“impacto de las variables que inciden en la tasa de la prevalencia de desnutriciÓn...

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


América del Centro y el caribe


África del Norte y Occidental


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


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 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 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


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


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


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


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



en África del Sur, Oriente y Central

Figura 112: Estadísticas de los Años Promedio de Escolaridad en África del


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


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


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 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


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 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


América Central

C



C



C


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


C

uadro 12: Principales correlaciones en el modelo de investigación para África


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


de causalidad del modelo a estimar en el subcontinente de América Central

C


de causalidad del modelo a estimar en el subcontinente de África del Norte y

Occidental

C


de causalidad del modelo a estimar en el subcontinente de África del Sur,

Oriente y Central

C


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


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


de América Central y el Caribe

C


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



C


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


de África del Norte y Occidental

C


fijos inicial para el subcontinente de África del Norte y Occidental

C



C


para el subcontinente de África del Norte y Occidental

C


subcontinente de África del Norte y Occidental

C



C


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


en el modelo EFM1 para el subcontinente de África del Norte y Occidental

C


de África del Sur, Oriente y Central

C


fijos inicial para el subcontinente de África del Sur, Oriente y Central

18

C



C


para el subcontinente de África del Sur, Oriente y Central

C


subcontinente de África del Sur, Oriente y Central

C



C


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


C


en el modelo EFM1 para el subcontinente de África del Sur, Oriente y Central

C


de Asia

C


fijos inicial para el subcontinente de Asia

C


Fijos inicial mediante el Test de Variables Redundantes – Parte 1

C



C



19

C


para el subcontinente de Asia

C


subcontinente de Asia

C



C


aleatorios inicial para el subcontinente de Asia

C

uadro 73: Resultados del Test de Hausman para el subcontinente de Asia

C


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


América Central






Asia

Cuadro 82: Elección del rezago óptimo para la relación de causalidad 1

(𝐿𝑈𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del Sur

20


(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del Sur


(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del

Sur


(𝐿𝑁𝐻𝑀𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del

Sur


(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del

Sur


(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del

Sur


(𝐿𝐴𝐸𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del Sur


(𝐿𝑈𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América Central


(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América Central


(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América

Central


(𝐿𝑁𝐻𝑀𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América

Central


(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América

Central


(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América

Central


(𝐿𝐴𝐸𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América Central

21


(𝐿𝑈𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Norte y

Occidental


(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Norte

y Occidental


(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del

Norte y Occidental


(𝐿𝑁𝐻𝑀𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del

Norte y Occidental


(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del

Norte y Occidental


(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del

Norte y Occidental


(𝐿𝐴𝐸𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Norte

y Occidental


(𝐿𝑈𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,

Oriente y Central


(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,

Oriente y Central


(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,

Oriente y Central





(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,

Oriente y Central

22


(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,

Oriente y Central


(𝐿𝐴𝐸𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,

Oriente y Central


(𝐿𝑈𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia


(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia


(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia




(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia


(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia


(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


(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del Sur


(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del

Sur


(𝐿𝑁𝐻𝑀𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del

Sur


(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del

Sur


(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del

Sur

23


(𝐿𝐴𝐸𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América del Sur


(𝐿𝑈𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América Central


(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América Central


(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América

Central


(𝐿𝑁𝐻𝑀𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América

Central


(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América

Central


(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América

Central


(𝐿𝐴𝐸𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para América Central


(𝐿𝑈𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Norte y

Occidental


(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Norte

y Occidental


(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del

Norte y Occidental



Norte y Occidental


(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del

Norte y Occidental

24


(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del

Norte y Occidental


(𝐿𝐴𝐸𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Norte

y Occidental


(𝐿𝑈𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,

Oriente y Central


(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,

Oriente y Central


(𝐿𝐼𝑁𝐵𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,

Oriente y Central





(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,

Oriente y Central


(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,

Oriente y Central


(𝐿𝐴𝐸𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para África del Sur,

Oriente y Central


(𝐿𝑈𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia


(𝐿𝐺𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia




(𝐿𝑁𝐻𝑀𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia

25


(𝐿𝐴𝐴𝑃𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia


(𝐿𝑀𝐼𝑆𝑡𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝐿𝑇𝑃𝐷𝑡) del modelo de investigación para Asia


(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


efectos fijos totalmente corregido (modelo 𝐸𝐹𝑀1) del subcontinente de América

Central y el Caribe


efectos fijos totalmente corregido (modelo 𝐸𝐹𝑀1) del subcontinente de África



efectos fijos totalmente corregido (modelo 𝐸𝐹𝑀1) del subcontinente de África



efectos fijos totalmente corregido (modelo 𝐸𝐹𝑀1) del subcontinente de Asia

Cuadro 158: Output del test de Hausman para la elección del modelo final del










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


efectos fijos del modelo EFM1 del subcontinente de América Central y el

Caribe

26


efectos fijos del modelo EFM1 del subcontinente de África del Norte y

Occidental


efectos fijos del modelo EFM1 del subcontinente de África del Sur, Oriente y

Central


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?


P.E.2 ¿Cuál fue el impacto de la variable gasto en salud per cápita sobre la tasa de


2014?


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?


P.E.4 ¿Cuál fue el impacto de la variable número de hijos por mujer sobre la tasa de


2014?

36


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?


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?


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.

https://www.britannica.com/topic/food-availability-decline

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.


O.E.2 Determinar el impacto de la variable gasto en salud per cápita sobre la


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.


O.E.4 Determinar el impacto de la variable número de hijos por mujer sobre la


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.


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


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


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


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


periodo 1995-2014 fue igual a 10%.

H1: El mayor impacto (valor absoluto) de la variable tasa de desempleo sobre la


periodo 1995-2014 fue menor a 10%


H0: El mayor impacto (valor absoluto) de la variable gasto en salud per cápita


durante el periodo 1995-2014 fue igual a 10%.

H1: El mayor impacto (valor absoluto) de la variable gasto en salud per cápita


durante el periodo 1995-2014 fue menor a 10%.


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


H0: : El mayor impacto (valor absoluto) de la variable número de hijos por mujer



H1: El mayor impacto (valor absoluto) de la variable número de hijos por mujer


durante el periodo 1995-2014 fue menor a 10%.


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


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%


H0: El mayor impacto (valor absoluto) de la variable tasa de las mejoras de las


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


diferentes subcontinentes, durante el periodo 1995-2014 fue menor a 10%

62


H0: El mayor impacto (valor absoluto) de la variable años promedio de

escolaridad sobre la tasa de prevalencia de desnutrición en los diferentes


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


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


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





Porc

enta

je d

e la P

obla

ción


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





Por

cent

aje

de la

Pob

laci

ón


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





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


Panel de datos para 15 países de este continente



Por

cent

aje

de la

Pob

laci

ón

78


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


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.


