máximo 7.018000V. Mínimo 3.185000Desv. Est. 0.928061Asimetría -0.531417Kurtosis 2.570372
Jarque-Bera 10.95165P-valor del JB 0.004187
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 110: Estadísticas de la Tasa de Acceso al Agua Potable en África del Sur, Oriente y Central
0
5
10
15
20
25
30
35 40 45 50 55 60 65 70 75 80 85 90
Serie: AAPMuestra 1995 2014Observaciones 200
Media 62.15600Mediana 60.95000V. Máximo 88.40000V. Mínimo 37.00000Desv. Est. 11.52397Asimetría 0.117470Kurtosis 2.187991
Jarque-Bera 5.954626P-valor del JB 0.050929
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia en EViews 9
317
Figura 111: Estadísticas de la Tasa de Mejoras de las Instalaciones Sanitarias en África del Sur, Oriente
y Central
0
4
8
12
16
20
24
28
32
36
10 15 20 25 30 35 40 45 50 55 60 65
Serie: MISMuestra 1995 2014Observaciones 200
Media 44.04950Mediana 44.15000V. Máximo 63.10000V. Mínimo 11.30000Desv. Est. 14.87768Asimetría -0.154047Kurtosis 1.683960
Jarque-Bera 15.22402P-valor del JB 0.000494
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
Figura 112: Estadísticas de los Años Promedio de Escolaridad en África del Sur, Oriente y Central
0
4
8
12
16
20
1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0
Serie: AEMuestra 1995 2014Observaciones 200
Media 4.671264Mediana 4.879277V. Máximo 7.100000V. Mínimo 1.500000Desv. Est. 1.379757Asimetría -0.305540Kurtosis 2.175193
Jarque-Bera 8.781051P-valor del JB 0.012394
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
318
Estadísticas Descriptivas de las series que componen el modelo para Asia
Figura 113: Estadísticas de la Tasa de Prevalencia de la Desnutrición en Asia
0
10
20
30
40
50
60
70
5 10 15 20 25 30 35 40 45 50
Serie: TPDMuestra 1995 2014Observaciones 300
Media 18.73467Mediana 17.30000V. Máximo 51.70000V. Mínimo 5.000000Desv. Est. 10.83866Asimetría 0.521429Kurtosis 2.475041
Jarque-Bera 17.03916P-valor del JB 0.000200
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 114: Estadísticas de la Tasa de Desempleo en Asia
0
10
20
30
40
50
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36
Serie: UMuestra 1995 2014Observaciones 300
Media 6.943000Mediana 5.900000V. Máximo 35.90000V. Mínimo 0.100000Desv. Est. 5.573719Asimetría 2.042376Kurtosis 9.031767
Jarque-Bera 663.3426P-valor del JB 0.000000
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
319
Figura 115: Estadísticas del Gasto en Salud per Cápita en Asia
0
20
40
60
80
100
0 50 100 150 200 250 300 350 400 450 500 550 600 650
Serie: GSMuestra 1995 2014Observaciones 300
Media 94.02230Mediana 44.20237V. Máximo 627.8892V. Mínimo 3.010293Desv. Est. 127.6374Asimetría 2.423996Kurtosis 8.490751
Jarque-Bera 670.6422P-valor del JB 0.000000
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 116: Estadísticas del Ingreso Nacional Bruto per Cápita en Asia
0
10
20
30
40
50
60
70
80
90
0 2000 4000 6000 8000 10000 12000
Serie: INBMuestra 1995 2014Observaciones 300
Media 1856.767Mediana 865.0000V. Máximo 12490.00V. Mínimo 160.0000Desv. Est. 2325.889Asimetría 2.352289Kurtosis 8.682899
Jarque-Bera 680.3548P-valor del JB 0.000000
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
320
Figura 117: Estadísticas del Número de Hijos por Mujer en Asia
0
4
8
12
16
20
24
28
32
1.5 2.0 2.5 3.0 3.5 4.0 4.5
Serie: NHMMuestra 1995 2014Observaciones 300
Media 2.551668Mediana 2.456000V. Máximo 4.720000V. Mínimo 1.512000Desv. Est. 0.713374Asimetría 0.920399Kurtosis 3.412674
Jarque-Bera 44.48544P-valor del JB 0.000000
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 118: Estadísticas de la Tasa de Acceso al Agua Potable en Asia
0
10
20
30
40
50
30 40 50 60 70 80 90 100
Serie: AAPMuestra 1995 2014Observaciones 300
Media 80.55400Mediana 82.75000V. Máximo 100.0000V. Mínimo 30.30000Desv. Est. 13.82371Asimetría -1.031127Kurtosis 3.942941
Jarque-Bera 64.27533P-valor del JB 0.000000
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia en EViews 9
321
Figura 119: Estadísticas de la Tasa de Mejoras de las Instalaciones Sanitarias en Asia
0
10
20
30
40
50
60
30 40 50 60 70 80 90 100
Serie: MISMuestra 1995 2014Observaciones 300
Media 77.37933Mediana 84.90000V. Máximo 98.20000V. Mínimo 28.00000Desv. Est. 17.87623Asimetría -0.609100Kurtosis 2.102374
Jarque-Bera 28.62178P-valor del JB 0.000001
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
Figura 120: Estadísticas de los Años Promedio de Escolaridad en Asia
0
4
8
12
16
20
24
28
32
2 3 4 5 6 7 8 9 10 11
Serie: AEMuestra 1995 2014Observaciones 300
Media 7.529761Mediana 7.500000V. Máximo 11.40000V. Mínimo 2.200000Desv. Est. 2.852123Asimetría -0.211538Kurtosis 1.608706
Jarque-Bera 26.43367P-valor del JB 0.000002
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
322
Función de Densidad de Probabilidad Normal (FDPN) de las Series
FDPN de las series que componen el modelo para América del Sur
Figura 121: FDPN de la Tasa de Prevalencia de la Desnutrición en América del Sur
.00
.04
.08
.12
.16
.20
.24
.28
.32
.36
-20 -10 0 10 20 30 40
Histograma
Función de Densidad de Probabilidad Normal
De
nsi
da
dTPD
Tasa de Prevalencia de la Desnutrición para América del SurFunción de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 122: FDPN de la Tasa de Desempleo en América del Sur
.00
.04
.08
.12
.16
.20
-4 -2 0 2 4 6 8 10 12 14 16 18 20
Histograma
Función de Densidad de Probabilidad Normal
De
nsi
da
d
UTasa de Desempleo para América del Sur
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
323
Figura 123: FDPN del Gasto en Salud per Cápita en América del Sur
.0000
.0004
.0008
.0012
.0016
.0020
.0024
.0028
.0032
.0036
-1,000 -800 -600 -400 -200 0 200 400 600 800 1,000 1,400
Histograma
Función de Densidad de Probabilidad Normal
De
nsi
da
d
GSGasto en Salud per Cápita para América del Sur
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 124: FDPN del Ingreso Nacional Bruto per Cápita en América del Sur
.00000
.00004
.00008
.00012
.00016
.00020
.00024
-12,000 -8,000 -4,000 0 4,000 8,000 12,000 16,000 20,000
Histograma
Función de Densidad de Probabilidad Normal
De
nsi
da
d
INBIngreso Nacional Bruto per Cápita para América del Sur
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
324
Figura 125: FDPN del Número de Hijos por Mujer en América del Sur
0.0
0.2
0.4
0.6
0.8
1.0
0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
NHMNúmero de Hijos por Mujer para América del Sur
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 126: FDPN de la Tasa de Acceso al Agua Potable en América del Sur
.00
.02
.04
.06
.08
.10
60 70 80 90 100 110 120
Histograma
Función de Densidad de Probabilidad Normal
De
nsi
da
d
AAPTasa de Acceso al Agua para América del SurFunción de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia en EViews 9
325
Figura 127: FDPN de la Tasa de Mejora de las Instalaciones Sanitarias en América del Sur
.00
.01
.02
.03
.04
.05
.06
.07
40 50 60 70 80 90 100 110 120 130
Histograma
Función de Densidad de Probabilidad Normal
De
nsi
da
d
MISTasa de Mejora de las Instalaciones Sanitarias para América del Sur
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
Figura 128: FDPN de los Años Promedio de Escolaridad en América del Sur
.0
.1
.2
.3
.4
.5
.6
4 5 6 7 8 9 10 11 12
Histograma
Función de Densidad de Probabilidad Normal
De
nsi
da
d
AEAños Promedio de Escolaridad para América del Sur
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
326
FDPN de las series que componen el modelo para América Central
Figura 129: FDPN de la Tasa de Prevalencia de la Desnutrición en América Central
.00
.02
.04
.06
.08
.10
