Universidad Católica de Ssma. Concepción

Facultad de Ingeniería

Area de Ciencias Matemáticas

Unidad - Análisis Multivariado

TRABAJO DE APLICACIÓN DE ANÁLISIS

MULTIVARIADO

TEMA : Ocupación Laboral en la Octava Región por rama de actividad.

Nombre del Alumno: Ronald Eskuche

Asignatura: Análisis Multivariado

Fecha: 07/12/00

INTRODUCCION

En el presente trabajo analizaremos desde distintos puntos de vista la ocupación laboral de acuerdo a las distintas áreas de actividad económica en la octava región.

Trataremos de realizar un variado análisis, para de esta manera tratar de ver como se comportan estas distintas áreas en el transcurso de un periodo de tiempo determinado. Para llevar a cabo este análisis nos hemos apoyado en el software SPSS versión 8.0 , el cual nos facilitara esta tarea. Podremos apreciar en forma gráfica cada uno de estos comportamientos, como también el ajuste de estos datos a un modelo de regresión.

Los datos con que trabajaremos son actualizados, y fueron obtenidos de INE(Instituto Nacional de Estadística de Concepción). Están tomados desde Enero de 1999 hasta Septiembre del 2000.

Comenzaremos con un análisis descriptivo de los datos, los cuales fueron obtenidos de las tablas 1 y 2 que están en el anexo de este informe(tabla Nº2).

Statistics

		A1:cant. de ocupados en agricultura,caza y pesca.	A2: cant. de ocupados en minas y canteras	A3: cant. de ocupados en Industria y Manufacturas	A4: cant. de ocupados en elec. , gas y agua.	A5: cant. de ocupados en construccion	A6: cant. de ocupados en comercio	A7: cant. de ocupados en transporte y comunicaciones.
N	Valid	19	19	19	19	19	19	19
	Missing	0	0	0	0	0	0	0

A1:cant. de ocupados en agricultura,caza y pesca.

		Frequency	Percent	Valid Percent	Cumulative Percent
Valid	entre 98 y 102 (mls. de personas)	4	21,1	21,1	21,1
	entre 102 y 106 (mls. de personas)	7	36,8	36,8	57,9
	entre 106 y 111 (mls. de personas)	8	42,1	42,1	100,0
	Total	19	100,0	100,0

A2: cant. de ocupados en minas y canteras

		Frequency	Percent	Valid Percent	Cumulative Percent
Valid	entre 1.81 y 2.715 (mls. de personas)	2	10,5	10,5	10,5
	Entre 2.715 y 3.62 (mls. de personas)	17	89,5	89,5	100,0
	Total	19	100,0	100,0

A3: cant. de ocupados en Industria y Manufacturas

		Frequency	Percent	Valid Percent	Cumulative Percent
Valid	entre 100 y 102 (mls. de personas)	3	15,8	15,8	15,8
	entre 102 y 104 (mls de personas)	7	36,8	36,8	52,6
	entre 104 y 106 (mls. de personas)	8	42,1	42,1	94,7
	entre 106 y 108 (mls. de personas)	1	5,3	5,3	100,0
	Total	19	100,0	100,0

A4: cant. de ocupados en elec. , gas y agua.

		Frequency	Percent	Valid Percent	Cumulative Percent
Valid	entre 0 y 2 (mls. de personas)	2	10,5	10,5	10,5
	entre 2 y 3 (mls. de personas)	14	73,7	73,7	84,2
	entre 3 y 4 (mls. de personas)	3	15,8	15,8	100,0
	Total	19	100,0	100,0

A5: cant. de ocupados en construccion

		Frequency	Percent	Valid Percent	Cumulative Percent
Valid	entre 40 y 44 (mls. de personas)	4	21,1	21,1	21,1
	entre 44 y 48 (mls. de personas)	7	36,8	36,8	57,9
	entre 48 y 53 (mls. de personas)	8	42,1	42,1	100,0
	Total	19	100,0	100,0

A6: cant. de ocupados en comercio

		Frequency	Percent	Valid Percent	Cumulative Percent
Valid	entre 97 y 100 (mls. de personas)	3	15,8	15,8	15,8
	entre 100 y 103 (mls. de personas)	5	26,3	26,3	42,1
	entre 103 y 106 (mls. de personas)	7	36,8	36,8	78,9
	entre 106 y 109 (mls. de personas)	4	21,1	21,1	100,0
	Total	19	100,0	100,0

A7: cant. de ocupados en transporte y comunicaciones.