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


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


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


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%.


EViews 9

85


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


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


0.189927

-0.480084

-0.465481

0.439687

-0.663786

-0.598356

-0.412771


EViews 9


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.


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


-0.338727

88

-0.448312

-0.558376

0.545013

-0.608363

-0.576785

-0.405318


EViews 9


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





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


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


-0.367985

-0.350554

-0.360275

0.519238

-0.469134

0.135316

-0.419614


EViews 9


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


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




91


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


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.


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








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


Desnutrición).

5

3 1.064987

La serie (Tasa de Acceso al

Agua Potable) no causa en sentido



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



Nota: * Significancia al 1%. ** Significancia al 5%. *** Significancia al 10%.


EViews 9


a estimar en el subcontinente de América Central


Óptimo

Estadístico

F Conclusión

1

10 0.946819




Desnutrición).

2

10 2.364201**




97

Desnutrición).

3

10 3.038921*





4

10 1.306572


Mujer) no causa en sentido Granger a


Desnutrición).

5

10 1.424493





6

10 2.890511*


Instalaciones Sanitarias) sí causa en



7

10 2.510153**


Escolaridad) sí causa en sentido





EViews 9


a estimar en el subcontinente de África del Norte y Occidental


Óptimo

Estadístico

F Conclusión

1

3 0.962202




Desnutrición).

2

5 3.772868* La serie (Gasto en Salud per


98


Desnutrición).

3

5 2.119974***





4

3 0.691294




Desnutrición).

5

3 3.138481**


Agua Potable) sí causa en sentido



6

3 1.916888





7

3 1.736840







EViews 9


a estimar en el subcontinente de África del Sur, Oriente y Central


Óptimo

Estadístico

F Conclusión

1

6 1.118506




Desnutrición).

99

2

6 2.060597***




Desnutrición).

3

6 0.930134


per Cápita) no causa en sentido



4

6 0.282572




Desnutrición).

5

8 1.597570





6

6 0.751010





7

6 0.659502







EViews 9


a estimar en el subcontinente de Asia


Óptimo

Estadístico

F Conclusión

1

4 0.842745




100

Desnutrición).

2

4 1.000567


Cápita) no causa en sentido Granger a


Desnutrición).

3

4 0.727852


per Cápita) no causa en sentido



4

5 4.581636*


Mujer) sí causa en sentido Granger a


Desnutrición).

5

4 0.930535





6

5 2.246846***


Instalaciones Sanitarias) sí causa en



7

4 0.892847







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:






anteriores).





analizado). Así, es la variable dummy que representa al país de Costa Rica,



observaciones.


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.












112


Donde:




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.








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






anteriores).





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.


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






alcanzado por Egipto durante los últimos 20 años.













Donde:

115















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:





116


anteriores).





analizado). Así, es la variable dummy que representa al país de Camerún,



observaciones.


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






alcanzado por Lesoto durante los últimos 20 años.

117













Donde:












118




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:






anteriores).





analizado). Así, es la variable dummy que representa al país de Armenia,



observaciones.

119


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






alcanzado por Turquía durante los últimos 20 años.












120


Donde:















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


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%.


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


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.



EViews 9


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).



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.


desnutrición en este subcontinente tuvieron los signos correctos de acuerdo a la



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


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


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


Cuadro 28: Estimación del nuevo Modelo de Efectos Fijos corregido (modelo EFM1_1D) para el


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


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


desnutrición en este subcontinente tuvieron los signos correctos de acuerdo a la



sudamericana con acceso a instalaciones sanitarias hubo ahora una reducción de


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.




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.


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


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.



EViews 9


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




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




varianza constante.

EFM1_3D DP8A14,

DP8A13, DP8A12 3.0836* 0.003146




varianza constante.

141



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


Cuadro 32: Estimación del nuevo Modelo de Efectos Fijos corregido (modelo EFM1_3D) para el


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


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


(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


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


(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.




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.


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



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.


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




Cuadro 34: Verificación de la normalidad de errores en el modelo de efectos aleatorios inicial para el



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.



EViews 9


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 )


observado . Por ello, el modelo de

efectos fijos es el más

adecuado para estimar estos

determinantes.



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


: 215.13*

El efecto fijo atribuido al país de Brasil es estadísticamente


promedio de prevalencia de desnutrición brasilera respecto al



: 92.70*

El efecto fijo atribuido al país de Chile es estadísticamente


promedio de prevalencia de desnutrición chilena respecto al



: 161.53*

El efecto fijo atribuido al país de Colombia es


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


promedio de prevalencia de desnutrición ecuatoriana respecto

al valor de la tasa de desnutrición peruana sí aporta poder


: 29.76*

El efecto fijo atribuido al país de Guyana es estadísticamente


promedio de prevalencia de desnutrición guyanesa respecto

al valor de la tasa de desnutrición peruana sí aporta poder


: 17.42*

El efecto fijo atribuido al país de Paraguay es


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


promedio de prevalencia de desnutrición uruguaya respecto al

150





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


5.11.2 Resultados para el subcontinente de América Central y el

Caribe



Cuadro 37: Estimación del Modelo de Efectos Fijos inicial para el subcontinente de América Central y el

Caribe

151



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.



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


(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.




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.









154

2.3247*







EViews 9



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.


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


Nota: * Denota significancia al 5%. ** Criterio de Información de Schwarz (SIC, por sus siglas en inglés).


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


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


(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


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.


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.


genera cada habitante de América Central y el Caribe redujo en 0.29% la tasa de


(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.


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%.


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


2.8598*


con media igual a cero y varianza constante. Es decir, sí

es ruido blanco y también se distribuye normalmente a lo




EViews 9



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


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


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%.


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


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.


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


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.


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.









3.4323*







EViews 9

163



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.




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).


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


subcontinente ( , , , y

) no están correlacionados con el

efecto no observado . Es decir, el modelo

de efectos aleatorios inicial es más

16.1766*


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.


efectos fijos es el más adecuado

para estimar estos determinantes.



EViews 9





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.








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


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 .



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



Cuadro 46: Estimación del Modelo de Efectos Fijos inicial para el subcontinente de África del Norte y

Occidental



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.


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.





resultado y se asume que el modelo de efectos fijos para África del Norte y Occidental

no presenta problemas de autocorrelación.




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%.


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.




169


resultados se presentan en el siguiente cuadro




7.9918**







EViews 9



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.





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.