-20 -10 0 10 20 30 40 50
Histograma
Función de Densidad de Probabilidad Normal
De
nsi
da
dTPD
Tasa de Prevalencia de la Desnutrición para América CentralFunción de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 130: FDPN de la Tasa de Desempleo en América Central
.00
.02
.04
.06
.08
.10
.12
.14
.16
-4 -2 0 2 4 6 8 10 12 14 16 18 20
Histograma
Función de Densidad de Probabilidad Normal
De
nsi
da
d
UTasa de Desempleo para América Central
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
327
Figura 131: FDPN del Gasto en Salud per Cápita en América Central
.0000
.0005
.0010
.0015
.0020
.0025
.0030
.0035
.0040
-800 -600 -400 -200 0 200 400 600 800 1,000 1,200 1,400
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
GSGasto en Salud per Cápita para América Central
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 132: FDPN del Ingreso Nacional Bruto per Cápita en América Central
.00000
.00004
.00008
.00012
.00016
.00020
.00024
-12,000 -8,000 -4,000 0 4,000 8,000 12,000 16,000 20,000
Histograma
Función de Densidad de Probabilidad Normal
De
nsi
da
d
INBIngreso Nacional Bruto per Cápita para América Central
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
328
Figura 133: FDPN del Número de Hijos por Mujer en América Central
0.0
0.2
0.4
0.6
0.8
1.0
1.2
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
NHMNúmero de Hijos por Mujer para América Central
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 134: FDPN de la Tasa de Acceso al Agua Potable en América Central
.00
.04
.08
.12
.16
.20
72 76 80 84 88 92 96 100 104
Histograma
Función de Densidad de Probabilidad Normal
De
nsi
da
d
AAPTasa de Acceso al Agua para América CentralFunción de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia en EViews 9
329
Figura 135: FDPN de la Tasa de Mejora de las Instalaciones Sanitarias en América Central
.00
.02
.04
.06
.08
.10
.12
.14
.16
60 65 70 75 80 85 90 95 100 105
Histograma
Función de Densidad de Probabilidad Normal
De
nsi
da
d
MISTasa de Mejora de las Instalaciones Sanitarias para América Central
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
Figura 136: FDPN de los Años Promedio de Escolaridad en América Central
.00
.05
.10
.15
.20
.25
1 2 3 4 5 6 7 8 9 10 11 12 13
Histograma
Función de Densidad de Probabilidad Normal
De
nsi
da
d
AEAños Promedio de Escolaridad para América Central
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
330
FDPN de las series que componen el modelo para África del Norte y Occidental
Figura 137: FDPN de la Tasa de Prevalencia de la Desnutrición en África del Norte y Occidental
.00
.04
.08
.12
.16
.20
.24
-20 -10 0 10 20 30 40 50
Histograma
Función de Densidad de Probabilidad Normal
De
nsi
da
dTPD
Tasa de Prevalencia de la Desnutrición para África del Norte y OccidentalFunción de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 138: FDPN de la Tasa de Desempleo en África del Norte y Occidental
.00
.04
.08
.12
.16
.20
-15 -10 -5 0 5 10 15 20 25 30 35
Histograma
Función de Densidad de Probabilidad Normal
De
nsi
da
d
UTasa de Desempleo para África del Norte y Occidental
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
331
Figura 139: FDPN del Gasto en Salud per Cápita en África del Norte y Occidental
.000
.004
.008
.012
.016
.020
.024
-300 -200 -100 0 100 200 300 400
Histograma
Función de Densidad de Probabilidad Normal
De
nsi
da
d
GSGasto en Salud per Cápita para África del Norte y Occidental
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 140: FDPN del Ingreso Nacional Bruto per Cápita en África del Norte y Occidental
.0000
.0002
.0004
.0006
.0008
.0010
.0012
-4,000 -3,000 -2,000 -1,000 0 1,000 2,000 3,000 4,000 5,000 6,000
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
INBIngreso Nacional Bruto per Cápita para África del Norte y Occidental
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
332
Figura 141: FDPN del Número de Hijos por Mujer en África del Norte y Occidental
.0
.1
.2
.3
.4
.5
.6
1 2 3 4 5 6 7 8 9
Histograma
Función de Densidad de Probabilidad Normal
De
nsi
da
d
NHMNúmero de Hijos por Mujer para África del Norte y Occidental
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 142: FDPN de la Tasa de Acceso al Agua Potable en África del Norte y Occidental
.000
.005
.010
.015
.020
.025
.030
.035
30 40 50 60 70 80 90 100 110 120
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
AAPTasa de Acceso al Agua para África del Norte y Occidental
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración propia en EViews 9
333
Figura 143: FDPN de la Tasa de Mejora de las Instalaciones Sanitarias en África del Norte y Occidental
.00
.01
.02
.03
.04
.05
-20 -10 0 10 20 30 40 50 60 70 80 90 100 110 120
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
MISTasa de Mejora de las Instalaciones Sanitarias para África del Norte y Occidental
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
Figura 144: FDPN de los Años Promedio de Escolaridad en África del Norte y Occidental
.00
.04
.08
.12
.16
.20
.24
.28
.32
.36
-1 0 1 2 3 4 5 6 7 8
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
AEAños Promedio de Escolaridad para África del Norte y Occidental
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
334
FDPN de las series que componen el modelo para África del Sur, Oriente y
Central
Figura 145: FDPN de la Tasa de Prevalencia de la Desnutrición en África del Sur, Oriente y Central
.00
.01
.02
.03
.04
.05
-10 0 10 20 30 40 50 60 70
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
TPDTasa de Prevalencia de la Desnutrición para África del Sur, Oriente y Central
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 146: FDPN de la Tasa de Desempleo en África del Sur, Oriente y Central
.00
.02
.04
.06
.08
.10
.12
.14
.16
-20 -10 0 10 20 30 40 50
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
UTasa de Desempleo para África del Sur, Oriente y Central
Función de Densidad de Probabilidad Normal
335
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
Figura 147: FDPN del Gasto en Salud per Cápita en África del Sur, Oriente y Central
.000
.004
.008
.012
.016
.020
.024
-300 -200 -100 0 100 200 300
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
GSGasto en Salud per Cápita para África del Sur, Oriente y Central
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 148: FDPN del Ingreso Nacional Bruto per Cápita en África del Sur, Oriente y Central
.0000
.0004
.0008
.0012
.0016
.0020
-3,000 -2,000 -1,000 0 1,000 2,000 3,000 4,000
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
INBIngreso Nacional Bruto per Cápita para África del Sur, Oriente y Central
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
336
Figura 149: FDPN del Número de Hijos por Mujer en África del Sur, Oriente y Central
.0
.1
.2
.3
.4
.5
.6
.7
.8
2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
NHMNúmero de Hijos por Mujer para África del Sur, Oriente y Central
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 150: FDPN de la Tasa de Acceso al Agua Potable en África del Sur, Oriente y Central
.00
.01
.02
.03
.04
.05
.06
30 40 50 60 70 80 90 100
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
AAPTasa de Acceso al Agua para África del Sur, Oriente y Central
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia en EViews 9
337
Figura 151: FDPN de la Tasa de Mejora de las Instalaciones Sanitarias en África del Sur, Oriente y
Central
.00
.01
.02
.03
.04
.05
.06
.07
.08
0 10 20 30 40 50 60 70 80 90
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
