Estimación de la Tasa de pobreza Cantabria mediante matching estadístico

Estimación de la tasa de pobreza en Cantabria mediante matching estadístico

Autores: Pablo Lobete López
Francisco J. Parra Rodríguez
DOC. Nº 2/2018

RESUMEN
El objetivo del presente estudio es establecer una metodología para el cálculo de la tasa de riesgo pobreza en Cantabria a partir de los datos de la Encuesta Social de Cantabria (ESOC) 2015, realizando un matching estadístico con la Encuesta de Presupuestos Familiares (EPF) 2016. La ESOC es una encuesta realizada por el ICANE tiene como finalidad conocer las aptitudes sociales y condiciones de vida de la población de Cantabria. La muestra objetivo de la ESOC son 1.800 hogares.
La EPF tiene como objetivo suministrar información anual sobre la naturaleza y destino de los gastos de consumo, así como sobre diversas características relativas a las condiciones de vida de los hogares, en base a una muestra de aproximadamente 4.000 hogares para el conjunto del Estado. Para Cantabria, el tamaño de la muestra en 2016 fue de 762 hogares.
La tasa de pobreza monetaria en Cantabria puede calcularse tanto con los microdatos de la Encuesta de Condiciones de Vida (ECV) como con las de la EPF, si bien en el Documento Técnico 1/2017 del ICANE, se concluye que ambas encuestas se realizan con una muestra insuficiente para obtener medidas de pobreza.

Mediante un matching estadístico entre la ESOC y la EPF se pretende realizar un cálculo la tasa de riesgo de pobreza de Cantabria más consistente en el tiempo. En concreto se trata de estimar los ingresos mensuales de los hogares en la ESOC, a partir de una serie de variables comunes a la EPF y de la respuesta a la pregunta sobre el intervalo en que se sitúa la renta disponible de l hogar ingresos en la primera. Señalar que el matching entre la ESOC y la ECV se descartó por la menor muestra de la ECV (347 hogares).
Finalmente, se realiza una estimación de la tasa de riesgo de pobreza en Cantabria a partir de los ingresos de los hogares de la ESOC.
Palabras clave: Tasa de riesgo de pobreza, matching estadístico, Cantabria.

Estimación_tasa_pobreza_Cantabria_2_2018

 

Anuncios

Propensión marginal al consumo y estructura de gastos de consumo en España

Francisco Parra
20 de abril de 2018

Introducción

El objetivo del artículo es comprobar si la teoría del consumo Keynesiana, puede ser considerada desde una perspectiva micro, alejada de las tradicional supuesto de la elección entre bienes en base a las funciones de utilidad, para ello adoptaremos un supuesto más sociológico basado en la elección siguiendo un patrón determinado, aquí supondremos que cada individuo elige imitando el comportamiento de los individuos de la inmediata clase social de mayor renta, sujeto a una restricción de gasto que es la que determina la función de consumo Keynesiana, construida en base a grupos de clases sociales (percentiles). Para realizar dicho análisis utilizaremos técnicas de cluster, jerarquías en arboles mínimos de expansión, y técnicas de análisis de redes sociales, aplicadas a la Encuesta de Presupuestos Familiares de España.

Redes Sociales Consumo hogares

En R-Pub:

http://rpubs.com/PacoParra/439814

Redes Sociales en el Consumo de los Hogares

Francisco Parra Rodríguez.

El objetivo del artículo es comprobar si la teoría del consumo Keynesiana, puede ser considerada desde una perspectiva micro, alejada de las tradicional supuesto de la elección entre bienes en base a las funciones de utilidad, para ello adoptaremos un supuesto más sociológico basado en la elección siguiendo un patrón determinado, aquí supondremos que cada individuo elige imitando el comportamiento de los individuos de la inmediata clase social de mayor renta, sujeto a una restricción de gasto que es la que determina la función de consumo Keynesiana, construida en base a grupos de clases sociales (percentiles). Para realizar dicho análisis utilizaremos técnicas de regresión band spectrum, jerarquías en arboles mínimos de expansión, y técnicas de análisis de redes sociales, aplicadas a la Encuesta de Presupuestos Familiares de España.

Descargar:Redes_Sociales_Consumo_red100

 

 

Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional.

Otra economia

Redes Sociales en el Consumo de los Hogares

Francisco Parra

1 de septiembre de 2017

Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional.