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



2 1.910594 -0.376254

El Ingreso Nacional Bruto per Cápita es una



3 1.395528 -0.378568

El Número de Hijos por Mujer es una variable



4 1.925887 -0.376186

Los Años Promedio de Escolaridad son una



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


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



8

1.653830 -0.392842

El Ingreso Nacional Bruto per Cápita y el

Número de Hijos por Mujer son variables



9

1.717637 -0.392274

El Ingreso Nacional Bruto per Cápita y los

Años Promedio de Escolaridad son variables



10

2.347320 -0.386678

El Número de Hijos por Mujer y los Años

Promedio de Escolaridad son variables


171


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




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



14

2.195588 -0.401165


Bruto per Cápita y los Años Promedio de

Escolaridad son variables redundantes y su



15

2.060255 -0.408072


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.



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






especificación al excluir estas cuatro variables redundantes. Por lo tanto, el modelo


Redundantes.





173


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



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.


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



corregido ( ), este modelo presenta un valor del estadístico de Durbin-Watson



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.



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%.


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.





Cuadro 50: Verificación de la normalidad de errores en el modelo EFM1 para el subcontinente de África



9.0403**







EViews 9




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.



176

), se procede a considerar únicamente los tres determinantes que fueron



siguientes:

Cuadro 51: Estimación del Modelo de Efectos Aleatorios inicial para el subcontinente de África del Norte

y Occidental


11.29*

-0.29*

-1.44*

-0.43*


0.7103

192.9139*

0.2824



EViews 9


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%.



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




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



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


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


178


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.









8.6920**







EViews 9




del modelo de efectos aleatorios sí siguen una distribución normal y, en consecuencia,


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




no está correlacionado con los tres determinantes considerados en el modelo (con








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


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



24.2952*


al menos uno de los tres determinantes



( , o ) están

correlacionados con el efecto no






EViews 9





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





















el subcontinente de África del Norte y Occidental

181





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


subcontinente.

5.11.4 Resultados para el subcontinente de África del Sur, Oriente

y Central



Cuadro 55: Estimación del Modelo de Efectos Fijos inicial para el subcontinente de África del Sur, Oriente

y Central

182


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.


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


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



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.


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.




184


resultado y se asume que el modelo de efectos fijos para África del Sur, Oriente y

Central no presenta problemas de autocorrelación.




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.






185




7.1675**







EViews 9




del modelo de efectos fijos inicial sí siguen una distribución normal y, en consecuencia,


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.





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.



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



2 0.192404 0.608554

La Tasa de Acceso al Agua Potable es una



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


4

0.290021 -0.632932

El Ingreso Nacional Bruto per Cápita y la Tasa

de Acceso al Agua Potable son variables



5

1.865960 -0.615908

El Ingreso Nacional Bruto per Cápita y la Tasa

de Mejoras en las Instalaciones Sanitarias son



significativo.

6

1.608436 -0.618670

La Tasa de Acceso al Agua Potable y la Tasa

de Mejoras en las Instalaciones Sanitarias no



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



significativo.



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






especificación al excluir estas tres variables redundantes. Por lo tanto, el modelo


Redundantes.






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*


0.8901

115.8993*

-0.8732

-0.6423

0.5805



EViews 9


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



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.


países de África del Sur, Oriente y Central incrementó ahora en 0.99% la tasa de


(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


corregido ( , este modelo presenta un valor del estadístico de Durbin-Watson



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.



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.





Cuadro 59: Verificación de la normalidad de errores en el modelo EFM1 para el subcontinente de África



6.2484**







EViews 9




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.



), se procede a considerar únicamente los cuatro determinantes que fueron



siguientes:

192

Cuadro 60: Estimación del Modelo de Efectos Aleatorios inicial para el subcontinente de África del Sur,

Oriente y Central


1.90*

0.28*

0.18*

1.06*

-1.01*


0.4969

48.1430*

0.4517



EViews 9


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%.



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


193



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.


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.


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.





resultados se presentan en el siguiente cuadro:




8.2450**







EViews 9

195












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).


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


subcontinente ( , , y ) no


observado . Es decir, el modelo de

efectos aleatorios inicial es más adecuado

que el modelo de efectos fijos para la

14.3914*


al menos uno de los cuatro

determinantes considerados para la tasa


subcontinente ( , , o )



196

estimación de los determinantes de la tasa


subcontinente.





EViews 9





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.















197




el subcontinente de África del Sur, Oriente y Central

Restricción al


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.


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 .



EViews 9





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



Cuadro 64: Estimación del Modelo de Efectos Fijos inicial para el subcontinente de Asia


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.


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


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.


países de Asia incrementó en 0.59% la tasa de prevalencia de la desnutrición de dicho


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.


el aumento de 1% en la proporción del sector urbano de la población asiática con


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.





resultado y se asume que el modelo de efectos fijos para Asia no presenta problemas

de autocorrelación.




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%.


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.




201






2.2621*







EViews 9



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


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



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.


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


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


significativo.

4 2.451149 0.161574

La Tasa de Acceso al Agua Potable es

una variable redundante y su aporte en


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



7

0.461709 0.137099

El Gasto en Salud per Cápita y los Años


redundantes y su aporte conjunto en


significativo.

8

1.659977 0.145654


Acceso al Agua Potable son variables



significativo.

9

1.265309 0.157003


Mejoras en las Instalaciones Sanitarias


conjunto en poder explicativo al modelo


10

0.334407 0.136186

La Tasa de Desempleo y los Años




significativo.

11

1.354939 0.143483

La Tasa de Desempleo y la Tasa de




significativo.



EViews 9

204



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





13

1.523574 0.144684

Los Años Promedio de Escolaridad y la

Tasa de Acceso al Agua Potable son

variables redundantes y su aporte



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


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



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



205

17

1.481427 0.130630

El Gasto en Salud per Cápita, los Años

Promedio de Escolaridad y la Tasa de




significativo.

18

2.251747 0.138779


Acceso al Agua Potable y la Tasa de





19

2.219619 0.138440


Desempleo y la Tasa de Mejoras en las

Instalaciones Sanitarias son variables



significativo.

20

1.179026 0.127413


Desempleo y la Tasa de Acceso al Agua

Potable son variables redundantes y su



21

2.347609 0.139788


Promedio de Escolaridad y la Tasa de





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



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



23

1.789368 0.133896


Escolaridad y la Tasa de Mejoras en las




24

1.919557 0.135273

La Tasa de Desempleo, la Tasa de Acceso al

Agua Potable y la Tasa de Mejoras en las




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



significativo.

26

1.135335 0.111961


Desempleo, los Años Promedio de

Escolaridad y la Tasa de Acceso al Agua

Potable son variables redundantes y su aporte



27

1.462191 0.116578


Escolaridad, la Tasa de Acceso al Agua

Potable y la Tasa de Mejoras en las




207

28

1.782791 0.121086


Promedio de Escolaridad, la Tasa de Acceso

al Agua Potable y la Tasa de Mejoras en las




29

1.808311 0.121444


Desempleo, la Tasa de Acceso al Agua





30

1.814232 0.121527



Escolaridad y la Tasa de Mejoras en las




31

1.523482 0.103777



Escolaridad, la Tasa de Acceso al Agua





Nota: * Denota significancia al 5%. ** Criterio de Información de Schwarz (SIC, por sus siglas en

inglés).