MISTasa de Mejora de las Instalaciones Sanitarias para África del Sur, Oriente y Central
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
Figura 152: FDPN de los Años Promedio de Escolaridad en África del Sur, Oriente y Central
.00
.05
.10
.15
.20
.25
.30
.35
.40
1 2 3 4 5 6 7 8 9
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
AEAños Promedio de Escolaridad para África del Sur, Oriente y Central
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
338
FDPN de las series que componen el modelo para Asia
Figura 153: FDPN de la Tasa de Prevalencia de la Desnutrición en Asia
.00
.01
.02
.03
.04
.05
.06
.07
.08
.09
-20 -10 0 10 20 30 40 50 60
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
TPDTasa de Prevalencia de la Desnutrición para Asia
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 154: FDPN de la Tasa de Desempleo en Asia
.00
.02
.04
.06
.08
.10
.12
.14
.16
-30 -20 -10 0 10 20 30 40
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
UTasa de Desempleo para Asia
Función de Densidad de Probabilidad Normal
339
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
Figura 155: FDPN del Gasto en Salud per Cápita en Asia
.000
.002
.004
.006
.008
.010
.012
.014
-500 -400 -300 -200 -100 0 100 200 300 400 500 600 700
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
GSGasto en Salud per Cápita para Asia
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 156: FDPN del Ingreso Nacional Bruto per Cápita en Asia
.0000
.0001
.0002
.0003
.0004
.0005
.0006
-10,000 -6,000 -2,000 0 2,000 4,000 6,000 8,000 12,000
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
INBIngreso Nacional Bruto per Cápita para Asia
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
340
Figura 157: FDPN del Número de Hijos por Mujer en Asia
0.0
0.2
0.4
0.6
0.8
1.0
1.2
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
NHMNúmero de Hijos por Mujer para Asia
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Figura 158: FDPN de la Tasa de Acceso al Agua Potable en Asia
.00
.01
.02
.03
.04
.05
.06
20 30 40 50 60 70 80 90 100 110 120 130 140
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
AAPTasa de Acceso al Agua para Asia
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia en EViews 9
341
Figura 159: FDPN de la Tasa de Mejora de las Instalaciones Sanitarias en Asia
.00
.01
.02
.03
.04
.05
.06
.07
20 30 40 50 60 70 80 90 100 110 120 130 140
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
MISTasa de Mejora de las Instalaciones Sanitarias para Asia
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
Figura 160: FDPN de los Años Promedio de Escolaridad en Asia
.0
.1
.2
.3
.4
.5
0 2 4 6 8 10 12 14 16
Histograma
Función de Densidad de Probabilidad Normal
De
nsid
ad
AEAños Promedio de Escolaridad para Asia
Función de Densidad de Probabilidad Normal
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
342
Matriz de Correlación de las Series
Cuadro 78: Matriz de Correlación de las series que componen el modelo para América del Sur
TPD U GS INB NHM AAP MIS AE
TPD 1.000000
U -0.473982 1.000000
GS -0.623320 0.062287 1.000000
INB -0.613614 0.026976 0.961578 1.000000
NHM 0.815217 -0.302440 -0.677213 -0.694691 1.000000
AAP -0.741980 0.390165 0.711442 0.692684 -0.835716 1.000000
MIS -0.923456 0.410368 0.581306 0.577076 -0.757932 0.657061 1.000000
AE -0.325310 -0.006748 0.427041 0.503126 -0.326451 0.454157 0.393427 1.000000
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Nota:
Color Rojo significa correlaciones entre pares de variables que sean mayores a 0.90 en valor absoluto.
Color Verde significa correlaciones entre pares de variables que estén entre 0.70 y 0.90 en valor
absoluto.
Cuadro 79: Matriz de Correlación de las series que componen el modelo para América Central
TPD U GS INB NHM AAP MIS AE
TPD 1.000000
U 0.189927 1.000000
GS -0.480084 -0.146181 1.000000
INB -0.465481 -0.071514 0.935534 1.000000
NHM 0.439687 -0.316807 -0.588110 -0.596649 1.000000
AAP -0.663786 0.145010 0.677388 0.641449 -0.711706 1.000000
MIS -0.598356 0.153077 0.641102 0.622061 -0.653298 0.773450 1.000000
AE -0.412771 0.398580 0.695035 0.755913 -0.808502 0.785923 0.637045 1.000000
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Nota:
Color Rojo significa correlaciones entre pares de variables que sean mayores a 0.90 en valor absoluto.
343
Color Verde significa correlaciones entre pares de variables que estén entre 0.70 y 0.90 en valor
absoluto.
Cuadro 80: Matriz de Correlación de las series que componen el modelo para África del Norte y
Occidental
TPD U GS INB NHM AAP MIS AE
TPD 1.000000
U -0.338727 1.000000
GS -0.448312 0.034333 1.000000
INB -0.558376 0.172338 0.957913 1.000000
NHM 0.545013 -0.285454 -0.641848 -0.740516 1.000000
AAP -0.608363 -0.163657 0.466500 0.536505 -0.621990 1.000000
MIS -0.576785 0.368242 0.550081 0.673032 -0.719702 0.659951 1.000000
AE -0.405318 0.121052 0.584241 0.636901 -0.744963 0.518674 0.303155 1.000000
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en EViews 9
Nota:
Color Rojo significa correlaciones entre pares de variables que sean mayores a 0.90 en valor absoluto.
Color Verde significa correlaciones entre pares de variables que estén entre 0.70 y 0.90 en valor
absoluto.
Cuadro 81: Matriz de Correlación de las series que componen el modelo para África del Sur, Oriente y
Central
TPD U GS INB NHM AAP MIS AE
TPD 1.000000
U -0.367985 1.000000
GS -0.350554 0.364543 1.000000
INB -0.360275 0.386686 0.946119 1.000000
NHM 0.519238 -0.546721 -0.640069 -0.671056 1.000000
AAP -0.469134 0.014012 0.305574 0.232130 -0.459800 1.000000
MIS 0.135316 0.053301 0.365058 0.419587 -0.206760 0.185200 1.000000
AE -0.419614 0.250618 0.628985 0.690241 -0.483024 0.239697 0.140066 1.000000
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Nota:
Color Rojo significa correlaciones entre pares de variables que sean mayores a 0.90 en valor absoluto.
344
Color Verde significa correlaciones entre pares de variables que estén entre 0.70 y 0.90 en valor
absoluto.
Cuadro 82: Matriz de Correlación de las series que componen el modelo para Asia
TPD U GS INB NHM AAP MIS AE
TPD 1.000000
U -0.065668 1.000000
GS -0.529592 0.040471 1.000000
INB -0.533261 0.046439 0.976660 1.000000
NHM 0.435866 -0.203741 -0.327211 -0.341140 1.000000
AAP -0.714698 0.233322 0.452672 0.487331 -0.625289 1.000000
MIS -0.326968 0.499545 0.449662 0.450202 -0.508752 0.519289 1.000000
AE -0.063133 0.593292 0.235310 0.246822 -0.367119 0.212457 0.747146 1.000000
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Nota:
Color Rojo significa correlaciones entre pares de variables que sean mayores a 0.90 en valor absoluto.
Color Verde significa correlaciones entre pares de variables que estén entre 0.70 y 0.90 en valor
absoluto.
Verificación de la Causalidad entre las variables que conforman los modelos de
investigación para cada subcontinente.
345
Elección del rezago óptimo del test para cada relación de causalidad
La elección del rezago óptimo para el Test de Causalidad de Granger se realiza en
base al Criterio de Información de Schwarz en el Modelo No Restringido, para los
rezagos 1 al 10. Los siguientes cuadros muestran dicha elección para cada relación de
causalidad identificada en los modelos de investigación a estimar en cada
subcontinente analizado.
Cuadro 83: Elección del rezago óptimo para la relación de causalidad 1 ( ) del modelo
de investigación para América del Sur
Rezago SIC* Elección del Rezago Óptimo
1 -3.181610067220753
2 -4.204139986651191
3 -4.346117837278082 Menor valor del SIC, por lo
tanto, este es el rezago óptimo.
