Variables de Estado del Modelo

2.3.1. Descripción del método de estimación Una vez que hemos formulado el modelo de regresión y hemos establecido las hipótesis sobre el comportamiento de sus términos, el paso siguiente con- siste en estimarlo. Es decir, asignar valores numéricos a los parámetros β j des- conocidos, a partir de la información muestral disponible de las variables observables del modelo. Con esta finalidad disponemos de varios métodos de estimación, de los cuales sólo estudiaremos dos:

Servicio Predicción Numérica (INM) R E S U M E N En esta presentación se repasan las variables superficiales del modelo HIRLAM que próximamente se inicializarán operativamente con un procedi- miento de análisis. Dichas variables son: la temperatura del agua del mar, el espesor de la capa de nieve, la fracción de hielo, las temperaturas y el conteni- do de del suelo sobre su y al nivel de las raíces, y la tempe- ratura y humedad relativa a 2 m del suelo. Se pasa revista al método, campo previo, observaciones y peculiaridades del análisis de cada una de ellas, con énfasis en las que más se ha trabajado en el INM en el último año. Asimismo se explica brevemente la necesidad de la mejora de su inicialización y las conse- cuencias que se derivan.

Marzo de 2008 Resumen Este documento presenta una breve introducción a cómo crear variables dummy con el paquete econométrico gratuito EasyReg. Este documento está dirigido principalmente a estudiantes de pregrado de un curso de econometría o cualquier lector con conocimientos básicos del modelo de regresión múltiple.

Los modelos planteados hasta ahora son muy sencillos, y pueden ser poco realistas porque no incluyen otras variables que influyen sobre los salarios de los trabajadores. Si se tiene información no solo de los salarios y el nivel de cualificación sino también de otras variable como la edad, los años de experiencia, el sector de actividad, etc., la incorporación de esas variables se realizaría sin ninguna dificultad. Así, se puede plantear un modelo como:

Las GIRF, a diferencia de otras clases de funciones de respuestas al impulso, presentan un balance de ventajas e inconvenientes que las hacen adecuadas para nuestro análisis. Por un lado, las GIRF son invariantes al orden de las variables en el modelo VECMX* para la economía española. En particular, las GIRF no requieren de la ortogonalización de los residuos del sistema y, por tanto, de restricciones sustentadas en la teoría económica, dado que toman las correlaciones históricas entre las variables recogidas en la matriz de covarianzas estimada. Por el contrario, las GIRF no ofrecen información acerca de las relaciones causales entre las variables. En este sentido, en las GIRF no se procede a la identificación de los shocks, de manera que no pueden emplearse para la efectuación de simulaciones de política económica. Así pues, resulta imposible proporcionar una interpretación económica estructural a tales perturbaciones, con etiquetas del tipo “shock de oferta”, “shock de demanda” o “shock de política económica”, por ejemplo. En cualquier caso, el análisis de los efectos de un cambio no anticipado en una de las variables observables sobre el resto de variables endógenas del modelo constituye un objetivo en sí lo suficientemente relevante como para poder considerarse un paso esencial en cualquier estudio.

El comportamiento de los compradores, como todo comportamiento humano, es muy complejo, y la imagen simplificada de los consumidores que nos ofrece cualquier modelo nos ayuda a comprenderlo. Como señalan Vázquez Casielles y Trespalacios (1994:130, 2005), en primer lugar se trata de un comportamiento complejo como ya que el número de variables internas y externas que inciden en su forma de proceder es muy numeroso. En segundo lugar, la conducta de compra del consumidor varía en función del tipo de productos, puesto que el sujeto percibe que el riesgo asociado cada compra es diferente. Y, en tercer lugar, el comportamiento del consumidor evoluciona con el ciclo de vida del producto, de tal modo que al madurar y el envejecer este los clientes pueden desarrollar un proceso de aprendizaje y lograr una mayor experiencia en torno a las características y beneficios del producto. Esta complejidad hace necesaria la aparición de modelos de comportamiento que permitan entender, de una forma simplificada, el mecanismo interno que llevan a cabo los sujetos para tomar sus decisiones de compra, al tiempo que identifica los elementos más importantes que entran en juego dentro de esas decisiones.