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


208

Un apunte interesante es que al sacar estas cinco variables del modelo inicial, se






especificación al excluir estas cinco variables redundantes. Por lo tanto, el modelo


Redundantes.




Asia

209


presenta también un ajuste bastante alto (a saber, 89.63% de las variaciones


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



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


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.


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


corregido ( , este modelo presenta un valor del estadístico de Durbin-Watson



se obvia el presente resultado y se asume que el modelo de efectos fijos para Asia no

presenta problemas de autocorrelación.



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%.


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





Cuadro 70: Verificación de la normalidad de errores en el modelo EFM1 para el subcontinente de Asia


2.3958*







EViews 9



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.



), se procede a considerar únicamente los dos determinantes que fueron



siguientes:

212

Cuadro 71: Estimación del Modelo de Efectos Aleatorios inicial para el subcontinente de Asia


4.71*

-0.36*

0.61*


0.5868

210.8791*

0.1041



EViews 9


este subcontinente presenta un ajuste bajo (a saber, 58.68% de las variaciones


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%.



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


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


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.


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









8.5153**







EViews 9












no está correlacionado con los dos determinantes considerados en el modelo (con





215




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


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



8.1479**


al menos uno de los dos determinantes



( o ) están correlacionados

con el efecto no observado . Por ello,

el modelo de efectos fijos es el

más adecuado para estimar estos

determinantes.



EViews 9





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




216


















el subcontinente de Asia

Restricción al


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.


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

:



EViews 9





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).


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






(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






(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


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

http://www.un.org/sustainabledevelopment/es/objetivos-de-desarrollo-sostenible/

http://www.un.org/sustainabledevelopment/es/objetivos-de-desarrollo-sostenible/

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



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


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


diferentes

subcontinentes,

durante el periodo

1995-2014?

O.E.1 Determinar el


tasa de desempleo

sobre la tasa de

prevalencia de


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%.


variable tasa de desempleo sobre la tasa de



menor a 10%



gasto en salud per

cápita sobre la tasa de

prevalencia de


diferentes

subcontinentes,

durante el periodo

1995-2014?

O.E.2 Determinar el


gasto en salud per

cápita sobre la tasa de

prevalencia de


diferentes

subcontinentes,

durante el periodo

1995-2014.


variable gasto en salud per cápita sobre la tasa de



igual a 10%.


variable gasto en salud per cápita sobre la tasa de



menor a 10%.



ingreso nacional bruto

per cápita sobre la tasa

de prevalencia de


diferentes

subcontinentes,

durante el periodo

1995-2014?

O.E.3 Determinar el


ingreso nacional bruto

per cápita sobre la tasa

de prevalencia de


diferentes

subcontinentes,

durante el periodo

1995-2014.


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%.


variable ingreso nacional bruto per cápita sobre la



1995-2014 fue menor a 10%.

243



número de hijos por

mujer sobre la tasa de

prevalencia de


diferentes

subcontinentes,

durante el periodo

1995-2014?

O.E.4 Determinar el


número de hijos por

mujer sobre la tasa de

prevalencia de


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


igual a 10%.


variable número de hijos por mujer sobre la tasa

de prevalencia de desnutrición en los diferentes


menor a 10%.



tasa de acceso de


sobre la tasa de

prevalencia de


diferentes

subcontinentes,

durante el periodo

1995-2014?

O.E.5 Determinar el


tasa de acceso de


sobre la tasa de

prevalencia de


diferentes

subcontinentes,

durante el periodo

1995-2014.


variable tasa de acceso de agua de la población

sobre la tasa de prevalencia de desnutrición en


1995-2014 fue igual a 10%.


variable tasa de acceso de agua de la población

sobre la tasa de prevalencia de desnutrición en


1995-2014 fue menor a 10%



tasa de las mejoras de

las instalaciones

sanitarias sobre la tasa

de prevalencia de


diferentes

subcontinentes,

durante el periodo

1995-2014?

O.E.6 Determinar el


tasa de las mejoras de

las instalaciones

sanitarias sobre la tasa

de prevalencia de


diferentes

subcontinentes,

durante el periodo

1995-2014.


variable tasa de las mejoras de las instalaciones

sanitarias sobre la tasa de prevalencia de

desnutrición en los diferentes subcontinentes,



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



años promedio de

escolaridad sobre la



diferentes

subcontinentes,

durante el periodo

1995-2014?

O.E.7 Determinar el


años promedio de

escolaridad sobre la



diferentes

subcontinentes,

durante el periodo

1995-2014.


variable años promedio de escolaridad sobre la



1995-2014 fue igual a 10%.


variable años promedio de escolaridad sobre la



1995-2014 fue menor a 10%


Tasa de prevalencia de desnutrición

Figura 6: Data de la Tasa de prevalencia de desnutrición para América del sur


propia

245

Figura 7: Data de la Tasa de prevalencia de desnutrición para América del Centro y el caribe


propia

Figura 8: Data de la Tasa de prevalencia de desnutrición para África del Norte y Occidental


propia

246

Figura 9: Data de la Tasa de prevalencia de desnutrición para África del Sur, Oriente y Central


propia

Figura 10: Data de la Tasa de prevalencia de desnutrición para Asia

247


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



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

249



Figura 15: Data de la Tasa de desempleo de desnutrición para Asia



Gasto en salud per cápita

250

Figura 16: Data del gasto en salud per cápita para América del sur


propia

Figura 17: Data del gasto en salud per cápita para América del Centro y el caribe


propia

251

Figura 18: Data del gasto en salud per cápita para África del Norte y Occidental


propia

Figura 19: Data del gasto en salud per cápita para África del Sur, Oriente y Central


propia

252

Figura 20: Data del gasto en salud per cápita para Asia


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


elaboración propia

Figura 23: Data del ingreso nacional bruto per cápita para África del Norte y Occidental

254


elaboración propia

Figura 24: Data del ingreso nacional bruto per cápita para África del Sur, Oriente y Central


elaboración propia

255

Figura 25: Data del ingreso nacional bruto per cápita para Asia


elaboración propia

Número de hijos por mujer

Figura 26: Data del número de hijos por mujer para América del sur


propia

256

Figura 27: Data del número de hijos por mujer para América del Centro y el caribe


propia

Figura 28: Data del número de hijos por mujer para África del Norte y Occidental


propia

257

Figura 29: Data número de hijos por mujer para África del Sur, Oriente y Central


propia

Figura 30: Data número de hijos por mujer para Asia

258


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


propia

Figura 33: Data de la Tasa de acceso de agua de la población para África del Norte y Occidental


propia

260

Figura 34: Data de la Tasa de acceso de agua de la población para África del Sur, Oriente y Central


propia

Figura 35: Data de la Tasa de acceso de agua de la población para Asia


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


elaboración propia

262

Figura 38: Data de la Tasa de mejora de las instalaciones sanitarias para África del Norte y Occidental


elaboración propia

Figura 39: Data de la Tasa de mejora de las instalaciones sanitarias para África del Sur, Oriente y Central


elaboración propia

263

Figura 40: Data de la Tasa de mejora de las instalaciones sanitarias para Asia


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



Figura 43: Data del Promedio de años de escolaridad para África del Norte y Occidental