4 -4.236465393191596
5 -4.169309910214263
6 -4.085862029473356
7 -3.967278315928306
8 -3.91031166097531
9 -3.868507036347246
10 -3.836335430796077
346
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
Cuadro 84: Elección del rezago óptimo para la relación de causalidad 2 ( ) del modelo
de investigación para América del Sur
Rezago SIC* Elección del Rezago
Óptimo
1 -3.157474010048381
2 -4.210675346671098
3 -4.330589327196775
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
4 -4.215443017562363
5 -4.144496977226396
6 -4.065821146301078
7 -3.94720758155335
8 -3.875288109986466
9 -3.85635448155335
10 -3.764869369105464
347
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank
elaboración propia en EViews 9
Cuadro 85: Elección del rezago óptimo para la relación de causalidad 3 ( ) del
modelo de investigación para América del Sur
Rezago SIC* Elección del Rezago
Óptimo
1 -3.158477968166266
2 -4.198053333918958
3 -4.331612681520949
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
4 -4.218989642273064
5 -4.149282328429749
6 -4.074402291795597
7 -3.95561672081607
8 -3.880972709190611
9 -3.857779821190499
10 -3.786537037637836
348
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del
World Bank elaboración propia en EViews 9
Cuadro 86: Elección del rezago óptimo para la relación de causalidad 4 ( ) del
modelo de investigación para América del Sur
Rezago SIC* Elección del Rezago
Óptimo
1 -3.179386028356584
2 -4.259753058721818
3 -4.386859443638857
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
4 -4.276295581391869
5 -4.241127923531928
6 -4.158365983148491
7 -4.011563840879783
8 -3.949479686488544
9 -3.953589453501154
10 -3.953092836145186
349
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank
elaboración propia en EViews 9
Cuadro 87: Elección del rezago óptimo para la relación de causalidad 5 ( ) del
modelo de investigación para América del Sur
Rezago SIC* Elección del Rezago
Óptimo
1 -3.161978284549877
2 -4.208106800310077
3 -4.340553935035423
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
4 -4.229597562454472
5 -4.16337617831936
6 -4.078828877428915
7 -3.948348126719494
8 -3.886014278852379
9 -3.882056379626676
10 -3.824000734263794
350
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World
Bank elaboración propia en EViews 9
Cuadro 88: Elección del rezago óptimo para la relación de causalidad 6 ( ) del
modelo de investigación para América del Sur
Rezago SIC* Elección del Rezago
Óptimo
1 -3.161876802156371
2 -4.205125539683527
3 -4.336814690702313
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
4 -4.232929907845586
5 -4.172731771716211
6 -4.095640627101269
7 -3.958159364460887
8 -3.887944653073237
9 -3.882703716759788
10 -3.778882043259141
351
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Urban Development del
World Bank elaboración propia en EViews 9
Cuadro 89: Elección del rezago óptimo para la relación de causalidad 7 ( ) del modelo
de investigación para América del Sur
Rezago SIC* Elección del Rezago
Óptimo
1 -3.166487953145211
2 -4.206417502916096
3 -4.340656220665483
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
4 -4.231163676730991
5 -4.186375588372527
6 -4.112505335062498
7 -3.985335465893959
8 -3.897788361032357
9 -3.845423641184163
10 -3.706209257333779
352
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Human Development Reports: Data Education del United Nations
Development Programme elaboración propia en EViews 9
Cuadro 90: Elección del rezago óptimo para la relación de causalidad 1 ( ) del modelo
de investigación para América Central
Rezago SIC* Elección del Rezago
Óptimo
1 -3.139122915059971
2 -3.940425427166779
3 -4.100966102186409
4 -4.019791038459403
5 -4.027458431669994
6 -4.034363800497273
7 -4.042717919395289
8 -3.92582579822552
9 -4.019853703192675
10 -4.137614187035576
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
353
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor
del World Bank elaboración propia en EViews 9
Cuadro 91: Elección del rezago óptimo para la relación de causalidad 2 ( ) del modelo
de investigación para América Central
Rezago SIC* Elección del Rezago
Óptimo
1 -3.132269665216716
2 -3.942493050582959
3 -4.091624788161481
4 -4.01780417849883
5 -4.050988559272026
6 -4.049175429546704
7 -4.050700110591393
8 -3.914128516422997
9 -4.001695910663068
10 -4.188756612798624
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
354
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank
elaboración propia en EViews 9
Cuadro 92: Elección del rezago óptimo para la relación de causalidad 3 ( ) del
modelo de investigación para América Central
Rezago SIC* Elección del Rezago
Óptimo
1 -3.136330066479929
2 -3.942493050582959
3 -4.091624788161481
4 -4.01780417849883
5 -4.050988559272026
6 -4.049175429546704
7 -4.050700110591393
8 -3.914128516422997
9 -4.001695910663068
355
10 -4.235906475365907
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del
World Bank elaboración propia en EViews 9
Cuadro 93: Elección del rezago óptimo para la relación de causalidad 4 ( ) del
modelo de investigación para América Central
Rezago SIC* Elección del Rezago
Óptimo
1 -3.16806070644931
2 -3.957918358203009
3 -4.112252376614756
4 -4.056344256763573
5 -4.093200321053166
6 -4.106798930385056
7 -4.187637105459584
8 -4.057163325872721
9 -4.116288749801653
356
10 -4.228434306267266
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank
elaboración propia en EViews 9
Cuadro 94: Elección del rezago óptimo para la relación de causalidad 5 ( ) del
modelo de investigación para América Central
Rezago SIC* Elección del Rezago
Óptimo
1 -3.147274109413953
2 -3.961798005360107
3 -4.122310764786671
4 -4.046782999477774
5 -4.108579798010529
6 -4.09681277466595
7 -4.131694228830842
8 -4.017317954325787
9 -4.096750509431178
357
10 -4.202696510499937
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World
Bank elaboración propia en EViews 9
Cuadro 95: Elección del rezago óptimo para la relación de causalidad 6 ( ) del
modelo de investigación para América Central
Rezago SIC* Elección del Rezago
Óptimo
1 -3.145633393697847
2 -3.962316256316816
3 -4.109282169939373
4 -4.038059318521689
5 -4.072279026334736
6 -4.072584866011886
7 -4.094076594359857
8 -3.961892728429644
9 -4.028354625009106
358
10 -4.256627753767577
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World
Bank elaboración propia en EViews 9
Cuadro 96: Elección del rezago óptimo para la relación de causalidad 7 ( ) del modelo
de investigación para América Central
Rezago SIC* Elección del Rezago
Óptimo
1 -3.132014579392863
2 -3.946561595315958
3 -4.098715882424462
4 -4.025436460030621
5 -4.054569014382374
6 -4.122896178372349
7 -4.188753455667251
8 -4.099524024556427
359
9 -4.177583575062318
10 -4.287342478308438
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Human Development Reports: Data Education del United Nations
Development Programme elaboración propia en EViews 9
Cuadro 97: Elección del rezago óptimo para la relación de causalidad 1 ( ) del modelo
de investigación para África del Norte y Occidental
Rezago SIC* Elección del Rezago
Óptimo
1 -2.936836557682194
2 -4.104875611634764
3 -4.298112636838259
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
4 -4.274958938012661
5 -4.275052688131253
6 -4.182722838498182
7 -4.098298444738978
360
8 -4.015363942455959
9 -3.890116355142394
10 -3.719817690290156
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor
del World Bank elaboración propia en EViews 9
Cuadro 98: Elección del rezago óptimo para la relación de causalidad 2 ( ) del modelo
de investigación para África del Norte y Occidental
Rezago SIC* Elección del Rezago
Óptimo
1 -2.940645534730966
2 -4.131429995411556
3 -4.30587475967621
4 -4.26106668095741
5 -4.317546025713378
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
6 -4.233711505377292
7 -4.137472168396951
361
8 -4.057862049083926
9 -3.9250811845516
10 -3.776666327720913
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank
elaboración propia en EViews 9
Cuadro 99: Elección del rezago óptimo para la relación de causalidad 3 ( ) del
modelo de investigación para África del Norte y Occidental
Rezago SIC* Elección del Rezago
Óptimo
1 -2.946218403163639
2 -4.131429995411556
3 -4.30587475967621
4 -4.26106668095741
5 -4.317546025713378
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
6 -4.233711505377292
7 -4.137472168396951
362
8 -4.057862049083926
9 -3.9250811845516
10 -3.730343405711091
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank elaboración propia en EViews 9
Cuadro 100: Elección del rezago óptimo para la relación de causalidad 4 ( ) del
modelo de investigación para África del Norte y Occidental
Rezago SIC* Elección del Rezago
Óptimo
1 -2.981388278478325
2 -4.112378540515998
3 -4.290188138899248
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
4 -4.248147299973534
5 -4.238591339766826
6 -4.132106798596137
7 -4.042484309889369
363
8 -3.977791039351879
9 -3.879806286839927
10 -3.693736481030751
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank
elaboración propia en EViews 9
Cuadro 101: Elección del rezago óptimo para la relación de causalidad 5 ( ) del
modelo de investigación para África del Norte y Occidental
Rezago SIC* Elección del Rezago
Óptimo
1 -2.949819961291421
2 -4.1108808564783
3 -4.297415644312317
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
4 -4.252878734222437
5 -4.241298933378972
6 -4.160486743431414
364
7 -4.050609190099453
8 -3.967115405507619
9 -3.843554320111302
10 -3.656991083027042
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank
elaboración propia en EViews 9
Cuadro 102: Elección del rezago óptimo para la relación de causalidad 6 ( ) del
modelo de investigación para África del Norte y Occidental
Rezago SIC* Elección del Rezago
Óptimo
1 -2.938202131600132
2 -4.108339421279848
3 -4.312514452802188
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
4 -4.273096093399117
5 -4.290374675837902
6 -4.195006311039116
365
7 -4.097868283988731
8 -4.035139285596641
9 -3.871402350815405
10 -3.696800078407886
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Urban Development del
World Bank elaboración propia en EViews 9
Cuadro 103: Elección del rezago óptimo para la relación de causalidad 7 ( ) del
modelo de investigación para África del Norte y Occidental
Rezago SIC* Elección del Rezago
Óptimo
1 -2.94253386757144
2 -4.110626817126541
3 -4.309727660368076
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
4 -4.289989190118861
5 -4.282091605429751
6 -4.185194848147007
366
7 -4.082922038238321
8 -4.008720987778655
9 -3.880227429310484
10 -3.700761604395164
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Human Development Reports: Data Education del United Nations
Development Programme elaboración propia en EViews 9
Cuadro 104: Elección del rezago óptimo para la relación de causalidad 1 ( ) del modelo
de investigación para África del Sur, Oriente y Central
Rezago SIC* Elección del Rezago
Óptimo
1 -3.191746682829236
2 -4.473525630288996
3 -4.877170803152187
4 -4.805340849922229
5 -4.942118554255004
367
6 -4.994282008460899
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
7 -4.939049208640712
8 -4.936631232951671
9 -4.869949362186624
10 -4.770709198313068
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor
del World Bank elaboración propia en EViews 9
Cuadro 105: Elección del rezago óptimo para la relación de causalidad 2 ( ) del
modelo de investigación para África del Sur, Oriente y Central
Rezago SIC* Elección del Rezago
Óptimo
1 -3.198393313825536
2 -4.516934373223795
3 -4.888867080907441
4 -4.798689651871052
5 -4.962348672846992
368
6 -5.032936148858044
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
7 -4.958471405192311
8 -4.984796673371844
9 -4.933087271174563
10 -4.808816372402936
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank
elaboración propia en EViews 9
Cuadro 106: Elección del rezago óptimo para la relación de causalidad 3 ( ) del
modelo de investigación para África del Sur, Oriente y Central
Rezago SIC* Elección del Rezago
Óptimo
1 -3.186212176765248
2 -4.516934373223795
3 -4.888867080907441
4 -4.798689651871052
5 -4.962348672846992
369
6 -5.032936148858044
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
7 -4.958471405192311
8 -4.984796673371844
9 -4.933087271174563
10 -4.744931970870113
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del
World Bank elaboración propia en EViews 9
Cuadro 107: Elección del rezago óptimo para la relación de causalidad 4 ( ) del
modelo de investigación para África del Sur, Oriente y Central
Rezago SIC* Elección del Rezago Óptimo
1 -3.197625956336041
2 -4.469694538920433
3 -4.855592794732976
4 -4.762420748450236
370
5 -4.896720438443887
6 -4.95653063737295 Menor valor del SIC, por lo tanto,
este es el rezago óptimo.
7 -4.893876312661907
8 -4.906256699525437
9 -4.851283774994331
10 -4.75950610405492
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Cuadro 108: Elección del rezago óptimo para la relación de causalidad 5 ( ) del
modelo de investigación para África del Sur, Oriente y Central
Rezago SIC* Elección del Rezago
Óptimo
1 -3.191393646037037
2 -4.468591164901246
3 -4.853869295329561
4 -4.76003646650617
371
5 -4.911735780743584
6 -4.983278315969856
7 -4.905758576232942
8 -4.995403209840785
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
9 -4.961583216483404
10 -4.887412692768471
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World
Bank elaboración propia en EViews 9
Cuadro 109: Elección del rezago óptimo para la relación de causalidad 6 ( ) del
modelo de investigación para África del Sur, Oriente y Central
Rezago SIC* Elección del Rezago
Óptimo
1 -3.200487253225849
2 -4.467989366414154
3 -4.85711867169352
4 -4.75651110625851
372
5 -4.893360451781057
6 -4.972108811190627
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
7 -4.909547843422426
8 -4.911491440118409
9 -4.86539635510596
10 -4.758481597532887
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World
Bank elaboración propia en EViews 9
Cuadro 110: Elección del rezago óptimo para la relación de causalidad 7 ( ) del
modelo de investigación para África del Sur, Oriente y Central
Rezago SIC* Elección del Rezago
Óptimo
1 -3.210083796482043
2 -4.481232169808061
3 -4.859225892945786
373
4 -4.764784637576918
5 -4.912373313765981
6 -4.963857465678211
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
7 -4.889839786976894
8 -4.921396628436359
9 -4.877116889541911
10 -4.80665356600921
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Human Development Reports: Data Education del United Nations
Development Programme elaboración propia en EViews 9
Cuadro 111: Elección del rezago óptimo para la relación de causalidad 1 ( ) del modelo
de investigación para Asia
Rezago SIC* Elección del Rezago
Óptimo
1 -2.454399995684421
2 -3.63385538144722
3 -3.973400342646511
374
4 -4.013711043816607
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
5 -3.998809443454851
6 -3.906472025857583
7 -3.866029100444557
8 -3.876383513110722
9 -3.798056871191135
10 -3.908262613001221
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor
del World Bank elaboración propia en EViews 9
Cuadro 112: Elección del rezago óptimo para la relación de causalidad 2 ( ) del
modelo de investigación para Asia
Rezago SIC* Elección del Rezago
Óptimo
1 -2.464735237345878
2 -3.640315016836003
3 -3.959701897250466
375
4 -4.012550354752718
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
5 -4.001686645050604
6 -3.905383728092291
7 -3.864207483366342
8 -3.794257385714858
9 -3.705174143074921
10 -3.739680810508724
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank
elaboración propia en EViews 9
Cuadro 113: Elección del rezago óptimo para la relación de causalidad 3 ( ) del
modelo de investigación para Asia
Rezago SIC* Elección del Rezago
Óptimo
1 -2.460344966130377
2 -3.640315016836003
3 -3.959701897250466
376
4 -4.012550354752718
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
5 -4.001686645050604
6 -3.905383728092291
7 -3.864207483366342
8 -3.794257385714858
9 -3.705174143074921
10 -3.73204532060695
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del
World Bank elaboración propia en EViews 9
Cuadro 114: Elección del rezago óptimo para la relación de causalidad 4 ( ) del
modelo de investigación para Asia
Rezago SIC* Elección del Rezago
Óptimo
1 -2.481170955408889
2 -3.650132943531495
3 -3.980399573629331
377
4 -4.04680081372969
5 -4.076552771343269
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
6 -4.001767393780339
7 -3.98719284503939
8 -4.021084638248613
9 -3.887170009427483
10 -3.889936274843361
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank
elaboración propia en EViews 9
Cuadro 115: Elección del rezago óptimo para la relación de causalidad 5 ( ) del
modelo de investigación para Asia
Rezago SIC* Elección del Rezago
Óptimo
1 -2.462976702106561
2 -3.648861446683277
3 -3.988008917148288
378
4 -4.009873970934764
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
5 -4.009311601062869
6 -3.905775920806383
7 -3.852820004233604
8 -3.814619792593285
9 -3.698843954388451
10 -3.777407814292372
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank
elaboración propia en EViews 9
Cuadro 116: Elección del rezago óptimo para la relación de causalidad 6 ( ) del
modelo de investigación para Asia
Rezago SIC* Elección del Rezago Óptimo
1 -2.459384363862359
2 -3.648500056972838
379
3 -3.966347971566932
4 -4.024825167585973
5 -4.025405154783534
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
6 -3.929760626964513
7 -3.874182476549866
8 -3.836395121943631
9 -3.895390274272669
10 -3.934798662203917
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World
Bank elaboración propia en EViews 9
Cuadro 117: Elección del rezago óptimo para la relación de causalidad 7 ( ) del
modelo de investigación para Asia
Rezago SIC* Elección del Rezago
Óptimo
1 -2.456858253492734
2 -3.660032868906579
380
3 -3.976464069369821
4 -4.014549506880661
Menor valor del SIC, por lo
tanto, este es el rezago
óptimo.