Abstract

El objetivo del artículo es comprobar si la teoría del consumo Keynesiana, puede ser considerada desde una perspectiva micro, alejada de las tradicional supuesto de la elección entre bienes en base a las funciones de utilidad, para ello adoptaremos un supuesto más sociológico basado en la elección siguiendo un patrón determinado, aquí supondremos que cada individuo elige imitando el comportamiento de los individuos de la inmediata clase social de mayor renta, sujeto a una restricción de gasto que es la que determina la función de consumo Keynesiana, construida en base a grupos de clases sociales (percentiles). Para realizar dicho análisis utilizaremos técnicas de regresión band spectrum, jerarquías en arboles mínimos de expansión, y técnicas de análisis de redes sociales, aplicadas a…

Ver la entrada original 12 palabras más

Descomposición temporal con R

 

Resumen:

Evaluación de diferentes funciones descomposición temporal de R. Se utiliza como ejemplo la serie mensual de las concentraciones atmosféricas de CO2 en partes por millón (ppm) en Mauna Loa (Hawai),desde 1959 a 1979 .

Las funciones de R analizadas son: decompose, stl, decomp y descomponer. En los análisis gráficos muestran una gran simulitud, tanto en lo relativo a la serie de tendencia T(t), como a la estacionalidad S(t). La serie irregular I(t) acepta la hipótesis de normalidad en los test estadísticos KS y CVM en todos los casos, pero con autocorrelación serial.

 

descomposición temporal con R

 

En R-Pub:

Descomposición temporal con R

Estructura Jerárquica del Mercado Continuo de España

Francisco Javier Parra Rodríguez

Universidad de Cantabria (UNICAN), España

parra_fj@cantabria.es

PDF:

Estructura Jerárquica MC

Datos:

bolsa_esp

# Introducción

La idea de diversificar inversiones implica distribuir los recursos en diversas áreas, como por ejemplo: industria, construcción, tecnologías, recursos naturales, I+D, salud, etc. A esto Markowitz (1959) lo llamó cartera o portafolio, y la tesis era que mientras mejor diversificado estuviera ese portafolio, estaría mejor preparado para enfrentar los riesgos. El Modelo de Valoración del Precio de los Activos Financieros o Capital Asset Pricing Model (conocido como modelo CAPM) (Sharpe, 1965), al diferenciar el riesgo de un activo en sistemático y no sistemático, dio un paso más adelante al buscar la maximización del retorno de cada acción y obtener con ello un portafolio aún más rentable. De manera que el CAPM, es una de las herramientas más utilizadas en el área financiera para el análisis de los mercados financieros.

El CAPM utiliza la teoría de la regresión lineal y por tanto adopta sus supuestos básicos (gaussianos) en el análisis de correlación entre los activos de los mercados financieros a través del tiempo, especialmente las acciones. Pero a consecuencia de las sucesivas crísis bursatiles que se han sucedido, han surgido entre los econo-físicos dudas razonables acerca de la distribución estadística de los cambios en el precio de los activos, que de presentar distribuciones de colas gruesas, determinarían que la matriz de correlación de los cambios en los precios de los activos estaría pobremente determinada, y aí en el campo de la econofísica se han producido muchos trabajos que analizan la matriz de correlaciones y la información que de ella se puede extraer, con el objetivo de mejorar la predicción y modelización y, con ello, la selección de carteras de valores más eficientes.

Una rama de estos trabajos ha introducido recientemente un método de agrupamiento que permite analizar la topología y taxonomía dentro del grupo de activos financieros analizados. Este método usa el algoritmo de agrupación de asociación al vecino más cercano (nearest neighbor single linkage clustering algorithm), basado en la distancia ultramétrica, y permite obtener una agrupación jerárquica de los elementos de análisis sin introducir artificialmente parámetros de cluster o umbrales externos.En este sentido, de la matriz de correlaciones de los activos financieros utilizados se obtiene una jerarquía entre sus componentes, así como distintos grupos en su dinámica de acoplamiento, que permite elaborar mejores predicciones en las carteras (Matesanz y Ortega, 2010). Los trabajos pioneros de Mantegna (1998 y 1999), Bonanno et al.(2001a y 2001b) se centraron en los mercados de valores, tanto en acciones, como por ejemplo las acciones del índice DOW JONES, como entre diversos índices bursátiles mundiales, más recientemente, este tipo de análisis se ha realizado también sobre tipos de cambio (Ortega y Matesanz, 2006; Mizuno, et al.,2006; Naylor et al.,2007 y Drozdz et al., 2007).

# Metodología

Para Matesanz y Ortega (2010), la principal ventaja del uso de la distancia ultramétrica como medida de distancia para crear agrupamientos (clusters) deriva de que, sin la necesidad de introducir exógenamente umbrales o parámetros de agrupamiento, permite obtener jerarquía y taxonomía entre los elementos considerados de tal forma que éstas son únicas;no es posible construir otros agrupamientos diferentes, por lo que muestra una capacidad de explicación más robusta que otras medidas métricas.