265

Figura 44: Data del Promedio de años de escolaridad para África del Sur, Oriente y Central



Figura 45: Data del Promedio de años de escolaridad para Asia



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




Uruguay

U

Tasa de Desempleo para América del Sur

Expresado en porcentaje de la población económicamente activa total




Porc

enta

je d

e la P

EA

Tota

l


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




Uruguay

GS

Gasto en Salud per Cápita para América del Sur

Expresado en dólares americanos, a precios corrientes




Dóla

res a

mericanos


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




Uruguay

INB

Ingreso Nacional Bruto per Cápita para América del Sur





Dóla

res

am

erica

nos


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




Uruguay

NHM

Número de Hijos por Mujer para América del Sur

En cantidad de hijos, considerando hasta 3 decimales




Cantidad d

e H

ijos


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




Uruguay

AAP

Tasa de Acceso al Agua para América del Sur

Expresado en porcentaje de la población con acceso




Porc

enta

je d

e la P

obla

ción c

on A

cceso


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




Uruguay

MIS

Tasa de Mejora de las Instalaciones Sanitarias para América del Sur

Expresado en porcentaje del sector urbano de la población




Porc

enta

je d

el S

ect

or

Urb

ano

de la P

obla

ción



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




Uruguay

AE

Años Promedio de Escolaridad para América del Sur

Expresado en años, considerando hasta el primer decimal



Fuente: Programa de las Naciones Unidas para el Desarrollo - PNUD

Años

de E

scola

ridad


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


Honduras Nicaragua

Panamá El Salvador



Porc

enta

je d

e la P

EA

Tota

l

U

Tasa de Desempleo para América Central







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


Honduras Nicaragua

Panamá El Salvador



GS

Gasto en Salud per Cápita para América Central





Dóla

res

am

erica

nos


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


Honduras Nicaragua

Panamá El Salvador



INB

Ingreso Nacional Bruto per Cápita para América Central





Dóla

res

am

erica

nos



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


Honduras Nicaragua

Panamá El Salvador



NHM

Número de Hijos por Mujer para América Central





Cantidad d

e H

ijos


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


Honduras Nicaragua

Panamá El Salvador



AAP

Tasa de Acceso al Agua para América Central





Porc

enta

je d

e la P

obla

ción c

on A

cceso


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


Honduras Nicaragua

Panamá El Salvador



MIS

Tasa de Mejora de las Instalaciones Sanitarias para América Central





Porc

enta

je d

el S

ect

or

Urb

ano

de la P

obla

ción



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


Honduras Nicaragua

Panamá El Salvador



AE

Años Promedio de Escolaridad para América Central





Años

de E

scola

ridad



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


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







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


Argelia Egipto

Ghana Gambia

Marruecos Malí

Mauritania Senegal

Sierra Leona Togo

GS

Gasto en Salud per Cápita para África del Norte y Occidental





Dóla

res

am

erica

nos


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


Argelia Egipto

Ghana Gambia

Marruecos Malí

Mauritania Senegal

Sierra Leona Togo

INB

Ingreso Nacional Bruto per Cápita para África del Norte y Occidental





Dóla

res

am

erica

nos



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


Argelia Egipto

Ghana Gambia

Marruecos Malí

Mauritania Senegal

Sierra Leona Togo

NHM

Número de Hijos por Mujer para África del Norte y Occidental





Cantidad d

e H

ijos


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


Argelia Egipto

Ghana Gambia

Marruecos Malí

Mauritania Senegal

Sierra Leona Togo

AAP

Tasa de Acceso al Agua para África del Norte y Occidental





Porc

enta

je d

e la P

obla

ción c

on A

cceso


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


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





Porc

enta

je d

el S

ect

or

Urb

ano

de la P

obla

ción



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


Argelia Egipto

Ghana Gambia

Marruecos Malí

Mauritania Senegal

Sierra Leona Togo

AE

Años Promedio de Escolaridad para África del Norte y Occidental





Años

de E

scola

ridad



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




Zambia

Porc

enta

je d

e la P

EA

Tota

l

U

Tasa de Desempleo para África del Sur, Oriente y Central







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




Zambia

GS

Gasto en Salud per Cápita para África del Sur, Oriente y Central





Dóla

res

am

erica

nos


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




Zambia

INB

Ingreso Nacional Bruto per Cápita para África del Sur, Oriente y Central





Dóla

res

am

ericanos



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




Zambia

NHM

Número de Hijos por Mujer para África del Sur, Oriente y Central





Cantidad d

e H

ijos


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




Zambia

AAP

Tasa de Acceso al Agua para África del Sur, Oriente y Central





Porc

enta

je d

e la P

obla

ción c

on A

cceso


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




Zambia

MIS

Tasa de Mejora de las Instalaciones Sanitarias para África del Sur, Oriente y Central





Porc

enta

je d

el S

ect

or

Urb

ano

de la P

obla

ción



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




Zambia

AE

Años Promedio de Escolaridad para África del Sur, Oriente y Central





Años d

e E

scola

ridad



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






Porc

enta

je d

e la P

EA

Tota

l

U

Tasa de Desempleo para Asia







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






GS

Gasto en Salud per Cápita para Asia





Dóla

res

am

erica

nos


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






INB

Ingreso Nacional Bruto per Cápita para Asia





Dóla

res

am

erica

nos



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






NHM

Número de Hijos por Mujer para Asia





Cantidad d

e H

ijos


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






AAP

Tasa de Acceso al Agua para Asia





Porc

enta

je d

e la P

obla

ción c

on A

cceso

299


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






MIS

Tasa de Mejora de las Instalaciones Sanitarias para Asia





Porc

enta

je d

el S

ect

or

Urb

ano

de la P

obla

ción

300



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






AE

Años Promedio de Escolaridad para Asia





Años

de E

scola

ridad

301



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


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





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




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





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




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



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





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





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




306


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





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





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






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





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





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






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






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





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






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





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






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





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





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






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






314

Estadísticas Descriptivas de las series que componen el modelo para África del


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





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






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





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






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





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





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






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






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





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






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





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






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





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





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






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






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


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


De

nsi

da

d

UTasa de Desempleo para América del Sur




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


De

nsi

da

d

GSGasto en Salud per Cápita para América del Sur



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


De

nsi

da

d

INBIngreso Nacional Bruto per Cápita para América del Sur




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


De

nsid

ad

NHMNúmero de Hijos por Mujer para América del Sur



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


De

nsi

da

d

AAPTasa de Acceso al Agua para América del SurFunción de Densidad de Probabilidad Normal