5 -3.996833011806876
6 -3.895234933252178
7 -3.842054179145349
8 -3.784862778224999
9 -3.677893437880201
10 -3.719361029979273
* Criterio de Información de Schwarz (SIC, por sus siglas en inglés).
Fuente: Extraído de la Human Development Reports: Data Education del United Nations
Development Programme elaboración propia en EViews 9
Output del test para cada relación de causalidad
Para el presente proyecto de investigación se ha usado el test de Causalidad de
Granger en su versión apilada (con coeficientes comunes en vez de coeficientes
individuales), debido a que en la versión original del test se considera la causalidad
entre el par de variables evaluadas pero para cross-section (en este caso, para cada
país), lo cual reduce el tamaño de muestra al número de años en el panel de datos y
hace imposible un análisis con un número aceptable de rezagos (por los pocos grados
de libertad).
381
Por lo tanto, los siguientes cuadros muestran los resultados con dicha versión del test
para cada relación de causalidad identificada en los modelos de investigación a
estimar en cada subcontinente analizado.
Cuadro 118: Output del test para la relación de causalidad 1 ( ) del modelo de
investigación para América del Sur
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 3
Hipótesis Nula: Observaciones Estadístico F P-valor
LU no causa en sentido Granger a
LTPD 170 0.727901 0.5367
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
Cuadro 119: Output del test para la relación de causalidad 2 ( ) del modelo de
investigación para América del Sur
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 3
Hipótesis Nula: Observaciones Estadístico F P-valor
LGS no causa en sentido Granger
a LTPD 170 3.219354 0.0243
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Cuadro 120: Output del test para la relación de causalidad 3 ( ) del modelo de
investigación para América del Sur
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 3
Hipótesis Nula: Observaciones Estadístico F P-valor
LINB no causa en sentido Granger 170 3.004719 0.0321
382
a LTPD
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
Cuadro 121: Output del test para la relación de causalidad 4 ( ) del modelo de
investigación para América del Sur
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 3
Hipótesis Nula: Observaciones Estadístico F P-valor
LNHM no causa en sentido
Granger a LTPD 170 2.988239 0.0328
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Cuadro 122: Output del test para la relación de causalidad 5 ( ) del modelo de
investigación para América del Sur
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 3
Hipótesis Nula: Observaciones Estadístico F P-valor
LAAP no causa en sentido
Granger a LTPD 170 1.064987 0.3656
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia en EViews 9
Cuadro 123: Output del test para la relación de causalidad 6 ( ) del modelo de
investigación para América del Sur
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 3
Hipótesis Nula: Observaciones Estadístico F P-valor
LMIS no causa en sentido Granger 170 0.423081 0.7367
383
a LTPD
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
Cuadro 124: Output del test para la relación de causalidad 7 ( ) del modelo de
investigación para América del Sur
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 3
Hipótesis Nula: Observaciones Estadístico F P-valor
LAE no causa en sentido Granger
a LTPD 170 0.493739 0.6871
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
Cuadro 125: Output del test para la relación de causalidad 1 ( ) del modelo de
investigación para América Central
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 10
Hipótesis Nula: Observaciones Estadístico F P-valor
LU no causa en sentido Granger a
LTPD 100 0.946819 0.4960
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
Cuadro 126: Output del test para la relación de causalidad 2 ( ) del modelo de
investigación para América Central
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 10
Hipótesis Nula: Observaciones Estadístico F P-valor
384
LGS no causa en sentido Granger
a LTPD 100 2.364201 0.0167
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Cuadro 127: Output del test para la relación de causalidad 3 ( ) del modelo de
investigación para América Central
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 10
Hipótesis Nula: Observaciones Estadístico F P-valor
LINB no causa en sentido Granger
a LTPD 100 3.038921 0.0026
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
Cuadro 128: Output del test para la relación de causalidad 4 ( ) del modelo de
investigación para América Central
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 10
Hipótesis Nula: Observaciones Estadístico F P-valor
LNHM no causa en sentido
Granger a LTPD 100 1.306572 0.2416
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Cuadro 129: Output del test para la relación de causalidad 5 ( ) del modelo de
investigación para América Central
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 10
Hipótesis Nula: Observaciones Estadístico F P-valor
385
LAAP no causa en sentido
Granger a LTPD 100 1.424493 0.1851
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia en EViews 9
Cuadro 130: Output del test para la relación de causalidad 6 ( ) del modelo de
investigación para América Central
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 10
Hipótesis Nula: Observaciones Estadístico F P-valor
LMIS no causa en sentido Granger
a LTPD 100 2.890511 0.0040
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
Cuadro 131: Output del test para la relación de causalidad 7 ( ) del modelo de
investigación para América Central
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 10
Hipótesis Nula: Observaciones Estadístico F P-valor
LAE no causa en sentido Granger
a LTPD 100 2.510153 0.0113
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
Cuadro 132: Output del test para la relación de causalidad 1 ( ) del modelo de
investigación para África del Norte y Occidental
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 3
Hipótesis Nula: Observaciones Estadístico F P-valor
386
LU no causa en sentido Granger a
LTPD 204 0.962202 0.4116
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
Cuadro 133: Output del test para la relación de causalidad 2 ( ) del modelo de
investigación para África del Norte y Occidental
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 5
Hipótesis Nula: Observaciones Estadístico F P-valor
LGS no causa en sentido Granger
a LTPD 180 3.772868 0.0029
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Cuadro 134: Output del test para la relación de causalidad 3 ( ) del modelo de
investigación para África del Norte y Occidental
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 5
Hipótesis Nula: Observaciones Estadístico F P-valor
LINB no causa en sentido Granger
a LTPD 180 2.119974 0.0654
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
Cuadro 135: Output del test para la relación de causalidad 4 ( ) del modelo de
investigación para África del Norte y Occidental
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 3
Hipótesis Nula: Observaciones Estadístico F P-valor
387
LNHM no causa en sentido
Granger a LTPD 204 0.691294 0.5584
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Cuadro 136: Output del test para la relación de causalidad 5 ( ) del modelo de
investigación para África del Norte y Occidental
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 3
Hipótesis Nula: Observaciones Estadístico F P-valor
LAAP no causa en sentido
Granger a LTPD 204 3.138481 0.0265
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia en EViews 9
Cuadro 137: Output del test para la relación de causalidad 6 ( ) del modelo de
investigación para África del Norte y Occidental
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 3
Hipótesis Nula: Observaciones Estadístico F P-valor
LMIS no causa en sentido Granger
a LTPD 204 1.916888 0.1281
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
Cuadro 138: Output del test para la relación de causalidad 7 ( ) del modelo de
investigación para África del Norte y Occidental
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 3
Hipótesis Nula: Observaciones Estadístico F P-valor
388
LAE no causa en sentido Granger
a LTPD 204 1.736840 0.1607
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
Cuadro 139: Output del test para la relación de causalidad 1 ( ) del modelo de
investigación para África del Sur, Oriente y Central
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 6
Hipótesis Nula: Observaciones Estadístico F P-valor
LU no causa en sentido Granger a
LTPD 140 1.118506 0.3553