XVI Jornadas ASEPUMA – IV Encuentro Internacional 3 Rect@ Vol Actas_16 Issue 1:204 En este trabajo abordamos la construcción de la solución del modelo dinámico de Leontief, en los dos casos anteriormente citados, y constituyen el punto de partida de situaciones más generales en la que la variación con el tiempo de las matrices de producción A(t), de capital B(t), así como el vector de demandas, sean variables con el tiempo, pero no necesariamente analíticas.

Variables determinantes del rendimiento de la fuerza de ventas: Un modelo integrador A pesar de ser una de las sub-disciplinas más antiguas del área de comercialización y una herramienta fundamental para las empresas, la fuerza de ventas ha sido poco estudiada desde la perspectiva del marketing y, menos aún, desde una perspectiva integradora. La medición del rendimiento, la efectividad y el estudio las variables que los configuran son fundamentales para que los directores y jefes de venta puedan actuar sobre ellos y conseguir mayor rentabilidad para la empresa. Este estudio trata de recopilar todos estos términos para comprender mejor cómo se puede medir y cómo se genera el rendimiento en los equipos de venta, que mantienen entre un 15% y un 20% de los empleos en España.

Por otro lado, la figura 4 es la representación del correlograma de la prueba de Anderson para la variable alita, en la cual de los 18 puntos presentados un porcentaje bajo se encuentra fuera de los rangos de aceptación de la prueba, sin embargo, más del 85 por ciento de los puntos se encuentran dentro de los límites; además que los puntos fuera de esta zona no se encuentran lejanos significativamente, es una delta mínimo el que tienen para poder encontrarse en los límites de aceptación; esto indica que a pesar de que la alita no es totalmente independiente, como la belita, hay factores no controlados dentro de este proceso que hacen que esta variable tenga cierta dependencia de algunas condiciones desconocidas, pero regresando al análisis previo de multicolinealidad se asume que esta dependencia no es de ninguna de las variables utilizadas en el modelo.

En el modelo planteado, se investigó la influencia de cuatro variables independientes que fueron el PIB, la cartera bruta, el desempleo y la inflación. Como variable dependiente se tomó la cartera vencida. La estimación se realizó con un modelo log-log buscando así determinar la elasticidad de la cartera vencida ante cambios en las variables explicativas. Ésta dio como resultado que todas las variables eran significativas en la determinación de la variable dependiente. Se encontró que la variable de cartera bruta es la de mayor impacto sobre la cartera vencida en el sentido que un crecimiento acelerado de la primera puede estarse reflejando en un incremento de la segunda con un rezago de cuatro trimestres. El desempleo también tiene una influencia importante sobre la cartera bruta puesto que un incremento del primero se reflejará en un crecimiento de la cartera vencida debido a la menos solvencia y liquidez que les representa a las personas la pérdida del empleo. Los resultados de la estimación demostraron la relación positiva y significativa entre la inflación y la cartera vencida debido a que incrementos en la inflación estarán reflejados en una mayor proporción de cartera vencida puesto que las tasas de interés aumentan cuando esto sucede, lo que encarece y dificulta el cumplimiento de las obligaciones crediticias vigentes. Por último, el PIB resultó también ser una variable con una influencia importante sobre la cartera vencida. La elasticidad encontrada demostró que el crecimiento del PIB tiene efectos de reducción de la cartera vencida en relación con la cartera bruta con un trimestre de rezago.

Con esta revisión se ha logrado dar soporte teórico a la extensión de la técnica multivariada SEM (Structural Equation Modeling) para el rediseño de procesos industriales que generen datos tanto continuos como discretos y ordinales. Como ya se ha mencionado, en la primera aplicación se logró la cuantificación de las relaciones entre las operaciones de un proceso y las características de calidad generadas, utilizando variables continuas; con la extensión a variables ordinales se ha generalizado el modelo.

Resumen en la actualidad no existe consenso sobre las variables que deben investigarse para determinar el grado de desarrollo existente en una empresa en la gestión del conoci- miento. Como resumen e interpretación teórica de los estudios realizados, así como de los resultados de las investigaciones rea- lizadas en las empresas de jalisco, se diseñó un modelo con el objetivo de que sirva de soporte a las investigaciones exploratorias para conducir el análisis interrelacionado de las categorías y variables que determinan el grado de desarrollo de la gestión del conoci- miento en una empresa. El modelo identifica los tres niveles en que la investigación debe realizarse:

También se ha examinado la posibilidad de integración y desarrollo del modelo a partir de variables contextuales, como el apoyo social, el género y el estatus económico, Para cada una de ellas, el reto es distinto, pasando por aspectos de definición conceptual, medición, y diseño de los estudios. Sin embargo, se espera que la breve exposición que se ha hecho sobre los mismos funcione como aperitivo, y los lectores de este manuscrito se sientan invitados a seguir aprendiendo sobre este modelo, así como a realizar investigación que contribuya a ampliar los horizontes del MT. Con ello se estará ampliando el conocimiento sobre cómo transformar la sociedad y promover la salud.