Si consideramos dos valores, el coeficiente de correlación $\ rho_ {i, j}$ calculado a partir de las diferencias diarias de los logaritmos de precios ($Y_i = ln P_{i (t)} – ln P_{i (t-1)}$ puede variar de – 1 (pareja de acciones completamente anti-correlacionadas) a 1 (pareja de acciones completamente correlacionada), cuando es 0 las dos acciones no estarín correlacionadas. La matriz $n x n$ de coeficientes de correlación, de una cartera de valores, es una matriz simétrica con unos en la diagonal principal, pero la matriz de coeficientes de corrlación $nxn$, no puede usarse como medida de distancia al no cumplir con los tres axiomas de la métrica euclediana (Mantegna,1998), por ello propone usar como alternativa la siguente medida de distancia: $sqrt{2(1-r_{x,y})}$.

Es esta matriz de distancias es la que se usa para determinar el mínimo arbol generador (minimal spanning tree) que conecta los $n$ valores.

Dada un grafo, su árbol mínimo generador (o árbol de peso mínimo o árbol mínimo de expansión) es un árbol que pasa por todos los vértices y que la suma de sus aristas es la de menor peso.

 

# Portfoleo de acciones del IBEX

Se va a analizar una cartera de acciones del mercado continuo español constituida por los valores del IBEX:

– Banco de Bilbao Vizcaya (BBVA)
– Banco de Santander (SAN)
– Red Electrica (ELE)
– Fomento de Construcciones y Contratas (FCC)
– Iberdrola (IBE)
– Telefónica (TEF)
– Inditex (ITX)

Los datos han sido obtenido de yahoo finace: https://es.finance.yahoo.com/quote/%5EIBEX/history?p=%5EIBEX

Las cotizaciones diarias extraidas corresponden a la serie de Precio de cierre ajustado para dividendos y splits, del periodo 24/5/2001 a 18/5/2017.

En los datos originales de yahoo finanzas se han realizado una serie de ajustes para que todas las series tubieran la misma dimensión, ya que la serie no presenta cotización para todos los días del periodo; en estos días para los que no había cotización se ha dado por buena la del día anterior.

Para realizar el ejercio se ha utilizado la librería R vegan

 

“`{r}
setwd(“~/Word Press/Econometria aplicada/Hierarchical Structure”)
# Leemos los datos

cotiz=read.csv(“bolsa8.csv”,sep=”;”,dec=”,”,header=TRUE)
str(cotiz)

# Calculamos los rendimientos diarios

return=log(ts(cotiz[,-1]))-log(lag(ts(cotiz[,-1])))
summary(return)

# MATRIZ DE RETORNOS
returns.mat = as.matrix(return)
colnames(returns.mat) = c(“ibex”,”bbva”,”ele”,”fcc”,”ibe”,”san”,”tef”,”itx”)

# create the correlation coefficients
coef.corr <- cor(returns.mat)
coef.corr
coef.d <- (1-coef.corr^2) # compute distance (Mantegna, 1998)

# hierarchical cluster whir hclust

d <- as.dist(as.matrix(coef.d)) # find distance matrix

#Function spantree finds a minimum spanning tree (MTA) connecting all points, but disregarding dissimilarities that are at or above the threshold or NA.

 

library(vegan)

tr <- spantree(d)
## Add tree to a metric scaling
plot(tr, cmdscale(d), type = “t”)
## Find a configuration to display the tree neatly
plot(tr, type = “t”)
## Depths of nodes
depths <- spandepth(tr)
plot(tr, type = “t”, label = depths)
## Plot as a dendrogram
cl <- as.hclust(tr)
plot(cl)

“`

 

El mínimo arbol generador muestra que los rendimientos del IBEX es el nodo que más enlaces salen, una rama que parte del IBEX agruoa a los dos bancos, cuyos rendimientos se encuentran muy próximos entre si, si bien el valor con rendimientos más próximos al indice español, es telefónica, y el más alejado iditex, telefónica e inditex estarían en la misma rama. Iberdrola, sería tambien otro valor cuyos rendimientos estan cercanos al IBEX. En el dendograma se aprecia que el cluster más próximo al IBEX los formarían los dos bancos, telefónica y la empresa electrica.

 

 

# Bibliografía

BONANNO, G.; LILLO, F. y MANTEGNA, R. N. (2001a):
«Levels of Complexity in Financial Markets», Physica A 299,
páginas 16-27.

BONANNO, G.; LILLO, F. y MANTEGNA, R. N., (2001b):
«High Frequency Cross-Correlation in a Set of Stocks», Quantitative
Finance, 1, páginas 96-104.