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
Cuadro 140: Output del test para la relación de causalidad 2 ( ) del modelo de
investigación para África del Sur, Oriente y Central
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 6
Hipótesis Nula: Observaciones Estadístico F P-valor
LGS no causa en sentido Granger
a LTPD 140 2.060597 0.0624
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Cuadro 141: Output del test para la relación de causalidad 3 ( ) del modelo de
investigación para África del Sur, Oriente y Central
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 6
Hipótesis Nula: Observaciones Estadístico F P-valor
389
LINB no causa en sentido Granger
a LTPD 140 0.930134 0.4758
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
Cuadro 142: Output del test para la relación de causalidad 4 ( ) del modelo de
investigación para África del Sur, Oriente y Central
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 6
Hipótesis Nula: Observaciones Estadístico F P-valor
LNHM no causa en sentido
Granger a LTPD 140 0.282572 0.9443
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Cuadro 143: Output del test para la relación de causalidad 5 ( ) del modelo de
investigación para África del Sur, Oriente y Central
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 8
Hipótesis Nula: Observaciones Estadístico F P-valor
LAAP no causa en sentido
Granger a LTPD 120 1.597570 0.1345
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia en EViews 9
Cuadro 144: Output del test para la relación de causalidad 6 ( ) del modelo de
investigación para África del Sur, Oriente y Central
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 6
Hipótesis Nula: Observaciones Estadístico F P-valor
390
LMIS no causa en sentido Granger
a LTPD 140 0.751010 0.6097
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
Cuadro 145: Output del test para la relación de causalidad 7 ( ) del modelo de
investigación para África del Sur, Oriente y Central
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 6
Hipótesis Nula: Observaciones Estadístico F P-valor
LAE no causa en sentido Granger
a LTPD 140 0.659502 0.6824
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
Cuadro 146: Output del test para la relación de causalidad 1 ( ) del modelo de
investigación para Asia
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 4
Hipótesis Nula: Observaciones Estadístico F P-valor
LU no causa en sentido Granger a
LTPD 240 0.842745 0.4993
Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor del World
Bank elaboración propia en EViews 9
Cuadro 147: Output del test para la relación de causalidad 2 ( ) del modelo de
investigación para Asia
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 4
391
Hipótesis Nula: Observaciones Estadístico F P-valor
LGS no causa en sentido Granger
a LTPD 240 1.000567 0.4080
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Cuadro 148: Output del test para la relación de causalidad 3 ( ) del modelo de
investigación para Asia
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 4
Hipótesis Nula: Observaciones Estadístico F P-valor
LINB no causa en sentido Granger
a LTPD 240 0.727852 0.5737
Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank
elaboración propia en EViews 9
Cuadro 149: Output del test para la relación de causalidad 4 ( ) del modelo de
investigación para Asia
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 5
Hipótesis Nula: Observaciones Estadístico F P-valor
LNHM no causa en sentido
Granger a LTPD 225 4.581636 0.0005
Fuente: Extraído de la Databank: World Development Indicators Health del World Bank elaboración
propia en EViews 9
Cuadro 150: Output del test para la relación de causalidad 5 ( ) del modelo de
investigación para Asia
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 4
392
Hipótesis Nula: Observaciones Estadístico F P-valor
LAAP no causa en sentido
Granger a LTPD 240 0.930535 0.4469
Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank elaboración
propia en EViews 9
Cuadro 151: Output del test para la relación de causalidad 6 ( ) del modelo de
investigación para Asia
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 5
Hipótesis Nula: Observaciones Estadístico F P-valor
LMIS no causa en sentido Granger
a LTPD 225 2.246846 0.0509
Fuente: Extraído de la Databank: World Development Indicators Urban Development del World Bank
elaboración propia en EViews 9
Cuadro 152: Output del test para la relación de causalidad 7 ( ) del modelo de
investigación para Asia
Test de Causalidad de Granger (versión apilada, coeficientes comunes)
Muestra: 1995 2014
Rezagos: 4
Hipótesis Nula: Observaciones Estadístico F P-valor
LAE no causa en sentido Granger
a LTPD 240 0.892847 0.4689
Fuente: Extraído de la Human Development Reports: Data Education del United Nations Development
Programme elaboración propia en EViews 9
Principales resultados de la estimación de los modelos de data panel para cada
subcontinente analizado.
Output del test de Normalidad de Jarque-Bera para el modelo final de cada
subcontinente
393
Cuadro 153: Output del test de normalidad de Jarque-Bera para el modelo de efectos fijos totalmente
corregido (modelo ) del subcontinente de América del Sur
0
4
8
12
16
20
24
-0.4 -0.3 -0.2 -0.1 0.0 0.1 0.2 0.3
Serie: Residuales Estandarizados
Muestra 1995 2014
Observaciones 200
Media 2.48e-15
Mediana 0.014406
V. Máximo 0.351079
V. Mínimo -0.403877
Des. Est. 0.126757
Asimetría -0.154824
Kurtosis 3.523590
Jarque-Bera 3.083570
Pvalor del JB 0.213999
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Cuadro 154: Output del test de normalidad de Jarque-Bera para el modelo de efectos fijos totalmente
corregido (modelo ) del subcontinente de América Central y el Caribe
0
4
8
12
16
20
24
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3
Serie: Residuales Estandarizados
Muestra 1995 2014
Observaciones 200
Media -1.11e-15
Mediana 0.006659
V. Máximo 0.299669
V. Mínimo -0.331090
Desv. Est. 0.113331
Asimetría -0.262471
Kurtosis 3.260025
Jarque-Bera 2.859817
Pvalor del JB 0.239331
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Cuadro 155: Output del test de normalidad de Jarque-Bera para el modelo de efectos fijos totalmente
corregido (modelo ) del subcontinente de África del Norte y Occidental
394
0
5
10
15
20
25
30
35
40
-0.3 -0.2 -0.1 0.0 0.1 0.2
Serie: Residuales Estandarizados
Muestra 1995 2014
Observaciones 240
Media 2.24e-15
Mediana 6.38e-16
V. Máximo 0.224996
V. Mínimo -0.308213
Desv. Est. 0.107481
Asimetría -0.475380
Kurtosis 2.990528
Jarque-Bera 9.040342
Pvalor del JB 0.010887
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Cuadro 156: Output del test de normalidad de Jarque-Bera para el modelo de efectos fijos totalmente
corregido (modelo ) del subcontinente de África del Sur, Oriente y Central
0
4
8
12
16
20
24
-0.4 -0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4
Serie: Residuales Estandarizados
Muestra 1995 2014
Observaciones 200
Media 1.87e-16
Mediana -0.000206
V. Máximo 0.402614
V. Mínimo -0.404194
Desv. Est. 0.142665
Asimetría -0.288593
Kurtosis 3.645497
Jarque-Bera 6.248413
Pvalor del JB 0.043972
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
395
Cuadro 157: Output del test de normalidad de Jarque-Bera para el modelo de efectos fijos totalmente
corregido (modelo ) del subcontinente de Asia
0
5
10
15
20
25
30
35
-0.6 -0.4 -0.2 0.0 0.2 0.4 0.6
Serie: Residuales Estandarizados
Muestra 1995 2014
Observaciones 300
Media 1.30e-15
Mediana -0.001020
V. Máximo 0.679040
V. Mínimo -0.730979
Desv. Est. 0.217189
Asimetría 0.126916
Kurtosis 3.356693
Jarque-Bera 2.395757
Pvalor del JB 0.301834
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Output del test de Hausman para la elección del modelo final de cada
subcontinente
Cuadro 158: Output del test de Hausman para la elección del modelo final del subcontinente de América
del Sur
Test de Hausman de Efectos Aleatorios Correlacionados
Resumen del Test
Estadístico
de Chi-
cuadrado
Grados de
Libertad P-valor
H0: Efectos Aleatorios no
correlacionados con los determinantes
de la tasa de desnutrición
82.590813 4 0.0000
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Cuadro 159: Output del test de Hausman para la elección del modelo final del subcontinente de América
Central y el Caribe
396
Test de Hausman de Efectos Aleatorios Correlacionados
Resumen del Test
Estadístico
de Chi-
cuadrado
Grados de
Libertad P-valor
H0: Efectos Aleatorios no
correlacionados con los determinantes
de la tasa de desnutrición
16.176613 5 0.0004
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Cuadro 160: Output del test de Hausman para la elección del modelo final del subcontinente de África del