		Frequency	Percent	Valid Percent	Cumulative Percent
Valid	entre 44 y 47 (mls. de personas)	4	21,1	21,1	21,1
	entre 47 y 50 (mls. de personas)	10	52,6	52,6	73,7
	entre 50 y 53 (mls. de personas)	5	26,3	26,3	100,0
	Total	19	100,0	100,0

Estos datos fueron obtenidos ajustando los datos de acuerdo a intervalos, para de esta manera apreciar el número personas (en miles) y sus respectivos porcentajes, así de esta manera tener una idea de cuanto es comparativamente la ocupación de las personas dependiendo del área en que se desempeñen (en la zona).

A simple vista podemos ver que la mayor parte de la ocupación laboral se encuentra en el área del comercio, la industria y manufactura y la agricultura-caza-pesca. Esto es lógico ya que nuestra zona esta fuertemente desarrollada en estos rubros.

De la figura 2 mostrada a continuación podemos apreciar otros estadísticos obtenidos de la tabla original de datos(tabla 1). De aquí podemos observar la media, la varianza y el valor mínimo y máximo para

cada área, que son estadísticos básicos, pero que también nos van guiando hacia el comportamiento de cada rubro. Podemos observar la poca variabilidad en el numero de personas que trabajan en el área de minas y canteras como también en el área de la electricidad y aguas. Por otro lado la agricultura-caza-pesca como el comercio presentan los índices mas altos en cuanto a variabilidad se refiere. Esto se puede a los alti-bajos que estos sectores sufren.

Fig 2:

Descriptive Statistics

	N	Minimum	Maximum	Mean	Variance
A1: cant. de ocupados en agricultura, caza y pesca	19	98.03	110.46	105.1305	13,509
A2: cant. de ocupados en industria y manufacturas	19	100.19	107.92	103.6816	3,057
A3: cant. de ocupados en minas y canteras	19	2.56	3.62	3.1521	,112
A4: cant. de ocupados en electricidad, gas y agua	19	1.69	3.93	2.5174	,261
A5: cant. de ocupados en construccion	19	43.13	52.48	47.4926	8,126
A6: cant. de ocupados en comercio	19	97.05	108.92	103.4126	9,587
A7: cant. de ocupados en transporte y comunicaciones	19	44.10	52.79	48.5689	5,200
Valid N (listwise)	19

A continuación mostraremos gráficamente el comportamiento de cada rubro o actividad que estamos analizando. Donde se ha tratado de ajustar una recta que concentre el mayor numero de puntos.

Estos gráficos nos permiten visualizar de mejor manera el ascenso o descenso que ha tenido el empleo u ocupación para dichas áreas dentro del periodo que estamos analizando. Cabe señalar que para este análisis gráfico se tomo la variable periodo como variable independiente, esto quiere decir que estamos viendo como varia la ocupación para distintos periodos de tiempo.En algunas áreas como la pesca y la agricultura estas variaciones son muy importantes ya que estos rubros tienen “temporadas buenas” o pic, pero suelen tener temporadas donde decaen notoriamente; por lo general por causas metereologicas.

El grafico siguiente resume el comportamiento de todas las áreas que estamos analizando dentro de el periodo de tiempo considerado.

A continuación ajustarmos los datos a un modelo de regresión múltiple el cual nos llevara a establecer mediante los coeficientes de regresión una ecuación de predicción para estos datos. Para este análisis fue necesario tomar la variable periodo como variable dependiente y todos las áreas como variables independientes, las cuales nos dirán de acuerdo a sus niveles de empleo la época del año en que eso ocurre.