Con esta revisión se ha logrado dar soporte teórico a la extensión de la técnica multivariada SEM (Structural Equation Modeling) para el rediseño de procesos industriales que generen datos tanto continuos como discretos y ordinales. Como ya se ha mencionado, en la primera aplicación se logró la cuantificación de las relaciones entre las operaciones de un proceso y las características de calidad generadas, utilizando variables continuas; con la extensión a variables ordinales se ha generalizado el modelo.

2.3.2 Densidad marginal posterior Bayesiana En el enfoque estad´ıstico Bayesiano se considera que el modelo observacional es condi- cionado sobre los par´ ametros y que todos ellos, tanto los de inter´ es como los de estorbo, son variables aleatorias. En este enfoque de estimaci´ on se requiere una funci´ on de den- sidad conjunta inicial, previa o a priori para todos los par´ ametros. Luego, a trav´ es del teorema de Bayes, se calcula la probabilidad posterior conjunta de los par´ ametros dada la muestra observada. Las inferencias acerca de par´ ametros de inter´ es se hacen a trav´ es de su densidad marginal posterior, la cual se obtiene integrando la probabilidad posterior conjunta de todos par´ ametros con respecto a los par´ ametros considerados de estorbo.

RESUMEN El objetivo fundamental de este estudio es exponer los elementos claves del Modelo de Responsabilidad y Social desarrollado por Donald Hellison (2011) así como de las estrategias generales y específicas para la promoción de la responsabilidad desde las clases de Educación Física. De igual modo, se identifican las principales variables que se han investigado asociadas a su implementación en diferentes contextos y las nuevas tendencias en su estudio desde planteamientos híbridos con otros enfoques metodológicos. Este modelo pedagógico ofrece un papel activo a los alumnos, en línea con las demandas de los actuales enfoques legislativos educativos.

Las dimensiones entre Universidad-Industria-Gobierno se expresan por variables de interacción o interfaz entre las aspas del Modelo de la Triple Hélice de la siguiente manera; en la re[r]

Key Words: ordinal data, polichotomous variable, dichotomous variable, tetrachoric, polychoric, biserial an polyserial correlation, SEM, LISREL. El modelo de ecuación estructural (SEM) es una técnica multivariada que intenta explicar las relaciones entre un conjunto de variables observadas en términos de un número más pequeño de variables no observadas, llamadas factores o variables latentes. Hace parte de una familia de modelos conocidos como Análisis estructural de covarianza [4], Análisis de variables latentes [5], Análisis factorial confirmatorio, entre otros. El modelo asume que las variables no observadas generan la estructura o patrón entre las variables observadas.

RESUMEN El presente trabajo constituye la tercera parte de “El Sistema Alimentario Global”. El objetivo principal es proponer la encuesta como herramienta para optimizar el modelo matemático que se llevó a cabo en las dos fases anteriores y que se basaba en una red que configuraba el espacio alimentario a través de 4 ejes diferentes: Disponibilidad alimentaria, Economía, Políticas y Cultura, los cuales se les daba una ponderación igual a cada uno. Con el perímetro definido a Cataluña se pretende, a partir de la encuesta, saber qué importancia le dan los catalanes a estos ejes y así poder aplicar una ponderación más afinada y representativa de la realidad. Para ello se lleva a cabo el diseño del cuestionario, la recopilación de los datos, la aplicación de técnicas estadísticas de muestreo: estratificación por cuotas y ponderación de los estratos, técnicas de depuración de encuestas, así como técnicas de “profiling” para diferenciar grupos entre las variables del sistema alimentario y las características sociodemográficas que los determinan.

OBJETIVO • El objetivo de este artículo es presentar un META-ANÁLISIS bibliográfico que nos dirija hacia el análisis de las variables más relevantes a la hora de proponer en un futuro un nuevo modelo teórico para comprender el fenómeno de la TECNO- ADICCIÓN.