Norte y Occidental
Test de Hausman de Efectos Aleatorios Correlacionados
Resumen del Test
Estadístico
de Chi-
cuadrado
Grados de
Libertad P-valor
H0: Efectos Aleatorios no
correlacionados con los determinantes
de la tasa de desnutrición
24.295168 3 0.0003
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Cuadro 161: Output del test de Hausman para la elección del modelo final del subcontinente de África del
Sur, Oriente y Central
Test de Hausman de Efectos Aleatorios Correlacionados
Resumen del Test
Estadístico
de Chi-
cuadrado
Grados de
Libertad P-valor
H0: Efectos Aleatorios no
correlacionados con los determinantes
de la tasa de desnutrición
14.391355 4 0.0061
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Cuadro 162: Output del test de Hausman para la elección del modelo final del subcontinente de Asia
Test de Hausman de Efectos Aleatorios Correlacionados
397
Resumen del Test
Estadístico
de Chi-
cuadrado
Grados de
Libertad P-valor
H0: Efectos Aleatorios no
correlacionados con los determinantes
de la tasa de desnutrición
8.147900 2 0.0417
Fuente: Extraído de la data del World Bank elaboración propia en EViews 9
Output del test de coeficientes restringidos de Wald para evaluar la significancia
global de los efectos fijos del modelo final de cada subcontinente
Cuadro 163: Output del test de Wald para evaluar la significancia global de los efectos fijos del modelo
EFM1_3D del subcontinente de América del Sur
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Cuadro 164: Output del test de Wald para evaluar la significancia global de los efectos fijos del modelo
EFM1 del subcontinente de América Central y el Caribe
398
Test de Wald:
Modelo a evaluar: EFM1
Restricción Estadístico F Grados de
Libertad P-valor
Todos los
parámetros
asociados a los
efectos fijos de los
países de este
subcontinente son
iguales a cero
272.2243 (10, 185) 0.0000
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Cuadro 165: Output del test de Wald para evaluar la significancia global de los efectos fijos del modelo
EFM1 del subcontinente de África del Norte y Occidental
Test de Wald:
Modelo a evaluar: EFM1
Restricción Estadístico F Grados de
Libertad P-valor
Todos los
parámetros
asociados a los
efectos fijos de los
países de este
subcontinente son
iguales a cero
204.1585 (12, 225) 0.0000
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Cuadro 166: Output del test de Wald para evaluar la significancia global de los efectos fijos del modelo
EFM1 del subcontinente de África del Sur, Oriente y Central
399
Test de Wald:
Modelo a evaluar: EFM1
Restricción Estadístico F Grados de
Libertad P-valor
Todos los
parámetros
asociados a los
efectos fijos de los
países de este
subcontinente son
iguales a cero
87.93018 (10, 186) 0.0000
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
Cuadro 167: Output del test de Wald para evaluar la significancia global de los efectos fijos del modelo
EFM1 del subcontinente de Asia
Test de Wald:
Modelo a evaluar: EFM1
Restricción Estadístico F Grados de
Libertad P-valor
Todos los
parámetros
asociados a los
efectos fijos de los
países de este
subcontinente son
iguales a cero
81.50448 (14, 283) 0.0000
Fuente: Extraído de la Databank: World Development Indicators del World Bank elaboración propia en
EViews 9
400
Gasto en salud per
cápita Tasa de acceso de agua
de la población
Tasa de la mejora de las
instalaciones sanitarias
Ingreso Nacional Bruto
(INB) per cápita
Cultura preventiva en
salud
Número de hijos por mujer
Tasa de desempleo
Ingreso Nacional Bruto
(INB) per cápita
Programas nacionales
dirigidos al acceso de agua
Tasa de desempleo
Tasa de la mejora de las
instalaciones sanitarias
Tasa de desempleo
Tasa de acceso de agua de la
población
Ingreso Nacional Bruto
(INB) per cápita
ujeres)
401
Prevalencia de
desnutrición
Tasa de desempleo
Tasa de desempleo
Tasa de desigualdad de
género
Media de los años de
escolaridad
Políticas económicas
del país
Tasa de desigualdad de
género
Media de los años de
escolaridad
Figura 161: Diagrama de la espina de pez Ishikawa
INGRESO NACIONAL
BRUTO (INB) per cápita Número de hijos por
mujer
Sociología - Cultura
Peruana
Falta de educación
sexual
Media de los años de
escolaridad
Media de los años de escolaridad
Ingreso Nacional
Bruto (INB) per cápita
ujeres)
Desinterés de las personas por
el estudio
Tasa de desempleo
Número de hijos por mujer
Ingreso Nacional
Bruto (INB) per cápita
Ingreso Nacional
Bruto (INB) per cápita
Fuente: Elaboración propia
402
Prevalencia de desnutrición
Problemas para encontrar
empleo, lo que terminará en
falta de dinero (ingreso bruto
per cápita) con lo que
terminará por lo explicado
anteriormente en un aumento
de la Prevalencia de
desnutrición
Ingreso bruto per cápita disminuya,
problemas de las personas para
acceder a la salud (Gasto en salud
per cápita), limitaciones para
acceder a servicios de agua e
instalaciones sanitarias afectando a
la tasa de prevalencia de
desnutrición de una manera
negativa provocando un aumento.
Problemas de las personas
para acceder a la salud (Gasto
en salud per cápita),
limitaciones para acceder a
servicios de agua e
instalaciones sanitarias con lo
que terminará por lo explicado
anteriormente en un aumento
de la Prevalencia de
desnutrición
Reducción del ingreso per
cápita dentro de la familia,
problemas con la
distribución del gasto en
salud per cápita con lo que
terminará por lo explicado
anteriormente en un
aumento de la Prevalencia
de desnutrición
Variable: Número de hijos por
mujer
Unidad de análisis: toda aquella
persona que padece de desnutrición
sin importar el rango de edad
Problema: Número de hijos por
mujer suba
Variable: Tasa de desempleo
Unidad de análisis: toda aquella
persona que padece de
desnutrición sin importar el rango
de edad
Problema: Tasa de desempleo suba
Variable: Media de los años de
escolaridad
Unidad de análisis: toda aquella
persona que padece de desnutrición
sin importar el rango de edad
Problema: Media de los años de
escolaridad baje
Variable: Ingreso nacional bruto
per cápita
Unidad de análisis: toda aquella
persona que padece de desnutrición
sin importar el rango de edad
Problema: Ingreso nacional bruto per
cápita baje
Efectos
Causas Causas Causas Causas
Políticas económicas erradas
Aumento de la población
económicamente activa
Inflación
Recesión económica
Problemas económicos
(Ingreso nacional bruto per
cápita bajo o casi nulo)
Desinterés de las personas
por el estudio
Grado de instrucción baja
Población
económicamente inactiva
(personas con desempleo)
Diferencia de género
(desigualdad)
Falta de educación sexual
Forma de pensar de los
peruanos (Sociología -
Cultura peruana)
Efectos Efectos Efectos
403
Variable: Gasto en salud per cápita
Unidad de análisis: toda aquella persona
que padece de desnutrición sin importar
el rango de edad
Problema: Gasto en salud per cápita
disminuya
Variable: Tasa de acceso de agua de la
población
Unidad de análisis: toda aquella persona
que padece de desnutrición sin importar
el rango de edad
Problema: Tasa de acceso de agua de la
población disminuya
Variable: Tasa de la mejora de las
instalaciones sanitarias
Unidad de análisis: toda aquella persona que
padece de desnutrición sin importar el rango
de edad
Problema: Tasa de la mejora de las
instalaciones sanitarias disminuya
Falta de trabajo
Ingreso bajo que no puede
cubrir atención médica
Muchos miembros en la
familia
Recesión económica
Problemas con las infraestructuras
y/o problemas para poder llegar a
ciertos puntos (inaccesibilidad de la
zona)
Ingreso mínimo que no pueda
cubrir con esta necesidad
Problemas con las infraestructuras
y/o problemas para poder llegar a
ciertos puntos (inaccesibilidad de
la zona)
Ingreso insuficiente para poder
pagar por el servicio
Una disminución en la variable
Tasa de acceso de agua de la
población disminuya afectaría
negativamente en la prevalencia de
desnutrición ya que al no existir
este servicio dificultaría seriamente
la ingesta de alimento.
Una disminución en la variable
Gasto en salud per cápita influye
directamente en la prevalencia de
desnutrición ya que si no se hace
chequeos para prevenir o tratar la
desnutrición esta puede
aumentar.
Una disminución en la variable Tasa de la
mejora de las instalaciones sanitarias
afectaría negativamente a la prevalencia
de desnutrición ya que al no contar con
este servicio la persona puede contraer
alguna enfermedad como enfermedades
diarreicas agudas (EDA) que genera
desnutrición.
Efectos Efectos Efectos
Causas Causas
Causas
Figura 162: Diagrama del árbol de problemas
Fuente: Elaboración propia
404