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


De

nsi

da

d

MISTasa de Mejora de las Instalaciones Sanitarias para América del Sur




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


De

nsi

da

d

AEAños Promedio de Escolaridad para América del Sur




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


De

nsi

da

dTPD

Tasa de Prevalencia de la Desnutrición para América CentralFunción de Densidad de Probabilidad Normal


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


De

nsi

da

d

UTasa de Desempleo para América Central




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


De

nsid

ad

GSGasto en Salud per Cápita para América Central



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


De

nsi

da

d

INBIngreso Nacional Bruto per Cápita para América Central




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


De

nsid

ad

NHMNúmero de Hijos por Mujer para América Central



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


De

nsi

da

d

AAPTasa de Acceso al Agua para América CentralFunción de Densidad de Probabilidad Normal


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


De

nsi

da

d

MISTasa de Mejora de las Instalaciones Sanitarias para América Central




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


De

nsi

da

d

AEAños Promedio de Escolaridad para América Central




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


De

nsi

da

dTPD

Tasa de Prevalencia de la Desnutrición para África del Norte y OccidentalFunción de Densidad de Probabilidad Normal


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


De

nsi

da

d

UTasa de Desempleo para África del Norte y Occidental




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


De

nsi

da

d

GSGasto en Salud per Cápita para África del Norte y Occidental



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


De

nsid

ad

INBIngreso Nacional Bruto per Cápita para África del Norte y Occidental




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


De

nsi

da

d

NHMNúmero de Hijos por Mujer para África del Norte y Occidental



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


De

nsid

ad

AAPTasa de Acceso al Agua para África del Norte y Occidental


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


De

nsid

ad

MISTasa de Mejora de las Instalaciones Sanitarias para África del Norte y Occidental




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


De

nsid

ad

AEAños Promedio de Escolaridad para África del Norte y Occidental




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


De

nsid

ad

TPDTasa de Prevalencia de la Desnutrición para África del Sur, Oriente y Central



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


De

nsid

ad

UTasa de Desempleo para África del Sur, Oriente y Central


335



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


De

nsid

ad

GSGasto en Salud per Cápita para África del Sur, Oriente y Central



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


De

nsid

ad

INBIngreso Nacional Bruto per Cápita para África del Sur, Oriente y Central




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


De

nsid

ad

NHMNúmero de Hijos por Mujer para África del Sur, Oriente y Central



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


De

nsid

ad

AAPTasa de Acceso al Agua para África del Sur, Oriente y Central



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


De

nsid

ad

MISTasa de Mejora de las Instalaciones Sanitarias para África del Sur, Oriente y Central




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


De

nsid

ad

AEAños Promedio de Escolaridad para África del Sur, Oriente y Central




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


De

nsid

ad

TPDTasa de Prevalencia de la Desnutrición para Asia



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


De

nsid

ad

UTasa de Desempleo para Asia


339



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


De

nsid

ad

GSGasto en Salud per Cápita para Asia



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


De

nsid

ad

INBIngreso Nacional Bruto per Cápita para Asia




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


De

nsid

ad

NHMNúmero de Hijos por Mujer para Asia



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


De

nsid

ad

AAPTasa de Acceso al Agua para Asia



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


De

nsid

ad

MISTasa de Mejora de las Instalaciones Sanitarias para Asia




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


De

nsid

ad

AEAños Promedio de Escolaridad para Asia




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


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 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


EViews 9

Nota:


343


absoluto.

Cuadro 80: Matriz de Correlación de las series que componen el modelo para África del Norte y

Occidental


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:



absoluto.

Cuadro 81: Matriz de Correlación de las series que componen el modelo para África del Sur, Oriente y

Central


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


EViews 9

Nota:


344


absoluto.

Cuadro 82: Matriz de Correlación de las series que componen el modelo para Asia


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


EViews 9

Nota:



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


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).





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


Fuente: Extraído de la Databank: World Development Indicators Health del World Bank


Cuadro 85: Elección del rezago óptimo para la relación de causalidad 3 ( ) del

modelo de investigación para América del Sur


Óptimo

1 -3.158477968166266

2 -4.198053333918958

3 -4.331612681520949



óptimo.

4 -4.218989642273064

5 -4.149282328429749

6 -4.074402291795597

7 -3.95561672081607

8 -3.880972709190611

9 -3.857779821190499

10 -3.786537037637836

348


Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del

World Bank elaboración propia en EViews 9




Óptimo

1 -3.179386028356584

2 -4.259753058721818

3 -4.386859443638857



óptimo.

4 -4.276295581391869

5 -4.241127923531928

6 -4.158365983148491

7 -4.011563840879783

8 -3.949479686488544

9 -3.953589453501154

10 -3.953092836145186

349







Óptimo

1 -3.161978284549877

2 -4.208106800310077

3 -4.340553935035423



óptimo.

4 -4.229597562454472

5 -4.16337617831936

6 -4.078828877428915

7 -3.948348126719494

8 -3.886014278852379

9 -3.882056379626676

10 -3.824000734263794

350


Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World





Óptimo

1 -3.161876802156371

2 -4.205125539683527

3 -4.336814690702313



óptimo.

4 -4.232929907845586

5 -4.172731771716211

6 -4.095640627101269

7 -3.958159364460887

8 -3.887944653073237

9 -3.882703716759788

10 -3.778882043259141

351


Fuente: Extraído de la Databank: World Development Indicators Urban Development del





Óptimo

1 -3.166487953145211

2 -4.206417502916096

3 -4.340656220665483



óptimo.

4 -4.231163676730991

5 -4.186375588372527

6 -4.112505335062498

7 -3.985335465893959

8 -3.897788361032357

9 -3.845423641184163

10 -3.706209257333779

352


Fuente: Extraído de la Human Development Reports: Data Education del United Nations

Development Programme elaboración propia en EViews 9


de investigación para América Central


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



óptimo.

353


Fuente: Extraído de la Databank: World Development Indicators Social Protection and Labor

del World Bank elaboración propia en EViews 9




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



óptimo.


354




modelo de investigación para América Central


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



óptimo.







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



óptimo.







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



óptimo.







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



óptimo.


Fuente: Extraído de la Databank: World Development Indicators Urban Development del World





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



óptimo.





de investigación para África del Norte y Occidental


Óptimo

1 -2.936836557682194

2 -4.104875611634764

3 -4.298112636838259



óptimo.