Community Ecology Package: URL: https://cran.r-project.org, https://github.com/vegandevs/vegan

DROZDZ, S.; GÓRSKI, A. Z. y KWAPIEN’, J. (2007):
«World Currency Exchange Rate Cross-correlations», European
Physical Journal B, 58 (4), páginas 499-502

 

Mantegna, R. N.(1998), “Hierarchical Structure in Financial Markets” in arXiv:cond-mat/9802256 [cond-mat.stat-mech] (or arXiv:cond-mat/9802256v1 [cond-mat.stat-mech] for this version). https://arxiv.org/pdf/cond-mat/9802256.pdf

MANTEGNA, R. N. (1999): «Hierarchical Structure in
Financial Markets», The European Physical Journal B, 11, páginas
193-197.

MARKOWITZ, M. (1959): Portfolio Selection: Efficient
Diversification of Investment, Wiley, New York.

MATESANZ, D. y ORTEGA, G. J. (2010): «COMPLEJIDAD EN LOS MERCADOS CAMBIARIOS. ALGUNAS HERRAMIENTAS DE LA ECONOFÍSICA APLICADAS A LAS CRISIS Y EL CONTAGIO».TRIBUNA DE ECONOMÍA. Marzo-Abril 2010. N.º 853 ICE. páginas 109-123.

 

NAYLOR, M. J.; ROSE, L. C. y MOYLE, B. J. (2007):
«Topology of Foreign Exchange Markets using Hierarchical
Structure Methods», Physica A, 382, páginas 199-208.

ORTEGA, G. J. y MATESANZ, D. (2006): «Cross-country
Hierarchical Structure and Currency Crises», International Journal of
Modern Physics, C 17 (3), páginas 333-341.

MIZUNO, T.; TAKAYASU, H. y TAKAYASU, M. (2006):
«Correlation Networks Among Currencies», Physica A, 364,
páginas 336-342.

Sharpe, W. (1964). “Capital Asset Prices: A Theory of Market Equilibrium Under
Conditions of Risk,”, Journal of Finance, 19:425-442.

Sharpe, W.. (1990) . CAPITAL ASSET PRICES WITH AND WITHOUT NEGATIVE HOLDINGS. Nobel Lecture, December 7, 1990: http://www.nobelprize.org/nobel_prizes/economic-sciences/laureates/1990/sharpe-lecture.pdf

 

En R-Pub:

http://rpubs.com/PacoParra/282119

 

Estimación de una Propensión Marginal al Consumo Keynesiana.

Estimación de una Propensión Marginal al Consumo Keynesiana.
Francisco Javier Parra Rodríguez
parra_fj@cantabria.es

Resumen.
El objetivo es estimar la propensión marginal al consumo (PMC) a través de una función de consumo keynesiana con microdatos de las encuestas de hogares de Argentina, Estados Unidos, España y Argentina. Las estimaciones de estas funciones a partir de las encuestas de hogares se llevan a cabo con los datos agrupados en estratos de ingresos, según criterios subjetivos del investigador.
Proponemos una especificación con datos de gastos de consumo e ingresos expresados en términos “per cápita” y agrupados por percentiles de los datos de ingresos. Estas estimaciones suelen tener problemas en los errores debido a valores atípicos, dependencia de los errores entre estratos de hogares, heterocedasticidad o la existencia de relaciones no lineales. Estos problema se pueden solucionar mediante el uso de métodos alternativos de estimación a los mínimos cuadrados ordinarios (MCO), como la Regresión Band de Spectrum(RBS) ó el modelo de regresión lineal generalizado (MLG). La PMC calculada utilizando estos métodos de estimación se sitúaría en bandas en torno al 0,60-0,70. Destacando el comportamiento a-teorico de las clases bajas.

Estimación de una Propensión Marginal al Consumo Keynesiana.

Marginal Propensity to Consume in USA by data ordered to percentiles

Francisco Javier Parra Rodríguez

Universidad de Cantabria (UNICAN), España

parra_fj@cantabria.es

Abstract

The objective of this article is to estimate a marginal propensity to consume ( MPC) for the American economy through a classic Keynesian consumption function with microdata from household surveys . The MPC value are influenced by alternative definitions of spending units or consumption expenditure and income, at real or a per capita level, usually the data are grouped by arbitrary but seemingly reasonable income intervals. The form to data are collected to describe expenditure patterns, organized by income interval, and highly aggregated, determine the different MPC in consumption function. We propose an estimation method that uses income percentiles, expenditure percentiles and the income-expenditure coincidences of grouping survey sample. These estimates usually have normal problems in error term due to outlier, dependence, heteroscedasticity or the existence of nonlinear relationships in the variables. By Regression Band Spectrum (RBS) , and Generalized Linear Models (GLM), we can solve this problems.

Classification JEL (Journal of Economic Literature): E12, E21,R21

continue:

https://rpubs.com/PacoParra/229991

“Marginal Propensity to Consume in USA by data ordered to percentiles