Model Summary

	R	R Square	Adjusted R Square	Std. Error of the Estimate	Change Statistics
Model					R Square Change	F Change	df1	df2	Sig. F Change
1	,816	,666	,454	4,16	,666	3,137	7	11	,044

a Predictors: (Constant), A7: cant. de ocupados en transporte y comunicaciones, A5: cant. de ocupados en construccion, A3: cant. de ocupados en minas y canteras, A2: cant. de ocupados en industria y manufacturas, A1: cant. de ocupados en agricultura, caza y pesca, A4: cant. de ocupados en electricidad, gas y agua, A6: cant. de ocupados en comercio

ANOVA

Model		Sum of Squares	df	Mean Square	F	Sig.
1	Regression	379,746	7	54,249	3,137	,044
	Residual	190,254	11	17,296
	Total	570,000	18

a Predictors: (Constant), A7: cant. de ocupados en transporte y comunicaciones, A5: cant. de ocupados en construccion, A3: cant. de ocupados en minas y canteras, A2: cant. de ocupados en industria y manufacturas, A1: cant. de ocupados en agricultura, caza y pesca, A4: cant. de ocupados en electricidad, gas y agua, A6: cant. de ocupados en comercio

b Dependent Variable: P: Nº de periodo

Coefficients

		Unstandardized Coefficients		Standardized Coefficients	t	Sig.	Correlations			Collinearity Statistics
Model		B	Std. Error	Beta			Zero-order	Partial	Part	Tolerance	VIF
1	(Constant)		57,636	148,009			,389		,704
	A1: cant. de ocupados en agricultura, caza y pesca		-,149	,421	-,098		-,355		,730		-,511	-,106	-,062	,400	2,498
	A2: cant. de ocupados en industria y manufacturas		-1,090	1,181	-,339		-,923		,376		-,136	-,268	-,161	,225	4,441
	A3: cant. de ocupados en minas y canteras		-3,453	3,944	-,205		-,875		,400		-,451	-,255	-,152	,552	1,811
	A4: cant. de ocupados en electricidad, gas y agua		-,245	3,840	-,022		-,064		,950		,389	-,019	-,011	,249	4,010
	A5: cant. de ocupados en construccion		,349	,773	,177		,451		,661		,052	,135	,079	,198	5,057
	A6: cant. de ocupados en comercio		-2,918E-02	,823	-,016		-,035		,972		,000	-,011	-,006	,148	6,752
	A7: cant. de ocupados en transporte y comunicaciones		1,627	,724	,659		2,246		,046		,724	,561	,391	,352	2,841

a Dependent Variable: P: Nº de periodo

De estas tablas podemos obtener información que nos dirá que tan bueno es este modelo. Un valor de R cuadrado = 0.666 nos indica la variabilidad de Y (periodo) con respecto a las variables A1,A2,A3,A4,A5,A6 y A7.En este caso la variabilidad de los datos es relativamente amplia lo que nos indica que el modelo es relativamente bueno. Otro indicador importante es la raíz de este valor, que nos indica la correlación que existe entre Y y el conjunto. de variables de regresión, además es una medida de asociación lineal entre las variables antes mencionadas, en este caso R=0.81 lo que nos indica una fuerte correlación entre las variables de regresión. Con los valores de los betas obtenidos en la tabla tendremos nuestra ecuación de predicción que

queda:

Y = 57.636 - 0.149X1 - 1.090X2 - 3.453X3 - 0.245X4 + 0.349X5 - 0.0291X6 + 1.62X7

Una forma alternativa de ajustar nuestros datos fue mediante el método Lognileal de Independencia, el cual permite analizar variables categóricas, por lo que tuvimos que trabajar con la tabla Nº2 .Este análisis lo hemos resumido en el siguiente gráfico, el cual nos muestra que los puntos están distribuidos por toda la zona, lo cual es un buen índice porque los datos no siguen ningún patrón determinado.

Las variables que analizamos para este gráfico fueron el periodo de tiempo y la variable de ocupación en el rubro de la agricultura-caza-pesca, lo que nos indica una variabilidad de este rubro en el periodo de tiempo en cuestión.

CONCLUSION

Para finalizar este trabajo podemos decir que la ocupación laboral en la 8ª región esta fuertemente relacionada por el rubro en que se desempeñe y en el periodo de tiempo en que se analice. Lo que es en parte bueno porque deja abierta cualquier posibilidad de cambios repentinos en los índices de ocupación laboral, pensando siempre en la posibilidad de extender los niveles de ocupación en nuestra zona.

En base ha este estudio hemos aclarado los distintos comportamientos que rigen cada una de las distintas áreas que analizamos, que por lo demás son las principales dentro de la región.