4 -4.274958938012661

5 -4.275052688131253

6 -4.182722838498182

7 -4.098298444738978

360

8 -4.015363942455959

9 -3.890116355142394

10 -3.719817690290156





de investigación para África del Norte y Occidental


Óptimo

1 -2.940645534730966

2 -4.131429995411556

3 -4.30587475967621

4 -4.26106668095741

5 -4.317546025713378



óptimo.

6 -4.233711505377292

7 -4.137472168396951

361

8 -4.057862049083926

9 -3.9250811845516

10 -3.776666327720913





modelo de investigación para África del Norte y Occidental


Óptimo

1 -2.946218403163639

2 -4.131429995411556

3 -4.30587475967621

4 -4.26106668095741

5 -4.317546025713378



óptimo.

6 -4.233711505377292

7 -4.137472168396951

362

8 -4.057862049083926

9 -3.9250811845516

10 -3.730343405711091


Fuente: Extraído de la Databank: World Development Indicators Economy and Growth del World Bank elaboración propia en EViews 9




Óptimo

1 -2.981388278478325

2 -4.112378540515998

3 -4.290188138899248



óptimo.

4 -4.248147299973534

5 -4.238591339766826

6 -4.132106798596137

7 -4.042484309889369

363

8 -3.977791039351879

9 -3.879806286839927

10 -3.693736481030751







Óptimo

1 -2.949819961291421

2 -4.1108808564783

3 -4.297415644312317



óptimo.

4 -4.252878734222437

5 -4.241298933378972

6 -4.160486743431414

364

7 -4.050609190099453

8 -3.967115405507619

9 -3.843554320111302

10 -3.656991083027042


Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank





Óptimo

1 -2.938202131600132

2 -4.108339421279848

3 -4.312514452802188



óptimo.

4 -4.273096093399117

5 -4.290374675837902

6 -4.195006311039116

365

7 -4.097868283988731

8 -4.035139285596641

9 -3.871402350815405

10 -3.696800078407886


Fuente: Extraído de la Databank: World Development Indicators Urban Development del





Óptimo

1 -2.94253386757144

2 -4.110626817126541

3 -4.309727660368076



óptimo.

4 -4.289989190118861

5 -4.282091605429751

6 -4.185194848147007

366

7 -4.082922038238321

8 -4.008720987778655

9 -3.880227429310484

10 -3.700761604395164





de investigación para África del Sur, Oriente y Central


Óptimo

1 -3.191746682829236

2 -4.473525630288996

3 -4.877170803152187

4 -4.805340849922229

5 -4.942118554255004

367

6 -4.994282008460899



óptimo.

7 -4.939049208640712

8 -4.936631232951671

9 -4.869949362186624

10 -4.770709198313068





modelo de investigación para África del Sur, Oriente y Central


Óptimo

1 -3.198393313825536

2 -4.516934373223795

3 -4.888867080907441

4 -4.798689651871052

5 -4.962348672846992

368

6 -5.032936148858044



óptimo.

7 -4.958471405192311

8 -4.984796673371844

9 -4.933087271174563

10 -4.808816372402936







Óptimo

1 -3.186212176765248

2 -4.516934373223795

3 -4.888867080907441

4 -4.798689651871052

5 -4.962348672846992

369

6 -5.032936148858044



óptimo.

7 -4.958471405192311

8 -4.984796673371844

9 -4.933087271174563

10 -4.744931970870113







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



propia en EViews 9




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



óptimo.

9 -4.961583216483404

10 -4.887412692768471







Óptimo

1 -3.200487253225849

2 -4.467989366414154

3 -4.85711867169352

4 -4.75651110625851

372

5 -4.893360451781057

6 -4.972108811190627



óptimo.

7 -4.909547843422426

8 -4.911491440118409

9 -4.86539635510596

10 -4.758481597532887







Óptimo

1 -3.210083796482043

2 -4.481232169808061

3 -4.859225892945786

373

4 -4.764784637576918

5 -4.912373313765981

6 -4.963857465678211



óptimo.

7 -4.889839786976894

8 -4.921396628436359

9 -4.877116889541911

10 -4.80665356600921





de investigación para Asia


Óptimo

1 -2.454399995684421

2 -3.63385538144722

3 -3.973400342646511

374

4 -4.013711043816607



óptimo.

5 -3.998809443454851

6 -3.906472025857583

7 -3.866029100444557

8 -3.876383513110722

9 -3.798056871191135

10 -3.908262613001221





modelo de investigación para Asia


Óptimo

1 -2.464735237345878

2 -3.640315016836003

3 -3.959701897250466

375

4 -4.012550354752718



óptimo.

5 -4.001686645050604

6 -3.905383728092291

7 -3.864207483366342

8 -3.794257385714858

9 -3.705174143074921

10 -3.739680810508724







Óptimo

1 -2.460344966130377

2 -3.640315016836003

3 -3.959701897250466

376

4 -4.012550354752718



óptimo.

5 -4.001686645050604

6 -3.905383728092291

7 -3.864207483366342

8 -3.794257385714858

9 -3.705174143074921

10 -3.73204532060695







Óptimo

1 -2.481170955408889

2 -3.650132943531495

3 -3.980399573629331

377

4 -4.04680081372969

5 -4.076552771343269



óptimo.

6 -4.001767393780339

7 -3.98719284503939

8 -4.021084638248613

9 -3.887170009427483

10 -3.889936274843361







Óptimo

1 -2.462976702106561

2 -3.648861446683277

3 -3.988008917148288

378

4 -4.009873970934764



óptimo.

5 -4.009311601062869

6 -3.905775920806383

7 -3.852820004233604

8 -3.814619792593285

9 -3.698843954388451

10 -3.777407814292372


Fuente: Extraído de la Databank: World Development Indicators Infrastructure del World Bank





1 -2.459384363862359

2 -3.648500056972838

379

3 -3.966347971566932

4 -4.024825167585973

5 -4.025405154783534



óptimo.

6 -3.929760626964513

7 -3.874182476549866

8 -3.836395121943631

9 -3.895390274272669

10 -3.934798662203917







Óptimo

1 -2.456858253492734

2 -3.660032868906579

380

3 -3.976464069369821

4 -4.014549506880661



óptimo.

5 -3.996833011806876

6 -3.895234933252178

7 -3.842054179145349

8 -3.784862778224999

9 -3.677893437880201

10 -3.719361029979273




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






Muestra: 1995 2014

Rezagos: 3


LGS no causa en sentido Granger

a LTPD 170 3.219354 0.0243


propia en EViews 9




Muestra: 1995 2014

Rezagos: 3


LINB no causa en sentido Granger 170 3.004719 0.0321

382

a LTPD






Muestra: 1995 2014

Rezagos: 3


LNHM no causa en sentido

Granger a LTPD 170 2.988239 0.0328


propia en EViews 9




Muestra: 1995 2014

Rezagos: 3


LAAP no causa en sentido

Granger a LTPD 170 1.064987 0.3656


propia en EViews 9




Muestra: 1995 2014

Rezagos: 3


LMIS no causa en sentido Granger 170 0.423081 0.7367

383

a LTPD






Muestra: 1995 2014

Rezagos: 3


LAE no causa en sentido Granger

a LTPD 170 0.493739 0.6871




investigación para América Central


Muestra: 1995 2014

Rezagos: 10



LTPD 100 0.946819 0.4960






Muestra: 1995 2014

Rezagos: 10


384


a LTPD 100 2.364201 0.0167


propia en EViews 9




Muestra: 1995 2014

Rezagos: 10


LINB no causa en sentido Granger

a LTPD 100 3.038921 0.0026






Muestra: 1995 2014

Rezagos: 10



Granger a LTPD 100 1.306572 0.2416


propia en EViews 9




Muestra: 1995 2014

Rezagos: 10


385


Granger a LTPD 100 1.424493 0.1851


propia en EViews 9




Muestra: 1995 2014

Rezagos: 10


LMIS no causa en sentido Granger

a LTPD 100 2.890511 0.0040






Muestra: 1995 2014

Rezagos: 10



a LTPD 100 2.510153 0.0113




investigación para África del Norte y Occidental


Muestra: 1995 2014

Rezagos: 3


386


LTPD 204 0.962202 0.4116






Muestra: 1995 2014

Rezagos: 5



a LTPD 180 3.772868 0.0029


propia en EViews 9




Muestra: 1995 2014

Rezagos: 5



a LTPD 180 2.119974 0.0654






Muestra: 1995 2014

Rezagos: 3


387


Granger a LTPD 204 0.691294 0.5584


propia en EViews 9




Muestra: 1995 2014

Rezagos: 3



Granger a LTPD 204 3.138481 0.0265


propia en EViews 9




Muestra: 1995 2014

Rezagos: 3



a LTPD 204 1.916888 0.1281






Muestra: 1995 2014

Rezagos: 3


388


a LTPD 204 1.736840 0.1607




investigación para África del Sur, Oriente y Central


Muestra: 1995 2014

Rezagos: 6



LTPD 140 1.118506 0.3553






Muestra: 1995 2014

Rezagos: 6



a LTPD 140 2.060597 0.0624


propia en EViews 9




Muestra: 1995 2014

Rezagos: 6


389


a LTPD 140 0.930134 0.4758






Muestra: 1995 2014

Rezagos: 6



Granger a LTPD 140 0.282572 0.9443


propia en EViews 9




Muestra: 1995 2014

Rezagos: 8



Granger a LTPD 120 1.597570 0.1345


propia en EViews 9




Muestra: 1995 2014

Rezagos: 6


390


a LTPD 140 0.751010 0.6097






Muestra: 1995 2014

Rezagos: 6



a LTPD 140 0.659502 0.6824




investigación para Asia


Muestra: 1995 2014

Rezagos: 4



LTPD 240 0.842745 0.4993






Muestra: 1995 2014

Rezagos: 4

391



a LTPD 240 1.000567 0.4080


propia en EViews 9




Muestra: 1995 2014

Rezagos: 4



a LTPD 240 0.727852 0.5737






Muestra: 1995 2014

Rezagos: 5



Granger a LTPD 225 4.581636 0.0005


propia en EViews 9




Muestra: 1995 2014

Rezagos: 4

392



Granger a LTPD 240 0.930535 0.4469


propia en EViews 9




Muestra: 1995 2014

Rezagos: 5



a LTPD 225 2.246846 0.0509






Muestra: 1995 2014

Rezagos: 4



a LTPD 240 0.892847 0.4689



Principales resultados de la estimación de los modelos de data panel para cada


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


EViews 9


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


Muestra 1995 2014

Observaciones 200

Media -1.11e-15

Mediana 0.006659

V. Máximo 0.299669

V. Mínimo -0.331090

Desv. Est. 0.113331


Kurtosis 3.260025




EViews 9


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


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


Kurtosis 2.990528




EViews 9


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


Muestra 1995 2014

Observaciones 200

Media 1.87e-16

Mediana -0.000206

V. Máximo 0.402614

V. Mínimo -0.404194

Desv. Est. 0.142665


Kurtosis 3.645497




EViews 9

395


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


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




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


EViews 9

Cuadro 159: Output del test de Hausman para la elección del modelo final del subcontinente de América

Central y el Caribe

396


Resumen del Test

Estadístico

de Chi-

cuadrado

Grados de

Libertad P-valor




16.176613 5 0.0004


EViews 9

Cuadro 160: Output del test de Hausman para la elección del modelo final del subcontinente de África del

Norte y Occidental


Resumen del Test

Estadístico

de Chi-

cuadrado

Grados de

Libertad P-valor




24.295168 3 0.0003


EViews 9

Cuadro 161: Output del test de Hausman para la elección del modelo final del subcontinente de África del



Resumen del Test

Estadístico

de Chi-

cuadrado

Grados de

Libertad P-valor




14.391355 4 0.0061


EViews 9

Cuadro 162: Output del test de Hausman para la elección del modelo final del subcontinente de Asia


397

Resumen del Test

Estadístico

de Chi-

cuadrado

Grados de

Libertad P-valor




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


EViews 9


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


EViews 9


EFM1 del subcontinente de África del Norte y Occidental

Test de Wald:



Libertad P-valor

Todos los

parámetros

asociados a los


países de este

subcontinente son

iguales a cero

204.1585 (12, 225) 0.0000


EViews 9


EFM1 del subcontinente de África del Sur, Oriente y Central

399

Test de Wald:



Libertad P-valor

Todos los

parámetros

asociados a los


países de este

subcontinente son

iguales a cero

87.93018 (10, 186) 0.0000


EViews 9


EFM1 del subcontinente de Asia

Test de Wald:



Libertad P-valor

Todos los

parámetros

asociados a los


países de este

subcontinente son

iguales a cero

81.50448 (14, 283) 0.0000


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


Tasa de desempleo


(INB) per cápita

Programas nacionales

dirigidos al acceso de agua

Tasa de desempleo

Tasa de la mejora de las


Tasa de desempleo

Tasa de acceso de agua de la

población


(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


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


escolaridad

Media de los años de escolaridad

Ingreso Nacional

Bruto (INB) per cápita

ujeres)

Desinterés de las personas por

el estudio

Tasa de desempleo


Ingreso Nacional


Ingreso Nacional



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


persona que padece de

desnutrición sin importar el rango

de edad

Problema: Tasa de desempleo suba

Variable: Media de los años de

escolaridad




Problema: Media de los años de

escolaridad baje

Variable: Ingreso nacional bruto

per cápita




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


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


“impacto de las variables que inciden en la tasa de la prevalencia de desnutriciÓn...

Documents